【技术实现步骤摘要】
本专利技术属于医疗健康管理领域，具体说是一种院前急救资源智能调度方法、装置及系统。
技术介绍
1、院前接警急救也称院外急救，是指患者从发病到接警入院前获得的医疗救治。院前接警急救作为急诊医学的重要组成部分，能明显降低突发伤病员的病死率。院前急救水平反映了一个国家的组织管理、医疗水平及公共福利的综合能力。特别是，近年来随着我国老龄化的加剧，面向老年人的院前急救接警频率急剧增加。目前，国内针对老年人特定人群的院前急救模式尚未形成体系。而现有的院前急救模式通常都是被动的，一般是在患者电话呼叫120后，由急救中心调度科被动派出救护车。当患者突发急症时，需要患者自己或者旁人帮助呼叫120，若不能及时呼叫则很可能危及生命。然而，随着我国人口老龄化趋势的日益加剧，空巢老人和独居老人的比例呈现逐年递增的态势。在此背景下，由于老年人的自身身体状况、思维能力和语言表达以及对病情症状的描述可能存在不清晰、不完整、不准确等问题，导致接警人员很难判断老年人病情的严重程度，以至于在救护车到达前，难以为老年患者提供有效的预先自救指导措施。此外，院前急救一般由报警人通过电话向急救中心对应的调度人员进行求助，由于急救指挥中心的值班调度人员并不一定是医学专业人士，因此可能难以深入的判断患者病情，并以最快的速度给出合理的自救方案指导和最有的救治资源调度策略，因此极易导致急救延误和急救资源调度低效等一系列问题。
2、目前，现有的院前急救资源调度模式主要包括如下几种：1)依据救援人员的主观经验进行救援选择和急救资源调配模式：这种方法存在的问题是具有一定的主观
3、现有方法主要存在的问题包括：1)没有考虑老年人特别是独居和空巢老人院前急救报警可能存在的沟通障碍、表述不完整、不清晰的问题，导致接警人员很难根据描述不完整、不清晰的信息描述快速做出警响应和资源配置方案；2)没有考虑急救中心的接警人员可能不是专业的医疗救治医生，导致接警人员无法给出有效的预先自救指导，从而延误病情的前期应急处置；3)区域医疗急救资源分布不均衡，救治车辆、救护人员、车载医疗设备资源有限，难以实现智能化和最优化的资源调度和适配。
4、因此，急需一种能够适应不同情况的急救资源动态智能调度方法。
技术实现思路
1、针对现有方法存在的上述问题，本专利技术提出一种基于transformer和多头注意力机制的院前接警急救资源动态调度方法、装置及系统。
2、本专利技术为实现上述目的所采用的技术方案是：一种院前急救资源智能调度方法，包括以下步骤：
3、将接入的电话语音进行实时语音识别，生成病情文本描述信息，并通过查询云数据中心数据，调取患者医疗信息；
4、对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接，对拼接后的文本数据进行嵌入向量学习，生成病状嵌入向量表征；
5、通过构建急救资源图谱，根据急救资源图谱的多种属性信息进行文本拼接，对拼接后的文本数据进行嵌入向量学习，生成所述急救资源图谱中某图谱id下的急救资源嵌入向量表征；
6、根据病症嵌入向量表征以及急救资源嵌入向量表征，生成资源推荐列表以辅助调度决策。
7、所述将接入的电话语音进行实时语音识别，生成病情文本描述信息，并通过查询云数据中心数据，调取患者医疗信息，包括以下步骤：
8、首先，将接入的电话语音进行实时语音识别，将语音转换为文本信息，对文本信息进行清洗后，形成端侧的病情文本描述信息；所述病情文本描述信息包括患者姓名、身份证、紧急情况的描述、患者地理位置、报警时间、联系人信息中的至少几种；
9、其次，根据端侧的所述病情文本描述信息查询患者在云数据中心存储的历史画像信息，调取患者医疗信息；所述患者医疗信息包括医疗数据、康复数据、监测数据、健康档案数据。
10、所述对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接，对拼接后的文本数据进行嵌入向量学习，生成病状嵌入向量表征，包括以下步骤：
11、对云数据中心存储的患者医疗信息和端侧实时转换的病情文本描述信息进行拼接，通过transformer模型对拼接后的文本数据进行嵌入向量学习，生成病状嵌入向量表征esymptom。
12、所述通过构建急救资源图谱，根据急救资源图谱的多种属性信息进行文本拼接，对拼接后的文本数据进行嵌入向量学习，生成所述急救资源图谱中某图谱id下的急救资源嵌入向量表征，包括以下步骤：
13、预先构建用于维护设定区域内急救医疗资源的急救资源图谱；所述急救资源图谱属性包括：图谱id、急诊病症名称、急诊症状详细描述、当前报警时间、当前区域位置、当前区域可出警救护车数量、可派遣的专业救治人员数量、可配置的车载设备名称和数量、应急处置指导建议；
