异常就诊的识别方法、装置、电子设备及存储介质与流程

本发明涉及人工智能技术领域，具体涉及一种异常就诊的识别方法、装置、电子设备及存储介质。

背景技术：

目前的医疗行业，通过对疾病数据和药品数据进行分析，根据分析结果进行异常就诊识别，辅助医院等医疗行业的从业者进行处方的简易诊断。

然而，在对疾病数据和药品数据进行异常就诊识别过程中，未考虑到人群的分类，可能存在一张医保卡被多人使用，引起分析结果不准确，进而导致异常就诊识别的识别结果准确率低的问题。

技术实现要素：

鉴于以上内容，有必要提出一种异常就诊的识别方法、装置、电子设备及存储介质，根据患者的第一人群类别、疾病类型、第二人群类别及药品类型，从多个维度进行异常就诊识别，提高了异常就诊识别的准确率。

本发明的第一方面提供一种异常就诊的识别方法，所述方法包括：

解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据；

根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据；

将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果；

识别预设的第一就诊条件是否存在所述第一预判结果；

当所述预设的第一就诊条件中不存在所述第一预判结果时，将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果；

识别预设的第二就诊条件是否存在所述第二预判结果；

当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊。

可选地，所述根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据包括：

识别所述目标患者的参保信息，确定所述目标患者的年龄和性别；

从预设的人群类别库中确定出与所述目标患者的年龄和性别匹配的第一人群类别和第二人群类别；

从所述就诊数据中提取关键信息，按照预设的格式转换规则对所述关键信息进行转换，得到转换后的关键信息；

按照预设的划分规则将所述转换后的关键信息划分为疾病数据和药品数据；

将所述第一人群类别和疾病数据确定为所述目标患者的第一数据，及将所述第二人群类别和药品数据确定为所述目标患者的第二数据。

可选地，所述疾病类型预测模型的训练过程包括：

获取每个第一人群类别对应的多个患者；

提取每个患者的多个疾病数据及对应的疾病类型，形成数据集；

将所述数据集随机分为第一数量的训练集和第二数量的测试集；

将所述训练集中的多个疾病数据及对应的疾病类型输入至预设卷积神经网络中进行训练，得到疾病类型预测模型；

将所述测试集输入至所述疾病类型预测模型中进行测试，得到测试通过率；

判断所述测试通过率是否大于预设通过率阈值；

当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述疾病类型预测模型的训练；或者，当所述测试通过率小于所述预设通过率阈值时，增加所述训练集的数量，重新进行疾病类型预测模型的训练。

可选地，所述预设的第一就诊条件包括以下一种或者多种组合：

疾病类型为女性常见病，目标患者为男性；

疾病类型为男性常见病，目标患者为女性；

疾病类型为老年人常见病，目标患者为年轻人；

疾病类型为年轻人常见病，目标患者为老年人；

疾病类型为儿童病，目标患者为成年人；

疾病类型为年轻人常见病，目标患者为儿童。

可选地，所述预设的第二就诊条件包括以下一种或者多种组合：

药品类型为儿童禁用，目标患者为小儿；

药品类型为小儿用药，目标患者为成年人；

药品类型为女性用药，目标患者为男性；

药品类型为男性用药，目标患者为女性。

可选地，所述识别预设的第一就诊条件是否存在所述第一预判结果包括：

将所述第一预判结果与所述预设的第一就诊条件进行匹配；

当在所述预设的第一就诊条件中匹配到与所述第一预判结果相匹配的第一就诊条件时，确定所述预设的第一就诊条件中存在所述第一预判结果；或者

当在所述预设的第一就诊条件中未匹配到与所述第一预判结果相匹配的第一就诊条件时，确定所述预设的第一就诊条件中不存在所述第一预判结果。

可选地，所述解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据包括：

解析所述目标患者的就诊请求的报文，得到所述报文携带的报文信息；

从所述报文信息中获取所述目标患者的识别码；

根据所述目标患者的识别码确定所述参保信息的接口和所述就诊数据的接口；

调用所述参保信息的接口获取所述目标患者的参保信息，及调用所述就诊数据的接口获取所述目标患者的就诊数据。

本发明的第二方面提供一种异常就诊的识别装置，所述装置包括：

解析模块，用于解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据；

第一确定模块，用于根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据；

第一输入模块，用于将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果；

第一识别模块，用于识别预设的第一就诊条件是否存在所述第一预判结果；

第二输入模块，用于当所述预设的第一就诊条件中不存在所述第一预判结果时，将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果；

