基于文本挖掘技术的医院挂号科室智能推荐方法技术

本发明专利技术公开了一种基于文本挖掘技术的医院挂号科室智能推荐方法

【技术实现步骤摘要】
基于文本挖掘技术的医院挂号科室智能推荐方法


[0001]本专利技术属于医疗服务
，具体是涉及基于文本挖掘技术的医院挂号科室智能推荐方法
。

技术介绍

[0002]医院挂号系统是患者到医院就诊的最前端窗口，为方便患者就医，医院提供了通过电脑
、
手机
、
电话等多种挂号渠道
。
然而，综合性医院科室众多，专业性强，不少科室还存在交叉业务
。
对于患者，尤其是不常生病对医院科室不熟悉的患者来说，经常面临着不知该挂哪个科室的问题
。
此外，一些不常见的病，尤其是疑难杂症，更是不知该挂哪个科室
。
[0003]目前患者通常在挂号前，通过百度等软件在互联网查询，一方面费时费力，另一方面所获信息不一定真实可靠，很可能耽误疾病治疗
。
医院虽然设有一些咨询或分诊台，但在时空上存在不及时
、
不方便的缺点
。
为此，常出现如下的实际情况：患者先根据自己有限的经验，试探性地挂一个科室的号，然后医生在诊断过程中，再推荐挂更合适的科室，该过程不仅造成医院的医疗资源浪费，对于患者，则在时间
、
经济上造成双重浪费
。
因此，在医院提供的各种预约挂号渠道中，研究基于文本挖掘技术的科室智能推荐方法，十分重要和迫切
。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足，提供一种基于文本挖掘技术的医院挂号科室智能推荐方法<br/>。
[0005]本专利技术的第一方面提供了一种基于文本挖掘技术的医院挂号科室智能推荐方法，包括以下步骤：
[0006]步骤1：构建临床表现与科室对应样本
[0007]依据疾病诊断学文本，构建临床表现与疾病
、
科室映射的样本集
。
[0008]步骤2：构建科室的临床表现高频词词典
[0009]对临床表现文本进行分词，统计词频；构建科室的临床表现高频词词典
。
[0010]步骤3：训练基于
BERT
的改进的分类模型
[0011]采用基于
BERT
模型的单文本主题分类微调模型，在学习步骤1生成的样本集时，对
BERT
模型进行改进，获得临床表现与科室的高性能分类模型
。
[0012]步骤4：应用分类模型
[0013]基于步骤3获得的高性能分类模型，输入患者通过语音或文字输入的临床表现文本，获得模型的科室分类结果和置信度
。
[0014]步骤5：分析分类结果
[0015]若步骤4输出的科室分类结果的置信度低于阈值，在步骤2建立的科室临床表现词典中，把分类结果所对应科室的词典按词频从高到低推荐给患者，待患者选择后，进入步骤6；否则进入步骤
7。
[0016]步骤6：重新应用分类模型
[0017]把患者选择的临床表现高频词，拼接到患者前述的临床表现文本中，重新基于步骤3获得的高性能分类模型进行分类，获得科室分类结果和置信度；然后返回步骤
5。
[0018]步骤7：输出科室分类结果
[0019]把科室结果推荐给患者
。
[0020]本专利技术的第二方面提供了一种基于文本挖掘技术的医院挂号科室智能推荐设备，包括：存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述基于文本挖掘技术的医院挂号科室智能推荐方法
。
[0021]本专利技术的第三方面提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述基于文本挖掘技术的医院挂号科室智能推荐方法
。
[0022]本专利技术的有益效果：本专利技术能提高患者挂号科室的准确率，应用方便，避免了患者和医院双方在时间
、
精力
、
资源等方面的浪费，同时提高患者对医院服务的好感度
。
附图说明
[0023]图
1(a)
为基于
BERT
模型的单文本主题分类微调模型
。
[0024]图
1(b)
为改进后的基于
BERT
模型的单文本主题分类微调模型
。
[0025]图2为分类模型的应用流程图
。
[0026]图3为本专利技术的设备结构示意图
。
具体实施方式
[0027]以下结合实例对本专利技术具体的实施步骤作进一步说明：
[0028]现有技术中的医院挂号系统是由患者根据自己对病情和科室的理解，选择科室进行挂号，常会出现所选择科室不恰当的情况，不仅造成自己的时间和诊疗费浪费，也会造成医生时间和医院挂号资源的浪费
