線上診療智能回復系統的研究

徐來 陳樹越 林勤

【摘要】? ? 互聯網醫院的遠程醫療使越來越多患者得到了醫療服務，同時也方便了醫務專業技術人員。近年來，隨著相關技術及基礎設施的涌現，遠程醫療服務已經逐漸成為趨勢。自新冠肺炎爆發以來，人們不太愿意冒著新冠的風險親自去看醫生，所以遠程醫療的優勢也越發明顯。本文主要關注了醫生和患者之間遠程問診的用戶體驗。隨著遠程醫療服務需求的增加，遠程問診質量和效率顯得至關重要。因此，本文設計一種智能自動回復機制，以幫助醫生有效地響應咨詢請求。首先通過聚類算法來識別醫生使用頻率較高的回復，然后手動標記相應數據，最后通過機器學習算法來生成預處理的數據并給予患者回復。

【關鍵詞】? ? 遠程醫療? ? 人工智能? ? 深度學習

Abstract： The telemedicine of Internet hospital makes more and more patients get medical services， and it also facilitates medical professionals. In recent years， with the emergence of related technologies and infrastructure， these services have gradually become a trend. Since the outbreak of novel coronavirus pneumonia， people are not willing to take risks to see a doctor in person， so the advantages of telemedicine are becoming more apparent. This paper focuses on the user experience of remote consultation between doctors and patients. With the increasing demand for tele health services， the quality and efficiency of tele consultation are very important. Therefore， this paper designs an intelligent automatic response generation mechanism to help doctors respond to consultation requests effectively. Firstly， the most frequent replies of doctors are identified by clustering algorithm， and then the corresponding data are manually marked. Finally， the preprocessed data is generated by machine learning algorithm and the patients are given replies. In recent years， with the emergence of related technologies and infrastructure， these services have gradually become a trend. Since the outbreak of the new crown pneumonia， people are reluctant to take the risk to see a doctor in person， so the advantages of telemedicine have become more obvious. This article focuses on the user experience of remote consultations between doctors and patients. With the increase in demand for remote health services， the quality and efficiency of remote consultations are critical. Therefore， this paper designs an intelligent automatic response generation mechanism to help doctors effectively respond to consultation requests. First， the clustering algorithm is used to identify the doctors most frequent replies， and then the corresponding data is manually labeled， and finally the machine learning algorithm is used to generate preprocessed data and give the patient a reply.

Key words：Telemedicine? Artificial intelligence? Deep learning

一、背景

在線咨詢服務廣泛應用于各行各業，其主要包括客戶服務、技術支持、咨詢、銷售支持和遠程教育等。在線咨詢服務相對于面談和電話交談，能支持高并發咨詢服務同時也避免了實時咨詢的尷尬[1]。隨著智能手機和智能手表的普及，在線咨詢服務已經由最初的電商客服逐漸成為各行各業不可或缺的一部分。互聯網醫院作為新興產物，在線咨詢是其的主要運營模式。

互聯網醫院最早是在民營單位推廣。2018年國家衛生健康委、國家中醫藥管理局出臺《互聯網醫院管理辦法（試行）》，將“互 聯網醫院”發展模式界定為兩種：一種是實體醫院自己搭建互聯網醫院平臺并申請互聯網醫院作為第二名稱，其主要執業醫生主要為本院醫生及其集團單位醫生;另一種是第三方機構申請舉辦互聯網醫院，以實體醫院為依托，由企業提供資金和技術，搭建互聯網診療平臺。新冠疫情后，國家衛健委開始大力推進以公立醫院為基礎的互聯網醫院模式，因此線上接診的在線咨詢量也越來越大，互聯網醫院的運營面臨著挑戰。當產生高并發的患者咨詢數時，人工的回復往往不夠及時，所以對于高并發的患者咨詢，自適應人工智能回復功能的開發迫在眉睫[1]。在線上接診時采用智能回復能夠緩解目前的高并發咨詢回復不及時的問題。

二、線上診療智能回復系統的概述

2.1 線上診療智能回復系統的意義

隨著國家的戰略部署，互聯網醫院的發展進入快車道，高并發的患者咨詢壓力是目前互聯網醫院發展的瓶頸。由于醫生資源的緊缺，線上人工診療回復往往不夠及時，而智能回復系統恰好能夠保證快速準確的響應，提高了線上接診的效率，也減少了患者等待時間，提升了患者的服務滿意度。同時線上診療智能回復系統能夠同時處理多個患者的在線接診咨詢框，也節省了額外的人力成本。

2.2 線上診療智能回復系統的結構設計

線上診療智能回復系統與普通的聊天機器人不同之處在于，智能回復系統并不是每條咨詢都自動生成回復。因此，需要首先對患者咨詢的消息進行預處理，再定義一個觸發回復的模型，然后由該模型確定是否觸發自動回復功能[2]。在建立觸發模型時，首先需要調研現有的的數據庫并從中抽取約3000條咨詢模塊的消息，通過對這些數據進行分析可以發現，醫生和患者的咨詢交流有兩個顯著特點即咨詢消息的數量和輪次（醫患間來回發送消息的次數）。通過對這些數據的調研可以發現，每個醫患之間的平均咨詢回合數約為15.5輪，每次咨詢約含23.8條消息。下一步對這些醫患咨詢消息進行配對，即患者回復，醫生回答為一組，然后手動進行標記，即確定配對的消息是否觸發智能回復。

