CN120511020B - 一种提升院内门诊医生工作效率的智能分诊协助系统 - Google Patents

Abstract

本发明公开了一种提升院内门诊医生工作效率的智能分诊协助系统，涉及医疗管理技术领域。该系统包括：信息获取模块，用于获取各医生的候诊人员、病症诊治信息以及目标患者的目标病症信息；第一信息分析模块，用于基于目标患者的目标病症信息以及各医生的候诊人员，确定各科室对目标患者的分诊权衡度，分诊权衡度用于表征目标患者适合前往科室就诊的综合匹配程度；第二信息分析模块，用于基于各医生的病症诊治信息，确定各医生对目标患者的诊治能力适配度；患者分诊模块，用于基于各分诊权衡度与各诊治能力适配度，对目标患者进行分诊。本发明有效提高了分诊准确性和门诊医生的工作效率，实现了更精准、高效的分诊。

Description

一种提升院内门诊医生工作效率的智能分诊协助系统

技术领域

本发明涉及医疗管理技术领域，具体涉及一种提升院内门诊医生工作效率的智能分诊协助系统。

背景技术

在当今时代，信息化与智能化的浪潮正有力推动着医疗行业朝着更高效、更便捷的方向大步迈进。在门诊这一关键领域，受人口老龄化趋势加剧以及民众医疗需求日益增长的影响，门诊患者数量呈现出逐年攀升的态势。为有效提升医院门诊医生的工作效率，众多医院纷纷积极探寻借助人工智能技术来优化分诊流程、改善患者服务的可行路径。

当下，智能分诊协助系统已在部分医院得到应用，该智能分诊协助系统能够依据患者所描述的症状，来确定其应前往的科室。

然而，现有的智能分诊协助系统存在明显局限。它往往只能识别单一症状所对应的科室，难以剖析症状组合背后隐藏的潜在关联。这种局限性极易导致分诊结果不准确，使得患者无法被精准分配到合适的科室。此外，该智能分诊协助系统在分诊过程中，并未将门诊医生的工作负荷纳入考量范畴，这使得门诊医生的工作效率较低。

发明内容

本发明实施例提供了一种提升院内门诊医生工作效率的智能分诊协助系统，能够有效提高分诊准确性和门诊医生的工作效率，实现了更精准、高效的分诊。

本发明实施例的第一方面，提供一种提升院内门诊医生工作效率的智能分诊协助系统，包括：

信息获取模块，用于获取各医生的候诊人员、病症诊治信息以及目标患者的目标病症信息；

第一信息分析模块，用于基于目标患者的目标病症信息以及各医生的候诊人员，确定各科室对目标患者的分诊权衡度，分诊权衡度用于表征目标患者适合前往科室就诊的综合匹配程度；

第二信息分析模块，用于基于各医生的病症诊治信息，确定各医生对目标患者的诊治能力适配度，诊治能力适配度用于表征医生对目标患者的病症进行诊治的适配程度；

患者分诊模块，用于基于各分诊权衡度与各诊治能力适配度，对目标患者进行分诊。

在一些可能的实现方式中，第一信息分析模块，包括：

诊治范围涉及度确定单元，用于基于目标患者的目标病症信息，确定各科室对目标患者的诊治范围涉及度；

第一关联度确定单元，用于基于目标患者的目标病症信息以及各第一历史患者的诊断结果，确定目标患者与各第一历史患者的第一诊断结果关联度，第一历史患者为与目标患者的当前症状存在相同病症的历史患者；

第二关联度确定单元，用于利用目标患者与各第一历史患者的第一诊断结果关联度，确定目标患者与各科室的第二诊断结果关联度；

分诊权衡度确定单元，用于基于各诊治范围涉及度、各第二诊断结果关联度以及各医生的候诊人员，确定各科室对目标患者的分诊权衡度。

在一些可能的实现方式中，目标病症信息包括当前症状；

诊治范围涉及度确定单元，用于：

对目标患者的当前症状进行分词处理，得到目标患者的第一症状描述序列；

将第一症状描述序列与各历史用户的第二症状描述序列进行比对，确定与目标患者具有相同病症的第一历史患者；

利用各第一历史患者对应的分诊科室，确定各科室对目标患者的诊治范围涉及度。

在一些可能的实现方式中，目标病症信息包括当前症状和历史病历；

第一关联度确定单元，用于：

将第一历史患者与目标患者的当前症状相对应的诊断结果，标记为匹配诊断结果；

将第一历史患者的匹配诊断结果与在匹配诊断结果之前的参考诊断结果进行比对，得到匹配诊断结果与各参考诊断结果之间的第一相似度；

将目标患者的各历史病历与目标参考诊断结果进行比对，得到目标参考诊断结果与各历史病历之间的第二相似度，目标参考诊断结果为最大的第一相似度对应的参考诊断结果；

利用第一相似度的最大值以及第二相似度的最大值，确定目标患者与第一历史患者的第一诊断结果关联度。

在一些可能的实现方式中，分诊权衡度确定单元，用于：

利用医生的候诊人员以及各候诊人员对应的预测问诊时长，确定医生的诊治繁忙度；

将科室内各医生的诊治繁忙度进行均值计算，得到科室的诊治繁忙度；

利用各科室的诊治繁忙度、各诊治范围涉及度以及各第二诊断结果关联度，确定各科室对目标患者的分诊权衡度。

在一些可能的实现方式中，利用医生的候诊人员以及各候诊人员对应的预测问诊时长，确定医生的诊治繁忙度之前，该第一信息分析模块还包括：

时长获取单元，用于获取第二历史患者的第一历史问诊时长，第二历史患者为医生处理过的与候诊人员存在相同病症的历史患者；

时长预测单元，用于对各第一历史问诊时长进行均值处理，得到医生对候诊人员的预测问诊时长。

在一些可能的实现方式中，病症诊治信息包括病症诊治次数以及每次诊治对应的第二历史问诊时长；

第二信息分析模块，包括：

处理擅长度确定单元，用于基于各医生对各病症类型的病症诊治次数以及每次诊治对应的第二历史问诊时长，确定各医生对各病症类型的处理擅长度；

适配病症擅长度确定单元，用于利用各医生对各病症类型的处理擅长度，确定各医生对目标患者的适配病症擅长度；

潜在病症擅长度确定单元，用于基于各第一历史患者的各诊断结果，确定各医生对目标患者的潜在病症擅长度，第一历史患者为与目标患者的当前症状存在相同病症的历史患者；

诊治能力适配度确定单元，用于基于各医生对目标患者的适配病症擅长度与潜在病症擅长度，确定各医生对目标患者的诊治能力适配度。

在一些可能的实现方式中，处理擅长度确定单元，用于：

将目标医生对目标病症类型的病症诊治次数，除以目标科室内各医生对目标病症类型的病症诊治次数平均值，得到目标医生对目标病症类型的诊治次数优先度，目标医生为任意一个医生，目标病症类型为任意一种病症类型，目标科室为目标医生所在的科室；

