CN112435745B - 就诊策略推荐方法、装置、电子设备及存储介质 - Google Patents
就诊策略推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112435745B CN112435745B CN202011507184.2A CN202011507184A CN112435745B CN 112435745 B CN112435745 B CN 112435745B CN 202011507184 A CN202011507184 A CN 202011507184A CN 112435745 B CN112435745 B CN 112435745B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- identification code
- information
- patient
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011269 treatment regimen Methods 0.000 title claims abstract description 15
- 201000010099 disease Diseases 0.000 claims abstract description 150
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 150
- 238000003745 diagnosis Methods 0.000 claims abstract description 149
- 208000017667 Chronic Disease Diseases 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000011282 treatment Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 74
- 238000001514 detection method Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 29
- 238000012795 verification Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 208000014085 Chronic respiratory disease Diseases 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 239000002220 antihypertensive agent Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 229940124567 diuretic antihypertensive agent Drugs 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及智慧医疗,提供一种就诊策略推荐方法、装置、电子设备及存储介质。该方法能够提取患者识别码及诊断信息,当配置库中未存在患者识别码时,利用疾病预测模型检测与诊断信息对应的预测疾病,并当检测到预测疾病为慢性病时,提取异常医疗数据,将异常医疗数据输入至就诊策略推荐模型中,得到目标就诊策略,确定推荐方式,并以推荐方式推荐目标就诊策略。本发明不仅能够提高目标就诊策略的确定效率及推荐效率,还能够提高所述目标就诊策略的准确度。此外,本发明还涉及区块链技术,所述目标就诊策略可存储于区块链中。
Description
技术领域
本发明涉及智慧医疗技术领域,尤其涉及一种就诊策略推荐方法、装置、电子设备及存储介质。
背景技术
目前,传统的医患沟通模式为患者需要到医院与医生进行面对面的病情沟通,医生根据病人的病情,通过检查结果、自身经验或者专家库中已有的数据进行参考推理,得到针对该病人的就诊策略推荐给病人。然而,上述这种方式通过人为方式对患者信息进行推理分析,导致就诊策略的确定效率低下,进而无法快速推荐就诊策略。
发明内容
鉴于以上内容,有必要提供一种就诊策略推荐方法、装置、电子设备及存储介质,不仅能够提高目标就诊策略的确定效率及推荐效率,还能够提高所述目标就诊策略的准确度。
一方面,本发明提出一种就诊策略推荐方法,所述就诊策略推荐方法包括:
当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息;
检测配置库中是否存在所述患者识别码;
当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,并检测所述预测疾病是否为慢性病;
当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据;
将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略;
根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
根据本发明优选实施例,所述从所述患者信息中提取患者识别码及诊断信息包括:
从配置标签表中获取第一预设标签及第二预设标签,所述第一预设标签用于指示识别码,所述第二预设标签用于指示诊疗信息;
从所述患者信息中获取与所述第一预设标签对应的信息作为所述患者识别码;
从所述患者信息中获取与所述第二预设标签对应的信息作为所述诊断信息。
根据本发明优选实施例,所述检测配置库中是否存在所述患者识别码包括:
遍历所述配置库中的识别码;
将遍历到的识别码与所述患者识别码进行对比;
当检测到所述患者识别码与所述遍历到的识别码中存在任意识别码相同时,确定所述配置库中存在所述患者识别码;或者
当检测到所述患者识别码与所述遍历到的识别码均不相同时,确定所述配置库中未存在所述患者识别码。
根据本发明优选实施例,所述利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病包括:
对所述诊断信息进行分词处理,得到诊断分词;
对所述诊断分词进行向量化处理,得到分词向量;
将所述分词向量输入到所述疾病预测模型中,得到每个输出标签的输出概率及每个输出标签的转移概率,所述输出标签用于指示疾病;
对每个输出概率与每个转移概率进行加权和运算,得到每个输出标签的目标概率;
将目标概率最高的输出标签确定为所述预测疾病。
根据本发明优选实施例,所述对所述诊断信息进行分词处理,得到诊断分词包括:
利用预设词典对所述诊断信息进行切分,得到多个切分序列,每个切分序列包含对所述诊断信息进行切分后的切分分词;
从所述预设词典中获取每个切分序列中的所有切分分词的权值,并根据获取到的权值确定每个切分序列的切分权值;
将切分权值最高的切分序列确定为目标序列,并将所述目标序列中所有切分分词确定为所述诊断分词。
根据本发明优选实施例,所述方法还包括:
当所述配置库中存在所述患者识别码时,从所述配置库中获取与所述患者识别码对应的历史诊断信息,并从所述配置库中获取与所述患者识别码对应的患者年龄及患者性别;
根据所述历史诊断信息及所述诊断信息绘制指标趋势图,并获取同时与所述患者年龄及所述患者性别对应的指标区间值;
根据所述指标区间值分析所述指标趋势图,得到分析结果;
当所述分析结果为目标结果时,获取所述患者识别码的诊断策略,并存储所述诊断策略,所述目标结果指示所述指标趋势图趋向于所述指标区间值。
根据本发明优选实施例,所述根据所述目标就诊策略确定推荐方式包括:
确定所述目标就诊策略的就诊频率;
根据所述就诊频率确定所述推荐方式。
另一方面,本发明还提出一种就诊策略推荐装置,所述就诊策略推荐装置包括:
提取单元,用于当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息;
检测单元,用于检测配置库中是否存在所述患者识别码;
所述检测单元,还用于当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,并检测所述预测疾病是否为慢性病;
所述提取单元,还用于当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据;
输入单元,用于将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略;
推荐单元,用于根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述就诊策略推荐方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述就诊策略推荐方法。
由以上技术方案可以看出,本发明利用所述疾病预测模型能够准确确定出所述预测疾病,由于无需人工分析大量检查数据,因此,能够提高所述预测疾病的确定效率,进而从所述诊断信息中提取出与所述预测疾病有关的异常医疗数据,能够缩小数据范围,进而提高医疗数据分析效率,以提高诊断策略的确定效率,此外,本发明通过所述异常医疗数据确定所述目标就诊策略,而不是对所述预测疾病进行简单分析,因此,能够提高所述目标就诊策略的准确度。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
附图说明
图1是本发明就诊策略推荐方法的较佳实施例的流程图。
图2是本发明确定预测疾病的一实施例的流程图。
图3是本发明确定诊断分词的一实施例的流程图。
图4是本发明就诊策略推荐装置的较佳实施例的功能模块图。
图5是本发明实现就诊策略推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明就诊策略推荐方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述就诊策略推荐方法应用于智慧医疗场景中,从而推动智慧城市的建设。所述就诊策略推荐方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息。
在本发明的至少一个实施例中,所述患者信息包括,但不限于:所述患者识别码、所述诊断信息等。
进一步地,所述患者识别码是指可以唯一标识就诊患者的编号。所述患者识别码可以是所述就诊患者的身份证号,也可以是所述就诊患者的社保号,还可以是所述就诊患者的手机号码。
进一步地,所述诊断信息包括,但不限于:血压值、血糖值等医疗指标参数。
在本发明的至少一个实施例中,所述电子设备从所述患者信息中提取患者识别码及诊断信息包括:
从配置标签表中获取第一预设标签及第二预设标签,所述第一预设标签用于指示识别码,所述第二预设标签用于指示诊疗信息;
从所述患者信息中获取与所述第一预设标签对应的信息作为所述患者识别码;
从所述患者信息中获取与所述第二预设标签对应的信息作为所述诊断信息。
通过上述实施方式,能够准确获取到所述患者识别码及所述诊断信息。
S11,检测配置库中是否存在所述患者识别码。
在本发明的至少一个实施例中,所述配置库中存储多个已就诊的患者的识别码。
在本发明的至少一个实施例中,所述电子设备检测配置库中是否存在所述患者识别码包括:
遍历所述配置库中的识别码;
将遍历到的识别码与所述患者识别码进行对比;
当检测到所述患者识别码与所述遍历到的识别码中存在任意识别码相同时,确定所述配置库中存在所述患者识别码;或者
当检测到所述患者识别码与所述遍历到的识别码均不相同时,确定所述配置库中未存在所述患者识别码。
通过逐一比较所述遍历到的识别码与所述患者识别码,能够准确确定出所述配置库中是否存在所述患者识别码。
S12,当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,并检测所述预测疾病是否为慢性病。
在本发明的至少一个实施例中,在利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病之前,所述方法还包括:
采用网络爬虫技术获取历史医疗信息,所述历史医疗信息包括临床数据及确诊疾病;
划分所述历史医疗信息,得到训练数据集及验证数据集;
训练所述训练数据集中的历史医疗信息,得到疾病检测学习器;
根据所述验证数据集中的历史医疗信息,对所述疾病检测学习器进行调整,得到所述疾病预测模型。
具体地,所述电子设备划分所述历史医疗信息,得到训练数据集及验证数据集包括:
将所述历史医疗信息按照预设比例随机划分为多个数据包;
将所述多个数据包中的任意一个数据包确定为所述验证数据集,其余的数据包确定为所述训练数据集,重复上述步骤,直至所有的数据包依次被确定为所述验证数据集。
其中,所述预设比例可以自定义设置,本发明不作限制。
通过上述实施方式,使所述历史医疗信息中的每个数据均参与训练及验证,由此,提高训练所述疾病预测模型的拟合度。
具体地,所述电子设备利用深度学习算法训练所述训练数据集中的历史医疗信息,得到所述疾病检测学习器,由于所述疾病检测学习器的生成属于现有技术,因此,本发明对此不作阐述。
具体地,所述电子设备根据所述验证数据集中的历史医疗信息,对所述疾病检测学习器进行调整,得到所述疾病预测模型包括:
采用超参数网格搜索方法从所述验证数据集中确定最优超参数点;
