CN116013511B - 基于知识图谱的糖尿病干预智能推荐方法及*** - Google Patents
基于知识图谱的糖尿病干预智能推荐方法及*** Download PDFInfo
- Publication number
- CN116013511B CN116013511B CN202310293199.0A CN202310293199A CN116013511B CN 116013511 B CN116013511 B CN 116013511B CN 202310293199 A CN202310293199 A CN 202310293199A CN 116013511 B CN116013511 B CN 116013511B
- Authority
- CN
- China
- Prior art keywords
- patient
- scheme
- coping
- disease
- strategy
- 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
Images
Classifications
-
- 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于知识图谱的糖尿病干预智能推荐方法及***,涉及信息智能推荐技术领域,检索并构建图谱数据集,对图谱数据集中的数据进行处理,搭建知识图谱;判断当前患者是否是糖尿病潜在患者,获取病症难度系数Bnd;在病症难度系数Bnd超出相应阈值时,从知识图谱中选常规性应对策略并向外部输出;在常规性方案不具备可行性时,分别构建病症特征库及干预方案库,依据病症特征从匹配相应的应对策略;判断推荐方案是否具有可行性。能够以具体的病症难度系数Bnd对患者的患病程度进行描述和表征,能够依病症难度系数Bnd选择相应的应对策略,向患者推荐方案。
Description
技术领域
本发明涉及信息智能推荐技术领域,具体为基于知识图谱的糖尿病干预智能推荐方法及***。
背景技术
糖尿病是一种以高血糖为特征的代谢性疾病,高血糖则是由于胰岛素分泌缺陷或其生物作用受损,或两者兼有引起。在糖尿病干预过程中,定位血糖异常的原因在糖尿病干预中起到了决定作用。然而,在糖尿病实施干预的过程中,由于可能导致血糖异常原因的因素众多。因此,要有效找到相关的因素往往需要花费大量的时间和精力。现有的糖尿病干预方法众多,其中有一种是基于搭建的知识图谱,从现有的方案中向客户推荐合适的干预方案。
在申请公布号为CN113160910 A的中国发明申请中,公开了基于知识图谱的糖尿病干预智能推荐方法、***及应用,方法包括:S01、构建糖尿病干预知识图谱;S02、根据糖尿病干预知识图谱,构建调查问卷题库;S03、响应用户请求调查问卷的操作,生成调查问卷;S04、响应用户答复调查问卷的操作,输出已答复问卷;S05、回收已答复问卷,调取糖尿病干预知识图谱,生成潜在异常信息集;S06、获取潜在异常信息集,抽取与潜在异常信息集中的异常状况相关联的调查问题进行生成调查问卷,将生成的调查问卷抛转至用户,直至对应的调查问题均被抛转为止;S07、汇总用户所答复的调查问卷。
在以上申请中,以调查问卷等形式采集客户的信息,并作为智能推荐方案的基础,但是,基于以上的信息推荐的方案可能会和客户的病症不太适应,应用时甚至可能会存在一定的风险性。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于知识图谱的糖尿病干预智能推荐方法及***,通过检索并构建图谱数据集,对图谱数据集中的数据进行处理,搭建知识图谱;判断当前患者是否是糖尿病潜在患者,获取病症难度系数Bnd;在病症难度系数Bnd超出相应阈值时,从知识图谱中选常规性应对策略并向外部输出;在常规性方案不具备可行性时,分别构建病症特征库及干预方案库,依据病症特征从匹配相应的应对策略;判断推荐方案是否具有可行性,如果不,确定为疑似策略并重新匹配;如果可行,作为推荐方案输出,仍不可行则发出预警。能够以具体的病症难度系数Bnd对患者的患病程度进行描述和表征,能够依病症难度系数Bnd选择相应的应对策略,向患者进行推荐方案,解决了背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
基于知识图谱的糖尿病干预智能推荐方法,包括:依据网络表示学习算法建立表示学习模型,以糖尿病及其相关词作为检索词,检索并构建图谱数据集,并以语义网络模型对图谱数据集中的数据进行处理,搭建知识图谱;包括:基于网络表示学习算法建立表示学习模型,从网络上选择数据样本并在经过训练和测试后,将构建成的网络表示学习模型输出;
采集患者的病症特征并构建患者病症特征集,依据患者的面部特征确定当前患者是否是糖尿病潜在患者;如果是,则依据患者病症特征集中的数据,获取病症难度系数Bnd;