将目标医生对目标病症类型的各第二历史问诊时长进行均值计算，得到目标医生对目标病症类型的第一诊治平均时长；

基于第一诊治平均时长以及目标科室内各医生对目标病症类型的第二诊治平均时长，确定目标医生对目标病症类型的诊治时长优先度；

利用诊治次数优先度以及诊治时长优先度，确定目标医生对目标病症类型的处理擅长度。

在一些可能的实现方式中，潜在病症擅长度确定单元，用于：

对各第一历史患者的各诊断结果进行统计，得到各病症类型的出现次数；

将出现次数满足预设次数条件，且不属于目标患者当前症状的病症类型，确定为目标患者的潜在病症类型；

基于目标患者的潜在病症类型，确定各医生对目标患者的潜在病症擅长度。

在一些可能的实现方式中，患者分诊模块，用于：

基于各分诊权衡度与各诊治能力适配度，确定各医生对目标患者的优选分诊度；

基于各优选分诊度之间的大小关系，对目标患者进行分诊。

本发明具有如下有益效果：

本发明实施例提供的提升院内门诊医生工作效率的智能分诊协助系统中，通过获取目标患者的目标病症信息，并基于该目标病症信息，确定各科室对目标患者的分诊权衡度。这一过程中，综合考虑了目标患者的多种病症信息，并非局限于单一症状，能够深入剖析症状组合背后隐藏的潜在关联，从而更准确地判断目标患者适合前往哪个科室就诊，大大提高了分诊结果的准确性。同时，在分诊时不仅考虑了目标患者的目标病症信息，还进一步考虑了医生的候诊人员与病症诊治信息，综合分诊权衡度与诊治能力适配度对目标患者进行分诊。这意味着在分诊过程中，充分考虑了医生的工作负荷以及诊治能力，能够将患者合理分配到工作负荷相对合理且具备相应诊治能力的医生处，避免了医生因工作负荷过重或诊治能力与患者病症不匹配而导致的工作效率低下问题，有效提升了门诊医生的工作效率。综上所述，本发明通过综合考虑医生的候诊人员、病症诊治信息以及目标患者的目标病症信息，有效提高了分诊准确性和门诊医生的工作效率，实现了更精准、高效的分诊。

附图说明

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种提升院内门诊医生工作效率的智能分诊协助系统的结构示意图；

图2为本发明一个实施例所提供的第一信息分析模块的结构示意图；

图3为本发明一个实施例所提供的第二信息分析模块的结构示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种提升院内门诊医生工作效率的智能分诊协助系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

需要说明的是，本发明技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。

需要说明的是，在本发明实施例中，可能提及某些软件、组件、模型等业界已有方案，应当将它们认为是示范性的，其目的仅仅是为了说明本发明技术方案实施中的可行性，但并不意味着申请人已经或者必然用到了该方案。

在当今时代，信息化与智能化的蓬勃发展正以前所未有的态势，推动着医疗行业朝着更高效、更便捷的方向加速前行。门诊作为医疗服务的关键环节，面临着诸多挑战。随着人口老龄化趋势的不断加剧，以及民众对医疗需求的日益增长，门诊患者数量呈现出持续攀升的显著态势。为了有效应对这一局面，提升医院门诊医生的工作效率，众多医院积极行动起来，纷纷探索借助人工智能技术来优化分诊流程、改善患者服务的可行方案。目前，智能分诊协助系统已经在部分医院得到了实际应用。这类系统能够依据患者所描述的症状，初步判断其应前往的科室。

然而，现有的智能分诊协助系统存在着明显的局限性。它通常只能识别单一症状所对应的科室，对于症状组合背后隐藏的潜在关联缺乏深入剖析能力。这种局限性很容易导致分诊结果不准确，使得患者无法被精准地分配到合适的科室，不仅影响了患者的就医体验，还可能延误病情的诊断和治疗。除此之外，现有的智能分诊协助系统在分诊过程中，没有将门诊医生的工作负荷纳入考量范围。这就导致部分医生可能会面临患者过多、工作压力过大的情况，而另一些医生则可能相对空闲，造成了医疗资源的分配不均衡，进而使得门诊医生整体的工作效率较低。

本发明的目的在于提供一种提升院内门诊医生工作效率的智能分诊协助系统。本发明实施例提供的提升院内门诊医生工作效率的智能分诊协助系统中，通过获取目标患者的目标病症信息，并基于该目标病症信息，确定各科室对目标患者的分诊权衡度。这一过程中，综合考虑了目标患者的多种病症信息，并非局限于单一症状，能够深入剖析症状组合背后隐藏的潜在关联，从而更准确地判断目标患者适合前往哪个科室就诊，大大提高了分诊结果的准确性。同时，在分诊时不仅考虑了目标患者的目标病症信息，还进一步考虑了医生的候诊人员与病症诊治信息，综合分诊权衡度与诊治能力适配度对目标患者进行分诊。这意味着在分诊过程中，充分考虑了医生的工作负荷以及诊治能力，能够将患者合理分配到工作负荷相对合理且具备相应诊治能力的医生处，避免了医生因工作负荷过重或诊治能力与患者病症不匹配而导致的工作效率低下问题，有效提升了门诊医生的工作效率。综上所述，本发明通过综合考虑医生的候诊人员、病症诊治信息以及目标患者的目标病症信息，有效提高了分诊准确性和门诊医生的工作效率，实现了更精准、高效的分诊。

