一种院前急救资源智能调度方法、装置及系统
文献发布时间:2024-04-18 19:59:31
技术领域
本发明属于医疗健康管理领域,具体说是一种院前急救资源智能调度方法、装置及系统。
背景技术
院前接警急救也称院外急救,是指患者从发病到接警入院前获得的医疗救治。院前接警急救作为急诊医学的重要组成部分,能明显降低突发伤病员的病死率。院前急救水平反映了一个国家的组织管理、医疗水平及公共福利的综合能力。特别是,近年来随着我国老龄化的加剧,面向老年人的院前急救接警频率急剧增加。目前,国内针对老年人特定人群的院前急救模式尚未形成体系。而现有的院前急救模式通常都是被动的,一般是在患者电话呼叫120后,由急救中心调度科被动派出救护车。当患者突发急症时,需要患者自己或者旁人帮助呼叫120,若不能及时呼叫则很可能危及生命。然而,随着我国人口老龄化趋势的日益加剧,空巢老人和独居老人的比例呈现逐年递增的态势。在此背景下,由于老年人的自身身体状况、思维能力和语言表达以及对病情症状的描述可能存在不清晰、不完整、不准确等问题,导致接警人员很难判断老年人病情的严重程度,以至于在救护车到达前,难以为老年患者提供有效的预先自救指导措施。此外,院前急救一般由报警人通过电话向急救中心对应的调度人员进行求助,由于急救指挥中心的值班调度人员并不一定是医学专业人士,因此可能难以深入的判断患者病情,并以最快的速度给出合理的自救方案指导和最有的救治资源调度策略,因此极易导致急救延误和急救资源调度低效等一系列问题。
目前,现有的院前急救资源调度模式主要包括如下几种:1)依据救援人员的主观经验进行救援选择和急救资源调配模式:这种方法存在的问题是具有一定的主观性且经验不足时无法独立完成,容易导致急救资源浪费、病情延误等风险;2)区分不同急救等级的急救模式:根据从急救系统获得的急救信息来预测相应的急救环境和急救模式,这种方法也依赖于人工操作,没有考虑老人特定群体的差异化需求,难以实现急救资源的全局整合与最优化利用;3)基于大数据分析急救病人的病情、预测对应的急救方案:这种方法没有考虑全局急救资源的统一描述和网格化急救资源的整合管理、以及多种多因素融合下的最优化资源的调度问题等。
现有方法主要存在的问题包括:1)没有考虑老年人特别是独居和空巢老人院前急救报警可能存在的沟通障碍、表述不完整、不清晰的问题,导致接警人员很难根据描述不完整、不清晰的信息描述快速做出警响应和资源配置方案;2)没有考虑急救中心的接警人员可能不是专业的医疗救治医生,导致接警人员无法给出有效的预先自救指导,从而延误病情的前期应急处置;3)区域医疗急救资源分布不均衡,救治车辆、救护人员、车载医疗设备资源有限,难以实现智能化和最优化的资源调度和适配。
因此,急需一种能够适应不同情况的急救资源动态智能调度方法。
发明内容
针对现有方法存在的上述问题,本发明提出一种基于Transformer和多头注意力机制的院前接警急救资源动态调度方法、装置及系统。
本发明为实现上述目的所采用的技术方案是:一种院前急救资源智能调度方法,包括以下步骤:
将接入的电话语音进行实时语音识别,生成病情文本描述信息,并通过查询云数据中心数据,调取患者医疗信息;
对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接,对拼接后的文本数据进行嵌入向量学习,生成病状嵌入向量表征;
通过构建急救资源图谱,根据急救资源图谱的多种属性信息进行文本拼接,对拼接后的文本数据进行嵌入向量学习,生成所述急救资源图谱中某图谱ID下的急救资源嵌入向量表征;
根据病症嵌入向量表征以及急救资源嵌入向量表征,生成资源推荐列表以辅助调度决策。
所述将接入的电话语音进行实时语音识别,生成病情文本描述信息,并通过查询云数据中心数据,调取患者医疗信息,包括以下步骤:
首先,将接入的电话语音进行实时语音识别,将语音转换为文本信息,对文本信息进行清洗后,形成端侧的病情文本描述信息;所述病情文本描述信息包括患者姓名、身份证、紧急情况的描述、患者地理位置、报警时间、联系人信息中的至少几种;
其次,根据端侧的所述病情文本描述信息查询患者在云数据中心存储的历史画像信息,调取患者医疗信息;所述患者医疗信息包括医疗数据、康复数据、监测数据、健康档案数据。
所述对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接,对拼接后的文本数据进行嵌入向量学习,生成病状嵌入向量表征,包括以下步骤:
对云数据中心存储的患者医疗信息和端侧实时转换的病情文本描述信息进行拼接,通过Transformer模型对拼接后的文本数据进行嵌入向量学习,生成病状嵌入向量表征E
所述通过构建急救资源图谱,根据急救资源图谱的多种属性信息进行文本拼接,对拼接后的文本数据进行嵌入向量学习,生成所述急救资源图谱中某图谱ID下的急救资源嵌入向量表征,包括以下步骤:
预先构建用于维护设定区域内急救医疗资源的急救资源图谱;所述急救资源图谱属性包括:图谱ID、急诊病症名称、急诊症状详细描述、当前报警时间、当前区域位置、当前区域可出警救护车数量、可派遣的专业救治人员数量、可配置的车载设备名称和数量、应急处置指导建议;
对急诊病症名称、急诊症状详细描述进行文本拼接;通过Transformer模型对拼接后的文本数据进行嵌入向量学习,生成所述急救资源图谱中某图谱ID下的急救资源嵌入向量表征为E
所述通过Transformer模型对拼接后的文本数据进行嵌入向量学习,具体如下:
Transformer模型采用单层多头注意力机制;通过单词嵌入层将拼接后的文本数据中的单词转换为低维嵌入向量序列;再通过多头自注意力网络生成单词级的语义表示;然后通过注意力网络从不同的单词中提取所需信息,并聚合到嵌入向量表征中。
所述通过Transformer模型对拼接后的文本数据进行嵌入向量学习,包括以下步骤:
是第k个注意力头部学习的第i个单词的特征表示,/>
式中,exp表示以自然常数e为底的指数函数,e
其中,a
对于云数据中心融合得到的病状嵌入向量表征如下:
E
对于急救资源图谱中某图谱ID下的急救资源嵌入向量表征E
E
一种院前急救资源智能调度方法,当选择所述急救资源图谱中的某属性时,该属性对应数据锁定,实现互斥锁功能,防止同一时间段内同一属性数据重复被选择。
所述根据病症嵌入向量表征以及急救资源嵌入向量表征,生成资源推荐列表以辅助调度决策,包括以下步骤:
根据病症嵌入向量表征E
f(id,sym,res)=E
其中,f(id,sym,res)表示标识为id、具有症状sym的报警患者推荐资源res的概率函数;符号⊙表示向量内积操作运算符;
在急救资源图谱中对K个可用急救资源按照最短到达时间进行升序排序,形成K个资源推荐列表,用于辅助调度决策。
一种院前急救资源智能调度装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现所述的一种院前急救资源智能调度方法。
一种院前急救资源智能调度系统,包括:
语音识别模块,用于将接入的电话语音进行实时语音识别,生成病情文本描述信息,并通过查询云数据中心数据,调取患者医疗信息;
病状嵌入向量表征生成模块,用于对云数据中心存储的患者医疗信息和病情文本描述信息进行拼接,对拼接后的文本数据进行嵌入向量学习,生成病状嵌入向量表征;
急救资源嵌入向量表征生成模块,用于通过构建急救资源图谱,根据急救资源图谱的多种属性信息进行文本拼接,对拼接后的文本数据进行嵌入向量学习,生成所述急救资源图谱中某图谱ID下的急救资源嵌入向量表征;
资源推荐模块,用于根据病症嵌入向量表征以及急救资源嵌入向量表征,生成资源推荐列表以辅助调度决策。
本发明具有以下有益效果及优点:
1.现有方法没有考虑老年人特别是独居和空巢老人院前急救报警可能存在的沟通障碍、语音报警信息表述不完整、不清晰的问题,导致接警人员很难根据其所描述的不完整、不清晰的信息快速做出警响应和资源调度方案。针对这一问题,本发明提出通过将报警语音转换成文本信息、并对表述不清晰的语言信息进行智能识别、文本清洗和去噪解决老年患者可能存在的沟通障碍问题。同时,查询云数据中心存储的老年患者的历史画像信息,通过云-端数据融合驱动的方式生成和预测出更为完整的患者病情和症状描述,能够提升对老年报警患者病情初步研判的准确性。
2.本发明提出基于Transformer模型和多头注意力机制对云端融合后的文本数据进行嵌入向量学习,生成患者病情和症状的嵌入向量表征。同时,本发明提出构建院前急救资源图谱的概念,借助院前急救资源图谱对区域网格化以及全局资源进行统一管理和实时更新维护,能够提升急救资源的局部和全局整合利用效率。
3.本发明提出基于Transformer模型和多头注意力机制对院前急救资源图谱的文本特征进行嵌入向量学习,并基于患者病情和症状的嵌入向量表征和资源图谱的向量表征,对资源进行预测和生成最优调度方案推荐,并考虑了资源所处地理位置与报警患者之间的最短达到时间。此外,本发明提出基于急救资源图谱中对应的应急处置指导建议为120急救调度员提供科学的急救指导建议,使得急救调度员能够有效的指导报警患者进行自救应急处置。
附图说明
图1为本发明实施的整体逻辑框架图;
图2为基于Transformer的云-端多源数据融合实现原理图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明基于Transformer模型和多头注意力机制对患者语音文本、历史画像数据进行云-端融合和嵌入向量表征学习,生成患者病状表征的嵌入向量;提出院前急救资源图谱,对区域和全局资源进行实时更新维护、支持资源互斥调度,基于Transformer模型和多头注意力机制生成院前急救资源图谱上的资源表征的嵌入向量;基于患者病状表征嵌入向量和急救资源嵌入向量的内积操作,生成Top-K个资源推荐列表,并考虑最短到达时间生成最佳推荐排序,同时基于资源图谱为急救调度员提供应急指导建议。
