現(xiàn)階段,由于我國(guó)醫(yī)療資源分布不均衡,優(yōu)質(zhì)醫(yī)療資源多集中在大型醫(yī)院,所以患者在就診時(shí)會(huì)優(yōu)先選擇大型醫(yī)院,這就造成大醫(yī)院門診人流量高居不下。而且大部分患者自身的醫(yī)療知識(shí)有限,大都無(wú)法根據(jù)自身情況選擇正確的科室和適合的醫(yī)生就診。因此,當(dāng)前的醫(yī)院大廳都設(shè)有人工導(dǎo)診臺(tái),幫助患者選擇合適的醫(yī)院科室或醫(yī)生。傳統(tǒng)的人工導(dǎo)診方式,在面對(duì)大量患者時(shí)難以在短時(shí)間內(nèi)對(duì)患者做出精確的科室分診和醫(yī)生推薦,導(dǎo)致患者的就診流程不順利,降低了患者的就醫(yī)體驗(yàn)。目前,已有醫(yī)院開通預(yù)約掛號(hào)和線上人工咨詢的功能,在一定程度上緩解了線下導(dǎo)診人員的工作壓力。但是,僅僅把線下人工咨詢工作轉(zhuǎn)移到線上,不僅增加了醫(yī)院投入的人力財(cái)力,而且難以從根本上提高患者的掛號(hào)效率和就診體驗(yàn)。如何快速準(zhǔn)確的引導(dǎo)患者掛號(hào)和選擇醫(yī)生就診是現(xiàn)階段大型綜合性醫(yī)院導(dǎo)診工作中急需解決的問(wèn)題。本文針對(duì)傳統(tǒng)人工導(dǎo)診方式在大型醫(yī)院難以滿足患者導(dǎo)診需求的問(wèn)題,提出一種基于機(jī)器學(xué)習(xí)的智能導(dǎo)診模型。模型以患者在大型醫(yī)院快速準(zhǔn)確的就診為主要研究對(duì)象,使用機(jī)器學(xué)習(xí)作為研究的方法,來(lái)解決大型醫(yī)院在導(dǎo)診工作中面臨的兩個(gè)關(guān)鍵問(wèn)題——快速準(zhǔn)確地科室分診和醫(yī)師推薦。本文針對(duì)智能導(dǎo)診模型的功... 

【文章來(lái)源】：青島科技大學(xué)山東省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 選題意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 基于機(jī)器學(xué)習(xí)的智能導(dǎo)診模型概述
    2.1 智能導(dǎo)診模型功能需求分析
    2.2 基于機(jī)器學(xué)習(xí)的智能導(dǎo)診模型結(jié)構(gòu)
        2.2.1 基于字詞聯(lián)合特征的癥狀實(shí)體抽取模塊
        2.2.2 基于癥狀貢獻(xiàn)度和信息熵優(yōu)化的Stacking科室分診模塊
        2.2.3 基于患者相似度和醫(yī)師匹配度的協(xié)同過(guò)濾醫(yī)師推薦模塊
    2.3 本章小結(jié)
3 基于字詞聯(lián)合特征的癥狀實(shí)體抽取模型
    3.1 癥狀實(shí)體抽取相關(guān)研究
        3.1.1 癥狀實(shí)體抽取概念
        3.1.2 實(shí)體抽取方法研究現(xiàn)狀
    3.2 癥狀實(shí)體抽取相關(guān)技術(shù)介紹
        3.2.1 字嵌入
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.4 注意力機(jī)制
        3.2.5 條件隨機(jī)場(chǎng)
    3.3 基于字詞特征聯(lián)合的癥狀實(shí)體抽取模型
        3.3.1 基于卷積網(wǎng)絡(luò)的患者主訴潛在詞特征提取方法
        3.3.2 基于字詞聯(lián)合特征的BGRU癥狀長(zhǎng)依賴關(guān)系提取方法
        3.3.3 基于Attention的癥狀特征加權(quán)方法
        3.3.4 基于CRF的癥狀標(biāo)簽合理性約束方法
    3.4 模型評(píng)估與實(shí)驗(yàn)對(duì)比
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)及標(biāo)注方法
        3.4.2 模型評(píng)價(jià)指標(biāo)
        3.4.3 模型超參數(shù)設(shè)置
        3.4.4 實(shí)驗(yàn)對(duì)比及結(jié)果分析
    3.5 本章小結(jié)
4 基于癥狀貢獻(xiàn)度和信息熵優(yōu)化的科室分診模型
    4.1 基于TF-IDF的癥狀貢獻(xiàn)度計(jì)算方法
    4.2 基于信息熵優(yōu)化的Stacking科室分診模型
        4.2.1 基于Stacking的科室分診模型
        4.2.2 基于信息熵和預(yù)測(cè)準(zhǔn)確度的樣本優(yōu)化方法
    4.3 模型評(píng)估和實(shí)驗(yàn)對(duì)比
        4.3.1 數(shù)據(jù)預(yù)處理及模型參數(shù)設(shè)置
        4.3.2 模型評(píng)估方法
        4.3.3 實(shí)驗(yàn)對(duì)比及結(jié)果分析
    4.4 本章小結(jié)
5 基于患者相似度和醫(yī)師匹配度的協(xié)同過(guò)濾醫(yī)師推薦模型
    5.1 基于改進(jìn)的協(xié)同過(guò)濾醫(yī)師推薦模型原理
    5.2 基于改進(jìn)的協(xié)同過(guò)濾醫(yī)師推薦模型實(shí)現(xiàn)方法
        5.2.1 基于癥狀的患者相似度計(jì)算方法
        5.2.2 基于樸素貝葉斯的醫(yī)師匹配度計(jì)算模型
        5.2.3 基于改進(jìn)的協(xié)同過(guò)濾醫(yī)師推薦算法
    5.3 性能驗(yàn)證與結(jié)果分析
        5.3.1 實(shí)驗(yàn)參數(shù)設(shè)置
        5.3.2 模型評(píng)估指標(biāo)
        5.3.3 實(shí)驗(yàn)對(duì)比及結(jié)果分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 后續(xù)工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄
攻讀學(xué)位期間參加的科研項(xiàng)目



本文編號(hào)：3127138