一种智能导医方法、系统及存储介质与流程

本发明涉及医疗卫生领域，尤指一种智能导医方法、系统及存储介质。

背景技术：

传统的问诊模式都是去医院进行询问，这给多数的患者用户带来了很多不便，从而直接影响到患者的病情。随着互联网问诊行业的迅速发展，基于疾病知识图谱的智能导诊分诊系统在一定程度上向患者提供了就诊前的决策支持，缓解了患者“知症不知病、知病不知科”的现象。

目前的智能导诊多为通过患者输入当前的症状，利用患者所述症状和疾病给出疑似疾病判断，进而根据医生介绍中的擅长疾病推荐合适的科室与医生，对患者的健康状况、历史就医习惯考虑较少；但是患者的疾病状况判断是需要结合现病史及既往病史综合判断，仅考虑现病史会造成诊断和对疾病风险评估的不准确，有可能会贻误患者病情；而且对医生擅长的判断也仅靠医生介绍，对其实际业务能力考虑较少。

技术实现要素：

本发明的目的之一是为了克服现有技术中存在的至少部分不足，提供一种智能导医方法、系统及存储介质。

本发明提供的技术方案如下：

一种智能导医方法，包括：根据用户的登录信息和授权信息，获取所述用户在区域卫生平台的健康档案数据；根据所述用户的健康档案数据，获取对应的多个维度的患者特征标签，其中，所述多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签；根据所述多个维度的患者特征标签得到所述用户的患者健康画像；结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取所述用户的当前症状描述；根据所述用户的当前症状描述，得到所述用户的疑似诊断；根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源，所述医疗资源包括医院、科室和医生。

进一步优选的，所述结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取所述用户的当前症状描述，包括：根据所述用户的输入症状，结合预先构建的医学知识图谱及所述用户的患者健康画像进行针对性的症状问答，获取所述用户的当前症状描述。

进一步优选的，所述根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源之前，还包括：根据区域卫生平台的电子病历数据、每个医生的基本信息和科研统计数据，获取每个医生的多个维度的医生特征标签，所述多个维度的医生特征标签构成对应的医生画像；其中，所述多个维度的医生特征标签包括基本信息标签、临床业务水平标签、科研能力标签。

进一步优选的，所述获取对应的多个维度的患者特征标签包括：利用双向lstm与条件随机场的组合算法对所述健康档案数据进行处理，得到对应的多个维度的患者特征标签；所述获取每个医生的多个维度的医生特征标签包括：利用双向lstm与条件随机场的组合算法对所述电子病历数据进行处理，得到对应的多个维度的医生特征标签。

进一步优选的，所述多个维度的患者特征标签还包括就医习惯标签；所述根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源包括：根据所述用户的疑似诊断结果、所述用户的就医习惯标签和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源。

进一步优选的，所述根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源包括：当所述用户的疑似诊断结果为常见病时，向所述用户推荐基层医院的医疗资源；当所述用户的疑似诊断结果为疑难病时，向所述用户推荐业务能力最强的医疗资源。

本发明还提供一种智能导医系统，包括：患者数据获取模块，用于根据用户的登录信息和授权信息，获取所述用户在区域卫生平台的健康档案数据；患者画像生成模块，用于根据所述用户的健康档案数据，获取对应的多个维度的患者特征标签，其中，所述多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签；根据所述多个维度的患者特征标签得到所述用户的患者健康画像；疑似诊断模块，用于结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取所述用户的当前症状描述；根据所述用户的当前症状描述，得到所述用户的疑似诊断；医疗资源推荐模块，用于根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源，所述医疗资源包括医院、科室和医生。

进一步优选的，所述疑似诊断模块，进一步用于根据所述用户的输入症状，结合预先构建的医学知识图谱及所述用户的患者健康画像进行针对性的症状问答，获取所述用户的当前症状描述。

进一步优选的，还包括：医生画像生成模块，用于根据区域卫生平台的电子病历数据、每个医生的基本信息和科研统计数据，获取每个医生的多个维度的医生特征标签，所述多个维度的医生特征标签构成对应的医生画像；其中，所述多个维度的医生特征标签包括基本信息标签、临床业务水平标签、科研能力标签。

本发明还提供一种计算机可读存储介质，其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前述任意一项所述的智能导医方法。

