本发明涉及医疗领域，具体而言，涉及就诊任务智能调度方法及系统。
背景技术：
随着科技的不断进步，医疗技术也得到了长足的发展，医院的各项诊疗设备不断更新，医生诊断水平日益提高。与此同时，随着人民生活水平的不断提高，人们对于医疗服务的要求也越来越高。为了更好地满足患者的需求，为患者提供最准确的诊疗服务，在为患者确定医生的时候，需要对患者的诊疗历史进行了解，以作参考，进而为患者分配最优的医生。
但发明人发现，目前为患者分配就诊的方式并不理想。
技术实现要素：
本发明的目的在于提供就诊任务智能调度方法。
第一方面，本发明实施例提供了一种就诊任务智能调度方法，包括：
获取目标用户的就医请求，所述就医请求中携带有目标用户的身份标识、生物认证数据、即时病情说明和请求就医科目；
在数据库中查找与身份标识相对应的生物标准数据；
判断生物标准数据和生物认证数据的相似度是否超过预设的第一阈值；
若是，则在数据库中查找与身份标识相对应的第一电子版历史数据，所述第一电子版历史数据包括诊疗时间、诊疗地点、诊疗项目、诊疗过程和诊疗结果；
获取目标用户所提供的纸质版历史数据；
对纸质版历史数据进行拍照以获取历史数据照片；
对所述历史数据照片进行文字识别，以获取第二电子版历史数据，所述第二电子版历史数据包括诊疗时间、诊疗地点、诊疗项目、诊疗过程和诊疗结果；
根据第一电子版历史数据确定目标用户的第一病理分析结果；
根据第二电子版历史数据确定目标用户的第二病理分析结果；
根据第一电子版历史数据的诊疗时间的连续程度和诊疗时间所在的时间段确定第一病理分析结果所对应的第一权值；
根据第二电子版历史数据的诊疗时间的连续程度和诊疗时间所在的时间段确定第二病理分析结果所对应的第二权值；
按照加权求平均的方式，根据第一病理分析结果、第二病理分析结果、第一权值和第二权值确定参考病理分析结果，所述参考病理分析结果包括每次的发病时间、治疗时间、治疗结果、治疗过程、治疗周期和就医科目；
采用大数据分析的方式，在数据库中查找与参考病理分析结果的匹配程度符合预设要求的诊疗档案作为候选诊疗档案；
判断候选诊疗档案的数量是否超过预设的第二阈值，若否，则降低第一阈值，并重新执行步骤所述在数据库中查找与参考病理分析结果的匹配程度超过第一阈值的候选诊疗档案；若是，则根据每个候选诊疗档案中的治疗周期和治疗结果，计算每个候选诊疗档案诊疗成功概率；
根据诊疗成功概率确定推荐就医科目；
根据第一病理分析结果确定第一就医紧急程度；
根据第二病理分析结果和即时病情说明确定第二就医紧急程度；
若推荐就医科目与请求就医科目相同，则依据第一查找规则，根据与请求就医科目相对应的第二医院中目标诊室的排队情况和诊疗成功率，在数据库中查找第一目标医院；所述目标诊室是与推荐就医科目相对应的；
若推荐就医科目与请求就医科目不相同，则判断第一就医紧急程度或第二就医紧急程度中是否有至少一个超过预设阈值；若是，则向目标用户发出提示信息；若否，则依据第二查找规则，根据与请求就医科目相对应的第一医院中目标诊室的排队情况、诊疗成功率和第一就医紧急程度，在数据库中查找第一目标医院；
调取第一目标医院中多个目标诊室的视频数据；
按照时间顺序，从所述视频数据中提取多帧图像，时间相邻的两个图像之间间隔预定的时间长度；
根据多帧图像的相似度，每个所述目标诊室的实际排队程度；
根据获取到的目标诊室的预约情况，确定每个目标诊室的理论排队程度；
根据实际排队程度和理论排队程度确定目标用户的目标就医诊室；
将就医请求、第一电子版历史数据和第二电子版历史数据向目标就医诊室中的诊室端发送。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，步骤采用大数据分析的方式，在数据库中查找与参考病理分析结果的匹配程度符合预设要求的诊疗档案作为候选诊疗档案包括：
按照预设的第一算法计算每个诊疗档案与参考病理分析结果的第一相似度，以及按照预设的第二算法计算每个诊疗档案的治疗合理程度值；
根据诊疗档案的诊疗地点，将全部诊疗档案进行分组，每组诊疗档案中的诊疗档案的诊疗地点均相同；
采用最大似然估计的方式，根据第一相似度和治疗合理程度值，计算每个档案组的最大似然估计值；
根据每组的最大似然估计值，确定指定的一组或多组中的诊疗档案为候选诊疗档案。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，步骤根据每组的最大似然估计值，确定指定的一组或多组中的诊疗档案为候选诊疗档案包括：
若全部候选诊疗档案的最大似然估计值的分布符合预设的条件，则将最大似然估计值超过预设阈值的诊疗档案组中的诊疗档案作为候选诊疗档案；
若全部候选诊疗档案的最大似然估计值的分布不符合预设的条件，则根据重新调整第一算法和第二算法的计算条件，并执行步骤按照预设的第一算法计算每个诊疗档案与参考病理分析结果的第一相似度，以及按照预设的第二算法计算每个诊疗档案的治疗合理程度值。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，对所述历史数据照片进行文字识别，以获取第二电子版历史数据包括：
对历史数据照片按照不同的二值化阈值进行至少两次二值化处理，以得到不同二值化阈值所对应的第一识别图；
按照如下方式分别对每个第一识别图上的字符块进行文字识别，以确定每个第一识别图的文字识别结果：将第一模板图分别与每个第一识别图上的字符块重合，以确定字符块上的每个第一参考点与模板图中字符骨架点的之间的最近参考距离，并根据最近参考距离和每个字符骨架点的权值所对应的权值确定字符块；第一参考点是灰度值超过预定阈值的点；所述第一模板图是根据医生笔记数据库进行大数据分析后得到的。
分别从医生语义分析数据库和患者语义分析数据库中调取医生语义分析模型和患者语义分析模型；
分别对每个文字识别结果使用医生语义分析模型和患者语义分析模型进行语义分析，以确定第二电子版历史数据。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，字符骨架点包括骨架点和外围点，所述骨架点的权值为全部参考点中最高的，全部的所述骨架点形成了所述第一模板图中的图形的基本形状；所述外围点的权值与目标距离呈负相关性，所述目标距离是外围点与最接近的一个骨架点之间的距离。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，还包括：
按照如下方式确定每个外围点的权值：
按照不同的二值化阈值，对目标候选图分别进行多次二值化处理，以得到不同二值化阈值所对应的第二识别图；
按照如下方式对每个外围点赋予权值，第一外围点的权值高于第二外围点的权值，其中，第一外围点是使用较低二值化阈值进行二值化处理得到的第二识别图中的基准外围点；第二外围点是使用较高二值化阈值进行二值化处理得到的第二识别图中的外围点中，非基准外围点的外围点。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，步骤分别对每个文字识别结果使用医生语义分析模型和患者语义分析模型进行语义分析，以确定第二电子版历史数据包括：
对每个文字识别结果使用医生语义分析模型进行分析，以得到多个第一分析结果；
对每个文字识别结果使用患者语义分析模型进行分析，以得到多个第二分析结果；
将第一分析结果与标准数据库中的医生语义标准模板进行对比，得到第二相似度；以及将第一分析结果与标准数据库中的患者语义标准模板进行对比，得到第三相似度；
将第二分析结果与标准数据库中的医生语义标准模板进行对比，得到第四相似度；以及将第二分析结果与标准数据库中的患者语义标准模板进行对比，得到第五相似度；
判断是否同时满足第一条件和第二条件，第一条件是第二相似度、第三相似度、第四相似度和第五相似度中的最大值超过预定阈值；第二条件是第二相似度、第三相似度、第四相似度和第五相似度中的最大值和第二大值的差值小于预定阈值；
若是，则根据第二相似度、第三相似度、第四相似度和第五相似度中最大值所对应的分析结果确定；若否，则根据纸质版历史数据的年份重新调整相似度计算规则。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述就医请求是进行过加密的。
结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述医生语义分析模型的更新周期为1天。
第二方面，本发明实施例还提供了一种就诊任务调度系统，包括系统端和诊室端；
所述系统端，用于按照如第一方面的方法执行相应的操作；
所述诊室端，用于在接收并显示就医请求、第一电子版历史数据和第二电子版历史数据。
本发明实施例提供的就诊任务智能调度方法，通过对用户所提供的历史数据和系统中记录的历史数据进行分析，得到推荐就医科目，并结合了患者所提供的请求就医科目来确定指定医院作为候选，而后又通过图像识别和数据分析的方式为用户确定了较为合理的就医诊室，并将作为参考的就医请求、第一电子版历史数据和第二电子版历史数据向诊室发送，进而某种程度上，提高了为用户分配诊室的合理程度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请所提供的方法所适用的系统的架构图；
图2示出了本申请所提供的方法所使用的字符模板的具体样式示意图；
图3示出了本申请所提供的方法所使用的字符模板的显示有骨架的示意图；
图4示出了本申请所提供的方法所使用的字符模板的含有骨架点和外围点的示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关技术中，通常会采用用户到指定的医院进行挂号的方式来为用户分配指定的科室进行诊疗，后续过程中也出现了用户通过网络预约的方式来进行诊疗，但，这种方式并不理想，主要是选择科室完全由用户来定夺，但由于用户本身并不是专业的医生，因此选择的并不必然正确。
针对该种情况，本申请提供了一种就诊任务智能调度方法，包括如下步骤：
获取目标用户的就医请求，所述就医请求中携带有目标用户的身份标识、生物认证数据、即时病情说明和请求就医科目；
在数据库中查找与身份标识相对应的生物标准数据；
判断生物标准数据和生物认证数据的相似度是否超过预设的第一阈值；
若是，则在数据库中查找与身份标识相对应的第一电子版历史数据，所述第一电子版历史数据包括诊疗时间、诊疗地点、诊疗项目、诊疗过程和诊疗结果；
获取目标用户所提供的纸质版历史数据；
对纸质版历史数据进行拍照以获取历史数据照片；
对所述历史数据照片进行文字识别，以获取第二电子版历史数据，所述第二电子版历史数据包括诊疗时间、诊疗地点、诊疗项目、诊疗过程和诊疗结果；
根据第一电子版历史数据确定目标用户的第一病理分析结果；
根据第二电子版历史数据确定目标用户的第二病理分析结果；
根据第一电子版历史数据的诊疗时间的连续程度和诊疗时间所在的时间段确定第一病理分析结果所对应的第一权值；
根据第二电子版历史数据的诊疗时间的连续程度和诊疗时间所在的时间段确定第二病理分析结果所对应的第二权值；
按照加权求平均的方式，根据第一病理分析结果、第二病理分析结果、第一权值和第二权值确定参考病理分析结果，所述参考病理分析结果包括每次的发病时间、治疗时间、治疗结果、治疗过程、治疗周期和就医科目；
采用大数据分析的方式，在数据库中查找与参考病理分析结果的匹配程度符合预设要求的诊疗档案作为候选诊疗档案；
判断候选诊疗档案的数量是否超过预设的第二阈值，若否，则降低第一阈值，并重新执行步骤所述在数据库中查找与参考病理分析结果的匹配程度超过第一阈值的候选诊疗档案；若是，则根据每个候选诊疗档案中的治疗周期和治疗结果，计算每个候选诊疗档案诊疗成功概率；
根据诊疗成功概率确定推荐就医科目；
根据第一病理分析结果确定第一就医紧急程度；
根据第二病理分析结果和即时病情说明确定第二就医紧急程度；
若推荐就医科目与请求就医科目相同，则依据第一查找规则，根据与请求就医科目相对应的第二医院中目标诊室的排队情况和诊疗成功率，在数据库中查找第一目标医院；所述目标诊室是与推荐就医科目相对应的；
若推荐就医科目与请求就医科目不相同，则判断第一就医紧急程度或第二就医紧急程度中是否有至少一个超过预设阈值；若是，则向目标用户发出提示信息；若否，则依据第二查找规则，根据与请求就医科目相对应的第一医院中目标诊室的排队情况、诊疗成功率和第一就医紧急程度，在数据库中查找第一目标医院；
调取第一目标医院中多个目标诊室的视频数据；
按照时间顺序，从所述视频数据中提取多帧图像，时间相邻的两个图像之间间隔预定的时间长度；
根据多帧图像的相似度，每个所述目标诊室的实际排队程度；
根据获取到的目标诊室的预约情况，确定每个目标诊室的理论排队程度；
根据实际排队程度和理论排队程度确定目标用户的目标就医诊室；
将就医请求、第一电子版历史数据和第二电子版历史数据向目标就医诊室中的诊室端发送。
其中，目标就医请求通常是用户通过自己所控制的设备发出的，该设备如pc、移动终端等智能电子设备。
就医请求中所携带的身份标识、生物认证数据、即时病情说明和请求就医科目是由用户提供的，具体的，可以是系统自动在用户所操作的设备上显示表格和引导信息，以便于用户针对性的填写。
身份标识可以是用户的身份证信息、识别码等能够讲用户与其他用户区分开的信息。生物认证数据如指纹数据或者是虹膜数据，用户可以通过终端进行采集，并将采集到的数据上传到系统。即时病情说明通常是由用户所提供的，但应当知晓的是即时病情说明只能作为参考，因为用户所提供的意见并不足够准确。类似的，请求就医科目也是由用户所提供的，同样准确性较差。
生物标准数据是与生物认证数据相对应的，二者的类型应当是相同的。
判断生物标准数据和生物认证数据的相似度是否超过预设的第一阈值，也就是看这两个数据是否足够相似，如果是的话，则可以执行后续步骤。
第一电子版历史数据指的是用户之前就医时所记录的情况，与第二电子版历史数据相比，第一电子版历史数据通常是由医院方直接以电子信息的方式录入到系统中的，而第二电子版历史数据则是用户看病时所持的病历本上的记载得到的。
病理分析结果指的是具体诊病的过程和结果。
采用大数据分析的方式，在数据库中查找与参考病理分析结果的匹配程度符合预设要求的诊疗档案作为候选诊疗档案。该步骤实际上是在数据库中查找哪些用户诊病的过程与当前的用户相似，如果相似，则可以作为参考。比如可以选择类似的一个治疗成功的患者的诊疗过程作为参考，以此来提高成功率。
推荐就医科目是依据大数据、模型进行理论分析后得到的结果。还应当适当的考虑用户自己的选择，即，还应当考虑请求就医科目。因此，最后计算的时候是根据某一种具体算法来计算的，当然，权值可以进行相应的调整。
并且，单纯的凭借医院的预约系统来确定诊室的就医人数是不够准确的。因而，本方案中，采用了摄像头进行视频捕捉的方式，通过图像对比来确定了诊室中人员的实际数量，并且结合预约的人数来更为精确的判断在哪个诊室就医的排队时间更短。进而，为用户推荐目标就医诊室，并最终将所需要的就医请求、第一电子版历史数据和第二电子版历史数据向目标就医诊室中的诊室端发送。诊室端是设置在目标就医诊室中的智能设备。
在进行多帧图像的相似度识别时，可以通过具体像素对比的方式来确定图像中移动的前景图像，并且，可以通过对前景图像进行特征分析来确定前景图像中有多少行人。
优选的，在数据库中查找与参考病理分析结果的匹配程度符合预设要求的诊疗档案作为候选诊疗档案包括：
按照预设的第一算法计算每个诊疗档案与参考病理分析结果的第一相似度，以及按照预设的第二算法计算每个诊疗档案的治疗合理程度值；
根据诊疗档案的诊疗地点，将全部诊疗档案进行分组，每组诊疗档案中的诊疗档案的诊疗地点均相同；
采用最大似然估计的方式，根据第一相似度和治疗合理程度值，计算每个档案组的最大似然估计值；
根据每组的最大似然估计值，确定指定的一组或多组中的诊疗档案为候选诊疗档案。
其中，使用第一算法的目的是确定出和参考病理分析结果最为相似的诊疗档案，合理程度值指的是可以参考该诊疗档案的价值，影响治疗合理程度值的要素主要有治疗结果和病情，治疗结果越好，则治疗合理程度值越高，病情越相似，则治疗合理程度值越高。
对诊疗档案进行分组的主要目的是划分区域/医院，如果档案组中有不同区域的档案，则估计其概率没有意义，依然无法确定应当到哪个地点进行就医。因此，后续过程中则采用最大似然估计的方式来确定档案组的最大似然估计值，也就是确定哪个档案组的结果更好(该数值可以表征治疗成功率)。最后，将最为理想的档案确定为候选诊疗档案即可。
优选的，步骤根据每组的最大似然估计值，确定指定的一组或多组中的诊疗档案为候选诊疗档案包括：
若全部候选诊疗档案的最大似然估计值的分布符合预设的条件，则将最大似然估计值超过预设阈值的诊疗档案组中的诊疗档案作为候选诊疗档案；
若全部候选诊疗档案的最大似然估计值的分布不符合预设的条件，则根据重新调整第一算法和第二算法的计算条件，并执行步骤按照预设的第一算法计算每个诊疗档案与参考病理分析结果的第一相似度，以及按照预设的第二算法计算每个诊疗档案的治疗合理程度值。
判断全部候选诊疗档案的最大似然估计值的是否分布符合预设的条件，主要是看最大似然估计值是否和历史记录较为相似，因为某个地区或医院的成功率，或者是不同医院之间的成功概率之比一般是不会过度变化的，因此，可以借助历史记录来分辨之前的计算是否有误。
还可以是依据数值的相对大小来判断，主要是因为同一个类型(如同一个区域/同一个级别)不同医院之间的医疗条件基本相同，因此，计算出的结果也应当是基本相同的。因此，可以采用此种方式来验证计算结果的是否准确。
优选的，对所述历史数据照片进行文字识别，以获取第二电子版历史数据包括：
对历史数据照片按照不同的二值化阈值进行至少两次二值化处理，以得到不同二值化阈值所对应的第一识别图；
按照如下方式分别对每个第一识别图上的字符块进行文字识别，以确定每个第一识别图的文字识别结果：将第一模板图分别与每个第一识别图上的字符块重合，以确定字符块上的每个第一参考点与模板图中字符骨架点的之间的最近参考距离，并根据最近参考距离和每个字符骨架点的权值所对应的权值确定字符块；第一参考点是灰度值超过预定阈值的点；所述第一模板图是根据医生笔记数据库进行大数据分析后得到的。
分别从医生语义分析数据库和患者语义分析数据库中调取医生语义分析模型和患者语义分析模型；
分别对每个文字识别结果使用医生语义分析模型和患者语义分析模型进行语义分析，以确定第二电子版历史数据。
优选的，字符骨架点包括骨架点和外围点，所述骨架点的权值为全部参考点中最高的，全部的所述骨架点形成了所述第一模板图中的图形的基本形状；所述外围点的权值与目标距离呈负相关性，所述目标距离是外围点与最接近的一个骨架点之间的距离。
优选的，本申请所提供的方法，还包括：
按照如下方式确定每个外围点的权值：
按照不同的二值化阈值，对目标候选图分别进行多次二值化处理，以得到不同二值化阈值所对应的第二识别图；
按照如下方式对每个外围点赋予权值，第一外围点的权值高于第二外围点的权值，其中，第一外围点是使用较低二值化阈值进行二值化处理得到的第二识别图中的基准外围点；第二外围点是使用较高二值化阈值进行二值化处理得到的第二识别图中的外围点中，非基准外围点的外围点。
如图2所示，示出了模板的具体样式，该模板可以是任意一个数字，但考虑到医生的笔迹可能有特点，因此，可以预先专门为医生建立标准字符库，该标准字符库中的字符可以作为模板使用。
如图3所示，骨架区域指的是图形中最内部的小区域，非骨架区域则是前景区域中，除骨架区域的部分。同时，骨架区域应当能够正确的反映出图形的基本形状，如图3中所示，图形6中内部的白色部分为其骨架，骨架所呈现的图形仍然是6，并且骨架是包含在非骨架区域内部的。也可以说，识别结果图分为两部分，一部分是骨架区域，一部分是外围区域，其中外围区域包含非骨架区域和背景区域。
如图4所示，示出了模板图(左图)转化为骨架点和外围点图(右图)的图示，图4中，越接近图3中的骨架区域的点的权值越高。使用不同阈值进行二值化能够得到的图像的区域不同，进而，可以通过这种阶梯式二值化的方式来为新出现的区域中的外围点赋予权值。
优选的，步骤分别对每个文字识别结果使用医生语义分析模型和患者语义分析模型进行语义分析，以确定第二电子版历史数据包括：
对每个文字识别结果使用医生语义分析模型进行分析，以得到多个第一分析结果；
对每个文字识别结果使用患者语义分析模型进行分析，以得到多个第二分析结果；
将第一分析结果与标准数据库中的医生语义标准模板进行对比，得到第二相似度；以及将第一分析结果与标准数据库中的患者语义标准模板进行对比，得到第三相似度；
将第二分析结果与标准数据库中的医生语义标准模板进行对比，得到第四相似度；以及将第二分析结果与标准数据库中的患者语义标准模板进行对比，得到第五相似度；
判断是否同时满足第一条件和第二条件，第一条件是第二相似度、第三相似度、第四相似度和第五相似度中的最大值超过预定阈值；第二条件是第二相似度、第三相似度、第四相似度和第五相似度中的最大值和第二大值的差值小于预定阈值；
若是，则根据第二相似度、第三相似度、第四相似度和第五相似度中最大值所对应的分析结果确定；若否，则根据纸质版历史数据的年份重新调整相似度计算规则。
其中，进行语义分析的时候，设置两个语义模型的目的是更为准确的对词句进行分析。这主要是考虑到医生所使用的专业性词汇很多，如果不单独建立语义模型的话，分析得出的结果可能是很荒谬的，并且，由于患者可能来自不同的区域，不同地区的方言又有一定的差别，因此，还可以根据地域的不同来对语义模型进行适当的调整，或者是在最后判断的过程中，主要以医生语义分析结果为主。
第二相似度、第三相似度、第四相似度和第五相似度中的最大值超过预定阈值主要是为了考察相似度最高的是否足够可信，如果相似度的最大值依旧很低，则不可信，结果不可采纳。
类似的，由于有两个医生语义分析结果的相似度，和两个患者语义分析结果的相似度，因此，同类型的语义分析结果的相似度应当是一致的，不会造成某一个相似度很高，其余几个都很低的情况，因此，可以利用该特点对其进行判断。
优选的，所述就医请求是进行过加密的。
优选的，所述医生语义分析模型的更新周期为1天。
基于上述方法，本申请还提供了一种就诊任务调度系统，包括系统端和诊室端；
所述系统端，用于按照如上述方法执行相应的操作；
所述诊室端，用于在接收并显示就医请求、第一电子版历史数据和第二电子版历史数据。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。