14、对急诊病症名称、急诊症状详细描述进行文本拼接；通过transformer模型对拼接后的文本数据进行嵌入向量学习，生成所述急救资源图谱中某图谱id下的急救资源嵌入向量表征为eresource。
15、所述通过transformer模型对拼接后的文本数据进行嵌入向量学习，具体如下：
16、transformer模型采用单层多头注意力机制；通过单词嵌入层将拼接后的文本数据中的单词转换为低维嵌入向量序列；再通过多头自注意力网络生成单词级的语义表示；然后通过注意力网络从不同的单词中提取所需信息，并聚合到嵌入向量表征中。
17、所述通过transformer模型对拼接后的文本数据进行嵌入向量学习，包括以下步骤：
18、是第k个注意力头部学习的第i个单词的特征表示，是用于识别第i个单词和第j个单词之间的相对重要性的第k个注意力得分；和表述如下：
19、
20、
21、式中，exp表示以自然常数e为底的指数函数，ei和ej分别表示第i个单词和第j个单词的嵌入向量；em表示任意序号为m的单词的嵌入向量表示，且m∈[1,m]，m为提取的单词个数；和是第k个注意力头中的可训练投影矩阵，第i个单词的n个头部表示连接为计算加性注意力得分为：
22、
23、其中，aw、bw和cw是可训练的参数；
24、对于云数据中心融合得到的病状嵌入向量表征如下：
25、
26、esymptom为病状嵌入向量表征；
27、对于急救资源图谱中某图谱id下的急救资源嵌入向量表征eresource如下：
28、...
【技术保护点】
1.一种院前急救资源智能调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述将接入的电话语音进行实时语音识别，生成病情文本描述信息，并通过查询云数据中心数据，调取患者医疗信息，包括以下步骤：
3.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接，对拼接后的文本数据进行嵌入向量学习，生成病状嵌入向量表征，包括以下步骤：
4.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述通过构建急救资源图谱，根据急救资源图谱的多种属性信息进行文本拼接，对拼接后的文本数据进行嵌入向量学习，生成所述急救资源图谱中某图谱ID下的急救资源嵌入向量表征，包括以下步骤：
5.根据权利要求3或4所述的一种院前急救资源智能调度方法，其特征在于，所述通过Transformer模型对拼接后的文本数据进行嵌入向量学习，具体如下：
6.根据权利要求5所述的一种院前急救资源智能调度方法，其特征在于，所述通过Transf
7.根据权利要求1或4所述的一种院前急救资源智能调度方法，其特征在于，当选择所述急救资源图谱中的某属性时，该属性对应数据锁定，实现互斥锁功能，防止同一时间段内同一属性数据重复被选择。
8.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述根据病症嵌入向量表征以及急救资源嵌入向量表征，生成资源推荐列表以辅助调度决策，包括以下步骤：
9.一种院前急救资源智能调度装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-8任一项所述的一种院前急救资源智能调度方法。
10.一种院前急救资源智能调度系统，其特征在于，包括：
...【技术特征摘要】
1.一种院前急救资源智能调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述将接入的电话语音进行实时语音识别，生成病情文本描述信息，并通过查询云数据中心数据，调取患者医疗信息，包括以下步骤：
3.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接，对拼接后的文本数据进行嵌入向量学习，生成病状嵌入向量表征，包括以下步骤：
4.根据权利要求1所述的一种院前急救资源智能调度方法，其特征在于，所述通过构建急救资源图谱，根据急救资源图谱的多种属性信息进行文本拼接，对拼接后的文本数据进行嵌入向量学习，生成所述急救资源图谱中某图谱id下的急救资源嵌入向量表征，包括以下步骤：
5.根据权利要求3或4所述的一种院前急救资源智能调度方法，其特征在于，所述通过transformer模型对...
【专利技术属性】
技术研发人员：卢朝霞，韩旭，王志安，王明远，毕丹，景春雷，于胜文，
申请(专利权)人：东软汉枫医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。