通过本发明提供的一种智能导医方法、系统及存储介质，能够带来以下有益效果：

1、本发明基于区域卫生平台的大数据获取患者健康画像，根据用户的当前症状描述和患者健康画像获得更准确的疑似诊断，从而为用户就诊前提供更有效的导医推荐。

2、本发明结合患者病史、就医习惯、疾病严重程度、医疗机构及医生画像对患者进行就医推荐，为用户就诊前提供更有效的导医推荐，并且做到了“常见病就近推基层、疑难病精准推荐合适医院医生”，一定程度上缓解了三甲医院医生工作压力大的问题。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对一种智能导医方法、系统及存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明的一种智能导医方法的一个实施例的流程图；

图2是本发明的一种智能导医方法的另一个实施例的流程图；

图3是本发明的一种智能导医系统的一个实施例的结构示意图；

图4是本发明的一种智能导医系统的另一个实施例的结构示意图。

附图标号说明：

100.患者数据获取模块，200.患者画像生成模块，300.疑似诊断模块，400.医疗资源推荐模块，500.医生画像生成模块。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

在本发明的一个实施例中，如图1所示，一种智能导医方法，包括：

步骤s100根据用户的登录信息和授权信息，获取所述用户在区域卫生平台的健康档案数据。

步骤s200根据所述用户的健康档案数据，获取对应的多个维度的患者特征标签，其中，所述多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签。

步骤s300根据所述多个维度的患者特征标签得到所述用户的患者健康画像。

步骤s400结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取所述用户的当前症状描述。

步骤s500根据所述用户的当前症状描述，得到所述用户的疑似诊断。

步骤s600根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源，所述医疗资源包括医院、科室和医生。

具体的，首先用户登录本系统。如果是新用户登录，则要求先注册再登录，注册时要求输入用户实名、标识用户唯一身份的信息，比如身份证、医保卡卡号、手机号等。所以可以根据用户登录信息找到对应的注册信息，从而获得用户身份信息。

用户登录后，提示用户授权本系统调用该用户在区域卫生平台的健康档案数据。在获得用户的授权后，本系统才可以获取用户的健康档案数据，比如，用户的基本信息、历史就诊信息、体检信息等，了解用户的健康状况。通过设置用户授权，可以增加对用户信息的私密性保护，避免用户信息被不合理利用。

根据用户的健康档案数据，对数据进行关键信息提取处理，根据提取出的关键信息得到多个维度的患者特征标签。多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签。基本信息标签包括患者的性别、年龄等，疾病信息标签包括近期已患疾病(包括已治疗的和慢性病等)、近期手术信息、近期就诊次数等，反映了患者过往疾病情况。过敏信息标签包括是否过敏、过敏原等。用药信息包括是否存在药物过敏、是否长期服药、长期服药药品名等。家族病史标签包括遗传病，反映了潜在的疾病风险。根据这些多个维度的患者特征标签就可以得到患者健康画像。优选地，利用bilstm+crf(双向长短期记忆网络与条件随机场相结合)的深度学习算法对健康档案数据进行关键信息提取处理。bilstm+crf是一种命名实体识别(namedentityrecognition，简称ner)算法，能够从一大段文本中抽取出所需要的实体词(反应所需要的关键信息)。比如，从一个高血压患者的历史就诊记录中提取出“高血压”病症术语。根据各个患者特征标签的需要提取对应的关键信息，比如疾病信息标签需要提取病症术语、手术名称术语等信息，过敏信息标签需要提取过敏原等信息；用药信息标签需要提取药品名称等信息。

用户登录系统后，结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取用户的当前症状描述。比如，用户可以通过文字输入描述症状，系统对输入的文字进行语义理解，初步判断症状。如果根据用户的患者健康画像判断用户是一个各方面健康的患者时，则只要按普通正常用户继续进行症状引导和咨询。如果根据用户的患者健康画像判断用户是一个已有某种疾病的患者时，则需要考虑当前症状与已有疾病的关系；当存在互相影响时，则需要进一步问询已有疾病的表现症状，如此，获得一个较全面的病情信息。比如，针对一个普通感冒发烧用户，可以从体温、是否咳嗽、是否流涕、是否怕冷等常规方向进行问询；如果是一个高血压用户的发烧，则还需要进行更深入的问询，比如血压是否正常、是否头晕等。系统还可以提供语音输入方式，方便用户语音描述症状，本实施例不做限制。