。
[0029]在疾病诊断学文本中，内容通常包括疾病名称
、
病因和发病机制
、
病理
、
临床表现
、
实验室检查
、
诊断与鉴别诊断等
。
这些内容由医生掌握，并且疾病总对应着科室
。
而患者一般仅能提供部分临床表现
。
因此，部分临床表现与疾病
、
科室间难以建立唯一关系，即存在相同的部分临床表现，对应着多种疾病和科室的情况
。
[0030]为此，本专利技术实施例公开了一种基于文本挖掘技术的医院挂号科室智能推荐方法，包括如下步骤：
[0031]步骤1：构建临床表现与科室对应样本
。
依据疾病诊断学文本，构建临床表现与疾病
、
科室映射的样本集
。
[0032]以呼吸内科科室为例，构建的临床表现与疾病的样本集如表1所示，包含普通感冒
、
急性病毒性咽炎和喉炎
、
慢性阻塞性肺疾病等
30
种疾病
。
[0033]表1呼吸内科样本集示例
[0034][0035][0036][0037][0038]类似的，可以构建心血管内科
、
消化内科等常见的其他科室的样本集
。
由于不同医院，提供的挂号科室不同
。
一般省级综合性大医院，科室分类会比较细比较多，如内科，分心血管内科
、
消化内科
、
呼吸内科
、
神经内科
、
肾内科等；而社区性医院，科室分类会少些，内科有可能不再细分
。
因此具体构建科室样本集时，应考虑具体应用的医院的实际情况
。
[0039]步骤2：构建科室的临床表现高频词词典
。
采用词频
‑
逆文档频率
(term frequency
‑
inverse do本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于文本挖掘技术的医院挂号科室智能推荐方法，其特征在于该方法包括以下步骤：步骤1：构建临床表现与科室对应样本依据疾病诊断学文本，构建临床表现与疾病
、
科室映射的样本集；步骤2：构建科室的临床表现高频词词典对临床表现文本进行分词，统计词频；构建科室的临床表现高频词词典；步骤3：训练基于
BERT
的改进的分类模型；采用基于
BERT
模型的单文本主题分类微调模型，在学习步骤1生成的样本集时，对
BERT
模型进行改进，获得临床表现与科室的高性能分类模型；步骤4：应用分类模型基于步骤3获得的高性能分类模型，输入患者通过语音或文字输入的临床表现文本，获得模型的科室分类结果和置信度；步骤5：分析分类结果若步骤4输出的科室分类结果的置信度低于阈值，在步骤2建立的科室临床表现词典中，把分类结果所对应科室的词典按词频从高到低推荐给患者，待患者选择后，进入步骤6；否则进入步骤7；步骤6：重新应用分类模型把患者选择的临床表现高频词，拼接到患者前述的临床表现文本中，重新基于步骤3获得的高性能分类模型进行分类，获得科室分类结果和置信度；然后返回步骤5；步骤7：输出科室分类结果把科室结果推荐给患者
。2.
根据权利要求1所述的基于文本挖掘技术的医院挂号科室智能推荐方法，其特征在于：步骤2中采用词频
‑
逆文档频率方法对临床表现文本进行分词
。3.
根据权利要求1所述的基于文本挖掘技术的医院挂号科室智能推荐方法，其特征在于：步骤3中所述的高性能分类模型包括四个
BERT
模型和一个分类器，四个
BERT
模型的输出均输入至所述分类器；其中：第一
BERT
模型由
50%
的样本集训练得到；第二
BERT
模型由关键词词典训练得到；第三
BERT
模型由特殊关键词词典训练得到；第四
BERT
模型由预测样本集训练得到
。4.
根据权利要求3所述的基于文本挖掘技术的医院挂号科室智能推荐方法，其特征在于：所述的关键词词典构建方式如下：采用
jieba
分词对所述
50%
的样本集进行分词；用
TF
‑
IDF
方法计算词项权重，构建为临床表现文本的关键词词典
。5.
根据权利要求4所述的基于文本挖掘技术的医院挂号科室智能推荐方法，其特征在于：所述的特殊关键词词典构建方式如下：从文本关键词词典中筛选出对区分科室起重要作用的特殊关键词，构建为特殊关键词词典；所述的特殊关...

【专利技术属性】
技术研发人员：汪舒妍，毛葱，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：