一种基于儿科医生线上问诊的信息处理方法及系统与流程

1.本发明涉及计算机信息处理技术领域，具体涉及一种基于儿科医生线上问诊的信息处理方法及系统。


背景技术：

2.互联网线上诊疗是基于互联网技术，方便患者与医生沟通，在线上进行病症的诊断和治疗的技术，极大地提升了患者就诊的效率。
3.儿科患者在进行线上就诊时，由于儿童表达能力较差，需要监护人辅助描述儿童患者的症状，从而与医生沟通进行线上问诊。
4.在实现本技术技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术中儿科进行线上问诊的过程中，需要监护人分析判断儿童患者症状与医生交流，并由医生进行主观判断诊断治疗，受主观因素影响，因此儿科线上问诊诊断可能不准确，存在着无法评估线上问诊准确性和有效性的技术问题。


技术实现要素：

5.本技术提供了一种基于儿科医生线上问诊的信息处理方法及系统，用于针对解决现有技术存在的儿科线上问诊可能不准确，无法评估线上问诊准确性和有效性的技术问题。
6.鉴于上述问题，本技术提供了一种基于儿科医生线上问诊的信息处理方法及系统。
7.本技术的第一个方面，提供了一种基于儿科医生线上问诊的信息处理方法，所述方法包括：基于历史问诊数据集合构建训练获得问诊分析模型；获取第一用户历史问诊数据集合；基于迁移学习，根据所述问诊分析模型和所述第一用户历史问诊数据集合，获得第一用户问诊分析模型；将第一用户症状数据输入所述第一用户问诊分析模型，获得第一分析数据和第一疗效数据；基于线上问诊和随访，根据所述第一用户症状数据获得第二分析数据和第二疗效数据；基于所述第一疗效数据和所述第二疗效数据，评估分析所述第一分析数据和所述第二分析数据，获得第一线上问诊评估结果。
8.本技术的第二个方面，提供了一种基于儿科医生线上问诊的信息处理系统，所述系统包括：第一构建单元，所述第一构建单元用于基于历史问诊数据集合构建训练获得问诊分析模型；第一获得单元，所述第一获的单元用于获取第一用户历史问诊数据集合；第一处理单元，所述第一处理单元用于基于迁移学习，根据所述问诊分析模型和所述第一用户历史问诊数据集合，获得第一用户问诊分析模型；第二获得单元，所述第二获得单元用于将第一用户症状数据输入所述第一用户问诊分析模型，获得第一分析数据和第一疗效数据；第三获得单元，所述第三获得单元用于基于线上问诊和随访，根据所述第一用户症状数据获得第二分析数据和第二疗效数据；第二处理单元，所述第二处理单元用于基于所述第一疗效数据和所述第二疗效数据，评估分析所述第一分析数据和所述第二分析数据，获得第
一线上问诊评估结果。
9.本技术的第三个方面，提供了一种基于儿科医生线上问诊的信息处理系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述方法的步骤。
10.本技术的第四个方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
11.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：本技术提供的技术方案通过获取大量的儿科历史问诊数据集合，并作为训练数据构建并训练获得儿科线上问诊的问诊分析模型，然后获取当前进行线上问诊的第一用户历史问诊数据集合，基于机器学习中的迁移学习，将问诊分析模型内的参数数据作为辅助数据，将第一用户历史问诊数据集合内的数据作为原数据，构建并训练获得当前进行线上问诊用户的第一用户问诊分析模型，然后将当前用户的症状数据输入该第一用户问诊分析模型，获得模型输出的第一分析数据和第一疗效数据，并获得医生根据该症状数据进行线上问诊和随访获得的第二分析数据和第二疗效数据，根据第一疗效数据和第二疗效数据评估医生线上问诊的准确性和有效性，得到儿科线上问诊评估结果。本技术通过采用联邦学习，获取多个医疗机构内多个儿科患者的诊疗历史数据，构建并训练获得问诊分析模型，能够训练获得准确度较高、且拟合程度较好的问诊分析模型，提升模型效果，再采用机器学习中的迁移学习，将问诊分析模型内的参数数据作为辅助数据，结合当前问诊儿童的历史问诊数据结合，训练并得到适用于当前问诊儿童的第一用户问诊分析模型，基于迁移学习能够减少模型监督训练学习过程中数据标注的工作，提升模型的训练效率，提升方法的效率，通过当前问诊儿童的症状数据输入模型，同时进行线上问诊和回访，根据模型的输出结果评估分析线上问诊结果的有效性和准确性，能够有效评估由于线上问诊中由于监护人和医生主观沟通得到的问诊结果的有效性和准确性，得到线上问诊的评估结果，达到评估儿科线上问诊准确和有效性，作为医生进行线上问诊的参考数据的技术效果。
