CN112669967A - 一种主动式健康医疗决策辅助方法及设备 - Google Patents

Abstract

本发明涉及一种主动式健康医疗决策辅助方法及设备，所述方法包括如下步骤：获取各种健康问题和疾病的患病人群的个体特征作为训练样本，通过机器学***台上爬取用户的个体数据并进行预处理和清洗，得到用户的个体特征；将用户的个体特征输入至健康评估模型中，输出用户有可能罹患的健康问题或疾病；根据用户有可能罹患的疾病，从健康医疗干预数据库中获取对应健康问题或疾病的健康医疗决策辅助方案，通过医生进行协同处理后发送给用户。

Description

一种主动式健康医疗决策辅助方法及设备

技术领域

本发明涉及一种主动式健康医疗决策辅助方法及设备，属于健康医疗和数据处理技术领域。

背景技术

目前，世界主要国家医学模式的具体表现形式本质属性上大同小异，还是以被动医疗为主导，迄今这种家长式医疗模式已经持续数千年。其特点是患者盲目性围着医生和运营主体转，属被动消费，医生亦被动提供服务，所服务的对象随机无针对性；信息不对称，患者处于被动消费状态。预防是最经济最有效的健康策略，从“源头治理”将主要健康问题前移解决。健康问题主要包括卫生预防和治疗；由于医疗资源有限，人们无法快速了解自己的身体健康状态，很多疾病在亚健康或萌芽状态时人们往往无法得知自己的健康风险，未采取健康预防干预措施；通常大部分重大疾病都是到了中晚期病人才发现并开始治疗，大大提高了治疗难度和成本；小病或者慢性病的病人缺乏医生***性的指导，许多病人基本上任其发展，没有进行早期干预，直到发展成大病后才开始重视，均属被动干预；并且，许多大病、疑难病的患者不知如何选择医疗机构也不明白自己的治疗方向，没有一个***性、实时性和可靠性的健康医疗***能够帮助患者在健康与非健康状态进行决策辅助；并且，到医疗机构诊疗时，医生对患者事先缺少全面了解，而5分钟要做出诊断决策难度大，仅通过仪器设备的时点检测数据具有片面性，不仅不能全面和准确反映病因，且诊断费用也高，医生属于被动提供服务。从医疗卫生服务体系的角度看，当前卫生预防与临床救治处于割裂状态，服务链不连续。

发明内容

为了解决上述现有技术中存在的问题，本发明提供一种主动式健康医疗决策辅助方法及设备，根据用户的健康特征评估罹患疾病的风险，并给出专业的健康医疗诊断和决策辅助方案，帮助用户对疾病进行预防以及治疗。

本发明的技术方案如下：

技术方案一：

一种主动式健康医疗决策辅助方法，包括如下步骤：

建立健康评估模型，获取各种健康问题和疾病的患病人群的个体特征作为训练样本，通过机器学习方法或深度学习方法进行训练，生成对应健康问题或疾病的患病风险评估模型；

建立健康医疗干预数据库，对应各种疾病预编写健康医疗决策辅助方案，所述健康医疗决策辅助方案至少包括健康教育方案、生活膳食干预、中医养生调理、运动理疗、自我药疗、心理干预、治疗科室选择、治疗路线以及治疗方案；编写完成的健康医疗决策辅助方案存入健康医疗决策辅助数据库中；

获取健康数据，从多源异构的健康医疗平台上爬取用户的个体数据，对多源异构的个体数据进行预处理和清洗，得到用户的个体特征；

患病风险预估，将用户的个体特征输入至健康评估模型中，健康评估模型调用患病风险评估模型根据用户的个体特征输出用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率；

提供健康医疗决策辅助，根据用户有可能罹患的疾病，从健康医疗干预数据库中获取对应健康问题或疾病的健康医疗决策辅助方案，获取的健康医疗决策辅助方案通过医生进行协同处理后发送给用户。

进一步的，所述获取各种健康问题和疾病的患病人群的个体特征作为训练样本，通过机器学习方法或深度学习方法进行训练，生成对应疾病的患病风险评估模型的具体步骤如下：

对于每种健康问题或疾病，均采集一组对应健康问题或疾病的患病人群的个体特征作为训练样本，其中患病人群至少包括确诊患者、高度疑似人员以及轻度疑似人员，所述个体特征包括特征项及特征项对应的特征值；对各训练样本添加标签，所述标签包括确诊、高度疑似和轻度疑似，将添加标签后的训练样本划分为训练集、验证集和测试集；

构建深度学习神经网络，使用训练集对深度学习神经网络进行训练，通过验证集和测试集确定深度学习神经网络的准确性，当深度学习神经网络的准确性符合预期后，输出为对应健康问题或疾病的患病风险评估模型；

其中，所述特征项至少包括生活数据、生理体征数据、常住地址和环境数据、病史药历数据以及健康医疗消费数据。

进一步的，在所述建立健康评估模型步骤中，还加入群发性突发性流行病的预测模块、疾病并发症分析模块、用药分析模块以及诊疗项目关联关系分析模块；所述群发性突发性流行病的预测模块用于从互联网中抓取群发性突发性流行病的实时信息，并输出流行病可能在用户所在地传染的风险数据；所述疾病并发症分析模块用于获取所述患病风险评估模型输出的用户有可能罹患的健康问题或疾病，分析并输出对应健康问题或疾病可能引起的并发症；所述用药分析模块用于获取所述用户有可能罹患的健康问题或疾病，分析并输出对应健康问题或疾病可以使用的药物及对应的药物信息、食疗可以使用的食物及对应的食物信息、以及理疗项目及对应的理疗信息；所述诊疗项目关联关系分析模块于获取所述用户有可能罹患的健康问题或疾病，分析并输出与对应健康问题或疾病有关联关系的诊疗项目及诊疗项目信息。

进一步的，所述从多源异构的健康医疗平台上爬取用户的个体数据，对多源异构的健康数据进行预处理和清洗，得到清洗后的用户的个体特征的具体步骤如下：

数据预处理：对每个数据源的用户健康信息页面进行遍历，获取页面中所有的数据项及其特征值，将所有获取到的数据项及其特征值进行合并后放入数据集合中，对数据集合中所有名称不一致但实际含义相同的数据项进行合并，得到无重复数据项集合；

数据清洗：移除所述无重复数据项集合中与健康信息无关的数据项，得到包含复数个与用户健康有关的特征项的用户的个体特征。

进一步的，在将用户的个体特征输入至健康评估模型中时，从所述用户的个体特征中抓取需要的特征项及对应的特征值输入至对应健康问题或疾病的患病风险评估模型。

进一步的，在所述健康医疗干预数据库中，还添加有区域问题数据，获取所述区域数据的步骤具体为：

设定复数个监测区域；

根据用户的地址信息将用户及用户的个体数据加入至对应的监测区域；

对各所述监测区域进行监测，设置阈值T，当监测到一监测区域内产生相同健康问题的用户人数超过阈值T时，记录该健康问题为区域问题数据并存储入健康医疗干预数据库。

进一步的，还包括主动提供区域群体医疗辅助服务的步骤，具体为：

选择要服务的监测区域，从所述健康医疗干预数据库中获取该监测区域对应的区域数据；对区域数据进行聚类分析以及分层，得到罹患有同一健康问题或疾病的同症群体数据以及对应的用户的个体数据，所述同症群体数据至少包括群体人数、用户清单、对应健康或疾病的覆盖率；

从所述健康医疗干预数据库中获取对应健康问题或疾病的健康医疗决策辅助方案，根据用户清单调取对应的用户的个体数据，将所述健康医疗决策辅助方案和用户的个体数据发送给医生团队，医生团队根据健康医疗决策辅助方案和用户的个体数据定制对应的个体健康医疗决策辅助方案存储到存储器并分发给对应的用户。

进一步的，在进行患病风险预估步骤时，还将输入的用户的个体特征和输出的用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率发送至医生团队，医生团队根据输入的用户的个体特征对输出的结果进行评估和校正，校正后的结果反馈至患病风险评估模型，对所述患病风险评估模型进行进一步训练。

进一步的，所述健康医疗决策辅助方案通过邮箱、短信或是第三方通讯客户端发送给用户或用户的监护人。

技术方案二：

一种主动式健康医疗决策辅助设备，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行如技术方案一中所述的一种主动式健康医疗决策辅助方法。

本发明具有如下有益效果：

1、本发明一种主动式健康医疗决策辅助方法及设备，帮助个体用户从被动医疗变为主动健康，主动向个体用户提供患病的风险概率，进行早期诊断和预防性治疗，实现精准预防和精准治疗，通过预先编写健康医疗决策辅助方案，供用户了解疾病的治疗路线、治疗费用、疾病并发症分析、用药模式分析等，为用户提供全方面的疾病诊断治疗的详情，辅助用户做出决策。

2、本发明一种主动式健康医疗决策辅助方法及设备，用户的个体健康特征在输入到健康评估模型中以后，对应的患病风险评估模型只获取与对应疾病相关的个体特征，提高模型的处理效率。

3、本发明一种主动式健康医疗决策辅助方法及设备，健康医疗干预数据库中还添加有区域问题数据，通过区域问题数据可以辅助用户了解本区域的相关健康问题，还可供卫生疾病监控机构进行卫生监测、疾病防控、疫情预警处置等。

4、本发明一种主动式健康医疗决策辅助方法及设备，患病风险评估模型输出的结果由医生团队分析后进行评估和校正，校正后的数据重新作为训练样本对患病风险评估模型进行训练，循环以上过程，使患病风险评估模型的输出结果愈加精准。

附图说明

图1为本发明实施例的流程图。

具体实施方式

下面结合附图和具体实施例来对本发明进行详细的说明。

实施例一：

参见图1，一种主动式健康医疗决策辅助方法，包括如下步骤：

建立健康评估模型，获取各种健康问题和疾病的患病人群的个体特征作为训练样本，例如：导入患有冠心病、高血压、糖尿病等患病人群的个体特征，通过机器学习方法或深度学习方法进行训练，生成对应冠心病、高血压、糖尿病的患冠心病风险评估模患高血压风险评估模型和患糖尿病风险评估模型，对应的患病风险评估模型能够根据用户的个体特征输出对应疾病或健康问题的患病概率，患病概率可以用数值表示，也可用严重、轻度等量级词汇表示；

建立健康医疗干预数据库，对应各种疾病预编写健康医疗决策辅助方案，例如：通过冠心病、高血压和糖尿病的专家医生，分别预先编写冠心病的决策辅助方案、高血压的决策辅助方案以及糖尿病的决策辅助方案，专家医生不限于一个，可以请多人对决策辅助方案进行编写调整；所述健康医疗决策辅助方案至少包括健康教育方案、生活膳食干预、中医养生调理、运动理疗、自我药疗、心理干预、治疗科室选择、治疗路线以及治疗方案，除了急诊，居民出现健康问题首先通过卫生新模式中心提供服务，适合药疗、食疗、理疗而无需注射、手术、住院等医疗手段的小病、慢性病指导自我药疗、食疗、理疗等，不必到医疗机构；大病、疑难病入院之前指导诊疗，提出诊疗路线、治疗方案、费用预估等供患者选择，让患者明确适宜的医疗机构、科室进行治疗，实现精准求医；编写完成的健康医疗决策辅助方案存入健康医疗决策辅助数据库中；

获取健康数据，经过用户的授权下，从多源异构的健康医疗平台(例如医院的电子病历***、国家健康医疗大数据中心、医保消费平台、第三方互联网健康医疗管理平台等)上爬取用户的个体数据，对多源异构的个体数据进行预处理和清洗，得到清洗后的用户的个体特征，个体特征包括历史患病信息、年龄、体重、身高、近期体检的各项项目数值、体检间隔时间、地址信息等等，尽可能获取所有和疾病或健康问题相关的数据；

患病风险预估，将用户的个体特征输入至健康评估模型中，健康评估模型调用患病风险评估模型根据用户的个体特征输出用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率；

提供健康医疗决策辅助，根据用户有可能罹患的疾病，从健康医疗干预数据库中获取对应疾病的健康医疗决策辅助方案，例如：健康评估模型输出用户有可能罹患高血压和心脏病，且患高血压的风险为高、患心脏病的概率为较低，则对应获取高血压和心脏病的健康医疗决策辅助方案，获取的健康医疗决策辅助方案通过医生或者医生团队进行协同处理后提供给患者，医生或者医生团队根据用户的个体特征对健康医疗决策辅助方案进行审核，如健康医疗决策辅助方案准确无误则直接提供给患者，健康医疗决策辅助方案有错误则进行校正后再发送给患者，患者根据患病的风险概率以及健康医疗决策辅助方案，自行决定医疗路线。

目前，通常是用户病症显现或病情严重时找医生，干预和就诊时机均由用户主观判断，不仅错失时机且具有盲目性，通过本决策辅助方法，改变了传统的求医方式，由当前患者找医生的服务模式转变为医生找患者的模式，即持续监测的主动式服务，利于提早发现病情，利于未分化疾病的跟踪观察，进行早期干预，帮助个体用户从被动医疗变为主动医疗，从大数据中获取用户的个体数据，主动向个体用户提供患病的风险概率，进行早期诊断和预防性治疗，实现精准预防和精准治疗；通过预先编写健康医疗决策辅助方案，供用户了解疾病的治疗路线、治疗费用、疾病并发症分析、用药模式分析等，为用户提供全方面的疾病诊断治疗的详情，辅助用户做出决策。

同时，本决策辅助方案使得用户面对的个体面对的是包含中医医生、全科医生、专科医生、公共卫生医生等在内的医务团队“全科医生”，而不是按人体器官、组织、病症等分类的科室，使临床医生积极参与卫生服务，具有不可替代的优势。

进一步的，所述获取各种健康问题和疾病的患病人群的个体特征作为训练样本，通过机器学习方法或深度学习方法进行训练，生成对应疾病的患病风险评估模型的具体步骤如下：

对于每种健康问题或疾病，均采集一组对应健康问题或疾病的患病人群的个体特征作为训练样本，例如采集心脏病患病人群的健康数据作为训练样本，其中患病人群至少包括心脏病确诊患者、心脏病高度疑似人员以及心脏病轻度疑似人员，所述健康数据包括生理特征及其对应的特征值，例如身高：175cm，血压：107等等；对训练样本添加标签，所述标签包括确诊、高度疑似和轻度疑似，将添加标签后的训练样本划分为训练集、验证集和测试集；

构建深度学习神经网络，使用训练集对深度学习神经网络进行训练，通过验证集和测试集确定深度学习神经网络的准确性，持续对深度学习神经网络进行迭代训练，当深度学习神经网络的准确性符合预期后，保存深度学习神经网络的参数，输出为对应健康问题或疾病的患病风险评估模型；

其中，所述特征项至少包括生活数据、生理体征数据、常住地址和环境数据、病史药历数据以及健康医疗消费数据。

进一步的，在所述建立健康评估模型步骤中，还加入群发性突发性流行病的预测模块、疾病并发症分析模块、用药分析模块以及诊疗项目关联关系分析模块为用户提供其他服务；所述群发性突发性流行病的预测模块用于从互联网中抓取群发性突发性流行病的实时信息，并输出流行病可能在用户所在地传染的风险数据；所述疾病并发症分析模块用于获取所述患病风险评估模型输出的用户有可能罹患的健康问题或疾病，分析并输出对应健康问题或疾病可能引起的并发症；所述用药分析模块用于获取所述用户有可能罹患的健康问题或疾病，分析并输出对应健康问题或疾病可以使用的药物及对应的药物信息、食疗可以使用的食物及对应的食物信息、以及理疗项目及对应的理疗信息，例如告知用户药品A以及药品A的价格、用量、产地、使用说明书等信息，或者告知用户食疗可以使用的食物例如黑豆以及黑豆的作用、购买渠道等信息；所述诊疗项目关联关系分析模块于获取所述用户有可能罹患的健康问题或疾病，分析并输出与对应健康问题或疾病有关联关系的诊疗项目及诊疗项目信息。

进一步的，所述从多源异构的健康医疗平台上爬取用户的个体数据，对多源异构的健康数据进行预处理和清洗，得到清洗后的用户的个体特征的具体步骤如下：

数据预处理：对每个数据源的用户健康信息页面进行遍历，获取页面中所有的数据项及其特征值，将所有获取到的数据项及其特征值进行合并后放入数据集合中，对数据集合中所有名称不一致但实际含义相同的数据项进行合并，得到无重复数据项集合；

数据清洗：移除所述无重复项数据数据集合中与生理健康无关的数据项，无关的数据项例如个人的身份证信息、网页地址等，得到包含复数个与用户健康有关的特征项的用户的个体特征。

进一步的，在将用户的个体特征输入至健康评估模型中时，从所述用户的个体特征中抓取需要的特征项及对应的特征值输入至对应健康问题或疾病的患病风险评估模型，在建立患病风险评估模型并对样本添加标签时，通过专家医生进行标签的添加，一种疾病通常由多项固定的生理特征进行诊断，例如高血压需要的生理特征为血压、脉率、体质指数、心电图和尿液等，则患高血压风险评估模型在模型建立时仅采集上述相关生理特征，在模型建立好之后，用户的个体健康特征在输入到健康评估模型中以后，患高血压风险评估模型只获取上述的相关个体特征，提高模型的处理效率。

在进行主动式健康医疗决策辅助时，通过动态健康评估、慢性病持续监测、干预效果评价等方法，进行用户全生命周期(急诊除外)健康管理数据闭环运行，为健康评估模型持续提供现实数据。

进一步的，在所述健康医疗干预数据库中，还添加有区域问题数据，获取所述区域数据的步骤具体为：

设定复数个监测区域；监测区域可以是一个省、一个市、一个县、一个社区，也可以是在电子地图上任意框选的区域；

根据用户的地址信息将用户及用户的个体数据加入至对应的监测区域；

对各所述监测区域进行监测，设置阈值T，当监测到一监测区域内产生相同健康问题的用户人数超过阈值T时，记录该健康问题为区域问题数据并存储入健康医疗干预数据库。该区域问题数据可以提供给用户在生活保健、求医就诊、健康养老等随时可用；提供给卫生疾病监控机构进行卫生监测、疾病防控、疫情预警处置等。

进一步的，还包括主动提供区域群体医疗辅助服务的步骤，具体为：

(1)选择要服务的监测区域，从所述健康医疗干预数据库中获取该监测区域对应的区域数据；对区域数据进行聚类分析以及分层，得到罹患有同一健康问题或疾病的同症群体数据以及对应的用户的个体数据，所述同症群体数据至少包括群体人数、用户清单、对应健康或疾病的覆盖率；

(2)从所述健康医疗干预数据库中获取对应健康问题或疾病的健康医疗决策辅助方案，根据用户清单调取对应的用户的个体数据，将所述健康医疗决策辅助方案和用户的个体数据发送给医生团队，医生利用流行病学的分析方法，实时监测与评估、疾病预警、慢病筛查等进行早期诊断，并从健康医疗干预数据库提取预防性治疗方案或干预建议，提供个体化精准服务数据。医生根据数据可以对区域内“同症”群体集中服务的方式，也可以是医生对个体单独进行服务，是以到店服务、远程服务还是等待巡回集中服务，视客观情况而定；可以是多个医生同时服务个体患者，为患者提供连续性、综合性、协调性的健康管理和疾病管理服务。

(1)、(2)步骤是双向循环的过程，融合区域问题数据与个体数据，融合卫生临床干预与医疗临床干预。

进一步的，在进行患病风险预估步骤时，还将输入的用户的个体特征和输出的用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率发送至医生团队，医生团队根据输入的用户的个体特征对输出的结果进行评估和校正，校正后的结果反馈至患病风险评估模型，对所述患病风险评估模型进行进一步训练。采用实时动态分析与定时分析相结合、健康评估模型与医生团队人机交互相结合的工作方式；当个体数据某项要素发生化时，如病症出现、体征指标、年龄、环境、心理等多源动态因素变动时健康评估模型立即进行分析和处理，形成实时更新的个体数据，用户的个体数据变动时就向医生团队触发服务请求，由医生团队分析后主动对用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率进行评估和校正，校正后的数据重新作为训练样本对患病风险评估模型进行训练，循环以上过程，使患病风险评估模型的输出结果愈加精准。

进一步的，所述健康医疗决策辅助方案通过邮箱、短信或是第三方通讯客户端发送给用户或用户的监护人，可赋予个体用户或其家属作为用户的监护人的全过程决策能力。输出的健康医疗决策辅助方案可以再经过医生团队进行进一步的分析，融合中医药学、预防医学、临床医学思想方法，确定最有效和最有效益的个体化干预方法或医疗方案后，再实时存储在国家健康医疗大数据中心，或根据设定发送给用户以及用户的监护人。

实施例二：

一种主动式健康医疗决策辅助设备，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行如实施例一中所述的一种主动式健康医疗决策辅助方法。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种主动式健康医疗决策辅助方法，其特征在于，包括如下步骤：

建立健康评估模型，获取各种健康问题和疾病的患病人群的个体特征作为训练样本，通过机器学习方法或深度学习方法进行训练，生成对应健康问题或疾病的患病风险评估模型；

建立健康医疗干预数据库，对应各种疾病预编写健康医疗决策辅助方案，所述健康医疗决策辅助方案至少包括健康教育方案、生活膳食干预、中医养生调理、运动理疗、自我药疗、心理干预、治疗科室选择、治疗路线以及治疗方案；编写完成的健康医疗决策辅助方案存入健康医疗决策辅助数据库中；

获取健康数据，从多源异构的健康医疗平台上爬取用户的个体数据，对多源异构的个体数据进行预处理和清洗，得到用户的个体特征；

患病风险预估，将用户的个体特征输入至健康评估模型中，健康评估模型调用患病风险评估模型根据用户的个体特征输出用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率；

提供健康医疗决策辅助，根据用户有可能罹患的疾病，从健康医疗干预数据库中获取对应健康问题或疾病的健康医疗决策辅助方案，获取的健康医疗决策辅助方案通过医生进行协同处理后发送给用户。

2.根据权利要求1所述的一种主动式健康医疗决策辅助方法，其特征在于，所述获取各种健康问题和疾病的患病人群的个体特征作为训练样本，通过机器学习方法或深度学习方法进行训练，生成对应疾病的患病风险评估模型的具体步骤如下：

对于每种健康问题或疾病，均采集一组对应健康问题或疾病的患病人群的个体特征作为训练样本，其中患病人群至少包括确诊患者、高度疑似人员以及轻度疑似人员，所述个体特征包括特征项及特征项对应的特征值；对各训练样本添加标签，所述标签包括确诊、高度疑似和轻度疑似，将添加标签后的训练样本划分为训练集、验证集和测试集；

构建深度学习神经网络，使用训练集对深度学习神经网络进行训练，通过验证集和测试集确定深度学习神经网络的准确性，当深度学习神经网络的准确性符合预期后，输出为对应健康问题或疾病的患病风险评估模型；

其中，所述特征项至少包括生活数据、生理体征数据、常住地址和环境数据、病史药历数据以及健康医疗消费数据。

3.根据权利要求2所述的一种主动式健康医疗决策辅助方法，其特征在于：在所述建立健康评估模型步骤中，还加入群发性突发性流行病的预测模块、疾病并发症分析模块、用药分析模块以及诊疗项目关联关系分析模块；所述群发性突发性流行病的预测模块用于从互联网中抓取群发性突发性流行病的实时信息，并输出流行病可能在用户所在地传染的风险数据；所述疾病并发症分析模块用于获取所述患病风险评估模型输出的用户有可能罹患的健康问题或疾病，分析并输出对应健康问题或疾病可能引起的并发症；所述用药分析模块用于获取所述用户有可能罹患的健康问题或疾病，分析并输出对应健康问题或疾病可以使用的药物及对应的药物信息、食疗可以使用的食物及对应的食物信息、以及理疗项目及对应的理疗信息；所述诊疗项目关联关系分析模块于获取所述用户有可能罹患的健康问题或疾病，分析并输出与对应健康问题或疾病有关联关系的诊疗项目及诊疗项目信息。

4.根据权利要求2所述的一种主动式健康医疗决策辅助方法，其特征在于，所述从多源异构的健康医疗平台上爬取用户的个体数据，对多源异构的健康数据进行预处理和清洗，得到清洗后的用户的个体特征的具体步骤如下：

数据预处理：对每个数据源的用户健康信息页面进行遍历，获取页面中所有的数据项及其特征值，将所有获取到的数据项及其特征值进行合并后放入数据集合中，对数据集合中所有名称不一致但实际含义相同的数据项进行合并，得到无重复数据项集合；

数据清洗：移除所述无重复数据项集合中与健康信息无关的数据项，得到包含复数个与用户健康有关的特征项的用户的个体特征。

5.根据权利要求4所述的一种主动式健康医疗决策辅助方法，其特征在于：在将用户的个体特征输入至健康评估模型中时，从所述用户的个体特征中抓取需要的特征项及对应的特征值输入至对应健康问题或疾病的患病风险评估模型。

6.根据权利要求1所述的一种主动式健康医疗决策辅助方法，其特征在于，在所述健康医疗干预数据库中，还添加有区域问题数据，获取所述区域数据的步骤具体为：

设定复数个监测区域；

根据用户的地址信息将用户及用户的个体数据加入至对应的监测区域；

对各所述监测区域进行监测，设置阈值T，当监测到一监测区域内产生相同健康问题的用户人数超过阈值T时，记录该健康问题为区域问题数据并存储入健康医疗干预数据库。

7.根据权利要求6所述的一种主动式健康医疗决策辅助方法，其特征在于，还包括主动提供区域群体医疗辅助服务的步骤，具体为：

选择要服务的监测区域，从所述健康医疗干预数据库中获取该监测区域对应的区域数据；对区域数据进行聚类分析以及分层，得到罹患有同一健康问题或疾病的同症群体数据以及对应的用户的个体数据，所述同症群体数据至少包括群体人数、用户清单、对应健康或疾病的覆盖率；

从所述健康医疗干预数据库中获取对应健康问题或疾病的健康医疗决策辅助方案，根据用户清单调取对应的用户的个体数据，将所述健康医疗决策辅助方案和用户的个体数据发送给医生团队，医生团队根据健康医疗决策辅助方案和用户的个体数据定制对应的个体健康医疗决策辅助方案存储到存储器并分发给对应的用户。

8.根据权利要求1所述的一种主动式健康医疗决策辅助方法，其特征在于：在进行患病风险预估步骤时，还将输入的用户的个体特征和输出的用户有可能罹患的健康问题或疾病以及罹患对应健康问题或疾病的概率发送至医生团队，医生团队根据输入的用户的个体特征对输出的结果进行评估和校正，校正后的结果反馈至患病风险评估模型，对所述患病风险评估模型进行进一步训练。

9.根据权利要求1所述的一种主动式健康医疗决策辅助方法，其特征在于：所述健康医疗决策辅助方案通过邮箱、短信或是第三方通讯客户端发送给用户或用户的监护人。

10.一种主动式健康医疗决策辅助设备，其特征在于：包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行如权利要求1-9任一权利要求所述的一种主动式健康医疗决策辅助方法。

Images