问诊辅助方法、问诊辅助装置、设备及存储介质与流程

1.本技术涉及人工智能领域，尤其涉及问诊辅助方法、问诊辅助装置、计算机设备及存储介质。


背景技术：

2.随着医疗行业的发展以及人们生活水平的提高，人们对医疗资源的需求也更加旺盛。但是由于患者数量较多，医生的时间有限，往往导致患者排队时间过长，出现看病难的现象。对于老人家，由于身体原因，也很难频繁去医院进行咨询或进行疾病诊断。
3.针对于慢性疾病比如糖尿病、高血压等，治疗周期一般都是很漫长的，患者的身体状况随时都会出现特殊情况，可是医生的时间十分宝贵，无法做到时刻在线并及时对患者进行疾病判断。而目前的在线问诊手段无法及时获取用户的诉求并进行及时回复，导致患者等待时间过久，用户体验较差。


技术实现要素：

4.本技术提供了一种问诊辅助方法、问诊辅助装置、计算机设备及存储介质，旨在减少用户在在线问诊过程中的等待时间。
5.为实现上述目的，本技术提供一种问诊辅助方法，所述方法包括：
6.获取第一客户端的问诊需求信息和用户画像信息；
7.根据所述用户画像信息对所述问诊需求信息进行关键信息提取，得到第一关键信息；
8.获取所述第一客户端的问诊交互信息，对所述问诊交互信息进行特征提取，得到特征信息；
9.根据所述特征信息确定所述第一客户端对应的问诊阶段；
10.若检测到第二客户端的用户状态为离线状态，则根据所述第一关键信息和所述问诊阶段生成所述问诊需求信息对应的回复信息，并将所述回复信息发送至所述第一客户端。
11.为实现上述目的，本技术还提供一种问诊辅助装置，所述问诊辅助装置包括：
12.信息获取模块，用于获取第一客户端的问诊需求信息和用户画像信息；
13.信息提取模块，用于根据所述用户画像信息对所述问诊需求信息进行关键信息提取，得到第一关键信息；
14.特征提取模块，用于获取所述第一客户端的问诊交互信息，对所述问诊交互信息进行特征提取，得到特征信息；
15.问诊阶段确定模块，用于根据所述特征信息确定所述第一客户端对应的问诊阶段；
16.回复信息生成模块，用于若检测到第二客户端的用户状态为离线状态，则根据所述第一关键信息和所述问诊阶段生成所述问诊需求信息对应的回复信息，并将所述回复信
息发送至所述第一客户端。
17.此外，为实现上述目的，本技术还提供一种计算机设备，所述计算机设备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，用于执行所述的计算机程序并在执行所述的计算机程序时实现本技术实施例提供的任一项所述的问诊辅助方法。
18.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本技术实施例提供的任一项所述的问诊辅助方法。
19.本技术实施例公开的问诊辅助方法、问诊辅助装置、设备及存储介质，通过对问诊信息进行信息提取以及特征提取，确定问诊信息对应的问诊阶段，并且在医生不在线的情况下，根据确定的问诊阶段和提取得到的特征信息生成回复信息。由此可以在医生不在线时智能给出治疗建议或在医生在线时智能辅助医生进行疾病诊断，提高用户使用体验。
附图说明
20.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
21.图1是本技术实施例提供的一种问诊辅助方法的场景示意图；
22.图2是本技术实施例提供的一种问诊辅助方法的流程示意图；
23.图3是本技术一实施例提供的一种问诊辅助装置的示意性框图；
24.图4是本技术一实施例提供的一种计算机设备的示意性框图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
26.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
27.在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
28.目前，普通百姓看病难、看病贵是我国医疗体系最突出的问题。国内医疗资源分布不均，一、二线线城市聚集着大量优质的医疗资源，而城镇、农村的医疗资源匮乏，去一次城市看诊耗费大量的时间、金钱成本，在线问诊是一种打通医疗资源的有效方式。通过互联网，人人都可以通过移动终端、pc端和医生端建立连接，通过在线问诊的方式得到医生的云诊断，由此可以大大节约时间、金钱成本。