第二识别模块，用于识别预设的第二就诊条件是否存在所述第二预判结果；

第二确定模块，用于当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊。

本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的异常就诊的识别方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的异常就诊的识别方法。

综上所述，本发明所述的异常就诊的识别方法、装置、电子设备及存储介质，一方面，通过患者的参保信息和就诊数据，确定出患者的第一人群类别、疾病类型、第二人群类别及药品类型，在后续进行异常就诊的识别过程中，结合人群类别、疾病类型和药品类型，从多个维度进行了考虑，进而提高后续异常就诊识别过程中识别结果的准确率；另一方面，将目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果，及将第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果，结合目标患者的人群类别，从两个维度验证目标患者是否属于异常就诊，提高了异常就诊的识别结果的准确率；最后，当预设的第二就诊条件中存在第二预判结果时，确定目标患者为异常就诊，在确定目标患者为异常就诊后，向目标患者发送告警信息，告知目标患者不能使用医保卡进行就诊，同时向目标患者的看诊医生发送异常就诊的异常信息，提醒看诊医生确定开的处方是否正确，减少了就诊过程中的误差，提高了就诊的安全性。

附图说明

图1是本发明实施例一提供的异常就诊的识别方法的流程图。

图2是本发明实施例二提供的异常就诊的识别装置的结构图。

图3是本发明实施例三提供的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

图1是本发明实施例一提供的异常就诊的识别方法的流程图。

在本实施例中，所述异常就诊的识别方法可以应用于电子设备中，对于需要进行异常就诊的识别的电子设备，可以直接在电子设备上集成本发明的方法所提供的异常就诊的识别的功能，或者以软件开发工具包(softwaredevelopmentkit，sdk)的形式运行在电子设备中。

如图1所示，所述异常就诊的识别方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

s11，解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据。

本实施例中，所述就诊请求由电子设备向服务器发送，用于请求就诊，具体的，所述就诊请求可以由目标患者在就诊过程时，通过电子设备向服务器发送，如可以通过电子设备登录医疗机构，如医院医疗系统中的就诊子系统，在所述就诊子系统中向医疗系统服务器发送就诊请求。

本实施例中，所述就诊请求中携带有目标患者的参保信息和就诊数据，具体地，所述参保信息包含有目标患者的身份证号码、联系方式、社保号等其他可以确认目标患者身份的信息，所述就诊数据包含有疾病数据、药品数据等其他数据。

在一个可选的实施例中，所述解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据包括：

解析所述目标患者的就诊请求的报文，得到所述报文携带的报文信息；

从所述报文信息中获取所述目标患者的识别码；

根据所述目标患者的识别码确定所述参保信息的接口和所述就诊数据的接口；

调用所述参保信息的接口获取所述目标患者的参保信息，及调用所述就诊数据的接口获取所述目标患者的就诊数据。

本实施例中，所述目标患者的识别码可以为目标患者的社保号，也可以为目标患者的身份证号码或者目标患者的手机号码。

本实施例中，为了确保参保信息和就诊数据的正确性，从对应的接口同时获取参保信息和就诊数据，提升了参保信息和就诊数据的获取效率。

s12，根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据。

本实施例中，由于所述参保信息和就诊数据中包含有不同类型的数据，故对所述目标患者的参保信息和就诊数据进行归类，确定出所述目标患者的第一数据和第二数据。

在一个可选的实施例中，所述根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据包括：

识别所述目标患者的参保信息，确定所述目标患者的年龄和性别；

从预设的人群类别库中确定出与所述目标患者的年龄和性别匹配的第一人群类别和第二人群类别；

从所述就诊数据中提取关键信息，按照预设的格式转换规则对所述关键信息进行转换，得到转换后的关键信息；

按照预设的划分规则将所述转换后的关键信息划分为疾病数据和药品数据；

将所述第一人群类别和疾病数据确定为所述目标患者的第一数据，及将所述第二人群类别和药品数据确定为所述目标患者的第二数据。

具体地，所述第一人群类别是基于年龄和性别进行划分的，根据年龄把人群划分三类：儿童、年轻人和老年人，其中，儿童＜14岁，老年人＞60岁；根据性别把人群划分为两类：男性和女性。

所述第二人群类别是基于年龄和性别进行划分的，根据年龄把人群划分两类：儿童和成年人，其中，儿童＜14岁；根据性别把人群划分为两类：男性和女性。

在其他一些可选的实施例中，所述第一人群类别和所述第二人群类别也可以将女性划分为孕妇和未怀孕两种类别。

本实施例中，可以预先设置格式转换规则和划分规则，其中，所述预设的格式转换规则可以根据医疗通用格式设置，所述划分规则可以根据疾病属性和药品属性进行预先设置，例如，关键信息为咳嗽，将咳嗽划分到疾病数据中；关键信息为阿莫西林，将阿莫西林划分到药品数据中。

在其他一些可选的实施例中，所述疾病数据可以包括一个或者多个，及所述药品数据可以包括一个或者多个。

本实施例中，通过所述患者的参保信息和就诊数据，确定出所述患者的第一人群类别、疾病类型、第二人群类别及药品类型，在后续进行异常就诊的识别过程中，结合人群类别、疾病类型和药品类型，从多个维度进行了考虑，进而提高后续异常就诊识别过程中识别结果的准确率。

s13，将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果。

本实施例中，在确定了所述目标患者的第一人群类别及疾病数据后，将所述目标患者的第一人群类别及疾病数据输入至预先训练好的疾病类型模型中，得到所述目标患者的疾病类型，并将所述目标患者的疾病类型和第一人群类别确定为第一预判结果，并接收所述疾病类型预测模型输出的第一预判结果。

具体地，所述疾病类型预测模型的训练过程包括：

获取每个第一人群类别对应的多个患者；

提取每个患者的多个疾病数据及对应的疾病类型，形成数据集；

将所述数据集随机分为第一数量的训练集和第二数量的测试集；

将所述训练集中的多个疾病数据及对应的疾病类型输入至预设卷积神经网络中进行训练，得到疾病类型预测模型；

将所述测试集输入至所述疾病类型预测模型中进行测试，得到测试通过率；

判断所述测试通过率是否大于预设通过率阈值；

当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述疾病类型预测模型的训练；或者，当所述测试通过率小于所述预设通过率阈值时，增加所述训练集的数量，重新进行疾病类型预测模型的训练。

本实施例中，第一预判结果用以表征所述目标患者的疾病类型，将所述目标患者的第一人群类别和疾病类型确定为所述目标患者的第一预判结果。

具体地，所述疾病类型可以包括，但不限于以下一种或者多种组合：女性常见病；男性常见病；儿童常见病；年轻人常见病；老年人常见病。

本实施例中，针对多个第一人群类别，可以通过获取每个第一人群类别中的多个患者，及每个患者的多个疾病数据及对应的疾病类型来构建数据集。并在后续服务过程中，将目标患者的多个疾病数据及对应的疾病类型作为新的数据，以增加所述数据集的数量，并基于新的数据集来重新训练疾病类型预测模型。即，不断的更新疾病类型预测模型，从而不断的提高疾病类型预测的准确率。

s14，识别预设的第一就诊条件是否存在所述第一预判结果。

本实施例中，可以预先设置第一就诊条件，具体地，所述预设的第一就诊条件包括以下一种或者多种组合：

疾病类型为女性常见病，目标患者为男性；疾病类型为男性常见病，目标患者为女性；疾病类型为老年人常见病，目标患者为年轻人；疾病类型为年轻人常见病，目标患者为老年人；疾病类型为儿童病，目标患者为成年人；疾病类型为年轻人常见病，目标患者为儿童。

在其他一些可选的实施例中，所述预设的第一就诊条件的疾病类型为孕妇常见病，患者不是孕妇。

在一个可选的实施例中，所述识别预设的第一就诊条件是否存在所述第一预判结果包括：

将所述第一预判结果与所述预设的第一就诊条件进行匹配；

当在所述预设的第一就诊条件中匹配到与所述第一预判结果相匹配的第一就诊条件时，确定所述预设的第一就诊条件中存在所述第一预判结果；或者

当在所述预设的第一就诊条件中未匹配到与所述第一预判结果相匹配的第一就诊条件时，确定所述预设的第一就诊条件中不存在所述第一预判结果。

本实施例中，通过将所述目标患者的疾病类型和第一人群类别与预设的第一就诊条件进行匹配，根据匹配结果初步确定所述目标患者是否为异常就诊，无需要对疾病数据进行具体分析，直接得到异常就诊的预判结果，提高了异常就诊预判的识别效率。

s15，当所述预设的第一就诊条件中不存在所述第一预判结果时，将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果。

本实施例中，可以预先训练药品类型预测模块，具体地，所述药品类型预测模型的训练过程同所述疾病类型预测模型训练过程，在此不再详细阐述。

本实施例中，在得到所述第二人群类别和药品数据之后，将所述第二人群类别和药品数据输入至所述药品类型预测模型中，得到所述目标患者就诊用药的药品类型。

具体地，所述药品类型可以包括，但不限于以下一种或者多种：儿童禁用药品、儿童用药、女性用药、男性用药。

进一步地，所述方法还包括：

当所述预设的第一就诊条件中存在所述第一预判结果时，确定所述目标患者为异常就诊。

本实施例中，针对多个第二人群类别，可以通过获取每个第二人群类别中的多个患者，及每个患者的多个药品数据及对应的药品类型来构建数据集。并在后续服务过程中，将目标患者的多个药品数据及对应的药品类型作为新的数据，以增加所述数据集的数量，并基于新的数据集来重新训练药品类型预测模型。即，不断的更新药品类型预测模型，从而不断的提高药品类型预测的准确率。

s16，识别预设的第二就诊条件是否存在所述第二预判结果。

本实施例中，第二预判结果用以表征所述目标患者的药品类型，将所述目标患者的第二人群类别和药品类型确定为所述目标患者的第二预判结果。

具体地，所述预设的第二就诊条件包括以下一种或者多种组合：

药品类型为儿童禁用，目标患者为小儿；药品类型为小儿用药，目标患者为成年人；药品类型为女性用药，目标患者为男性；药品类型为男性用药，目标患者为女性。

在其他一些可选的实施例中，所述预设的第二就诊条件的药品类型为孕妇禁用，目标患者为孕妇。

在一个可选的实施例中，所述识别预设的第二就诊条件是否存在所述第二预判结果包括：

将所述第二预判结果与所述预设的第二就诊条件进行匹配；

当在所述预设的第二就诊条件中匹配到与所述第二预判结果相匹配的第二就诊条件时，确定所述预设的第二就诊条件中存在所述第二预判结果；或者

当在所述预设的第二就诊条件中未匹配到与所述第二预判结果相匹配的第二就诊条件时，确定所述预设的第二就诊条件中不存在所述第二预判结果。

本实施例中，在确定所述目标患者的疾病就诊不存在异常时，继续识别所述目标患者的药品就诊是否存在异常，通过将所述第二预判结果与所述预设的第二就诊条件进行匹配，根据匹配结果确定所述目标患者的药品就诊是否存在异常，结合所述目标患者的人群类别，从两个维度验证所述目标患者是否属于异常就诊，提高了异常就诊的识别结果的准确率。

s17，当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊。

本实施例中，所述异常就诊可以用以表征所述目标患者在就诊过程中是否借用他人医保卡，也可以用以表征医生开的就诊处方中存在疾病描述错误或者用药异常的现象。

进一步地，所述方法还包括：

当确定所述目标患者为异常就诊时，结束就诊，并按照预设的发送方式向所述目标患者发送告警信息及向所述目标患者对应的看诊医生发送所述异常就诊对应的异常信息。

s18，当所述预设的第二就诊条件中不存在所述第二预判结果时，确定所述目标患者为正常就诊，并继续执行就诊。

本实施例中，当确定所述目标患者为异常就诊时，向所述目标患者发送告警信息，告知所述目标患者不能使用所述医保卡进行就诊，同时向所述目标患者的看诊医生发送所述异常就诊的异常信息，提醒所述看诊医生确定开的处方是否正确，减少了就诊过程中的误差，提高了就诊的安全性。

在一些可替代的实施例中，所述方法包括：

解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据；

根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据；

将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果；

识别预设的第二就诊条件是否存在所述第二预判结果；

当所述预设的第二就诊条件中不存在所述第二预判结果时，将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果；

识别预设的第一就诊条件是否存在所述第一预判结果；

当所述预设的第一就诊条件中存在所述第一预判结果时，确定所述目标患者为异常就诊。

在一些可替代的实施例中，所述方法包括：

解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据；

根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据；

将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果，及将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果；

识别预设的第一就诊条件是否存在所述第一预判结果，及识别预设的第二就诊条件是否存在所述第二预判结果；

当所述预设的第一就诊条件中存在所述第一预判结果，和\或，当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊。

本实施例中，可以先识别就诊过程中所述目标患者的疾病类型是否异常，再识别就诊过程中所述目标患者的用药类型是否异常；也可以先识别就诊过程中所述目标患者的用药类型是否异常，再识别就诊过程中所述目标患者的疾病类型是否异常；也可以同时针对就诊过程中所述目标患者的疾病类型和药品类型进行就诊异常识别，提高了就诊异常识别的多样性。

综上所述，本实施例所述的异常就诊的识别方法，一方面，根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据，通过所述患者的参保信息和就诊数据，确定出所述患者的第一人群类别、疾病类型、第二人群类别及药品类型，在后续进行异常就诊的识别过程中，结合人群类别、疾病类型和药品类型，从多个维度进行了考虑，进而提高后续异常就诊识别过程中识别结果的准确率；另一方面，将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果，及将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果，结合所述目标患者的人群类别，从两个维度验证所述目标患者是否属于异常就诊，提高了异常就诊的识别结果的准确率；最后，当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊，在确定所述目标患者为异常就诊后，向所述目标患者发送告警信息，告知所述目标患者不能使用所述医保卡进行就诊，同时向所述目标患者的看诊医生发送所述异常就诊的异常信息，提醒所述看诊医生确定开的处方是否正确，减少了就诊过程中的误差，提高了就诊的安全性。

实施例二

图2是本发明实施例二提供的异常就诊的识别装置的结构图。

在一些实施例中，所述异常就诊的识别装置20可以包括多个由程序代码段所组成的功能模块。所述异常就诊的识别装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)异常就诊的识别的功能。

本实施例中，所述异常就诊的识别装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：解析模块201、第一确定模块202、第一输入模块203、第一识别模块204、第二输入模块205、第二识别模块206及第二确定模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

解析模块201，用于解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据。

本实施例中，所述就诊请求由电子设备向服务器发送，用于请求就诊，具体的，所述就诊请求可以由目标患者在就诊过程时，通过电子设备向服务器发送，如可以通过电子设备登录医疗机构，如医院医疗系统中的就诊子系统，在所述就诊子系统中向医疗系统服务器发送就诊请求。

本实施例中，所述就诊请求中携带有目标患者的参保信息和就诊数据，具体地，所述参保信息包含有目标患者的身份证号码、联系方式、社保号等其他可以确认目标患者身份的信息，所述就诊数据包含有疾病数据、药品数据等其他数据。

