一种基于智慧社区的智慧医疗系统的制作方法

专利2022-05-09  83



1.本发明属于智能医疗领域,涉及大数据技术,具体是一种基于智慧社区的智慧医疗系统。


背景技术:

2.随着经济的发展,现代人的生活水平越来越高,生活节奏也越来越快,很多人的身体出现了异常,但由于工作繁忙和医院就诊过程的繁琐,经常一拖再拖,影响正常的工作和生活,甚至造成不可挽回的悲剧。
3.公开号为cn110491484a的发明专利提供了一种基于智慧社区的智慧医疗系统及实现方法,包括就医服务平台、数据处理平台、医疗服务平台、消息服务系统、预约系统和历史就诊查询系统;所述数据处理平台包括病症就诊归类库、智能推荐系统、个人病情历史数据系统;所述医疗服务平台包括医疗资源配置系统和就诊结果反馈系统;所述医疗资源配置系统包括体检项目模块和专家模块。
4.上述方案能够方便用户在线提交病情,采用丰富的医疗数据库对病症进行初步诊断,节省了大量的就诊时间,同时,使用户对自身的病情有更加清晰的认识,加快了就诊时医生与患者关于病情的沟通,减少了不必要的排队时间;但是,上述方案虽然设置了比较齐全的系统结构,但是没有充分利用大数据、物联网和人工智能的优势,导致上述方案中采集到的数据不能被充分利用,不能充分利用网络资源为用户提供医疗服务;因此,上述方案仍需进一步改进。


技术实现要素:

5.为了解决上述方案存在的问题,本发明提供了一种基于智慧社区的智慧医疗系统。
6.本发明的目的可以通过以下技术方案实现:一种基于智慧社区的智慧医疗系统,包括处理器、身份认证模块、病情初筛模块、在线预约模块、医院就诊模块、管理服务模块和数据存储模块;
7.所述处理器与用户的智能终端通信连接;所述智能终端包括智能手机、平板电脑和笔记本电脑;
8.所述病情初筛模块用于对用户提交的病情记录进行初步筛选,包括:
9.用户通过智能终端提交病情记录至处理器,所述处理器接收到病情记录之后将病情记录分别发送至数据存储模块和病情初筛模块;所述病情记录包括姓名、时间、病情说明和病情图像;
10.通过数据存储模块获取说明识别模型;
11.将病情记录中的病情说明进行数据预处理之后输入至说明识别模型获取输出结果,并将输出结果标记为第一标签;所述第一标签为病情记录中病情说明对应的疾病标签;
12.通过数据存储模块获取图像识别模型;
13.将病情记录中的病情图像经过图像预处理之后输入至图像识别模型获取输出结果,并将输出结果标记为第二标签;所述第二标签为病情记录中的病情图像对应的疾病标签;
14.对第一标签和第二标签的一致性进行分析,当二者一致时,则将目标标签发送至在线预约模块;当二者中的疾病编码一致时,则将病情记录发送至疾病编码对应的医师;当二者不一致时,则发送病情记录验证信号至用户的智能终端;所述目标标签为第一标签和第二标签中的任意一个;
15.通过处理器将目标标签发送至数据存储模块进行存储。
16.优选的,所述在线预约模块根据目标标签进行在线挂号,包括:
17.当在线预约模块接收到目标标签之后获取目标标签中疾病编码对应疾病的致死率、感染率和续发率,并分别将致死率、感染率和续发率标记为zl、gl和xl;
18.通过公式jpx=α1
×
zl
×
gl
×
ln(α2
×
xl)获取疾病评价系数jpx;其中α1和α2为比例系数,且α1为大于0的实数,α2为大于1的实数;
19.当疾病评价系数jpx满足l2≤jpx时,则判定对应用户的疾病等级为严重,则生成立即挂号信号;当疾病评价系数jpx满足l1≤jpx<l2时,则判定对应用户的疾病等级为紧急,发送病情紧急信号至对应用户的智能终端,用户接收到病情紧急信号且同意立即挂号之后,通过用户的智能终端发送立即挂号信号至在线预约模块;当疾病评价系数jpx满足0<jpx<l1时,则判定对应用户的疾病等级为良好;其中l1和l2为疾病评价系数阈值,且l1和l2均通过大数据模拟获得;
