本發(fā)明涉及一種醫(yī)療分診，是一種急診預(yù)檢分診方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、預(yù)檢分診是急診患者就診的重要環(huán)節(jié)，快速識別急、危、重患者，準確分診，并根據(jù)病情危重程度分級安排就診，能夠充分利用急診資源，維持急診就診秩序，減少危重患者的候診時間，確?；颊甙踩?，提高急診工作效率，并且可以為急診醫(yī)療資源的合理分配提供基礎(chǔ)，提高急診醫(yī)療的質(zhì)量和效率。

2、在傳統(tǒng)的醫(yī)療模式下，急診預(yù)檢分診方式多為急診出診的醫(yī)護人員根據(jù)急診患者的病情形容，依據(jù)經(jīng)驗和感覺來判斷患者的病情嚴重程度，然后根據(jù)導(dǎo)診醫(yī)生個人水平、診室實際情況等動態(tài)數(shù)據(jù)對急診患者進行預(yù)檢分診，然后急診患者到院后急診醫(yī)生在進行搶救前了解急診患者的病歷和臨床狀況，并對其進行觀察確認。該方式缺乏足夠的數(shù)據(jù)支持，導(dǎo)致診斷過程存在主觀性，并且在急診場景中患者很可能存在不能進行語言溝通，難以清除描述歷史病情，并且急診出診的醫(yī)護人員的水平不一，分檢流程判斷經(jīng)驗也不一致，可能會出現(xiàn)分診錯誤，導(dǎo)致部分急診患者的病情被耽誤。

3、隨著互聯(lián)網(wǎng)和人工智能技術(shù)的快速發(fā)展，引入人工智能至急診的預(yù)檢分診中，例如：

4、現(xiàn)有公開專利文獻一，公開號為cn118761596b，公開了智能分診方法及系統(tǒng)，其中方法包括：s1，獲取患者的病情信息，識別病情信息中的關(guān)鍵信息；s2，根據(jù)患者的歷史數(shù)據(jù)、醫(yī)學(xué)知識和關(guān)鍵信息，構(gòu)建動態(tài)的病情模型；s3，根據(jù)大模型和知識庫對關(guān)鍵信息進行推理，生成患者的多個病情假設(shè)以及每個病情假設(shè)的可信度；大模型用于識別和預(yù)測病情發(fā)展的可能性；知識庫用于提供相關(guān)的醫(yī)學(xué)規(guī)則和事實；s4，根據(jù)病情模型和病情假設(shè)，利用大模型分析患者的緊急程度和分診需求，生成一個或多個分診方案；s5，根據(jù)分診方案整理得到患者的分診報告；分診報告至少包括以下信息中的多項：患者的基本信息、病情描述、分診建議、緊急程度、治療建議、需要的醫(yī)療資源和注意事項。

5、現(xiàn)有公開專利文獻二，公開號為cn114678113b，公開了基于卷積神經(jīng)網(wǎng)絡(luò)的智能急診預(yù)檢分診系統(tǒng)，該智能急診預(yù)檢分診系統(tǒng)包括以下步驟：第一步：評估指標特征簇矩陣構(gòu)建；第二步：灰度矩陣融合構(gòu)建；第三步：訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；第四步：確定分級及就診通道劃分；第五步：差異化事件處置及再評估；第六步：急診轉(zhuǎn)歸及再訓(xùn)練；解決了現(xiàn)有技術(shù)中對成人急診患者的分診效率較低，容易產(chǎn)生病情較重的患者沒有得到優(yōu)先就診導(dǎo)致病情加重的情況的問題，提高了對急診患者搶救的效率。

6、但現(xiàn)有引入人工智能至急診的預(yù)檢分診的方法中模型的輸入數(shù)據(jù)多為單一輸入數(shù)據(jù)類型，即前實際病情數(shù)據(jù)，但急診多為緊急情況，會出現(xiàn)描述不清等問題，因此單一輸入數(shù)據(jù)類型易造成模型輸出結(jié)果不準確。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種急診預(yù)檢分診方法、裝置，克服了上述現(xiàn)有技術(shù)之不足，其能有效解決現(xiàn)有傳統(tǒng)的醫(yī)療模式下人工分診的方式存在易產(chǎn)生分診錯誤，導(dǎo)致部分急診患者的病情被耽誤的問題。

