CN112465231A - 地区人口健康状态预测方法、设备和可读存储介质 - Google Patents

地区人口健康状态预测方法、设备和可读存储介质 Download PDF

Info

Publication number
CN112465231A
CN112465231A CN202011385950.2A CN202011385950A CN112465231A CN 112465231 A CN112465231 A CN 112465231A CN 202011385950 A CN202011385950 A CN 202011385950A CN 112465231 A CN112465231 A CN 112465231A
Authority
CN
China
Prior art keywords
population
health state
predicted
health
data
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.)
Granted
Application number
CN202011385950.2A
Other languages
English (en)
Other versions
CN112465231B (zh
Inventor
卞思雯
程吉安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Medical Health Technology Service Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202011385950.2A priority Critical patent/CN112465231B/zh
Publication of CN112465231A publication Critical patent/CN112465231A/zh
Application granted granted Critical
Publication of CN112465231B publication Critical patent/CN112465231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种地区人口健康状态预测方法、设备和可读存储介质，所述地区人口健康状态预测方法包括：获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据，进而基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型，进而基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果。此外，本申请还涉及区块链技术，待预测地区的用户数据可存储在区块链中，可提高地区人口健康状态预测的效果。

Description

地区人口健康状态预测方法、设备和可读存储介质
技术领域
本申请涉及医疗技术领域，尤其涉及一种地区人口健康状态预测方法、设备和可读存储介质。
背景技术
随着人工智能和计算机软件的不断发展，人工智能的应用也越来越广泛，在医疗技术领域，常基于马尔科夫决策模型对单个用户的健康状态进行评估，目前，在评估单个用户的健康状态时，通常先收集单个用户的当前健康状态数据，进而基于马尔科夫决策模型和当前健康状态数据，对单个用户的下一时间段的健康状态进行决策分析，即可实现对单个用户的健康状态的预测，也即，可实现对单个用户的健康状态的预测，但是，在预测整个地区的整体人口健康状态时，则基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测的效果不佳。
发明内容
本申请的主要目的在于提供一种地区人口健康状态预测方法、设备和可读存储介质，旨在解决现有技术中地区人口健康状态预测效果差的技术问题。
为实现上述目的，本申请提供一种地区人口健康状态预测方法，所述地区人口健康状态预测方法应用于地区人口健康状态预测设备，所述地区人口健康状态预测方法包括：
获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据；
基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型；
基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果。
本申请还提供一种地区人口健康状态预测装置，所述地区人口健康状态预测装置为虚拟装置，且所述地区人口健康状态预测装置应用于地区人口健康状态预测设备，所述地区人口健康状态预测装置包括：
识别模块，用于获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据；
预测模块，用于基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型；
生成模块，用于基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果。
本申请还提供一种地区人口健康状态预测设备，所述地区人口健康状态预测设备为实体设备，所述地区人口健康状态预测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述地区人口健康状态预测方法的程序，所述地区人口健康状态预测方法的程序被处理器执行时可实现如上述的地区人口健康状态预测方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现地区人口健康状态预测方法的程序，所述地区人口健康状态预测方法的程序被处理器执行时实现如上述的地区人口健康状态预测方法的步骤。
本申请提供了一种地区人口健康状态预测方法、设备和可读存储介质，相比于基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测的技术手段，本申请在获取待预测地区的用户数据之后，首先基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据，进而实现了将用户数据转化为待预测地区的整体健康状态数据的目的，另外地，需要说明的是，现有技术中基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测时，由于用于进行预测的为单个用户的健康状态影响特征，而预测目标为待预测地区的整体健康状态，进而导致用于进行预测的特征和预测目标不匹配，进而将导致预测效果较差，进而基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，使得用于决策分析的特征数据与作为待预测地区的整体健康状态的预测目标相匹配，进而可获得预测效果更佳的健康状态转移决策模型，进而基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，其中，所述人口变化数据包括人口出生率，进而可实现在健康状态转移决策模型的基础上进行作为群体特征的人口出生率的添加，使得用于决策分析的特征数据与作为待预测地区的整体健康状态的预测目标的匹配程度更高，可生成预测效果更好的地区人口健康状态预测结果，进而克服了现有技术中基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测时，由于用于进行预测的为单个用户的患病特征，而预测目标为待预测地区的整体健康状态，进而用于进行预测的特征和预测目标不匹配，进而将导致预测效果较差的技术缺陷，提高了地区人口健康状态的预测效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请地区人口健康状态预测方法第一实施例的流程示意图；
图2为本申请地区人口健康状态预测方法第二实施例的流程示意图；
图3为本申请地区人口健康状态预测方法第二实施例的流程示意图；
图4为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种地区人口健康状态预测方法，在本申请地区人口健康状态预测方法的第一实施例中，参照图1，所述地区人口健康状态预测方法包括：
步骤S10，获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据；
在本实施例中，需要说明的是，所述待预测地区为进行地区人口整体健康状态评估的地区，所述待预测地区包括城市、小区和小镇等，其中，对地区人口整体健康状态进行评估的目的为评估待检测地区的地区人口的整体健康状态，用于体现待检测地区的医保政策效果，其中，所述待检测地区的地区人口的整体健康状态越好，则待检测地区的医保政策效果越好，其中，所述整体健康状态具体可表现为待检测地区的所有人口对于疾病的患病率等，所述用户数据为待预测地区的所有人口的用户患病关联特征数据，用于评估用户是否为潜在患者，例如，用户的年龄、性别和既有病史等，所述潜在患者为患病概率超过预设患病概率阀值但是暂时未患病的目标用户。
获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据，具体地，获取待预测地区的每一人口相对于预设检测疾病的患病关联特征数据，并将各所述患病关联特征数据分别输入预设地区人口分类模型，以分别基于所述患病关联特征数据，对各所述患病关联特征数据对应的目标用户进行分类，获得各健康状态类型，其中，所述健康状态类型标签为健康状态类型的标识，其中，所述健康状态类型包括无潜在患病风险类型、潜在患者类型、患者类型和死亡状态类型等，其中，所述无潜在患病风险类型为患上疾病的概率小于预设患病概率阀值的用户类型，所述潜在患者类型为患上疾病的概率大于或者等于预设患病概率阀值的用户类型，所述患者类型为已经患上疾病的用户类型，所述死亡状态类型为因疾病死亡的用户类型，进而统计所述待检测地区中属于各所述健康状态类型的人口数量和各所述健康状态类型两两之间的状态转移次数，其中，所述状态转移次数为所有目标用户由一健康状态类型转移至另一健康状态类型的次数，且由死亡状态类型无法转移至其他健康状态类型。
进一步地，上述步骤S10中的“获取待预测地区的用户数据”的步骤还包括：
从所述区块链中获取待预测地区的用户数据。
具体地，例如，从工作人员预先创建的一区块链节点当中，提取待预测地区的用户数据，然后，基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据。
在本实施例中，为了保证工作人员根据实际应用的业务需要的待预测地区的用户数据不会被错误修改或者移除，可以将该待预测地区的用户数据存储于一区块链的节点中，如此，不仅能够确保该待预测地区的用户数据的稳定性，还能够确保后续终端设备在提取该待预测地区的用户数据时的响应积极性，以及读取该待预测地区的用户数据的准确性。
步骤S20，基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型；
在本实施例中，需要说明的是，所述健康状态转移决策模型为基于马尔科夫链的决策模型，用于在时间长度下，预测待预测地区的地区人口的整体健康状态变化状况，也即，用于在时间长度下，预测各健康状态类型中的人口数量的变化情况。
基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型，具体地，获取所述整体健康状态数据中各预设健康状态类型两两之间的状态转移次数，进而基于各所述状态转移次数和预设状态转移概率计算公式，计算各所述预设健康状态类型两两之间状态转移概率，获得状态转移概率矩阵，并将所述状态转移概率矩阵作为模型参数，构建所述健康状态转移决策模型，其中，所述状态转移概率矩阵中每一比特位数值均为从健康状态类型转移至另一健康状态转移类型的状态转移概率，所述状态转移概率矩阵可用[Pij]进行表示，其中，i为状态转移概率矩阵的行，j为状态转移概率矩阵的列。其中，所述预设状态转移概率计算公式如下所示：
Figure BDA0002810514850000051
其中，i为取值范围为[0，n-1]中的整数，Pij为从健康状态类型i转移至健康状态类型j的状态转移概率，Hij为从健康状态类型i转移至健康状态类型j的状态转移次数，Hix为从健康状态类型i转移至健康状态类型x的状态转移次数，其中，0表示无潜在患病风险类型的标签，n-1表示死亡状态类型的标签，其中，状态转移类型的标签的数值越靠近0，则表示该状态转移类型的用户的患病程度越轻，状态转移类型的标签的数值越靠近n-1，则表示该状态转移类型的用户的患病程度越重。
其中，所述基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型的步骤包括：
步骤S21，基于所述整体健康状态数据，确定各预设健康状态类型之间的状态转移次数；
步骤S22，基于各所述状态转移次数，生成各所述预设健康状态类型之间的状态转移概率；
在本实施例中，基于各所述状态转移次数，生成各所述预设健康状态类型之间的状态转移概率，具体地，对于每一预设健康状态类型均执行以下步骤：
确定所述预设健康状态类型对应的待转移健康状态类型和转移目标健康状态类型，其中，所述状态转移概率为由待转移健康状态类型转移至转移目标健康状态类型的转移概率，进而基于各所述状态转移次数，计算由所述待转移健康状态类型转移至各预设健康状态的状态转移次数之和，并在各所述状态转移次数确定由所述待转移健康状态类型转移至所述转移目标健康状态类型的目标状态转移次数，进而计算所述目标状态转移次数和所述状态转移次数之和的商，获得所述状态转移概率，其中，由所述待转移健康状态类型转移至自身的状态转移次数为健康状态类型未发送改变的次数。
步骤S23，基于各所述状态转移概率，生成所述健康状态转移决策模型。
在本实施例中，基于各所述状态转移概率，构建状态转移概率矩阵，其中，所述状态转移概率矩阵为行对应所述待转移健康状态类型，所述状态转移概率矩阵对应所述转移目标健康状态类型，进而将所述状态转移概率矩阵作为所述健康状态转移决策模型。
步骤S30，基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果。
在本实施例中，需要说明的是，所述人口变化数据为待检测地区的人口出生率，所述地区人口健康状态预测结果可用健康状态评估指标值进行表示，其中，所述健康状态评估指标值包括疾病的患病率和疾病的检出率等。