下面介绍本发明实施例提供的一种提升院内门诊医生工作效率的智能分诊协助系统的具体实施例。

如图1所示，提供了一种提升院内门诊医生工作效率的智能分诊协助系统的结构示意图。该提升院内门诊医生工作效率的智能分诊协助系统100包括信息获取模块110、第一信息分析模块120、第二信息分析模块130以及患者分诊模块140。

信息获取模块110，用于获取各医生的候诊人员、病症诊治信息以及目标患者的目标病症信息。

在本实施例中，各医生的候诊人员用于表征当前正在等待医生诊治的患者信息，可以包括患者数量、患者个人信息等相关情况，反映了医生当前的工作负荷状态。

病症诊治信息可以包含医生擅长诊治的病症类型、过往诊治相关病症的经验、成功率等数据，用于评估医生对各种病症的诊治能力。

目标患者即当前需要进行分诊的患者，目标病症信息是指该患者所患病症的具体描述，如症状表现、可能的病因等，是分诊的重要依据。

作为一个示例，信息获取模块110通过与医院的信息系统（如HIS系统）对接，获取医生的候诊人员信息，包括正在候诊的患者列表、每个患者的挂号时间等，从而计算出每位医生的候诊人数。

同时，从医生的个人档案、历史诊疗记录等数据源中，提取病症诊治信息，如医生的专业领域、擅长治疗的病症种类、治疗成功率、患者评价等。

当有新患者（即目标患者）前来就诊时，通过患者自助输入、医生问诊记录等方式，收集目标患者的目标病症信息，如症状描述、疼痛部位、持续时间等。

第一信息分析模块120，用于基于目标患者的目标病症信息以及各医生的候诊人员，确定各科室对目标患者的分诊权衡度，分诊权衡度用于表征目标患者适合前往科室就诊的综合匹配程度。

在本实施例中，分诊权衡度用于衡量目标患者适合前往某个科室就诊的综合匹配程度，综合考虑了目标患者的病症情况以及各科室当前的候诊状况等因素。

作为一个示例，第一信息分析模块120对目标患者的目标病症信息进行分类和特征提取，例如将症状分为发热、咳嗽、疼痛等不同类型，并分析其严重程度和关联性。

然后，结合各医生的候诊人员情况，考虑科室的专业方向和目标患者病症的匹配程度。例如，对于发热患者，优先考虑内科中与感染性疾病相关的科室；同时，分析各科室当前候诊人数和预计等待时间，避免患者长时间等待。

综合上述因素，通过预设的算法模型（如加权评分模型），计算各科室对目标患者的分诊权衡度。例如，给病症匹配度、候诊时间等因素分别赋予不同的权重，然后计算总分，得分越高表示分诊权衡度越高。

第二信息分析模块130，用于基于各医生的病症诊治信息，确定各医生对目标患者的诊治能力适配度，诊治能力适配度用于表征医生对目标患者的病症进行诊治的适配程度。

在本实施例中，诊治能力适配度用于表征医生对目标患者的病症进行诊治的适配程度，主要基于医生的病症诊治信息来评估，反映了医生诊治该患者病症的能力和合适程度。

作为一个示例，第二信息分析模块130针对目标患者的目标病症信息，在医生的病症诊治信息中进行匹配和筛选。例如，如果患者患有心脏病，就筛选出擅长心脏病诊治的医生。

根据医生过往诊治类似病症的经验、成功率、专业技能水平等指标，评估医生对目标患者病症的诊治能力适配度。可以采用模糊综合评价法，将各项指标进行量化评分，然后综合计算得出诊治能力适配度。

患者分诊模块140，用于基于各分诊权衡度与各诊治能力适配度，对目标患者进行分诊。

在本实施例中，患者分诊模块140接收第一信息分析模块120计算得出的各分诊权衡度和第二信息分析模块130计算得出的各诊治能力适配度。

将分诊权衡度和诊治能力适配度进行综合考虑，例如可以采用乘法模型或加法模型，将两者结合起来计算出一个综合评分。

根据综合评分，为目标患者选择评分最高的科室中对应的医生进行分诊，将分诊结果反馈给医院的信息系统，引导患者前往相应的科室就诊。

作为一个可选实施例，如图2所示，提供了一种第一信息分析模块的结构示意图，该第一信息分析模块120具体可以包括：

诊治范围涉及度确定单元121，用于基于目标患者的目标病症信息，确定各科室对目标患者的诊治范围涉及度；

第一关联度确定单元122，用于基于目标患者的目标病症信息以及各第一历史患者的诊断结果，确定目标患者与各第一历史患者的第一诊断结果关联度，第一历史患者为与目标患者的当前症状存在相同病症的历史患者；

第二关联度确定单元123，用于利用目标患者与各第一历史患者的第一诊断结果关联度，确定目标患者与各科室的第二诊断结果关联度；

分诊权衡度确定单元124，用于基于各诊治范围涉及度、各第二诊断结果关联度以及各医生的候诊人员，确定各科室对目标患者的分诊权衡度。

在本实施例中，诊治范围涉及度用于衡量各科室对目标患者病症的诊治覆盖程度，反映了科室在诊治该患者病症方面的相关性和能力范围。

第一历史患者用于表征在医院的历史诊疗记录中，与目标患者当前症状存在相同病症的患者，他们的诊断结果和治疗经验可以为目标患者的分诊提供参考。

第一诊断结果关联度用于表示目标患者与第一历史患者在诊断结果上的相似程度，反映了目标患者与这些历史患者在病症特征和治疗可能性方面的关联性。

第二诊断结果关联度体现了目标患者与科室在诊断结果上的关联程度，综合考虑了科室对类似病症的诊断能力和经验。

作为一个示例，诊治范围涉及度确定单元121对目标患者的目标病症信息进行特征提取和分类，例如将症状分为呼吸系统症状、消化系统症状等。再将目标患者的病症特征与各科室的诊治范围进行匹配，根据匹配的程度计算各科室对目标患者的诊治范围涉及度。可以采用相似度算法，如余弦相似度，计算病症特征与诊治范围的相似程度，作为诊治范围涉及度的量化指标。

