1.本发明属于医疗信息管理技术领域，尤其涉及一种智能语音宣教随访方法及系统。
背景技术：2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.临床宣教随访是指医院对诊治后的患者通过各种方式，定期跟踪了解患者病情变化，通过发布随访任务，并由患者配合完成，对患者进行专业性康复指导的一种随访行为。目前而言，诊后的患者随访率普遍偏低，多数患者离开医院得不到后续的追踪健康管理。究其原因，从一方面来讲，如果要进行人工电话随访，除了电话交流以外，还需要对随访内容进行记录，加上临床宣教随访中多机械性重复性工作，对于平时工作繁忙的医生而言，十分耗费时间精力。
4.随着医院和患者对诊后随访的意识越来越强烈，这就需要规范随访行为，改进随访方式。
技术实现要素：5.为克服上述现有技术的不足，本发明提供了一种智能语音宣教随访方法及系统，解决了患者出院后的追踪健康管理，并且大大提高了随访效率。
6.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
7.一种智能语音宣教随访方法，包括以下步骤：
8.获取随访患者相应的随访报告表；
9.实时获取电话随访语音，识别当前讲话者为医生还是患者，并将语音转换为文本；
10.根据医生相应的文本内容，基于预先训练的医生主题识别模型，判断主题类型，所述主题类型包括提问类型和其他类型；
11.若为提问类型，对于后续患者相应的文本内容进行解析，并写入所述随访报告表中。
12.进一步地，获取随访患者相应的随访报告表包括：
13.获取所述随访患者的年龄和病情信息；
14.基于预先训练的随访表分类模型，确定相应的随访表；其中，所述随访表分类模型是根据多个患者的年龄、疾病类型和疾病严重程度及相应规范随访表类型训练得到的；
15.将患者疾病信息进行自动录入得到该随访患者的随访报告表。
16.进一步地，所述医生主题识别模型训练方法为：
17.获取多条文本数据作为训练数据，所述多条文本数据包括各类主题类型，且每类主题类型均对应多条文本数据；
18.对于每条文本数据，提取关键词序列并转换为词向量，得到词向量与主题类型关
联关系，即医生主题识别模型。
19.进一步地，判断主题类型包括：
20.获取医生相应的文本内容，提取关键词序列并转换为词向量；根据k近邻算法计算待识别的所述向量与训练数据中词向量的距离，根据距离最近的多个词向量对应的主题类型，确定所述文本内容所属主题类型。
21.进一步地，若所述提问类型为选项式提问类型，对于后续患者相应的文本内容进行解析包括：
22.调用对应该提问主题的患者回应分类模型，得到患者回应的选项，写入所述随访报告表。
23.进一步地，对应该提问主题的患者回应分类模型训练方法为：
24.对于针对该提问主题的患者历史回应文本，按照其选项进行人工标注，得到训练数据集；
25.对患者历史回应文本提取关键词队列并转换为词向量，得到词向量和选项的对应关系，即患者回应模型。
26.进一步地，得到患者回应的选项包括：
27.对于后续患者相应的文本内容，提取关键词序列并转换为词向量；根据k近邻算法计算待识别的所述向量与训练数据集中词向量的距离，根据距离最近的多个词向量对应的选项，确定所述文本内容对应的选项。
28.进一步地，所述方法对患者的语音转换为文本时，若连续多次无法识别患者回应的内容，判断为沟通不畅，向医生发送消息，提醒其改为主动宣教模式。
29.进一步地，无法识别患者回应的选项包括：所述方法对患者的语音转换为文本后，检测文本内容是否包含预设的医疗关键词，若连续数轮对话中，患者未提及随访中任一关键词，则判断为患者未回答问题或者打非所问，向医生发送消息，提醒其改为主动宣教模式。
30.一个或多个实施例提供了一种智能语音宣教随访系统，包括：
31.随访报告表获取模块，被配置为：获取随访患者相应的随访报告表；
32.随访语音获取模块，被配置为：实时获取电话随访语音，识别当前讲话者为医生还是患者，并将语音转换为文本；
33.医生主题识别模块，被配置为：根据医生相应的文本内容，基于预先训练的医生主题识别模型，判断主题类型，所述主题类型包括提问类型和其他类型；
34.患者回答解析模块，被配置为：若为提问类型，对于后续患者相应的文本内容进行解析，并写入所述随访报告表中。
35.以上一个或多个技术方案具有以下有益效果：
36.本发明针对不同疾病的患者，能够自动生成患者诊后随访报告表，并且电话随访过程中，能够基于医生谈话内容的主题类型，准确识别患者回复内容，并进行自动录入，解决了患者出院后的追踪健康管理，并且大大提高了随访效率。
37.本发明在随访过程中，能够通过识别患者答复随访内容的准确度自动调整交流方式，对于部分患者讲话没有重点，漫无边际的答复内容，自动放弃问答，改为主动宣教模式，进一步提高了随访效率。
附图说明
38.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
39.图1为本发明实施例一中所述智能语音宣教随访方法流程图；
40.图2为本发明实施例一中所述智能语音宣教随访系统框架图。
具体实施方式
41.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
42.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
43.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
44.实施例一
45.本实施例公开了一种智能语音宣教随访方法，解决患者出院后的追踪健康管理。针对消化道不同疾病的患者，自动生成患者诊后随访报告表。通过识别患者答复随访内容的准确度自动调整交流方式，对于部分患者讲话没有重点，漫无边际的答复内容，自动放弃问答，改为主动宣教模式，实现基本的问答自动填入随访报告并存储到科研数据库中。如图1所示，所述方法具体包括以下步骤：
46.步骤1：获取随访患者相应的随访报告表。
47.不同的患者根据年龄信息、疾病类型等不同，采用不同的诊后随访报告表。
48.具体地，本实施例根据该随访患者年龄和病情信息，基于预先训练的随访表分类模型，确定相应的随访表，将患者疾病信息进行自动录入得到该随访患者的随访报告表。
49.所述随访表分类模型训练方法为：
50.(1)通过读取院内科研数据库及公开随访数据库的文本信息，提取出患者年龄、疾病类型、疾病严重程度等关键信息作为特征，将不同的特征用数字表示离散变量，最终组合成一组特征向量，并预先建立相应规范的随访表。得到特征向量与规范随访表类型之间的对应关系：
51.{患者年龄:n1,疾病类型:n2,疾病严重程度:n3}-》{随访表类型:m}。
52.(2)将患者年龄，疾病类型，疾病严重程度，以及对应随访表类型作为训练数据集，基于自定义的神经网络模型，训练得到随访表分类模型。
53.本实施例中，所述神经网络模型采用tensorflow构建，所述神经网络模型结构依次为：输入层、两个卷积层、1个全连接层、输出层，其中，输入层用于输入自定义的特征向量，第一个卷积层使用3个大小为5*5的卷积核对输入层进行卷积运算，后面是池化层，采用max_pool降采样处理，池化size定为2*2，池化处理后得到3个特征图作为下一个卷积层的输入。第二个卷积层使用卷积核对上一层的输入进行卷积运算，再继续采用池化层处理，得到10个5*5的特征图。全连接层与上一个卷积层相连，经过激活函数(sigmoid)函数给输出
层，最后得到随访表类型分类。
54.根据当前患者的诊断报告及治疗方案，提取出患者年龄，疾病类型，疾病严重程度等关键信息组合成一组特征向量，调用所述随访表分类模型即可得到所对应的规范随访表。
55.得到该患者的随访表后，自动录入患者基本信息内容(患者姓名、性别、年龄、住院号、患者联系电话等)，生成该患者诊后随访报告表。
56.上述步骤1基于医疗大数据分析文本内容并训练随访内容分类模型，针对消化道不同类型的疾病，自动生成对应疾病的患者诊后随访报告表，为后续报告的自动生成提供了基础。
57.步骤2：实时获取电话随访语音，识别当前讲话者为医生还是患者，并将语音转换为文本。
58.患者诊后的电话随访过程中，实时识别医生和患者的语音内容，转换成文本内容；并能够区分出是医生讲话的语音还是患者讲话的语音。
59.步骤3：根据医生相应的文本内容，基于预先训练的医生主题识别模型，判断主题类型，所述主题类型包括提问类型和其他类型。
60.本实例采用医生占主导地位的交流方式，收集大数据量真实的医患沟通交流文本内容，使用k近邻算法对医生讲话的文本内容进行主题自动分类。所述主题类型被进一步细分为选项式提问、开放性提问、主动宣教和非重点内容。其中，选项式提问属于确认性质的提问，比如确认患者是否是xx本人；身体恢复情况好还是不好；是否按时用药等情况内容。非开放性提问方式有咨询患者对医院工作的建议或意见、询问患者是否有咨询问题等。主动宣教包括告知患者注意事项，健康教育指导等内容。非重点内容的说话方式有问候患者，健康祝福、告诉来电意图等内容。当然，还可以根据情景设定更为细化的分类，在此不做限定。
61.所述医生主题识别模型训练方法为：
62.(1)获取多条文本数据作为训练数据，所述多条文本数据包括各类主题类型，且每类主题类型均对应多条文本数据；
63.(2)对于每条文本数据，均进行以下操作：对文本数据进行分词处理，即将连在一起的文本内容中的词进行分割；过滤掉自定义的停用词；提取关键词队列；使用word2vec抽取文本特征转换成词向量，得到词向量与主题类型关联关系，即医生主题识别模型。
64.基于预先训练的医生主题识别模型，判断主题类型包括：获取医生相应的文本内容，首先进行分词、去除停用词处理，然后提取关键词队列；采用word2vec抽取文本特征转换成词向量，得到待识别词向量；根据k近邻算法计算所述待识别向量与训练数据中词向量的距离，根据距离最近的多个词向量对应的主题类型，确定所述文本内容所属主题类型。
65.步骤4：若为提问类型，对于后续患者相应的文本内容进行解析，并写入所述随访报告表中。
66.进一步地，若所述提问类型为选项式提问类型，对于后续患者相应的文本内容进行解析包括：
67.调用对应该提问主题的患者回应分类模型，得到患者回应的选项，写入所述随访报告表。
(完全不相关)或者回复“药吃完了，还要吃么？”(随访相关，但是相关方向不对)，认为患者答非所问。第一种情况直接判断为答非所问，患者不能回答提问的问题，第二种情况可认为回答与问题相关，但回答的方向不对，可以继续对话-进行药物疗程的相关随访，但需要在后续提问中继续提问原问题。
84.实施例二
85.基于上述方法实施例一，本实施例公开了一种嵌入科研库的智能语音宣教随访系统。如图2所示，所述系统包括服务器、医生端和患者端。其中所述服务器被配置为包括：
86.规范随访表存储模块，被配置为：存储针对各类患者和疾病的规范随访表。
87.随访报告表获取模块，被配置为：获取随访患者相应的随访报告表。
88.具体地，本实施例根据该随访患者年龄和病情信息，基于预先训练的随访表分类模型，确定相应的随访表，将患者疾病信息进行自动录入得到该随访患者的随访报告表。
89.随访语音获取模块，被配置为：实时获取电话随访语音，识别当前讲话者为医生还是患者，并将语音转换为文本。
90.医生主题识别模块，被配置为：根据医生相应的文本内容，基于预先训练的医生主题识别模型，判断主题类型，所述主题类型包括提问类型和其他类型。
91.患者回答解析模块，被配置为：若为提问类型，对于后续患者相应的文本内容进行解析，并写入所述随访报告表中。
92.交流压力度识别模块，被配置为：对患者的语音转换为文本时，若连续多次无法识别患者回应的内容，判断为沟通不畅，向医生发送消息，提醒其改为主动宣教模式；或对患者的语音转换为文本后，检测文本内容是否包含预设的医疗关键词，若连续数轮对话中，患者未提及随访中任一关键词，则判断为患者未回答问题或者打非所问，向医生发送消息，提醒其改为主动宣教模式。
93.科研数据库，被配置为：对随访结束后得到的随访报告表进行存储。
94.本实施例能够基于医疗大数据(本院科研库多模态数据及公开随访数据库)，分析文本内容并训练随访内容分类模型，针对消化道不同类型的疾病，自动生成对应疾病的患者诊后随访报告表。
95.本发明设计了一种嵌入科研库的智能语音宣教随访系统，解决患者出院后的追踪健康管理。针对不同疾病的患者，自动生成患者诊后随访报告表。通过识别患者答复随访内容的准确度自动调整交流方式，对于部分患者讲话没有重点，漫无边际的答复内容，自动放弃问答，改为主动宣教模式，实现基本的问答自动填入随访报告并存储到科研数据库中。
96.本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
97.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