在病症难度系数Bnd超出相应阈值时,从患者病症特征集中选择代表性特征;针对代表性特征,从知识图谱中选常规性应对策略,仿真分析后,在常规性应对策略可行时,将其向外部输;
在常规性方案不具备可行性时,获取知识图谱中的数据,分别构建病症特征库及干预方案库;训练并获取可执行配对任务的配对模型,依据患者的病症特征从匹配相应的应对策略,以作为推荐方案输出;
建立病症数字孪生模型,在对推荐方案进行仿真分析后,判断推荐方案是否具有可行性,如果不具备,则确定为疑似策略并排除,并重新从干预方案库匹配应对策略;如果应对策略可行,则作为推荐方案输出,如果仍不可行,则发出预警。
进一步的,依据网络表示学习模型,以糖尿病及其相关词作为检索词,采用深度优先搜索从公开渠道检索并采集数据,汇总形成图谱数据集;基于神经网络学习算法,从图谱数据集中抽取数据作为样本数据,基于样本数据对模型经过训练和测试后,完成基于机器学习的语义网络模型的构建。
进一步的,将患者接入自动问诊***,以问询及采样的形式采集患者的病症特征,采集的特征至少包括:面部图像特征、空腹血糖、每日排尿次数及胰岛素分泌量,汇总并建立患者病症特征集;
获取患者的面部特征,训练出面部特征识别模型并对面部特征进行识别,将识别获取的特征与知识图谱中的特征数据进行对比,依据特征的相似度,判断患者是否是潜在糖尿病患者。
进一步的,如果是潜在糖尿病患者,则判断的空腹血糖、每日排尿次数及胰岛素分泌量是否存在超出相应阈值的参数;在超出相应阈值的参数不少于一个时,获取空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys,无量纲化处理后,获取病症难度系数Bnd;
其中,病症难度系数Bnd的获取方式如下:
进一步的,接收病症难度系数Bnd,在病症难度系数Bnd超出阈值时,以空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys中超出阈值最多的参数作为代表性特征;从而,基于该代表性特征,能够减少推荐方案的难度;
依据代表性特征,从知识图谱中选择常规性方案,基于机器学习模型,结合患者病症特征集中的数据,在进行仿真分析后,判断该常规性方案是否可行,如果可行,则将常规性方案作为推荐方案输出。
进一步的,在常规性方案不具备可行性后,结合知识图谱,通过检索及调查获取糖尿病相关的已知病症特征,并在经过相似度核验后构建病症特征库;
以病症特征库中的病症特征作为目标词,从知识图谱中匹配出相应的一个或者多个相应的应对策略,将所有的应对策略汇总,构建干预方案库;从知识图谱中检索和匹配与糖尿病相关病情特征及所采取的应对策略,汇集形成应对记录集。
进一步的,从应对记录集中抽取部分数据作为训练样本数据,采用神经卷积算法搭建深度学习模型,采用样本数据对深度学习模型进行训练,输出为可执行配对任务的配对模型;获取客户的病症特征,在病症特征库中进行检索,如果存在相同或相似的病症特征,则依据配对模型从干预方案库中选择与病症特征相对应的应对策略,将该应对策略作为推荐方案输出。
进一步的,依据病症特征、应对策略及其作用环境,在训练和测试后建立病症数字孪生模型,以病症数字孪生模型对推荐的应对策略进行仿真分析;判断推荐的应对策略是否可行,如果可行,则将应对策略确定为推荐方案并输出,如果推荐的应对策略不具备可行性,则确定为疑似策略。
进一步的,排除疑似策略后,再次由配对模型从干预方案库中选择与病症特征相对应的应对策略并输出,进行仿真分析后,判断匹配的应对策略是否为疑似策略,如果不是疑似策略,则将应对策略输出,如果连续若干次均为疑似策略,则发出预警。
基于知识图谱的糖尿病干预智能推荐***,其特征在于:知识图谱构建单元,以糖尿病及其相关词作为检索词,检索并构建图谱数据集,并以语义网络模型对图谱数据集中的数据进行处理,搭建知识图谱;
评价单元,采集患者的病症特征并构建患者病症特征集,依据患者的面部特征确定当前患者是否是糖尿病潜在患者;如果是,获取病症难度系数Bnd;
判断单元,在病症难度系数Bnd超出相应阈值时,从患者病症特征集中选择代表性特征,从知识图谱中选常规性应对策略,在常规性应对策略可行时,将其向外部输;
配对单元,在常规性方案不具备可行性时,获取知识图谱中的数据,分别构建病症特征库及干预方案库,依据患者的病症特征从匹配相应的应对策略,以作为推荐方案输出;
分析单元,在对推荐方案进行仿真分析后,判断推荐方案是否具有可行性,如果不具备,则确定为疑似策略并排除,并重新从干预方案库匹配应对策略;如果应对策略可行,则作为推荐方案输出,如果仍不可行,则发出预警。
(三)有益效果
本发明提供了基于知识图谱的糖尿病干预智能推荐方法及***。具备以下有益效果:
判断患者是否是潜在糖尿病患者,如果是潜在的患者,则基于患者病症特征集中的数据获取病症难度系数Bnd,以具体的病症难度系数Bnd对患者的患病程度进行描述和表征,能够依病症难度系数Bnd选择相应的应对策略,向患者进行推荐方案。
依据代表性特征选择相应的常规性方案,如果验证方案可行,则将该方案确定为推荐方案,选择常规性方案作为推荐方案,进行智能推荐时效率更高,且仿真分析后,能够实现错误率低,实用性也相对更好。
通过构建的病症特征库、干预方案库经过训练的配对模型,在确定了患者的病情特征并且在该特征难以用常规性方案进行应对时,从干预方案库中选择方案,从而对常规性方案形成补充,提高推荐方案的有效性,减少无效方案出现的概率。
获取推荐方案后并进行仿真分析,确定推荐方案是否可行,在不可行的条件下,优先选择具有可行的备用策略,在备用策略也不可行的条件下,形成报警信息;进一步的对推荐方案进行验证,确认方案的可行性,提高推荐方案的可用性及安全性,减少智能推荐方案的风险性。
附图说明
图1为本发明糖尿病干预智能推荐方法流程示意图;
图2为本发明糖尿病干预智能推荐***结构示意图;
图3为本发明病症难度系数构成示意图;
图中:
10、知识图谱构建单元;20、评价单元;30、判断单元;40、配对单元;50、分析单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1-3,本发明提供基于知识图谱的糖尿病干预智能推荐方法,
步骤一、依据网络表示学习算法建立表示学习模型,以糖尿病及其相关词作为检索词,检索并构建图谱数据集,并以语义网络模型对图谱数据集中的数据进行处理,搭建知识图谱,以此作为机器学习的输入端;
所述步骤一包括如下内容:
步骤101、基于网络表示学习算法建立表示学习模型,从网络上选择数据样本并在经过训练和测试后,将构建成的网络表示学习模型输出;
依据网络表示学习模型,以糖尿病及其相关词作为检索词,采用深度优先搜索从公开渠道检索并采集数据,汇总形成图谱数据集;
步骤102、基于神经网络学习算法,从图谱数据集中抽取数据作为样本数据,基于样本数据对模型经过训练和测试后,完成基于机器学习的语义网络模型的构建;
通过基于机器学习的语义网络模型从图谱数据集中选择数据,经过处理后,完成知识图谱的构建。
使用时,结合步骤101及102中的内容:
在网络表示学习模型的协助下,获取图谱数据集,在机器学习算法配合下,经过充分训练和测试后,完成知识图谱的构建,以知识图谱做出机器学习等模型的输入端,作为智能化的数据源,能够作为后续应对策略的基础,降低输出推荐方案的难度。
步骤二、采集患者的病症特征并构建患者病症特征集,依据患者的面部特征确定当前患者是否是糖尿病潜在患者;如果是,则依据患者病症特征集中的数据,获取病症难度系数Bnd;
所述步骤二中包括如下内容:
步骤201、将患者接入自动问诊***,以问询及采样的形式采集患者的病症特征,采集的特征至少包括:面部图像特征、空腹血糖、每日排尿次数及胰岛素分泌量,汇总并建立患者病症特征集;
从而以患者病症特征集中的数据对患者的病症进行表征和描述;
步骤202、获取患者的面部特征,训练出面部特征识别模型并对面部特征进行识别,将识别获取的特征与知识图谱中的特征数据进行对比,依据特征的相似度,判断患者是否是潜在糖尿病患者;
如果是潜在糖尿病患者,则判断的空腹血糖、每日排尿次数及胰岛素分泌量是否存在超出相应阈值的参数。
使用时,在机器视觉或者在图像识别的基础上,依据面部特征的相似性,能够对患者是否糖尿病的潜在患者进行判断。
步骤203、在超出相应阈值的参数不少于一个时,获取空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys,无量纲化处理后,获取病症难度系数Bnd;
其中,病症难度系数Bnd的获取方式如下:
使用时,结合步骤201至203中内容:
在面部特征的识别的基础上,判断患者是否是潜在糖尿病患者,如果是潜在的患者,则基于患者病症特征集中的数据获取病症难度系数Bnd,以具体的病症难度系数Bnd对患者的患病程度进行描述和表征,由此,能够依病症难度系数Bnd选择相应的应对策略,向患者进行推荐方案。
步骤三、在病症难度系数Bnd超出相应阈值时,从患者病症特征集中选择代表性特征;针对代表性特征,从知识图谱中选常规性应对策略,仿真分析后,在常规性应对策略可行时,将其向外部输;
所述步骤三包括如下内容:
步骤301、接收病症难度系数Bnd,在病症难度系数Bnd超出阈值时,以空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys中超出阈值最多的参数作为代表性特征;从而,基于该代表性特征,能够减少推荐方案的难度;
步骤302、依据代表性特征,从知识图谱中选择常规性方案,其中,所述的常规性的方案指的是,在面临该类型的病症时,所采用的最为常见的应对方案;