然后，第一关联度确定单元122从医院的历史诊疗数据库中筛选出与目标患者当前症状存在相同病症的第一历史患者。再提取第一历史患者的诊断结果信息，包括诊断的病症名称、病情分期、相关检查结果等。再运用数据挖掘和机器学习算法，如决策树、支持向量机等，对目标患者的目标病症信息和第一历史患者的诊断结果进行分析和比较，计算目标患者与各第一历史患者的第一诊断结果关联度。

然后，第二关联度确定单元123根据第一关联度确定单元122计算得出的目标患者与各第一历史患者的第一诊断结果关联度，将每个科室内所就诊的所有第一历史患者的第一诊断结果关联度的均值，作为每个科室的第二诊断结果关联度。

最后，分诊权衡度确定单元124考虑各医生的候诊人员情况，计算各科室的候诊压力指标，例如候诊人数与科室医生数量的比值。再综合诊治范围涉及度、第二诊断结果关联度和候诊压力指标，通过预设的算法模型（如层次分析法、模糊综合评价法等）计算各科室对目标患者的分诊权衡度。例如，可以给诊治范围涉及度、第二诊断结果关联度和候诊压力指标分别赋予不同的权重，然后计算加权平均值作为分诊权衡度。

通过本实施例，计算诊治范围涉及度，能够明确各科室对目标患者病症的诊治相关性，避免了将患者分配到不相关科室。同时，利用第一诊断结果关联度和第二诊断结果关联度，参考历史患者的诊断经验，使分诊更加符合目标患者的实际病情。如此，能够提高分诊的准确性。

作为一个可选实施例，目标病症信息包括当前症状；

诊治范围涉及度确定单元121，用于：

对目标患者的当前症状进行分词处理，得到目标患者的第一症状描述序列；

将第一症状描述序列与各历史用户的第二症状描述序列进行比对，确定与目标患者具有相同病症的第一历史患者；

利用各第一历史患者对应的分诊科室，确定各科室对目标患者的诊治范围涉及度。

在本实施例中，当前症状用于表征目标患者在就诊时所描述的身体不适表现，如头痛、咳嗽、发热等，是分诊的重要依据。

分词处理用于表征将目标患者的当前症状描述文本按照一定的规则切分成一个个独立的词语或词组，以便后续进行比对和分析。例如，采用jieba分词技术将“持续性头痛且伴有恶心”分词为“持续性”“头痛”“且”“伴有”“恶心”。

第一症状描述序列用于表征经过分词处理后得到的目标患者症状词语的有序排列，用于准确表示目标患者的症状特征。

第二症状描述序列用于表征经过分词处理后的历史用户症状词语的有序排列，用于与目标患者的症状进行比对。

作为一个示例，诊治范围涉及度确定单元121采用自然语言处理技术中的分词算法，如基于词典的分词方法、基于统计的分词方法等。以基于词典的分词方法为例，系统会预先构建一个包含大量医学术语和常用词汇的词典。当目标患者输入当前症状描述文本时，会从文本的开头开始，依次匹配词典中的词汇，将匹配成功的词汇切分出来，形成一个个独立的词语，最终得到第一症状描述序列。例如，对于“患者感觉全身乏力且食欲不振”，分词后可能得到“患者”“感觉”“全身”“乏力”“且”“食欲不振”这样的序列。

然后，使用字符串匹配算法或相似度计算算法，如编辑距离算法、余弦相似度算法等，将目标患者的第一症状描述序列与历史用户的第二症状描述序列进行逐一比对。例如，第一症状描述序列A为“腹痛、头晕、胳膊麻”，第二症状描述序列B为“腹痛、头晕、胳膊麻”，第二症状描述序列C为“腹痛、头疼”，此时第二症状描述序列B与第一症状描述序列A完全一致，即将第二症状描述序列B对应的历史患者确定为第一历史患者。

最后，统计每个第一历史患者对应的分诊科室信息。对于每个科室，计算该科室对应的第一历史患者数量与目标患者相关的第一历史患者总数的比值。例如，若有 10 个与目标患者具有相同病症的第一历史患者，其中 3 个被分诊到内科，那么内科对目标患者的诊治范围涉及度即为 3/10 = 0.3。

通过本实施例，通过分词处理和症状序列比对，能够更精准地找出与目标患者具有相同病症的历史患者，参考这些历史患者的分诊科室信息，即可确定各科室对目标患者的诊治范围涉及度。从而，能够使分诊更加符合目标患者的实际病情，提高了分诊的准确性。

作为一个可选实施例，目标病症信息包括当前症状和历史病历；

第一关联度确定单元122，用于：

将第一历史患者与目标患者的当前症状相对应的诊断结果，标记为匹配诊断结果；

将第一历史患者的匹配诊断结果与在匹配诊断结果之前的参考诊断结果进行比对，得到匹配诊断结果与各参考诊断结果之间的第一相似度；

将目标患者的各历史病历与目标参考诊断结果进行比对，得到目标参考诊断结果与各历史病历之间的第二相似度，目标参考诊断结果为最大的第一相似度对应的参考诊断结果；

利用第一相似度的最大值以及第二相似度的最大值，确定目标患者与第一历史患者的第一诊断结果关联度。

在本实施例中，匹配诊断结果用于表征将第一历史患者与目标患者的当前症状相对应后，第一历史患者针对这些症状所得出的诊断结果。它反映了第一历史患者在类似症状下的病症情况。

参考诊断结果用于表征在第一历史患者的诊疗过程中，匹配诊断结果之前出现的诊断结果。这些结果可以作为对比的基准，用于评估匹配诊断结果的相似性和准确性。

第一相似度用于表征第一历史患者的匹配诊断结果与参考诊断结果之间的相似程度量化指标。通过计算相似度，可以了解匹配诊断结果与之前诊断结果的一致性。

目标参考诊断结果用于表征在所有参考诊断结果中，与匹配诊断结果具有最大第一相似度的那个参考诊断结果。它代表了与当前匹配情况最相关的历史诊断。

历史病历用于表征目标患者过去在医院就诊时留下的病历记录，包含了症状、诊断、治疗等信息，可用于与目标参考诊断结果进行对比。

第二相似度用于表征目标参考诊断结果与目标患者各历史病历之间的相似程度量化指标。通过计算该相似度，可以评估目标患者过去病历与当前参考诊断结果的关联程度。

作为一个示例，第一关联度确定单元122将第一历史患者的症状描述与目标患者的当前症状进行逐一比对，找出症状匹配的部分。对于匹配的症状，将第一历史患者对应的诊断结果标记为匹配诊断结果。例如，如果目标患者当前有咳嗽、发热症状，第一历史患者也有类似症状且诊断为肺炎，那么该第一历史患者的肺炎诊断结果就标记为匹配诊断结果。

然后，收集第一历史患者在匹配诊断结果之前的所有参考诊断结果。采用相似度计算算法，如余弦相似度、杰卡德相似度等，对匹配诊断结果和每个参考诊断结果进行比对。以余弦相似度为例，将诊断结果转化为向量表示，计算两个向量之间的夹角余弦值，作为第一相似度。相似度值越接近 1，表示两个诊断结果越相似。

然后，在前一步计算出的第一相似度中，找出最大值对应的参考诊断结果作为目标参考诊断结果。同样采用相似度计算算法，将目标参考诊断结果与目标患者的各历史病历进行比对，计算第二相似度。例如，可以将目标参考诊断结果和历史病历中的症状、诊断等信息进行特征提取，然后计算向量之间的相似度。

最后，对第一相似度的最大值和第二相似度的最大值进行归一化处理，使其取值范围在 0 到 1 之间。采用加权平均的方法，根据第一相似度和第二相似度的重要性赋予不同的权重，然后计算加权平均值作为第一诊断结果关联度。例如，如果认为第一相似度更重要，可以赋予其 0.7 的权重，第二相似度赋予 0.3 的权重，计算公式为：第一诊断结果关联度 = 0.7×第一相似度最大值 + 0.3×第二相似度最大值。或者，也可以直接将第一相似度的最大值乘以第二相似度的最大值得到的结果，作为目标患者与第一历史患者的第一诊断结果关联度。

通过本实施例，综合考虑第一历史患者的诊断结果相似性以及目标患者历史病历与参考诊断结果的相似性，能够准确计算第一诊断结果关联度，从而能够更准确地评估目标患者与第一历史患者在诊断结果上的关联程度。

作为一个可选实施例，分诊权衡度确定单元124，用于：

利用医生的候诊人员以及各候诊人员对应的预测问诊时长，确定医生的诊治繁忙度；

将科室内各医生的诊治繁忙度进行均值计算，得到科室的诊治繁忙度；

利用各科室的诊治繁忙度、各诊治范围涉及度以及各第二诊断结果关联度，确定各科室对目标患者的分诊权衡度。

在本实施例中，预测问诊时长用于表征根据候诊人员的症状描述、病情复杂程度等因素，预估医生对候诊人员进行问诊所需的时间。

医生的诊治繁忙度用于衡量医生当前工作繁忙程度的指标，综合考虑了医生的候诊人员数量和每位候诊人员的预测问诊时长。

科室的诊治繁忙度用于表征对科室内所有医生的诊治繁忙度进行均值计算后得到的指标，反映了整个科室在当前时段的工作繁忙程度。

作为一个示例，分诊权衡度确定单元124先获取医生的候诊人员信息，包括候诊人员的数量和每位候诊人员的基本信息。再根据候诊人员的症状描述、病情复杂程度、历史就诊记录等因素，采用预测模型（如机器学习中的回归模型）预估每位候诊人员的问诊时长。例如，对于症状简单、病情明确的候诊人员，预测问诊时长可能较短；而对于症状复杂、需要进一步检查的候诊人员，预测问诊时长可能较长。再将每位候诊人员的预测问诊时长进行累加，得到医生的诊治繁忙度。

然后，收集科室内所有医生的诊治繁忙度，并将科室内所有医生的诊治繁忙度进行累加后再除以科室内医生数量，即可得到科室的诊治繁忙度。

最后，通过以下公式1确定科室对目标患者的分诊权衡度：

公式1

公式1中，用于表征第i个科室对目标患者的分诊权衡度，用于表征第i个科室的诊治繁忙度的归一化数值，用于表征第i个科室对目标患者的诊治范围涉及度，用于表征第i个科室与目标患者的第二诊断结果关联度，也即是第i个科室科室内所就诊的所有第一历史患者与目标患者的第一诊断结果关联度的均值。

其中，科室的诊治繁忙度越大时，越关注目标患者的当前症状在科室的诊断范围涉及程度；而当科室的诊治繁忙度越小时，越关注目标患者与历史所在该科室就诊的各第一历史患者之间的诊断结果关联性，以此来综合实现诊断资源高效分配与诊断范围涉及性等特性的综合分析。

通过本实施例，综合考虑各科室的诊治繁忙度、诊治范围涉及度以及第二诊断结果关联度，使分诊决策更加科学、全面。不仅考虑了科室对病症的诊治能力，还考虑了科室当前的工作负荷和与患者的诊断结果关联程度。从而能够根据分诊权衡度，将患者分配到最适合的科室，提高分诊的准确性，减少患者的等待时间和转诊次数。

作为一个可选实施例，利用医生的候诊人员以及各候诊人员对应的预测问诊时长，确定医生的诊治繁忙度之前，该第一信息分析模块120还包括：

时长获取单元，用于获取第二历史患者的第一历史问诊时长，第二历史患者为医生处理过的与候诊人员存在相同病症的历史患者；

时长预测单元，用于对各第一历史问诊时长进行均值处理，得到医生对候诊人员的预测问诊时长。

在本实施例中，第二历史患者用于表征医生曾经处理过的患者，并且这些患者与当前候诊人员在病症方面存在相同情况。这些历史患者的诊疗数据可以为预测当前候诊人员的问诊时长提供参考。