利用所述最优超参数点对所述疾病检测学习器进行调整,得到所述疾病预测模型。
通过上述实施方式,使所述疾病预测模型能够更加准确地预测出所述预测疾病。
具体地,所述电子设备采用超参数网格搜索方法从所述验证数据集中确定最优超参数点包括:
将所述验证数据集按照固定步长进行拆分,得到目标子集,遍历所述目标子集上两端端点的参数,通过所述两端端点的参数验证所述疾病检测学习器,得到每个参数的学习率,将学习率最好的参数确定为第一超参数点,并在所述第一超参数点的邻域内,缩小所述步长继续遍历,直至所述步长为预设步长,即得到的超参数点为所述最优超参数点。
其中,本发明对所述预设步长不作限制。
在本发明的至少一个实施例中,通过所述疾病预测模型能够分析所述诊断信息,进而能够得到所述预测疾病。
在本发明的至少一个实施例中,所述慢性病全称是慢性非传染性疾病,不是特指某种疾病,而是对一类起病隐匿,病程长且病情迁延不愈,缺乏确切的传染性生物病因证据,病因复杂,且有些尚未完全被确认的疾病的概括性总称。常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸***疾病等。
参见图2,图2是本发明确定预测疾病的一实施例的流程图。在本发明的至少一个实施例中,所述电子设备利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病包括:
S120,对所述诊断信息进行分词处理,得到诊断分词。
其中,所述诊断分词是对所述诊断信息进行分词后得到的词语。
S121,对所述诊断分词进行向量化处理,得到分词向量。
其中,所述分词向量是指与所述诊断分词对应的向量。
S122,将所述分词向量输入到所述疾病预测模型中,得到每个输出标签的输出概率及每个输出标签的转移概率,所述输出标签用于指示疾病。
其中,所述疾病预测模型是预先训练得到的预测模型,所述疾病预测模型是用于预测疾病。
S123,对每个输出概率与每个转移概率进行加权和运算,得到每个输出标签的目标概率。
例如:输出概率为0.3,输出概率的权重为0.8,转移概率为0.4,转移概率的权重为0.2,经计算,得到目标概率为0.32。
S124,将目标概率最高的输出标签确定为所述预测疾病。
通过所述疾病预测模型中输出的输出概率及转移概率,能够准确确定出所述预测疾病。
参见图3,图3是本发明确定诊断分词的一实施例的流程图。具体地,所述对所述诊断信息进行分词处理,得到诊断分词包括:
S1200,利用预设词典对所述诊断信息进行切分,得到多个切分序列,每个切分序列包含对所述诊断信息进行切分后的切分分词。
其中,所述预设词典中包括多个自定义词及每个自定义词的权值。
S1201,从所述预设词典中获取每个切分序列中的所有切分分词的权值,并根据获取到的权值确定每个切分序列的切分权值。
其中,每个切分序列中包含所述诊断信息中的所有词语。
S1202,将切分权值最高的切分序列确定为目标序列,并将所述目标序列中所有切分分词确定为所述诊断分词。
通过上述实施,能够准确切分出符合应用场景的诊断分词,进而能够准确确定出所述预测疾病。
在本发明的至少一个实施例中,所述方法还包括:
当所述配置库中存在所述患者识别码时,从所述配置库中获取与所述患者识别码对应的历史诊断信息,并从所述配置库中获取与所述患者识别码对应的患者年龄及患者性别;
根据所述历史诊断信息及所述诊断信息绘制指标趋势图,并获取同时与所述患者年龄及所述患者性别对应的指标区间值;
根据所述指标区间值分析所述指标趋势图,得到分析结果;
当所述分析结果为目标结果时,获取所述患者识别码的诊断策略,并存储所述诊断策略,所述目标结果指示所述指标趋势图趋向于所述指标区间值。
通过上述实施方式,由于所述分析结果趋向于所述指标区间值,因此,能够确定所述诊断策略有效,进而对所述诊断策略进行存储,便于为具有相同诊断疾病的患者推荐所述诊断策略。
在本发明的至少一个实施例中,所述电子设备检测所述预测疾病是否为慢性病包括:
遍历预设慢性病表中的所有慢性病;
将所述预测疾病与遍历到的慢性病进行对比;
当所述预测疾病与所述遍历到的慢性病中存在任意慢性病相同时,确定所述预测疾病为所述慢性病。
通过上述实施方式,能够准确确定出所述预测疾病是否为所述慢性疾病。
S13,当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据。
在本发明的至少一个实施例中,所述异常医疗数据是指所述诊断信息中与正常值不匹配的数据。
在本发明的至少一个实施例中,所述电子设备从所述诊断信息中提取异常医疗数据的方式属于现有技术,本发明对所述异常医疗数据的提取方式不作阐述。
S14,将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略。
在本发明的至少一个实施例中,所述目标就诊策略是指所述预测疾病的治疗策略。
在本发明的至少一个实施例中,在将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略之前,所述方法还包括:
采用网络爬虫技术获取历史数据;
将所述历史数据输入到遗忘门层进行遗忘处理,得到训练数据;
采用交叉验证法将所述训练数据划分为训练集及验证集;
将所述训练集中的数据输入到输入门层进行训练,得到学习器;
根据所述验证集中的数据调整所述学习器,得到所述就诊策略推荐模型。
通过所述验证集中的数据对所述学习器进行调整,能够准确得到所述就诊策略推荐模型。
S15,根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
需要强调的是,为进一步保证上述目标就诊策略的私密和安全性,上述目标就诊策略还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述推荐方式可以包括,但不限于:推荐频次、推荐时间等。
在本发明的至少一个实施例中,所述电子设备根据所述目标就诊策略确定推荐方式包括:
确定所述目标就诊策略的就诊频率;
根据所述就诊频率确定所述推荐方式。
例如,所述目标就诊策略是每天吃一次利尿降压药,每次一颗,所述推荐方式是每天推送。
通过上述实施方式,能够快速确定出适宜的推荐方式。
由以上技术方案可以看出,本发明利用所述疾病预测模型能够准确确定出所述预测疾病,由于无需人工分析大量检查数据,因此,能够提高所述预测疾病的确定效率,进而从所述诊断信息中提取出与所述预测疾病有关的异常医疗数据,能够缩小数据范围,进而提高医疗数据分析效率,以提高诊断策略的确定效率,此外,本发明通过所述异常医疗数据确定所述目标就诊策略,而不是对所述预测疾病进行简单分析,因此,能够提高所述目标就诊策略的准确度。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