12.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
13.图1为本技术提供的一种基于儿科医生线上问诊的信息处理方法流程示意图；图2为本技术提供的一种基于儿科医生线上问诊的信息处理方法中获得问诊分析模型的流程示意图；图3为本技术提供的一种基于儿科医生线上问诊的信息处理方法中获得第一用户问诊分析模型的流程示意图；图4为本技术提供了一种基于儿科医生线上问诊的信息处理系统结构示意图；图5为本技术示例性电子设备的结构示意图。
14.附图标记说明：第一构建单元11，第一获得单元12，第一处理单元13，第二获得单元14，第三获得单元15，第二处理单元16，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
15.本技术通过提供了一种基于儿科医生线上问诊的信息处理方法及系统，用于针对解决现有技术存在的儿科线上问诊可能不准确，无法评估线上问诊准确性和有效性的技术问题。
16.申请概述互联网线上诊疗是基于互联网技术，方便患者与医生沟通，在线上进行病症的诊断和治疗的技术，极大地提升了患者就诊的效率。采用互联网线上诊疗，患者只需描述自身的症状，并结合体温以及患处图像等信息，即可在线上完成就诊和开药等工作，极其方便。儿科患者在进行线上就诊时，由于儿童的表达能力较差，需要监护人辅助描述儿童患者的症状，从而与医生进行线上沟通，医生在线上根据监护人描述的儿童症状进行线上诊疗。
17.因此，现有技术中儿科进行线上问诊的过程中，需要监护人分析判断儿童患者症状与医生交流，并由医生进行主观判断诊断治疗，医生无法直接与儿童患者交流，而需要进行主观判断，受主观因素影响，因此目前的儿科线上问诊诊断可能不准确，且存在着无法评估线上问诊准确性和有效性的技术问题。
18.针对上述技术问题，本技术提供的技术方案总体思路如下：本技术提供的技术方案通过获取大量的儿科历史问诊数据集合，并作为训练数据构建并训练获得儿科线上问诊的问诊分析模型，然后获取当前进行线上问诊的第一用户历史问诊数据集合，基于机器学习中的迁移学习，将问诊分析模型内的参数数据作为辅助数据，将第一用户历史问诊数据集合内的数据作为原数据，构建并训练获得当前进行线上问诊用户的第一用户问诊分析模型，然后将当前用户的症状数据输入该第一用户问诊分析模型，获得模型输出的第一分析数据和第一疗效数据，并获得医生根据该症状数据进行线上问诊和随访获得的第二分析数据和第二疗效数据，根据第一疗效数据和第二疗效数据评估医生线上问诊的准确性和有效性，得到儿科线上问诊评估结果。
19.在介绍了本技术基本原理后，下面，将参考附图对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术的实施例，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。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部。
20.实施例一如图1所示，本技术提供了一种基于儿科医生线上问诊的信息处理方法，所述方法包括：s100：基于历史问诊数据集合构建训练获得问诊分析模型；具体而言，历史问诊数据集合包括多个医疗机构的儿科内多为儿童患者的历史医疗问诊数据，基于历史问诊数据集合，可获得多类型儿童患者的多种疾病的历史医疗数据，示例性地，可获得体质较弱儿童的历史流感问诊数据。
21.历史问诊数据集合可基于大数据技术进行获得，但是，患者的医疗问诊数据属个人隐私，需要进行加密，且需要保证数据使用方是可信的，因此，本技术提供的方法中采用联邦学习获得历史问诊数据集合，并构建训练获得上述的问诊分析模型。
22.如图2所示，本技术提供的方法中的步骤s100包括：
s110：基于联邦学习，获得多个联邦学习参与主体，其中，所述多个联邦学习参与主体分别包括历史问诊数据，形成所述历史问诊数据集合；s120：构建子问诊分析模型；s130：所述多个联邦学习参与主体可信地下载所述子问诊分析模型；s140：所述多个联邦学习参与主体采用各自本地的所述历史问诊数据训练所述子问诊分析模型，获得多个训练后的所述子问诊分析模型；s150：根据所述多个训练后的子问诊分析模型，进行模型参数更新，得到所述问诊分析模型。
23.具体而言，基于联邦学习，设置一绝对可信的中心化主体，该中心化主体可获取加密的儿童历史问诊数据并进行训练模型，且保证数据不会被篡改或泄露。
24.然后，获取需要采用本技术提供方法的多个联邦学习参与主体，示例性地，多个联邦学习参与主体可为儿童医院、诊所或医院的儿科部门等主体，多个联邦学习参与主体内均包括线上问诊业务，需要采用本技术所提供之方法评估儿科医生线上问诊的准确性和有效性，故可提供各自加密后的儿科问诊数据，进行联邦学习。
25.获取多个联邦学习参与主体的多组儿科的历史问诊数据，该历史问诊数据可为线上问诊数据或线下问诊数据。该历史问诊数据包括儿童体质、儿童健康特征、儿童历史问诊就医数据以及就医疗效等数据信息。多组历史问诊数据形成上述的历史问诊数据集合。
26.然后中心化主体构建一子问诊分析模型，其可基于人工神经网络（neural network，nn）进行构建，人工神经网络为模拟人脑功能的一种神经网络，其包括多个互相连接的神经元，每个神经元可根据输入数据进行输出，神经元之间的连接形成各个神经元输入输出的权重值。人工神经网络可在训练过程中形成网络结构和权重值，进行复杂逻辑的非线性预测运算，人工神经网络为准确度较高的一种机器学习模型。
27.各联邦学习参与主体在该可信的中心化主体处下载该子问诊分析模型，然后采用各自的儿科历史问诊数据作为训练数据和验证数据，监督训练下载获得的子问诊分析模型，训练数据中包括儿科历史问诊数据内的儿童健康特征数据、症状数据、用于标识分析数据和疗效数据的标识信息，其中，分析数据为医生根据儿童健康特征和症状给出的病情判断和治疗处方数据，疗效数据为在该分析数据下，儿童病症是否消除以及康复的效果和效率等数据。待各子问诊分析模型的输出结果训练至收敛或达到预设的准确率后，进行验证，验证完成后获得多个联邦学习参与主体的训练后的多个子问诊分析模型。
28.本技术提供的方法中的步骤s150包括：s151：根据所述多个训练后的子问诊分析模型，获得所述多个训练后子的问诊分析模型的多个准确度信息；s152：根据所述多个联邦学习参与主体的历史问诊数据，获得多个历史问诊数据贡献度信息；s153：基于所述多个准确度信息和所述多个历史问诊数据贡献度信息，获得所述多个训练后的子问诊分析模型的多个综合贡献度；s154：基于所述多个训练后的子问诊分析模型，进行加密梯度数据，并梯度更新模型参数，获得所述问诊分析模型；s155：基于所述多个综合贡献度，将所述问诊分析模型返回给所述多个联邦学习
参与主体。
29.具体而言，根据多个联邦学习参与主体的训练后的多个子问诊分析模型，获取各个子问诊分析模型的准确度，进而获得多个准确度数据。准确度是指各个子问诊分析模型在训练后，根据输入数据获得输出结果的准确率，由于各子问诊分析模型的训练数据不同，训练过程不同，模型的拟合程度不同，则模型的准确度也不同，一般而言，认为模型的准确度越高越好。因此，根据该多个准确度信息评估多个联邦学习参与主体的模型的贡献度。
30.然后，根据各个联邦学习参与主体本地的历史问诊数据，根据各历史问诊数据的数据维度、数据量等信息，判断各历史问诊数据的数据贡献度信息。其中，若一联邦学习参与主体的历史问诊数据的数据量越大，数据维度越宽，则该数据贡献度信息越大。数据维度越宽包括各历史问诊数据内儿童患者的健康特征数据、症状数据等数据越复杂，则数据维度越宽。由于数据维度越宽，则模型训练过程中的标识和调整等过程的难度就越大，模型的效果就越好，故数据贡献度信息越大。
31.根据上述的多个准确度信息和多个历史问诊数据贡献度信息，获得各联邦学习参与主体的多个综合贡献度，根据该综合贡献度，可获得某一联邦学习参与主体在本次联邦学习中的贡献度。
32.多个联邦学习参与主体将各自的训练后的子问诊分析模型进行梯度数据加密，然后加密上传至可信的中心化主体，中心化主体根据各子问诊分析模型的加密梯度数据，进行模型参数梯度更新，获得更新后的上述的问诊分析模型。问诊分析模型内综合了各联邦学习参与主体的本地历史问诊数据，且进行加密，不会造成数据泄露或篡改。