基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果，具体地，基于所述人口出生率和所述待预测地区的当前人口总数，计算所述待预测地区在预设时间步长后的目标人口总数，进而基于所述目标人口总数、属于各所述预设健康状态类型的人口数量和状态转移概率矩阵，计算在预设时间步长后的属于各所述预设健康状态类型的预测人口数量，进而基于各预设人口数量，计算健康状态评估指标值，并将所述健康状态评估指标值作为所述地区人口健康状态预测结果，例如，基于各预设人口数量，可确定患者类型的患者人口数量，进而基于患者人口数量和目标人口总数，即可计算患病率作为健康状态评估指标值，进而基于所述健康状态评估指标值，即可对待预测地区的医保政策效果进行评估。
其中，所述健康状态转移决策模型包括各预设健康状态类型之间的状态转移概率，所述人口变化数据包括人口出生率，
所述基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果的步骤包括：
步骤S31，基于所述整体健康状态数据，确定各所述预设健康状态类型对应的人口数量；
在本实施例中，需要说明的是，所述人口数量为在当前时间点的属于所述预设健康状态类型的人口数量。
步骤S32，基于各所述状态转移概率、各所述人口数量和所述人口出生率，预测各所述预设健康状态类型在预设单位时间步长后的预测人口数量；
在本实施例中，需要说明的是，各所述人口数量之和为待预测地区的当前人口总数。
基于各所述状态转移概率、各所述人口数量和所述人口出生率，预测各所述预设健康状态类型在预设单位时间步长后的预测人口数量，具体地，将各所述状态转移概率、各所述人口数量和所述人口出生率分别代入预设预测人口数量计算公式，计算在预设单位时间步长后属于各所述预设健康状态类型的预测人口数量，其中，所述预设预测人口数量计算公式如下所示：
Figure BDA0002810514850000081
其中，t时刻为当前时间点，t+1时刻为当前时间点经过预设单位时间步长后时间点，P0j为由无潜在患病风险类型转移至健康状态类型j的状态转移概率，
Figure BDA0002810514850000082
为t时刻属于无潜在患病风险类型的人口数量，mt为t时刻的当前总人口数量，B为所述人口出生率，1至n-2均为属于不同患病程度的患者类型的类型标签，Pij为由健康状态类型i转移至健康状态类型j的状态转移概率，
Figure BDA0002810514850000083
为t时刻属于健康状态类型i的人口数量，
Figure BDA0002810514850000084
为t+1时刻属于健康状态类型j的预测人口数量。
其中，各所述预设健康状态类型包括患病状态，各所述人口数量包括当前未患病人口数量，各所述预测人口数量包括预测患病人口数量，
所述基于各所述状态转移概率、各所述人口数量和所述人口出生率，预测各所述预设健康状态类型在预设单位时间步长后的预测人口数量的步骤包括：
步骤S321，基于各所述状态转移概率，计算所述患病状态对应的发病率、死亡率和痊愈率；
在本实施例，需要说明的是，发病率为由所述无潜在患病风险类型和所述潜在患者类型转移至患者类型的状态转移概率，死亡率为由非死亡状态类型转移至死亡状态类型的状态转移概率，其中，死亡率包括由所述无潜在患病风险类型和所述潜在患者类型转移至死亡状态类型的自然死亡率和由所述患者类型转移至死亡状态类型的疾病死亡率，所述痊愈率为由所述患病状态类型转移至所述无潜在患病风险类型或者所述潜在患者类型的状态转移概率。
步骤S322，基于所述发病率、所述人口出生率、当前未患病人口数量和各所述人口数量，计算所述预设单位时间步长后的新增患病人口数量；
在本实施例中，基于所述发病率、所述人口出生率、当前未患病人口数量和各所述人口数量，计算所述预设单位时间步长后的新增患病人口数量，具体地，计算各所述人口数量之和，获得当前总人口数量，进而将所述人口出生率、所述发病率、当前未患病人口数量和当前总人口数量代入预设新增患病人口数量计算公式，计算所述预设单位时间步长后的新增患病人口数量，其中，所述预设新增患病人口数量计算公式如下所示：
Figure BDA0002810514850000091
其中，m1为所述新增患病人口数量，PD为所述发病率，
Figure BDA0002810514850000092
为所述当前未患病人口数量，mt为所述当前未患病人口数量，B为所述人口出生率，且PD的取值满足以下条件：
Figure BDA0002810514850000093
其中，1至n-2均为不同患病程度的患者类型的标签，PD为所述发病率，P0j为由未患病状态类型转移至患者类型的状态转移概率，其中，所述未患病状态类型包括所述无潜在患病风险类型和所述潜在患者类型。
步骤S323，基于所述死亡率、所述痊愈率和各所述人口数量，计算所述预设单位时间步长后的削减后患病人口数量；
在本实施例中，需要说明的是，所述死亡率为因疾病死亡的疾病死亡率，所述削减后患病人口数量为t时刻处于患者类型的人口死亡或者痊愈剩余的人口的数量。
基于所述死亡率、所述痊愈率和各所述人口数量，计算所述预设单位时间步长后的削减后患病人口数量，具体地，计算各所述人口数量之和，获得当前人口总数，进而将所述疾病死亡率、所述痊愈率和所述当前人口总数代入预设削减后患病人口数量计算公式，计算所述预设单位时间步长后的削减后患病人口数量，其中，所述预设削减后患病人口数量计算公式如下所示：
Figure BDA0002810514850000094
其中，m2为所述削减后患病人口数量，mt为所述当前未患病人口数量，
Figure BDA0002810514850000095
为t时刻属于健康状态类型i的人口数量，P0j为所述痊愈率，Pi(n-1)为所述死亡率。
步骤S324，基于所述新增患病人口数量和所述削减后患病人口数量，确定所述预测患病人口数量。
在本实施例中，基于所述新增患病人口数量和所述削减后患病人口数量，确定所述预测患病人口数量，具体地，计算所述新增患病人口数量和所述削减后患病人口数量之和，获得所述预测患病人口数量，其中，所述预测患病人口数量的计算公式如下：
Figure BDA0002810514850000101
其中，
Figure BDA0002810514850000102
为所述预测患病人口数量，
Figure BDA0002810514850000103
为属于健康状态类型i的预测人口数量，1至n-2均为不同患病程度的患者类型的类型标签。
步骤S33，基于各所述预测人口数量，生成所述地区人口健康状态预测结果。
在本实施例中，基于各所述预测人口数量，生成所述地区人口健康状态预测结果，具体地，基于各所述预测人口数量，重新进行下一所述预设单位时间步长的各预测人口数量的预测，直至获得的各预测人口数量中的剩余患者类型的预测人口数量的变化幅度小于预设变化幅度阀值，则将获得各预测人口数量作为各目标预测人口数量，并基于各目标预测人口数量，计算健康状态评估指标值，并将所述健康状态评估指标值作为所述地区人口健康状态预测结果。
其中，所述基于各所述预测人口数量，生成所述地区人口健康状态预测结果的步骤包括：
步骤S331，基于各所述预测人口数量，预测下一所述预设单位时间步长后的各第二预测人口数量；
在本实施例中，基于各所述预测人口数量，预测下一所述预设单位时间步长后的各第二预测人口数量，具体地，基于各所述预测人口数量、状态转移概率矩阵和人口出生率，重新预测下一所述预设单位时间步长后的各第二预测人口数量。
步骤S332，基于各所述第二预测人口数量和各所述预测人口数量，计算预测人口变化幅度；