29.同时大多数人出门就诊一次也很不方便，通过在线问诊寻求医生的用药建议也是非常好的一种手段。尤其针对于慢性疾病比如糖尿病、高血压等，治疗周期一般都是很漫长
的，患者的身体状况随时都会出现特殊情况，可是这些医生的时间十分宝贵，无法做到时刻在线并及时对患者进行疾病判断。而目前的在线问诊手段无法在医生不在线的时候，及时获取用户的诉求，围绕用户的诉求对患者情况进行进一步了解，并智能给出治疗建议。
30.为解决上述问题，本技术提供了一种问诊辅助方法，应用在服务器，由此可以在医生不在线时智能给出治疗建议或在医生在线时智能辅助医生进行疾病诊断，提高用户使用体验。
31.其中，服务器例如可以为单独的服务器或服务器集群。但为了便于理解，以下实施例将以应用于服务器的问诊辅助方法进行详细介绍。
32.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
33.如图1所示，本技术实施例提供的问诊辅助方法，可以应用于如图1所示的应用环境中。该应用环境中包含有第一客户端110、第二客户端120和服务器130，其中，第一客户端110和第二客户端120可以通过网络与服务器130进行通信。具体地，服务器130获取第一客户端110发送的问诊信息和用户画像信息，根据问诊信息和用户画像信息生成第一关键信息和特征信息并确定对应的问诊阶段，最后检测第二客户端120的用户状态，若检测到第二客户端120的用户状态为离线状态，生成对应的回复信息并发送给第一客户端110。其中，服务器130可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。第一客户端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
34.请参阅图2，图2是本技术实施例提供的一种问诊辅助方法的示意流程图。其中，该问诊辅助方法可以应用在问诊系统中，具体应用在问诊系统的服务器中，所述问诊系统包括第一客户端和第二客户端，所述第一客户端为患者对应的客户端，所述第二客户端为医生对应的客户端。由此可以在医生不在线时智能给出治疗建议或在医生在线时智能辅助医生进行疾病诊断，提高用户使用体验。
35.如图2所示，该问诊辅助方法包括步骤s101至步骤s105。
36.s101、获取第一客户端的问诊需求信息和用户画像信息。
37.其中，所述第一客户端为患者对应的客户端，所述问诊需求信息通过在问诊系统获取，具体可以为患者通过第一客户端与医生对应的第二客户端进行交互的信息。所述画像信息为通过收集患者的个体人群信息以及临床治疗、定期体检、慢性病监测等过程中产生的大量电子病历、体检报告等数据。通俗来讲，患者画像，就是给患者贴上“标签条”，而一个标签条通常是具备高辨识特性的标识，例如通过年龄、性别、地区、喜好、家族史、既往患病历史等多个维度，可以通过多个维度来表示患者，由此可以快速识别患者对应的问诊需求。
38.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及
应用系统。
39.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
40.具体地，所述问诊需求信息为用户通过第一客户端发送的需求信息，比如可以患者的病情自述信息等描述患者身体状况的信息。
41.s102、根据所述用户画像信息对所述问诊需求信息进行关键信息提取，得到第一关键信息。
42.其中，所述第一关键信息为问诊需求信息中与患者预期疾病相关的信息，由此能够更精准地确定回复信息。
43.在一些实施例中，根据所述用户画像信息确定患者对应的预期疾病，并确定所述预期疾病对应的疾病信息数据库；对所述问诊需求信息进行分词处理，并预测分词处理之后的每个分词对应的词义；根据所述疾病信息数据库对所述词义进行筛选，得到第一关键信息。由此可以先根据画像信息确定患者的预期疾病以及对应的疾病信息数据库，从而提取到更符合患者预期疾病的信息。
44.其中，所述预期疾病为患者存在的疾病或预测将来会出现的疾病，每种疾病对应有该疾病对应的疾病信息数据库，所述疾病信息数据库用于储存每种疾病对应的疾病信息，所述疾病信息包括每种疾病对应的标准名、近义词以及关联症状词等等。
45.示例性的，患者的画像信息可以为年龄40岁、性别男、既往患病历史为肠胃炎、急性阑尾炎等信息，从而确定该患者对应的预期疾病可能为严重肠道疾病，并确定严重肠道疾病对应的疾病信息数据库，再基于所述疾病信息数据库的标准名、近义词以及关联症状词等信息对所述问诊需求信息进行信息提取，得到第一关键信息。
46.示例性的，患者的画像信息可以为年龄40岁、性别男、既往患病历史为肠胃炎、急性阑尾炎以及血糖过高等信息，从而确定该患者对应的预期疾病可能包括严重肠道疾病和糖尿病，并分别确定严重肠道疾病以及糖尿病对应的疾病信息数据库，再基于各所述疾病信息数据库的标准名、近义词以及关联症状词等信息对所述问诊需求信息进行信息提取，并整合各所述疾病信息数据库提取到的信息，从而得到第一关键信息。
47.需要说明的是，根据所述画像信息所确定患者的预期疾病可以为一种，也可以为多种。
48.在一些实施例中，基于预先训练好的疾病分类预测模型，并根据所述画像信息确定预期疾病；其中，所述疾病分类预测模型包括全连接层和softmax层。具体地，将所述画像信息输入到预先训练好的疾病分类模型中，最后所述疾病分类模型能够输出患者对应的预期疾病。
49.其中，所述全连接层将权重矩阵与输入向量相乘再加上偏置，将n种疾病种类映射为k个实数，同时，所述softmax层将k个实数映射为k个在(0,1)中的实数(概率)，同时保证它们之和为1。示例性的，最后可以分别得到癌症的概率为50％、肺结核肺部炎症的概率为30％和肺部良性肿瘤疾病的概率为20％。
50.而具体概率计算公式为：
51.γ＝softmax(z)＝softmax(w
t
x b)
52.其中，x为全连接层的输入，具体可以将所述画像信息作为全连接层的输入，w为权重，w
t
x为权重与全连接层的输入的内积，b为偏置项，γ为softmax输出的概率，由此可以计算得到每种患病种类对应的概率。经过全连接层，获得k个患病种类在(-∞， ∞)范围内的分数，为了得到每种患病种类对应的概率，先通过将分数映射到(0， ∞)，然后在归一化到(0,1)中，从而得到对应的概率，具体的softmax计算公式为：
[0053][0054]
其中，zj可以表示为第j个患病种类的对应的分数，具体地，zj＝wj*x bj，其中，bj为第j个患病种类对应的偏置项，wj为第j个患病种类对应的特征权重，即每个特征的重要程度、对最终分数的影响程度，通过对特征加权求和得到每个类别的分数，再经过softmax函数映射为概率。
[0055]
具体地，确定每种疾病对应的概率是否大于预设概率阈值；若该种患病对应的概率大于预设概率阈值，则认为该种疾病为患者对应的预期疾病；若该种患病对应的概率不大于预设概率阈值，则认为该种疾病不为患者对应的预期疾病。
[0056]
其中，所述预设概率阈值可以为任意概率值，在此不做具体限定。
[0057]
在一些实施例中，对所述问诊需求信息进行分词处理，得到所述问诊需求信息对应的分词结果；基于医疗词义预测模型对所述分词结果中每个分词进行词义预测，得到每个分词对应的词义预测结果。由此可以筛选得到更符合患者预期疾病的信息，从而更准确地确定回复信息。
[0058]
具体地，可以通过分词算法对所述问诊需求信息进行分词处理，得到所述问诊需求信息对应的分词结果。
[0059]
示例性的，由于问诊需求信息一般是患者自述自己哪里不舒服，因此可以通过对问诊需求信息进行分词处理，并能够准确地筛选得到患者的自述症状。
[0060]
其中，所述分词算法可以为基于隐马尔可夫模型的分词算法、基于条件随机场的分词算法等算法。所述医疗词义预测模型用于预测分词结果与对应的各疾病信息数据库中信息的相似程度，所述语义预测模型可以包括lstm匹配模型、mv-dssm模型、esim模型等模型。所述词义预测结果为每个分词与对应的各疾病信息数据库中信息的相似度。
[0061]
具体地，可以通过医疗词义预测模型在对应的疾病信息数据库中进行医疗分词的匹配，计算每个分词与标准医疗分词数据库中的标准医疗分词的相似度，根据所述相似度对每个所述词义预测结果进行排序，得到排序结果；基于所述排序结果对所述分词结果进行筛选，得到第一关键信息。
[0062]
示例性的，若确定预期疾病为糖尿病，且对问诊需求信息进行分词后，分词结果中的分词包括尿频、易饿、焦虑、震颤、脚痛、脱发等，由于尿频、易饿、焦虑、震颤属于血糖异常的常见症状，因此尿频、易饿、焦虑、震颤这几个症状对应的相似度较高，而焦虑和震颤不属于血糖异常的常见症状，因此焦虑和震颤这两个症状对应的相似度较低，因此可能在后续的筛选中把相似度较低的分词筛选掉，得到比较符合血糖并发症对应的分词，并将包括这些分词的病历信息作为第一关键信息。
[0063]
s103、获取所述第一客户端的问诊交互信息，对所述问诊交互信息进行特征提取，得到特征信息。
[0064]
其中，所述问诊交互信息可以通过采集第一客户端与第二客户端的聊天记录所获得，所述聊天记录为患者与医生进行问诊交流的信息，具体可以通过在问诊系统获取。所述特征信息可以包括问诊用时、交互信息量和交互内容等。
[0065]
在一些实施例中，对所述问诊交互信息进行用时统计，得到问诊用时信息；和/或，对所述问诊交互信息进行数量统计，得到交互信息量；和/或，对所述问诊交互信息进行语义识别，得到交互内容信息。
[0066]
其中，所述问诊用时用于表征问诊交互信息中患者与医生的交流时长，所述交互信息量用于表征问诊交互信息中患者与医生的交流信息条数，所述交互内容用于表征患者与医生的聊天话题以及聊天空间。
[0067]
需要说明的是，特征信息可以包括问诊用时、交互信息量或交互内容，也可以包括问诊用时、交互信息量和交互内容中任意两项或三项。具体可以由实际情况自行确定。
[0068]
s104、根据所述特征信息确定所述第一客户端对应的问诊阶段。
[0069]
其中，问诊阶段可以包括3个阶段，第一阶段用于表征医生了解患者的主诉，第二阶段用于表征医生给出治疗建议，第三阶段用于表征患者询问医生预后或者说饮食建议等。由此可以通过先确定问诊阶段可以提高回复信息的准确性，筛选掉不符合该问诊阶段的建议，避免答非所问，提高患者交互的体验。
[0070]
由于医生可能会存在有事而突然离线的情况，因此每次问诊对应的问诊信息可能处于不同的问诊阶段，若能准确地确定第一客户端所处的问诊阶段，则可以提高生成的回复信息的准确性。
[0071]
具体地，可以对所述问诊交互信息进行用时统计，从而确定问诊用时；若问诊用时属于第一预设用时区间，则确定问诊信息对应的问诊阶段为第一阶段；若问诊用时属于第二预设用时区间，则确定问诊信息对应的问诊阶段为第二阶段；若问诊用时属于第三预设用时区间，则确定问诊信息对应的问诊阶段为第三阶段。其中，所述第一预设用时区间、第二预设用时区间和第三预设用时区间可以为任意用时区间，在此不做具体限定。
[0072]
示例性的，若问诊用时在5分钟以内，则可以确定问诊信息对应的问诊阶段为第一阶段；若问诊用时在5—20分钟的用时区间，则可以确定问诊信息对应的问诊阶段为第二阶段；若问诊用时在大于20分钟的用时区间，则可以确定问诊信息对应的问诊阶段为第三阶段。
[0073]
具体地，对患者与医生的聊天条数进行数量统计，得到交互信息量；若交互信息量属于第一预设交互信息量区间，则确定问诊信息对应的问诊阶段为第一阶段；若交互信息量属于第二预设交互信息量区间，则确定问诊信息对应的问诊阶段为第二阶段；若交互信息量属于第三预设交互信息量区间，则确定问诊信息对应的问诊阶段为第三阶段。其中，所述第一预设交互信息量区间、第二预设交互信息量区间和第三预设交互信息量区间可以为任意交互信息量区间，在此不做具体限定。
[0074]
示例性的，若聊天条数在20条以内，则可以确定问诊信息对应的问诊阶段为第一阶段；若聊天条数在20-40条之间，则可以确定问诊信息对应的问诊阶段为第二阶段；若聊天条数大于40条，则可以确定问诊信息对应的问诊阶段为第三阶段。
[0075]
具体地，对所述问诊交互信息进行语义识别，得到交互内容，并交互内容中患者与医生的聊天话题进行统计。示例性的，若确定聊天话题倾向于患者自述自己的感受，比如用语包括我如何，血糖高度等，则可以确定问诊信息对应的问诊阶段为第一阶段；若确定聊天话题倾向于医生给出医疗建议，比如用语包括康复治疗手段，用药剂量等，则可以确定问诊信息对应的问诊阶段为第二阶段；若确定聊天话题倾向于医生给出饮食建议，比如用语包括饮食忌口，饮食要求等，则可以确定问诊信息对应的问诊阶段为第三阶段。
[0076]
具体地，对所述问诊交互信息进行语义识别，得到交互内容，并交互内容中患者与医生的聊天空间进行统计。示例性的，若确定聊天空间倾向于患者在说话，则可以确定问诊信息对应的问诊阶段为第一阶段；若确定聊天空间倾向于医生在说话，则可以确定问诊信息对应的问诊阶段为第二阶段或第三阶段。
[0077]
需要说明的是，可以通过问诊用时、交互信息量或交互内容等因子分别确定问诊信息对应的问诊阶段，也可以通过问诊用时、交互信息量和交互内容中任意两项或三项等因子任意组合综合判断问诊信息对应的问诊阶段。
[0078]
在一些实施例中，基于预设权重比例为所述特征信息分配对应的权重比例；将所述特征信息对应的权重比例输入到预训练的问诊阶段预测模型，得到所述问诊信息对应的问诊阶段。其中，所述预设权重比例可以是通过人为确定，也可以是通过大数据确定，具体是通过大量的真实的医生、患者沟通的数据，从而确定哪种因子对于问诊阶段的确定重要性较高，则为其分配较高的权重。所述预训练的问诊阶段预测模型可以用于预测问诊阶段，具体可以基于卡尔曼滤波预测模型或bp神经网络预测模型训练得到。由此可以更准确地确定问诊阶段。
[0079]
示例性的，基于预设权重比例分别为所述问诊用时、所述交互信息量和所述交互内容分配权重比例，比如可以依次为30％、20％和50％，并将所述问诊用时、所述交互信息量和所述交互内容以及各自对应的权重比例输入到预训练的问诊阶段预测模型，得到所述问诊信息对应的问诊阶段。
[0080]
s105、若检测到第二客户端的用户状态为离线状态，则根据所述第一关键信息和所述问诊阶段生成所述问诊需求信息对应的回复信息，并将所述回复信息发送至所述第一客户端。
[0081]
其中，所述回复信息是对于问诊需求信息的回复，具体是通过自动回复服务器根据关键信息和问诊阶段生成的，并自动在问诊系统上回复患者的疑问，回复信息可以是问诊建议、饮食建议或询问患者身体情况等等。
[0082]
在一些实施例中，根据所述第一关键信息在医疗病历数据库中进行查询，得到包括所述第一关键信息的病历信息并将其作为目标病历信息；遍历所述目标病历信息，并在所述目标病历信息中匹配得到所述问诊需求信息对应的回复信息。其中，所述医疗病历数据库用于存储大量病例数据，存储有大量患者对于不同疾病、不同问诊阶段的问诊建议等回复信息。
[0083]
具体地，可以根据所述关键信息在医疗病历数据库搜寻，从而搜寻得到包括关键信息的病历信息，并将该作为目标病历信息；并遍历所述目标病历信息，确定目标病历信息中与问诊信息相对应的问诊阶段，再查看该问诊阶段对应的多条问诊建议，最终结合多条问诊建议生成回复信息。
[0084]
示例性的，可以分别确定目标病历信息中的多条问诊建议与问诊需求信息相关性，并将与问诊需求信息相关性最高的一条或几条问诊建议作为回复信息。
[0085]
在一些实施例中，确定所述问诊需求信息对应的回复信息是否包括第二关键信息；若所述回复信息包括第二关键信息，则将所述回复信息发送至所述第二客户端，并对所述第二客户端进行页面曝光计算；若所述第二客户端的页面曝光时间超过预设的曝光时间阈值，则将所述回复信息发送至所述第一客户端。
[0086]
其中，所述第二关键信息为需要患者谨慎处理或容易造成不良后果等敏感内容，比如为用药剂量过大会造成严重不良后果，比如药品为处方药，需要医生进一步确认等情况，均可以作为第二关键信息。所述预设的曝光时间阈值可以为任意时间，一般为30s。由此可以将涉及第二关键信息的回复先发送给医生并确保医生认真查看后，再将该回复信息发送给患者，以避免出现不良后果。
[0087]
示例性的，比如生成的回复信息为用药建议，某些药可能需要对服用剂量有严格的控制，因此需要医生进行查看后并重点提醒患者按照对应的剂量进行服用，以确保患者的用药安全。
[0088]