如图4所示,是本发明就诊策略推荐装置的较佳实施例的功能模块图。所述就诊策略推荐装置11包括提取单元110、检测单元111、输入单元112、推荐单元113、获取单元114、绘制单元115、分析单元116、划分单元117、调整单元118及训练单元119。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到患者信息时,提取单元110从所述患者信息中提取患者识别码及诊断信息。
在本发明的至少一个实施例中,所述患者信息包括,但不限于:所述患者识别码、所述诊断信息等。
进一步地,所述患者识别码是指可以唯一标识就诊患者的编号。所述患者识别码可以是所述就诊患者的身份证号,也可以是所述就诊患者的社保号,还可以是所述就诊患者的手机号码。
进一步地,所述诊断信息包括,但不限于:血压值、血糖值等医疗指标参数。
在本发明的至少一个实施例中,所述提取单元110从所述患者信息中提取患者识别码及诊断信息包括:
从配置标签表中获取第一预设标签及第二预设标签,所述第一预设标签用于指示识别码,所述第二预设标签用于指示诊疗信息;
从所述患者信息中获取与所述第一预设标签对应的信息作为所述患者识别码;
从所述患者信息中获取与所述第二预设标签对应的信息作为所述诊断信息。
通过上述实施方式,能够准确获取到所述患者识别码及所述诊断信息。
检测单元111检测配置库中是否存在所述患者识别码。
在本发明的至少一个实施例中,所述配置库中存储多个已就诊的患者的识别码。
在本发明的至少一个实施例中,所述检测单元111检测配置库中是否存在所述患者识别码包括:
遍历所述配置库中的识别码;
将遍历到的识别码与所述患者识别码进行对比;
当检测到所述患者识别码与所述遍历到的识别码中存在任意识别码相同时,确定所述配置库中存在所述患者识别码;或者
当检测到所述患者识别码与所述遍历到的识别码均不相同时,确定所述配置库中未存在所述患者识别码。
通过逐一比较所述遍历到的识别码与所述患者识别码,能够准确确定出所述配置库中是否存在所述患者识别码。
所述检测单元111当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,并检测所述预测疾病是否为慢性病。
在本发明的至少一个实施例中,在利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病之前,所述获取单元114采用网络爬虫技术获取历史医疗信息,所述历史医疗信息包括临床数据及确诊疾病;
划分单元117划分所述历史医疗信息,得到训练数据集及验证数据集;
训练单元119训练所述训练数据集中的历史医疗信息,得到疾病检测学习器;
调整单元118根据所述验证数据集中的历史医疗信息,对所述疾病检测学习器进行调整,得到所述疾病预测模型。
具体地,所述划分单元117划分所述历史医疗信息,得到训练数据集及验证数据集包括:
将所述历史医疗信息按照预设比例随机划分为多个数据包;
将所述多个数据包中的任意一个数据包确定为所述验证数据集,其余的数据包确定为所述训练数据集,重复上述步骤,直至所有的数据包依次被确定为所述验证数据集。
其中,所述预设比例可以自定义设置,本发明不作限制。
通过上述实施方式,使所述历史医疗信息中的每个数据均参与训练及验证,由此,提高训练所述疾病预测模型的拟合度。
具体地,所述训练单元119利用深度学习算法训练所述训练数据集中的历史医疗信息,得到所述疾病检测学习器,由于所述疾病检测学习器的生成属于现有技术,因此,本发明对此不作阐述。
具体地,所述调整单元118根据所述验证数据集中的历史医疗信息,对所述疾病检测学习器进行调整,得到所述疾病预测模型包括:
采用超参数网格搜索方法从所述验证数据集中确定最优超参数点;
利用所述最优超参数点对所述疾病检测学习器进行调整,得到所述疾病预测模型。
通过上述实施方式,使所述疾病预测模型能够更加准确地预测出所述预测疾病。
具体地,所述调整单元118采用超参数网格搜索方法从所述验证数据集中确定最优超参数点包括:
将所述验证数据集按照固定步长进行拆分,得到目标子集,遍历所述目标子集上两端端点的参数,通过所述两端端点的参数验证所述疾病检测学习器,得到每个参数的学习率,将学习率最好的参数确定为第一超参数点,并在所述第一超参数点的邻域内,缩小所述步长继续遍历,直至所述步长为预设步长,即得到的超参数点为所述最优超参数点。
其中,本发明对所述预设步长不作限制。
在本发明的至少一个实施例中,通过所述疾病预测模型能够分析所述诊断信息,进而能够得到所述预测疾病。
在本发明的至少一个实施例中,所述慢性病全称是慢性非传染性疾病,不是特指某种疾病,而是对一类起病隐匿,病程长且病情迁延不愈,缺乏确切的传染性生物病因证据,病因复杂,且有些尚未完全被确认的疾病的概括性总称。常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸***疾病等。
在本发明的至少一个实施例中,所述检测单元111利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病包括:
对所述诊断信息进行分词处理,得到诊断分词。
其中,所述诊断分词是对所述诊断信息进行分词后得到的词语。
对所述诊断分词进行向量化处理,得到分词向量。
其中,所述分词向量是指与所述诊断分词对应的向量。
将所述分词向量输入到所述疾病预测模型中,得到每个输出标签的输出概率及每个输出标签的转移概率,所述输出标签用于指示疾病。
其中,所述疾病预测模型是预先训练得到的预测模型,所述疾病预测模型是用于预测疾病。
对每个输出概率与每个转移概率进行加权和运算,得到每个输出标签的目标概率。
例如:输出概率为0.3,输出概率的权重为0.8,转移概率为0.4,转移概率的权重为0.2,经计算,得到目标概率为0.32。
将目标概率最高的输出标签确定为所述预测疾病。
通过所述疾病预测模型中输出的输出概率及转移概率,能够准确确定出所述预测疾病。
具体地,所述检测单元111对所述诊断信息进行分词处理,得到诊断分词包括:
利用预设词典对所述诊断信息进行切分,得到多个切分序列,每个切分序列包含对所述诊断信息进行切分后的切分分词。
其中,所述预设词典中包括多个自定义词及每个自定义词的权值。
从所述预设词典中获取每个切分序列中的所有切分分词的权值,并根据获取到的权值确定每个切分序列的切分权值。
其中,每个切分序列中包含所述诊断信息中的所有词语。
将切分权值最高的切分序列确定为目标序列,并将所述目标序列中所有切分分词确定为所述诊断分词。
通过上述实施,能够准确切分出符合应用场景的诊断分词,进而能够准确确定出所述预测疾病。
在本发明的至少一个实施例中,当所述配置库中存在所述患者识别码时,获取单元114从所述配置库中获取与所述患者识别码对应的历史诊断信息,并从所述配置库中获取与所述患者识别码对应的患者年龄及患者性别;
绘制单元根据所述历史诊断信息及所述诊断信息绘制指标趋势图,并获取同时与所述患者年龄及所述患者性别对应的指标区间值;
分析单元116根据所述指标区间值分析所述指标趋势图,得到分析结果;
当所述分析结果为目标结果时,所述获取单元114获取所述患者识别码的诊断策略,并存储所述诊断策略,所述目标结果指示所述指标趋势图趋向于所述指标区间值。
通过上述实施方式,由于所述分析结果趋向于所述指标区间值,因此,能够确定所述诊断策略有效,进而对所述诊断策略进行存储,便于为具有相同诊断疾病的患者推荐所述诊断策略。
在本发明的至少一个实施例中,所述检测单元111检测所述预测疾病是否为慢性病包括:
遍历预设慢性病表中的所有慢性病;
将所述预测疾病与遍历到的慢性病进行对比;
当所述预测疾病与所述遍历到的慢性病中存在任意慢性病相同时,确定所述预测疾病为所述慢性病。
通过上述实施方式,能够准确确定出所述预测疾病是否为所述慢性疾病。
当检测到所述预测疾病为所述慢性病时,所述提取单元110从所述诊断信息中提取异常医疗数据。
在本发明的至少一个实施例中,所述异常医疗数据是指所述诊断信息中与正常值不匹配的数据。
在本发明的至少一个实施例中,所述提取单元110从所述诊断信息中提取异常医疗数据的方式属于现有技术,本发明对所述异常医疗数据的提取方式不作阐述。
输入单元112将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略。
在本发明的至少一个实施例中,所述目标就诊策略是指所述预测疾病的治疗策略。
在本发明的至少一个实施例中,在将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略之前,所述方法还包括:
所述获取单元114采用网络爬虫技术获取历史数据;
所述输入单元112将所述历史数据输入到遗忘门层进行遗忘处理,得到训练数据;
所述划分单元117采用交叉验证法将所述训练数据划分为训练集及验证集;
所述输入单元112将所述训练集中的数据输入到输入门层进行训练,得到学习器;
所述调整单元118根据所述验证集中的数据调整所述学习器,得到所述就诊策略推荐模型。
通过所述验证集中的数据对所述学习器进行调整,能够准确得到所述就诊策略推荐模型。
推荐单元113根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
需要强调的是,为进一步保证上述目标就诊策略的私密和安全性,上述目标就诊策略还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述推荐方式可以包括,但不限于:推荐频次、推荐时间等。
在本发明的至少一个实施例中,所述推荐单元113根据所述目标就诊策略确定推荐方式包括:
确定所述目标就诊策略的就诊频率;
根据所述就诊频率确定所述推荐方式。
例如,所述目标就诊策略是每天吃一次利尿降压药,每次一颗,所述推荐方式是每天推送。
通过上述实施方式,能够快速确定出适宜的推荐方式。
由以上技术方案可以看出,本发明利用所述疾病预测模型能够准确确定出所述预测疾病,由于无需人工分析大量检查数据,因此,能够提高所述预测疾病的确定效率,进而从所述诊断信息中提取出与所述预测疾病有关的异常医疗数据,能够缩小数据范围,进而提高医疗数据分析效率,以提高诊断策略的确定效率,此外,本发明通过所述异常医疗数据确定所述目标就诊策略,而不是对所述预测疾病进行简单分析,因此,能够提高所述目标就诊策略的准确度。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
如图5所示,是本发明实现就诊策略推荐方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如就诊策略推荐程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成提取单元110、检测单元111、输入单元112、推荐单元113、获取单元114、绘制单元115、分析单元116、划分单元117、调整单元118及训练单元119。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种就诊策略推荐方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息;
检测配置库中是否存在所述患者识别码;
当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,并检测所述预测疾病是否为慢性病;
当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据;
将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略;
根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息;
检测配置库中是否存在所述患者识别码;
当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,并检测所述预测疾病是否为慢性病;
当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据;
将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略;
根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种就诊策略推荐方法,其特征在于,所述就诊策略推荐方法包括:
当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息;
检测配置库中是否存在所述患者识别码;
当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,包括:对所述诊断信息进行分词处理,得到诊断分词;对所述诊断分词进行向量化处理,得到分词向量;将所述分词向量输入到所述疾病预测模型中,得到每个输出标签的输出概率及每个输出标签的转移概率,所述输出标签用于指示疾病;对每个输出概率与每个转移概率进行加权和运算,得到每个输出标签的目标概率;将目标概率最高的输出标签确定为所述预测疾病,并检测所述预测疾病是否为慢性病;
当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据;
