基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法和相关设备

摘要: 本技术涉及互联网应用,尤其涉及一种基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法和相关设备。背景技术:1、相关技术中,在线医疗咨询平台已经成为患者获取健康...
基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法和相关设备

本技术涉及互联网应用,尤其涉及一种基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法和相关设备。

背景技术:

1、相关技术中,在线医疗咨询平台已经成为患者获取健康咨询建议、医生开展远程答复以及医疗机构延伸服务能力的重要数字基础设施。但是,平台内医生的可见度、历史患者数量、评价信息、推荐值和专业职称等因素会影响患者选择,进而导致患者咨询流量向少数高流量医生或高声誉医生集中。不同疾病的咨询需求、线上判断复杂度、线下检查依赖程度、用药咨询管理需求和心理支持需求存在明显差异,如果仍按照统一的平台推荐逻辑、统一的分诊提示规则或者统一的医生匹配方式进行处理,容易导致常见疾病过度集中于少数医生、复杂疾病缺乏及时线下转介、慢性疾病缺少连续管理、心理健康咨询缺少适当支持等问题。

2、并且,现有在线医疗咨询平台资源管理多关注平台注册医生数量、咨询总量、患者满意度或者单一医生推荐效果。虽然可以通过机器学习模型进行医生推荐,或者通过文本识别方法提取医生建议信息,但是也难以实现疾病组之间平台内资源分配差异的量化识别,同时缺乏将医生咨询流量集中度、分诊负担和可解释模型结果转化为疾病类别特异性管理方案的技术路径,导致在扩大线上服务量的同时形成新的平台内咨询资源分配不均衡。

3、综上,相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法和相关设备,能够有效提高在线医疗咨询平台中患者需求、医生咨询流量分配、医生建议分诊功能和线上线下协同路径之间的匹配度,提高数字健康平台的分诊效率和管理透明度。

2、为实现上述目的,本技术实施例的一方面提出了一种基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法,所述方法包括以下步骤:

3、获取在线医疗咨询平台中的患者咨询记录、医生画像信息、医生建议文本和疾病分类信息,形成研究数据库;

4、根据所述研究数据库构建疾病类别患者需求画像;

5、根据所述研究数据库计算不同疾病组的医生咨询流量集中度指标;

6、识别所述医生建议文本的数字分诊结果;

7、根据所述医生咨询流量集中度指标和所述数字分诊结果构建疾病类别平台服务路径类型;

8、根据所述研究数据库构建疾病-医生匹配模型和线下就医提示预测模型;

9、对所述疾病-医生匹配模型和所述线下就医提示预测模型进行可解释性分析,得到所述疾病-医生匹配模型中各个输入特征对所述疾病-医生匹配模型的模型预测结果的贡献度、以及得到所述线下就医提示预测模型中各个输入特征对所述线下就医提示预测模型的模型预测结果的贡献度;从所有所述输入特征中筛选贡献度满足预设筛选条件的输入特征作为关键影响特征,并确定预测概率随所述关键影响特征的取值或类别变化的响应关系;其中,所述预测概率包括所述疾病-医生匹配模型和所述线下就医提示预测模型的预测概率;

10、根据所述疾病类别患者需求画像、所述医生咨询流量集中度指标、所述数字分诊结果、所述疾病类别平台服务路径类型以及所述关键影响特征及其响应关系,生成疾病类别精准分诊与医疗资源协同分配方案。

11、在一些实施例中,所述获取在线医疗咨询平台中的患者咨询记录、医生画像信息、医生建议文本和疾病分类信息,形成研究数据库,包括:

12、获取在线医疗咨询平台中的匿名化患者与医生匹配咨询记录,所述匿名化患者与医生匹配咨询记录包括疾病组、患者年龄、性别、身体质量指数、慢性病史、用药史、手术史、疾病描述文本和咨询请求文本;

13、获取与所述匿名化患者与医生匹配咨询记录对应的医生画像信息,所述医生画像信息包括医生标识、专业技术职称、历史患者数量、推荐值、评价信息、礼物信息、荣誉信息和平台历史活跃信息;

14、获取医生建议文本,所述医生建议文本包括医生答复、平台初步判断、咨询建议和病历摘要中的至少一种;

15、对所述匿名化患者与医生匹配咨询记录、所述医生画像信息和所述医生建议文本进行字段统一、匿名化校验、缺失值处理、异常值识别、疾病组映射和医生标识匹配,得到所述研究数据库。

16、在一些实施例中,所述根据所述研究数据库构建疾病类别患者需求画像,包括:

17、按照疾病分类信息将所述研究数据库划分为多个疾病组,所述疾病组包括冠心病、感冒、抑郁症、糖尿病、肺部疾病和肺炎中的至少两类;

18、分别计算各个疾病组的咨询需求规模、患者年龄分布、性别比例、身体质量指数分布、慢性病史比例、用药史比例、手术史比例、疾病描述文本长度、咨询请求文本长度和咨询信息复杂度;

19、根据所述咨询需求规模、患者年龄分布、性别比例、身体质量指数分布、慢性病史比例、用药史比例、手术史比例、疾病描述文本长度、咨询请求文本长度和咨询信息复杂度构建疾病类别患者需求画像。

20、在一些实施例中,所述根据所述研究数据库计算不同疾病组的医生咨询流量集中度指标,包括:

21、统计各个疾病组内每名活跃医生获得的匹配咨询数量,并根据所述匹配咨询数量对医生进行排序;

22、计算各个疾病组内排序第一的医生咨询份额、排序第五的医生咨询份额和排序第十的医生咨询份额;

23、根据医生层面的咨询量分布计算gini系数、赫芬达尔-赫希曼指数和有效医生数量;

24、对所述第一的医生咨询份额、所述排序第五的医生咨询份额和所述排序第十的医生咨询份额、所述gini系数、所述赫芬达尔-赫希曼指数和所述有效医生数量进行分析得到各个疾病组内的所述医生咨询流量集中度指标。

25、在一些实施例中,所述识别所述医生建议文本的数字分诊结果,包括:

26、构建数字分诊规则词典,所述数字分诊规则词典包括线下就医提示规则、进一步检查提示规则、用药咨询建议规则、紧急就医提示规则、生活方式管理规则、随访观察规则、判断不确定规则和心理支持规则;

27、将所述数字分诊规则词典应用于医生建议文本、平台初步判断文本、咨询建议文本和病历摘要文本中的至少一种目标文本内;

28、当目标文本命中对应所述数字分诊规则词典时,将对应咨询记录标记为相应的数字分诊结果;

29、当目标文本命存在多种命中结果时,对存在多种命中结果的咨询记录进行多标签保存,得到疾病组层面的数字分诊结果分布。

30、在一些实施例中,所述根据所述医生咨询流量集中度指标和所述数字分诊结果构建疾病类别平台服务路径类型,包括:

31、将各个疾病组的排序第十的医生咨询份额确定为医生咨询流量集中度维度;

32、根据线下就医提示、进一步检查和判断不确定的疾病组比例计算分诊负担指数;

33、将医生咨询流量集中度维度与分诊负担指数进行二维耦合,并根据集中度阈值和分诊负担阈值划分疾病类别平台服务路径类型;所述疾病类别平台服务路径类型包括分散型线上管理路径、集中型线上管理路径、分散型就医检查路径和集中型高负担分诊路径。

34、在一些实施例中,所述根据所述研究数据库构建疾病-医生匹配模型和线下就医提示预测模型,包括:

35、将是否匹配到疾病组内排序第十的高流量医生确定为所述疾病-医生匹配模型的预测目标;

36、将是否获得线下就医提示确定为所述线下就医提示预测模型的预测目标;

37、将疾病组、患者年龄、身体质量指数、性别、慢性病史、用药史、手术史、疾病描述文本长度、咨询请求文本长度和咨询信息复杂度作为第一特征集;

38、将所述第一特征集、医生高职称状态、医生声誉指数和排序第十的高流量医生状态作为第二特征集;

39、基于所述第一特征集训练疾病-医生匹配模型,并基于所述第二特征集训练线下就医提示预测模型。

40、在一些实施例中,所述对所述疾病-医生匹配模型和所述线下就医提示预测模型进行可解释性分析,得到所述疾病-医生匹配模型中各个输入特征对所述疾病-医生匹配模型的模型预测结果的贡献度、以及得到所述线下就医提示预测模型中各个输入特征对所述线下就医提示预测模型的模型预测结果的贡献度;从所有所述输入特征中筛选贡献度满足预设筛选条件的输入特征作为关键影响特征,并确定预测概率随所述关键影响特征的取值或类别变化的响应关系;,包括:

41、采用shap特征贡献方法分别解释所述疾病-医生匹配模型和所述线下就医提示预测模型,得到各个输入特征对每条咨询记录的模型预测结果的局部贡献值,并将各个输入特征在全部咨询记录中的绝对局部贡献值的平均值确定为相应输入特征的全局贡献度;

42、分别将所述疾病-医生匹配模型和所述线下就医提示预测模型对应的输入特征按照所述全局贡献度由高到低进行排序,将全局贡献度排序位于前k位的一个或多个输入特征确定为所述疾病-医生匹配模型或所述线下就医提示预测模型的关键影响特征;其中,k为预设正整数;

43、按照疾病组、患者人口学特征、临床历史特征、咨询文本特征和医生声誉特征,对所述全局贡献度进行领域聚合;

44、对所述关键影响特征进行部分依赖关系分析,得到所述疾病-医生匹配模型或所述线下就医提示预测模型的预测概率随所述关键影响特征的取值或者类别变化的响应关系;

45、根据所述局部贡献值、所述全局贡献度、所述领域聚合结果和所述响应关系,输出所述关键影响特征及其响应关系。

46、在一些实施例中,所述根据所述疾病类别患者需求画像、所述医生咨询流量集中度指标、所述数字分诊结果、所述疾病类别平台服务路径类型以及所述关键影响特征及其响应关系,生成疾病类别精准分诊与医疗资源协同分配方案,包括:

47、对高医生咨询流量集中度且低分诊负担的疾病组生成高流量医生负荷均衡和标准化快速咨询方案作为第一方案;

48、对高医生咨询流量集中度且高分诊负担的疾病组生成高风险分诊提示、优先审核和线上线下快速转接方案作为第二方案;

49、对低医生咨询流量集中度且高分诊负担的疾病组生成进一步检查提示、线下专科转介和判断不确定性管理方案作为第三方案;

50、对低医生咨询流量集中度且低分诊负担的疾病组生成常规线上管理、持续随访和质量监测方案作为第四方法;

51、根据所述关键影响特征及其响应关系对医生推荐、分诊提示、就医提示、慢病随访和心理支持内容对所述第一方案、所述第二方案、所述第三方案和所述第四方案进行自适应调整。

52、为实现上述目的,本技术实施例的另一方面提出了一种基于在线医疗咨询平台的疾病分诊与医疗资源协同分配装置,所述装置包括:

53、第一模块,用于获取在线医疗咨询平台中的患者咨询记录、医生画像信息、医生建议文本和疾病分类信息,形成研究数据库;

54、第二模块,用于根据所述研究数据库构建疾病类别患者需求画像;

55、第三模块,用于根据所述研究数据库计算不同疾病组的医生咨询流量集中度指标;

56、第四模块,用于识别所述医生建议文本的数字分诊结果;

57、第五模块,用于根据所述医生咨询流量集中度指标和所述数字分诊结果构建疾病类别平台服务路径类型;

58、第六模块,用于根据所述研究数据库构建疾病-医生匹配模型和线下就医提示预测模型;

59、第七模块,用于对所述疾病-医生匹配模型和所述线下就医提示预测模型进行可解释性分析,得到所述疾病-医生匹配模型中各个输入特征对所述疾病-医生匹配模型的模型预测结果的贡献度、以及得到所述线下就医提示预测模型中各个输入特征对所述线下就医提示预测模型的模型预测结果的贡献度;从所有所述输入特征中筛选贡献度满足预设筛选条件的输入特征作为关键影响特征,并确定预测概率随所述关键影响特征的取值或类别变化的响应关系;其中,所述预测概率包括所述疾病-医生匹配模型和所述线下就医提示预测模型的预测概率;

60、第八模块,用于根据所述疾病类别患者需求画像、所述医生咨询流量集中度指标、所述数字分诊结果、所述疾病类别平台服务路径类型以及所述关键影响特征及其响应关系,生成疾病类别精准分诊与医疗资源协同分配方案。

61、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。

62、为实现上述目的,本技术实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。

63、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。

64、本技术实施例至少包括以下有益效果:本技术提供一种基于在线医疗咨询平台的疾病分诊与医疗资源协同分配方法和相关设备,该方案通过获取在线医疗咨询平台研究数据库,并基于研究数据库构建疾病类别患者需求画像、医生咨询流量集中度指标和数字分诊结果,再根据医生咨询流量集中度指标和数字分诊结果构建疾病类别平台服务路径类型,同时构建疾病-医生匹配模型和线下就医提示预测模型,并通过可解释性分析得到关键影响特征及其响应关系,最终生成疾病类别精准分诊与医疗资源协同分配方案,从而能够使在线医疗咨询平台的医生推荐、分诊提醒、线下就医提示、慢病管理和心理支持更加贴合不同疾病的真实咨询需求与平台服务功能差异,提高数字健康平台服务效率、公平性和管理透明度。