本發(fā)明涉及智能醫(yī)療，具體涉及一種基于大模型的智能門診分診方法及系統(tǒng)。

背景技術(shù)：

1、醫(yī)療門診分診是優(yōu)化醫(yī)療資源分配、保障患者安全的關(guān)鍵環(huán)節(jié)。然而，當前門診分診面臨嚴峻挑戰(zhàn)：一方面，傳統(tǒng)人工分診高度依賴分診人員的臨床經(jīng)驗和主觀判斷，導(dǎo)致分診結(jié)果存在明顯的個體差異性和主觀偏差，不同醫(yī)護人員對同一患者的分診結(jié)果往往存在顯著差異，一致性難以保障；另一方面，在高峰期人員密集情況下，人工分診效率低下，容易造成患者滯留，增加潛在風險。

2、目前國際上廣泛采用的分診標準如esi（急診嚴重度指數(shù)）、ctas（加拿大急診分診急迫度量表）、mts（曼徹斯特分診系統(tǒng)）和ats（澳大利亞分診量表）等，均存在各自固有局限性：esi以資源消耗預(yù)測為核心，但對臨床急迫性的動態(tài)變化捕捉不足，特別是對老年患者和非典型癥狀表現(xiàn)的敏感度不夠；ctas雖有嚴格的時間響應(yīng)框架，但對多系統(tǒng)癥狀的復(fù)雜患者評估缺乏靈活性，且對慢性疾病急性加重的評估準確度有限；mts采用癥狀導(dǎo)向算法，但在面對多癥狀并存的復(fù)雜病例時決策路徑不明確，且缺乏對預(yù)后風險的評估維度；ats則因其設(shè)計初衷針對澳大利亞醫(yī)療環(huán)境，在不同醫(yī)療文化背景和資源配置模式下適應(yīng)性存在差異；綜上，各個分診標準適應(yīng)性不高。

技術(shù)實現(xiàn)思路

1、本發(fā)明通過將患者的患者結(jié)構(gòu)化數(shù)據(jù)送入門診分診模型進行處理，確定患者對應(yīng)的分診優(yōu)先級，并基于患者對應(yīng)的分診優(yōu)先級對患者執(zhí)行分診操作，無需醫(yī)護人員根據(jù)經(jīng)驗判斷；在門診分診模型中融入四種不同的判斷標準，并且通過多標準特征提取層、特征傳遞層、差異互補增強層提升四種不同判斷標準視角下的特征信息表達效果和特征信息融合效果，使得門診分診模型能夠適配于較多臨床場景，面向復(fù)雜的患者情況具備更高的適應(yīng)性。

2、本發(fā)明提供一種基于大模型的智能門診分診方法，包括：

3、將患者結(jié)構(gòu)化數(shù)據(jù)送入門診分診模型進行處理，輸出患者對應(yīng)的分診優(yōu)先級；

4、門診分診模型包括多標準特征提取層、特征傳遞層、差異互補增強層、多標準評分處理層、權(quán)重投票層和分診優(yōu)先級輸出層，其中多標準特征提取層用于基于知識圖譜數(shù)據(jù)針對患者結(jié)構(gòu)化數(shù)據(jù)分別進行不同分支的特征提取，構(gòu)建對應(yīng)的esi特征數(shù)據(jù)、ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)；特征傳遞層用于通過雙向門控單元對esi特征數(shù)據(jù)、ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)之間進行特征傳遞，構(gòu)建對應(yīng)的esi強化特征數(shù)據(jù)、ctas強化特征數(shù)據(jù)、mts強化特征數(shù)據(jù)和ats強化特征數(shù)據(jù)；差異互補增強層用于對esi強化特征數(shù)據(jù)、ctas強化特征數(shù)據(jù)、mts強化特征數(shù)據(jù)和ats強化特征數(shù)據(jù)進行差異分析，并以得到的差異信息對esi強化特征數(shù)據(jù)、ctas強化特征數(shù)據(jù)、mts強化特征數(shù)據(jù)和ats強化特征數(shù)據(jù)進行補強，構(gòu)建特征判斷分析向量；多標準評分處理層用于基于特征判斷分析向量構(gòu)建對應(yīng)的esi評分、ctas評分、mt評分和ats評分；權(quán)重投票層用于根據(jù)對應(yīng)的投票權(quán)重對esi評分、ctas評分、mt評分和ats評分進行加權(quán)投票操作，得到分診優(yōu)先級；分診優(yōu)先級輸出層用于輸出分診優(yōu)先級。