33.然后，可信的中心化主体根据上述的各个联邦学习参与主体的综合贡献度，将更新后的问诊分析模型进行调整，将调整后的问诊分析模型返回给各个联邦学习参与主体，供各个联邦学习参与主体进行使用，并应用于至本技术提供的方法的后续步骤中。其中，可认为多个综合贡献度为权重值，若一联邦学习参与主体的综合贡献度越高，则其得到的问诊分析模型内的参数越为丰富。
34.本技术提供的方法采用联邦学习，采用多医疗机构内本地的历史儿科问诊数据进行模型训练和更新，训练模型的过程中采用本地数据进行训练，更新的过程中进行模型梯度参数加密，能够保证患者的问诊数据保密不被泄露或更改，获得的问诊分析模型的准确度较高，且应用范围广泛，效果较好，为后续评估儿科线上问诊有效准确性建立准确的数据基础。
35.s200：获取第一用户历史问诊数据集合；具体而言，第一用户指的是当前在医疗机构进行线上问诊的儿童患者，第一用户历史问诊数据集合为该儿童患者在历史上进行线下问诊或线上问诊的数据集合，该第一用户历史问诊数据集合包括该儿童患者的身体健康特征、历史病历等信息。
36.第一用户当前进行线上问诊的医疗机构即为上述的多个联邦学习参与主体中的一个，该医疗机构拥有根据其在联邦学习中贡献度获得的问诊分析模型。
37.s300：基于迁移学习，根据所述问诊分析模型和所述第一用户历史问诊数据集合，获得第一用户问诊分析模型；在基于联邦学习获得上述问诊分析模型的过程中，为获得准确度较高、效果较好的该问诊分析模型，需要在监督学习过程中进行大量的数据标注等工作，较为繁杂。而在进
行当前具体患者的线上问诊的有效性和准确性的评估时，若针对每一具体的儿童患者，均进行监督训练获得具体的第一用户问诊分析模型，则数据标注等监督学习工作量太过于繁杂。因此，本技术采用迁移学习，基于包括多医疗机构多儿童患者问诊数据的问诊分析模型，结合当前第一用户的第一用户历史问诊数据集合，训练第一用户问诊分析模型，省去监督学习中部分繁杂的工作。
38.由于本技术中，问诊分析模型的训练数据和第一用户历史问诊数据集合内均包括儿童的身体健康特征数据、症状数据等数据信息，虽然不同儿童的数据不同，但存在高度的相似性，因此，采用迁移学习可较快地获得当前针对具体儿童患者的第一用户问诊分析模型，且不损失模型的准确度。
39.如图3所示，本技术提供的方法中的步骤s300包括：s310：基于所述问诊分析模型，获得第一模型参数；s320：基于所述第一模型参数，获得辅助模型参数集合；s330：构建第一用户问诊分析模型；s340：采用所述辅助模型参数集合和所述第一用户历史问诊数据集合，训练得到所述第一用户问诊分析模型。
40.具体而言，基于前述联邦学习获得的问诊分析模型，获得该模型内的参数，该参数包括多个联邦学习参与主体的加密训练数据。然后，基于该第一模型参数，获得可用于训练当前第一用户问诊分析模型的训练数据，作为辅助模型参数集合。优选地，选择该第一模型参数内的所有数据作为辅助模型参数集合，然后基于迁移学习中基于实例的迁移学习进修辅助模型参数集合的调整。
41.然后，基于人工神经网络构建用于当前第一用户的第一用户问诊分析模型。然后采用辅助模型参数集合和该第一用户的第一用户历史问诊数据集合，训练该第一用户问诊分析模型。
42.本技术提供的方法中的步骤s340包括：s341：将所述第一用户历史问诊数据集合拆分为第一历史问诊数据集合和第二历史问诊数据集合；s342：将所述辅助模型参数集合和所述第一历史问诊数据集合合并，获得训练数据集合；s343：将所述训练数据集合输入第一分类器，获得所述辅助模型参数集合内的错误数据和错误率；s344：根据所述错误率，调整所述错误数据在所述训练数据集合内的权重，获得第一调整权重分配结果；s345：将所述第一调整权重分配结果和所述训练数据集合输入第二分类器，获得在所述第一调整权重分配结果下所述辅助模型参数集合内的错误数据和错误率；s346：进行迭代，直至所述训练数据集合内的数据和所述第二历史问诊数据集合内的数据分布相同，采用所述训练数据集合训练得到所述第一用户问诊分析模型。
43.具体而言，将当前进行线上问诊的儿童患者的第一用户历史问诊数据集合进行拆分，拆分为第一历史问诊数据集合和第二历史问诊数据集合。其中，第一历史问诊数据集合为训练数据，第二历史问诊数据集合为验证数据，示例性地，按照第一历史问诊数据集合和
第二历史问诊数据集合的比例为7:3的比例进行拆分。
44.然后，将该第一历史问诊数据集合和上述的辅助模型参数集合作为训练数据集合，训练第一用户问诊分析模型。
45.其中，辅助模型参数集合内包括多各医疗机构内多个儿童患者的历史问诊数据，多个儿童患者中，有较多儿童患者的历史问诊数据与当前第一用户对应的儿童患者的历史问诊数据有较大差别，无法作为训练数据直接训练第一用户问诊分析模型。示例性的，若当前第一用户对应的儿童患者对青霉素过敏，而辅助模型参数集合内包括部分对青霉素不过敏的儿童患者，该部分儿童患者的历史问诊数据内医生的处方数据可能包括青霉素这一药物，则该部分儿童患者的历史问诊数据则不能作为训练数据进行第一用户问诊分析模型的训练。
46.因此，需要对训练数据集合内的数据进行筛选，以使训练数据集合内的数据与第二历史问诊数据集合内的数据分布类似，即让辅助模型参数集合内的数据与第一历史问诊数据集合内的数据类似，则辅助模型参数集合内的数据可作为训练数据对第一用户问诊分析模型进行训练，其中不包括不适用于当前第一用户对应儿童患者的问诊数据。
47.具体地，将上述的训练数据集合输入所述第一分类器，第一分类器为一简单的分类树，采用决策树的原理对数据进行分类。示例性的第一分类器内的分类节点可为“是否对青霉素过敏”，当前第一用户对应儿童患者对青霉素过敏，若训练数据集合内部分儿童患者的问诊数据内的身体健康特征表示对青霉素过敏，则将该部分数据分类为正确数据。若训练数据集合内部分儿童患者的问诊数据内的身体健康特征表示对青霉素不过敏，则将该部分数据分类为错误数据。
48.经第一分类器分类，获得错误数据后，根据错误数据所占的比例获得错误率，然后根据错误率对错误数据设置权重，获得第一权重分配结果，使错误数据在整个训练数据集合内所占的权重较正常数据较小，在下一次进行分类后，第二分类器对于错误数据较为不关注，而对于正确数据则更为关注。
49.然后，将第一权重分配结果和训练数据集合输入第二分类器，第二分类器可按照其他分类数据节点，基于第一权重分配结果对训练数据集合内的数据进行分类，获得分类后的错误数据，然后在第一权重分配结果的基础上，按照错误数据的错误率进一步进行权重分配，得到第二权重分配结果。其中，若一数据在第一分类器和第二分类器均被分类为错误数据，则其在第三分类器内所占的权重则远远小于其他正常数据的权重。
50.将第二权重分配结果和训练数据集合输入第三分类器，如此迭代，直至训练数据集合内的数据和所述第二历史问诊数据集合内的数据分布相同，即训练数据集合内辅助模型参数集合中的错误数据的权重极小，在训练过程中对于模型的影响微乎其微，而正确数据的权重较大，得到最后合格的训练数据。
51.然后采用合格的训练数据集合进行第一用户问诊分析模型的训练，合格的训练数据集合中，包括用于标识分析数据和疗效数据的标识信息，而该标识数据的工作已在基于联邦学习训练问诊分析模型时已经完成。待第一用户问诊分析模型的输出结果训练至收敛或达到预设的准确率后，则完成训练。然后，采用上述的第二历史问诊数据集合对模型的准确率进行验证，防止模型过拟合或欠拟合，若准确率满足预设要求，则获得第一用户问诊分析模型。
52.本技术提供的方法基于迁移学习，获取上述问诊分析模型内的参数数据作为辅助数据，进行第一用户问诊分析模型的训练，能够在针对当前儿童患者进行线上问诊有效性和准确性评估的过程中，减少当前儿童患者对应第一用户问诊分析模型的监督学习工作，提升方法的效率，且仍能保证模型的准确率。
53.s400：将第一用户症状数据输入所述第一用户问诊分析模型，获得第一分析数据和第一疗效数据；具体而言，第一用户症状数据为当前第一用户对应儿童患者的患者症状数据。第一用户症状数据可通过监护人员，例如父母或老师等与医生在线上沟通获得。例如对于流行性感冒的儿童患者，监护人可和医生沟通，内容为：发烧即发烧温度、咳嗽、流鼻涕，即为第一用户症状数据。
54.将第一用户症状数据输入第一用户问诊分析模型，第一用户问诊分析模型内包括第一用户对应儿童患者的身体健康特征数据，第一用户问诊分析模型根据该第一用户症状数据，即可获得输出结果，输出结果中包括第一分析数据和第一疗效数据。第一分析数据为模型根据该第一用户症状数据获得的分析数据，其包括对于病情的判断数据以及相应的处方数据，处方数据包括开药以及服用药物方法等数据信息。第一疗效数据包括对于该第一用户的儿童患者，在第一用户症状数据下采用第一分析数据进行治疗，能够达到的疗效以及康复的时间等信息，即为第一疗效数据。
