【技术实现步骤摘要】
本专利技术属于病情采集分析，具体而言，涉及一种社区医院病情收集机器人询问方法、介质及系统。
技术介绍
1、社区医院作为基层医疗卫生服务的主要提供者，在为居民提供就近便捷的医疗服务过程中，需要面对大量病人的就诊需求。手工记录病情不仅耗时耗力，而且记录质量参差不齐。现有的病历记录系统可以帮助医生规范记录病情，但是仍需要医生手动逐项询问并录入病人病情，工作强度大且容易遗漏信息。另一方面，由于医患交流时的语言鸿沟以及医患双方语言组织能力参差不齐，手工录入的病历质量并不能得到有效保证。这就需要一种方法，可以自动高效地询问患者并收集完整准确的病情信息。
2、目前，语音识别、自然语言处理和人机对话等技术在医疗健康领域得到广泛应用。现有的医疗问答系统，可以自动回答健康相关问题。但是这些系统主要面向健康知识问答，并未针对病情询问。当前，机器人正在应用于医疗健康场景，具有温馨、耐心、持续工作等优势，可以成为医患交流的良好平台。
3、综上所述，现有技术存在以下问题：社区医院病情记录依赖手工完成，效率低下，且手工记录病情容易遗漏重要信息；为解决上述问题，需要一种可以自动高效智能地询问患者并获取完整病情信息的方法。
技术实现思路
1、有鉴于此，本专利技术提供一种社区医院病情收集机器人询问方法、介质及系统，能够解决现有技术中的医疗问答系统，存在无法针对病情向患者进行针对性询问收集病情信息的技术问题。
2、本专利技术是这样实现的：
3、本专利技术的第一方面提供一种
4、s10、获取病人描述的病情语音描述，并转化为病情文本；
5、s20、对所述病情文本提取语义特征；
6、s30、根据语义特征，在预先设定好的病情知识库中，获取匹配度最高的多条知识，作为病情知识集；
7、s40、根据所述病情知识集，采用大语言模型生成多个患者询问问题集，记为第一问题集，并计算所述第一问题集中每个问题与所述语义特征的关联度；
8、s50、对于所述第一问题集中的每个问题，基于所述病情知识库，利用大语言模型生成最合理的多个答案，记为参考答案集，并基于所述问题和对应的参考答案集，采用大语言模型生成进一步细化的问题集，作为第二问题集，以及所述第二问题集中每个问题对应的参考答案集，并计算所述第二问题集中每个问题与所述语义特征的关联度；重复本步骤，直到达到预设的迭代次数，按照问题的逻辑顺序，形成问题-答案图；
9、s60、从所述第一问题集中，按照所述关联度由大到小的顺序，向患者输出问题，并获取患者答案；然后基于患者答案在所述第二问题集中，按照关联度由大到小的顺序，选择与患者答案最匹配的问题，向患者输出，并获取患者答案，依此类推，直到所有问题均得到患者答案；
10、s70、根据患者对所有问题的答案，在问题-答案图中标记出患者的答案路径，并根据所述答案路径提取病情文本中对应的内容作为病情咨询文本；如果提取到的内容不完整，则回到s60，在剩余的第二问题集中继续选择关联度最大的问题询问患者，以补充病情咨询文本，直到内容完备并以最终得到的答案路径提取病情文本中对应的内容作为最终得到完备的病情咨询文本。
11、在上述技术方案的基础上，本专利技术的一种社区医院病情收集机器人询问方法还可以做如下改进:
12、其中，所述获取病人描述的病情语音描述，并转化为病情文本的步骤，具体是：采用语音识别模型，将所述病情语音描述转化为病情文本。
13、进一步的，所述对所述病情文本提取语义特征的步骤，具体是：
14、对所述病情文本进行词性标注；
15、使用命名实体识别方法识别文所述病情文本中的病情实体；
16、统计提取关键词，进行依存句法分析确定词与词依存关系，得到每个关键词的词频；
17、所述语义特征包括词频、词性、命名实体。
18、其中，所述病情知识库通过构建医学本体获得，所述医学本体包含症状、疾病、治疗、药物信息及之间的关系。
19、其中，所述大语言模型包括chatglm4或chatgpt。
20、其中，病情文本生成采用抽取式文本生成方法进行生成。
21、其中，所述关联度采用每个问题与所述语义特征的词向量余弦相似度计算获得。
22、进一步的，所述语音识别模型采用基于深度神经网络的端到端语音识别模型，所述端到端语音识别模型包含卷积神经网络、循环神经网络模型。
23、本专利技术的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种社区医院病情收集机器人询问方法。
24、本专利技术的第三方面提供一种社区医院病情收集机器人询问系统，其中，包含上述的计算机可读存储介质。
25、与现有技术相比较，本专利技术提供的一种社区医院病情收集机器人询问方法、介质及系统的有益效果是：
26、1.实现了自动获取病人语音病情描述并转换文本的功能，而现有技术主要依赖手工录入文本病历，避免了手工录入的低效率问题，扩大了病情描述渠道。
27、2.实现了从病情文本智能提取语义信息的功能，可以深入解析病情的语义内容，而现有技术仅进行简单关键词提取，无法深入理解语义，为智能问询提供支持。
28、3.实现了根据病情内容智能匹配病情知识库的功能，可以获取与病情高度相关的知识信息，而现有技术知识获取与病情关联性弱，不利于后续的智能问询。
29、4.实现了可以根据病情知识智能生成个性化问题的功能，问题更符合病情情况，而现有技术问询模式固定，不能进行个性化提问。
30、5.实现了可以进行多轮问询交互逐步深入获取患者病情的功能，而现有技术只能单轮提问，不能深入获取足够完整病情。
31、综上所述，本专利技术的技术方案解决了现有技术中的医疗问答系统，存在无法针对病情向患者进行针对性询问收集病情信息的技术问题。
本文档来自技高网...【技术保护点】
1.一种社区医院病情收集机器人询问方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述获取病人描述的病情语音描述，并转化为病情文本的步骤，具体是：采用语音识别模型，将所述病情语音描述转化为病情文本。
3.根据权利要求2所述的一种社区医院病情收集机器人询问方法，其特征在于，所述对所述病情文本提取语义特征的步骤，具体是：
4.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述病情知识库通过构建医学本体获得，所述医学本体包含症状、疾病、治疗、药物信息及之间的关系。
5.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述大语言模型包括ChatGlm4或ChatGpt。
6.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，病情文本生成采用抽取式文本生成方法进行生成。
7.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述关联度采用每个问题与所述语义特征的词向量余弦相似度计算获得
8.根据权利要求2所述的一种社区医院病情收集机器人询问方法，其特征在于，所述语音识别模型采用基于深度神经网络的端到端语音识别模型，所述端到端语音识别模型包含卷积神经网络、循环神经网络模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种社区医院病情收集机器人询问方法。
10.一种社区医院病情收集机器人询问系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
...【技术特征摘要】
1.一种社区医院病情收集机器人询问方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述获取病人描述的病情语音描述，并转化为病情文本的步骤，具体是：采用语音识别模型，将所述病情语音描述转化为病情文本。
3.根据权利要求2所述的一种社区医院病情收集机器人询问方法，其特征在于，所述对所述病情文本提取语义特征的步骤，具体是：
4.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述病情知识库通过构建医学本体获得，所述医学本体包含症状、疾病、治疗、药物信息及之间的关系。
5.根据权利要求1所述的一种社区医院病情收集机器人询问方法，其特征在于，所述大语言模型包括chatglm4或chatgpt。
6.根据权利要求...
【专利技术属性】
技术研发人员：胡桂英，初淑丽，张迎迎，孙维梅，
申请(专利权)人：青岛市市北区浮山新区街道社区卫生服务中心，
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。