第一历史问诊时长是指第二历史患者在就诊时，医生对其进行问诊所实际花费的时间。这个时间记录反映了医生处理类似病症患者时的问诊时间情况。

预测问诊时长通过对第二历史患者的第一历史问诊时长进行均值处理得到的，用于预估当前候诊人员被医生问诊所需的时间。

作为一个示例，时长获取单元从医院的电子病历系统或医疗信息数据库中，筛选出与某个指定的候诊人员存在相同病症的第二历史患者。可以通过病症名称、症状描述、诊断代码等信息进行匹配。提取这些第二历史患者的第一历史问诊时长。这些数据通常记录在患者的病历中，包括问诊开始时间和结束时间，通过计算两者的时间差即可得到第一历史问诊时长。

然后，时长预测单元对所有符合条件的第二历史患者的第一历史问诊时长进行均值处理，即可得到医生对该候诊人员的预测问诊时长。

通过本实施例，预测候诊人员的问诊时长，从而使得医生可以提前规划自己的诊疗时间，合理安排每个患者的就诊顺序和时间，提高工作效率。避免因问诊时长估计不准确而导致的时间浪费或工作节奏混乱，使医生能够更加从容地处理患者。

作为一个可选实施例，病症诊治信息包括病症诊治次数以及每次诊治对应的第二历史问诊时长；

如图3所示，提供了一种第二信息分析模块的结构示意图。该第二信息分析模块130包括：

处理擅长度确定单元131，用于基于各医生对各病症类型的病症诊治次数以及每次诊治对应的第二历史问诊时长，确定各医生对各病症类型的处理擅长度；

适配病症擅长度确定单元132，用于利用各医生对各病症类型的处理擅长度，确定各医生对目标患者的适配病症擅长度；

潜在病症擅长度确定单元133，用于基于各第一历史患者的各诊断结果，确定各医生对目标患者的潜在病症擅长度，第一历史患者为与目标患者的当前症状存在相同病症的历史患者；

诊治能力适配度确定单元134，用于基于各医生对目标患者的适配病症擅长度与潜在病症擅长度，确定各医生对目标患者的诊治能力适配度。

在本实施例中，处理擅长度是指医生对于特定病症类型在诊治方面的熟练程度和能力水平，综合考虑了诊治次数和每次诊治所花费的时间等因素来衡量。

适配病症擅长度是指基于医生对各病症类型的处理擅长度，结合目标患者的具体情况，确定医生针对目标患者所患适配病症（即与目标患者症状相匹配的病症）的擅长程度。

潜在病症擅长度是指通过分析与目标患者当前症状存在相同病症的历史患者（第一历史患者）的诊断结果，来评估医生对于目标患者可能存在的潜在病症的擅长程度。

作为一个示例，处理擅长度确定单元131先收集各医生对各病症类型的病症诊治次数，以及每次诊治对应的第二历史问诊时长。具体地，这些数据可以从医院的医疗记录系统中获取。再给诊治次数和问诊时长分别赋予不同的权重，采用加权平均的方法来计算处理擅长度。其中，问诊时长越短，诊治次数越多，表示医生处理该病症越熟练，即对应的处理擅长度越大。

然后，适配病症擅长度确定单元132根据目标患者的症状描述中所包含的所有病症类型，从处理擅长度确定单元得到的结果中，提取各医生对该目标患者对应的所有病症类型的处理擅长度并进行累加，作为各医生对目标患者的适配病症擅长度。

然后，潜在病症擅长度确定单元133统计各第一历史患者的诊断结果，分析医生对这些患者潜在病症的诊断准确性和处理能力。例如，计算医生对某种潜在病症诊断正确的比例，或者根据诊断后患者的治疗效果来评估医生对该潜在病症的处理能力。再根据对第一历史患者诊断结果的分析，为各医生确定对目标患者潜在病症的擅长度。

最后，诊治能力适配度确定单元134通过以下公式2确定医生对目标患者的诊治能力适配度：

公式2

公式2中，用于表征第n个医生对目标患者的诊治能力适配度，用于表征第n个医生的诊治繁忙度的归一化数值，用于表征第n个医生对目标患者的适配病症擅长度，用于表征第n个医生对目标患者的潜在病症擅长度。

具体地，根据医生的繁忙情况来动态权衡对其不同病症擅长度进行分析，即当每个医生的诊治繁忙度越高时，越关注与目标患者的适配病症擅长度；而当每个医生的诊治繁忙度越低时，越关注与目标患者的潜在病症擅长度，以此来综合量化每个医生对目标患者的诊治能力适配度。

通过本实施例，综合考虑医生对各病症类型的处理擅长度、对目标患者适配病症的擅长度以及潜在病症擅长度，能够更全面、准确地评估医生对目标患者的诊治能力适配度，从而为患者精准匹配最适合的医生，提高诊断和治疗的准确性和有效性。

作为一个可选实施例，处理擅长度确定单元131，用于：

将目标医生对目标病症类型的病症诊治次数，除以目标科室内各医生对目标病症类型的病症诊治次数平均值，得到目标医生对目标病症类型的诊治次数优先度，目标医生为任意一个医生，目标病症类型为任意一种病症类型，目标科室为目标医生所在的科室；

将目标医生对目标病症类型的各第二历史问诊时长进行均值计算，得到目标医生对目标病症类型的第一诊治平均时长；

基于第一诊治平均时长以及目标科室内各医生对目标病症类型的第二诊治平均时长，确定目标医生对目标病症类型的诊治时长优先度；

利用诊治次数优先度以及诊治时长优先度，确定目标医生对目标病症类型的处理擅长度。

在本实施例中，目标医生是指在某个特定科室中，被选取进行评估的任意一个医生；目标病症类型是指任意一种需要评估医生处理擅长度的病症类别。

诊治次数优先度用于衡量目标医生相对于所在科室其他医生，在诊治特定病症类型次数方面的优势程度。

第一诊治平均时长是指目标医生对目标病症类型各次第二历史问诊时长的平均值，第二诊治平均时长是指目标科室内各医生对目标病症类型第二历史问诊时长的平均值。

诊治时长优先度是指基于目标医生的第一诊治平均时长和科室内其他医生的第二诊治平均时长，衡量目标医生在诊治特定病症类型时长方面的优势程度。

作为一个示例，处理擅长度确定单元131从医院的医疗记录系统中获取目标科室内各医生对目标病症类型的病症诊治次数。再将目标医生对目标病症类型的病症诊治次数，除以目标科室内各医生对目标病症类型的病症诊治次数平均值，即可得到目标医生对目标病症类型的诊治次数优先度。

