1.本发明涉及互联网医疗技术领域，尤其涉及一种视频问诊处理方法和装置。

背景技术：

2.目前，互联网医疗服务中极速视频问诊作为线上服务很重要的一种形式，用户可以不等待随时发起视频呼叫，实时在线的医生当即接诊进行沟通。其中医生作为服务供给侧，每天只能在固定时间固定地点提供服务，属于实时类服务，对供给侧数量的要求比异步延时的图文问诊需求要高很多倍。对于服务提供机构就要平衡供给侧数量和效率的问题，否则营收完全无法覆盖成本。

3.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

4.极速视频问诊的医生(供给侧)和患者(需求侧)始终处于动态变化状态，无法准确预估需求量，导致不能突出极速视频问诊效率高的最大优势。另外，对于无法避免的高并发情况，让用户等待，影响用户体验。其次可能存在错过紧急咨询的时间窗口，造成用户病情严重，以及医生无法有效和及时的调整自己节奏。

技术实现要素：

5.有鉴于此，本发明实施例提供一种视频问诊处理方法和装置，能够解决现有极速视频问诊在高并发情况下用户体验差，无法突出高效率问诊的问题。

6.为实现上述目的，根据本发明实施例的一个方面，提供了一种视频问诊处理方法，包括响应于视频呼叫请求在预设等待期间未被接听，获取各个医生端的当前问诊数据和历史问诊时长；调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长；根据各个医生端的剩余问诊时长，为所述视频呼叫请求分配待接听的医生端，进而推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，以及将所述视频呼叫请求的呼叫信息推送至所述医生端。

7.可选地，在视频呼叫请求在预设等待期间未被接听之后，还包括：响应于用户发起的视频呼叫请求未被医生端接听，将所述视频呼叫请求存储至呼叫排队队列；监控到在预设等待期间未被医生端接听，将所述视频呼叫请求标记为未接听用户订单。

8.可选地，获取各个医生端的当前问诊数据和历史问诊时长之后，包括：

9.根据预设的目标属性统计生成问诊信息；以及通过语音识别程序将当前问诊数据中的实时语音信息转化成文本信息，以利用自然语言处理算法对文本信息进行处理，得到病情信息；存储医生端的问诊信息与病情信息的映射关系。

10.可选地，调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长，包括：

11.根据当前问诊数据构建多元线性回归模型，以利用历史问诊时长，并使用梯度下降法对所述多元线性回归模型进行求解，得到各个医生端的剩余问诊时长。

12.可选地，推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，包

括：

13.触发通知程序，推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，进而通过语言合成方式提示用户已经分配的医生信息，并在剩余问诊时长后接收医生端回拨请求或发起呼叫程序。

14.可选地，将所述视频呼叫请求的呼叫信息推送至所述医生端，包括：触发通知程序，将所述视频呼叫请求的呼叫信息推送至所述医生端，进而在所述医生端的待接诊列表显示呼叫信息，以供所述医生端基于所述呼叫信息发起回拨程序。

15.可选地，还包括：

16.响应于医生端执行调整当前问诊数据的程序，获取调整后的问诊数据，进而调用预设的等待时间预测模型，以基于历史问诊时长计算得到所述医生端调整后的剩余问诊时长；

17.根据所述医生端调整后的剩余问诊时长，确定为所述视频呼叫请求分配的待接听医生端与当前为所述视频呼叫请求已分配的待接听医生端不一致，则推送所述医生端的医生信息和调整后的剩余问诊时长至所述视频呼叫请求的用户端；

18.接收用户端发送的更新分配指令，更新当前为所述视频呼叫请求已分配的待接听医生端为所述医生端，以将所述视频呼叫请求的呼叫信息推送至所述医生端。

19.另外，本发明还提供了一种视频问诊处理装置，包括获取模块，用于响应于视频呼叫请求在预设等待期间未被接听，获取各个医生端的当前问诊数据和历史问诊时长；处理模块，用于调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长；根据各个医生端的剩余问诊时长，为所述视频呼叫请求分配待接听的医生端，进而推送相应的医生信息和用户等待时间至所述视频呼叫请求的用户端，以及将所述视频呼叫请求的呼叫信息推送至所述医生端。

20.上述发明中的一个实施例具有如下优点或有益效果：本发明极速视频问诊服务实现了在高并发场景实时分析负载情况，对于呼叫未接听用户，根据医生多维度信息进行分析，分配给最适合的医生，医生可以根据用户呼叫记录信息，调整问诊节奏，以便可以让等待用户更快的获得医生服务。同时基于医生剩余处理时间，提醒用户大概多久后医生会进行回拨或可以主动呼叫，以便给用户明确预期，提高用户体验。