如图1所示,为本发明的整体逻辑框架图,其核心思想是:
①报警文本信息提取与患者画像生成:首先,当老年患者通过电话报警接入到120急救指挥调度中心后,电话语音同步被接入到后台进行实时语音识别和转换,将语音信息转换成文本信息,形成基于电话报警在线生成病情文本描述信息,基本内容包括:患者姓名、身份证、紧急情况的描述、患者地理位置、报警时间、联系人信息等。其次,根据老年患者提供的基本信息(如姓名、身份证ID等)查询老年患者在医防康云数据中心存储的历史画像信息。
现有方法假设患者电话报警时,通过语音能够描述出完整的基本信息,并且假设通过上述信息能够分析出患者对应的病情和对应的急救资源需求。然而,真实环境下,患者往往无法通过语音清晰的表述上述信息,特别是无法准确的描述病情症状。因此,与现有方法不同之处在于:本发明是通过语音识别将语音转换为文本信息,然后对文本信息进行清洗,去除不必要的字符、格式和噪音,以便进行后续处理。
②云-端数据融合及患者病症表征学习:云侧数据主要是患者历史画像信息,包括患者过往医疗数据、康复数据、监测数据、健康档案数据等。端侧数据是指当前报警求助的电话语言转换后的文本数据。本发明提出的云端数据融合方法是:首先对云上数据中心存储的患者医疗数据、康复数据、监测数据、健康档案数据和端侧实时转换的患者报警转换的文本数据进行拼接(connection),然后借助Transformer模型对拼接后的文本数据进行嵌入向量学习,生成患者病情和症状的嵌入向量表征E
为了降低计算复杂度,我们将Transformer简化为单层多头注意力机制。如图2所示,我们给出了如何利用简化后的Transformer模型从多源数据中学习其语义表示的过程。底层是单词嵌入层,它将融合后的文本数据中的词(word)转换为低维嵌入向量序列。第二层是多头自注意力网络,它生成单词级的语义表示。第三层是注意力网络,它从不同的单词中提取有用的信息,并将它们聚合到病情描述文本的向量表示E
在这里,我们给出图2中基于简化的Transformer模型学习文本嵌入向量的过程描述。假设
上式中
其中a
③急救资源图谱构建及急救资源特征向量学习:与现有方法的不同之处在于:本发明提出了院前急救资源图谱的概念。其核心思想是:通过构建园区急救资源图谱来维护区域内的急救医疗资源(救护车、急救人员、急救设备)。急救资源图谱实际上是一张可实时更新维护的多维表,表上属性包括:<图谱ID、急诊病症名称、急诊症状详细描述、当前报警时间、当前区域位置、当前区域可出警救护车数量、可派遣的专业救治人员数量、可配置的车载设备名称和数量、应急处置指导建议>等。急救资源图谱能够动态实时的对当前可用资源进行统一的更新和维护,确保当前资源的可用性和资源的最佳组合。此外。资源图谱能够借助互斥锁保障资源的共享和互斥调度操作。
急救资源图谱构建之后,我们对图谱进行向量化表征学习。其基本实现思路与②中的病症表征学习原理类似(见图2和公式(1)、(2)、(3)、(4))所述。在这里,我们基于属性<急诊病症名称>、<急诊症状详细描述>进行嵌入向量学习。首先对<急诊病症名称>、<急诊症状详细描述>进行文本拼接(connection)操作。然后,借助Transformer模型对拼接后的文本数据进行嵌入向量学习,假设生成的图谱中的一条ID下的急救资源嵌入向量表征为E
④院前急救资源智能推荐:通过上述②中生成的病症嵌入向量表征E
f(id,sym,res)=E
其中,f(sym,res)表示为标识为id、具有症状sym的报警患者推荐资源res的概率函数。符号⊙表示向量内积操作运算符。基于公式(5)我们能够为报警患者推荐在Top-K个资源图谱中的可用急救资源对Top-K个资源按照最短到达时间进行升序排序,假设排序后的Top-K个资源推荐列表表示为Rec(list)。
⑤调度指挥与应急指导:
将④中所生成的Top-K个资源推荐列表Rec(list)反馈给120急救调度员进行辅助决策支持。120急救调度员对所推荐的急救调度资源进行确认和修改,并下发出警派遣指令,同时120急救调度员会根据资源图谱上所对应的<应急处置指导建议>及时的对报警患者进行快速应急自救指导。
综上所述,基于图1所示的①、②、③、④、⑤完成了本发明方案的整体实现流程描述过程。
- 一种超低碳钢中氧化物夹杂的控制方法
- 一种LD-RH工艺生产超低碳钢的氧化物夹杂控制方法
- 一种同时脱除废气中二氧化硫和氮氧化物的方法
- 一种同时脱除废气中高负荷二氧化硫和氮氧化物的方法
- 一种镝铁合金中氧化物夹杂的脱除方法
- 一种氧化物熔盐电解制备镝铁合金的方法