专利摘要

专利摘要

本发明公开了一种医疗质量评价及就诊推荐方法，所述方法包括：步骤S1，获取用于评价医疗质量的数据；步骤S2，评价医疗质量的数据预处理；步骤S3，病例分组；步骤S4，按病例细分组聚类并画出聚类图；步骤S5，根据聚类图，计算病例细分组的医疗质量评价分；步骤S6，计算病例粗分组的医疗质量评价分；步骤S7，计算评价对象的最终医疗质量评价分；步骤S8，获取用于训练和测试就诊推荐模型的数据集；步骤S9，构建获取患者特征向量的神经网络模型；步骤S10，构建获取推荐对象特征向量的神经网络模型；步骤S11，构建就诊推荐神经网络模型；步骤S12，模型训练；步骤S13，生成就诊推荐列表，推荐给患者。

权利要求

1.一种医疗质量评价及就诊推荐方法，其特征在于，包括：

步骤S1，获取用于评价医疗质量的数据，包括患者ID、患者性别、患者年龄、入院科室、主治医生、入院情况、入院诊断码、治疗效果、治疗时间和治疗费用；

步骤S2，评价医疗质量的数据预处理；

步骤S3，病例分组，首先根据入院诊断码对病例进行粗分组，然后综合考虑患者的性别、年龄和入院情况进行细分组；

步骤S4，针对每一个病例细分组，将治疗时间、治疗费用、治疗效果作为评价指标；首先对评价指标进行标准化处理；然后采用误差平方和SSE指标确定聚类的类别数k值；最后对评价指标进行聚类，将病例归类，并画出聚类图；

步骤S5，根据聚类图，计算每一个评价对象在病例细分组的医疗质量评价分；

步骤S6，对每个评价对象在各个病例细分组中的医疗质量评价分加权求和，得到各个病例粗分组即按照入院诊断码分组的医疗质量评价分；

步骤S7，将每个评价对象在各个病例粗分组中的医疗质量评价分按照从高到低排序，取前n个评价分的病例作为该评价对象擅长的病例类型，对评价对象擅长的病例类型的医疗质量评价分加权求和，得到每个评价对象的最终医疗质量评价分；

步骤S8，获取用于训练和测试就诊推荐模型的数据集；数据集由三个文件组成，分别是患者数据文件、推荐对象数据文件和评分数据文件；患者数据文件包括患者ID字段、患者性别字段、患者年龄字段和病情描述字段；推荐对象数据文件包括推荐对象ID字段和推荐对象擅长的病例类型字段；评分数据文件包括患者ID字段、推荐对象ID字段和评分字段，其中评分字段的值即为训练和测试就诊推荐模型的目标值；

步骤S9，构建获取患者特征向量的神经网络模型；

步骤S10，构建获取推荐对象特征向量的神经网络模型；

步骤S11，构建就诊推荐神经网络模型；

步骤S12，将数据集分成训练集和测试集，采用均方误差MSE指标优化损失，确定训练迭代次数和学习速率，进行模型训练，得到患者特征矩阵和推荐对象特征矩阵；

步骤S13，使用所述患者特征向量和所述推荐对象特征矩阵计算待推荐对象的评分值，取评分值最高的前n个生成就诊推荐列表，推荐给患者。

2.根据权利要求1所述的医疗质量评价及就诊推荐方法，其特征在于，所述步骤S5还包括：

步骤S51，所述评价对象，包括医生、科室；

步骤S52，统计每一个评价对象在病例细分组的各个聚类类别中的病例个数，将选定的聚类类别中的病例个数除以总的病例个数，得到每一个评价对象在病例细分组的医疗质量评价分。

3.根据权利要求2所述的医疗质量评价及就诊推荐方法，其特征在于，所述步骤S8还包括：

步骤S81，所述推荐对象，与所述步骤S51所述评价对象一致，包括医生、科室；

步骤S82，所述病情描述字段，首先对所述病情描述字段中的文本描述进行分词处理，然后建立词到数字的映射字典，将其转换成数字列表，而且所有数字列表的长度统一；

步骤S83，所述推荐对象擅长的病例类型字段的值，通过所述步骤S7得到，即：将每个评价对象在各个病例粗分组中的医疗质量评价分按照从高到低排序，取前n个评价分的病例作为该推荐对象擅长的病例类型；建立所述推荐对象擅长的病例类型字段中的类别字符串到数字的映射字典，将其转换成数字列表，而且所有数字列表的长度统一；

步骤S84，所述评分字段的值，通过所述步骤S4和所述步骤S5得到，即：根据病例细分组聚类的结果和选定的聚类类别，将选定的聚类类别相应的评分值设置为1，其余为0。

4.根据权利要求1所述的医疗质量评价及就诊推荐方法，其特征在于，所述步骤S9还包括：

步骤S91，所述神经网络模型的第一层为嵌入层，将所述患者ID字段、患者性别字段、患者年龄字段当作嵌入矩阵的索引传入嵌入层，得到患者ID特征、患者性别特征和患者年龄特征；

步骤S92，针对所述病情描述字段采用文本卷积神经网络进行处理；首先从嵌入矩阵中得到所述病情描述字段对应的各个词的嵌入向量，然后使用不同尺寸的卷积核进行卷积运算、最大池化和正则化操作，得到所述病情描述字段的特征；

步骤S93，从所述神经网络嵌入层索引出所述患者ID特征、患者性别特征和患者年龄特征以及从文本卷积神经网络得到所述病情描述字段的特征以后，将各个特征传入一个全连接层，将其输出再次传入一个全连接层，从而得到所述患者特征向量。

5.根据权利要求1所述的医疗质量评价及就诊推荐方法，其特征在于，所述步骤S10还包括：

步骤S101，所述神经网络模型的第一层为嵌入层，将所述推荐对象ID字段和推荐对象擅长的病例类型字段当作嵌入矩阵的索引传入嵌入层，得到所述推荐对象ID特征和推荐对象擅长的病例类型特征；

步骤S102，对所述推荐对象擅长的病例类型特征做进一步处理，即对所述推荐对象擅长的病例类型的多个嵌入向量做加和运算；

步骤S103，从所述神经网络嵌入层索引出所述推荐对象ID特征和所述推荐对象擅长的病例类型特征以及对推荐对象擅长的病例类型特征做进一步处理后，将各个特征传入一个全连接层，将其输出再次传入一个全连接层，得到所述推荐对象特征向量。

6.根据权利要求1所述的医疗质量评价及就诊推荐方法，其特征在于，所述步骤S11还包括：

步骤S111，将所述患者特征向量和所述推荐对象特征向量做向量乘法，将计算结果与真实的评分值做回归。

说明书

技术领域

本发明涉及医疗大数据领域，特别是涉及一种医疗质量评价及就诊推荐方法。

背景技术

医疗安全和医疗质量长期以来都是国内外高度重视的热点问题。国家对医院的医疗水平和质量评价标准是《三级综合医院评审标准（2011年版）》，以及《三级综合医院医疗质量管理与控制标准（2011版）》，评测标准包括：住院死亡类指标、重返类指标、医院感染类指标、手术并发症类指标、患者安全类指标、医疗机构合理用药指标和医院运行管理类指标。

文献资料表明，常用的医疗质量评价方法可以归纳为医院评审法、综合评审法、病种质量评审法和顾客满意度评审法等。这些方法的共同特点是评价过程需要人工干预判断，过度依赖专家的经验；同时，分析评价系统是基于随机样本而不是全体数据。因此，医疗质量评价领域的缺陷之一是对医疗机构、医生等的评价存在客观性缺乏、科学性不足的问题。目前，医院普遍还没有采用大数据分析等技术手段对医生的医疗方法进行客观比较，无法判断其优劣，致使好的医生的治疗方法不能得到推广，导致医院质量管理存在疏漏，降低了管理效率和质量。同时，在就诊过程中，患者选择科室或医生的方式一般是通过亲朋、挂号员或者公开宣传信息，这些渠道缺乏对科室诊疗特色以及医生专业特长的客观描述和比较，从而导致医院不能及时、优质地为患者提供就诊服务。

发明内容

本发明所要解决的技术问题是：针对目前医疗质量评价及就诊推荐方法缺乏客观性、科学性的问题，基于医院病例大数据，创新地设计一种医疗质量评价及就诊推荐方法，从而能够全面综合地提升医院医疗质量管理水平。

为了解决上述问题，本发明公开了一种医疗质量评价及就诊推荐方法，其技术方案包括以下步骤：

步骤S1，获取用于评价医疗质量的数据，包括患者ID、患者性别、患者年龄、入院科室、主治医生、入院情况、入院诊断码、治疗效果、治疗时间和治疗费用等；

步骤S2，评价医疗质量的数据预处理；

步骤S3，病例分组，首先根据入院诊断码对病例进行粗分组，然后综合考虑患者的性别、年龄和入院情况进行细分组；

步骤S4，针对每一个病例细分组，将治疗时间、治疗费用、治疗效果作为评价指标；首先对评价指标进行标准化处理；然后采用误差平方和SSE指标确定聚类的类别数k值；最后对评价指标进行聚类，将病例归类，并画出聚类图；

步骤S5，根据聚类图，计算每一个评价对象在病例细分组的医疗质量评价分；

步骤S6，对每个评价对象在各个病例细分组中的医疗质量评价分加权求和，得到各个病例粗分组即按照入院诊断码分组的医疗质量评价分；

步骤S7，将每个评价对象在各个病例粗分组中的医疗质量评价分按照从高到低排序，取前n个评价分的病例作为该评价对象擅长的病例类型，对评价对象擅长的病例类型的医疗质量评价分加权求和，得到每个评价对象的最终医疗质量评价分；

步骤S8，获取用于训练和测试就诊推荐模型的数据集；数据集由三个文件组成，分别是患者数据文件、推荐对象数据文件和评分数据文件；患者数据文件包括患者ID字段、患者性别字段、患者年龄字段和病情描述字段；推荐对象数据文件包括推荐对象ID字段和推荐对象擅长的病例类型字段；评分数据文件包括患者ID字段、推荐对象ID字段和评分字段，其中评分字段的值即为训练和测试就诊推荐模型的目标值；

步骤S9，构建获取患者特征向量的神经网络模型；

步骤S10，构建获取推荐对象特征向量的神经网络模型；

步骤S11，构建就诊推荐神经网络模型；

步骤S12，将数据集分成训练集和测试集，采用均方误差MSE指标优化损失，确定训练迭代次数和学习速率，进行模型训练，得到患者特征矩阵和推荐对象特征矩阵；

步骤S13，使用所述患者特征向量和所述推荐对象特征矩阵计算待推荐对象的评分值，取评分值最高的前n个生成就诊推荐列表，推荐给患者。

一种医疗质量评价及就诊推荐方法，所述步骤S5还包括：

步骤S51，所述评价对象，包括医生、科室；

步骤S52，统计每一个评价对象在病例细分组的各个聚类类别中的病例个数，将选定的聚类类别中的病例个数除以总的病例个数，得到每一个评价对象在病例细分组的医疗质量评价分。

一种医疗质量评价及就诊推荐方法，所述步骤S8还包括：

步骤S81，所述推荐对象，与所述步骤S51所述评价对象一致，包括医生、科室；

步骤S82，所述病情描述字段，首先对所述病情描述字段中的文本描述进行分词处理，然后建立词到数字的映射字典，将其转换成数字列表，而且所有数字列表的长度统一；

步骤S83，所述推荐对象擅长的病例类型字段的值，可以通过所述步骤S7得到，即：将每个评价对象在各个病例粗分组中的医疗质量评价分按照从高到低排序，取前n个评价分的病例作为该推荐对象擅长的病例类型；建立所述推荐对象擅长的病例类型字段中的类别字符串到数字的映射字典，将其转换成数字列表，而且所有数字列表的长度统一；

步骤S84，所述评分字段的值，可以通过所述步骤S4和所述步骤S5得到，即：根据病例细分组聚类的结果和选定的聚类类别，将选定的聚类类别相应的评分值设置为1，其余为0。

一种医疗质量评价及就诊推荐方法，所述步骤S9还包括：

步骤S91，所述神经网络模型的第一层为嵌入层，将所述患者ID字段、患者性别字段、患者年龄字段当作嵌入矩阵的索引传入嵌入层，得到所述患者ID特征、患者性别特征和患者年龄特征；

步骤S92，针对所述病情描述字段采用文本卷积神经网络进行处理；首先从嵌入矩阵中得到所述病情描述字段对应的各个词的嵌入向量，然后使用不同尺寸的卷积核进行卷积运算、最大池化和正则化操作，得到所述病情描述字段的特征；

步骤S93，从所述神经网络嵌入层索引出所述患者ID特征、患者性别特征和患者年龄特征以及从文本卷积神经网络得到所述病情描述字段的特征以后，将各个特征传入一个全连接层，将其输出再次传入一个全连接层，从而得到所述患者特征向量。

一种医疗质量评价及就诊推荐方法，所述步骤S10还包括：

步骤S101，所述神经网络模型的第一层为嵌入层，将所述推荐对象ID字段和推荐对象擅长的病例类型字段当作嵌入矩阵的索引传入嵌入层，得到所述推荐对象ID特征和推荐对象擅长的病例类型特征；

步骤S102，对所述推荐对象擅长的病例类型特征做进一步处理，即对所述推荐对象擅长的病例类型的多个嵌入向量做加和运算；

步骤S103，从所述神经网络嵌入层索引出所述推荐对象ID特征和所述推荐对象擅长的病例类型特征以及对推荐对象擅长的病例类型特征做进一步处理后，将各个特征传入一个全连接层，将其输出再次传入一个全连接层，得到所述推荐对象特征向量。

一种医疗质量评价及就诊推荐方法，所述步骤S11还包括：

步骤S111，将所述患者特征向量和所述推荐对象特征向量做向量乘法，将计算结果与真实的评分值做回归。

与现有技术相比，本发明具有以下优点：

（1）本发明利用医院全样本病例大数据可以对不同医生、科室的医疗质量进行客观比较，量化医生、科室的专业技术水平和医疗服务质量，能够全面提升医院医疗质量管理水平，评价结果可以作为患者就诊选择的决策依据。

（2）本发明可以分析医生、科室擅长的病例类型，精准定位医生、科室的特征和薄弱环节，从而医院可以采取针对性措施，提高医疗水平。

（3）在日常就诊过程中，患者选择科室、医生的方式一般是通过亲朋、挂号员或者公开宣传信息，这些渠道缺乏对科室诊疗特色以及医生专业特长的客观描述和比较，从而导致医院不能及时、优质地为患者提供就诊服务。除此之外，一些文献提出通过采集来自互联网的评价信息来推荐医生、科室，由于评价的主观性、片面性以及评价数据的稀疏性，会严重影响推荐的效果。本发明采用大数据分析技术，对医生、科室的医疗质量进行客观评价打分，能够及时获取医生、科室擅长的病例类型，客观反映医生、科室擅长的病例类型的动态变化，通过深度神经网络实现了精准就诊推荐。

（4）文献表明，就诊推荐系统一般采用协同过滤技术，该方法通过采集患者的历史记录、个人喜好等信息，计算与其他患者的相似度，利用相似患者的评价来推荐医生、科室。通常，协同过滤技术存在冷启动的问题。本发明通过构建获取患者特征向量的神经网络模型和构建获取推荐对象特征向量的神经网络模型，从而实现就诊推荐神经网络模型，使用所述患者特征向量和所述推荐对象特征矩阵计算待推荐对象的评分值，实现了精准就诊推荐。

附图说明

图1为本发明的一种医疗质量评价及就诊推荐方法的流程图。

具体实施方式

如附图1所示，本发明方法按照以下步骤进行：

下面结合附图对本发明进行详细说明。

步骤S1，获取用于评价医疗质量的数据，包括患者ID、患者性别、患者年龄、入院科室、主治医生、入院情况、入院诊断码、治疗效果、治疗时间和治疗费用等；

自20世纪90年代以来，医院逐步完成了临床医疗信息化，建成了HIS（以人流、物流、财流管理为核心的医院信息系统）、EMRs（以患者病历的信息采集、存储和集中管理为目的的电子病历系统）、LIS（检验信息系统）、PACS（医学影像信息系统）、NIS（护理信息系统）等。因此，用于评价医疗质量的患者ID、患者性别、患者年龄、入院科室、主治医生、入院情况、入院诊断码、治疗效果、治疗时间和治疗费用等数据可以从上述医疗信息化系统中提取。

步骤S2，评价医疗质量的数据预处理；

由于医疗信息化系统是分期逐步建设的，加上病例数据库升级改造等原因，存在数据统计口径不一致、数据格式不统一、数据信息重叠、噪声数据和数据遗漏等问题，必须对数据进行清洗、抽取、变换、整理和填充等操作，以实现数据格式的标准化和规范化，例如：NaN值的处理、治疗费用0值处理以及名字类型转换等。

步骤S3，病例分组，首先根据入院诊断码对病例进行粗分组，然后综合考虑患者的性别、年龄和入院情况进行细分组；

根据入院诊断码对病例进行粗分组，以消除疾病类型差异带来的影响。然后综合考虑患者的性别、年龄和入院情况进行细分组，以消除病例个体特征以及既往病史等差异带来的影响，进而使得量化过程可对临床过程相近、资源消耗相当的病例进行评价。

步骤S4，针对每一个病例细分组，将治疗时间、治疗费用、治疗效果作为评价指标；首先对评价指标进行标准化处理；然后采用误差平方和SSE指标确定聚类的类别数k值；最后对评价指标进行聚类，将病例归类，并画出聚类图；

将治疗时间、治疗费用、治疗效果作为医疗质量量化指标，不仅共同反映了病患因治疗而付出的“成本”，而且在很大程度上反映了治疗水平的高低，从而能充分体现医疗质量的优劣；

由于各个评价指标之间的数量级差异较大，为了避免单个特征的值过大而影响聚类效果，在进行聚类前，需要进行标准化处理；

在计算误差平方和SSE确定聚类的类别数k值后，进行聚类，将病例归类。同时，针对聚类结果按不同类别画出特征的折线图。

步骤S5，根据聚类图，计算每一个评价对象在病例细分组的医疗质量评价分；

所述评价对象，包括医生、科室；

统计每一个评价对象在病例细分组的各个聚类类别中的病例个数，将选定的聚类类别中的病例个数除以总的病例个数，得到每一个评价对象在病例细分组的医疗质量评价分；

为了详细说明本发明的具体实施方式，下面举例说明：假设评价对象1在治疗病例细分组G的3个聚类类别0、1、2中分别有91、1031和9个病例，通过分析不同聚类类别的特征折线图，其中聚类类别1为治疗效果好、治疗时间短、治疗费用低的聚类类别，因此选择聚类类别1用于计算医疗质量评价分，则评价对象1在治疗病例细分组G的医疗质量评价分为1031/(91+1031+9)=91.2%。

步骤S6，对每个评价对象在各个病例细分组中的医疗质量评价分加权求和，得到各个病例粗分组即按照入院诊断码分组的医疗质量评价分；

为了详细说明本发明的具体实施方式，下面举例说明：假设评价对象1在i个病例细分组中的医疗质量评价分分别为s1，s2，…，si，则评价对象1在某个病例粗分组的医疗质量评价分为r=w1*s1+w2*s2+…+wi*si，其中w1，w2，…，wi为权值，满足：0

步骤S7，将每个评价对象在各个病例粗分组中的医疗质量评价分按照从高到低排序，取前n个评价分的病例作为该评价对象擅长的病例类型，对评价对象擅长的病例类型的医疗质量评价分加权求和，得到每个评价对象的最终医疗质量评价分；

为了详细说明本发明的具体实施方式，下面举例说明：假设评价对象1在j个病例粗分组中的医疗质量评价分按从高到低排序为r1， r2，…，rj，取前n个作为评价对象擅长的病例类型，则评价对象1的最终医疗质量评价分为q=w1*r1+w2*r2+…+wn*rn，其中w1，w2，…，wn为权值，满足：0w2>…>wn，w1+w2+…+wn=1。

步骤S8，获取用于训练和测试就诊推荐模型的数据集；数据集由三个文件组成，分别是患者数据文件、推荐对象数据文件和评分数据文件；患者数据文件包括患者ID字段、患者性别字段、患者年龄字段和病情描述字段；推荐对象数据文件包括推荐对象ID字段和推荐对象擅长的病例类型字段；评分数据文件包括患者ID字段、推荐对象ID字段和评分字段，其中评分字段的值即为训练和测试就诊推荐模型的目标值；

所述推荐对象，与所述评价对象一致，包括医生、科室；

所述病情描述字段，首先对所述病情描述字段中的文本描述进行分词处理，然后建立词到数字的映射字典，将其转换成数字列表，而且所有数字列表的长度统一；

所述推荐对象擅长的病例类型字段的值，可以通过所述步骤S7得到，即：将每个评价对象在各个病例粗分组中的医疗质量评价分按照从高到低排序，取前n个评价分的病例作为该推荐对象擅长的病例类型；建立所述推荐对象擅长的病例类型字段中的类别字符串到数字的映射字典，将其转换成数字列表，而且所有数字列表的长度统一；

所述评分字段的值，可以通过所述步骤S4和所述步骤S5得到，即：根据病例细分组聚类的结果和选定的聚类类别，将选定的聚类类别相应的评分值设置为1，其余为0，其中1表示在病例细分组中治疗效果好、治疗时间短、治疗费用低的患者给推荐对象的评分。

步骤S9，构建获取患者特征向量的神经网络模型；

所述神经网络模型的第一层为嵌入层，将所述患者ID字段、患者性别字段、患者年龄字段当作嵌入矩阵的索引传入嵌入层，得到所述患者ID特征、患者性别特征和患者年龄特征；

针对所述病情描述字段采用文本卷积神经网络进行处理；首先从嵌入矩阵中得到所述病情描述字段对应的各个词的嵌入向量，然后使用不同尺寸的卷积核进行卷积运算、最大池化和正则化操作，得到所述病情描述字段的特征；

从所述神经网络嵌入层索引出所述患者ID特征、患者性别特征和患者年龄特征以及从文本卷积神经网络得到所述病情描述字段的特征以后，将各个特征传入一个全连接层，将其输出再次传入一个全连接层，从而得到所述患者特征向量。

步骤S10，构建获取推荐对象特征向量的神经网络模型；

所述神经网络模型的第一层为嵌入层，将所述推荐对象ID字段和推荐对象擅长的病例类型字段当作嵌入矩阵的索引传入嵌入层，得到所述推荐对象ID特征和推荐对象擅长的病例类型特征；

对所述推荐对象擅长的病例类型特征做进一步处理，即对所述推荐对象擅长的病例类型的多个嵌入向量做加和运算；

从所述神经网络嵌入层索引出所述推荐对象ID特征和所述推荐对象擅长的病例类型特征以及对推荐对象擅长的病例类型特征做进一步处理后，将各个特征传入一个全连接层，将其输出再次传入一个全连接层，得到所述推荐对象特征向量。

步骤S11，构建就诊推荐神经网络模型；

将所述患者特征向量和所述推荐对象特征向量做向量乘法，将计算结果与真实的评分值做回归。

步骤S12，将数据集分成训练集和测试集，采用均方误差MSE指标优化损失，确定训练迭代次数和学习速率，进行模型训练，得到患者特征矩阵和推荐对象特征矩阵；

为了训练模型，首先需要定义成本或损失函数来评估模型，这里采用均方误差MSE指标；然后需要确定训练迭代次数和学习速率；训练的过程就是不断调整模型参数，最小化均方误差MSE指标。

步骤S13，使用所述患者特征向量和所述推荐对象特征矩阵计算待推荐对象的评分值，取评分值最高的前n个生成就诊推荐列表，推荐给患者。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明。本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还可以对以上内容进行各种各样的修改。因此，本发明的范围并不仅限于以上的说明，而是由权利要求书的范围来确定的。

一种医疗质量评价及就诊推荐方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。