CN109378056B - 药物分配方法、装置、计算机设备和存储介质 - Google Patents
药物分配方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109378056B CN109378056B CN201811051173.0A CN201811051173A CN109378056B CN 109378056 B CN109378056 B CN 109378056B CN 201811051173 A CN201811051173 A CN 201811051173A CN 109378056 B CN109378056 B CN 109378056B
- Authority
- CN
- China
- Prior art keywords
- probability
- disease
- illness
- city
- 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.)
- Active
Links
Images
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本申请涉及人工智能技术领域,提供了一种药物分配方法、装置、计算机设备和存储介质。所述方法包括:获取指定城市在指定时间段内的医疗数据和人口数据;根据所述医疗数据,确定所述指定城市在所述指定时间段内对应的销售药物类型和所述销售药物类型对应的销售总数量;根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;将所述人口数据和所述医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数。采用本方法能够提高药物分配效率。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种药物分配方法、装置、计算机设备和存储介质。
背景技术
随着生活水平的不断提升,人们对自身健康越来越重视,生病时对于药物的依赖性也越来越强。目前,对于各个城市的药物分配是根据药物存储量来确定的,当药物存储量不够时,根据药物调取请求分发指定数量的药物,以保证药物的正常供给。
然而,该种药物分配方式下,对药物的分流与调度没有统筹性的规划,可能会导致药物生产与供给的不足或过剩,从而存在药物分配效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高药物分配效率的药物分配方法、装置、计算机设备和存储介质。
一种药物分配方法,所述方法包括:
获取指定城市在指定时间段内的医疗数据和人口数据;
根据所述医疗数据,确定所述指定城市在所述指定时间段内对应的销售药物类型和所述销售药物类型对应的销售总数量;
根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;
将所述人口数据和所述医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;
根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数。
在其中一个实施例中,所述医疗数据包括药物标识和销售数量;所述根据所述医疗数据,确定所述指定城市在所述指定时间段内对应的销售药物类型和所述销售药物类型对应的销售总数量,包括:
根据所述药物标识对应的药物功效参数,确定所述指定城市在所述指定时间段内对应的销售药物类型;
对于所述指定城市对应的所述销售药物类型,根据所述药物标识和所述销售数量确定相应的销售总数量。
在其中一个实施例中,所述指定时间段为指定季度;所述预测患病概率为所述指定城市在下一年的所述指定季度对应的患病概率;
所述根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数,包括:
根据所述预测患病概率,确定所述指定城市在所述下一年的所述指定季度对应的药物分配策略参数。
在其中一个实施例中,所述将所述人口数据和所述医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率,包括:
将所述人口数据和所述医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;
对各所述预测患病概率进行加权求值,确定最终的预测患病概率。
在其中一个实施例中,所述对各所述预测患病概率进行加权求值,确定最终的预测患病概率,包括:
按照预设筛选条件从各所述预测患病概率中筛选目标预测患病概率;
对所述目标预测患病概率进行加权求值,确定最终的预测患病概率。
在其中一个实施例中,所述预测患病概率包括多个疾病标识各自对应的患病概率;所述方法还包括:
将各所述疾病标识所对应的患病概率分别与预设概率阈值进行比较;
根据比较结果,从各所述疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;
根据所述目标疾病标识确定与所述指定城市对应的疾病预防策略参数。
在其中一个实施例中,所述患病概率预测模型的训练步骤,包括:
获取目标城市在第一预设时间段内的人口数据和医疗数据;
根据所述医疗数据确定所述目标城市对应的医疗特征数据;
根据所述目标城市在第二预设时间段内的患病数据,确定所述目标城市对应的患病概率;
将所述人口数据和所述医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集;
根据所述训练样本集进行模型训练,获得相应的患病概率预测模型。
一种药物分配装置,所述装置包括:
获取模块,用于获取指定城市在指定时间段内的医疗数据和人口数据;
确定模块,用于根据所述医疗数据,确定所述指定城市在所述指定时间段内对应的销售药物类型和所述销售药物类型对应的销售总数量;
医疗特征获取模块,用于根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;
预测模块,用于将所述人口数据和所述医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;
分配模块,用于根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取指定城市在指定时间段内的医疗数据和人口数据;
根据所述医疗数据,确定所述指定城市在所述指定时间段内对应的销售药物类型和所述销售药物类型对应的销售总数量;
根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;
将所述人口数据和所述医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;
根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取指定城市在指定时间段内的医疗数据和人口数据;
根据所述医疗数据,确定所述指定城市在所述指定时间段内对应的销售药物类型和所述销售药物类型对应的销售总数量;
根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;
将所述人口数据和所述医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;
根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数。
上述药物分配方法、装置、计算机设备和存储介质,获取指定城市在指定时间段内的医疗数据和人口数据,根据所获取的医疗数据自动确定该指定城市在指定时间段内的销售药物类型和相应的销售总数量,进而自动确定相应的医疗特征数据,并将人口数据和医疗特征数据确定为输入特征,提高了输入特征的获取效率。进一步地,通过预先训练的患病概率预测模型根据所获取的输入特征自动预测该指定城市对应的患病概率,提高了患病概率的预测效率。根据所获得的预测患病概率确定相应的药物分配策略参数,提高了药物分配策略参数的确定效率,从而提高了药物分配效率。
附图说明
图1为一个实施例中药物分配方法的应用场景图;
图2为一个实施例中药物分配方法的流程示意图;
图3为一个实施例中患病概率预测模型的训练步骤的流程示意图;
图4为另一个实施例中药物分配方法的流程示意图;
图5为一个实施例中药物分配装置的结构框图;
图6为另一个实施例中药物分配装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的药物分配方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104根据所获取的医疗数据确定该指定城市在指定时间段内对应的医疗特征数据,通过已训练的患病概率预测模型,根据所获取的人口数据和医疗特征数据预测获得相应的预测患病概率,根据该预测患病概率确定该指定城市对应的药物分配策略参数,并将所确定的药物分配策略参数发送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种药物分配方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,获取指定城市在指定时间段内的医疗数据和人口数据。
其中,指定时间段是由预先指定的初始时间和结束时间对应确定的时间区间,比如2017年1月1日至2017年12月31日。指定时间段对应的时间长度由指定的起始时间和结束时间对应确定。指定时间段对应的时间长度具体可以是一年、一个季度或者一个月。人口数据是用于描述人口情况的数据。人口数据可以是指定城市在指定时间段内的人口总数。
医疗数据是在医疗服务过程中对应生成的数据。医疗数据可用于记录看病就医过程中所产生的医药数据。医疗数据包括指定城市对应的各个医院、社康、门诊和药房等所对应的医药数据,比如医院药方数据、医院药物销售数据、药房药物销售数据和社康药方数据等。
具体地,服务器接收到药物分配指令时,根据所接收到的药物分配指令从本地或其他计算机设备,获取指定城市在指定时间段内的医疗数据和人口数据。其他计算机设备比如发送药物分配指令的终端,或者用于存储医疗数据和人口数据的服务器。其中,药物分配指令用于指示服务器根据指定城市在指定时间段内的医疗数据和人口数据,确定相应的药物分配策略参数。
在一个实施例中,服务器接收到终端发送的药物分配指令时,根据所接收到的药物分配指令从终端获取相应的指定城市和指定时间段。在一个实施例中,药物分配指令携带有指定城市和指定时间段。服务器通过解析所接收到的药物分配指令获得相应的指定城市和指定时间段。
S204,根据医疗数据,确定指定城市在指定时间段内对应的销售药物类型和销售药物类型对应的销售总数量。
其中,销售药物类型是指已销售的药物类型,即已销售药物所属的药物类型。销售药物类型与药物功效参数相对应。换而言之,销售药物类型与疾病类型相对应。从属于相同销售药物类型的药物具有相同或相近的药物功效。销售药物类型比如治疗流感药物、缓解高血压药物和治疗糖尿病药物等。销售总数量是指与销售药物类型对应的已销售药物的总数量。
具体地,服务器对所获取到的医疗数据进行聚类分析,确定相应指定城市在指定时间段内对应的销售药物类型,以及各销售药物类型所对应的销售总数量。聚类分析是指将具有相同或相似特征的医疗数据划分为一个类,从而将所获取的医疗数据划分为多个类。
在一个实施例中,服务器对所获取的医疗数据进行预处理,根据预处理后的医疗数据确定相应的销售药物类型和各销售药物类型所对应的销售总数量。其中,医疗数据包括药物标识和各个药物标识对应的药物功效参数。预处理可以是从所获取的医疗数据中筛选目标医疗数据,比如当所获取的医疗数据中,对应于相同或相似药物功效参数的药物标识总量达到预设数量阈值时,从该多个药物标识中选择指定数量的目标药物标识,根据目标药物标识确定相应的目标医疗数据。指定数量可以自定义,比如指定数量等于预设数量阈值。
在一个实施例中,医疗数据包括各个药物标识对应的销售数量。服务器从多个药物标识中选择指定数量的目标药物标识时,可以是按照该多个药物标识各自对应的销售数量,对该多个药物标识进行排序,获得相应的药物标识序列。服务器从药物标识序列中按照排序选择指定数量的目标药物标识。
S206,根据销售药物类型和相应的销售总数量确定相应的医疗特征数据。
其中,医疗特征数据是由医疗服务过程中所生成的医药数据构成的特征数据。医疗特征数据用于表征医疗数据所对应的统计特征。医疗特征数据用于表示指定城市在指定时间段内所产生的医药数据的总体分布情况。医疗特征数据包括销售药物类型和相应的销售总数量。
具体地,服务器根据医疗数据对应确定销售药物类型和相应的销售总数量时,将所确定的销售药物类型和各销售药物类型对应的销售总数量,确定为指定城市在指定时间段内的医疗特征数据。
S208,将人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率。
其中,患病概率预测模型是根据预先获取的训练样本集进行模型训练所获得的预测模型。训练样本集包括人口数据、医疗特征数据和相应的预测患病概率。患病概率预测模型能够用于根据已知的人口数据和医疗特征数据,预测获得未知的预测患病概率。
预测患病概率是通过患病概率预测模型预测输出的患病概率。患病概率用于表示患病的可能性大小。预测患病概率用于表示患指定疾病的概率。在本实施例中,预测患病概率可用于表征指定城市内的每个人患指定疾病的概率。预测患病概率也可用于表征指定城市内可能患指定疾病的人数占该指定城市的人口总数的比率,从而确定该指定城市可能患指定疾病的人数。预测患病概率可由至少一种疾病所对应的患病概率构成,比如患流感概率为a%、肿瘤发生率为b%、高血压发生率为c%和糖尿病发生率为d%。预测患病概率可包含指定的一种或多种疾病所对应的患病概率,也可包含患病概率达到患病概率阈值的一种或多种疾病所对应的患病概率。
具体地,服务器根据指定城市在指定时间段内的医疗数据确定相应的医疗特征数据后,将所获取的人口数据和所确定的医疗特征数据作为输入特征,输入到已训练的患病概率预测模型中,通过该患病概率预测模型进行预测,获得该指定城市对应的预测患病概率。
在一个实施例中,指定时间段是以当前时间为结束时间的时间段。服务器将所获取的人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得指定城市在第一指定时间段内的预测患病概率。其中,第一指定时间段是以当前时间为起始时间的时间段,第一指定时间段对应的时间长度与指定时间段对应的时间长度相等。
举例说明,当前时间为2017年12月31日,指定时间段为2017年1月1日至当前时间(即2017年),第一指定时间段为当前时间至2018年12月31日(即2018年)。服务器根据指定城市在2017年对应的人口数据和医疗特征数据,预测获得该指定城市在2018年对应的预测患病概率。
在一个实施例中,指定时间段对应的时间长度可与第一指定时间段对应的时间长度不同。比如指定时间段对应的时间长度可以是5年,第一指定时间段对应的时间长度为1年。
在一个实施例中,服务器将预测获得的、与指定城市对应的预测患病概率和销售药物类型生成报表,并以报表的形式进行展示。服务器还可以省份为单位,对相同省份的每个城市所对应的预测患病概率和销售药物类型生成统一报表,统计每个省份的患病概率,从而确定每个省份的药物分配策略参数。服务器还可以将各个城市所对应的销售药物类型和预测患病概率生成统一的报表,并进行对比分析。
S210,根据预测患病概率确定与指定城市对应的药物分配策略参数。
其中,药物分配策略参数是药物分配策略的量化参数。药物分配策略参数是实现药物分配的依据。药物分配策略参数可用于指示如何进行药物分配,也可用于指示如何确定分配给指定城市的药物数据。药物分配策略参数比如根据预测患病概率和人口数据确定分配给指定城市的药物数据,或者根据预测患病概率、药物用量说明参数和人口数据确定相应的药物数据。
具体地,服务器根据预测患病概率和药物分配策略参数之间的对应关系,确定与预测获得的预测患病概率相对应的药物分配策略参数,将所确定的药物分配策略参数确定为指定城市对应的药物分配策略参数。
在一个实施例中,服务器根据预测获得的、指定城市在第一指定时间段内对应的预测患病概率,确定该指定城市在第一指定时间段内的药物分配策略参数。服务器根据指定时间段内已知的医疗数据和人口数据,预测第一指定时间段内未知的预测患病概率,进而确定相应的药物分配策略参数,实现了药物分配的统筹规划,能够有效保证药物分配的合理性,提高药物分配效率。
在一个实施例中,服务器根据预测获得的预测患病概率和相应指定城市对应的人口数据,确定该指定城市对应的药物分配策略参数。换而言之,服务器根据指定城市对应的预测患病概率和人口数据,确定分配给该指定城市的药物数据。药物数据包括药物标识和各个药物标识对应的药物数量。
在一个实施例中,医疗数据包括各个药物标识对应的药物用量说明参数。服务器根据指定城市对应的人口总数、药物用量说明参数和预测患病概率确定分配给指定城市的药物数据。其中,指定药物标识对应的药物数量=预测患病概率*人口总数*药物用量说明参数。
在一个实施例中,人口数据包括人口年龄统计数据。人口年龄统计数据用于表示人口的年龄分布情况,比如0-5岁的2千人、6-17岁的3千人、18-59岁的5千人、60岁及以上的1千人。服务器根据指定城市对应的人口年龄统计数据、药物用量说明参数和预测患病概率确定相应的药物数据。具体地,服务器根据人口年龄统计数据和预测患病概率确定各个年龄阶段的患病人数,再根据各个年龄阶段的患病人数和药物用量说明参数,确定相应的药物数据。
在一个实施例中,服务器根据预测患病概率确定分配给指定城市的药物数据时,所依据的人口数据可以是该指定城市在指定时间段内对应的人口数据,也可以是根据该指定时间段内对应的人口数据按照预设映射关系所确定的人口数据,还可以是预测获得的、在第一指定时间段内对应的人口数据。
上述药物分配方法,获取指定城市在指定时间段内的医疗数据和人口数据,根据所获取的医疗数据自动确定该指定城市在指定时间段内的销售药物类型和相应的销售总数量,进而自动确定相应的医疗特征数据,并将人口数据和医疗特征数据确定为输入特征,提高了输入特征的获取效率。通过预先训练的患病概率预测模型根据所获取的输入特征自动预测该指定城市对应的患病概率,提高了患病概率的预测效率。根据所获得的预测患病概率确定相应的药物分配策略参数,提高了药物分配策略参数的确定效率,从而提高了药物分配效率。
在一个实施例中,医疗数据包括药物标识和销售数量;步骤S204包括:根据药物标识对应的药物功效参数,确定指定城市在指定时间段内对应的销售药物类型;对于指定城市对应的销售药物类型,根据药物标识和销售数量确定相应的销售总数量。
其中,药物是指用于治疗疾病的药品。药物标识用于唯一标识药物。药物功效参数是药物功效的量化参数。药物功效参数用于表征药物在治疗疾病时所发挥的功效。销售总数量是指与销售药物类型对应的、已销售药物的总数量。
具体地,服务器根据药物标识查询相应的药物功效参数,根据药物功效参数确定各药物标识对应的销药物类型,统计各药物标识所对应的销售药物类型确定相应指定城市在指定时间段内对应的销售药物类型。服务器确定指定城市在指定时间段内的销售药物类型时,根据该指定城市在该指定时间段内对应的各销售药物类型所对应的药物标识,以及各药物标识所对应的销售数量,确定相应的销售总数量。
在一个实施例中,服务器所获取的医疗数据中包括各药物标识对应的药物功效参数。服务器根据药物功效参数确定相应药物标识所对应的销售药物类型,根据各药物标识对应的销售药物类型和销售数量确定相应的销售总数量。