优选地，根据所述用户的输入症状，结合预先构建的医学知识图谱及所述用户的患者健康画像进行针对性的症状问答，获取所述用户的当前症状描述。利用医学文献、医疗网站、电子病历数据进行医学知识抽取，并对所抽取的知识进行理解和加工，形成医学知识图谱并应用于智能问答，包括将医学专业术语与患者语言进行对应、推理症状与疾病间的对应关系和问答对话逻辑等。由于医学知识图谱相当于一个专家系统，所以能引导用户输入更全面、更有针对性的症状描述。

根据用户的当前症状描述，对用户进行疑似诊断。优先地，根据用户的当前症状描述，利用预先构建的医学知识图谱及所述用户的患者健康画像，对用户进行疑似诊断。

根据疑似诊断结果(即疑似疾病)，再去匹配区域卫生平台的各个医生画像。匹配的含义是指医生的业务要对口该疑似疾病。从业务上对口的医生资源中选择一个医疗资源推荐给用户。优选地，根据用户的就医习惯，从业务上对口的医生资源中选择一个用户常去的医院、业务对口的科室和该科室中用户反馈好评的或业务能力强的医生。进一步优先地，根据用户的疑似诊断结果，判断是否为常见病；如果是常见病，则向用户优先推荐基层医院的医疗资源；如果不是常见病，则进一步判断是否为疑难病；如果是疑难病，则向用户优先推荐业务能力最强的医疗资源，比如三甲医院中的业务对口科室和科室中业务能力最强的医生，比如主任级医生。这样，一方面，可以做到“小问题就近推基层，大问题推荐合适医院医生”，对三甲医院的病人进行就诊前分流，有效缓解了三甲医院医生的工作压力；另一方面，也可以降低用户的就诊成本、改善用户的就医体验。

本实施例，结合用户的患者健康画像，获取更全面的用户的当前症状描述，从而得到更准确的疑似诊断，从而为用户就诊前提供更有效的导医推荐。

在本发明的另一个实施例中，如图2所示，一种智能导医方法，包括：

步骤s000根据区域卫生平台的电子病历数据、每个医生的基本信息和科研统计数据，获取每个医生的多个维度的医生特征标签，所述多个维度的医生特征标签构成对应的医生画像；

其中，所述多个维度的医生特征标签包括基本信息标签、临床业务水平标签、科研能力标签。

具体的，利用区域卫生平台的电子病历数据，获取医生看诊的病人的疾病分布、预约量、门诊及住院病人数量、看诊病人的住院治疗平均费用、住院病人平均住院时间、治愈好转率等统计信息，根据这些统计信息和擅长疾病简介得到医生的临床业务水平标签。根据医生的基本信息，如年龄、学历、职称级别、所在医院及科室等，得到基本信息标签。根据发表论文数、专利发明数等，得到医生的科研能力标签。综合以上多个维度的医生特征标签，得到对应的医生画像。

优选地，利用bilstm+crf(双向长短期记忆网络与条件随机场相结合)的深度学习算法对电子病历数据进行患者所患疾病、就诊科室、问诊医生、入院时间、出院时间等关键信息的提取处理，对这些关键信息进行统计、分析，从而获取每个医生看诊的病人的疾病分布、预约量、门诊及住院病人数量、住院病人平均住院时间、治愈好转率等统计信息，得到医生的临床业务水平标签。

步骤s100根据用户的登录信息和授权信息，获取所述用户在区域卫生平台的健康档案数据。

步骤s210根据所述用户的健康档案数据，获取对应的多个维度的患者特征标签，其中，所述多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签、就医习惯标签和家族病史标签。

具体的，根据用户的健康档案数据，可以看出用户常去的医院，或某类疾病常去的医院和科室，或常看中医或西医，从而获得用户的就医习惯标签。

步骤s300根据所述多个维度的患者特征标签得到所述用户的患者健康画像。

步骤s410根据所述用户的输入症状，结合预先构建的医学知识图谱及所述用户的患者健康画像进行针对性的症状问答，获取所述用户的当前症状描述。

步骤s500根据所述用户的当前症状描述，得到所述用户的疑似诊断。

具体的，利用医学文献、医疗网站、电子病历数据进行医学知识抽取，并对所抽取的知识进行理解和加工，形成医学知识图谱并应用于智能问答，包括将医学专业术语与患者语言进行对应、推理症状与疾病间的对应关系和问答对话逻辑等。由于医学知识图谱相当于一个专家系统，所以能引导用户输入更全面、更有针对性的症状描述。

根据用户的当前症状描述，对用户进行疑似诊断。优先地，根据用户的当前症状描述，利用预先构建的医学知识图谱及所述用户的患者健康画像，对用户进行疑似诊断。

步骤s610根据所述用户的疑似诊断结果、所述用户的就医习惯标签和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源，所述医疗资源包括医院、科室和医生。

具体的，根据用户的就医习惯，从业务上对口的医生资源中优选用户常去的医院，在常去的医院中选择业务对口的科室和该科室中用户反馈好评的或业务能力强的医生。

进一步优先地，根据用户的疑似诊断结果，判断是否为常见病；如果是常见病，则向用户优先推荐基层医院的医疗资源；如果不是常见病，则进一步判断是否为疑难病；如果是疑难病，则向用户优先推荐业务能力最强的医疗资源。医院、科室和医生构成一组医疗资源。医疗资源的业务能力可用医生业务能力、科室业务能力和医院能力的加权求和来评估，得分最高的一组医疗资源即为业务能力最强的医疗资源。这样，可以做到“小问题就近推基层，大问题推荐合适医院医生”，对三甲医院的病人进行就诊前分流，有效缓解了三甲医院医生的工作压力。

本实施例，结合患者病史、就医习惯、疾病严重程度、医疗机构及医生画像对患者进行就医推荐，为用户就诊前提供更有效的导医推荐，并且做到了“常见病就近推基层、疑难病精准推荐合适医院医生”，一定程度上缓解了三甲医院医生工作压力大的问题。

在本发明的一个实施例中，如图3所示，一种智能导医系统，包括：

患者数据获取模块100，用于根据用户的登录信息和授权信息，获取所述用户在区域卫生平台的健康档案数据。

患者画像生成模块200，用于根据所述用户的健康档案数据，获取对应的多个维度的患者特征标签，其中，所述多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签；根据所述多个维度的患者特征标签得到所述用户的患者健康画像。

疑似诊断模块300，用于结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取所述用户的当前症状描述；根据所述用户的当前症状描述，得到所述用户的疑似诊断。

医疗资源推荐模块400，用于根据所述用户的疑似诊断结果和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源，所述医疗资源包括医院、科室和医生。

具体的，首先用户登录本系统。如果是新用户登录，则要求先注册再登录，注册时要求输入用户实名、标识用户唯一身份的信息，比如身份证、医保卡卡号、手机号等。所以可以根据用户登录信息找到对应的注册信息，从而获得用户身份信息。

用户登录后，提示用户授权本系统调用该用户在区域卫生平台的健康档案数据。在获得用户的授权后，本系统才可以获取用户的健康档案数据，比如，用户的基本信息、历史就诊信息、体检信息等，了解用户的健康状况。通过设置用户授权，可以增加对用户信息的私密性保护，避免用户信息被不合理利用。

根据用户的健康档案数据，对数据进行关键信息提取处理，根据提取出的关键信息得到多个维度的患者特征标签。多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签。基本信息标签包括患者的性别、年龄等，疾病信息标签包括近期已患疾病(包括已治疗的和慢性病等)、近期手术信息、近期就诊次数等，反映了患者过往疾病情况。过敏信息标签包括是否过敏、过敏原等。用药信息包括是否存在药物过敏、是否长期服药、长期服药药品名等。家族病史标签包括遗传病，反映了潜在的疾病风险。根据这些多个维度的患者特征标签就可以得到患者健康画像。优选地，利用bilstm+crf(双向长短期记忆网络与条件随机场相结合)的深度学习算法对健康档案数据进行关键信息提取处理。bilstm+crf是一种命名实体识别(namedentityrecognition，简称ner)算法，能够从一大段文本中抽取出所需要的实体词(反应所需要的关键信息)。比如，从一个高血压患者的历史就诊记录中提取出“高血压”病症术语。根据各个患者特征标签的需要提取对应的关键信息，比如疾病信息标签需要提取病症术语、手术名称术语等信息，过敏信息标签需要提取过敏原等信息；用药信息标签需要提取药品名称等信息。

用户登录系统后，结合所述用户的患者健康画像，通过智能问答的人机对话形式，获取用户的当前症状描述。比如，用户可以通过文字输入描述症状，系统对输入的文字进行语义理解，初步判断症状。如果根据用户的患者健康画像判断用户是一个各方面健康的患者时，则只要按普通正常用户继续进行症状引导和咨询。如果根据用户的患者健康画像判断用户是一个已有某种疾病的患者时，则需要考虑当前症状与已有疾病的关系；当存在互相影响时，则需要进一步问询已有疾病的表现症状，如此，获得一个较全面的病情信息。比如，针对一个普通感冒发烧用户，可以从体温、是否咳嗽、是否流涕、是否怕冷等常规方向进行问询；如果是一个高血压用户的发烧，则还需要进行更深入的问询，比如血压是否正常、是否头晕等。系统还可以提供语音输入方式，方便用户语音描述症状，本实施例不做限制。

优选地，根据所述用户的输入症状，结合预先构建的医学知识图谱及所述用户的患者健康画像进行针对性的症状问答，获取所述用户的当前症状描述。利用医学文献、医疗网站、电子病历数据进行医学知识抽取，并对所抽取的知识进行理解和加工，形成医学知识图谱并应用于智能问答，包括将医学专业术语与患者语言进行对应、推理症状与疾病间的对应关系和问答对话逻辑等。由于医学知识图谱相当于一个专家系统，所以能引导用户输入更全面、更有针对性的症状描述。

根据用户的当前症状描述，对用户进行疑似诊断。优先地，根据用户的当前症状描述，利用预先构建的医学知识图谱及所述用户的患者健康画像，对用户进行疑似诊断。

根据疑似诊断结果(即疑似疾病)，再去匹配区域卫生平台的各个医生画像。匹配的含义是指医生的业务要对口该疑似疾病。从业务上对口的医生资源中选择一个医疗资源推荐给用户。优选地，根据用户的就医习惯，从业务上对口的医生资源中选择一个用户常去的医院、业务对口的科室和该科室中用户反馈好评的或业务能力强的医生。进一步优先地，根据用户的疑似诊断结果，判断是否为常见病；如果是常见病，则向用户优先推荐基层医院的医疗资源；如果不是常见病，则进一步判断是否为疑难病；如果是疑难病，则向用户优先推荐业务能力最强的医疗资源，比如三甲医院中的业务对口科室和科室中业务能力最强的医生，比如主任级医生。这样，一方面，可以做到“小问题就近推基层，大问题推荐合适医院医生”，对三甲医院的病人进行就诊前分流，有效缓解了三甲医院医生的工作压力；另一方面，也可以降低用户的就诊成本、改善用户的就医体验。

本实施例，结合用户的患者健康画像，获取更全面的用户的当前症状描述，从而得到更准确的疑似诊断，从而为用户就诊前提供更有效的导医推荐。

在本发明的另一个实施例中，如图4所示，一种智能导医系统，包括：

医生画像生成模块500，用于根据区域卫生平台的电子病历数据、每个医生的基本信息和科研统计数据，获取每个医生的多个维度的医生特征标签，所述多个维度的医生特征标签构成对应的医生画像；其中，所述多个维度的医生特征标签包括基本信息标签、临床业务水平标签、科研能力标签。

具体的，利用区域卫生平台的电子病历数据，获取医生看诊的病人的疾病分布、预约量、门诊及住院病人数量、看诊病人的住院治疗平均费用、住院病人平均住院时间、治愈好转率等统计信息，根据这些统计信息和擅长疾病简介得到医生的临床业务水平标签。根据医生的基本信息，如年龄、学历、职称级别、所在医院及科室等，得到基本信息标签。根据发表论文数、专利发明数等，得到医生的科研能力标签。综合以上多个维度的医生特征标签，得到对应的医生画像。

优选地，利用bilstm+crf(双向长短期记忆网络与条件随机场相结合)的深度学习算法对电子病历数据进行患者所患疾病、就诊科室、问诊医生、入院时间、出院时间等关键信息的提取处理，对这些关键信息进行统计、分析，从而获取每个医生看诊的病人的疾病分布、预约量、门诊及住院病人数量、住院病人平均住院时间、治愈好转率等统计信息，得到医生的临床业务水平标签。

患者数据获取模块100，用于根据用户的登录信息和授权信息，获取所述用户在区域卫生平台的健康档案数据。

患者画像生成模块200，用于根据所述用户的健康档案数据，获取对应的多个维度的患者特征标签，其中，所述多个维度的患者特征标签包括基本信息标签、疾病信息标签、过敏信息标签、用药信息标签和家族病史标签；根据所述多个维度的患者特征标签得到所述用户的患者健康画像。

具体的，利用区域卫生平台的电子病历数据，获取医生看诊的病人的疾病分布、预约量、门诊及住院病人数量、看诊病人的住院治疗平均费用、住院病人平均住院时间、治愈好转率等统计信息，根据这些统计信息和擅长疾病简介得到医生的临床业务水平标签。根据医生的基本信息，如年龄、学历、职称级别、所在医院及科室等，得到基本信息标签。根据发表论文数、专利发明数等，得到医生的科研能力标签。综合以上多个维度的医生特征标签，得到对应的医生画像。

优选地，利用bilstm+crf(双向长短期记忆网络与条件随机场相结合)的深度学习算法对电子病历数据进行患者所患疾病、就诊科室、问诊医生、入院时间、出院时间等关键信息的提取处理，对这些关键信息进行统计、分析，从而获取每个医生看诊的病人的疾病分布、预约量、门诊及住院病人数量、住院病人平均住院时间、治愈好转率等统计信息，得到医生的临床业务水平标签。

疑似诊断模块300，用于根据所述用户的输入症状，结合预先构建的医学知识图谱及所述用户的患者健康画像进行针对性的症状问答，获取所述用户的当前症状描述；根据所述用户的当前症状描述，得到所述用户的疑似诊断。

具体的，利用医学文献、医疗网站、电子病历数据进行医学知识抽取，并对所抽取的知识进行理解和加工，形成医学知识图谱并应用于智能问答，包括将医学专业术语与患者语言进行对应、推理症状与疾病间的对应关系和问答对话逻辑等。由于医学知识图谱相当于一个专家系统，所以能引导用户输入更全面、更有针对性的症状描述。

根据用户的当前症状描述，对用户进行疑似诊断。优先地，根据用户的当前症状描述，利用预先构建的医学知识图谱及所述用户的患者健康画像，对用户进行疑似诊断。

医疗资源推荐模块400，用于根据所述用户的疑似诊断结果、所述用户的就医习惯标签和所述区域卫生平台的各个医生画像，向所述用户推荐合适的医疗资源，所述医疗资源包括医院、科室和医生。

具体的，根据用户的就医习惯，从业务上对口的医生资源中优选用户常去的医院，在常去的医院中选择业务对口的科室和该科室中用户反馈好评的或业务能力强的医生。

进一步优先地，根据用户的疑似诊断结果，判断是否为常见病；如果是常见病，则向用户优先推荐基层医院的医疗资源；如果不是常见病，则进一步判断是否为疑难病；如果是疑难病，则向用户优先推荐业务能力最强的医疗资源。医院、科室和医生构成一组医疗资源。医疗资源的业务能力可用医生业务能力、科室业务能力和医院能力的加权求和来评估，得分最高的一组医疗资源即为业务能力最强的医疗资源。这样，可以做到“小问题就近推基层，大问题推荐合适医院医生”，对三甲医院的病人进行就诊前分流，有效缓解了三甲医院医生的工作压力。

本实施例，结合患者病史、就医习惯、疾病严重程度、医疗机构及医生画像对患者进行就医推荐，为用户就诊前提供更有效的导医推荐，并且做到了“常见病就近推基层、疑难病精准推荐合适医院医生”，一定程度上缓解了三甲医院医生工作压力大的问题。

在本发明的一个实施例中，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现如前述实施例记载的智能导医方法。也即是，当前述本发明实施例对现有技术做出贡献的技术方案的部分或全部通过计算机软件产品的方式得以体现时，前述计算机软件产品存储在一个计算机可读存储介质中。所述计算机可读存储介质可以为任意可携带计算机程序代码实体装置或设备。譬如，所述计算机可读存储介质可以是u盘、移动磁盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器等。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。