再收集目标科室内各医生对目标病症类型的第二历史问诊时长，并计算其平均值，得到第二诊治平均时长；同时，将目标医生对目标病症类型的各第二历史问诊时长进行均值计算，得到目标医生对目标病症类型的第一诊治平均时长。从而根据第一诊治平均时长与第二诊治平均时长，评估目标医生对目标病症类型的诊治时长优先度。

最后，利用诊治次数优先度以及诊治时长优先度，确定目标医生对目标病症类型的处理擅长度。

具体地，处理擅长度具体可以通过以下公式3进行确定：

公式3

公式3中，用于表征目标科室内第n个医生（即目标医生）对第j种病症类型（即目标病症类型）的处理擅长度，用于表征目标科室内第n个医生对第j种病症类型的病症诊治次数，用于表征目标科室内各医生对第j种病症类型的病症诊治次数平均值，其中为非零常数。用于表征目标科室内第n个医生对第j种病症类型的第一诊治平均时长，用于表征目标科室内各医生对第j种病症类型的第二诊治平均时长，其中为非零常数，norm用于表征标准化处理。

其中，用于表征目标科室内第n个医生对第j种病症类型的诊治次数优先度，用于表征目标科室内第n个医生对第j种病症类型的诊治时长优先度；当目标科室内第n个医生相对于同科室其他医生，对第j种病症类型的相对处理次数更多或相对处理速度更快时，其对应的处理擅长度越大。

通过本实施例，通过量化诊治次数和诊治时长两个关键指标，并计算诊治次数优先度与诊治时长优先度，能够更客观、全面地评估医生对特定病症类型的处理能力，避免了主观评价的偏差。

作为一个可选实施例，潜在病症擅长度确定单元133，用于：

对各第一历史患者的各诊断结果进行统计，得到各病症类型的出现次数；

将出现次数满足预设次数条件，且不属于目标患者当前症状的病症类型，确定为目标患者的潜在病症类型；

基于目标患者的潜在病症类型，确定各医生对目标患者的潜在病症擅长度。

在本实施例中，预设次数条件用于表征预先设定的一个关于病症类型出现次数的标准，用于筛选出具有一定普遍性或重要性的病症类型。例如，可以设定出现次数超过一定比例（如 10%）或达到一定绝对数量（如50次）的病症类型才满足条件。

潜在病症类型用于表征基于第一历史患者的诊断结果，筛选出的既满足预设次数条件又不属于目标患者当前症状的病症类型，这些病症类型可能是目标患者未来可能出现的病症。

作为一个示例，潜在病症擅长度确定单元133按照病症类型对各第一历史患者的各诊断结果进行分类，统计每种病症类型出现的次数。可以使用数据库查询语言（如SQL）或数据分析工具（如Python的Pandas库）来实现数据的分类和计数。

然后，从统计得到的各病症类型出现次数中，筛选出满足预设次数条件的病症类型。然后，排除目标患者当前症状所对应的病症类型，将剩余的病症类型确定为目标患者的潜在病症类型。可以使用编程语言（如 Python）编写逻辑代码来实现这一筛选过程。

最后，提取各医生对该目标患者对应的所有潜在病症类型的处理擅长度并进行累加，作为各医生对目标患者的潜在病症擅长度。

通过本实施例，分析第一历史患者的诊断结果，确定目标患者的潜在病症类型，有助于提前发现患者可能面临的健康风险。同时，基于潜在病症类型确定各医生对目标患者的潜在病症擅长度，能够更精准地为患者匹配最适合的医生，提高医生对患者潜在病症的诊断和治疗能力。

作为一个可选实施例，患者分诊模块140，用于：

基于各分诊权衡度与各诊治能力适配度，确定各医生对目标患者的优选分诊度；

基于各优选分诊度之间的大小关系，对目标患者进行分诊。

在本实施例中，优选分诊度是指基于分诊权衡度和诊治能力适配度计算得出的，用于确定各医生对目标患者分诊优先级的指标。优选分诊度越高，说明该医生越适合诊治目标患者。

作为一个示例，患者分诊模块140可以根据实际情况和专家经验，为分诊权衡度和诊治能力适配度设定合理的权重。假设分诊权衡度的权重为α，诊治能力适配度的权重为β，且α+β=1。然后，将医生所在诊室的分诊权衡度乘以对应的权重，以及医生对应的诊治能力适配度乘以对应的权重后进行累加，即可得到医生对目标患者的优选分诊度。

最后，将所有医生的优选分诊度按照从大到小的顺序进行排序。根据排序结果，选择优选分诊度最高的医生作为目标患者的分诊对象。如果存在多个医生优选分诊度相同且均为最高值，可以进一步考虑其他因素，如患者的个人意愿等，进行综合决策。

通过本实施例，综合考虑了科室的综合优势和医生个人的诊治能力，使分诊更加科学、合理。能够将患者分配到最适合的医生处，提高诊断的准确性和治疗效果。避免了仅考虑科室因素或医生因素而导致的分诊偏差，提高了分诊的精准度。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述系统包括：

信息获取模块，用于获取各医生的候诊人员、病症诊治信息以及目标患者的目标病症信息；

第一信息分析模块，用于基于所述目标患者的目标病症信息以及各所述医生的候诊人员，确定各科室对所述目标患者的分诊权衡度，所述分诊权衡度用于表征所述目标患者适合前往所述科室就诊的综合匹配程度；

第二信息分析模块，用于基于各所述医生的病症诊治信息，确定各所述医生对所述目标患者的诊治能力适配度，所述诊治能力适配度用于表征所述医生对所述目标患者的病症进行诊治的适配程度；