上述实施例中,根据药物标识对应的药物功效参数和销售数量,确定指定城市在指定时间段内的销售药物类型和相应的销售总数量,提高了医疗数据处理效率,从而提高了患病概率预测效率,进而提高了药物分配效率。
在一个实施例中,指定时间段为指定季度;预测患病概率为指定城市在下一年的指定季度对应的患病概率;步骤S210包括:根据预测患病概率,确定指定城市在下一年的指定季度对应的药物分配策略参数。
其中,指定季度是指预先指定的季度,比如第一季度(1月1日至3月31日)。在本实施例中,指定季度可以是当年的指定季度,也可以是当前以及当前之前的多个指定年份各自对应的指定季度。
具体地,服务器获取指定城市在指定季度的医疗数据和人口数据,根据所获取的医疗数据和人口数据确定预测获得该指定城市在下一年对应的指定季度所对应的预测患病概率。服务器根据预测获得的预测患病概率,确定该指定城市在下一年对应的指定季度所对应的药物分配策略参数。
在一个实施例中,服务器可以获取指定城市在当年以及当前之前的多个指定年份各自对应的医疗数据和人口数据。在一个实施例中,服务器可以根据预测获得的预测患病概率,确定该指定城市在下一年以及下一年之后的多个指定年份所对应的药物分配策略参数。
举例说明,服务器获取指定城市在2017年第一季度(即2017年1月1日至2017年3月31日)所对应的医疗数据和人口数据,通过患病概率预测模型预测获得该指定城市在2018年第一季度(即2018年1月1日至2018年3月31日)对应的预测患病概率,进而确定该指定城市在2018年第一季度对应的药物分配策略参数,即确定在2018年第一季度分配给该指定城市的药物数据。
上述实施例中,根据季度性的医疗数据和人口数据,预测季度性的患病概率,并确定季度性的药物分配策略参数,能够实现按照季度实现药物分配,在保证药物充分供给的情况下又不会造成药物的囤积,提高了药物分配效率。
在一个实施例中,步骤S208包括:将人口数据和医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;对各预测患病概率进行加权求值,确定最终的预测患病概率。
具体地,服务器预先通过模型训练获得多个患病概率预测模型。对于已训练的每个患病概率预测模型,服务器获取指定城市在指定时间段内的医疗数据和人口数据后,将所获取的医疗数据和人口数据作为输入特征,输入该患病概率预测模型进行预测,获得相应的预测患病概率。服务器通过多个已训练的患病概率预测模型预测获得各自对应的预测患病概率后,对所获得的多个预测患病概率进行加权求值,根据加权求值结果确定最终的预测患病概率。
举例说明,假设有三个已训练的患病概率预测模型a、b和c,该三个患病概率预测模型预测获得的预测患病概率中,患流感概率分别为30%、33%和36%,基于加权等式p=30%*1/3+33%*1/3+36%*1/3进行加权求值,获得最终的患病预测概率为33%。其中,加权等式中各个患病概率预测模型对应的权重可以自定义。
上述实施例中,通过多个已训练的患病概率预测模型进行预测,对应获得多个预测患病概率,进而根据该多个预测患病概率确定最终的预测患病概率,能够有效避免因单个患病概率预测模型训练不充分导致预测准确性低的问题,提高了预测准确性,从而提高了药物分配的准确性。
在一个实施例中,对各预测患病概率进行加权求值,确定最终的预测患病概率,包括:按照预设筛选条件从各预测患病概率中筛选目标预测患病概率;对目标预测患病概率进行加权求值,确定最终的预测患病概率。
其中,目标预测患病概率是从预测获得的多个预测患病概率中筛选的、用于确定最终预测患病概率的预测患病概率。预设筛选条件是从多个预测患病概率中筛选目标预测患病概率的依据。预设筛选条件比如将多个预测患病概率中除去概率最大值和最小值的预测患病概率确定为目标预测患病概率。
在一个实施例中,预测患病概率包括多种疾病所对应的患病概率。服务器预测获得多个预测患病概率后,根据该多个预测患病概率分别确定每种疾病所对应的多个患病概率。对于每种疾病所对应的多个患病概率,服务器去除该多个患病概率中的最大值和最小值,筛选出其他处于中间值的患病概率。服务器对筛选出的患病概率进行加权求值,确定相应疾病所对应的最终的患病概率。按照该种方式确定每种疾病所对应的最终的患病概率后,服务器根据每种疾病所对应的最终的患病概率确定最终的预测患病概率。
在一个实施例中,对于每种疾病所对应的多个患病概率,服务器计算该多个患病概率的中位值或均值,分别计算该多个患病概率与计算所得的中位置或均值之间的数值差。服务器筛选出数值差小于预设数值阈值的患病概率,并对筛选出的患病概率进行加权求值,确定该疾病对应的最终的患病概率。
在一个实施例中,对于每种疾病,服务器可以将该疾病对应的多个患病概率中的最大值、中位值或均值确定为该疾病所对应的最终的患病概率。
举例说明,假设通过5个患病概率预测模型对应获得的患流感概率分别为10%、40%、42%、52%和60%,则基于去除最大值和最小值的方式筛选出的患流感概率为40%、42%和52%,基于中位值42%和均值40%筛选患流感概率时,可以将距离中位值或均值的预设距离为10%,则基于中值筛选出的患流感概率为40%、42%和52%,基于均值筛选出的患流感概率为40%和42%。
上述实施例中,从多个预测患病概率中筛选目标预测患病概率,再根据筛选出的目标预测患病概率确定最终的预测患病概率,提高了预测准确性。
在一个实施例中,预测患病概率包括多个疾病标识各自对应的患病概率;上述药物分配方法还包括:将各疾病标识所对应的患病概率分别与预设概率阈值进行比较;根据比较结果,从各疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;根据目标疾病标识确定与指定城市对应的疾病预防策略参数。
其中,预设概率阈值是根据实际情况自定义的概率值,比如60%。疾病预防策略参数是疾病预防策略的量化参数,用于指示如何预防疾病。
具体地,服务器根据预测获得的预测患病概率,确定相应指定城市对应的每个疾病标识所对应的患病概率。对于每个疾病标识,服务器将相应的患病概率与预设概率阈值进行比较,获得相应的比较结果。当比较结果为患病概率达到预设概率阈值时,服务器将相应疾病标识确定为目标疾病标识。服务器对预测患病概率对应的各疾病标识均执行上述步骤,以从该多个疾病标识中筛选目标疾病标识。服务器根据疾病标识与疾病预防策略参数之间的对应关系,确定筛选出的目标疾病标识所对应的疾病预防策略参数,进而根据各目标疾病标识所对应的疾病预防策略参数,确定指定城市对应的疾病预防策略参数。
