基于数据融合的在线医疗社区医生推荐研究

作     者：谷志强 

作者单位：中央财经大学 

学位级别：硕士

导师姓名：张悦今

授予年度：2023年

学科分类：12[管理学] 1204[管理学-公共管理] 120402[管理学-社会医学与卫生事业管理(可授管理学、医学学位)] 1004[医学-公共卫生与预防医学(可授医学、理学学位)] 10[医学] 

主      题：在线医疗社区 医生推荐 数据融合 DS证据理论 

摘      要：随着我国的经济和社会的不断发展,人民群众对于医疗资源的需求也在不断扩大。然而目前国内依旧存在着如医疗资源总量不够、分配不均等问题,在线医疗作为线下医疗方式的一种补充,在一定程度上是当前我国医疗资源问题的重要解决途径。但是随着在线医疗的发展,在线医疗社区上的信息在形式上越来越多样化,在数量上更是爆炸式增长。当缺乏医学知识的患者在在线医疗社区上寻求医生帮助的时候,其很难凭自身的精力去处理庞大且多样的数据并且做出合适的抉择。替患者处理在线医疗社区上的多样且数量众多的信息并且为其推荐合适的医生,不但可以帮助患者更好地管理自身健康,也能促进在线医疗的发展,缓解当前医疗压力。本文针对上述问题,将数据融合理论的思想和方法引入到在线医疗社区的医生推荐研究中来,并且建立了一个在线医疗社区的医生推荐模型。本文根据以往的研究和在线医疗社区中各类信息的特点,分别构建了三个子模型来处理在线医疗社区中不同的信息。第一个子模型是衡量医生的专业能力和患者病情匹配程度的医患专业匹配子模型,第二个子模型是从患者满意度出发的对医生的在线服务过程进行评价的医生服务评价子模型,第三个子模型为从患者在在线医疗社区上选择医生时重视的一些医生个人信息出发构建的医生个人信息评价子模型。本文选择好大夫在线网站来进行推荐模型实证分析。在医患专业匹配子模型部分,本文利用问答社区中常用专家发现方法中的向量空间模型和主题模型两种方法分别构建了一个医患专业匹配子模型。针对这两种子模型依据的方法不同给出的结果可能不一致的问题,本文利用数据融合中的DS证据理论将这两种方法得到的子模型的结果进行了融合。最后本文选择了HR@N和NDGG@N两个指标实证证明了,融合后的模型在效率和准确性都要超过两个基础的子模型。在医生服务评价子模型部分,本文根据以往的研究和数据可得性,选择了情感支持、信息支持、交流深度、等待时间四项作为模型的指标。考虑到从客观角度对每个医生的服务过程进行评价,本文选择了熵权-TOSPIS方法构建了医生个人信息评价子模型,并且对选择的医生对象进行了实际评估。在医生个人信息评价子模型部分,本文选了医生的临床职称、电子口碑、所在医院等级、医生主动性、历史病人数五项作为模型的指标。患者对于医生的个人信息的评价有着很高的主观差异性,本文选择问卷调查法和AHP法结合构建医生个人信息评价模型,并且也对选择的所有医生对象进行了实际评估。最后本文使用AHP方法将三个子模型得到的结果融合为一个结果,为在线医疗社区的不同患者进行动态的医生推荐。相较于以往研究中推荐模型的出发点和依据的理论方法单一化,给出的结果可能与其他推荐模型不一致,对决策的支持程度不高。本文引入数据融合有关理论,对不同的方法得到的医患专业匹配模型的结果进行了融合,得到了更加准确和有效的推荐结果,丰富了在线医疗社区为患者推荐医生的研究。此外,目前在线医疗社区为患者推荐医生的时候,同一个疾病搜索关键词下的医生推荐名单是固定的,没有考虑具体病情的差异和患者的偏好差异,本文设计的推荐模型在指导实际推荐系统的构建的时候,针对不同的患者,推荐的结果兼顾了患者疾病和医生的专业匹配情况以及患者的偏好,提升了推荐的有效性。