在一些实施例中，检测所述第二客户端的用户状态，若检测到所述第二客户端的用户状态为在线状态，将所述问诊需求信息发送至所述第二客户端，并将在所述第二客户端接收到的回复信息发送至所述第一客户端。由此可以通过检测医生对应的客户端是否在线，从而确定智能生成回复信息或发送给医生进行查看。
[0089]
具体地，第二客户端的用户状态可以由第二客户端的用户自行设置，比如当医生比较繁忙时，可以将用户状态设置为离线状态，但仍可以对涉及第二关键信息的回复信息进行审核，由此可以辅助医生问诊，减轻医生负担，同时提高用户的问诊体验。
[0090]
请参阅图3，图3是本技术一实施例提供的一种问诊辅助装置的示意性框图，该问诊辅助装置可以配置于服务器中，用于执行前述的问诊辅助方法。
[0091]
如图3所示，该问诊辅助装置200包括：信息获取模块201、信息提取模块202、特征提取模块203、问诊阶段确定模块204和回复信息生成模块205。
[0092]
信息获取模块201，用于获取第一客户端的问诊需求信息和用户画像信息；
[0093]
信息提取模块202，用于根据所述用户画像信息对所述问诊需求信息进行关键信息提取，得到第一关键信息；
[0094]
特征提取模块203，用于获取所述第一客户端的问诊交互信息，对所述问诊交互信息进行特征提取，得到特征信息；
[0095]
问诊阶段确定模块204，用于根据所述特征信息确定所述第一客户端对应的问诊阶段；
[0096]
回复信息生成模块205，用于若检测到第二客户端的用户状态为离线状态，则根据所述第一关键信息和所述问诊阶段生成所述问诊需求信息对应的回复信息，并将所述回复信息发送至所述第一客户端。
[0097]
信息提取模块202，还用于根据所述用户画像信息确定患者对应的预期疾病，并确定所述预期疾病对应的疾病信息数据库；对所述问诊需求信息进行分词处理，并预测分词处理之后的每个分词对应的词义；根据所述疾病信息数据库对所述词义进行筛选，得到第一关键信息。
[0098]
信息提取模块202，还用于对所述问诊需求信息进行分词处理，得到所述问诊需求信息对应的分词结果；基于医疗词义预测模型对所述分词结果中每个分词进行词义预测，得到每个分词对应的词义预测结果。
[0099]
问诊阶段确定模块204，还用于基于预设权重比例为所述特征信息分配对应的权重比例；将所述特征信息对应的权重比例输入到预训练的问诊阶段预测模型，得到所述问诊信息对应的问诊阶段。
[0100]
特征提取模块203，还用于对所述问诊交互信息进行用时统计，得到问诊用时信息；和/或，对所述问诊交互信息进行数量统计，得到交互信息量；和/或，对所述问诊交互信息进行语义识别，得到交互内容信息。
[0101]
回复信息生成模块205，还用于根据所述第一关键信息在医疗病历数据库中进行查询，得到包括所述第一关键信息的病历信息并将其作为目标病历信息；遍历所述目标病历信息，并在所述目标病历信息中匹配得到所述问诊需求信息对应的回复信息。
[0102]
回复信息确认模块206，用于确定所述问诊需求信息对应的回复信息是否包括第二关键信息；若所述回复信息包括第二关键信息，则将所述回复信息发送至所述第二客户端，并对所述第二客户端进行页面曝光计算；若所述第二客户端的页面曝光时间超过预设的曝光时间阈值，则将所述回复信息发送至所述第一客户端。
[0103]
需要说明的是，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，上述描述的装置和各模块、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。
[0104]
本技术的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0105]
示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
[0106]
请参阅图4，图4是本技术实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。
[0107]
如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。
[0108]