上述实施例中,根据预测患病概率确定指定城市对应的患病概率较高的疾病标识,并针对患病概率较高的疾病标识确定相应的疾病预防策略参数。
如图3所示,在一个实施例中,患病概率预测模型的训练步骤,包括:
S302,获取目标城市在第一预设时间段内的人口数据和医疗数据。
S304,根据医疗数据确定目标城市对应的医疗特征数据。
S306,根据目标城市在第二预设时间段内的患病数据,确定目标城市对应的患病概率。
S308,将人口数据和医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集。
S310,根据训练样本集进行模型训练,获得相应的患病概率预测模型。
其中,目标城市是获取训练样本集的目标对象。在本实施例中,目标城市有多个。第一预设时间段是由指定的起始时间和结束时间对应确定的时间段。第一预设时间段可以是指定的一个或多个年份,比如2017年,或者2012年至2017年;也可以是指定的一个或多个年份的指定季度,比如2017年的第一季度,或者2012年至2017年各个年份的第一季度。类似于第一预设时间段,第二预设时间段可以是指定的一个或多个年份,也可以是指定的一个或多个年份的指定季度。
患病数据用于描述指定城市对应的人口患病情况。患病数据包括疾病标识和各个疾病标识对应的患病人数。可以理解的是,根据患病数据即可确定指定城市在第二预设时间段内患指定疾病的患病人数。
具体地,服务器分别获取各个目标城市在第一预设时间段内的人口数据和医疗数据,根据所获取的医疗数据确定相应目标城市在第一预设时间段内所对应的医疗特征数据。服务器分别获取各个目标城市在第二预设时间段内的患病数据,根据所获取的患病数据确定相应目标城市在第二预设时间段内所对应的患病概率。进一步地,服务器将各个目标城市在第一预设时间段内的人口数据和医疗特征数据作为输入特征,将对应获得的第二预设时间段内的患病概率作为期望的输出特征,获得训练样本集。服务器根据所获得的训练样本集进行模型训练,获得已训练的患病概率预测模型。
在一个实施例中,服务器根据训练样本集,按照指定的机器学习算法进行模型训练,获得患病概率预测模型。其中,机器学习算法包括决策树、随机森林、神经网络和逻辑回归算法等中的至少一种。
以随机森林为例,假设有N个训练样本,从该N个训练样本中有放回的随机选择N个样本,利用随机选择的N个样本训练一个决策树,作为决策树根节点处的样本。若每个样本有M个属性,当决策树的每个节点需要分裂时,随机从该M个属性中选择m个属性,然后采用信息增益策略从该m个属性中选择一个属性作为该节点的分裂属性,其中m远远小于M。决策树构建过程中的每个节点均按照上述方式确定分裂属性,若某个节点分裂时选择的节点为其父节点分裂时选择的属性,则该节点为叶子节点,无法再继续分裂。重复执行上述步骤,建立大量决策树,从而构建随机森林。
在一个实施例中,服务器根据目标城市在第一预设时间段内的医疗数据,确定该目标城市在该第一预设时间段内的销售药物类型和相应的销售总数量,进而确定相应的医疗特征数据。
在一个实施例中,服务器根据目标城市在第二预设时间段内的患病数据和人口总数,确定相应的患病概率。具体地,服务器根据患病数据确定目标城市对应的疾病标识和相应的患病人数,根据患病人数和人口总数确定各个疾病标识对应的患病概率,从而确定目标城市对应的患病概率。举例说明,患流感概率=患流感人数/人口总数。目标城市对应的患病概率为各个疾病标识各自对应的患病概率的组合。
在一个实施例中,第一预设时间段内的人口数据包括该第一预设时间内的人口总数。服务器根据第二预设时间段内的患病数据和第一时间段内的人口总数,确定相应目标城市在第二预设时间段内的患病概率。
上述实施例中,根据目标城市在第一预设时间段内的人口数据和医疗特征数据,以及第二预设时间段内的患病概率进行模型训练,以通过训练获得的患病概率预测模型进行患病概率预测,提高了预测准确性和效率。
如图4所示,在一个实施例中,提供了一种药物分配方法,该方法具体包括以下步骤:
S402,获取指定城市在指定时间段内的医疗数据和人口数据;医疗数据包括药物标识和销售数量。
S404,根据药物标识对应的药物功效参数,确定指定城市在指定时间段内对应的销售药物类型。
S406,对于指定城市对应的销售药物类型,根据药物标识和销售数量确定相应的销售总数量。
S408,根据销售药物类型和相应的销售总数量确定相应的医疗特征数据。
S410,将人口数据和医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率。
S412,按照预设筛选条件从各预测患病概率中筛选目标预测患病概率。
S414,对目标预测患病概率进行加权求值,确定最终的预测患病概率。
S416,根据预测患病概率确定与指定城市对应的药物分配策略参数。
上述实施例中,根据指定城市在指定时间段内的医疗数据自动确定相应的医疗特征数据,通过已训练的患病概率预测模型根据医疗特征数据和人口数据自动预测获得相应的预测患病概率,提高了患病概率预测效率,根据预测获得的预测患病概率确定药物分配策略参数,从而提高了药物分配效率。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种药物分配装置500,包括:获取模块501、确定模块502、医疗特征获取模块503、预测模块504和分配模块505,其中:
获取模块501,用于获取指定城市在指定时间段内的医疗数据和人口数据。
确定模块502,用于根据医疗数据,确定指定城市在指定时间段内对应的销售药物类型和销售药物类型对应的销售总数量。
医疗特征获取模块503,用于根据销售药物类型和相应的销售总数量确定相应的医疗特征数据。
预测模块504,用于将人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率。
分配模块505,用于根据预测患病概率确定与指定城市对应的药物分配策略参数。
在一个实施例中,医疗数据包括药物标识和销售数量;确定模块502,还用于根据药物标识对应的药物功效参数,确定指定城市在指定时间段内对应的销售药物类型;对于指定城市对应的销售药物类型,根据药物标识和销售数量确定相应的销售总数量。
在一个实施例中,指定时间段为指定季度;预测患病概率为指定城市在下一年的指定季度对应的患病概率;分配模块505,还用于根据预测患病概率,确定指定城市在下一年的指定季度对应的药物分配策略参数。
在一个实施例中,预测模块504,还用于将人口数据和医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;对各预测患病概率进行加权求值,确定最终的预测患病概率。
在一个实施例中,预测模块504,还用于按照预设筛选条件从各预测患病概率中筛选目标预测患病概率;对目标预测患病概率进行加权求值,确定最终的预测患病概率。
如图6所示,在一个实施例中,预测患病概率包括多个疾病标识各自对应的患病概率;药物分配装置500,还包括:预防模块506。
预防模块506,用于将各疾病标识所对应的患病概率分别与预设概率阈值进行比较;根据比较结果,从各疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;根据目标疾病标识确定与指定城市对应的疾病预防策略参数。
在一个实施例中,药物分配装置500,还包括:模型训练模块507。
模型训练模块507,用于实现患病概率预测模型的训练步骤,包括:获取目标城市在第一预设时间段内的人口数据和医疗数据;根据医疗数据确定目标城市对应的医疗特征数据;根据目标城市在第二预设时间段内的患病数据,确定目标城市对应的患病概率;将人口数据和医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集;根据训练样本集进行模型训练,获得相应的患病概率预测模型。
关于药物分配装置的具体限定可以参见上文中对于药物分配方法的限定,在此不再赘述。上述药物分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储指定城市在指定时间段内的医疗数据和人口数据,以及与预测患病概率对应的药物分配策略参数。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种药物分配方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取指定城市在指定时间段内的医疗数据和人口数据;根据医疗数据,确定指定城市在指定时间段内对应的销售药物类型和销售药物类型对应的销售总数量;根据销售药物类型和相应的销售总数量确定相应的医疗特征数据;将人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;根据预测患病概率确定与指定城市对应的药物分配策略参数。
在一个实施例中,医疗数据包括药物标识和销售数量;根据医疗数据,确定指定城市在指定时间段内对应的销售药物类型和销售药物类型对应的销售总数量,包括:根据药物标识对应的药物功效参数,确定指定城市在指定时间段内对应的销售药物类型;对于指定城市对应的销售药物类型,根据药物标识和销售数量确定相应的销售总数量。
在一个实施例中,指定时间段为指定季度;预测患病概率为指定城市在下一年的指定季度对应的患病概率;根据预测患病概率确定与指定城市对应的药物分配策略参数,包括:根据预测患病概率,确定指定城市在下一年的指定季度对应的药物分配策略参数。
在一个实施例中,将人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率,包括:将人口数据和医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;对各预测患病概率进行加权求值,确定最终的预测患病概率。
在一个实施例中,对各预测患病概率进行加权求值,确定最终的预测患病概率,包括:按照预设筛选条件从各预测患病概率中筛选目标预测患病概率;对目标预测患病概率进行加权求值,确定最终的预测患病概率。
在一个实施例中,预测患病概率包括多个疾病标识各自对应的患病概率;处理器执行计算机程序时还实现以下步骤:将各疾病标识所对应的患病概率分别与预设概率阈值进行比较;根据比较结果,从各疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;根据目标疾病标识确定与指定城市对应的疾病预防策略参数。
在一个实施例中,处理器执行计算机程序时还实现患病概率预测模型的训练步骤,包括:获取目标城市在第一预设时间段内的人口数据和医疗数据;根据医疗数据确定目标城市对应的医疗特征数据;根据目标城市在第二预设时间段内的患病数据,确定目标城市对应的患病概率;将人口数据和医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集;根据训练样本集进行模型训练,获得相应的患病概率预测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取指定城市在指定时间段内的医疗数据和人口数据;根据医疗数据,确定指定城市在指定时间段内对应的销售药物类型和销售药物类型对应的销售总数量;根据销售药物类型和相应的销售总数量确定相应的医疗特征数据;将人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率;根据预测患病概率确定与指定城市对应的药物分配策略参数。
在一个实施例中,医疗数据包括药物标识和销售数量;根据医疗数据,确定指定城市在指定时间段内对应的销售药物类型和销售药物类型对应的销售总数量,包括:根据药物标识对应的药物功效参数,确定指定城市在指定时间段内对应的销售药物类型;对于指定城市对应的销售药物类型,根据药物标识和销售数量确定相应的销售总数量。
在一个实施例中,指定时间段为指定季度;预测患病概率为指定城市在下一年的指定季度对应的患病概率;根据预测患病概率确定与指定城市对应的药物分配策略参数,包括:根据预测患病概率,确定指定城市在下一年的指定季度对应的药物分配策略参数。
在一个实施例中,将人口数据和医疗特征数据输入已训练的患病概率预测模型进行预测,获得相应的预测患病概率,包括:将人口数据和医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;对各预测患病概率进行加权求值,确定最终的预测患病概率。
在一个实施例中,对各预测患病概率进行加权求值,确定最终的预测患病概率,包括:按照预设筛选条件从各预测患病概率中筛选目标预测患病概率;对目标预测患病概率进行加权求值,确定最终的预测患病概率。
在一个实施例中,预测患病概率包括多个疾病标识各自对应的患病概率;计算机程序被处理器执行时还实现以下步骤:将各疾病标识所对应的患病概率分别与预设概率阈值进行比较;根据比较结果,从各疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;根据目标疾病标识确定与指定城市对应的疾病预防策略参数。
在一个实施例中,计算机程序被处理器执行时还实现患病概率预测模型的训练步骤,包括:获取目标城市在第一预设时间段内的人口数据和医疗数据;根据医疗数据确定目标城市对应的医疗特征数据;根据目标城市在第二预设时间段内的患病数据,确定目标城市对应的患病概率;将人口数据和医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集;根据训练样本集进行模型训练,获得相应的患病概率预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种药物分配方法,所述方法包括:
获取指定城市在指定时间段内的医疗数据和人口数据;所述医疗数据包括药物标识和销售数量;
根据所述药物标识对应的药物功效参数,确定所述指定城市在所述指定时间段内对应的销售药物类型;
对于所述指定城市对应的所述销售药物类型,根据所述药物标识和所述销售数量确定相应的销售总数量;
根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;
将所述人口数据和所述医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;
对各所述预测患病概率进行加权求值,确定最终的预测患病概率;
根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数;
所述患病概率预测模型的训练步骤,包括:
获取目标城市在第一预设时间段内的人口数据和医疗数据;
根据所述医疗数据确定所述目标城市对应的医疗特征数据;
根据所述目标城市在第二预设时间段内的患病数据,确定所述目标城市对应的患病概率;
将所述人口数据和所述医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集;
根据所述训练样本集进行模型训练,获得相应的患病概率预测模型。
2.根据权利要求1所述的方法,其特征在于,所述指定时间段为指定季度;所述预测患病概率为所述指定城市在下一年的所述指定季度对应的患病概率;
所述根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数,包括:
根据所述预测患病概率,确定所述指定城市在所述下一年的所述指定季度对应的药物分配策略参数。
3.根据权利要求1所述的方法,其特征在于,所述对各所述预测患病概率进行加权求值,确定最终的预测患病概率,包括:
按照预设筛选条件从各所述预测患病概率中筛选目标预测患病概率;
对所述目标预测患病概率进行加权求值,确定最终的预测患病概率。
4.根据权利要求1所述的方法,其特征在于,所述预测患病概率包括多个疾病标识各自对应的患病概率;所述方法还包括:
将各所述疾病标识所对应的患病概率分别与预设概率阈值进行比较;
根据比较结果,从各所述疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;
根据所述目标疾病标识确定与所述指定城市对应的疾病预防策略参数。
5.一种药物分配装置,其特征在于,所述装置包括:
获取模块,用于获取指定城市在指定时间段内的医疗数据和人口数据;所述医疗数据包括药物标识和销售数量;
确定模块,用于根据所述药物标识对应的药物功效参数,确定所述指定城市在所述指定时间段内对应的销售药物类型;对于所述指定城市对应的所述销售药物类型,根据所述药物标识和所述销售数量确定相应的销售总数量;
医疗特征获取模块,用于根据所述销售药物类型和相应的销售总数量确定相应的医疗特征数据;
预测模块,用于将所述人口数据和所述医疗特征数据作为输入特征,分别输入已训练的多个患病概率预测模型进行预测,获得相应的预测患病概率;对各所述预测患病概率进行加权求值,确定最终的预测患病概率;
分配模块,用于根据所述预测患病概率确定与所述指定城市对应的药物分配策略参数;
模型训练模块,用于获取目标城市在第一预设时间段内的人口数据和医疗数据;根据所述医疗数据确定所述目标城市对应的医疗特征数据;根据所述目标城市在第二预设时间段内的患病数据,确定所述目标城市对应的患病概率;将所述人口数据和所述医疗特征数据作为输入特征,将相应的患病概率作为期望的输出特征,得到训练样本集;根据所述训练样本集进行模型训练,获得相应的患病概率预测模型。
6.根据权利要求5所述的装置,其特征在于,所述指定时间段为指定季度;所述预测患病概率为所述指定城市在下一年的所述指定季度对应的患病概率;
所述分配模块包括:用于根据所述预测患病概率,确定所述指定城市在所述下一年的所述指定季度对应的药物分配策略参数。
7.根据权利要求5所述的装置,其特征在于,所述预测模块包括:用于按照预设筛选条件从各所述预测患病概率中筛选目标预测患病概率;对所述目标预测患病概率进行加权求值,确定最终的预测患病概率。
8.根据权利要求5所述的装置,其特征在于,所述预测患病概率包括多个疾病标识各自对应的患病概率;所述装置还包括:
预防模块,用于将各所述疾病标识所对应的患病概率分别与预设概率阈值进行比较;根据比较结果,从各所述疾病标识中筛选出患病概率达到预设概率阈值的目标疾病标识;根据所述目标疾病标识确定与所述指定城市对应的疾病预防策略参数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051173.0A CN109378056B (zh) | 2018-09-10 | 2018-09-10 | 药物分配方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811051173.0A CN109378056B (zh) | 2018-09-10 | 2018-09-10 | 药物分配方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109378056A CN109378056A (zh) | 2019-02-22 |
CN109378056B true CN109378056B (zh) | 2023-07-07 |
Family
ID=65405399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811051173.0A Active CN109378056B (zh) | 2018-09-10 | 2018-09-10 | 药物分配方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109378056B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111128353B (zh) * | 2019-11-20 | 2023-04-18 | 泰康保险集团股份有限公司 | 定点药店的售药行为监测方法及装置、存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698157B2 (en) * | 2002-06-12 | 2010-04-13 | Anvita, Inc. | System and method for multi-dimensional physician-specific data mining for pharmaceutical sales and marketing |
US20160335412A1 (en) * | 2013-01-30 | 2016-11-17 | Geoffrey Tucker | Systems and methods for predicting and adjusting the dosage of medicines in individual patients |
US10726954B2 (en) * | 2015-04-22 | 2020-07-28 | Reciprocal Labs Corporation | Predictive modeling of respiratory disease risk and events |
JP2022008719A (ja) * | 2016-11-23 | 2022-01-14 | セルヴァス エーアイ インコーポレイテッド | 疾患発症予測方法及び装置 |
-
2018
- 2018-09-10 CN CN201811051173.0A patent/CN109378056B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于元胞自动机与运输问题的埃博拉疫情低成本控制模型;薛茜;孙元;曹田波;;机电产品开发与创新(第03期);第152-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109378056A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304440B (zh) | 游戏推送的方法、装置、计算机设备及存储介质 | |
US11152119B2 (en) | Care path analysis and management platform | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
US20130253942A1 (en) | Methods and Apparatus for Smart Healthcare Decision Analytics and Support | |
Ramirez‐Nafarrate et al. | Point‐of‐dispensing location and capacity optimization via a decision support system | |
CN109492191B (zh) | 计算投保概率的方法、装置、计算机设备和存储介质 | |
JP2014225176A5 (zh) | ||
US11688497B2 (en) | Systems and methods for predictive data analytics | |
JP2014225176A (ja) | 分析システム及び保健事業支援方法 | |
CN106793957B (zh) | 用于预测患者护理未来结果的医疗系统和方法 | |
CN109598628B (zh) | 医保欺诈行为的识别方法、装置、设备及可读存储介质 | |
CN110555164B (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
CN112132624A (zh) | 医疗理赔数据预测系统 | |
CN109377388B (zh) | 医保投保方法、装置、计算机设备和存储介质 | |
JPWO2015132903A1 (ja) | 医療データ分析システム、医療データ分析方法及び記憶媒体 | |
Elbattah et al. | Designing care pathways using simulation modeling and machine learning | |
Valmarska et al. | Symptoms and medications change patterns for Parkinson's disease patients stratification | |
CN109598302B (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
Rahmaniani et al. | Variable neighborhood search based evolutionary algorithm and several approximations for balanced location–allocation design problem | |
CN112669188A (zh) | 危机事件预警模型构建、危机事件预警方法和电子设备 | |
CN111210356B (zh) | 医保数据分析方法、装置、计算机设备和存储介质 | |
CN109378056B (zh) | 药物分配方法、装置、计算机设备和存储介质 | |
Gopakumar et al. | Forecasting daily patient outflow from a ward having no real-time clinical data | |
CN112102955B (zh) | 一种基于高斯混合模型的患者疾病预测控制系统与方法 | |
US20170116389A1 (en) | Patient medication adherence and intervention using trajectory patterns |
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 |