基于机器学习模型,结合患者病症特征集中的数据,在进行仿真分析后,判断该常规性方案是否可行,如果可行,则将常规性方案作为推荐方案输出。
使用时,结合步骤301至步骤302中的内容:
依据代表性特征选择相应的常规性方案,如果验证方案可行,则将该方案确定为推荐方案,此时完成方案智能推荐,选择常规性方案作为推荐方案,进行智能推荐时效率更高,且仿真分析后,能够实现错误率低,实用性也相对更好。
步骤四、在常规性方案不具备可行性时,获取知识图谱中的数据,分别构建病症特征库及干预方案库;训练并获取可执行配对任务的配对模型,依据患者的病症特征从匹配相应的应对策略,以作为推荐方案输出;
所述步骤四包括如下内容:
步骤401、在常规性方案不具备可行性后,结合知识图谱,通过检索及调查获取糖尿病相关的已知病症特征,并在经过相似度核验后构建病症特征库;
以病症特征库中的病症特征作为目标词,从知识图谱中匹配出相应的一个或者多个相应的应对策略,将所有的应对策略汇总,构建干预方案库;
使用时,基于病症特征库及干预方案库中的内容,将现有的应对策略汇总,作为推荐方案的数据源;
步骤402、从知识图谱中检索和匹配与糖尿病相关病情特征及所采取的应对策略,汇集形成应对记录集;
从应对记录集中抽取部分数据作为训练样本数据,采用神经卷积算法搭建深度学习模型,采用样本数据对深度学习模型进行训练,输出为可执行配对任务的配对模型;
使用时,通过形成配对模型作为干预方案库与病症特征库之间的桥梁,必要时,能够先从病症特征库中选择病情特征,然后从干预方案库中选择相对应的应对策略;
步骤403、获取客户的病症特征,在病症特征库中进行检索,如果存在相同或相似的病症特征,则依据配对模型从干预方案库中选择与病症特征相对应的应对策略,将该应对策略作为推荐方案输出;
使用时,结合步骤401至403中的内容:
通过构建的病症特征库、干预方案库经过训练的配对模型,在确定了患者的病情特征并且在该特征难以用常规性方案进行应对时,从干预方案库中选择方案,从而对常规性方案形成补充,提高推荐方案的有效性,减少无效方案出现的概率。
步骤五、建立病症数字孪生模型,在对推荐方案进行仿真分析后,判断推荐方案是否具有可行性,如果不具备,则确定为疑似策略并排除,并重新从干预方案库匹配应对策略;
如果应对策略可行,则作为推荐方案输出,如果不可行,则发出预警;
所述步骤五包括:
步骤501、依据病症特征、应对策略及其作用环境,在训练和测试后建立病症数字孪生模型,以病症数字孪生模型对推荐的应对策略进行仿真分析;
判断推荐的应对策略是否可行,如果可行,则将应对策略确定为推荐方案并输出,如果推荐的应对策略不具备可行性,则确定为疑似策略;
使用时,在病症数字孪生模型的基础上,对推荐方案的可行性进行测试,从而判断应策略是否可行;
步骤502、排除疑似策略后,再次由配对模型从干预方案库中选择与病症特征相对应的应对策略并输出,进行仿真分析后,判断匹配的应对策略是否为疑似策略,
如果不是疑似策略,则将应对策略输出,如果连续若干次(例如连续三次)均为疑似策略,则发出预警。
使用时,结合步骤501至502中的内容;
在建立病症数字孪生模型的基础上,获取推荐方案后并进行仿真分析,确定推荐方案是否可行,在不可行的条件下,优先选择具有可行的备用策略,在备用策略也不可行的条件下,形成报警信息;因此,可以进一步的对推荐方案进行验证,确认方案的可行性,从而进一步的提高推荐方案的可用性及安全性,减少智能推荐方案的风险性。
实施例2
请参阅图1-3,本发明提供基于知识图谱的糖尿病干预智能推荐***,包括:
知识图谱构建单元10,依据网络表示学习算法建立表示学习模型,以糖尿病及其相关词作为检索词,检索并构建图谱数据集,并以语义网络模型对图谱数据集中的数据进行处理,搭建知识图谱;
评价单元20,采集患者的病症特征并构建患者病症特征集,依据患者的面部特征确定当前患者是否是糖尿病潜在患者;如果是,则依据患者病症特征集中的数据,获取病症难度系数Bnd;
判断单元30,在病症难度系数Bnd超出相应阈值时,从患者病症特征集中选择代表性特征;针对代表性特征,从知识图谱中选常规性应对策略,仿真分析后,在常规性应对策略可行时,将其向外部输;
配对单元40,在常规性方案不具备可行性时,获取知识图谱中的数据,分别构建病症特征库及干预方案库;训练并获取可执行配对任务的配对模型,依据患者的病症特征从匹配相应的应对策略,以作为推荐方案输出;
分析单元50,建立病症数字孪生模型,在对推荐方案进行仿真分析后,判断推荐方案是否具有可行性,如果不具备,则确定为疑似策略并排除,并重新从干预方案库匹配应对策略;
如果应对策略可行,则作为推荐方案输出,如果不可行,则发出预警。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (9)