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种问诊辅助方法。
[0109]
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
[0110]
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种问诊辅助方法。
[0111]
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0112]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该
处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0113]
其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取第一客户端的问诊需求信息和用户画像信息；根据所述用户画像信息对所述问诊需求信息进行关键信息提取，得到第一关键信息；获取所述第一客户端的问诊交互信息，对所述问诊交互信息进行特征提取，得到特征信息；根据所述特征信息确定所述第一客户端对应的问诊阶段；若检测到第二客户端的用户状态为离线状态，则根据所述第一关键信息和所述问诊阶段生成所述问诊需求信息对应的回复信息，并将所述回复信息发送至所述第一客户端。
[0114]
在一些实施例中，所述处理器还用于：根据所述用户画像信息确定患者对应的预期疾病，并确定所述预期疾病对应的疾病信息数据库；对所述问诊需求信息进行分词处理，并预测分词处理之后的每个分词对应的词义；根据所述疾病信息数据库对所述词义进行筛选，得到第一关键信息。
[0115]
在一些实施例中，所述处理器还用于：对所述问诊需求信息进行分词处理，得到所述问诊需求信息对应的分词结果；基于医疗词义预测模型对所述分词结果中每个分词进行词义预测，得到每个分词对应的词义预测结果。
[0116]
在一些实施例中，所述处理器还用于：基于预设权重比例为所述特征信息分配对应的权重比例；将所述特征信息对应的权重比例输入到预训练的问诊阶段预测模型，得到所述问诊信息对应的问诊阶段。
[0117]
在一些实施例中，所述处理器还用于：对所述问诊交互信息进行用时统计，得到问诊用时信息；和/或，对所述问诊交互信息进行数量统计，得到交互信息量；和/或，对所述问诊交互信息进行语义识别，得到交互内容信息。
[0118]
在一些实施例中，所述处理器还用于：根据所述第一关键信息在医疗病历数据库中进行查询，得到包括所述第一关键信息的病历信息并将其作为目标病历信息；遍历所述目标病历信息，并在所述目标病历信息中匹配得到所述问诊需求信息对应的回复信息。
[0119]
在一些实施例中，所述处理器还用于：确定所述问诊需求信息对应的回复信息是否包括第二关键信息；若所述回复信息包括第二关键信息，则将所述回复信息发送至所述第二客户端，并对所述第二客户端进行页面曝光计算；若所述第二客户端的页面曝光时间超过预设的曝光时间阈值，则将所述回复信息发送至所述第一客户端。
[0120]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本技术实施例提供的任一种问诊辅助方法。
[0121]
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0122]
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0123]
本发明所指区块链语言模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0124]
以上所述，仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，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技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。