[發(fā)明專利]診斷報(bào)告符合度檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910379769.1
• 申請(qǐng)日: 2019-05-08
• 公開(kāi)（公告）號(hào): CN110265104B
• 公開(kāi)（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 張艷芬;李建;金林原;李芬穗;陳麗云
• 申請(qǐng)（專利權(quán)）人: 長(zhǎng)沙市中心醫(yī)院
• 主分類號(hào): G16H15/00
• 分類號(hào): G16H15/00
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 黃晶晶;黃曉慶

1.一種診斷報(bào)告符合度檢測(cè)方法，所述方法包括：

獲取用戶當(dāng)前診斷報(bào)告，提取用戶身份信息；

根據(jù)所述用戶身份信息查找用戶對(duì)應(yīng)的歷史診斷報(bào)告集；

通過(guò)Sklearn庫(kù)和Numpy庫(kù)，計(jì)算所述歷史診斷報(bào)告集與所述當(dāng)前診斷報(bào)告的交集和并集；

根據(jù)所述交集和所述并集，計(jì)算杰卡德系數(shù)；

根據(jù)計(jì)算得到的杰卡德系數(shù)與預(yù)設(shè)杰卡德系數(shù)閾值，得到診斷報(bào)告符合度定性檢測(cè)結(jié)果；

所述根據(jù)計(jì)算得到的杰卡德系數(shù)與預(yù)設(shè)杰卡德系數(shù)閾值，得到診斷報(bào)告符合度定性檢測(cè)結(jié)果之前，還包括：

獲取預(yù)設(shè)第一數(shù)量的第一測(cè)試數(shù)據(jù)組，所述第一測(cè)試數(shù)據(jù)組中當(dāng)前診斷報(bào)告與對(duì)應(yīng)的歷史診斷報(bào)告集診斷一致；計(jì)算各所第一述測(cè)試數(shù)據(jù)組對(duì)應(yīng)的杰卡德系數(shù)平均值，得到第一平均值；獲取預(yù)設(shè)第二數(shù)量的第二測(cè)試數(shù)據(jù)組，所述第二測(cè)試數(shù)據(jù)組中當(dāng)前診斷報(bào)告與對(duì)應(yīng)的歷史診斷報(bào)告集診斷不一致；計(jì)算各所第二述測(cè)試數(shù)據(jù)組對(duì)應(yīng)的杰卡德系數(shù)平均值，得到第二平均值；計(jì)算所述第一平均值與所述第二平均值的平均值，得到預(yù)設(shè)杰卡德系數(shù)閾值，所述預(yù)設(shè)第一數(shù)量為100，所述預(yù)設(shè)第二數(shù)量為10。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過(guò)Sklearn庫(kù)和Numpy庫(kù)，計(jì)算所述歷史診斷報(bào)告集與所述當(dāng)前診斷報(bào)告的交集和并集包括：

通過(guò)Sklearn庫(kù)中CountVectorizer方法，獲取所述歷史診斷報(bào)告集與當(dāng)前診斷報(bào)告的TF矩陣；

根據(jù)所述TF矩陣，通過(guò)Numpy庫(kù)計(jì)算所述歷史診斷報(bào)告集與所述當(dāng)前診斷報(bào)告的交集和并集。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述TF矩陣，通過(guò)Numpy庫(kù)計(jì)算所述歷史診斷報(bào)告集與所述當(dāng)前診斷報(bào)告的交集和并集包括：

根據(jù)所述TF矩陣，通過(guò)Numpy庫(kù)的Sum方法及Min方法計(jì)算所述歷史診斷報(bào)告集與所述當(dāng)前診斷報(bào)告的交集；

根據(jù)所述TF矩陣，通過(guò)Numpy庫(kù)的Sum方法及Max方法計(jì)算所述歷史診斷報(bào)告集與所述當(dāng)前診斷報(bào)告的并集。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過(guò)Sklearn庫(kù)中CountVectorizer方法，獲取所述歷史診斷報(bào)告集與當(dāng)前診斷報(bào)告的TF矩陣之前，還包括：

對(duì)所述當(dāng)前診斷報(bào)告和所述歷史診斷報(bào)告集進(jìn)行格式化處理；

提取格式化處理后的所述當(dāng)前診斷報(bào)告中診斷內(nèi)容和所述格式化處理后的所述歷史診斷報(bào)告集中診斷內(nèi)容；

將提取的診斷內(nèi)容中字與字之間增加空格字符，得到處理數(shù)據(jù)集；

所述通過(guò)Sklearn庫(kù)中CountVectorizer方法，獲取所述歷史診斷報(bào)告集與當(dāng)前診斷報(bào)告的TF矩陣包括：

通過(guò)Sklearn庫(kù)中CountVectorizer方法，獲取所述處理數(shù)據(jù)集的TF矩陣。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述預(yù)設(shè)第一數(shù)量與所述預(yù)設(shè)第二數(shù)量的10倍。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)杰卡德系數(shù)閾值為0.6。