在本实施例中，基于各所述第二预测人口数量和各所述预测人口数量，计算预测人口变化幅度，具体地，在各所述预测人口数量中选取属于患者类型的预测患者人口数量，并在各所述第二预测人数量中选取属于患者类型的第二预测患者人口数量，进而基于所述预测患者人口数量和所述第二预测患者人口数量，计算预测人口变化幅度。
步骤S333，判断所述预测人口变化幅度是否小于预设人口变化幅度阀值；
在本实施例中，需要说明的是，所述预设人口变化幅度阀值为预先设置好的用于判断时间长度上的患者类型的人口数量是否平稳的阀值。
步骤S334，若是，则基于各所述第二预测人口数量，计算地区人口健康状态指标值，并将所述地区人口健康状态指标值作为所述地区人口健康状态预测结果。
在本实施例中，若是，则基于各所述第二预测人口数量，计算地区人口健康状态指标值，并将所述地区人口健康状态指标值作为所述地区人口健康状态预测结果，具体地，若是，则基于各所述第二预测人口数量，计算地区人口健康状态指标值，并将所述地区人口健康状态指标值作为所述地区人口健康状态预测结果，若否，则基于各所述第二预测人口数量、人口出生率和状态转移概率矩阵，重新计算在下一预设单位时间步长后的属于各健康状态类型的目标预测人口数量，直至各目标预测人口数量中的属于患者类型的人口数量的变化幅度小于预设预设人口变化幅度阀值，则基于各所述目标预测人口数量，计算地区人口健康状态指标值，并将所述地区人口健康状态指标值作为所述地区人口健康状态预测结果。
本实施例提供了一种地区人口健康状态预测方法，相比于基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测的技术手段，本实施例在获取待预测地区的用户数据之后，首先基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据，进而实现了将用户数据转化为待预测地区的整体健康状态数据的目的，另外地，需要说明的是，现有技术中基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测时，由于用于进行预测的为单个用户的健康状态影响特征，而预测目标为待预测地区的整体健康状态，进而导致用于进行预测的特征和预测目标不匹配，进而将导致预测效果较差，进而基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，使得用于决策分析的特征数据与作为待预测地区的整体健康状态的预测目标相匹配，进而可获得预测效果更佳的健康状态转移决策模型，进而基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，其中，所述人口变化数据包括人口出生率，进而可实现在健康状态转移决策模型的基础上进行作为群体特征的人口出生率的添加，使得用于决策分析的特征数据与作为待预测地区的整体健康状态的预测目标的匹配程度更高，可生成预测效果更好的地区人口健康状态预测结果，进而克服了现有技术中基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测时，由于用于进行预测的为单个用户的患病特征，而预测目标为待预测地区的整体健康状态，进而用于进行预测的特征和预测目标不匹配，进而将导致预测效果较差的技术缺陷，提高了地区人口健康状态的预测效果。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，各所述用户数据包括健康用户数据、患病用户数据和患病死亡用户数据，
所述基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据的步骤包括：
步骤S11，分别将各所述健康用户数据输入预设标签标注模型，以分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签；
在本实施例中，需要说明的是，所述预设标签标注模型为预先设置好的机器学习模型，用于对待预测地区的人口进行标签标注，所述目标健康状态类型标签为健康状态类型的标识，所述目标健康状态类型标签至少包括包括无潜在患病风险类型标签和潜在患者类型标签，所述健康用户为属于未患病用户类型的待预测地区的人口。
分别将各所述健康用户数据输入预设标签标注模型，以分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签，具体地，对每一所述健康用户数据均执行以下步骤：
将所述健康用户数据输入预设标签标注模型，对所述健康用户数据进行特征提取，获得所述健康用户数据对应的特征提取矩阵，进而对所述特征提取矩阵进行全连接，获得各所述健康用户数据对应的分类向量，进而将所述分类向量中的分类标签作为所述健康用户数据对应的目标用户的目标健康状态类型标签。
其中，所述分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签的步骤包括：
步骤S111，分别对各所述健康用户数据进行特征提取，获得各所述健康用户数据对应的特征提取结果；
在本实施例中，分别对各所述健康用户数据进行特征提取，获得各所述健康用户数据对应的特征提取结果，具体地，分别对各所述健康用户数据对应的用户特征表示矩阵进行预设次数的卷积和池化交替处理，获得各所述健康用户数据对应的特征提取矩阵，并将各所述特征提取矩阵作为各所述特征提取结果。
步骤S112，分别对所述特征提取结果进行全连接，以对各所述健康用户进行健康状态分类，获得各所述健康用户对应的健康状态分类结果；
在本实施例中，分别对所述特征提取结果进行全连接，以对各所述健康用户进行健康状态分类，获得各所述健康用户对应的健康状态分类结果，具体地，对于每一所述特征提取结果均执行以下步骤：
对所述特征提取矩阵进行全连接，获得全连接向量，其中，所述全连接向量包括所述健康用户的健康状态分类信息，进而将所述全连接向量作为所述健康状态分类结果。
步骤S113，基于各所述健康状态分类结果，分别对各所述健康用户进行标签标注，获得各所述目标健康状态类型标签。
在本实施例中，基于各所述健康状态分类结果，分别对各所述健康用户进行标签标注，获得各所述目标健康状态类型标签，具体地，分别将各所述全连接向量映射为预设值域范围内的健康状态分类标签，并各所述健康状态分类标签分别赋予对应的健康用户，以实现分别对各所述健康用户的标签标注，获得各所述健康用户对应的目标健康状态类型标签。
步骤S12，基于各所述目标健康状态类型标签、所述患病用户数据和所述患病死亡用户数据，对各所述用户数据对应的目标用户进行分类，获得所述整体健康状态数据。
在本实施例中，基于各所述目标健康状态类型标签、所述患病用户数据和所述患病死亡用户数据，对各所述用户数据对应的目标用户进行分类，获得所述整体健康状态数据，具体地，基于各所述目标健康状态类型标签、所述患病用户数据和所述患病死亡用户数据，将待预测地区中的各目标用户进行健康状态分类，获得健康状态分类结果，其中，所述健康状态分类结果包括无潜在患病风险类型、潜在患者类型、患者类型和死亡状态类型，并才集健康状态分类结果中各属于健康状态类型的人口数量和各所述健康状态类型两两之间的状态转移次数，进而将各所述人口数量和各所述状态转移次数作为所述整体健康状态数据。
本实施例提供了一种对所述待预测地区进行整体健康状态识别的方法，也即，分别将各所述健康用户数据输入预设标签标注模型，以分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签，进而基于各所述目标健康状态类型标签、所述患病用户数据和所述患病死亡用户数据，对各所述用户数据对应的目标用户进行分类，即可获得所述整体健康状态数据，进而实现了将用户数据转化为待预测地区的整体健康状态数据的目的，另外地，需要说明的是，现有技术中基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测时，由于用于进行预测的为单个用户的健康状态影响特征，而预测目标为待预测地区的整体健康状态，进而导致用于进行预测的特征和预测目标不匹配，进而将导致预测效果较差，进而基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，使得用于决策分析的特征数据与作为待预测地区的整体健康状态的预测目标相匹配，进而可获得预测效果更佳的健康状态转移决策模型，进而基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，其中，所述人口变化数据包括人口出生率，进而可实现在健康状态转移决策模型的基础上进行作为群体特征的人口出生率的添加，使得用于决策分析的特征数据与作为待预测地区的整体健康状态的预测目标的匹配程度更高，可生成预测效果更好的地区人口健康状态预测结果，进而为克服现有技术中基于马尔科夫模型和每一单个用户的当前健康状态数据，对整个地区人口的健康状态进行预测时，由于用于进行预测的为单个用户的患病特征，而预测目标为待预测地区的整体健康状态，进而用于进行预测的特征和预测目标不匹配，进而将导致预测效果较差的技术缺陷奠定了基础。
进一步地，参照图3，基于本申请中第一实施例，在本申请的另一实施例中，所述整体健康状态数据至少对应一健康状态影响特征，
在所述基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据的步骤之后，所述地区人口健康状态预测方法还包括：
步骤A10，将所述整体健康状态数据输入预设地区人口健康状态预测模型，对所述待预测地区进行整体健康状态预测，获得整体健康状态预测结果；
在本实施例中，需要说明的是，所述整体健康状态数据包括待预测地区的人口年龄分布数据、当前患病人口占比和各健康状态类型之间的状态转移概率数据等，进而对应的所述健康状态影响特征包括年龄特征、患病人口比例特征和健康状态转移频率特征等。
将所述整体健康状态数据输入预设地区人口健康状态预测模型，对所述待预测地区进行整体健康状态预测，获得整体健康状态预测结果，具体地，将所述整体健康状态数据对应的编码矩阵输入与地区人口健康状态预测模型，对所述编码矩阵进行特征提取，以提取所述编码矩阵中的特征信息，获得特征提取矩阵，进而对所述特征提取矩阵进行全连接向量，进而将所述全连接向量映射为预设值域范围内的值，获得整体健康状态预测评分，并将所述整体健康状态预测评分作为所述整体健康状态预测结果。
步骤A20，对所述整体健康状态预测结果进行模型预测解释，以计算各所述健康状态影响特征对所述整体健康状态预测结果的特征贡献度；
在本实施例中，需要说明的是，所述特征贡献度为所述健康状态影响特征对所述整体健康状态预测结果的影响程度，其中，所述特征贡献度包括正特征贡献度和负特征贡献度，正特征贡献度表示对所述整体健康状态预测结果具有正向的影响，也即，支持预设地区人口健康状态预测模型作出所述整体健康状态预测结果的决策，其中，负特征贡献度表示对所述整体健康状态预测结果具有负向的影响，也即，反对预设地区人口健康状态预测模型作出所述整体健康状态预测结果的决策。
对所述整体健康状态预测结果进行模型预测解释，以计算各所述健康状态影响特征对所述整体健康状态预测结果的特征贡献度，具体地，基于所述预设地区人口健康状态预测模型，通过预设特征贡献度计算方式，分别计算各所述健康状态影响特征对所述整体健康状态预测结果的特征贡献度，其中，所述预设特征贡献度计算方式包括SHAP(SHapleyAdditive exPlanations，沙普利可加性模型解释)和LIME(Local Interpretable Model-Agnostic Explanations，模型无关局部解释)等。
步骤A30，基于各所述特征贡献度，在各所述健康状态影响特征中确定目标健康状态影响因素；
在本实施例中，基于各所述特征贡献度，在各所述健康状态影响特征中确定目标健康状态影响因素，具体地，在各所述特征贡献度中选取绝对值最大的特征贡献度对应的的健康状态影响特征作为所述目标健康状态影响因素。
步骤A40，基于所述目标健康状态影响因素，调整所述待预测地区的医保政策。
在本实施例中，需要说明的是，所述目标健康状态影响因素为对所述整体健康状态预测结果影响最大的健康状态影响特征，基于所述目标健康状态影响因素，可调整所述待预测地区的医保政策，以改善所述待预测地区的整体健康状态，例如，假设所述目标健康状态影响因素为人口占比特征，人口占比特征对应的特征数据为待预测地区的老年人口占比，所述整体健康状态预测结果为待预测地区的整体健康状态评分较低，也即，所述整体健康状态预测结果为整体健康状态偏差，而年龄特征对应的特征贡献度为正特征贡献度，进而可知由于老年人口占比过高而导致待预测地区的整体健康状态偏差，进而可将待预测地区的医保政策调整为偏向于老年人口的医保政策，以实现提高待预测地区的整体健康状态评分较低的目的。
在本实施例提供了一种基于模型解释的地区人口健康状态预测方法，也即，将所述整体健康状态数据输入预设地区人口健康状态预测模型，对所述待预测地区进行整体健康状态预测，获得整体健康状态预测结果进而对所述整体健康状态预测结果进行模型预测解释，以计算各所述健康状态影响特征对所述整体健康状态预测结果的特征贡献度，以实现分析影响待预测地区的整体健康状态的因素的目的，可解释导致整体健康状态预测结果的原因，使得整体健康状态预测结果的置信度更高，进而基于各所述特征贡献度，在各所述健康状态影响特征中确定目标健康状态影响因素，即可实现对待预测地区的整体健康状态的影响最大的因素的目的，进而基于所述目标健康状态影响因素，调整所述待预测地区的医保政策，进而实现有针对性地调整待预测地区的医保政策的目的，进而可达到提升待预测地区的整体健康状态水平的目的。
参照图4，图4是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图4所示，该地区人口健康状态预测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该地区人口健康状态预测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图4中示出的地区人口健康状态预测设备结构并不构成对地区人口健康状态预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及地区人口健康状态预测程序。操作***是管理和控制地区人口健康状态预测设备硬件和软件资源的程序，支持地区人口健康状态预测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与地区人口健康状态预测***中其它硬件和软件之间通信。
在图4所示的地区人口健康状态预测设备中，处理器1001用于执行存储器1005中存储的地区人口健康状态预测程序，实现上述任一项所述的地区人口健康状态预测方法的步骤。
本申请地区人口健康状态预测设备具体实施方式与上述地区人口健康状态预测方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种地区人口健康状态预测装置，所述地区人口健康状态预测装置应用于地区人口健康状态预测设备，所述地区人口健康状态预测装置包括：
识别模块，用于获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据；
预测模块，用于基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型；
生成模块，用于基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果。
可选地，所述生成模块包括：
第一确定单元，用于基于所述整体健康状态数据，确定各所述预设健康状态类型对应的人口数量；
预测单元，用于基于各所述状态转移概率、各所述人口数量和所述人口出生率，预测各所述预设健康状态类型在预设单位时间步长后的预测人口数量；
第二生成单元，用于基于各所述预测人口数量，生成所述地区人口健康状态预测结果。
可选地，所述预测单元包括：
第一计算子单元，用于基于各所述状态转移概率，计算所述患病状态对应的发病率、死亡率和痊愈率；
第二计算子单元，用于基于所述发病率、所述人口出生率、当前未患病人口数量和各所述人口数量，计算所述预设单位时间步长后的新增患病人口数量；
第三计算子单元，用于基于所述死亡率、所述痊愈率和各所述人口数量，计算所述预设单位时间步长后的削减后患病人口数量；
确定子单元，用于基于所述新增患病人口数量和所述削减后患病人口数量，确定所述预测患病人口数量。
可选地，所述生成单元包括：
预测子单元，用于基于各所述预测人口数量，预测下一所述预设单位时间步长后的各第二预测人口数量；
第四计算子单元，用于基于各所述第二预测人口数量和各所述预测人口数量，计算预测人口变化幅度；
判断子单元，用于判断所述预测人口变化幅度是否小于预设人口变化幅度阀值；
第五计算子单元，用于若是，则基于各所述第二预测人口数量，计算地区人口健康状态指标值，并将所述地区人口健康状态指标值作为所述地区人口健康状态预测结果。
可选地，所述预测模块包括：
第二确定单元，用于基于所述整体健康状态数据，确定各预设健康状态类型之间的状态转移次数；
第二生成单元，用于基于各所述状态转移次数，生成各所述预设健康状态类型之间的状态转移概率；
第三生成单元，用于基于各所述状态转移概率，生成所述健康状态转移决策模型。
可选地，所述识别模块包括：
标签标注单元，用于分别将各所述健康用户数据输入预设标签标注模型，以分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签；
分类单元，用于基于各所述目标健康状态类型标签、所述患病用户数据和所述患病死亡用户数据，对各所述用户数据对应的目标用户进行分类，获得所述整体健康状态数据。
可选地，所述标签标注单元包括：
特征提取子单元，用于分别对各所述健康用户数据进行特征提取，获得各所述健康用户数据对应的特征提取结果；
全连接子单元，用于分别对所述特征提取结果进行全连接，以对各所述健康用户进行健康状态分类，获得各所述健康用户对应的健康状态分类结果；
标签标注子单元，用于基于各所述健康状态分类结果，分别对各所述健康用户进行标签标注，获得各所述目标健康状态类型标签。
可选地，所述地区人口健康状态预测装置还包括：
健康状态预测模块，用于将所述整体健康状态数据输入预设地区人口健康状态预测模型，对所述待预测地区进行整体健康状态预测，获得整体健康状态预测结果；
模型解释模块，用于对所述整体健康状态预测结果进行模型预测解释，以计算各所述健康状态影响特征对所述整体健康状态预测结果的特征贡献度；
确定模块，用于基于各所述特征贡献度，在各所述健康状态影响特征中确定目标健康状态影响因素；
调整模块，用于基于所述目标健康状态影响因素，调整所述待预测地区的医保政策。
本申请地区人口健康状态预测装置的具体实施方式与上述地区人口健康状态预测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的地区人口健康状态预测方法的步骤。
本申请可读存储介质具体实施方式与上述地区人口健康状态预测方法各实施例基本相同，在此不再赘述。
需要说明的是，本申请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。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (10)

1.一种地区人口健康状态预测方法，其特征在于，所述地区人口健康状态预测方法包括：
获取待预测地区的用户数据，并基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据；
基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型；
基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果。
2.如权利要求1所述地区人口健康状态预测方法，其特征在于，所述健康状态转移决策模型包括各预设健康状态类型之间的状态转移概率，所述人口变化数据包括人口出生率，
所述基于所述待检测地区的人口变化数据、所述健康状态转移决策模型和所述整体健康状态数据，生成地区人口健康状态预测结果的步骤包括：
基于所述整体健康状态数据，确定各所述预设健康状态类型对应的人口数量；
基于各所述状态转移概率、各所述人口数量和所述人口出生率，预测各所述预设健康状态类型在预设单位时间步长后的预测人口数量；
基于各所述预测人口数量，生成所述地区人口健康状态预测结果。
3.如权利要求2所述地区人口健康状态预测方法，其特征在于，各所述预设健康状态类型包括患病状态，各所述人口数量包括当前未患病人口数量，各所述预测人口数量包括预测患病人口数量，
所述基于各所述状态转移概率、各所述人口数量和所述人口出生率，预测各所述预设健康状态类型在预设单位时间步长后的预测人口数量的步骤包括：
基于各所述状态转移概率，计算所述患病状态对应的发病率、死亡率和痊愈率；
基于所述发病率、所述人口出生率、未患病人口数量和所述人口数量，计算所述预设单位时间步长后的新增患病人口数量；
基于所述死亡率、所述痊愈率和各所述人口数量，计算所述预设单位时间步长后的削减后患病人口数量；
基于所述新增患病人口数量和所述削减后患病人口数量，确定所述预测患病人口数量。
4.如权利要求2所述地区人口健康状态预测方法，其特征在于，所述基于各所述预测人口数量，生成所述地区人口健康状态预测结果的步骤包括：
基于各所述预测人口数量，预测下一所述预设单位时间步长后的各第二预测人口数量；
基于各所述第二预测人口数量和各所述预测人口数量，计算预测人口变化幅度；
判断所述预测人口变化幅度是否小于预设人口变化幅度阀值；
若是，则基于各所述第二预测人口数量，计算地区人口健康状态指标值，并将所述地区人口健康状态指标值作为所述地区人口健康状态预测结果。
5.如权利要求1所述地区人口健康状态预测方法，其特征在于，所述基于所述整体健康状态数据，对所述待预测地区进行整体状态转移概率预测，获得健康状态转移决策模型的步骤包括：
基于所述整体健康状态数据，确定各预设健康状态类型之间的状态转移次数；
基于各所述状态转移次数，生成各所述预设健康状态类型之间的状态转移概率；