至于是否觸發智能回復的條件可以設定為以下幾點。第一點是過濾掉超過100個字的患者咨詢回復。因為長回復通常包含的內容較多，也是患者對病情的詳細描述，通常需要人工回復才能給予患者滿意的答復，所以人工智能回復系統直接過濾掉這種長咨詢。第二點是過于詳細或過于籠統的咨詢，過于復雜或冗長的咨詢，這些咨詢觸發模型也可以直接忽略。詳細的咨詢首先要參考自設的常見病情咨詢的專業術語及關鍵字[3]，若掃描到這些術語或關鍵字，則系統自認定為詳細咨詢，因為這類咨詢通常包含這類咨詢通常涉及患者病情的重要信息并且不適應于其他患者，所以選擇人工回復。而太過籠統的咨詢可能并不涉及病情問題，所以也選擇過濾。

在患者咨詢自動識別回復時，即預處理的步驟中，要刪除多余的空格，標點符號和URL等。遇到習語、簡寫和一些錯別字的情況下，我們設計的智能回復系統需要先建立一個詞典（Python中的詞匯檢查包），把常見的習語，簡寫錄入，對此進行識別回復。而對于一些常見的習慣性錯誤詞匯，例如“可以”打成了“闊以”，“好的”打成了“好得”需要予以識別并回復。

患者的咨詢消息觸發了智能響應系統后，接下來它將進入自動響應模型。本文所采用深度學習的算法，需要先手動進行標記。由于自動響應生成智能回復的調研數據量較大，手動標記的話工作量也較大，所以本次調研時，抽取了一些特征比較明顯的對話段。首先在醫生端，對醫生常見的回復進行聚類，得出醫生常見回復的數據集群。接著在患者端，對醫生回復后，患者接下來的回復進行聚類，得出患者常見回復的數據集群。然后對這些數據進行整理后，可以得出醫生接下來最常見應答的數據集群，最后從醫生和患者的數據集群中，加權計算并抽取配對響應頻率較高的語句，將之組建成一個回復響應數據包，將計算出的最常用加權平均詞作為發送給患者的回復[4]。而這一模型實現的過程則由編碼器，解碼器來完成。編碼器將患者的消息編碼為上下文加權語境向量[5]，然后將其傳遞給解碼器生成醫生回復的輸出序列。

對于線上診療自動生成智能回復的精度問題，使用深度學習算法能夠逐漸解決這個系統問題[6]。醫生可以針對人工智能回復選擇是否撤回信息。通過對醫生撤回頻率的計算，當相關醫患配對回復的準確率大于80%時，智能回復系統所生成的該條回復消息才會作為優先使用的回復消息推送給病人。

三、線上診療智能回復系統的應用

目前互聯網醫院的的線上咨詢模塊和線上復診模塊是病患和醫生進行溝通的兩大主要模塊。圖1顯示了某醫院咨詢模塊的智能回復模式。

通過對患者問題的預處理掃描到關鍵字，接著可以生成問候類的結束語，或者提出檢查檢驗及查看報告單的需求，針對性地對病患問題給與回復。其他如患者提出皮膚瘙癢等問題，智能回復系統會要求提供患處圖片。經過模塊測試，回復效果較為準確。

四、結束語

隨著醫院信息化的不斷發展，互聯網醫院成了解決實體醫院線下醫療資源緊張的一個突破口。但是隨著在線問診人數的極速增長問題，人工回復已經不能滿足咨詢量的暴漲。當然，醫院可以通過增加在線醫生的人數來解決這一問題。但是增加醫生所帶來的高昂成本，使得線上問診這種主要收入為收取掛號費的盈利模式遠遠不夠承擔醫生的薪水。相對于昂貴的用人成本，開發線上智能回復系統的花費幾乎可以忽略不計了。同時智能回復系統還大大減輕了醫生的工作負擔，節省了醫生的寶貴時間。雖然線上智能回復系統解決了很多人力問題，但是其完善扔需要一定的時間，未來隨著大數據的引入，該系統的發展更值得期待。

參? 考? 文? 獻

[1] T. Nadarzynski， O. Miles， A. Cowie， D. Ridge， Acceptability of artificial intelligence （ai）-led chatbot services in healthcare： A mixed-methods study， Digital health 5 （2019）

[2]李國壘，陳先來，夏冬，等.中文病歷文本分詞方法研究[J].中國生物醫學工程學報，2016，35（4）：477-481

[3]張素榮.? 智能客服問答系統關鍵算法研究及應用[D].南京：南京郵電大學，2018.

[4]馬遠浩，曾衛明，石玉虎，等? 基于加權向量和LSTM-CNN的微博文本分類研究[J].現代計算機，2018（25）：18-22.

[5]吳龍峰，于?，王峰.? 向量空間模型的文本分類研究與應用[J].宿州學院學報，2019，34（12）69-72.

[6]A. Kumar， S. Vembu， A. K. Menon， C. Elkan， Beam search algorithms for multilabel learning， Machine learning 92 （2013） 65–89.