5、優(yōu)選地，通過多標準特征提取層構(gòu)建對應(yīng)的esi特征數(shù)據(jù)、ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)，具體包括如下步驟：

6、多標準特征提取層中內(nèi)置esi特征提取單元、ctas特征提取單元、mts特征提取單元和ats特征提取單元，分別用于進行不同分支的特征提??；

7、將esi特征提取單元、ctas特征提取單元、mts特征提取單元和ats特征提取單元中的任意一個特征提取單元記為目標特征提取單元，針對目標特征提取單元執(zhí)行如下步驟：在目標特征提取單元中，遍歷患者結(jié)構(gòu)化數(shù)據(jù)，從目標特征提取單元對應(yīng)的知識圖譜中查詢相關(guān)的知識圖譜三元組，并將所有相關(guān)的知識圖譜三元組組成知識圖譜特征圖，再通過目標特征提取單元進行特征提取的過程中，基于患者結(jié)構(gòu)化數(shù)據(jù)和知識圖譜特征圖執(zhí)行自注意力機制，且以知識圖譜特征圖構(gòu)建對應(yīng)的查詢向量；通過特征提取單元完成特征提取操作后，輸出對應(yīng)的esi特征數(shù)據(jù)、ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)。

8、優(yōu)選地，通過特征傳遞層構(gòu)建對應(yīng)的esi強化特征數(shù)據(jù)、ctas強化特征數(shù)據(jù)、mts強化特征數(shù)據(jù)和ats強化特征數(shù)據(jù)，具體包括如下步驟：

9、在esi特征數(shù)據(jù)、ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)中的任意兩個特征數(shù)據(jù)之間構(gòu)建雙向門控單元；

10、針對esi特征數(shù)據(jù)，從其余三個ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)中任意選擇一個作為目標特征數(shù)據(jù)，在esi特征數(shù)據(jù)和目標特征數(shù)據(jù)之間的雙向門控單元中執(zhí)行如下內(nèi)容：將esi特征數(shù)據(jù)和目標特征數(shù)據(jù)進行拼接，記為整體特征數(shù)據(jù)z，針對整體特征數(shù)據(jù)進行遺忘門計算：ft=σ（wfz+bf），其中ft為遺忘門向量，σ為sigmoid函數(shù)，wf為遺忘門權(quán)重矩陣，bf為遺忘門偏置值，針對整體特征數(shù)據(jù)進行輸入門計算：it=σ（wiz+bi），其中it為輸入門向量，wi為輸入門權(quán)重矩陣，bi為輸入門偏置值，通過如下公式完成特征傳遞：g=ft*r+it*r，其中g(shù)為esi特征數(shù)據(jù)對應(yīng)的esi特征傳遞數(shù)據(jù)，r為目標特征數(shù)據(jù)，*為點積操作；將esi特征數(shù)據(jù)對應(yīng)的三個esi特征傳遞數(shù)據(jù)進行加權(quán)求和后與esi特征數(shù)據(jù)進行殘差連接，得到對應(yīng)的esi強化特征數(shù)據(jù)；遍歷esi特征數(shù)據(jù)、ctas特征數(shù)據(jù)、mts特征數(shù)據(jù)和ats特征數(shù)據(jù)，構(gòu)建對應(yīng)的esi強化特征數(shù)據(jù)、ctas強化特征數(shù)據(jù)、mts強化特征數(shù)據(jù)和ats強化特征數(shù)據(jù)。

11、優(yōu)選地，通過差異互補增強層構(gòu)建特征判斷分析向量，具體包括如下步驟：

12、將esi強化特征數(shù)據(jù)、ctas強化特征數(shù)據(jù)、mts強化特征數(shù)據(jù)和ats強化特征數(shù)據(jù)分別送入語義映射網(wǎng)絡(luò)中進行處理，輸出對應(yīng)的esi強化特征向量、ctas強化特征向量、mts強化特征向量和ats強化特征向量；

