[發明專利]回診時間預測方法及裝置、電子設備、存儲介質

在審

• 申請號: 202010146938.X
• 申請日: 2020-03-05
• 公開（公告）號: CN111370107A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 魏小紅;賀王強;王洪
• 申請（專利權）人: 京東方科技集團股份有限公司
• 主分類號: G16H40/20
• 分類號: G16H40/20
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 李莎

1.一種回診時間預測方法，包括：

獲取患者的檢驗報告單；

從所述檢驗報告單中提取所述患者的檢驗報告單特征以及對應的門診科室特征；

利用回診時間預測模型，根據所述患者的檢驗報告單特征以及所述門診科室特征，預測得到所述患者的回診時間。

2.根據權利要求1所述的方法，其中，所述方法還包括以下步驟至少其一：

輸出所述患者的回診時間；以及

將所述患者的回診時間發送到指定的設備。

3.根據權利要求1所述的方法，其中，所述方法還包括：

獲取已知的患者回診信息數據集；

根據預先確定的檢驗報告單目標特征和對應的門診科室目標特征，確定所述數據集中每個患者回診信息對應的患者的檢驗報告單特征以及對應的門診科室特征；

將每個患者的所述檢驗報告單特征、對應的門診科室特征以及回診時間信息，形成為樣本數據；其中，所述回診時間信息根據所述患者回診信息確定；

將每個患者對應的樣本數據形成為樣本數據集；其中，所述樣本數據集包括訓練集和測試集。

4.根據權利要求3所述的方法，其中，所述方法還包括：

利用所述訓練集中的樣本數據，對初始模型進行訓練，得到所述預訓練模型；

利用所述測試集中的樣本數據，對所述預訓練模型進行參數調優，得到所述回診時間預測模型。

5.根據權利要求4所述的方法，其中，所述回診時間預測模型為集成學習模型，所述集成學習模型包括若干基學習器，所述基學習器采用的模型算法為以下算法至少其一：

決策樹、梯度提升決策樹、人工神經網絡、支持向量機、正則化方法、近鄰法、隨機森林、編碼-解碼算法+多層感知算法。

6.根據權利要求5所述的方法，其中，利用所述訓練集中的樣本數據，對初始模型進行訓練，得到所述預訓練模型，包括：

采用序列集成方法，將所述基學習器進行集成；其中，參與訓練的基學習器基于依賴關系按照順序生成。

7.根據權利要求5所述的方法，其中，所述方法還包括：

創建初始模型，所述初始模型包括所述基學習器，所述基學習器包括編碼-解碼器和多層感知器；其中：

所述編碼-解碼器，用于對所述樣本數據進行編碼處理和解碼處理，結合注意力機制，生成所述樣本數據的特征序列；

所述多層感知器，用于對所述樣本數據的特征序列進行分類和回歸，進而得到預測結果。

8.根據權利要求4所述的方法，其中，利用所述測試集中的樣本數據，對所述預訓練模型進行參數調優，得到所述回診時間預測模型，包括：

針對每個特征，從所述測試集中抽取包含對應特征的預設數量的樣本數據；其中，所述特征為檢驗報告單目標特征或對應的門診科室目標特征；

修改每個所述樣本數據中與所述特征對應的參數值；

根據參數值被修改的所述樣本數據，利用所述預訓練模型，預測對應的患者的回診時間；

比對所述樣本數據中包含的回診時間信息以及所述預訓練模型預測得到的回診時間，確定所述特征對應的準確率；

若所述準確率小于設定閾值，則將所述特征確定為目標特征；

若所述準確率大于或等于設定閾值，則從所述預先確定的檢驗報告單目標特征或對應的門診科室目標特征中刪除所述特征。

9.一種回診時間預測裝置，包括：

獲取模塊，用于獲取患者的檢驗報告單；

特征提取模塊，用于從所述檢驗報告單中提取所述患者的檢驗報告單特征以及對應的門診科室特征；

預測模塊，用于利用回診時間預測模型，根據所述患者的檢驗報告單特征以及所述門診科室特征，預測得到所述患者的回診時間。

10.根據權利要求9所述的裝置，其中，所述裝置還包括以下模塊至少其一：

輸出模塊，用于輸出所述患者的回診時間；以及

發送模塊，用于將所述患者的回診時間發送到指定的設備。