本發(fā)明涉及急診預(yù)檢分診，更具體地說，本發(fā)明涉及一種急診患者智能預(yù)檢分診系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)有急診醫(yī)療流程中，患者通常需經(jīng)過預(yù)檢分診、醫(yī)生初步問診、開具輔助檢查等環(huán)節(jié)，但由于患者到達(dá)量的不確定性與高峰時(shí)段的集中壓力，初步問診常常形成排隊(duì)積壓，導(dǎo)致大量患者在正式問診前存在長(zhǎng)時(shí)間等待現(xiàn)象，而現(xiàn)行流程下輔助檢查項(xiàng)目（如血常規(guī)、尿液分析、床邊b超）必須依賴醫(yī)生問診后才能開立指令，未能充分利用候診期間的空閑時(shí)間。與此同時(shí)，對(duì)于臨床常見的腹痛、發(fā)熱、泌尿系癥狀等明確主訴患者，初步輔助檢查具有標(biāo)準(zhǔn)化、低風(fēng)險(xiǎn)、非侵入性的特點(diǎn)，事實(shí)上可以在問診前基于癥狀初步篩查進(jìn)行前置安排，以提升整體急診周轉(zhuǎn)效率和醫(yī)療資源利用率。

2、為了解決上述問題，現(xiàn)提供一種技術(shù)方案。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實(shí)施例提供一種急診患者智能預(yù)檢分診系統(tǒng)以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種急診患者智能預(yù)檢分診系統(tǒng)，包括數(shù)據(jù)處理模塊、病癥預(yù)測(cè)模塊、概率調(diào)整模塊、語義鄰接圖構(gòu)建模塊、檢測(cè)項(xiàng)目確定模塊以及分診指引模塊；

4、數(shù)據(jù)處理模塊對(duì)患者在急診預(yù)檢登記階段采集的主訴文本以及體征數(shù)據(jù)執(zhí)行標(biāo)準(zhǔn)化處理，構(gòu)建預(yù)檢數(shù)據(jù)集；

5、病癥預(yù)測(cè)模塊將預(yù)檢數(shù)據(jù)集輸入基于監(jiān)督學(xué)習(xí)的多標(biāo)簽疾病預(yù)測(cè)模型，輸出潛在病癥集合以及對(duì)應(yīng)的預(yù)測(cè)概率；

6、概率調(diào)整模塊根據(jù)患者歷史病史信息，對(duì)潛在病癥集合的預(yù)測(cè)概率進(jìn)行概率調(diào)整；

7、圖構(gòu)建模塊分析預(yù)測(cè)概率調(diào)整后的潛在病癥集合，根據(jù)語義相似度計(jì)算結(jié)果構(gòu)建潛在病癥之間的語義鄰接圖；

8、檢測(cè)項(xiàng)目確定模塊在語義鄰接圖中，對(duì)各病癥節(jié)點(diǎn)相關(guān)聯(lián)的檢測(cè)項(xiàng)目執(zhí)行共現(xiàn)路徑壓縮處理，提取覆蓋潛在病癥集合中所有推理路徑的最小檢測(cè)項(xiàng)目集合，建立輔助檢測(cè)項(xiàng)目列表；

9、分診指引模塊基于檢測(cè)資源排隊(duì)狀態(tài)，對(duì)輔助檢測(cè)項(xiàng)目列表執(zhí)行實(shí)時(shí)調(diào)度規(guī)劃，生成分診檢測(cè)指引。

10、在一個(gè)優(yōu)選的實(shí)施方式中，所述數(shù)據(jù)處理模塊對(duì)患者在急診預(yù)檢登記階段采集的主訴文本以及體征數(shù)據(jù)執(zhí)行標(biāo)準(zhǔn)化處理，構(gòu)建預(yù)檢數(shù)據(jù)集具體包括：

11、基于患者急診登記階段記錄的主訴文本與體征數(shù)據(jù)，構(gòu)建初始數(shù)據(jù)結(jié)構(gòu)，并生成對(duì)應(yīng)預(yù)診會(huì)話編號(hào)；

12、對(duì)主訴文本執(zhí)行符號(hào)清除及醫(yī)學(xué)語義詞元?dú)w一處理，生成編碼化主訴詞項(xiàng)序列，并與原始主訴文本保持索引映射關(guān)系；

13、對(duì)體征數(shù)據(jù)執(zhí)行單位換算及時(shí)間精度重構(gòu)，以主訴詞項(xiàng)序列作為主序輸入，將重構(gòu)后體征數(shù)據(jù)作為并列參數(shù)插入主序輸入，構(gòu)建預(yù)檢數(shù)據(jù)集。

14、在一個(gè)優(yōu)選的實(shí)施方式中，所述病癥預(yù)測(cè)模塊將預(yù)檢數(shù)據(jù)集輸入基于監(jiān)督學(xué)習(xí)的多標(biāo)簽疾病預(yù)測(cè)模型，輸出潛在病癥集合以及對(duì)應(yīng)的預(yù)測(cè)概率具體包括：

15、將預(yù)檢數(shù)據(jù)集輸入基于監(jiān)督學(xué)習(xí)方法構(gòu)建的多標(biāo)簽疾病預(yù)測(cè)模型，觸發(fā)模型推理過程；

16、在模型推理過程中對(duì)輸入向量執(zhí)行前向傳播運(yùn)算，輸出與預(yù)設(shè)病癥輸出空間維度對(duì)齊的潛在病癥集合，以及潛在病癥對(duì)應(yīng)的初步概率；

17、對(duì)初步概率進(jìn)行歸一化處理，生成標(biāo)準(zhǔn)化的潛在病癥預(yù)測(cè)矩陣，將潛在病癥預(yù)測(cè)矩陣與當(dāng)前預(yù)診會(huì)話編號(hào)綁定，寫入疾病預(yù)測(cè)緩存區(qū)。

18、在一個(gè)優(yōu)選的實(shí)施方式中，所述基于監(jiān)督學(xué)習(xí)方法構(gòu)建的多標(biāo)簽疾病預(yù)測(cè)模型，其構(gòu)建方式為提取歷史急診病歷中的主訴文本與體征數(shù)據(jù)構(gòu)建初始訓(xùn)練樣本，基于歷史急診病歷對(duì)應(yīng)的醫(yī)生診斷病癥標(biāo)簽集合，對(duì)初始訓(xùn)練樣本進(jìn)行多標(biāo)簽打標(biāo)處理，將初始訓(xùn)練樣本輸入基于監(jiān)督學(xué)習(xí)方法的多標(biāo)簽分類模型，通過多標(biāo)簽二值交叉熵的損失函數(shù)對(duì)模型進(jìn)行訓(xùn)練。

19、在一個(gè)優(yōu)選的實(shí)施方式中，所述概率調(diào)整模塊根據(jù)患者歷史病史信息，對(duì)潛在病癥集合的預(yù)測(cè)概率進(jìn)行概率調(diào)整具體包括：

20、調(diào)用患者歷史病史信息，篩選與疾病預(yù)測(cè)緩存區(qū)中潛在病癥相同的歷史病癥標(biāo)簽集合，基于歷史病癥標(biāo)簽的命中頻次構(gòu)建病癥預(yù)測(cè)標(biāo)簽的對(duì)角加權(quán)矩陣；

21、基于對(duì)角加權(quán)矩陣對(duì)潛在病癥集合的預(yù)測(cè)概率分布進(jìn)行乘性賦權(quán)處理，生成校準(zhǔn)后的潛在病癥概率矩陣，將校準(zhǔn)后的潛在病癥概率矩陣更新入疾病預(yù)測(cè)緩存區(qū)。

22、在一個(gè)優(yōu)選的實(shí)施方式中，所述圖構(gòu)建模塊分析預(yù)測(cè)概率調(diào)整后的潛在病癥集合，根據(jù)語義相似度計(jì)算結(jié)果構(gòu)建潛在病癥之間的語義鄰接圖具體包括：

23、提取疾病預(yù)測(cè)緩存區(qū)中的潛在病癥集合并轉(zhuǎn)化為病癥語義節(jié)點(diǎn)，根據(jù)預(yù)設(shè)病癥語義關(guān)系詞典，通過語義相似度計(jì)算病癥節(jié)點(diǎn)對(duì)之間的關(guān)聯(lián)強(qiáng)度；

24、基于病癥節(jié)點(diǎn)對(duì)之間的關(guān)聯(lián)強(qiáng)度構(gòu)建潛在病癥之間的語義鄰接圖，以節(jié)點(diǎn)為頂點(diǎn)、關(guān)聯(lián)強(qiáng)度為邊權(quán)進(jìn)行圖結(jié)構(gòu)初始化；

25、對(duì)潛在病癥之間的語義鄰接圖進(jìn)行閾值剪枝處理，剔除邊權(quán)重低于設(shè)定關(guān)聯(lián)度閾值的邊連接。

26、在一個(gè)優(yōu)選的實(shí)施方式中，所述檢測(cè)項(xiàng)目確定模塊在語義鄰接圖中，對(duì)各病癥節(jié)點(diǎn)相關(guān)聯(lián)的檢測(cè)項(xiàng)目執(zhí)行共現(xiàn)路徑壓縮處理，提取覆蓋潛在病癥集合中所有推理路徑的最小檢測(cè)項(xiàng)目集合，建立輔助檢測(cè)項(xiàng)目列表具體包括：

27、在語義鄰接圖中，提取預(yù)測(cè)概率大于等于設(shè)定閾值的相鄰病癥節(jié)點(diǎn)對(duì)，基于連續(xù)的相鄰病癥節(jié)點(diǎn)對(duì)構(gòu)建至少一條推理路徑；

28、建立每個(gè)病癥節(jié)點(diǎn)對(duì)應(yīng)的輔助檢測(cè)項(xiàng)目集合，計(jì)算每個(gè)檢測(cè)項(xiàng)目所覆蓋的推理路徑節(jié)點(diǎn)數(shù)占對(duì)應(yīng)推理路徑總節(jié)點(diǎn)數(shù)的比例，作為路徑的覆蓋完整度；

29、構(gòu)建檢測(cè)-推理路徑覆蓋矩陣，其中矩陣元素為推理路徑的路徑覆蓋完整度；

30、以潛在病癥節(jié)點(diǎn)的預(yù)測(cè)概率為權(quán)重，對(duì)檢測(cè)-推理路徑覆蓋矩陣應(yīng)用賦權(quán)覆蓋壓縮算法，提取覆蓋所有推理路徑的最小檢測(cè)項(xiàng)目集合，基于最小檢測(cè)項(xiàng)目集合建立輔助檢測(cè)項(xiàng)目列表；

31、剔除輔助檢測(cè)項(xiàng)目列表中不可脫離醫(yī)囑進(jìn)行檢測(cè)的檢測(cè)項(xiàng)目。

32、在一個(gè)優(yōu)選的實(shí)施方式中，所述分診指引模塊基于檢測(cè)資源排隊(duì)狀態(tài)，對(duì)輔助檢測(cè)項(xiàng)目列表執(zhí)行實(shí)時(shí)調(diào)度規(guī)劃，生成分診檢測(cè)指引具體包括：

33、獲取輔助檢測(cè)項(xiàng)目列表中各項(xiàng)目的當(dāng)前排隊(duì)等待時(shí)長(zhǎng)與設(shè)備可用狀態(tài)信息；

34、執(zhí)行基于檢測(cè)優(yōu)先級(jí)排序的多目標(biāo)排序算法，生成最大化路徑覆蓋完整度與資源負(fù)載平衡的檢測(cè)派發(fā)順序；

35、將檢測(cè)派發(fā)順序與預(yù)診會(huì)話編號(hào)綁定，為預(yù)診會(huì)話編號(hào)對(duì)應(yīng)的急診患者提供分診檢測(cè)指引。

36、本發(fā)明一種急診患者智能預(yù)檢分診系統(tǒng)的技術(shù)效果和優(yōu)點(diǎn)：

37、通過病癥預(yù)測(cè)模塊對(duì)主訴與體征信息進(jìn)行多標(biāo)簽預(yù)測(cè)，結(jié)合歷史病史進(jìn)行概率修正，提高了初診識(shí)別的個(gè)體精準(zhǔn)度，圖構(gòu)建模塊構(gòu)建病癥之間的語義結(jié)構(gòu)，避免了病癥標(biāo)簽孤立處理造成的檢測(cè)路徑冗余。檢測(cè)項(xiàng)目確定模塊基于共現(xiàn)路徑壓縮方法提取檢測(cè)組合，有效壓縮冗余檢測(cè)并覆蓋關(guān)鍵診斷通路。分診指引模塊結(jié)合檢測(cè)資源狀態(tài)進(jìn)行調(diào)度優(yōu)化，提升了檢測(cè)執(zhí)行效率與資源利用率。整體方案不僅提升了急診患者分診效率，也增強(qiáng)了初檢決策的穩(wěn)定性和路徑推薦的合理性。

38、系統(tǒng)實(shí)現(xiàn)了從主訴數(shù)據(jù)驅(qū)動(dòng)到檢測(cè)路徑引導(dǎo)的全流程閉環(huán)。相較于傳統(tǒng)依賴醫(yī)生經(jīng)驗(yàn)進(jìn)行初步分診的方式，明顯提升了急診預(yù)檢分診的智能化程度與調(diào)度靈活性。