将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略;
根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
2.如权利要求1所述的就诊策略推荐方法,其特征在于,所述从所述患者信息中提取患者识别码及诊断信息包括:
从配置标签表中获取第一预设标签及第二预设标签,所述第一预设标签用于指示识别码,所述第二预设标签用于指示诊疗信息;
从所述患者信息中获取与所述第一预设标签对应的信息作为所述患者识别码;
从所述患者信息中获取与所述第二预设标签对应的信息作为所述诊断信息。
3.如权利要求1所述的就诊策略推荐方法,其特征在于,所述检测配置库中是否存在所述患者识别码包括:
遍历所述配置库中的识别码;
将遍历到的识别码与所述患者识别码进行对比;
当检测到所述患者识别码与所述遍历到的识别码中存在任意识别码相同时,确定所述配置库中存在所述患者识别码;或者
当检测到所述患者识别码与所述遍历到的识别码均不相同时,确定所述配置库中未存在所述患者识别码。
4.如权利要求1所述的就诊策略推荐方法,其特征在于,所述对所述诊断信息进行分词处理,得到诊断分词包括:
利用预设词典对所述诊断信息进行切分,得到多个切分序列,每个切分序列包含对所述诊断信息进行切分后的切分分词;
从所述预设词典中获取每个切分序列中的所有切分分词的权值,并根据获取到的权值确定每个切分序列的切分权值;
将切分权值最高的切分序列确定为目标序列,并将所述目标序列中所有切分分词确定为所述诊断分词。
5.如权利要求1所述的就诊策略推荐方法,其特征在于,所述方法还包括:
当所述配置库中存在所述患者识别码时,从所述配置库中获取与所述患者识别码对应的历史诊断信息,并从所述配置库中获取与所述患者识别码对应的患者年龄及患者性别;
根据所述历史诊断信息及所述诊断信息绘制指标趋势图,并获取同时与所述患者年龄及所述患者性别对应的指标区间值;
根据所述指标区间值分析所述指标趋势图,得到分析结果;
当所述分析结果为目标结果时,获取所述患者识别码的诊断策略,并存储所述诊断策略,所述目标结果指示所述指标趋势图趋向于所述指标区间值。
6.如权利要求1所述的就诊策略推荐方法,其特征在于,所述根据所述目标就诊策略确定推荐方式包括:
确定所述目标就诊策略的就诊频率;
根据所述就诊频率确定所述推荐方式。
7.一种就诊策略推荐装置,其特征在于,所述就诊策略推荐装置包括:
提取单元,用于当接收到患者信息时,从所述患者信息中提取患者识别码及诊断信息;
检测单元,用于检测配置库中是否存在所述患者识别码;
所述检测单元,还用于当所述配置库中未存在所述患者识别码时,利用预先训练好的疾病预测模型检测与所述诊断信息对应的预测疾病,包括:对所述诊断信息进行分词处理,得到诊断分词;对所述诊断分词进行向量化处理,得到分词向量;将所述分词向量输入到所述疾病预测模型中,得到每个输出标签的输出概率及每个输出标签的转移概率,所述输出标签用于指示疾病;对每个输出概率与每个转移概率进行加权和运算,得到每个输出标签的目标概率;将目标概率最高的输出标签确定为所述预测疾病,并检测所述预测疾病是否为慢性病;
所述提取单元,还用于当检测到所述预测疾病为所述慢性病时,从所述诊断信息中提取异常医疗数据;
输入单元,用于将所述异常医疗数据输入至预先训练好的就诊策略推荐模型中,得到与所述预测疾病对应的目标就诊策略;
推荐单元,用于根据所述目标就诊策略确定推荐方式,并以所述推荐方式推荐所述目标就诊策略。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至6中任意一项所述的就诊策略推荐方法。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的就诊策略推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507184.2A CN112435745B (zh) | 2020-12-18 | 2020-12-18 | 就诊策略推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507184.2A CN112435745B (zh) | 2020-12-18 | 2020-12-18 | 就诊策略推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435745A CN112435745A (zh) | 2021-03-02 |
CN112435745B true CN112435745B (zh) | 2024-04-05 |
Family
ID=74696794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507184.2A Active CN112435745B (zh) | 2020-12-18 | 2020-12-18 | 就诊策略推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435745B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284614A (zh) * | 2021-06-07 | 2021-08-20 | 平安国际智慧城市科技股份有限公司 | 异常就诊的识别方法、装置、电子设备及存储介质 |
CN113421646B (zh) * | 2021-06-30 | 2024-05-10 | 平安科技(深圳)有限公司 | 患病持续时长预测方法、装置、计算机设备及存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833633A (zh) * | 2017-10-30 | 2018-03-23 | 银江股份有限公司 | 一种高血压病人随访推荐的方法 |
KR20180057300A (ko) * | 2016-11-22 | 2018-05-30 | 네이버 주식회사 | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 |
CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
CN109065157A (zh) * | 2018-08-01 | 2018-12-21 | 中国人民解放军第二军医大学 | 一种疾病诊断标准化编码推荐列表确定方法及*** |
CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 智能问诊方法、***、计算机设备和存储介质 |
CN109543863A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种就医任务管理方法、服务器及存储介质 |
CN109741804A (zh) * | 2019-01-16 | 2019-05-10 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
CN109817312A (zh) * | 2018-12-13 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种就诊引导方法及计算机设备 |
CN109935346A (zh) * | 2019-03-21 | 2019-06-25 | 江苏盖睿健康科技有限公司 | 一种智能化的基层社区健康综合管理*** |
CN110299202A (zh) * | 2019-07-01 | 2019-10-01 | 泰康保险集团股份有限公司 | 智能疾病诊断方法、装置、设备及存储介质 |
CN110335676A (zh) * | 2019-07-09 | 2019-10-15 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
CN110797124A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种模型多端协同训练方法、医疗风险预测方法和装置 |
CN110955821A (zh) * | 2018-09-25 | 2020-04-03 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置及可读介质 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技(深圳)有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
CN111863238A (zh) * | 2020-06-23 | 2020-10-30 | 青岛智能产业技术研究院 | 一种基于平行智能的慢病诊疗***及诊疗方法 |
CN111883251A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 医疗误诊检测方法、装置、电子设备及存储介质 |
CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、***、设备及可读存储介质 |
CN111933237A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 慢病处理方法、装置及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8504343B2 (en) * | 2007-01-31 | 2013-08-06 | University Of Notre Dame Du Lac | Disease diagnoses-bases disease prediction |
-
2020
- 2020-12-18 CN CN202011507184.2A patent/CN112435745B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180057300A (ko) * | 2016-11-22 | 2018-05-30 | 네이버 주식회사 | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 |
CN107833633A (zh) * | 2017-10-30 | 2018-03-23 | 银江股份有限公司 | 一种高血压病人随访推荐的方法 |
CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
CN109065157A (zh) * | 2018-08-01 | 2018-12-21 | 中国人民解放军第二军医大学 | 一种疾病诊断标准化编码推荐列表确定方法及*** |
CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 智能问诊方法、***、计算机设备和存储介质 |
CN110955821A (zh) * | 2018-09-25 | 2020-04-03 | 北京搜狗科技发展有限公司 | 一种推荐方法、装置及可读介质 |
CN109543863A (zh) * | 2018-10-27 | 2019-03-29 | 平安医疗健康管理股份有限公司 | 一种就医任务管理方法、服务器及存储介质 |
CN109817312A (zh) * | 2018-12-13 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种就诊引导方法及计算机设备 |
CN109741804A (zh) * | 2019-01-16 | 2019-05-10 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
CN109935346A (zh) * | 2019-03-21 | 2019-06-25 | 江苏盖睿健康科技有限公司 | 一种智能化的基层社区健康综合管理*** |
CN110335256A (zh) * | 2019-06-18 | 2019-10-15 | 广州智睿医疗科技有限公司 | 一种病理辅助诊断方法 |
CN110299202A (zh) * | 2019-07-01 | 2019-10-01 | 泰康保险集团股份有限公司 | 智能疾病诊断方法、装置、设备及存储介质 |
CN110335676A (zh) * | 2019-07-09 | 2019-10-15 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN110797124A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种模型多端协同训练方法、医疗风险预测方法和装置 |
CN110993103A (zh) * | 2019-11-28 | 2020-04-10 | 阳光人寿保险股份有限公司 | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 |
CN111863238A (zh) * | 2020-06-23 | 2020-10-30 | 青岛智能产业技术研究院 | 一种基于平行智能的慢病诊疗***及诊疗方法 |
CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技(深圳)有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
CN111883251A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 医疗误诊检测方法、装置、电子设备及存储介质 |
CN111933237A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 慢病处理方法、装置及相关设备 |
CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、***、设备及可读存储介质 |
Non-Patent Citations (5)
Title |
---|
Ma, FZ等.Detection and diagnosis of chronic kidney disease using deep learning-based heterogeneous modified artificial neural network.FUTURE GENERATION COMPUTER SYSTEMS-THE INTERNATIONAL JOURNAL OF ESCIENCE.2020,第111卷第17-26页. * |
Zhao, X等.Glaucoma screening pipeline based on clinical measurements and hidden features.IET IMAGE PROCESSING.2019,第13卷(第12期),第2213-2223页. * |
张碧莹 ; 王梅 ; .基于甲亢分期预测模型的Web医疗服务***.智能计算机与应用.2018,(第03期),第12-16页. * |
杨晓夫 ; 秦函书 ; .基于电子病历利用矩阵乘法构建医生推荐模型.计算机与现代化.2019,(第06期),第85-90+101页. * |
陈桂宏 ; 蔡庆玲 ; .基于Spark的疾病诊疗自助服务平台设计.医学信息学杂志.2017,(第08期),第31-34页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112435745A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qayyum et al. | Secure and robust machine learning for healthcare: A survey | |
Taylor et al. | Prediction of in‐hospital mortality in emergency department patients with sepsis: a local big data–driven, machine learning approach | |
JP2022031730A (ja) | 確率分布をモデル化するためのシステムおよび方法 | |
McCaw et al. | How to quantify and interpret treatment effects in comparative clinical studies of COVID-19 | |
Khalid et al. | Machine learning hybrid model for the prediction of chronic kidney disease | |
CN113707253B (zh) | 医疗方案推荐方法、装置、设备及介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN115497616B (zh) | 一种感染性疾病辅助决策的方法、***、设备及存储介质 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN112634889B (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
CN116364299B (zh) | 一种基于异构信息网络的疾病诊疗路径聚类方法及*** | |
US20210192365A1 (en) | Computer device, system, readable storage medium and medical data analysis method | |
US11710572B2 (en) | Experience engine-method and apparatus of learning from similar patients | |
CN111986763B (zh) | 疾病数据分析方法、装置、电子设备及存储介质 | |
CN114416967A (zh) | 智能推荐医生的方法、装置、设备及存储介质 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN114783580A (zh) | 一种医疗数据质量评估方法及*** | |
CN114743647A (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
Saleem Durai et al. | An intelligent knowledge mining model for kidney cancer using rough set theory | |
WO2021174923A1 (zh) | 概念词序列生成方法、装置、计算机设备及存储介质 | |
Sengupta et al. | Analyzing historical diagnosis code data from NIH N3C and RECOVER Programs using deep learning to determine risk factors for Long Covid | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN116628161A (zh) | 答案生成方法、装置、设备及存储介质 | |
CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |