本发明属于计算机技术领域，具体涉及一种基于大数据的智能决策系统及方法。
背景技术：
产前检查是指为妊娠期妇女提供一系列的医疗和护理建议和措施，目的是通过对于孕妇和胎儿的监护及早预防和发现并发症，减少其不良影响，在此期间提供正确的检查手段和医学建议是降低孕产妇死亡率和围产儿死亡率的关键。产检包含的检查项目众多，其通常基于孕妇怀孕周数的不同而不同，产科门诊具有不同于其他科室门诊的独有特点，具体检查内容既包括全身检查也包括产科检查，还包括一些针对性的其他辅助检查，而身高/体重指数检测、血压检测、宫高腹围检测、胎心音听等项目是每次产检均需考量的程序。一次产检过程中涉及的程序多样导致问诊效率十分低下，并且，随着国家二胎政策的放开，我国孕妇数及出生人口数大幅增长，也给产科门诊尤其是妇幼保健院等专科医院产科门诊带来了巨大的诊断压力，同时降低了行动不便的孕妇的产检体验。
技术实现要素：
为解决上述问题，本发明提供一种基于大数据的智能决策系统及方法，该系统及方法基于产科门诊独有的特点，根据孕妇多项检查进程中的实际情况确定问诊序列的修正决策，优化问诊序列；并基于机器学习算法和大数据技术训练风险预测模型以获取孕妇风险概率，为医生提供诊断辅助。多层面手段融合提高产科门诊的诊断效率，提升孕妇就诊体验。
一种基于大数据的智能决策系统，包括问诊序列获取模块、序列优化模块、问诊模块。其中，序列优化模块包括已报到序列获取子模块、产科检查序列获取子模块以及医生问诊序列获取子模块。具体的，
所述问诊序列获取模块，用于基于孕妇挂号记录，获取问诊序列。
所述已报到序列获取子模块，用于当孕妇报到时，基于当前到诊孕妇的挂号记录和所述问诊序列获取模块获取的问诊序列中其他孕妇的报到属性，将所述当前到诊孕妇插入已报到序列。
所述产科检查序列获取子模块，用于基于所述已报到序列获取子模块获取的已报到序列，获取当前到诊孕妇的全身检查指标，并基于所述全身检查指标与标准值的比对结果，对所述已报到序列进行修正，生成产科检查序列。
所述医生问诊序列获取子模块，用于基于所述产科检查序列获取子模块获取的产科检查序列，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法和大数据技术的风险预测模型进行风险决策，并基于风险概率值对产科检查序列进行修正，生成医生问诊序列。
所述问诊模块，用于基于医生问诊序列获取子模块获取的医生问诊序列确定孕妇问诊次序，基于医生问诊序列获取子模块获取的风险决策结果进行问诊。
优选的，所述对所述已报到序列进行修正具体包括，当当前到诊孕妇全身检查指标与标准值的差值小于一定阈值时，判定该指标正常，否则判定其异常。若全身检查指标判定均正常，则将当前到诊孕妇加入产科检查序列的末端；当全身检查指标判定异常时，将当前到诊孕妇重新插入其在已报到序列中次序的后三位序列位置，以进行复查。若当前到诊孕妇三次全身检查指标结果均为异常，则在系统中对其进行异常标记，结束当前全身检查指标检测并将其加入当前产科检查序列末端。
优选的，所述全身检查指标包括bmi指数指标、血压检测指标。
优选的，所述风险预测模型的获取过程包括，预先获取规范产检并分娩的历史孕妇临床资料，运用xgboost机器学习算法和大数据技术训练风险预测模型。
优选的，所述基于风险概率值对产科检查序列进行修正具体包括，当风险概率值低于一定阈值时，则将当前到诊孕妇加入医生问诊序列的末端；否则，在系统中对当前到诊孕妇进行风险预警标记，并将其插至医生问诊序列的首位。
相应的，本发明还公开了一种基于大数据的智能决策方法，该方法具体包括以下步骤：
s10：基于孕妇挂号记录，获取问诊序列。
s20：当孕妇报到时，基于当前到诊孕妇的挂号记录和所述问诊序列中其他孕妇的报到属性，将所述当前到诊孕妇插入已报到序列。
s30：基于所述已报到序列，获取当前到诊孕妇的全身检查指标，并基于所述全身检查指标与标准值的比对结果，对所述已报到序列进行修正，生成产科检查序列。
s40：基于所述产科检查序列，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法和大数据技术的风险预测模型进行风险决策，并基于风险概率值对产科检查序列进行修正，生成医生问诊序列。
s50：基于医生问诊序列确定孕妇问诊次序，基于风险决策结果进行问诊。
优选的，所述对所述已报到序列进行修正具体包括，当当前到诊孕妇全身检查指标与标准值的差值小于一定阈值时，判定该指标正常，否则判定其异常。若全身检查指标判定均正常，则将当前到诊孕妇加入产科检查序列的末端；当全身检查指标判定异常时，将当前到诊孕妇重新插入其在已报到序列中次序的后三位序列位置，以进行复查。若当前到诊孕妇三次全身检查指标结果均为异常，则在系统中对其进行异常标记，结束当前全身检查指标检测并将其加入当前产科检查序列末端。
优选的，所述全身检查指标包括bmi指数指标、血压检测指标。
优选的，所述风险预测模型的获取过程包括，预先获取规范产检并分娩的历史孕妇临床资料，运用xgboost机器学习算法和大数据技术训练风险预测模型。
优选的，所述基于风险概率值对产科检查序列进行修正具体包括，当风险概率值低于一定阈值时，则将当前到诊孕妇加入医生问诊序列的末端；否则，在系统中对当前到诊孕妇进行风险预警标记，并将其插至医生问诊序列的首位。
有益效果：本发明提供一种基于大数据的智能决策系统及方法，该系统及方法基于产科门诊独有的特点，根据孕妇多项检查进程中的实际情况确定问诊序列的修正决策，优化问诊序列，使得高危孕妇能尽早的进行问诊；并基于机器学习算法和大数据技术训练风险预测模型以获取孕妇风险概率，为医生提供诊断辅助。从而多层面手段融合提高产科门诊的诊断效率，提升孕妇就诊体验。
附图说明
图1为本发明的一种基于大数据的智能决策系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例包括一种基于大数据的智能决策系统，包括问诊序列获取模块、序列优化模块、问诊模块。其中，序列优化模块包括已报到序列获取子模块、产科检查序列获取子模块以及医生问诊序列获取子模块。具体的，
所述问诊序列获取模块，用于基于孕妇挂号记录，获取问诊序列。
产科门诊通常以小时为单位在医院公众号等处放号，孕妇可根据自身需要选取相应的问诊医生和时段。基于孕妇挂号记录，确定其问诊的医生和时段，获取孕妇问诊序列。
所述已报到序列获取子模块，用于当孕妇报到时，基于当前到诊孕妇的挂号记录和所述问诊序列获取模块获取的问诊序列中其他孕妇的报到属性，将所述当前到诊孕妇插入已报到序列。
当孕妇因意外因素晚于挂号时段报到时，为保证问诊体验，仍可基于挂号先后次序将其插至相应患者前后，形成已报到序列，这一方面保证了孕妇挂号问诊的时间公平性，提升了患者体验，另一方面也不会影响医院诊断效率和其他孕妇的利益。在一个实施例中，具体的，若孕妇a挂号时段为1月1日下午2点至3点时段，且该时段的所有挂号孕妇按挂号顺序分别为bcadef，则当孕妇报到后，应将其插入至已报到孕妇c和d之间。
所述产科检查序列获取子模块，用于基于所述已报到序列获取子模块获取的已报到序列，获取当前到诊孕妇的全身检查指标，并基于所述全身检查指标与标准值的比对结果，对所述已报到序列进行修正，生成产科检查序列。
全身检查指标包括bmi指数指标、血压检测指标，基于大数据技术对正常孕妇的bmi指数指标、血压指标进行分析，得到相应指标的孕妇标准值。当当前到诊孕妇全身检查指标与标准值的差值小于一定阈值时，判定该指标正常，否则判定其异常。若全身检查指标判定均正常，则将当前到诊孕妇加入产科检查序列的末端；当全身检查指标判定异常时，将当前到诊孕妇重新插入其在已报到序列中次序的后三位序列位置，以进行复查。若当前到诊孕妇三次全身检查指标结果均为异常，则在系统中对其进行异常标记，结束当前全身检查指标检测并将其加入当前产科检查序列末端。
所述医生问诊序列获取子模块，用于基于所述产科检查序列获取子模块获取的产科检查序列，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法和大数据技术的风险预测模型进行风险决策，并基于风险概率值对产科检查序列进行修正，生成医生问诊序列。
预先获取规范产检并分娩的历史孕妇临床资料，运用xgboost机器学习算法和大数据技术训练风险预测模型，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法的风险预测模型进行风险决策，并基于风险值对产科检查序列进行修正。当风险概率值低于一定阈值时，则将当前到诊孕妇加入医生问诊序列的末端；否则，在系统中对当前到诊孕妇进行风险预警标记，并将其插至医生问诊序列的首位。风险预测模型综合考量了孕妇多方面检查指标，可以为医生提供辅助诊断；而孕妇综合指标的异常随时可能给其带来流产等风险，为规避该风险，将进行了风险预警标记的孕妇插至医生问诊序列的首位，以使得高危孕妇能够尽早就医，从一定程度上取得急诊的效果。
所述问诊模块，用于基于医生问诊序列获取子模块获取的医生问诊序列确定孕妇问诊次序，基于医生问诊序列获取子模块获取的风险决策结果进行问诊。
本发明另一实施例还提供一种基于大数据的智能决策方法，该方法具体包括以下步骤：
s10：基于孕妇挂号记录，获取问诊序列。
产科门诊通常以小时为单位在医院公众号等处放号，孕妇可根据自身需要选取相应的问诊医生和时段。基于孕妇挂号记录，确定其问诊的医生和时段，获取孕妇问诊序列。
s20：当孕妇报到时，基于当前到诊孕妇的挂号记录和所述问诊序列中其他孕妇的报到属性，将所述当前到诊孕妇插入已报到序列。
当孕妇因意外因素晚于挂号时段报到时，为保证问诊体验，仍可基于挂号先后次序将其插至相应患者前后，形成已报到序列，从而实现对问诊序列的修正，这一方面保证了孕妇挂号问诊的时间公平性，提升了患者体验，另一方面也不会影响医院诊断效率和其他孕妇的利益。在一个实施例中，具体的，若孕妇a挂号时段为1月1日下午2点至3点时段，且该时段的所有挂号孕妇按挂号顺序分别为bcadef，则当孕妇报到后，应将其插入至已报到孕妇c和d之间。
s30：基于所述已报到序列，获取当前到诊孕妇的全身检查指标，并基于所述全身检查指标与标准值的比对结果，对所述已报到序列进行修正，生成产科检查序列。
全身检查指标包括bmi指数指标、血压检测指标，基于大数据技术对正常孕妇的bmi指数指标、血压指标进行分析，得到相应指标的孕妇标准值。当当前到诊孕妇全身检查指标与标准值的差值小于一定阈值时，判定该指标正常，否则判定其异常。若全身检查指标判定均正常，则将当前到诊孕妇加入产科检查序列的末端；当全身检查指标判定异常时，将当前到诊孕妇重新插入其在已报到序列中次序的后三位序列位置，以进行复查。若当前到诊孕妇三次全身检查指标结果均为异常，则在系统中对其进行异常标记，结束当前全身检查指标检测并将其加入当前产科检查序列末端。
s40：基于所述产科检查序列，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法的风险预测模型进行风险决策，并基于风险概率值对产科检查序列进行修正，生成医生问诊序列。
预先获取规范产检并分娩的历史孕妇临床资料，运用xgboost机器学习算法和大数据技术训练风险预测模型，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法的风险预测模型进行风险决策，并基于风险值对产科检查序列进行修正。当风险概率值低于一定阈值时，则将当前到诊孕妇加入医生问诊序列的末端；否则，在系统中对当前到诊孕妇进行风险预警标记，并将其插至医生问诊序列的首位。风险预测模型综合考量了孕妇多方面检查指标，可以为医生提供辅助诊断；而孕妇综合指标的异常随时可能给其带来流产等风险，为规避该风险，将进行了风险预警标记的孕妇插至医生问诊序列的首位，以使得高危孕妇能够尽早就医，从一定程度上取得类似急诊优先的效果。
s50：基于医生问诊序列确定孕妇问诊次序，基于风险决策结果进行问诊。
以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。
1.一种基于大数据的智能决策系统，其特征在于，包括：问诊序列获取模块、序列优化模块、问诊模块；其中，序列优化模块包括已报到序列获取子模块、产科检查序列获取子模块以及医生问诊序列获取子模块；具体的，
所述问诊序列获取模块，用于基于孕妇挂号记录，获取问诊序列；
所述已报到序列获取子模块，用于当孕妇报到时，基于当前到诊孕妇的挂号记录和所述问诊序列获取模块获取的问诊序列中其他孕妇的报到属性，将所述当前到诊孕妇插入已报到序列；
所述产科检查序列获取子模块，用于基于所述已报到序列获取子模块获取的已报到序列，获取当前到诊孕妇的全身检查指标，并基于所述全身检查指标与标准值的比对结果，对所述已报到序列进行修正，生成产科检查序列；
所述医生问诊序列获取子模块，用于基于所述产科检查序列获取子模块获取的产科检查序列，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法和大数据技术的风险预测模型进行风险决策，并基于风险概率值对产科检查序列进行修正，生成医生问诊序列；
所述问诊模块，用于基于医生问诊序列获取子模块获取的医生问诊序列确定孕妇问诊次序，基于医生问诊序列获取子模块获取的风险决策结果进行问诊。
2.根据权利要求1所述的一种基于大数据的智能决策系统，其特征在于，所述对所述已报到序列进行修正具体包括，当当前到诊孕妇全身检查指标与标准值的差值小于一定阈值时，判定该指标正常，否则判定其异常；若全身检查指标判定均正常，则将当前到诊孕妇加入产科检查序列的末端；当全身检查指标判定异常时，将当前到诊孕妇重新插入其在已报到序列中次序的后三位序列位置，以进行复查，若当前到诊孕妇三次全身检查指标结果均为异常，则在系统中对其进行异常标记，结束当前全身检查指标检测并将其加入当前产科检查序列末端。
3.根据权利要求2所述的一种基于大数据的智能决策系统，其特征在于，所述全身检查指标包括bmi指数指标、血压检测指标。
4.根据权利要求2所述的一种基于大数据的智能决策系统，其特征在于，所述风险预测模型的获取过程包括，预先获取规范产检并分娩的历史孕妇临床资料，运用所述xgboost机器学习算法和大数据技术训练风险预测模型。
5.根据权利要求2所述的一种基于大数据的智能决策系统，其特征在于，所述基于风险概率值对产科检查序列进行修正具体包括，当风险概率值低于一定阈值时，则将当前到诊孕妇加入医生问诊序列的末端；否则，在系统中对当前到诊孕妇进行风险预警标记，并将其插至医生问诊序列的首位。
6.一种基于大数据的智能决策方法，其特征在于，该方法包括以下步骤：
s10：基于孕妇挂号记录，获取问诊序列；
s20：当孕妇报到时，基于当前到诊孕妇的挂号记录和所述问诊序列中其他孕妇的报到属性，将所述当前到诊孕妇插入已报到序列；
s30：基于所述已报到序列，获取当前到诊孕妇的全身检查指标，并基于所述全身检查指标与标准值的比对结果，对所述已报到序列进行修正，生成产科检查序列；
s40：基于所述产科检查序列，获取当前到诊孕妇的产科检查指标，将所述全身检查指标和所述产科检查指标输入基于机器学习算法和大数据技术的风险预测模型进行风险决策，并基于风险概率值对产科检查序列进行修正，生成医生问诊序列；
s50：基于医生问诊序列确定孕妇问诊次序，基于风险决策结果进行问诊。
7.根据权利要求6所述的一种基于大数据的智能决策方法，其特征在于，所述步骤s30中对所述已报到序列进行修正具体包括，当当前到诊孕妇全身检查指标与标准值的差值小于一定阈值时，判定该指标正常，否则判定其异常；若全身检查指标判定均正常，则将当前到诊孕妇加入产科检查序列的末端；当全身检查指标判定异常时，将当前到诊孕妇重新插入其在已报到序列中次序的后三位序列位置，以进行复查，若当前到诊孕妇三次全身检查指标结果均为异常，则在系统中对其进行异常标记，结束当前全身检查指标检测并将其加入当前产科检查序列末端。
8.根据权利要求7所述的一种基于大数据的智能决策方法，其特征在于，所述全身检查指标包括bmi指数指标、血压检测指标。
9.根据权利要求7所述的一种基于大数据的智能决策方法，其特征在于，所述步骤s40中的风险预测模型的获取过程包括，预先获取规范产检并分娩的历史孕妇临床资料，运用xgboost机器学习算法和大数据技术训练风险预测模型。
10.根据权利要求7所述的一种基于大数据的智能决策方法，其特征在于，所述步骤s40中基于风险概率值对产科检查序列进行修正具体包括，当风险概率值低于一定阈值时，则将当前到诊孕妇加入医生问诊序列的末端；否则，在系统中对当前到诊孕妇进行风险预警标记，并将其插至医生问诊序列的首位。
技术总结