21.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

22.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

23.图1是根据本发明第一实施例的视频问诊处理方法的主要流程的示意图；

24.图2是根据本发明实施例的模型结构的示意图；

25.图3是根据本发明实施例的疾病实体识别的示意图；

26.图4是根据本发明实施例的未接听用户订单医生端提示示意图；

27.图5是根据本发明第二实施例的视频问诊处理方法的时序图；

28.图6是根据本发明实施例的视频问诊处理装置的主要模块的示意图；

29.图7是本发明实施例可以应用于其中的示例性系统架构图；

30.图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

31.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

32.图1是根据本发明第一实施例的视频问诊处理方法的主要流程的示意图，如图1所示，所述视频问诊处理方法包括：

33.步骤s101，响应于视频呼叫请求在预设等待期间未被接听，获取各个医生端的当前问诊数据和历史问诊时长。

34.在一些实施例中，在视频呼叫请求在预设等待期间未被接听之后，还可以包括：响应于用户发起的视频呼叫请求未被医生端接听，将所述视频呼叫请求存储至呼叫排队队列。然后，监控到在预设等待期间未被医生端接听在线问诊系统，将所述视频呼叫请求标记为未接听用户订单。示例的，用户端发起视频呼叫请求，可以分配空闲的医生端接入，但是如果医生端全部占线，则视频呼叫请求进入60秒预等待呼叫排队队列，在预等待60秒期间有医生端空闲，自动分配空闲医生端，在预等待60秒期间未接入医生端则定义为未接听用户订单，此类订单进入提醒系统进行分析处理，即执行步骤s102以及步骤s103。

35.作为另一些实施例，获取各个医生端的当前问诊数据和历史问诊时长之后，可以根据预设的目标属性统计生成问诊信息。以及可以通过语音识别程序将当前问诊数据中的实时语音信息转化成文本信息，以利用自然语言处理算法对文本信息进行处理得到病情信息。最后，存储医生端的问诊信息与病情信息的映射关系。

36.值得说明的是，视频问诊包括实时视频和实时语音，其中可以对实时语音信息进行监控和分析，而本发明通过asr( ，自动语音识别技术，可以将语音转化成文本便于系统进行后续分析。)语音识别，将实时语音信息转化成文本信息，并区分语音来源(例如用户或医生)。之后，可以通过nlp( ，自然语言处理是研究人与计算机交互的语言问题的一门学科，可以针对文本信息进行分析，判断和理解文本含义和意义。)算法能力进行语义理解，可以进行两个初步判断，一方面是疾病信息，即患者本次咨询的主要疾病，虽然医生还未填写疾病信息，但通过语义的分析，可以识别医患沟通的内容；另一个方面是问诊进展，根据沟通信息预估是否接近完成问诊。而疾病信息和问诊进展就是本发明的病情信息，例如：病情信息包括的疾病信息为诊断结果，问诊进展为问诊总结是否填写。

37.其中，基于对互联网医院历史问诊对话数据分析，问诊进展可以分为4个阶段：第一阶段，问病情：例如“请问您有什么不舒服？”、“咳嗽多长时间了？”、“有没有发热？”。第二阶段，给出拟诊(可能的疾病诊断)：例如“您的情况考虑是肺炎。”、“目前有甲亢可能。”。第三阶段，给出治疗建议：例如“您可以去线下医院检查甲功。”、“建议服用连花清瘟胶囊。”。第四阶段，给出结束问诊话术：例如“如果没有什么其他问题那就结束了，祝您早日康复。”、“如果没有好转可以再来问我，请对我的服务做出评价。”。可以在第四阶段结束完成问诊总