患者分诊模块，用于基于各所述分诊权衡度与各所述诊治能力适配度，对所述目标患者进行分诊；

所述目标病症信息包括当前症状和历史病历；

所述第一信息分析模块，包括：

第一关联度确定单元，用于基于所述目标患者的目标病症信息以及各第一历史患者的诊断结果，确定所述目标患者与各所述第一历史患者的第一诊断结果关联度，所述第一历史患者为与所述目标患者的当前症状存在相同病症的历史患者；

所述第一诊断结果关联度的获取方法具体包括：

将所述第一历史患者与所述目标患者的当前症状相对应的诊断结果，标记为匹配诊断结果；

将所述第一历史患者的匹配诊断结果与在所述匹配诊断结果之前的参考诊断结果进行比对，得到所述匹配诊断结果与各所述参考诊断结果之间的第一相似度；其中，参考诊断结果用于表征在第一历史患者的诊疗过程中，匹配诊断结果之前出现的诊断结果；

将所述目标患者的各所述历史病历与目标参考诊断结果进行比对，得到所述目标参考诊断结果与各所述历史病历之间的第二相似度，所述目标参考诊断结果为最大的所述第一相似度对应的所述参考诊断结果；

利用所述第一相似度的最大值以及所述第二相似度的最大值，确定所述目标患者与所述第一历史患者的所述第一诊断结果关联度。

2.根据权利要求1所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述第一信息分析模块，包括：

诊治范围涉及度确定单元，用于基于所述目标患者的目标病症信息，确定各所述科室对所述目标患者的诊治范围涉及度；

第一关联度确定单元，用于基于所述目标患者的目标病症信息以及各第一历史患者的诊断结果，确定所述目标患者与各所述第一历史患者的第一诊断结果关联度，所述第一历史患者为与所述目标患者的当前症状存在相同病症的历史患者；

第二关联度确定单元，用于利用所述目标患者与各所述第一历史患者的第一诊断结果关联度，确定所述目标患者与各所述科室的第二诊断结果关联度；

分诊权衡度确定单元，用于基于各所述诊治范围涉及度、各所述第二诊断结果关联度以及各所述医生的候诊人员，确定各所述科室对所述目标患者的所述分诊权衡度。

3.根据权利要求2所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述诊治范围涉及度确定单元，用于：

对所述目标患者的当前症状进行分词处理，得到所述目标患者的第一症状描述序列；

将所述第一症状描述序列与各历史用户的第二症状描述序列进行比对，确定与所述目标患者具有相同病症的所述第一历史患者；

利用各所述第一历史患者对应的分诊科室，确定各所述科室对所述目标患者的所述诊治范围涉及度。

4.根据权利要求2所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述分诊权衡度确定单元，用于：

利用所述医生的候诊人员以及各所述候诊人员对应的预测问诊时长，确定所述医生的诊治繁忙度；

将所述科室内各所述医生的诊治繁忙度进行均值计算，得到所述科室的诊治繁忙度；

利用各所述科室的诊治繁忙度、各所述诊治范围涉及度以及各所述第二诊断结果关联度，确定各所述科室对所述目标患者的所述分诊权衡度。

5.根据权利要求4所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述利用所述医生的候诊人员以及各所述候诊人员对应的预测问诊时长，确定所述医生的诊治繁忙度之前，所述第一信息分析模块还包括：

时长获取单元，用于获取第二历史患者的第一历史问诊时长，所述第二历史患者为所述医生处理过的与所述候诊人员存在相同病症的历史患者；

时长预测单元，用于对各所述第一历史问诊时长进行均值处理，得到所述医生对所述候诊人员的预测问诊时长。

6.根据权利要求5所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述病症诊治信息包括病症诊治次数以及每次诊治对应的第二历史问诊时长；

所述第二信息分析模块，包括：

处理擅长度确定单元，用于基于各所述医生对各病症类型的所述病症诊治次数以及每次诊治对应的所述第二历史问诊时长，确定各所述医生对各所述病症类型的处理擅长度；

适配病症擅长度确定单元，用于利用各所述医生对各所述病症类型的处理擅长度，确定各所述医生对所述目标患者的适配病症擅长度；

潜在病症擅长度确定单元，用于基于各第一历史患者的各诊断结果，确定各所述医生对所述目标患者的潜在病症擅长度，所述第一历史患者为与所述目标患者的当前症状存在相同病症的历史患者；

诊治能力适配度确定单元，用于基于各所述医生对所述目标患者的所述适配病症擅长度与所述潜在病症擅长度，确定各所述医生对所述目标患者的所述诊治能力适配度。

7.根据权利要求6所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述处理擅长度确定单元，用于：

将目标医生对目标病症类型的所述病症诊治次数，除以目标科室内各医生对所述目标病症类型的病症诊治次数平均值，得到所述目标医生对所述目标病症类型的诊治次数优先度，所述目标医生为任意一个所述医生，所述目标病症类型为任意一种所述病症类型，所述目标科室为所述目标医生所在的科室；

将所述目标医生对所述目标病症类型的各所述第二历史问诊时长进行均值计算，得到所述目标医生对所述目标病症类型的第一诊治平均时长；

基于所述第一诊治平均时长以及所述目标科室内各医生对所述目标病症类型的第二诊治平均时长，确定所述目标医生对目标病症类型的诊治时长优先度；

利用所述诊治次数优先度以及所述诊治时长优先度，确定所述目标医生对所述目标病症类型的所述处理擅长度。

8.根据权利要求6所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述潜在病症擅长度确定单元，用于：

对各所述第一历史患者的各所述诊断结果进行统计，得到各所述病症类型的出现次数；

将所述出现次数满足预设次数条件，且不属于所述目标患者当前症状的所述病症类型，确定为所述目标患者的潜在病症类型；

基于所述目标患者的潜在病症类型，确定各所述医生对所述目标患者的所述潜在病症擅长度。

9.根据权利要求1-8任意一项所述的提升院内门诊医生工作效率的智能分诊协助系统，其特征在于，所述患者分诊模块，用于：

基于各所述分诊权衡度与各所述诊治能力适配度，确定各所述医生对所述目标患者的优选分诊度；

基于各所述优选分诊度之间的大小关系，对所述目标患者进行分诊。