2、本發(fā)明的技術(shù)方案之一是通過以下措施來實現(xiàn)的：一種急診預(yù)檢分診方法，包括：

3、融合急診患者的實際病情數(shù)據(jù)和歷史就診數(shù)據(jù)得到急診患者的數(shù)據(jù)集，其中數(shù)據(jù)集包括身份特征、病情特征；

4、將急診患者的數(shù)據(jù)集輸入分診模型，得到對應(yīng)的病情緊急程度和初步分診科室，其中分診模型是利用若干樣本數(shù)據(jù)進行機器學(xué)習(xí)得到，每個樣本數(shù)據(jù)均包括某一急診患者的數(shù)據(jù)集和標記病情緊急程度和分診科室的標識信息，數(shù)據(jù)集包括身份特征、病情特征；

5、結(jié)合病情緊急程度、初步分診科室和當前時間的實際接診科室列表，基于動態(tài)調(diào)整規(guī)則執(zhí)行動態(tài)調(diào)整策略，得到最終分診科室和診室排隊結(jié)果，其中動態(tài)調(diào)整規(guī)則包括：a、若初步分診科室正常接診，則根據(jù)病情緊急程度對排隊結(jié)果重新排序，確定診室排隊結(jié)果，b、若初步分診科室不正常接診，則調(diào)整至診室相關(guān)度或接診醫(yī)生相關(guān)度最高的診室，并根據(jù)病情緊急程度對排隊結(jié)果重新排序，確定診室排隊結(jié)果。

6、下面是對上述發(fā)明技術(shù)方案的進一步優(yōu)化或/和改進：

7、上述分診模型的構(gòu)建步驟，包括：

8、獲取若干歷史就診數(shù)據(jù)，并將其按比例劃分為訓(xùn)練集和測試集，其中每個歷史就診數(shù)據(jù)均為某一急診患者的數(shù)據(jù)集，數(shù)據(jù)集包括身份特征、病情特征；

9、在訓(xùn)練集中進行隨機抽取，獲取若干個隨機子集，建立每個隨機子集對應(yīng)的決策樹；

10、基于各個隨機子集對對應(yīng)的決策樹進行訓(xùn)練，將訓(xùn)練好的多個決策樹組成隨機森林模型，其中訓(xùn)練時采用驗證方法調(diào)整隨機森林模型的超參數(shù)；

11、使用測試集隨機森林模型進行評估，評估結(jié)果不符合預(yù)設(shè)標準則對隨機森林模型進行再次訓(xùn)練及調(diào)參，評估結(jié)果符合預(yù)設(shè)標準則將該隨機森林模型作為分診模型。

12、上述分診模型的構(gòu)建步驟，包括：

13、獲取歷史就診數(shù)據(jù)訓(xùn)練集和歷史就診數(shù)據(jù)測試集，其中歷史就診數(shù)據(jù)訓(xùn)練集和歷史就診數(shù)據(jù)測試集均包括若干歷史就診數(shù)據(jù)集，每個歷史就診數(shù)據(jù)均為某一急診患者的數(shù)據(jù)集，數(shù)據(jù)集包括身份特征、病情特征；

14、將歷史就診數(shù)據(jù)訓(xùn)練集劃分為多個子數(shù)據(jù)集，利用每個子數(shù)據(jù)集分別對不同的機器學(xué)習(xí)算法進行訓(xùn)練，獲得多個初級分診模型；

15、使用歷史就診數(shù)據(jù)測試集對每個初級分診模型進行測試，并基于模型回歸評價指標對各個初級分診模型的測試結(jié)果進行評價，選取評價結(jié)果最好的初級分診模型作為最終的分診模型。

16、上述融合急診患者的實際病情數(shù)據(jù)和歷史就診數(shù)據(jù)得到急診患者的數(shù)據(jù)集，包括：

17、獲取急診患者的身份信息，建立急診患者的實際病情數(shù)據(jù)集和歷史就診數(shù)據(jù)集；

18、基于設(shè)置的特征類型在實際病情數(shù)據(jù)集和歷史就診數(shù)據(jù)集中分別提取對應(yīng)的特征值，形成實際病情特征集和歷史就診特征集；

19、結(jié)合設(shè)置的特征融合規(guī)則，將實際病情特征集和歷史就診特征集進行融合，得到急診患者的特征值集合，其中特征融合規(guī)則包括：a、同一固定字段的特征值重合時，特征值不變，b、同一固定字段的特征值不重合時，特征值以實際病情特征集為主，c、不同固定字段，則均保留；

20、將急診患者的特征值集合進行轉(zhuǎn)換，生成特征向量矩陣。

21、上述基于設(shè)置的特征類型在實際病情數(shù)據(jù)集和歷史就診數(shù)據(jù)集中分別提取對應(yīng)的特征值，形成實際病情特征集和歷史就診特征集的步驟相同，其中基于設(shè)置的特征類型在實際病情數(shù)據(jù)集中提取對應(yīng)的特征值，形成實際病情特征集，包括：

22、基于設(shè)置的特征類型利用采用固定字段匹配法對實際病情數(shù)據(jù)集進行特征值提取；

23、固定字段匹配結(jié)束后，判斷是否有固定字段對應(yīng)的列表區(qū)域為空；

24、響應(yīng)于否，則對提取到的特征值進行可信度權(quán)值賦值，并形成實際病情特征集；

25、響應(yīng)于是，則利用關(guān)鍵字搜索法對實際病情數(shù)據(jù)片段進行搜索，得到列表區(qū)域為空的固定字段對應(yīng)的疑似特征值；

26、對疑似特征值進行格式校驗，滿足特征值格式標準，則保留，并寫入該固定字段對應(yīng)的列表區(qū)域中，不滿足特征值格式標準，則繼續(xù)利用關(guān)鍵字搜索法搜索，直至搜索完所有實際病情數(shù)據(jù)片段，對提取到的特征值進行可信度權(quán)值賦值，并形成實際病情特征集。

27、本發(fā)明的技術(shù)方案之二是通過以下措施來實現(xiàn)的：一種急診預(yù)檢分診裝置，包括：

28、特征提取單元，融合急診患者的實際病情數(shù)據(jù)和歷史就診數(shù)據(jù)得到急診患者的數(shù)據(jù)集，其中數(shù)據(jù)集包括身份特征、病情特征；

29、模型分診單元，將急診患者的數(shù)據(jù)集輸入分診模型，得到對應(yīng)的病情緊急程度和初步分診科室，其中分診模型是利用若干樣本數(shù)據(jù)進行機器學(xué)習(xí)得到，每個樣本數(shù)據(jù)均包括某一急診患者的數(shù)據(jù)集和標記病情緊急程度和分診科室的標識信息，數(shù)據(jù)集包括身份特征、病情特征；

30、分診調(diào)整單元，結(jié)合病情緊急程度、初步分診科室和當前時間的實際接診科室列表，基于動態(tài)調(diào)整規(guī)則執(zhí)行動態(tài)調(diào)整策略，得到最終分診科室和診室排隊結(jié)果，其中動態(tài)調(diào)整規(guī)則包括：a、若初步分診科室正常接診，則根據(jù)病情緊急程度對排隊結(jié)果重新排序，確定診室排隊結(jié)果，b、若初步分診科室不正常接診，則調(diào)整至診室相關(guān)度或接診醫(yī)生相關(guān)度最高的診室，并根據(jù)病情緊急程度對排隊結(jié)果重新排序，確定診室排隊結(jié)果。

31、下面是對上述發(fā)明技術(shù)方案的進一步優(yōu)化或/和改進：

32、上述特征提取單元包括第一提取單元、第二提取單元和融合單元，第一提取單元基于設(shè)置的特征類型在實際病情數(shù)據(jù)集中提取對應(yīng)的特征值，形成實際病情特征集，第二提取單元基于設(shè)置的特征類型在歷史就診數(shù)據(jù)集中提取對應(yīng)的特征值，形成歷史就診特征集，二者結(jié)構(gòu)相同，其中，第一提取單元包括：

33、第一提取模塊，基于設(shè)置的特征類型利用采用固定字段匹配法對實際病情數(shù)據(jù)集進行特征值提取；

34、判斷模塊，固定字段匹配結(jié)束后，判斷是否有固定字段對應(yīng)的列表區(qū)域為空；

35、輸出模塊，響應(yīng)于否，則對提取到的特征值進行可信度權(quán)值賦值，并形成實際病情特征集；

36、第二提取模塊，響應(yīng)于是，則利用關(guān)鍵字搜索法對實際病情數(shù)據(jù)片段進行搜索，得到列表區(qū)域為空的固定字段對應(yīng)的疑似特征值，對疑似特征值進行格式校驗，滿足特征值格式標準，則保留，并寫入該固定字段對應(yīng)的列表區(qū)域中，不滿足特征值格式標準，則繼續(xù)利用關(guān)鍵字搜索法搜索，直至搜索完所有實際病情數(shù)據(jù)片段，對提取到的特征值進行可信度權(quán)值賦值，并形成實際病情特征集。

37、上述還包括第一模型構(gòu)建單元或/和第二模型構(gòu)建單元；

38、第一模型構(gòu)建單元，包括：

39、獲取歷史就診數(shù)據(jù)訓(xùn)練集和歷史就診數(shù)據(jù)測試集，其中歷史就診數(shù)據(jù)訓(xùn)練集和歷史就診數(shù)據(jù)測試集均包括若干歷史就診數(shù)據(jù)集，每個歷史就診數(shù)據(jù)均為某一急診患者的數(shù)據(jù)集，數(shù)據(jù)集包括身份特征、病情特征；

40、將歷史就診數(shù)據(jù)訓(xùn)練集劃分為多個子數(shù)據(jù)集，利用每個子數(shù)據(jù)集分別對不同的機器學(xué)習(xí)算法進行訓(xùn)練，獲得多個初級分診模型；

41、使用歷史就診數(shù)據(jù)測試集對每個初級分診模型進行測試，并基于模型回歸評價指標對各個初級分診模型的測試結(jié)果進行評價，選取評價結(jié)果最好的初級分診模型作為最終的分診模型；

42、第二模型構(gòu)建單元，包括：

43、獲取歷史就診數(shù)據(jù)訓(xùn)練集和歷史就診數(shù)據(jù)測試集，其中歷史就診數(shù)據(jù)訓(xùn)練集和歷史就診數(shù)據(jù)測試集均包括若干歷史就診數(shù)據(jù)集，每個歷史就診數(shù)據(jù)均為某一急診患者的數(shù)據(jù)集，數(shù)據(jù)集包括身份特征、病情特征；

44、將歷史就診數(shù)據(jù)訓(xùn)練集劃分為多個子數(shù)據(jù)集，利用每個子數(shù)據(jù)集分別對不同的機器學(xué)習(xí)算法進行訓(xùn)練，獲得多個初級分診模型；

45、使用歷史就診數(shù)據(jù)測試集對每個初級分診模型進行測試，并基于模型回歸評價指標對各個初級分診模型的測試結(jié)果進行評價，選取評價結(jié)果最好的初級分診模型作為最終的分診模型。

46、本發(fā)明的技術(shù)方案之三是通過以下措施來實現(xiàn)的：一種存儲介質(zhì)，所述存儲介質(zhì)上存儲有能被計算機讀取的計算機程序，所述計算機程序被設(shè)置為運行時執(zhí)行急診預(yù)檢分診中的步驟。

47、本發(fā)明的技術(shù)方案之四是通過以下措施來實現(xiàn)的：一種電子設(shè)備，包括處理器和存儲器，所述存儲器中存儲有計算機程序，計算機程序由處理器加載并執(zhí)行以實現(xiàn)如急診預(yù)檢分診中的步驟。

48、本發(fā)明能夠充分結(jié)合急診患者的實際病情數(shù)據(jù)和歷史就診數(shù)據(jù)，獲得用于模型預(yù)測的輸入數(shù)據(jù)，為病情緊急程度和分診科室預(yù)測提供準確的數(shù)據(jù)支持，進一步基于機器學(xué)習(xí)快速獲得對應(yīng)的病情緊急程度和初步分診科室，并結(jié)合病情緊急程度、初步分診科室和當前時間的實際接診科室列表動態(tài)調(diào)整分診科室及就診順序，使得分診結(jié)果更加符合實際情況，確保急診患者準確且及時就醫(yī)，減少急診患者的等待時間，提高醫(yī)療效率。