结的填写，当然也可以基于一些特殊情况导致的无法完成整个问诊进展而进行问诊总结的填写。另外，在执行问诊的四个阶段的过程中，可以判断出疾病信息。

38.进一步地实施例，可以通过nlp算法能力进行语义理解的具体实施过程可以包括：因问诊对话进展主要是医生在推动，故在语音实时转化后，基于医生的话利用模型判断问诊所属阶段，如图2所示，模型可以将卷积神经网络cnn应用到文本分类任务，利用多个不同粒度的核函数k来提取句子中的关键信息，从而能够更好地捕捉局部相关性。具体地，模型是将卷积神经网络cnn应用到文本分类任务，包含输入层(例如图2中多通道的文本输入)、卷积层(例如图2中多卷积核的一维卷积层)、池化层和输出层(例如图2中层)。其中，在输入层对文本信息中的词进行编码，结合字级别、词级别等不同维度的嵌入(可以有字嵌入也可以有词嵌入，相当于是从一本字典当中，将字典中记录的每个字或词的向量找到并替代该字或词，也就是把普通的文本映射到多维空间当中。)表示作为模型输入。卷积层通过不同的通道数目和卷积核大小,使用一维卷积的方式提取句子矩阵的特征。池化层从提取的特征矩阵中计算平均值，与来自其他通道的平均值拼接，组合成最终的特征向量，最后由层对文本进行分类。本实施例中，使用医生问诊内容标注数据进行模型训练，模型可分类该句属于“问病情”、“给出拟诊”、“给出治疗建议”，“给出结束问诊话术”这4个阶段中的哪一个阶段。

39.更进一步地实施例，因在“问病情”阶段，用户的病情尚未明确，且离问诊结束较远故不在本阶段进行疾病信息提取。医生会在“给出拟诊”阶段总结用户的病情，且问诊进入中期对预测结束时间更有利，故在本阶段通过实体识别提取问诊信息中的用户病情。实体识别是指识别文本中具有特定意义的实体，在实施例中，利用(为一种神经网络结构，可以捕捉时序信息，换做文本中的解释，用于同时处理上下文信息。)模型和crf( field条件随机场，是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型。)模型识别目标问诊阶段(例如“给出拟诊”阶段)医生话中的疾病词(疾病实体)。如图3所示，首先通过分类定位目标问诊阶段的文本信息(例如“给出拟诊”阶段文本)，利用字嵌入方法对文本进行编码，得到目标问诊阶段句的向量，输入标注数据训练过的+crf模型中计算文本中包含疾病实体，作为本次问诊用户的病情信息。示例的，“给出拟诊”阶段句文本为“目前有糖尿病可能”，通过实体识别提取到“糖尿病”疾病实体，则“糖尿病”是本次问诊用户的病情信息。

40.可以看出，通过和实体识别技术分析问诊所处阶段及用户病情信息，作为预测问诊结束时间的线性回归模型的输入特征(步骤s102)，结合医生历史问诊时长可以大幅度提升预测准确率。

41.示例的，对在线医生实时状态进行分析，表1所示，实时信息包括两大类，一类是问诊信息，可以通过对目标属性统计生成，包括待接诊订单数、待接诊视频订单数、问诊时长(当前进行中问诊的已进行时长)和剩余时长(单次剩余时长(单次视频预设总时长15分钟自动结束，当然医生也可以手动加时到30分钟))。另一类是病情信息，包括：问诊总结(医生对当前订单的总结填写情况)、诊断(是否有诊断信息)、问诊信息量(问诊信息是否有完整档案)、处方(是否已经开具处方)等。例如：根据当前信息初步判断王川医生待接诊订单少，且剩余时间少，但问诊总结还未填写。胡琪医生剩余时间稍多，但总结已经完成。

42.表1

[0043][0044]

作为再一些实施例，在获取医生端的历史问诊时长时，具体的实施过程可以包括：获取预设时间段内医生端的多个问诊时长，调用预设的问诊时长计算模型，得到历史问诊时长。进一步地，问诊时长计算模型可以采用计算多个问诊时长的平均值作为历史问诊时长，问诊时长计算模型也可以采用计算多个问诊时长的中位值作为历史问诊时长等等，具体采用哪种问诊时长计算模型可以根据实际应用场景确定。

[0045]

示例的，利用大数据统计医生前1个月的所有问诊类型的问诊时长，同时关联电子病历诊断和用户档案信息，形成医生-订单类型-诊断-患者信息(性别年龄)-问诊时长明细数据库的关联，如表2所示，根据当前未接听用户订单进行匹配并计算出对应历史平均问诊时长。

[0046]

表2

[0047][0048]

步骤s102，调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长。

[0049]

在一些实施例中，根据当前问诊数据构建多元线性回归模型，以利用历史问诊时长，并使用梯度下降法对所述多元线性回归模型进行求解，得到各个医生端的剩余问诊时长。其中，多元线性回归模型是利用数理统计中回归分析，来确定两种以上变量间相互依赖的定量关系的一种统计分析方法。多元线性回归的特点是输入变量(自变量)有两个或两个以上，且输入变量和输出变量(因变量)之间是线性关系。在实施例中，本发明通过多元线性回归模型判断问诊结束时间，通过多变量数据(医生科室、医生实时状态、医生历史问诊数据、问诊轮数、问诊所处阶段、疾病信息等问诊数据)，构成回归模型的自变量，把医生当前

问诊时刻距离问诊结束的时长作为回归模型的因变量，利用医生的历史问诊时长，使用梯度下降法对该回归模型进行求解即可。需要说明的是，多元线性回归模型基于既往所有数据进行训练，预测数据和实际数据进行误差分析，通过训练实现误差越来越小。

[0050]

步骤s103，根据各个医生端的剩余问诊时长，为所述视频呼叫请求分配待接听的医生端，进而推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，以及将所述视频呼叫请求的呼叫信息推送至所述医生端。

[0051]

示例的，如表3所示，基于当前问诊数据(问诊信息和病情信息)、历史信息(历史问诊时长)和预测信息(剩余问诊时长)，综合分析可以得出胡琪医生会最先完成当前问诊，则会将未接诊订单分配给医生进行提醒。

[0052]

表3

[0053][0054]

在一些实施例中，推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，具体的实施过程可以包括：触发通知程序，推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，进而通过语言合成方式提示用户已经分配的医生信息，并在剩余问诊时长后接收医生端回拨请求或发起呼叫程序。

[0055]

示例的，用户端会通过tts(tts属于语音合成技术，是将计算机自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。)方式，在系统自动挂断前，提示用户已经分配给胡琪医生，预计2分钟后可以接诊，可以等待医生回拨或2分钟后再次呼叫。

[0056]

在另一些实施例中，将所述视频呼叫请求的呼叫信息推送至所述医生端，具体的实施过程可以包括：触发通知程序，将所述视频呼叫请求的呼叫信息推送至所述医生端，进而在所述医生端的待接诊列表显示呼叫信息，以供所述医生端基于所述呼叫信息发起回拨程序。

[0057]

示例的，如图4所示，在医生端工作台上待接诊列表(图4中虚线框)会显示用户呼

叫信息，以便提醒医生当前等待用户信息。

[0058]

作为一些实施例，本发明医生端可以根据实际问诊情况，对当前的问诊数据进行调整(例如：医生端将单次视频预设总时长进行了调整，从预设的15分钟调整为30分钟。)，之后根据调整后的实时问诊数据进行动态分配调整。具体的实施过程包括：响应于医生端执行调整当前问诊数据的程序，获取调整后的问诊数据，进而调用预设的等待时间预测模型，以基于历史问诊时长计算得到所述医生端调整后的剩余问诊时长。根据所述医生端调整后的剩余问诊时长，为所述视频呼叫请求分配待接听的医生端，判断为所述视频呼叫请求分配的待接听医生端与当前为所述视频呼叫请求已分配的待接听医生端是否一致，若是则不予处理，若否则推送所述医生端的医生信息和调整后的剩余问诊时长至所述视频呼叫请求的用户端。之后，接收用户端发送的更新分配指令，更新当前为所述视频呼叫请求已分配的待接听医生端为所述医生端，以将所述视频呼叫请求的呼叫信息推送至所述医生端。

[0059]

可以看出，本发明实时分析负载情况，并通过数据分析分配给合适的医生和用户，双方可以根据实时的情况来干预当前行为，做到提高医患两端体验的效果。

[0060]

图5是根据本发明第二实施例的视频问诊处理方法的主要流程的示意图，如图5所示，应用于提醒系统，所述视频问诊处理方法包括：

[0061]

用户端发起视频呼叫请求至派单系统，派单系统检测医生状态，判断是否存在空闲医生，若否则将所述视频呼叫请求推送至提醒系统。若是则通过派单系统分配医生，进而判断所述视频呼叫请求是否被接听(即医生是否接听了所述视频呼叫请求)，如果是则与医生端视频连通、进行视频问诊，医生端编写问诊信息完成视频问诊；如果否则将所述视频呼叫请求推送至提醒系统。

[0062]

提醒系统接收到用户发起的视频呼叫请求未被医生端接听，将所述视频呼叫请求存储至呼叫排队队列，监控到在预设等待期间未被医生端接听，将所述视频呼叫请求标记为未接听用户订单。之后，获取各个医生端的当前问诊数据以进行实时状态分析(例如分析得到问诊信息与病情信息，包括待接诊订单数、待接诊视频订单数、问诊时长和剩余时长)，以及获取医生端历史问诊数据分析得到历史问诊时长。调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长，即完成等待时间的预测。基于当前问诊数据(问诊信息和病情信息)、历史信息(历史问诊时长)和预测信息(剩余问诊时长)，得到医生状态信息，从而综合医生状态信息进行评估以为所述视频呼叫请求分配待接听的医生端。值得说明的是，综合医生状态信息进行评估时可以直接依据医生端的剩余问诊时长为所述视频呼叫请求分配待接听的医生端，也可以综合医生状态信息的其他维度为所述视频呼叫请求分配待接听的医生端。

[0063]

另外，提醒系统推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，进而通过语言合成方式提示用户已经分配的医生信息，并在剩余问诊时长后接收医生端回拨请求或发起呼叫程序。以及将所述视频呼叫请求的呼叫信息推送至所述医生端，进而在所述医生端的待接诊列表显示呼叫信息，以供所述医生端基于所述呼叫信息发起回拨程序。

[0064]

图6是根据本发明实施例的视频问诊处理装置的主要模块的示意图，如图6所示，所述视频问诊处理装置600包括获取模块601和处理模块602。其中，获取模块601响应于视频呼叫请求在预设等待期间未被接听，获取各个医生端的当前问诊数据和历史问诊时长；

处理模块602调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长；根据各个医生端的剩余问诊时长，为所述视频呼叫请求分配待接听的医生端，进而推送相应的医生信息和用户等待时间至所述视频呼叫请求的用户端，以及将所述视频呼叫请求的呼叫信息推送至所述医生端。

[0065]

在一些实施例中，获取模块601在视频呼叫请求在预设等待期间未被接听之后，还包括：

[0066]

响应于用户发起的视频呼叫请求未被医生端接听，将所述视频呼叫请求存储至呼叫排队队列；监控到在预设等待期间未被医生端接听，将所述视频呼叫请求标记为未接听用户订单。

[0067]

在一些实施例中，获取模块601获取各个医生端的当前问诊数据和历史问诊时长之后，包括：

[0068]

根据预设的目标属性统计生成问诊信息；以及通过语音识别程序将当前问诊数据中的实时语音信息转化成文本信息，以利用自然语言处理算法对文本信息进行处理，得到病情信息；存储医生端的问诊信息与病情信息的映射关系。

[0069]

在一些实施例中，处理模块602调用预设的等待时间预测模型，以基于当前问诊数据和历史问诊时长计算得到各个医生端的剩余问诊时长，包括：

[0070]

根据当前问诊数据构建多元线性回归模型，以利用历史问诊时长，并使用梯度下降法对所述多元线性回归模型进行求解，得到各个医生端的剩余问诊时长。

[0071]

在一些实施例中，处理模块602推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，包括：

[0072]

触发通知程序，推送相应的医生信息和剩余问诊时长至所述视频呼叫请求的用户端，进而通过语言合成方式提示用户已经分配的医生信息，并在剩余问诊时长后接收医生端回拨请求或发起呼叫程序。

[0073]

在一些实施例中，处理模块602将所述视频呼叫请求的呼叫信息推送至所述医生端，包括：

[0074]

触发通知程序，将所述视频呼叫请求的呼叫信息推送至所述医生端，进而在所述医生端的待接诊列表显示呼叫信息，以供所述医生端基于所述呼叫信息发起回拨程序。

[0075]

在一些实施例中，获取模块601还用于：响应于医生端执行调整当前问诊数据的程序，获取调整后的问诊数据；

[0076]

处理模块602还用于：调用预设的等待时间预测模型，以基于历史问诊时长计算得到所述医生端调整后的剩余问诊时长；根据所述医生端调整后的剩余问诊时长，确定为所述视频呼叫请求分配的待接听医生端与当前为所述视频呼叫请求已分配的待接听医生端不一致，则推送所述医生端的医生信息和调整后的剩余问诊时长至所述视频呼叫请求的用户端；接收用户端发送的更新分配指令，更新当前为所述视频呼叫请求已分配的待接听医生端为所述医生端，以将所述视频呼叫请求的呼叫信息推送至所述医生端。

[0077]

需要说明的是，在本发明所述视频问诊处理方法和所述视频问诊处理装置在具体实施内容上具有相应关系，故重复内容不再说明。

[0078]

图7示出了可以应用本发明实施例的视频问诊处理方法或视频问诊处理装置的示例性系统架构700。

[0079]

如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

[0080]

用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用。

[0081]

终端设备701、702、703可以是具有视频问诊处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

[0082]

服务器705可以是提供各种服务的服务器在线问诊系统，例如对用户利用终端设备701、702、703提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息

‑‑