55.第一分析数据和第一疗效数据为模型根据第一用户历史问诊数据以及问诊分析模型获得的，准确度较高，作为评估儿科线上问诊准确性和有效性的数据基础。
56.s500：基于线上问诊和随访，根据所述第一用户症状数据获得第二分析数据和第二疗效数据；具体而言，基于儿科线上问诊，儿科医生根据上述的第一用户症状数据进行诊疗分析，获得第二分析数据和第二疗效数据。其中，第二分析数据为医生根据第一用户症状数据主观判断得到的病情分析以及相关的处方等数据。第二疗效数据是在第一用户对应儿童患者基于第二分析数据治疗后，线上随访获得的疗效以及康复时间等数据。
57.s600：基于所述第一疗效数据和所述第二疗效数据，评估分析所述第一分析数据和所述第二分析数据，获得第一线上问诊评估结果。
58.由于医生在线上诊疗过程中，儿童的表达能力不佳，只能通过与监护人沟通获得第一用户症状数据，无法及时准确全面地获知第一用户对应儿童的身体健康特征以及过往病历等信息。因此，第二分析数据和第二疗效数据可能存在着不准确的问题，需要进行准确性和有效性的评估。
59.本技术提供的方法中的步骤s600包括：s610：构建并训练获得线上问诊效果评估模型；s620：将所述第一疗效数据和所述第二疗效数据输入所述线上问诊效果评估模型，获得输出结果；s630：根据所述输出结果，获得第一子评估结果和第二子评估结果；s640：根据所述第一子评估结果和第二子评估结果，得到所述第一线上问诊评估结果。
60.其中，步骤s610包括：
s611：获得第一问诊效果评估维度，所述第一问诊效果评估维度为线上问诊是否有效；s612：基于所述第一问诊效果评估维度，构建并训练第一子线上问诊效果评估模型；s613：获得第二问诊效果评估维度，所述第二问诊效果评估维度为线上问诊的有效程度；s614：基于所述第二问诊效果评估维度，构建并训练第二子线上问诊效果评估模型；s615：结合所述第一子线上问诊效果评估模型和所述第二子线上问诊效果评估模型，获得所述线上问诊效果评估模型。
61.具体而言，评估第一分析数据和第二分析数据的过程中，采用第一疗效数据和第二疗效数据进行评估，其中第一疗效数据为模型给出的基于第一分析数据理论的疗效数据。第二疗效数据为实际的疗效数据，通过分析第二疗效数据是否生效，即第一用户对应的症状是否减弱或康复，以及康复的时间效率这两个维度，分析评估第一分析数据和第二分析数据。
62.获得第一问诊效果评估维度，第一问诊效果评估维度即为判断第二疗效数据是否有效，即第一用户对应的症状是否减弱或康复。基于第一问诊效果评估维度，构建并训练第一子线上问诊效果评估模型。
63.获得第二问诊效果评估维度，第二问诊效果评估维度为线上问诊的有效程度，即为第一用户对应的康复的时间或效率。基于第二问诊效果评估维度，构建并训练第二子线上问诊效果评估模型。
64.其中，第一子线上问诊效果评估模型和第二子线上问诊效果评估模型均为神经网络模型，第一子线上问诊效果评估模型的训练数据包括：第一疗效数据、第二疗效数据和用于标识第一子评估结果的标识信息，第一子评估结果包括第二分析数据是否有效。第二子线上问诊效果评估模型的训练数据包括：第一疗效数据、第二疗效数据和用于标识第二子评估结果的标识信息，第二子评估结果即为第二分析数据的有效程度，以及是否优于第一分析数据。
65.训练获得第一子线上问诊效果评估模型和第二子线上问诊效果评估模型后，将两模型合并，即获得上述的线上问诊效果评估模型。
66.将第一疗效数据和第二疗效数据输入线上问诊效果评估模型，获得输出结果，根据该输出结果，获得第一子评估结果和第二子评估结果。
67.根据该第一子评估结果，可获知基于线上儿科问诊的第二分析数据是否有效，根据该第二子评估结果，可获知基于线上儿科问诊的第二分析数据的有效程度。示例性的，若该第二疗效数据对应的康复时间远大于第一疗效数据对应的康复时间，则第二分析数据虽然有效，但有效程度较差，该次线上问诊的效果较差。若该第二疗效数据对应的康复时间与第一疗效数据对应的康复时间相当，则第二分析数据正常，该次线上问诊的效果较好。
68.基于该第一子评估结果和第二子评估结果，得到最终的第一线上问诊评估结果。根据该第一线上问诊评估结果，若该次线上问诊的效果较差，则医疗机构以及医生可根据上述的第一用户症状数据对第一用户对应儿童患者的过往病历进行调整，以提升后续线上
儿科问诊的准确性和效果，并可作为医学研究的数据基础，也可作为医疗数据调查的数据基础。且，该次线上问诊的数据也可作为训练数据，进行后续方法的更新和优化。
69.本技术提供的方法通过结合两个维度评估线上儿科问诊的分析数据，能够得到更为全面的评估结果，且更为准确，以便于医疗机构根据评估结果进行针对性的线上问诊调整，以提升后续线上儿科问诊的准确性和有效性。
70.综上所述，本技术通过采用联邦学习，获取多个医疗机构内多个儿科患者的诊疗历史数据，构建并训练获得问诊分析模型，能够训练获得准确度较高、且拟合程度较好的问诊分析模型，提升模型效果，再采用机器学习中的迁移学习，将问诊分析模型内的参数数据作为辅助数据，结合当前问诊儿童的历史问诊数据结合，训练并得到适用于当前问诊儿童的第一用户问诊分析模型，基于迁移学习能够减少模型监督训练学习过程中数据标注等部分的工作，提升模型的训练效率，进而提升方法的效率，通过当前问诊儿童的症状数据输入模型，同时进行线上问诊和回访，根据模型的输出结果评估分析线上问诊结果的有效性和准确性，能够有效评估由于线上问诊中由于监护人和医生主观沟通得到的问诊结果的有效性和准确性，得到线上问诊的评估结果，达到评估儿科线上问诊准确和有效性，作为医生进行线上问诊的参考数据的技术效果。
71.实施例二基于与前述实施例中一种基于儿科医生线上问诊的信息处理方法相同的发明构思，如图4所示，本技术提供了一种基于儿科医生线上问诊的信息处理系统，其中，所述系统包括：第一构建单元11，所述第一构建单元11用于基于历史问诊数据集合构建训练获得问诊分析模型；第一获得单元12，所述第一获的单元12用于获取第一用户历史问诊数据集合；第一处理单元13，所述第一处理单元13用于基于迁移学习，根据所述问诊分析模型和所述第一用户历史问诊数据集合，获得第一用户问诊分析模型；第二获得单元14，所述第二获得单元14用于将第一用户症状数据输入所述第一用户问诊分析模型，获得第一分析数据和第一疗效数据；第三获得单元15，所述第三获得单元15用于基于线上问诊和随访，根据所述第一用户症状数据获得第二分析数据和第二疗效数据；第二处理单元16，所述第二处理单元16用于基于所述第一疗效数据和所述第二疗效数据，评估分析所述第一分析数据和所述第二分析数据，获得第一线上问诊评估结果。
72.进一步的，所述系统还包括：第四获得单元，所述第四获得单元用于基于联邦学习，获得多个联邦学习参与主体，其中，所述多个联邦学习参与主体分别包括历史问诊数据，形成所述历史问诊数据集合；第二构建单元，所述第二构建单元用于构建子问诊分析模型；第三处理单元，所述第三处理单元用于所述多个联邦学习参与主体可信地下载所述子问诊分析模型；第四处理单元，所述第四处理单元用于所述多个联邦学习参与主体采用各自本地的所述历史问诊数据训练所述子问诊分析模型，获得多个训练后的所述子问诊分析模型；
第五处理单元，所述第五处理单元用于根据所述多个训练后的子问诊分析模型，进行模型参数更新，得到所述问诊分析模型。
73.进一步的，所述系统还包括：第五获得单元，所述第五获得单元用于根据所述多个训练后的子问诊分析模型，获得所述多个训练后子的问诊分析模型的多个准确度信息；第六获得单元，所述第六获得单元用于根据所述多个联邦学习参与主体的历史问诊数据，获得多个历史问诊数据贡献度信息；第六处理单元，所述第六处理单元用于基于所述多个准确度信息和所述多个历史问诊数据贡献度信息，获得所述多个训练后的子问诊分析模型的多个综合贡献度；第七处理单元，所述第七处理单元用于基于所述多个训练后的子问诊分析模型，进行加密梯度数据，并梯度更新模型参数，获得所述问诊分析模型；第八处理单元，所述第八处理单元用于基于所述多个综合贡献度，将所述问诊分析模型返回给所述多个联邦学习参与主体。
74.进一步的，所述系统还包括：第七获得单元，所述第七获得单元用于基于所述问诊分析模型，获得第一模型参数；第八获得单元，所述第八获得单元用于基于所述第一模型参数，获得辅助模型参数集合；第三构建单元，所述第三构建单元用于构建第一用户问诊分析模型；第九处理单元，所述第九处理单元用于采用所述辅助模型参数集合和所述第一用户历史问诊数据集合，训练得到所述第一用户问诊分析模型。
75.进一步的，所述系统还包括：第十处理单元，所述第十处理单元用于将所述第一用户历史问诊数据集合拆分为第一历史问诊数据集合和第二历史问诊数据集合；第十一处理单元，所述第十一处理单元用于将所述辅助模型参数集合和所述第一历史问诊数据集合合并，获得训练数据集合；第十二处理单元，所述第十二处理单元用于将所述训练数据集合输入第一分类器，获得所述辅助模型参数集合内的错误数据和错误率；第十三处理单元，所述第十三处理单元用于根据所述错误率，调整所述错误数据在所述训练数据集合内的权重，获得第一调整权重分配结果；第十四处理单元，所述第十四处理单元用于将所述第一调整权重分配结果和所述训练数据集合输入第二分类器，获得在所述第一调整权重分配结果下所述辅助模型参数集合内的错误数据和错误率；第十五处理单元，所述第十五处理单元用于进行迭代，直至所述训练数据集合内的数据和所述第二历史问诊数据集合内的数据分布相同，采用所述训练数据集合训练得到所述第一用户问诊分析模型。
76.进一步的，所述系统还包括：第四构建单元，所述第四构建单元用于构建构建并训练获得线上问诊效果评估模型；
第十六处理单元，所述第十六处理单元用于将所述第一疗效数据和所述第二疗效数据输入所述线上问诊效果评估模型，获得输出结果；第九获得单元，所述第九获得单元用于根据所述输出结果，获得第一子评估结果和第二子评估结果；第十获得单元，所述第十获得单元用于根据所述第一子评估结果和第二子评估结果，得到所述第一线上问诊评估结果。
77.进一步的，所述系统还包括：第十一获得单元，所述第十一获得单元用于获得第一问诊效果评估维度，所述第一问诊效果评估维度为线上问诊是否有效；第五构建单元，所述第五构建单元用于基于所述第一问诊效果评估维度，构建并训练第一子线上问诊效果评估模型；第十二获得单元，所述第十二获得单元用于获得第二问诊效果评估维度，所述第二问诊效果评估维度为线上问诊的有效程度；第六构建单元，所述第六构建单元用于基于所述第二问诊效果评估维度，构建并训练第二子线上问诊效果评估模型；第十七处理单元，所述第十七处理单元用于结合所述第一子线上问诊效果评估模型和所述第二子线上问诊效果评估模型，获得所述线上问诊效果评估模型。
78.实施例三基于与前述实施例中一种基于儿科医生线上问诊的信息处理方法相同的发明构思，本技术还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一内的方法。
79.示例性电子设备下面参考图5来描述本技术的电子设备，基于与前述实施例中一种基于儿科医生线上问诊的信息处理方法相同的发明构思，本技术还提供了一种基于儿科医生线上问诊的信息处理系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行实施例一所述方法的步骤。
80.该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
81.处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。
82.通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran),无线局域网(wireless local area networks，wlan)，有线接入网等。
83.存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram
或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact discread-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
84.其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术上述实施例提供的一种基于儿科医生线上问诊的信息处理方法。
85.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
86.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。