現(xiàn)階段,由于我國醫(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,所以患者在就診時會優(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)療知識有限,大都無法根據(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,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,在面對大量患者時難以在短時間內(nèi)對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。目前,已有醫(yī)院開通預(yù)約掛號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)院投入的人力財力,而且難以從根本上提高患者的掛號效率和就診體驗。如何快速準(zhǔn)確的引導(dǎo)患者掛號和選擇醫(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題。本文針對傳統(tǒng)人工導(dǎo)診方式在大型醫(yī)院難以滿足患者導(dǎo)診需求的問題,提出一種基于機器學(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象,使用機器學(xué)習(xí)作為研究的方法,來解決大型醫(yī)院在導(dǎo)診工作中面臨的兩個關(guān)鍵問題——快速準(zhǔn)確地科室分診和醫(yī)師推薦。本文針對智能導(dǎo)診模型的功... 

【文章來源】：青島科技大學(xué)山東省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 基于機器學(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)合特征的癥狀實體抽取模塊
        2.2.2 基于癥狀貢獻度和信息熵優(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)合特征的癥狀實體抽取模型
    3.1 癥狀實體抽取相關(guān)研究
        3.1.1 癥狀實體抽取概念
        3.1.2 實體抽取方法研究現(xiàn)狀
    3.2 癥狀實體抽取相關(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 注意力機制
        3.2.5 條件隨機場
    3.3 基于字詞特征聯(lián)合的癥狀實體抽取模型
        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 模型評估與實驗對比
        3.4.1 實驗數(shù)據(jù)及標(biāo)注方法
        3.4.2 模型評價指標(biāo)
        3.4.3 模型超參數(shù)設(shè)置
        3.4.4 實驗對比及結(jié)果分析
    3.5 本章小結(jié)
4 基于癥狀貢獻度和信息熵優(yōu)化的科室分診模型
    4.1 基于TF-IDF的癥狀貢獻度計算方法
    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)測準(zhǔn)確度的樣本優(yōu)化方法
    4.3 模型評估和實驗對比
        4.3.1 數(shù)據(jù)預(yù)處理及模型參數(shù)設(shè)置
        4.3.2 模型評估方法
        4.3.3 實驗對比及結(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)同過濾醫(yī)師推薦模型
    5.1 基于改進的協(xié)同過濾醫(yī)師推薦模型原理
    5.2 基于改進的協(xié)同過濾醫(yī)師推薦模型實現(xiàn)方法
        5.2.1 基于癥狀的患者相似度計算方法
        5.2.2 基于樸素貝葉斯的醫(yī)師匹配度計算模型
        5.2.3 基于改進的協(xié)同過濾醫(yī)師推薦算法
    5.3 性能驗證與結(jié)果分析
        5.3.1 實驗參數(shù)設(shè)置
        5.3.2 模型評估指標(biāo)
        5.3.3 實驗對比及結(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
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目



本文編號：3127138