在一个可选的实施例中，所述解析模块201解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据包括：

解析所述目标患者的就诊请求的报文，得到所述报文携带的报文信息；

从所述报文信息中获取所述目标患者的识别码；

根据所述目标患者的识别码确定所述参保信息的接口和所述就诊数据的接口；

调用所述参保信息的接口获取所述目标患者的参保信息，及调用所述就诊数据的接口获取所述目标患者的就诊数据。

本实施例中，所述目标患者的识别码可以为目标患者的社保号，也可以为目标患者的身份证号码或者目标患者的手机号码。

本实施例中，为了确保参保信息和就诊数据的正确性，从对应的接口同时获取参保信息和就诊数据，提升了参保信息和就诊数据的获取效率。

第一确定模块202，用于根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据。

本实施例中，由于所述参保信息和就诊数据中包含有不同类型的数据，故对所述目标患者的参保信息和就诊数据进行归类，确定出所述目标患者的第一数据和第二数据。

在一个可选的实施例中，所述第一确定模块202根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据包括：

识别所述目标患者的参保信息，确定所述目标患者的年龄和性别；

从预设的人群类别库中确定出与所述目标患者的年龄和性别匹配的第一人群类别和第二人群类别；

从所述就诊数据中提取关键信息，按照预设的格式转换规则对所述关键信息进行转换，得到转换后的关键信息；

按照预设的划分规则将所述转换后的关键信息划分为疾病数据和药品数据；

将所述第一人群类别和疾病数据确定为所述目标患者的第一数据，及将所述第二人群类别和药品数据确定为所述目标患者的第二数据。

具体地，所述第一人群类别是基于年龄和性别进行划分的，根据年龄把人群划分三类：儿童、年轻人和老年人，其中，儿童＜14岁，老年人＞60岁；根据性别把人群划分为两类：男性和女性。

所述第二人群类别是基于年龄和性别进行划分的，根据年龄把人群划分两类：儿童和成年人，其中，儿童＜14岁；根据性别把人群划分为两类：男性和女性。

在其他一些可选的实施例中，所述第一人群类别和所述第二人群类别也可以将女性划分为孕妇和未怀孕两种类别。

本实施例中，可以预先设置格式转换规则和划分规则，其中，所述预设的格式转换规则可以根据医疗通用格式设置，所述划分规则可以根据疾病属性和药品属性进行预先设置，例如，关键信息为咳嗽，将咳嗽划分到疾病数据中；关键信息为阿莫西林，将阿莫西林划分到药品数据中。

在其他一些可选的实施例中，所述疾病数据可以包括一个或者多个，及所述药品数据可以包括一个或者多个。

本实施例中，通过所述患者的参保信息和就诊数据，确定出所述患者的第一人群类别、疾病类型、第二人群类别及药品类型，在后续进行异常就诊的识别过程中，结合人群类别、疾病类型和药品类型，从多个维度进行了考虑，进而提高后续异常就诊识别过程中识别结果的准确率。

第一输入模块203，用于将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果。

本实施例中，在确定了所述目标患者的第一人群类别及疾病数据后，将所述目标患者的第一人群类别及疾病数据输入至预先训练好的疾病类型模型中，得到所述目标患者的疾病类型，并将所述目标患者的疾病类型和第一人群类别确定为第一预判结果，并接收所述疾病类型预测模型输出的第一预判结果。

具体地，所述疾病类型预测模型的训练过程包括：

获取每个第一人群类别对应的多个患者；

提取每个患者的多个疾病数据及对应的疾病类型，形成数据集；

将所述数据集随机分为第一数量的训练集和第二数量的测试集；

将所述训练集中的多个疾病数据及对应的疾病类型输入至预设卷积神经网络中进行训练，得到疾病类型预测模型；

将所述测试集输入至所述疾病类型预测模型中进行测试，得到测试通过率；

判断所述测试通过率是否大于预设通过率阈值；

当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述疾病类型预测模型的训练；或者，当所述测试通过率小于所述预设通过率阈值时，增加所述训练集的数量，重新进行疾病类型预测模型的训练。

本实施例中，第一预判结果用以表征所述目标患者的疾病类型，将所述目标患者的第一人群类别和疾病类型确定为所述目标患者的第一预判结果。

具体地，所述疾病类型可以包括，但不限于以下一种或者多种组合：女性常见病；男性常见病；儿童常见病；年轻人常见病；老年人常见病。

本实施例中，针对多个第一人群类别，可以通过获取每个第一人群类别中的多个患者，及每个患者的多个疾病数据及对应的疾病类型来构建数据集。并在后续服务过程中，将目标患者的多个疾病数据及对应的疾病类型作为新的数据，以增加所述数据集的数量，并基于新的数据集来重新训练疾病类型预测模型。即，不断的更新疾病类型预测模型，从而不断的提高疾病类型预测的准确率。

第一识别模块204，用于识别预设的第一就诊条件是否存在所述第一预判结果。

本实施例中，可以预先设置第一就诊条件，具体地，所述预设的第一就诊条件包括以下一种或者多种组合：

疾病类型为女性常见病，目标患者为男性；疾病类型为男性常见病，目标患者为女性；疾病类型为老年人常见病，目标患者为年轻人；疾病类型为年轻人常见病，目标患者为老年人；疾病类型为儿童病，目标患者为成年人；疾病类型为年轻人常见病，目标患者为儿童。

在其他一些可选的实施例中，所述预设的第一就诊条件的疾病类型为孕妇常见病，患者不是孕妇。

在一个可选的实施例中，所述第一识别模块204识别预设的第一就诊条件是否存在所述第一预判结果包括：

将所述第一预判结果与所述预设的第一就诊条件进行匹配；

当在所述预设的第一就诊条件中匹配到与所述第一预判结果相匹配的第一就诊条件时，确定所述预设的第一就诊条件中存在所述第一预判结果；或者

当在所述预设的第一就诊条件中未匹配到与所述第一预判结果相匹配的第一就诊条件时，确定所述预设的第一就诊条件中不存在所述第一预判结果。

本实施例中，通过将所述目标患者的疾病类型和第一人群类别与预设的第一就诊条件进行匹配，根据匹配结果初步确定所述目标患者是否为异常就诊，无需要对疾病数据进行具体分析，直接得到异常就诊的预判结果，提高了异常就诊预判的识别效率。

第二输入模块205，用于当所述预设的第一就诊条件中不存在所述第一预判结果时，将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果。

本实施例中，可以预先训练药品类型预测模块，具体地，所述药品类型预测模型的训练过程同所述疾病类型预测模型训练过程，在此不再详细阐述。

本实施例中，在得到所述第二人群类别和药品数据之后，将所述第二人群类别和药品数据输入至所述药品类型预测模型中，得到所述目标患者就诊用药的药品类型。

具体地，所述药品类型可以包括，但不限于以下一种或者多种：儿童禁用药品，儿童用药、女性用药、男性用药。

进一步地，当所述预设的第一就诊条件中存在所述第一预判结果时，确定所述目标患者为异常就诊。

本实施例中，针对多个第二人群类别，可以通过获取每个第二人群类别中的多个患者，及每个患者的多个药品数据及对应的药品类型来构建数据集。并在后续服务过程中，将目标患者的多个药品数据及对应的药品类型作为新的数据，以增加所述数据集的数量，并基于新的数据集来重新训练药品类型预测模型。即，不断的更新药品类型预测模型，从而不断的提高药品类型预测的准确率。

第二识别模块206，用于识别预设的第二就诊条件是否存在所述第二预判结果。

本实施例中，第二预判结果用以表征所述目标患者的药品类型，将所述目标患者的第二人群类别和药品类型确定为所述目标患者的第二预判结果。

具体地，所述预设的第二就诊条件包括以下一种或者多种组合：

药品类型为儿童禁用，目标患者为小儿；药品类型为小儿用药，目标患者为成年人；药品类型为女性用药，目标患者为男性；药品类型为男性用药，目标患者为女性。

在其他一些可选的实施例中，所述预设的第二就诊条件的药品类型为孕妇禁用，目标患者为孕妇。

在一个可选的实施例中，所述第二识别模块206识别预设的第二就诊条件是否存在所述第二预判结果包括：

将所述第二预判结果与所述预设的第二就诊条件进行匹配；

当在所述预设的第二就诊条件中匹配到与所述第二预判结果相匹配的第二就诊条件时，确定所述预设的第二就诊条件中存在所述第二预判结果；或者

当在所述预设的第二就诊条件中未匹配到与所述第二预判结果相匹配的第二就诊条件时，确定所述预设的第二就诊条件中不存在所述第二预判结果。

本实施例中，在确定所述目标患者的疾病就诊不存在异常时，继续识别所述目标患者的药品就诊是否存在异常，通过将所述第二预判结果与所述预设的第二就诊条件进行匹配，根据匹配结果确定所述目标患者的药品就诊是否存在异常，结合所述目标患者的人群类别，从两个维度验证所述目标患者是否属于异常就诊，提高了异常就诊的识别结果的准确率。

第二确定模块207，用于当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊。

本实施例中，所述异常就诊用以表征所述目标患者在就诊过程中是否借用他人医保卡，也可以用以表征医生开的就诊处方中存在疾病描述错误或者用药异常的现象。

进一步地，当确定所述目标患者为异常就诊时，结束就诊，并按照预设的发送方式向所述目标患者发送告警信息及向所述目标患者对应的看诊医生发送所述异常就诊对应的异常信息。

进一步地，当所述预设的第二就诊条件中不存在所述第二预判结果时，确定所述目标患者为正常就诊，并继续执行就诊。

本实施例中，当确定所述目标患者为异常就诊时，向所述目标患者发送告警信息，告知所述目标患者不能使用所述医保卡进行就诊，同时向所述目标患者的看诊医生发送所述异常就诊的异常信息，提醒所述看诊医生确定开的处方是否正确，减少了就诊过程中的误差，提高了就诊的安全性。

在一些可替代的实施例中，所述方法包括：

解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据；

根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据；

将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果；

识别预设的第二就诊条件是否存在所述第二预判结果；

当所述预设的第二就诊条件中不存在所述第二预判结果时，将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果；

识别预设的第一就诊条件是否存在所述第一预判结果；

当所述预设的第一就诊条件中存在所述第一预判结果时，确定所述目标患者为异常就诊。

在一些可替代的实施例中，所述方法包括：

解析目标患者的就诊请求，以获取所述目标患者的参保信息和就诊数据；

根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据；

将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果，及将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果；

识别预设的第一就诊条件是否存在所述第一预判结果，及识别预设的第二就诊条件是否存在所述第二预判结果；

当所述预设的第一就诊条件中存在所述第一预判结果，和\或，当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊。

本实施例中，可以先识别就诊过程中所述目标患者的疾病类型是否异常，再识别就诊过程中所述目标患者的用药类型是否异常；也可以先识别就诊过程中所述目标患者的用药类型是否异常，再识别就诊过程中所述目标患者的疾病类型是否异常；也可以同时针对就诊过程中所述目标患者的疾病类型和药品类型进行就诊异常识别，提高了就诊异常识别的多样性。

综上所述，本实施例所述的异常就诊的识别装置，一方面，根据所述目标患者的参保信息和就诊数据，确定所述目标患者的第一数据和第二数据，其中，所述第一数据包含有第一人群类别和疾病数据，所述第二数据包含有第二人群类别和药品数据，通过所述患者的参保信息和就诊数据，确定出所述患者的第一人群类别、疾病类型、第二人群类别及药品类型，在后续进行异常就诊的识别过程中，结合人群类别、疾病类型和药品类型，从多个维度进行了考虑，进而提高后续异常就诊识别过程中识别结果的准确率；另一方面，将所述目标患者的第一人群类别和疾病数据输入至预先训练好的疾病类型预测模型中，输出第一预判结果，及将所述第二人群类别和药品数据输入至预先训练好的药品类型预测模型中，输出第二预判结果，结合所述目标患者的人群类别，从两个维度验证所述目标患者是否属于异常就诊，提高了异常就诊的识别结果的准确率；最后，当所述预设的第二就诊条件中存在所述第二预判结果时，确定所述目标患者为异常就诊，在确定所述目标患者为异常就诊后，向所述目标患者发送告警信息，告知所述目标患者不能使用所述医保卡进行就诊，同时向所述目标患者的看诊医生发送所述异常就诊的异常信息，提醒所述看诊医生确定开的处方是否正确，减少了就诊过程中的误差，提高了就诊的安全性。

实施例三

参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的异常就诊的识别装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(read-onlymemory，rom)、可编程只读存储器(programmableread-onlymemory，prom)、可擦除可编程只读存储器(erasableprogrammableread-onlymemory，eprom)、一次可编程只读存储器(one-timeprogrammableread-onlymemory，otprom)、电子擦除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(controlunit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的异常就诊的识别装置20)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到异常就诊的识别的目的。

示例性的，所述程序代码可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器31中，并由所述处理器32执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令在所述计算机设备3中的执行过程。例如，所述程序代码可以被分割成图2中的解析模块201、第一确定模块202、第一输入模块203、第一识别模块204、第二输入模块205、第二识别模块206及第二确定模块207，各模块具体功能参见实施例二。

在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现异常就诊的识别的功能。

具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。