1.基于知识图谱的糖尿病干预智能推荐方法,其特征在于:包括,
依据网络表示学习算法建立表示学习模型,以糖尿病及其相关词作为检索词,检索并构建图谱数据集,并以语义网络模型对图谱数据集中的数据进行处理,搭建知识图谱;包括:基于网络表示学习算法建立表示学习模型,从网络上选择数据样本并在经过训练和测试后,将构建成的网络表示学习模型输出;
采集患者的病症特征并构建患者病症特征集,依据患者的面部特征确定当前患者是否是糖尿病潜在患者;如果是,则依据患者病症特征集中的数据,获取病症难度系数Bnd;
如果是潜在糖尿病患者,则判断的空腹血糖、每日排尿次数及胰岛素分泌量是否存在超出相应阈值的参数;
在超出相应阈值的参数不少于一个时,获取空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys,无量纲化处理后,获取病症难度系数Bnd;
其中,病症难度系数Bnd的获取方式如下:
在病症难度系数Bnd超出相应阈值时,从患者病症特征集中选择代表性特征;针对代表性特征,从知识图谱中选常规性应对策略,仿真分析后,在常规性应对策略可行时,将其向外部输;
在常规性方案不具备可行性时,获取知识图谱中的数据,分别构建病症特征库及干预方案库;训练并获取可执行配对任务的配对模型,依据患者的病症特征从匹配相应的应对策略,以作为推荐方案输出;
建立病症数字孪生模型,在对推荐方案进行仿真分析后,判断推荐方案是否具有可行性,如果不具备,则确定为疑似策略并排除,并重新从干预方案库匹配应对策略;
如果应对策略可行,则作为推荐方案输出,如果仍不可行,则发出预警。
2.根据权利要求1所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
依据网络表示学习模型,以糖尿病及其相关词作为检索词,采用深度优先搜索从公开渠道检索并采集数据,汇总形成图谱数据集;
基于神经网络学习算法,从图谱数据集中抽取数据作为样本数据,基于样本数据对模型经过训练和测试后,完成基于机器学习的语义网络模型的构建。
3.根据权利要求1所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
将患者接入自动问诊***,以问询及采样的形式采集患者的病症特征,采集的特征至少包括:面部图像特征、空腹血糖、每日排尿次数及胰岛素分泌量,汇总并建立患者病症特征集;
获取患者的面部特征,训练出面部特征识别模型并对面部特征进行识别,将识别获取的特征与知识图谱中的特征数据进行对比,依据特征的相似度,判断患者是否是潜在糖尿病患者。
4.根据权利要求3所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
接收病症难度系数Bnd,在病症难度系数Bnd超出阈值时,以空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys中超出阈值最多的参数作为代表性特征;从而,基于该代表性特征,能够减少推荐方案的难度;
依据代表性特征,从知识图谱中选择常规性方案,基于机器学习模型,结合患者病症特征集中的数据,在进行仿真分析后,判断该常规性方案是否可行,如果可行,则将常规性方案作为推荐方案输出。
5.根据权利要求4所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
在常规性方案不具备可行性后,结合知识图谱,通过检索及调查获取糖尿病相关的已知病症特征,并在经过相似度核验后构建病症特征库;
以病症特征库中的病症特征作为目标词,从知识图谱中匹配出相应的一个或者多个相应的应对策略,将所有的应对策略汇总,构建干预方案库;从知识图谱中检索和匹配与糖尿病相关病情特征及所采取的应对策略,汇集形成应对记录集。
6.根据权利要求5所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
从应对记录集中抽取部分数据作为训练样本数据,采用神经卷积算法搭建深度学习模型,采用样本数据对深度学习模型进行训练,输出为可执行配对任务的配对模型;
获取客户的病症特征,在病症特征库中进行检索,如果存在相同或相似的病症特征,则依据配对模型从干预方案库中选择与病症特征相对应的应对策略,将该应对策略作为推荐方案输出。
7.根据权利要求1所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
依据病症特征、应对策略及其作用环境,在训练和测试后建立病症数字孪生模型,以病症数字孪生模型对推荐的应对策略进行仿真分析;判断推荐的应对策略是否可行,如果可行,则将应对策略确定为推荐方案并输出,如果推荐的应对策略不具备可行性,则确定为疑似策略。
8.根据权利要求7所述的基于知识图谱的糖尿病干预智能推荐方法,其特征在于:
排除疑似策略后,再次由配对模型从干预方案库中选择与病症特征相对应的应对策略并输出,进行仿真分析后,判断匹配的应对策略是否为疑似策略,
如果不是疑似策略,则将应对策略输出,如果连续若干次均为疑似策略,则发出预警。
9.基于知识图谱的糖尿病干预智能推荐***,其特征在于:知识图谱构建单元(10),以糖尿病及其相关词作为检索词,检索并构建图谱数据集,并以语义网络模型对图谱数据集中的数据进行处理,搭建知识图谱;
评价单元(20),采集患者的病症特征并构建患者病症特征集,依据患者的面部特征确定当前患者是否是糖尿病潜在患者;如果是,获取病症难度系数Bnd;
如果是潜在糖尿病患者,则判断的空腹血糖、每日排尿次数及胰岛素分泌量是否存在超出相应阈值的参数;
在超出相应阈值的参数不少于一个时,获取空腹血糖Xt、每日排尿次数Pn及胰岛素分泌量Ys,无量纲化处理后,获取病症难度系数Bnd;
其中,病症难度系数Bnd的获取方式如下:
判断单元(30),在病症难度系数Bnd超出相应阈值时,从患者病症特征集中选择代表性特征,从知识图谱中选常规性应对策略,在常规性应对策略可行时,将其向外部输;
配对单元(40),在常规性方案不具备可行性时,获取知识图谱中的数据,分别构建病症特征库及干预方案库,依据患者的病症特征从匹配相应的应对策略,以作为推荐方案输出;
分析单元(50),在对推荐方案进行仿真分析后,判断推荐方案是否具有可行性,如果不具备,则确定为疑似策略并排除,并重新从干预方案库匹配应对策略;
如果应对策略可行,则作为推荐方案输出,如果仍不可行,则发出预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293199.0A CN116013511B (zh) | 2023-03-24 | 2023-03-24 | 基于知识图谱的糖尿病干预智能推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293199.0A CN116013511B (zh) | 2023-03-24 | 2023-03-24 | 基于知识图谱的糖尿病干预智能推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116013511A CN116013511A (zh) | 2023-04-25 |
CN116013511B true CN116013511B (zh) | 2023-06-20 |
Family
ID=86032170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310293199.0A Active CN116013511B (zh) | 2023-03-24 | 2023-03-24 | 基于知识图谱的糖尿病干预智能推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116013511B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117133464B (zh) * | 2023-10-26 | 2024-03-12 | 中国人民解放军总医院第二医学中心 | 一种老年人健康智能监测***及监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108735292A (zh) * | 2018-04-28 | 2018-11-02 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和*** |
CN109686452A (zh) * | 2018-12-14 | 2019-04-26 | 暨南大学 | 一种用于糖尿病药物干预策略制定的智能***及方法 |
CN112700838A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于大数据的用药方案推荐方法、装置及相关设备 |
CN114005509A (zh) * | 2021-10-30 | 2022-02-01 | 平安国际智慧城市科技股份有限公司 | 一种治疗方案推荐***、方法、装置和存储介质 |
CN115148350A (zh) * | 2022-06-21 | 2022-10-04 | 浙江中医药大学 | 一种面向中西医结合的痛风智能辅助诊疗*** |
-
2023
- 2023-03-24 CN CN202310293199.0A patent/CN116013511B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108735292A (zh) * | 2018-04-28 | 2018-11-02 | 四川大学 | 基于人工智能的可摘局部义齿方案决策方法和*** |
CN109686452A (zh) * | 2018-12-14 | 2019-04-26 | 暨南大学 | 一种用于糖尿病药物干预策略制定的智能***及方法 |
CN112700838A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于大数据的用药方案推荐方法、装置及相关设备 |
CN114005509A (zh) * | 2021-10-30 | 2022-02-01 | 平安国际智慧城市科技股份有限公司 | 一种治疗方案推荐***、方法、装置和存储介质 |
CN115148350A (zh) * | 2022-06-21 | 2022-10-04 | 浙江中医药大学 | 一种面向中西医结合的痛风智能辅助诊疗*** |
Also Published As
Publication number | Publication date |
---|---|
CN116013511A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631175B2 (en) | AI-based heat map generating system and methods for use therewith | |
US11200969B2 (en) | Peer-review flagging system | |
US7362884B2 (en) | Multimodal biometric analysis | |
CN210167123U (zh) | 眼底图像病变的筛查*** | |
CN116013511B (zh) | 基于知识图谱的糖尿病干预智能推荐方法及*** | |
US20200373003A1 (en) | Automatic medical scan triaging system and methods for use therewith | |
US20200395119A1 (en) | Medical scan labeling quality assurance system | |
CN111370124A (zh) | 一种基于面手部识别和大数据的健康分析***及方法 | |
CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
Zhang et al. | MRMR optimized classification for automatic glaucoma diagnosis | |
US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
CN112908443A (zh) | 医疗诊断结果的校验方法及装置、电子设备、存储介质 | |
CN103443772A (zh) | 基于多模态信息的人口统计分析的***和方法 | |
CN113870983A (zh) | 社康转诊方法、装置、计算机设备和存储介质 | |
CN112244827A (zh) | 用于心理测试的远程评分方法、***、终端与存储介质 | |
CN116434979A (zh) | 生理状态云监测方法、监测***及储存介质 | |
CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
CN115458138A (zh) | 一种dip预分组推荐方法、装置、设备和存储介质 | |
Singhal et al. | Electrocardiogram Feature Based Heart Arrhythmia Detection Using Machine Learning and Apache Spark | |
KR102551723B1 (ko) | Vfss 영상을 이용한 환자의 침습 또는 흡인 유무 판별 장치 및 그 방법 | |
CN116189668B (zh) | 语音分类、认知障碍检测方法、装置、设备及介质 | |
CN117951190B (zh) | 一种基于人工智能的人体指标异常数据处理方法及*** | |
CN116665922A (zh) | 一种医患通信方法及*** | |
CN118229598A (zh) | 基于多模态深度学习的心衰核磁图像识别方法 | |
Rahman | An Analytics of Sleep Apnea Classification using Caswideresnet Algorithm |
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 |