13、將esi強化特征向量、ctas強化特征向量、mts強化特征向量和ats強化特征向量進行求和平均計算，得到平均特征向量，再將esi強化特征向量、ctas強化特征向量、mts強化特征向量和ats強化特征向量分別與平均特征向量進行差分計算，構(gòu)建對應(yīng)的esi差分特征向量、ctas差分特征向量、mts差分特征向量和ats差分特征向量，針對esi強化特征向量、ctas強化特征向量、mts強化特征向量和ats強化特征向量分別執(zhí)行自注意力機制，并以對應(yīng)的esi差分特征向量、ctas差分特征向量、mts差分特征向量和ats差分特征向量構(gòu)建對應(yīng)的查詢向量，得到esi待融合特征向量、ctas待融合特征向量、mts待融合特征向量和ats待融合特征向量，再將esi待融合特征向量、ctas待融合特征向量、mts待融合特征向量和ats待融合特征向量按照通道拼接后執(zhí)行卷積操作，得到特征判斷分析向量。

14、優(yōu)選地，通過權(quán)重投票層得到分診優(yōu)先級，具體包括如下步驟：

15、根據(jù)esi評分、ctas評分、mt評分和ats評分從決策向量庫中確定esi評分、ctas評分、mt評分和ats評分對應(yīng)的決策向量；在esi評分、ctas評分、mt評分和ats評分的末尾添加對應(yīng)的決策向量，構(gòu)建對應(yīng)的esi決策分析向量、ctas決策分析向量、mt決策分析向量和ats決策分析向量，再將esi決策分析向量、ctas決策分析向量、mt決策分析向量和ats決策分析向量送入多層感知器進行處理，輸出對應(yīng)的投票權(quán)重，并根據(jù)對應(yīng)的投票權(quán)重對esi評分、ctas評分、mt評分和ats評分進行加權(quán)投票操作，得到分診優(yōu)先級。

16、優(yōu)選地，針對門診分診模型進行訓(xùn)練，具體包括如下步驟：

17、獲取若干份門診分診訓(xùn)練樣本，門診分診訓(xùn)練樣本中包括患者結(jié)構(gòu)化數(shù)據(jù)，通過分診優(yōu)先級對門診分診訓(xùn)練樣本進行標注，將所有標注好的門診分診訓(xùn)練樣本組成門診分診訓(xùn)練集，通過門診分診訓(xùn)練集對門診分診模型進行訓(xùn)練，訓(xùn)練期間，以標注的分診優(yōu)先級作為訓(xùn)練目標，判斷是否滿足訓(xùn)練條件，若是滿足訓(xùn)練條件，輸出訓(xùn)練好的門診分診模型；否則，通過門診分診訓(xùn)練集繼續(xù)對門診分診模型進行訓(xùn)練。

18、本發(fā)明還提供一種基于大模型的智能門診分診系統(tǒng)，包括：

19、數(shù)據(jù)采集模塊，用于獲取患者的基本信息、主訴數(shù)據(jù)和基本生命體征數(shù)據(jù)，針對患者的基本信息、主訴數(shù)據(jù)和基本生命體征數(shù)據(jù)進行預(yù)處理，構(gòu)建對應(yīng)的患者結(jié)構(gòu)化數(shù)據(jù)；

20、門診分診模塊，用于將患者結(jié)構(gòu)化數(shù)據(jù)送入門診分診模型進行處理，輸出患者對應(yīng)的分診優(yōu)先級。

21、本發(fā)明具有以下優(yōu)點：

22、本發(fā)明通過將患者的患者結(jié)構(gòu)化數(shù)據(jù)送入門診分診模型進行處理，確定患者對應(yīng)的分診優(yōu)先級，并基于患者對應(yīng)的分診優(yōu)先級對患者執(zhí)行分診操作，無需醫(yī)護人員根據(jù)經(jīng)驗判斷；在門診分診模型中融入四種不同的判斷標準，并且通過多標準特征提取層、特征傳遞層、差異互補增強層提升四種不同判斷標準視角下的特征信息表達效果和特征信息融合效果，使得門診分診模型能夠適配于較多臨床場景，面向復(fù)雜的患者情況具備更高的適應(yīng)性。