考虑需求优先性的在线医患双边匹配方法

近年来,随着互联网与智慧医疗的飞速发展,在线问诊平台逐渐成为满足大众基本医疗需求的重要渠道。随着在线问诊平台患者和医生数量的不断增长,医生回答参差不齐、患者提问响应不及时、答复率严重不足等问题不断涌现。如何从大量的在线医疗内容中挖掘患者需求信息和医生服务信息,刻画患者需求满意度和医生的服务能力,实现精确匹配是亟需解决的问题。基于此,文中提出了一个融合机器学习算法的多阶段匹配模型,用于提高匹配精度和多样性。首先,从医生和患者两个视角,利用机器学习算法和情感分析工具,深度挖掘患者服务需求和医生服务能力,同时考虑到患者强烈的风险规避态度,引入前景理论描述患者风险偏好。然后,考虑到患者需求的优先性,以粒计算思想为指导,以提高医患匹配的准确性和多样性为目的,构建多阶段动态匹配模型。最后,通过爬取好大夫网站的真实数据来进行实验,结果验证了所提方法的有效性。

考虑属性优先性的择期手术医患双边稳定匹配模型

针对考虑属性优先性的择期手术患者和医生双边匹配问题,提出了一种新的方法.在该方法中,首先,给出考虑属性优先性的择期手术患者和医生双边匹配问题的描述和医患双边匹配的定义;考虑到患者最关注的医生属性不同和医生对手术类型的擅长程度不同,分别给出了考虑属性优先性的医患个体理性匹配方案、医患稳定阻塞对、医患稳定匹配方案的定义;进一步地,根据患者提供的属性优先性信息,计算患者关于各优先属性集的权重,进而计算患者关于医生的综合满意度;构建了获得医患稳定匹配方案的多目标优化模型,基于多目标粒子群(MOPSO)算法设计了求解该模型的启发式算法;最后,通过算例说明了本文提出方法的可行性与有效性.