基于各所述状态转移概率，生成所述健康状态转移决策模型。
6.如权利要求1所述地区人口健康状态预测方法，其特征在于，各所述用户数据包括健康用户数据、患病用户数据和患病死亡用户数据，
所述基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据的步骤包括：
分别将各所述健康用户数据输入预设标签标注模型，以分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签；
基于各所述目标健康状态类型标签、所述患病用户数据和所述患病死亡用户数据，对各所述用户数据对应的目标用户进行分类，获得所述整体健康状态数据。
7.如权利要求6所述地区人口健康状态预测方法，其特征在于，所述分别对各所述健康用户数据对应的健康用户进行健康状态类型识别，获得各所述健康用户对应的目标健康状态类型标签的步骤包括：
分别对各所述健康用户数据进行特征提取，获得各所述健康用户数据对应的特征提取结果；
分别对所述特征提取结果进行全连接，以对各所述健康用户进行健康状态分类，获得各所述健康用户对应的健康状态分类结果；
基于各所述健康状态分类结果，分别对各所述健康用户进行标签标注，获得各所述目标健康状态类型标签。
8.如权利要求1所述地区人口健康状态预测方法，其特征在于，所述整体健康状态数据至少对应一健康状态影响特征，
在所述基于所述用户数据，对所述待预测地区进行整体健康状态识别，获得整体健康状态数据的步骤之后，所述地区人口健康状态预测方法还包括：
将所述整体健康状态数据输入预设地区人口健康状态预测模型，对所述待预测地区进行整体健康状态预测，获得整体健康状态预测结果；
对所述整体健康状态预测结果进行模型预测解释，以计算各所述健康状态影响特征对所述整体健康状态预测结果的特征贡献度；
基于各所述特征贡献度，在各所述健康状态影响特征中确定目标健康状态影响因素；
基于所述目标健康状态影响因素，调整所述待预测地区的医保政策。
9.一种地区人口健康状态预测设备，其特征在于，所述地区人口健康状态预测设备包括：存储器、处理器以及存储在存储器上的用于实现所述地区人口健康状态预测方法的程序，
所述存储器用于存储实现地区人口健康状态预测方法的程序；
所述处理器用于执行实现所述地区人口健康状态预测方法的程序，以实现如权利要求1至8中任一项所述地区人口健康状态预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现地区人口健康状态预测方法的程序，所述实现地区人口健康状态预测方法的程序被处理器执行以实现如权利要求1至8中任一项所述地区人口健康状态预测方法的步骤。
CN202011385950.2A 2020-12-01 2020-12-01 地区人口健康状态预测方法、设备和可读存储介质 Active CN112465231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011385950.2A CN112465231B (zh) 2020-12-01 2020-12-01 地区人口健康状态预测方法、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011385950.2A CN112465231B (zh) 2020-12-01 2020-12-01 地区人口健康状态预测方法、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN112465231A true CN112465231A (zh) 2021-03-09
CN112465231B CN112465231B (zh) 2023-02-03

Family

ID=74805200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011385950.2A Active CN112465231B (zh) 2020-12-01 2020-12-01 地区人口健康状态预测方法、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN112465231B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160987A (zh) * 2021-04-28 2021-07-23 平安科技（深圳）有限公司 健康状态预测方法、装置、计算机设备及存储介质
CN115862888A (zh) * 2023-02-17 2023-03-28 之江实验室 传染病感染情况预测方法、***、设备及存储介质
CN116884611A (zh) * 2023-07-11 2023-10-13 浙江万航信息科技有限公司 青少年体质健康干预方法、装置、存储介质和电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462858A (zh) * 2014-12-30 2015-03-25 天津迈沃医药技术有限公司 基于多阶隐马尔可夫模型的健康预警方法
CN105701330A (zh) * 2014-11-28 2016-06-22 薛海强 健康信息处理方法及***
US20160365006A1 (en) * 2015-06-11 2016-12-15 Paul Ash Minturn Quantified Well-Being Evaluations, Improvement Programs and Scientific Wellness Video Games
CN106407643A (zh) * 2016-08-03 2017-02-15 无锡金世纪国民体质与健康研究有限公司 一种健康风险评估***的建立方法
CN107910068A (zh) * 2017-11-29 2018-04-13 平安健康保险股份有限公司 投保用户的健康风险预测方法、装置、设备及存储介质
CN109712712A (zh) * 2018-12-13 2019-05-03 平安医疗健康管理股份有限公司 一种健康评估方法、健康评估装置及计算机可读存储介质
CN110265145A (zh) * 2019-05-21 2019-09-20 何泽仪 一种个人健康风险评估方法、装置、电子设备及存储介质
CN110752035A (zh) * 2019-09-06 2020-02-04 深圳壹账通智能科技有限公司 健康数据处理方法、装置、计算机设备及存储介质
CN110826786A (zh) * 2019-10-28 2020-02-21 广州杰赛科技股份有限公司 目的地点人口数量的预测方法、装置及存储介质
CN111009328A (zh) * 2019-12-25 2020-04-14 新绎健康科技有限公司 一种区域人口健康状况评估方法及装置
CN111652461A (zh) * 2020-04-13 2020-09-11 北京航空航天大学 基于sae-hmm的航空发动机连续健康状态评估方法
CN111798978A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 用户健康评估方法、装置、存储介质及电子设备
CN111816312A (zh) * 2020-09-14 2020-10-23 杭州憶盛医疗科技有限公司 基于模型解释的健康状态检测方法、设备及可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701330A (zh) * 2014-11-28 2016-06-22 薛海强 健康信息处理方法及***
CN104462858A (zh) * 2014-12-30 2015-03-25 天津迈沃医药技术有限公司 基于多阶隐马尔可夫模型的健康预警方法
US20160365006A1 (en) * 2015-06-11 2016-12-15 Paul Ash Minturn Quantified Well-Being Evaluations, Improvement Programs and Scientific Wellness Video Games
CN106407643A (zh) * 2016-08-03 2017-02-15 无锡金世纪国民体质与健康研究有限公司 一种健康风险评估***的建立方法
CN107910068A (zh) * 2017-11-29 2018-04-13 平安健康保险股份有限公司 投保用户的健康风险预测方法、装置、设备及存储介质
CN109712712A (zh) * 2018-12-13 2019-05-03 平安医疗健康管理股份有限公司 一种健康评估方法、健康评估装置及计算机可读存储介质
CN111798978A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 用户健康评估方法、装置、存储介质及电子设备
CN110265145A (zh) * 2019-05-21 2019-09-20 何泽仪 一种个人健康风险评估方法、装置、电子设备及存储介质
CN110752035A (zh) * 2019-09-06 2020-02-04 深圳壹账通智能科技有限公司 健康数据处理方法、装置、计算机设备及存储介质
CN110826786A (zh) * 2019-10-28 2020-02-21 广州杰赛科技股份有限公司 目的地点人口数量的预测方法、装置及存储介质
CN111009328A (zh) * 2019-12-25 2020-04-14 新绎健康科技有限公司 一种区域人口健康状况评估方法及装置
CN111652461A (zh) * 2020-04-13 2020-09-11 北京航空航天大学 基于sae-hmm的航空发动机连续健康状态评估方法
CN111816312A (zh) * 2020-09-14 2020-10-23 杭州憶盛医疗科技有限公司 基于模型解释的健康状态检测方法、设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄枫: "基于转移概率模型的老年人长期护理需求预测分析", 《经济研究》, 28 December 2012 (2012-12-28), pages 119 - 129 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160987A (zh) * 2021-04-28 2021-07-23 平安科技（深圳）有限公司 健康状态预测方法、装置、计算机设备及存储介质
CN113160987B (zh) * 2021-04-28 2023-08-22 平安科技（深圳）有限公司 健康状态预测方法、装置、计算机设备及存储介质
CN115862888A (zh) * 2023-02-17 2023-03-28 之江实验室 传染病感染情况预测方法、***、设备及存储介质
CN116884611A (zh) * 2023-07-11 2023-10-13 浙江万航信息科技有限公司 青少年体质健康干预方法、装置、存储介质和电子设备
CN116884611B (zh) * 2023-07-11 2024-02-13 浙江万航信息科技有限公司 青少年体质健康干预方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN112465231B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
WO2021017679A1 (zh) 地址信息解析方法、装置、***及数据获取方法
CN112465231B (zh) 地区人口健康状态预测方法、设备和可读存储介质
CN111540468A (zh) 一种诊断原因可视化的icd自动编码方法与***
CN110196908A (zh) 数据分类方法、装置、计算机装置及存储介质
CN111564223B (zh) 传染病生存概率的预测方法、预测模型的训练方法及装置
WO2023011382A1 (zh) 推荐方法、推荐模型训练方法及相关产品
WO2023024411A1 (zh) 基于机器学习对关联规则进行评估的方法及装置
CN112883990A (zh) 数据分类方法及装置、计算机存储介质、电子设备
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
CN112288337A (zh) 行为推荐方法、装置、设备及介质
CN115545103A (zh) 异常数据识别、标签识别方法和异常数据识别装置
CN110164519B (zh) 一种基于众智网络的用于处理电子病历混合数据的分类方法
CN109871866B (zh) 用于医院内感染预测的模型训练方法、装置、设备及介质
CN113707323B (zh) 基于机器学习的疾病预测方法、装置、设备及介质
Poo et al. Multi-Label Classification with Deep Learning for Retail Recommendation
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN114625340B (zh) 基于需求分析的商用软件研发方法、装置、设备及介质
CN114360732B (zh) 医疗数据分析方法、装置、电子设备及存储介质
CN113706019B (zh) 基于多维数据的业务能力分析方法、装置、设备及介质
CN113705201B (zh) 基于文本的事件概率预测评估算法、电子设备及存储介质
CN113515591B (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN111582404B (zh) 内容分类方法、装置及可读存储介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
WO2021114626A1 (zh) 一种病历数据的质量检测方法和相关装置
CN115408599A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220524

Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd.

Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001

Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant