一种基于机器学习的分级分诊方法、系统及计算机设备技术方案

本发明专利技术涉及一种基于机器学习的分级分诊方法及系统，方法包括接收待分级分诊的目标患者填写的调查问卷，将调查问卷的答案进行汇总；从调查问卷的答案中提取目标患者的病症特征，病症特征包括症状、起病时长、体温、心率、收缩压、舒张压、性别以及年龄；根据预设的特征预处理策略对目标患者的病症特征进行预处理，获得以数字形式表示的目标病症特征，目标病症特征包括性别、年龄、症状、起病时长、体温、脉压差、心率等级、收缩压等级、危险等级、以及重症等级；将目标病症特征输入至预设的分级分诊模型中，获得目标患者的分级信息，本发明专利技术的方法及系统，综合了患者的各种身体因素以及疾病的隐形问题，基于机器学习对患者的患病级别进行精准划分。精准划分。精准划分。

【技术实现步骤摘要】
一种基于机器学习的分级分诊方法、系统及计算机设备


[0001]本专利技术涉及分级分诊领域，尤其涉及一种基于基于机器学习的分级分诊方法、系统及计算机设备。

技术介绍

[0002]目前，患者到医院就诊，会由医院的护士根据患者的症状进行导诊，初步确定患者应就诊的科室并判断患者的患病级别，以调配医院资源。但是人工进行分级分诊，效率较低，人力资源不足，未解决此问题，现有技术中有一种智能急诊分级分诊系统，对急诊患者进行分级诊断，服务端保存有每个急诊患者的患者挂号信息；第一客户端根据急诊患者的病情数据自服务端获取对应的患者挂号信息，并将病情数据与对应的患者挂号信息关联形成关联数据，以及根据病情数据对对应的关联数据分配等级后回传至服务端。但是上述系统只是使用了常见的客服端以及服务端对接，只采用了阀值的形式去分级分诊，虽然能解决一部分的人力资源方面的问题，但是分级方式过于机械化，未综合考虑患者的各种身体因素以及疾病的隐性问题，例如患者的年龄、性别、发病时间等等，因此上述的分级分诊级别划分不科学，存在局限性问题。

技术实现思路

[0003]针对上述问题，本专利技术提供一种基于机器学习的分级分诊方法，方法包括：接收待分级分诊的目标患者填写的调查问卷，将调查问卷的答案进行汇总；从调查问卷的答案中提取目标患者的病症特征，病症特征包括症状、起病时长、体温、心率、收缩压、舒张压、性别以及年龄；根据预设的特征预处理策略对目标患者的病症特征进行预处理，获得以数字形式表示的目标病症特征，目标病症特征包括性别、年龄、症状、起病时长、体温、脉压差、心率等级、收缩压等级、危险等级、以及重症等级；将目标病症特征输入至预设的分级分诊模型中，获得目标患者的分级信息，其中分级分诊模型为利用XGBOOST模型构建的机器学习模型。
[0004]进一步的，分级分诊的级别有多级，目标患者的分级信息包括目标患者在每一级别的概率以及目标患者的最终分诊级别，其中，目标患者的最终分诊级别为概率最高的级别。
[0005]进一步的，方法还包括根据目标患者的分级信息，获得当前时间下，与目标患者具有相同分诊级别的候诊患者的数量，根据与目标患者具有相同分诊级别的候诊患者的数量以及预设的候诊患者数量与候诊时间对应关系确定目标患者的候诊时间。
[0006]进一步的，在目标患者候诊期间，根据目标患者的病症特征向目标患者推送对应的症状知识以及疾病的防范知识。
[0007]进一步的，根据预设的特征预处理策略对目标患者的病症特征进行预处理，获得以数字形式表示的目标病症特征包括：将目标患者的症状根据预设的同义词替换对照表进行替换，并根据预设的症状转换策略将目标患者的症状转换为阿拉伯数字；利用正则表达
式，排除目标患者的起病时长中的全角标点符号、半角标点符号，将目标患者的起病时长进行同义词替换，转换为阿拉伯数字，并将目标患者的起病时长的单位转换为分钟；利用正则表达式，排除目标患者的体温中的不规则标点符号以及中文，经不在预设的正常体温范围内的体温替换为37度；利用目标患者的收缩压减去舒张压，获得目标患者的脉压差；将目标患者性别根据预设的性别与数字对应关系将目标患者的性别转换为阿拉伯数字；根据预设的心率等级与心率的对应关系以及目标就诊患者的心率，获得目标就诊患者的心率等级；根据预设的收缩压等级与收缩压的对应关系以及目标就诊患者的收缩压，获得目标就诊患者的收缩压等级；根据预设的危险等级确定策略以及目标患者的心率等级、收缩压等级确定目标就诊患者的危险等级；根据预设的重症等级确定策略，对目标就诊患者的症状进行分析，确定目标就诊患者的重症等级。
[0008]进一步的，利用XGBOOST模型构建分级分诊模型包括：采集医院的病例数据作为样本病例，样本病例为多个；根据预设的特征提取策略从每个样本病例中提取病症特征，样本病例的病症特征包括症状、起病时长、体温、心率、收缩压、舒张压、性别以及年龄；根据每个样本病例的病症特征预先为每个样本病例标记分级等级；根据特征预处理策略对样本病例的病症特征进行预处理，获得以数字形式表示的样本病例的目标病症特征，样本病例的目标病症特征包括性别、年龄、症状、起病时长、体温、脉压差、心率等级、收缩压等级、危险等级、以及重症等级；利用XGBOOST模型，将样本病例的目标病症特征作为输入层训练样本输入至XGBOOST模型，以样本病例的分级等级为输出层训练样本进行训练学习，获得分级分诊模型。
[0009]本专利技术还提供一种基于机器学习的分级分诊系统，系统包括接收模块、特征提取模块、特征预处理模块以及分级分诊模块，其中：接收模块，与特征提取模块连接，用于接收待分级分诊的目标患者填写的调查问卷，将调查问卷的答案进行汇总；特征提取模块，与接收模块、特征预处理模块连接，用于从调查问卷的答案中提取目标患者的病症特征，病症特征包括症状、起病时长、体温、心率、收缩压、舒张压、性别以及年龄；特征预处理模块，与特征提取模块、分级分诊模块连接，根据预设的特征预处理策略对目标患者的病症特征进行预处理，获得以数字形式表示的目标病症特征，目标病症特征包括性别、年龄、症状、起病时长、体温、脉压差、心率等级、收缩压等级、危险等级、以及重症等级；分级分诊模块，与特征预处理模块连接，用于接收目标病症特征，并将目标病症特征输入至预设的分级分诊模型中，获得目标患者的分级信息。
[0010]进一步的，特征预处理模块包括接收单元、症状预处理单元、起病时长预处理单元、体温预处理单元、脉压差确定单元、性别预处理单元、心率等级确定单元、收缩压等级确定单元、危险等级确定单元以及重症等级确定单元，其中：接收单元，与症状预处理单元、起病时长预处理单元、体温预处理单元、脉压差确定单元、性别预处理单元、心率等级确定单元、收缩压等级确定单元、危险等级确定单元以及重症等级确定单元连接，用于接收目标就诊患者的病症特征；症状预处理单元，用于将目标患者的症状根据预设的同义词替换对照表进行替换，并根据预设的症状转换策略将目标患者的症状转换为阿拉伯数字；起病时长预处理单元，用于利用正则表达式，排除目标患者的起病时长中的全角标点符号、半角标点符号，将目标患者的起病时长进行同义词替换，转换为阿拉伯数字，并将目标患者的起病时长的单位转换为分钟；体温预处理单元，用于利用正则表达式，排除目标患者的体温中的不
规则标点符号以及中文，经不在预设的正常体温范围内的体温替换为37度；脉压差确定单元，利用目标患者的收缩压减去舒张压，获得目标患者的脉压差；性别预处理单元，用于将目标患者性别根据预设的性别与数字对应关系将目标患者的性别转换为阿拉伯数字；心率等级确定单元，用于根据预设的心率等级与心率的对应关系以及目标就诊患者的心率，获得目标就诊患者的心率等级；收缩压等级确定单元，用于根据预设的收缩压等级与收缩压的对应关系以及目标就诊患者的收缩压，获得目标就诊患者的收缩压等级；危险等级确定单元，用于根据预设的危险等级确定策略以及目标患者的心率等级、收缩压等级确定目标就诊患者的危险等级；重症等级确定单元，用于根据预设的重症等级确定策略，对目标就诊患者的症状进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的分级分诊方法，其特征在于，所述方法包括：接收待分级分诊的目标患者填写的调查问卷，将所述调查问卷的答案进行汇总；从所述调查问卷的答案中提取所述目标患者的病症特征，所述病症特征包括症状、起病时长、体温、心率、收缩压、舒张压、性别以及年龄；根据预设的特征预处理策略对所述目标患者的病症特征进行预处理，获得以数字形式表示的目标病症特征，所述目标病症特征包括性别、年龄、症状、起病时长、体温、脉压差、心率等级、收缩压等级、危险等级、以及重症等级；将所述目标病症特征输入至预设的分级分诊模型中，获得所述目标患者的分级信息，其中，所述分级分诊模型为利用XGBOOST模型构建的机器学习模型。2.根据权利要求1所述的基于机器学习的分级分诊方法，其特征在于，分级分诊的级别有多级，所述目标患者的分级信息包括所述目标患者在每一级别的概率以及所述目标患者的最终分诊级别，其中，所述目标患者的最终分诊级别为概率最高的级别。3.根据权利要求1所述的基于机器学习的分级分诊方法，其特征在于，所述方法还包括：根据所述目标患者的分级信息，获得当前时间下，与所述目标患者具有相同分诊级别的候诊患者的数量，根据与所述目标患者具有相同分诊级别的候诊患者的数量，以及预设的候诊患者数量与候诊时间对应关系确定所述目标患者的候诊时间。4.根据权利要求3所述的基于机器学习的分级分诊方法，其特征在于，所述方法还包括：在所述目标患者候诊期间，根据所述目标患者的病症特征向所述目标患者推送对应的症状知识以及疾病的防范知识。5.根据权利要求1所述的基于机器学习的分级分诊方法，其特征在于，所述根据预设的特征预处理策略对所述目标患者的病症特征进行预处理，获得以数字形式表示的目标病症特征包括：将所述目标患者的症状根据预设的同义词替换对照表进行替换，并根据预设的症状转换策略将所述目标患者的症状转换为阿拉伯数字；利用正则表达式，排除所述目标患者的起病时长中的全角标点符号、半角标点符号，将所述目标患者的起病时长进行同义词替换，转换为阿拉伯数字，并将所述目标患者的起病时长的单位转换为分钟；利用正则表达式，排除所述目标患者的体温中的不规则标点符号以及中文，将不在预设的正常体温范围内的体温替换为37度；利用所述目标患者的收缩压减去舒张压，获得所述目标患者的脉压差；将所述目标患者性别根据预设的性别与数字对应关系将所述目标患者的性别转换为阿拉伯数字；根据预设的心率等级与心率的对应关系以及所述目标就诊患者的心率，获得所述目标就诊患者的心率等级；根据预设的收缩压等级与收缩压的对应关系以及所述目标就诊患者的收缩压，获得所述目标就诊患者的收缩压等级；根据预设的危险等级确定策略以及所述目标患者的心率等级、收缩压等级确定所述目标就诊患者的危险等级；
根据预设的重症等级确定策略，对所述目标就诊患者的症状进行分析，确定所述目标就诊患者的重症等级。6.根据权利要求1所述的基于机器学习的分级分诊方法，其特征在于，利用XGBOOST模型构建所述分级分诊模型包括：采集医院的病例数据作为样本病例，所述样本病例为多个；根据预设的特征提取策略从每个所述样本病例中提取病症特征，所述样本病例的病症特征包括症状、起病时长、体温、心率、收缩压、舒张压、性别以及年龄；根据每个所述样本病例的病症特征预先为每个所述样本病例标记分级等级；根据所述特征预处理策略对所述样本病例的病症特征进行预处理，获得以数字形式表示的所述样本病例的目标病症特征，所述样本病例的目标病症特征包括性别、年龄、症状、起病时长、体温、脉压差、心率等级、收缩压等级、危险等级、以及重症等级；利用XGBOOST模型，将所述样本病例的目标病症特征作为输入层训练样本输入至所述XGBOOST模型，以所述样本病例的分级等级为输出层训练样本进行训练学习，获得所述分级分诊模型。7.一种基于机器学习的分级分诊系统，其特征在于，所述系统包括接收模块、特征提取模块、特征预处理模块以及分级分诊模块，其中：所述接收模块，与...

【专利技术属性】
技术研发人员：陈晓辉，黄海铨，朱永城，江慧琳，程琦，陆慧菁，茅海峰，莫均荣，林珮仪，
申请(专利权)人：广东易生活信息科技有限公司，
类型：发明
国别省市：