[發明專利]智能分診方法、裝置、電子設備及存儲介質

有效

• 申請號: 202011031139.4
• 申請日: 2020-09-27
• 公開（公告）號: CN111951943B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 李彥軒;劉卓;孫行智
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F17/00
• 分類號: G06F17/00;G16H40/20;G16H50/50;G06N3/08;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強

本申請涉及醫療科技技術領域，具體提供了一種智能分診方法、裝置、電子設備及存儲介質，其中，該方法包括：獲取患者的至少一個癥狀；所述至少一個癥狀包括本輪癥狀詢問得到的癥狀；根據所述至少一個癥狀獲取所述患者對應的科室推薦結果；獲取針對所述科室推薦結果的反饋；根據所述反饋將本輪癥狀詢問得到的癥狀確定為目標癥狀；基于所述目標癥狀進行下一輪癥狀詢問，重復執行多輪癥狀詢問直至向所述患者返回推薦科室。本申請實施例不僅有利于減少分診時與患者交互的輪數，還有利于提高分診的準確度。

技術領域

本申請涉及圖像處理技術領域，尤其涉及一種智能分診方法、裝置、電子設備及存儲介質。

背景技術

患者分診是醫院日常工作中的一項重要工作，快速精準地分診可節省患者的就診時間，提高其就診體驗。傳統的分診方法多為人工分診，由于各地醫院等級不同，從醫人員的水平也參差不齊，所以人工分診的準確度也不盡相同，且需要一定的人力投入，在此背景下，智能分診誕生。目前的智能分診往往是使用強化學習模型來決策具體的問診輪數，現有強化學習的方法對患者癥狀并未加以區分，對科室推薦未起到幫助作用的癥狀也被重點考慮，另外，將癥狀詢問和科室推薦都設置為強化學習模型的學習目標，使得模型學習任務較為復雜，這些都將影響到分診的準確度。

發明內容

針對上述問題，本申請提供了一種智能分診方法、裝置、電子設備及存儲介質，有利于提高分診的準確度。

為實現上述目的，本申請實施例第一方面提供了一種智能分診方法，該方法包括：

獲取患者的至少一個癥狀；所述至少一個癥狀包括本輪癥狀詢問得到的癥狀；

根據所述至少一個癥狀獲取所述患者對應的科室推薦結果；

獲取針對所述科室推薦結果的反饋；

根據所述反饋將本輪癥狀詢問得到的癥狀確定為目標癥狀；

基于所述目標癥狀進行下一輪癥狀詢問，重復執行多輪癥狀詢問直至向所述患者返回推薦科室。

結合第一方面，在一種可能的實施方式中，所述根據所述至少一個癥狀獲取所述患者對應的科室推薦結果，包括：

將所述至少一個癥狀輸入預訓練的分診模型進行關鍵信息的提取；所述分診模型為獨立的有監督學習模型，用于執行科室推薦任務；

基于提取出的關鍵信息進行科室的推薦預測，輸出所述科室推薦結果。

結合第一方面，在一種可能的實施方式中，所述科室推薦結果包括待推薦科室及所述待推薦科室對應的第一預測概率，所述待推薦科室包括所述患者的實際就診科室；所述獲取針對所述科室推薦結果的反饋，包括：

基于所述實際就診科室的第一預測概率獲取針對所述科室推薦結果的反饋。

結合第一方面，在一種可能的實施方式中，所述基于所述實際就診科室的第一預測概率獲取針對所述科室推薦結果的反饋，包括：

獲取所述患者對應的歷史科室推薦結果；所述歷史科室推薦結果包括歷史待推薦科室及所述歷史待推薦科室對應的第二預測概率，所述歷史待推薦科室包括所述實際就診科室；

從所述歷史科室推薦結果中獲取所述實際就診科室的第二預測概率；

在所述實際就診科室的第一預測概率大于所述實際就診科室的第二預測概率的情況下，得到針對所述科室推薦結果的第一反饋；在所述實際就診科室的第一預測概率小于等于所述實際就診科室的第二預測概率的情況下，得到針對所述科室推薦結果的第二反饋；

或者，

基于所述待推薦科室的第一預測概率對所述待推薦科室進行排序，得到所述實際就診科室的第一排序結果；