20.当在线预约模块接收到立即挂号信号之后,按照立即挂号信号的获取时间为用户挂号并对应生成排队号码,并将排队号码发送至对应用户的智能终端,且当用户已经通过排队号码就诊时,则对排队号码进行及时更新,并将更新之后的排队号码发送至对应用户的智能终端;
21.通过处理器将疾病评价系数、立即挂号信号的生成记录和接收记录发送至数据存储模块进行存储。
22.优选的,所述医院就诊模块用于记录用户在医院的就诊记录,包括:
23.用户通过排队号码至医院进行就诊;
24.医院就诊模块根据医生诊断信息和用户的身份验证信息生成电子病历;所述医生诊断信息包括病情详细情况、医嘱和药方;
25.将电子病历打印成纸质病历给对应的用户,同时建立用户的就诊数据库;所述就诊数据库包括用户姓名、性别、年龄、用户手机号和用户的电子病历;
26.通过处理器将就诊数据库发送至数据存储模块进行存储。
27.优选的,所述管理服务模块用于分析就诊记录,包括:
28.通过数据存储模块获取就诊记录;所述就诊记录包括就诊时间、患者姓名、患者年龄和患病类型;所述患病类型包括皮肤病、骨科病、心血管疾病和慢性病;
29.根据就诊记录获取患病类型对应的统计清单;所述统计清单包括患病类型、患病用户总数、患病用户年龄和患病用户手机号;
30.当医院中有对应患病类型的药品促销时,则将药品价格及药品总量发送至对应患病用户手机号;
31.当医院中有特约专家坐诊时,则将特约专家的坐诊时间和职业生涯发送至对应患病用户手机号;
32.通过处理器将统计清单发送至数据存储模块进行存储。
33.优选的,所述说明识别模型的具体获取步骤包括:
34.获取医学书籍上的疾病说明,并获取疾病说明对应的疾病标签;所述疾病标签包括疾病编码和行号;
35.构建深度卷积神经网络模型;
36.将疾病说明和疾病标签经过数据预处理之后按照设定比例划分为训练集和测试集;所述设定比例包括3:1、3:2和4:1;
37.通过训练集和测试集对深度卷积神经网络模型进行训练和测试,当迭代次数和学习精度达到要求时,则判定深度卷积神经网络模型训练完成,将训练完成的深度卷积神经网络模型标记为识别模型;
38.通过处理器将识别模型发送至数据存储模块进行存储。
39.优选的,所述图像识别模型的具体获取步骤包括:
40.通过互联网获取疾病图像,并为疾病图像设置对应的疾病标签;
41.构建误差逆向传播神经网络模型;
42.将疾病图像经过图像预处理之后按照设定比例划分为训练集和测试集;
43.通过训练集和测试集对误差逆向传播神经网络模型进行训练和测试,当迭代次数和学习精度达到要求时,则判定误差逆向传播神经网络模型训练完成,将训练完成的误差逆向传播神经网络模型标记为图像识别模型;
44.通过处理器将图像识别模型发送至数据存储模块进行存储。
45.优选的,所述身份认证模块用于完成用户的验证注册,包括:
46.用户通过智能终端发送身份验证信息至身份验证模块;所述身份验证信息包括用户姓名、用户手机号、身份证图像和居住地址;
47.身份认证模块接收到身份验证信息之后对身份验证信息中的用户姓名和身份证图像进行一致性判断,当二者一致时,则通过处理器连接社区居民数据库;所述社区居民数据库包括居民住址以及居民住址对应的居民姓名;
48.通过居住地址与社区居民数据库中居民住址对应的居民姓名,当居民姓名中至少有一个与用户姓名一致时,则判定身份验证信息验证成功,通过处理器发送验证码至用户手机号,用户手机号反馈正确的验证码之后即判定用户完成注册,并生成用户账户;
49.通过处理器将用户账户分别发送至数据存储模块和用户手机号。
50.优选的,所述处理器分别与身份认证模块、病情初筛模块、在线预约模块、医院就诊模块、管理服务模块和数据存储模块通信连接;所述管理服务模块分别与数据存储模块和医院就诊模块通信连接,所述病情初筛模块分别与身份认证模块和在线预约模块通信连接,所述在线预约模块和医院就诊模块通信连接。
51.与现有技术相比,本发明的有益效果是:
52.1、本发明设置了病情初筛模块,该设置用于对用户提交的病情记录进行初步筛选;用户通过智能终端提交病情记录至处理器,所述处理器接收到病情记录之后将病情记录分别发送至数据存储模块和病情初筛模块;通过数据存储模块获取说明识别模型;将病
情记录中的病情说明进行数据预处理之后输入至说明识别模型获取输出结果,并将输出结果标记为第一标签;通过数据存储模块获取图像识别模型;将病情记录中的病情图像经过图像预处理之后输入至图像识别模型获取输出结果,并将输出结果标记为第二标签;对第一标签和第二标签的一致性进行分析,当二者一致时,则将目标标签发送至在线预约模块;当二者中的疾病编码一致时,则将病情记录发送至疾病编码对应的医师;当二者不一致时,则发送病情记录验证信号至用户的智能终端;通过处理器将目标标签发送至数据存储模块进行存储;病情初筛模块将用户的病情记录、说明识别模型和图像识别模型结合起来对用户的病情进行初步筛选,保证了病情初筛的准确度,有助于提高用户看病的效率;
53.2、本发明设置了在线预约模块,该设置根据目标标签进行在线挂号;在线预约模块根据疾病的致死率、感染率和续发率获取疾病评价系数,根据疾病评价系数来为用户在线挂号,并根据用户线下就诊的记录对排队号码进行实时更新,有助于提高挂号效率,减少医院的工作量,同时减少用户时间的浪费;
54.3、本发明设置了医院就诊模块,该设置用于记录用户在医院的就诊记;用户通过排队号码至医院进行就诊;医院就诊模块根据医生诊断信息和用户的身份验证信息生成电子病历;将电子病历打印成纸质病历给对应的用户,同时建立用户的就诊数据库;医院就诊模块为用户生成电子病历和就诊数据库,有助于用户对自身病情的了解,方便对用户病情的追溯。
附图说明
55.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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
56.图1为本发明的原理示意图。
具体实施方式
57.下面将结合实施例对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
58.请参阅图1,一种基于智慧社区的智慧医疗系统,包括处理器、身份认证模块、病情初筛模块、在线预约模块、医院就诊模块、管理服务模块和数据存储模块;
59.处理器与用户的智能终端通信连接;智能终端包括智能手机、平板电脑和笔记本电脑;
60.病情初筛模块用于对用户提交的病情记录进行初步筛选,包括:
61.用户通过智能终端提交病情记录至处理器,处理器接收到病情记录之后将病情记录分别发送至数据存储模块和病情初筛模块;病情记录包括姓名、时间、病情说明和病情图像;
62.通过数据存储模块获取说明识别模型;
63.将病情记录中的病情说明进行数据预处理之后输入至说明识别模型获取输出结果,并将输出结果标记为第一标签;第一标签为病情记录中病情说明对应的疾病标签;
64.通过数据存储模块获取图像识别模型;
65.将病情记录中的病情图像经过图像预处理之后输入至图像识别模型获取输出结果,并将输出结果标记为第二标签;第二标签为病情记录中的病情图像对应的疾病标签;
66.对第一标签和第二标签的一致性进行分析,当二者一致时,则将目标标签发送至在线预约模块;当二者中的疾病编码一致时,则将病情记录发送至疾病编码对应的医师;当二者不一致时,则发送病情记录验证信号至用户的智能终端;目标标签为第一标签和第二标签中的任意一个;
67.通过处理器将目标标签发送至数据存储模块进行存储。
68.进一步地,在线预约模块根据目标标签进行在线挂号,包括:
69.当在线预约模块接收到目标标签之后获取目标标签中疾病编码对应疾病的致死率、感染率和续发率,并分别将致死率、感染率和续发率标记为zl、gl和xl;
70.通过公式jpx=α1
×
zl
×
gl
×
ln(α2
×
xl)获取疾病评价系数jpx;其中α1和α2为比例系数,且α1为大于0的实数,α2为大于1的实数;
71.当疾病评价系数jpx满足l2≤jpx时,则判定对应用户的疾病等级为严重,则生成立即挂号信号;当疾病评价系数jpx满足l1≤jpx<l2时,则判定对应用户的疾病等级为紧急,发送病情紧急信号至对应用户的智能终端,用户接收到病情紧急信号且同意立即挂号之后,通过用户的智能终端发送立即挂号信号至在线预约模块;当疾病评价系数jpx满足0<jpx<l1时,则判定对应用户的疾病等级为良好;其中l1和l2为疾病评价系数阈值,且l1和l2均通过大数据模拟获得;
72.当在线预约模块接收到立即挂号信号之后,按照立即挂号信号的获取时间为用户挂号并对应生成排队号码,并将排队号码发送至对应用户的智能终端,且当用户已经通过排队号码就诊时,则对排队号码进行及时更新,并将更新之后的排队号码发送至对应用户的智能终端;
73.通过处理器将疾病评价系数、立即挂号信号的生成记录和接收记录发送至数据存储模块进行存储。
74.进一步地,医院就诊模块用于记录用户在医院的就诊记录,包括:
75.用户通过排队号码至医院进行就诊;
76.医院就诊模块根据医生诊断信息和用户的身份验证信息生成电子病历;医生诊断信息包括病情详细情况、医嘱和药方;
77.将电子病历打印成纸质病历给对应的用户,同时建立用户的就诊数据库;就诊数据库包括用户姓名、性别、年龄、用户手机号和用户的电子病历;
78.通过处理器将就诊数据库发送至数据存储模块进行存储。
79.进一步地,管理服务模块用于分析就诊记录,包括:
80.通过数据存储模块获取就诊记录;就诊记录包括就诊时间、患者姓名、患者年龄和患病类型;患病类型包括皮肤病、骨科病、心血管疾病和慢性病;
81.根据就诊记录获取患病类型对应的统计清单;统计清单包括患病类型、患病用户总数、患病用户年龄和患病用户手机号;
82.当医院中有对应患病类型的药品促销时,则将药品价格及药品总量发送至对应患病用户手机号;
83.当医院中有特约专家坐诊时,则将特约专家的坐诊时间和职业生涯发送至对应患病用户手机号;
84.通过处理器将统计清单发送至数据存储模块进行存储。
85.进一步地,说明识别模型的具体获取步骤包括:
86.获取医学书籍上的疾病说明,并获取疾病说明对应的疾病标签;疾病标签包括疾病编码和行号;
87.构建深度卷积神经网络模型;
88.将疾病说明和疾病标签经过数据预处理之后按照设定比例划分为训练集和测试集;设定比例包括3:1、3:2和4:1;
89.通过训练集和测试集对深度卷积神经网络模型进行训练和测试,当迭代次数和学习精度达到要求时,则判定深度卷积神经网络模型训练完成,将训练完成的深度卷积神经网络模型标记为识别模型;
90.通过处理器将识别模型发送至数据存储模块进行存储。
91.进一步地,图像识别模型的具体获取步骤包括:
92.通过互联网获取疾病图像,并为疾病图像设置对应的疾病标签;
93.构建误差逆向传播神经网络模型;
94.将疾病图像经过图像预处理之后按照设定比例划分为训练集和测试集;
95.通过训练集和测试集对误差逆向传播神经网络模型进行训练和测试,当迭代次数和学习精度达到要求时,则判定误差逆向传播神经网络模型训练完成,将训练完成的误差逆向传播神经网络模型标记为图像识别模型;
96.通过处理器将图像识别模型发送至数据存储模块进行存储。
97.进一步地,身份认证模块用于完成用户的验证注册,包括:
98.用户通过智能终端发送身份验证信息至身份验证模块;身份验证信息包括用户姓名、用户手机号、身份证图像和居住地址;
99.身份认证模块接收到身份验证信息之后对身份验证信息中的用户姓名和身份证图像进行一致性判断,当二者一致时,则通过处理器连接社区居民数据库;社区居民数据库包括居民住址以及居民住址对应的居民姓名;
100.通过居住地址与社区居民数据库中居民住址对应的居民姓名,当居民姓名中至少有一个与用户姓名一致时,则判定身份验证信息验证成功,通过处理器发送验证码至用户手机号,用户手机号反馈正确的验证码之后即判定用户完成注册,并生成用户账户;
101.通过处理器将用户账户分别发送至数据存储模块和用户手机号。
102.进一步地,处理器分别与身份认证模块、病情初筛模块、在线预约模块、医院就诊模块、管理服务模块和数据存储模块通信连接;管理服务模块分别与数据存储模块和医院就诊模块通信连接,病情初筛模块分别与身份认证模块和在线预约模块通信连接,在线预约模块和医院就诊模块通信连接。
103.上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际
情况设定或者大量数据模拟获得。
104.本发明的工作原理:
105.用户通过智能终端提交病情记录至处理器,所述处理器接收到病情记录之后将病情记录分别发送至数据存储模块和病情初筛模块;通过数据存储模块获取说明识别模型;将病情记录中的病情说明进行数据预处理之后输入至说明识别模型获取输出结果,并将输出结果标记为第一标签;通过数据存储模块获取图像识别模型;将病情记录中的病情图像经过图像预处理之后输入至图像识别模型获取输出结果,并将输出结果标记为第二标签;对第一标签和第二标签的一致性进行分析,当二者一致时,则将目标标签发送至在线预约模块;当二者中的疾病编码一致时,则将病情记录发送至疾病编码对应的医师;当二者不一致时,则发送病情记录验证信号至用户的智能终端;通过处理器将目标标签发送至数据存储模块进行存储;
106.当在线预约模块接收到目标标签之后获取目标标签中疾病编码对应疾病的致死率、感染率和续发率,获取疾病评价系数jpx;当疾病评价系数jpx满足l2≤jpx时,则判定对应用户的疾病等级为严重,则生成立即挂号信号;当疾病评价系数jpx满足l1≤jpx<l2时,则判定对应用户的疾病等级为紧急,发送病情紧急信号至对应用户的智能终端,用户接收到病情紧急信号且同意立即挂号之后,通过用户的智能终端发送立即挂号信号至在线预约模块;当疾病评价系数jpx满足0<jpx<l1时,则判定对应用户的疾病等级为良好;当在线预约模块接收到立即挂号信号之后,按照立即挂号信号的获取时间为用户挂号并对应生成排队号码,并将排队号码发送至对应用户的智能终端,且当用户已经通过排队号码就诊时,则对排队号码进行及时更新,并将更新之后的排队号码发送至对应用户的智能终端;通过处理器将疾病评价系数、立即挂号信号的生成记录和接收记录发送至数据存储模块进行存储;
107.用户通过排队号码至医院进行就诊;医院就诊模块根据医生诊断信息和用户的身份验证信息生成电子病历;将电子病历打印成纸质病历给对应的用户,同时建立用户的就诊数据库;所述就诊数据库包括用户姓名、性别、年龄、用户手机号和用户的电子病历;通过处理器将就诊数据库发送至数据存储模块进行存储。
108.在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
109.以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。

技术特征:
1.一种基于智慧社区的智慧医疗系统,其特征在于,包括处理器、身份认证模块、病情初筛模块、在线预约模块、医院就诊模块、管理服务模块和数据存储模块;所述处理器与用户的智能终端通信连接;所述智能终端包括智能手机、平板电脑和笔记本电脑;所述病情初筛模块用于对用户提交的病情记录进行初步筛选,包括:用户通过智能终端提交病情记录至处理器,所述处理器接收到病情记录之后将病情记录分别发送至数据存储模块和病情初筛模块;所述病情记录包括姓名、时间、病情说明和病情图像;通过数据存储模块获取说明识别模型;将病情记录中的病情说明进行数据预处理之后输入至说明识别模型获取输出结果,并将输出结果标记为第一标签;所述第一标签为病情记录中病情说明对应的疾病标签;通过数据存储模块获取图像识别模型;将病情记录中的病情图像经过图像预处理之后输入至图像识别模型获取输出结果,并将输出结果标记为第二标签;所述第二标签为病情记录中的病情图像对应的疾病标签;对第一标签和第二标签的一致性进行分析,当二者一致时,则将目标标签发送至在线预约模块;当二者中的疾病编码一致时,则将病情记录发送至疾病编码对应的医师;当二者不一致时,则发送病情记录验证信号至用户的智能终端;所述目标标签为第一标签和第二标签中的任意一个;通过处理器将目标标签发送至数据存储模块进行存储。2.根据权利要求1所述的一种基于智慧社区的智慧医疗系统,其特征在于,所述在线预约模块根据目标标签进行在线挂号,包括:当在线预约模块接收到目标标签之后获取目标标签中疾病编码对应疾病的致死率、感染率和续发率,并分别将致死率、感染率和续发率标记为zl、gl和xl;通过公式jpx=α1
×
zl
×
gl
×
ln(α2
×
xl)获取疾病评价系数jpx;其中α1和α2为比例系数,且α1为大于0的实数,α2为大于1的实数;当疾病评价系数jpx满足l2≤jpx时,则判定对应用户的疾病等级为严重,则生成立即挂号信号;当疾病评价系数jpx满足l1≤jpx<l2时,则判定对应用户的疾病等级为紧急,发送病情紧急信号至对应用户的智能终端,用户接收到病情紧急信号且同意立即挂号之后,通过用户的智能终端发送立即挂号信号至在线预约模块;当疾病评价系数jpx满足0<jpx<l1时,则判定对应用户的疾病等级为良好;其中l1和l2为疾病评价系数阈值,且l1和l2均通过大数据模拟获得;当在线预约模块接收到立即挂号信号之后,按照立即挂号信号的获取时间为用户挂号并对应生成排队号码,并将排队号码发送至对应用户的智能终端,且当用户已经通过排队号码就诊时,则对排队号码进行及时更新,并将更新之后的排队号码发送至对应用户的智能终端;通过处理器将疾病评价系数、立即挂号信号的生成记录和接收记录发送至数据存储模块进行存储。3.根据权利要求1所述的一种基于智慧社区的智慧医疗系统,其特征在于,所述医院就诊模块用于记录用户在医院的就诊记录,包括:
用户通过排队号码至医院进行就诊;医院就诊模块根据医生诊断信息和用户的身份验证信息生成电子病历;所述医生诊断信息包括病情详细情况、医嘱和药方;将电子病历打印成纸质病历给对应的用户,同时建立用户的就诊数据库;所述就诊数据库包括用户姓名、性别、年龄、用户手机号和用户的电子病历;通过处理器将就诊数据库发送至数据存储模块进行存储。4.根据权利要求1所述的一种基于智慧社区的智慧医疗系统,其特征在于,所述管理服务模块用于分析就诊记录,包括:通过数据存储模块获取就诊记录;所述就诊记录包括就诊时间、患者姓名、患者年龄和患病类型;所述患病类型包括皮肤病、骨科病、心血管疾病和慢性病;根据就诊记录获取患病类型对应的统计清单;所述统计清单包括患病类型、患病用户总数、患病用户年龄和患病用户手机号;当医院中有对应患病类型的药品促销时,则将药品价格及药品总量发送至对应患病用户手机号;当医院中有特约专家坐诊时,则将特约专家的坐诊时间和职业生涯发送至对应患病用户手机号;通过处理器将统计清单发送至数据存储模块进行存储。5.根据权利要求1所述的一种基于智慧社区的智慧医疗系统,其特征在于,所述说明识别模型的具体获取步骤包括:获取医学书籍上的疾病说明,并获取疾病说明对应的疾病标签;所述疾病标签包括疾病编码和行号;构建深度卷积神经网络模型;将疾病说明和疾病标签经过数据预处理之后按照设定比例划分为训练集和测试集;所述设定比例包括3:1、3:2和4:1;通过训练集和测试集对深度卷积神经网络模型进行训练和测试,当迭代次数和学习精度达到要求时,则判定深度卷积神经网络模型训练完成,将训练完成的深度卷积神经网络模型标记为识别模型;通过处理器将识别模型发送至数据存储模块进行存储。6.根据权利要求1所述的一种基于智慧社区的智慧医疗系统,其特征在于,所述图像识别模型的具体获取步骤包括:通过互联网获取疾病图像,并为疾病图像设置对应的疾病标签;构建误差逆向传播神经网络模型;将疾病图像经过图像预处理之后按照设定比例划分为训练集和测试集;通过训练集和测试集对误差逆向传播神经网络模型进行训练和测试,当迭代次数和学习精度达到要求时,则判定误差逆向传播神经网络模型训练完成,将训练完成的误差逆向传播神经网络模型标记为图像识别模型;通过处理器将图像识别模型发送至数据存储模块进行存储。7.根据权利要求1所述的一种基于智慧社区的智慧医疗系统,其特征在于,所述身份认证模块用于完成用户的验证注册,包括:
用户通过智能终端发送身份验证信息至身份验证模块;所述身份验证信息包括用户姓名、用户手机号、身份证图像和居住地址;身份认证模块接收到身份验证信息之后对身份验证信息中的用户姓名和身份证图像进行一致性判断,当二者一致时,则通过处理器连接社区居民数据库;所述社区居民数据库包括居民住址以及居民住址对应的居民姓名;通过居住地址与社区居民数据库中居民住址对应的居民姓名,当居民姓名中至少有一个与用户姓名一致时,则判定身份验证信息验证成功,通过处理器发送验证码至用户手机号,用户手机号反馈正确的验证码之后即判定用户完成注册,并生成用户账户;通过处理器将用户账户分别发送至数据存储模块和用户手机号。
技术总结
本发明公开了一种基于智慧社区的智慧医疗系统,涉及智慧医疗技术领域,解决了现有方案中病情诊断效率低,不能充分利用大数据优势的技术问题;本发明设置了病情初筛模块,该设置将用户的病情记录、说明识别模型和图像识别模型结合起来对用户的病情进行初步筛选,保证了病情初筛的准确度,有助于提高用户看病的效率;本发明设置了在线预约模块,该设置根据疾病评价系数来为用户在线挂号,并根据用户线下就诊的记录对排队号码进行实时更新,有助于提高挂号效率,减少医院的工作量,同时减少用户时间的浪费;本发明设置了医院就诊模块,该设置为用户生成电子病历和就诊数据库,有助于用户对自身病情的了解,方便对用户病情的追溯。方便对用户病情的追溯。方便对用户病情的追溯。


技术研发人员:黄小芬
受保护的技术使用者:黄小芬
技术研发日:2021.03.03
技术公布日:2021/6/29

转载请注明原文地址:https://doc.8miu.com/read-385.html

最新回复(0)