一种基于人工智能算法的医疗随访方法与流程

1.本发明涉及医疗体系下随访处理技术领域，具体涉及一种基于人工智能算法的医疗随访方法。


背景技术：

2.随着数字化技术的发展，大部分医院已经逐步建立起医疗相关的数字化系统，实现了院内的智能化运营作业流程的管理，并通过网络连接医患实现服务延伸，患者可以通过网络接入医院的数字化系统，实现就医相关的业务操作如挂号、缴费、咨询、诊后随访等。
3.当时当前的医患随访系统都是基于比较传统的技术方式来实现的，主要是搭建了一个医生和患者的交流桥梁，说起来就是一个在线沟通工具，后端还需要医生大量的时间来为患者提供咨询、随访服务，不能真正实现数字化智能化的随访服务，特别是现在医生资源不足、医生工作繁忙工作压力下，很难做好随访的服务工作。


技术实现要素：

4.本发明目的在于提供一种基于人工智能算法的医疗随访方法，基于医疗专业知识，应用机器学习技术，构建将医疗服务知识转换为数字化随访服务的知识库的技术平台，实现人工智能随访代替需要医生进行在线服务的传统服务模式。
5.为实现上述目的，本发明所采用的技术方案是：一种基于人工智能算法的医疗随访方法，包括下列步骤：
6.步骤s1：通过统计数据库中病患案例、专家词库，筛选出关键词汇建立随访模型；步骤s2：对随访模型进行特征抽取，确定专家知识特征、病历特征、随访特征，将上述特征参数作为训练样本进行学习得到优化后的随访模型；
7.步骤s3：通过优化后的随访模型建立机器人随访器，导入待随访名单，提取随访记录，根据随访记录和用户反馈优化机器人随访器。
8.优选的，所述步骤s1中，病患案例包括医院系统下登记的病历，病历内容包含有图片、症状、医嘱，提取病历中的图片信息和字节信息导入数据库，专家词库包括整形美容领域的专用名词和解决方案，通过提取专有名词和解决方案的字节信息导入数据库。
9.优选的，所述步骤s2中，优化的随访模型包括下列内容：
10.步骤s21：抽取特征向量建立特征向量库，分别通过分类器和聚类器进行分类和聚类，确定专家知识特征、病历特征、随访特征，形成知识模型库；
11.步骤s22：建立训练模型，对模型进行推演和预测，求解模型的准确度和完善度权重；
12.步骤s23：当准确度和完善度达到阈值时，得到优化后的随访模型。
13.优选的，所述步骤s3中，机器人随访器的优化包括下列步骤：
14.步骤s31：获取不同时期的多组随访记录，根据数据库中的字节信息与随访记录中的字节信息进行匹配；
15.步骤s32：当用户反馈的字节消息中重复的内容越多，用户回复的内容字节重复度越高，机器人随访器的准确度越低；
16.步骤s33：标记准确度低的字节消息，确定该组随访记录中客户的需求，匹配数据库中的专有名词，专有名词出现的次数越多，说明该专有名词的完善度越低，根据准确度和完善度的分值优化机器人随访器。
17.综上所述，本发明的有益效果为：
18.1、将机器学习应用于整形美容的案例分析与处理，构建随访知识图谱。
附图说明
19.图1为本发明的一种基于人工智能算法的医疗随访方法的示意图；
20.图2为本发明中一个实施例的示意图；
21.图3为本发明中一个实施例的工作原理示意图。
具体实施方式
22.下面结合本发明的附图1，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.实施例1：
24.一种基于人工智能算法的医疗随访方法，包括下列步骤：
25.步骤s1：通过统计数据库中病患案例、专家词库，筛选出关键词汇建立随访模型；步骤s2：对随访模型进行特征抽取，确定专家知识特征、病历特征、随访特征，将上述特征参数作为训练样本进行学习得到优化后的随访模型；
26.步骤s3：通过优化后的随访模型建立机器人随访器，导入待随访名单，提取随访记录，根据随访记录和用户反馈优化机器人随访器。
27.所述步骤s1中，病患案例包括医院系统下登记的病历，病历内容包含有图片、症状、医嘱，提取病历中的图片信息和字节信息导入数据库，专家词库包括整形美容领域的专用名词和解决方案，通过提取专有名词和解决方案的字节信息导入数据库。
28.本发明的技术路线包括：案例大数据的收集整理，随访专家知识的收集整理，应用机器学习算法基于案例大数据 专家知识构建随访模型，应用随访模型和语义理解实现在线智能随访服务。
29.案例大数据的收集整理：应用在线的案例数据库管理，提供给医生进行案例素材的管理(文字、图片、视频)，应用分类和聚类算法对案例进行自动分类和聚类，构建案例知识体系和特征向量，为构建随访模型提供原料。
30.在征得患者知情并同意的情况下，收集整理历史的随访过程和资料，进行分类、聚类整理，构建随访特征向量。在构建了案例和历史随访专家知识的特征向量库之后，应用机器学习算法，构建随访模型。
31.基于随访模型，应用语义理解、决策树、神经网络等综合算法，实现智慧人工智能随访的机器人服务。并通过在服务过程收集整理客户的选择、答复对模型进行修正和优化，
实现持续学习。
32.值得说明的是，具体针对皮肤科领域中红斑-鳞状细胞病这一专有名词，进行下列具体描述该数据库包含34个属性，其中33个是线性值，其中一个是名义值。
33.红斑-鳞状细胞病的鉴别诊断是皮肤病学中的一个现实问题。它们都具有红斑和鳞屑的临床特征，差异很小。本组疾病为银屑病、脂溢性皮炎、扁平苔藓、玫瑰糠疹、慢性皮炎、毛发红色糠疹。通常活检是诊断所必需的，但不幸的是，这些疾病也有许多组织病理学特征。鉴别诊断的另一个难点是一种疾病可能在开始阶段表现出另一种疾病的特征，而在随后的阶段可能具有特征性特征。首先对患者进行临床评估，具有12个特征。之后，采集皮肤样本用于评估22项组织病理学特征。
34.在为该域构建的数据集中，如果家族中观察到这些疾病中的任何一种，则家族史特征的值为1，否则为0。年龄特征仅代表患者的年龄。其他所有特征(临床和组织病理学)的等级在0到3之间。这里，0表示该特征不存在，3表示可能的最大数量，1、2表示相对中间值。最近从数据库中删除了患者的姓名和身份证号码
35.属性信息：
36.临床属性：(取值0、1、2、3，除非另有说明)
37.1：红斑
38.2：鳞屑
39.3：边界明确
40.4：瘙痒
41.5：koebner现象
42.6：多边形丘疹
43.7：滤泡性丘疹
44.8：口腔粘膜受累
45.9：膝盖和肘部受累
46.10：头皮受累
47.11：家族史，(0或1)
48.34：年龄(线性)
49.组织病理学属性：(取值0、1、2、3)
50.12：黑色素失禁
51.13：浸润中的嗜酸性粒细胞
52.14：pnl浸润
53.15：真皮乳头纤维化
54.16：胞吐作用
55.17:棘皮症
56.18:角化过度
57.19:角化不全
58.20:网脊杵状突起
59.21:网脊延长
60.22:乳头上表皮变薄
61.23:海绵状脓疱
62.24:munro
63.25：微脓肿
64.26:颗粒状颗粒层的局灶性消失
65.27:基底层的空泡化和损伤
66.28:海绵状增生29:锯齿状网膜
67.30:毛囊角栓
68.31:毛囊周围角化不全
69.32:炎性单核浸润
70.33:带状浸润
71.这是数据库中的关于红斑-鳞状细胞病这一类的关联字节信息，当随访病人输入上述任意关联名词时，机器人随访器就能匹配该病人的诉求是针对红斑-鳞状细胞病，并通过系统录入自带关于红斑-鳞状细胞病这一相关的信息，包括但不限于病症、治疗方案、医生推荐等版块。
72.综上所述，本技术通过机器学习和大数据算法，建立一个适合医疗美容机构这种有大量询问诉求和随访诉求的机器人服务系统，为医院节约了人力，给病患更好的体验，值得推广。