CN109473177A - 基于预测模型确定医疗发展趋势的方法及相关产品 - Google Patents

基于预测模型确定医疗发展趋势的方法及相关产品 Download PDF

Info

Publication number
CN109473177A
CN109473177A CN201811287259.3A CN201811287259A CN109473177A CN 109473177 A CN109473177 A CN 109473177A CN 201811287259 A CN201811287259 A CN 201811287259A CN 109473177 A CN109473177 A CN 109473177A
Authority
CN
China
Prior art keywords
medical
medical data
data
data set
field
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
CN201811287259.3A
Other languages
English (en)
Other versions
CN109473177B (zh
Inventor
陈柏青
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811287259.3A priority Critical patent/CN109473177B/zh
Publication of CN109473177A publication Critical patent/CN109473177A/zh
Application granted granted Critical
Publication of CN109473177B publication Critical patent/CN109473177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种基于预测模型确定医疗发展趋势的方法及相关产品，该方法应用于电子设备，该方法包括：获取预设时间段内的多份医疗数据；识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。本申请实施例有利于为医疗体制改革提供数据参考。

Description

基于预测模型确定医疗发展趋势的方法及相关产品
技术领域
本申请涉及电子技术领域，具体涉及一种基于预测模型确定医疗发展趋势的方法及相关产品。
背景技术
目前，医疗行业的大数据集量大且繁杂，其中蕴含的信息价值也多样且丰富，如果能够对其进行有效的存储、处理、查询和分析，那么就可对于小到辅助某个临床医生做出更为科学和准确的诊断和用药决策，或帮助某个医院根据患者潜在需求开发全新个性化服务及自动服务，大到帮助相关研究机构突破医疗方法和药物革新，支持地区甚至全国医保行业主管部门优化医疗资源及服务配置，提供前所未有的强力支持。
但是，目前处理医疗数据会面临诸多问题，主要存在以下几个问题：(1)医疗数据来源多样、汇聚渠道不畅、数据采集不足；(2)医疗数据量大、数据类型复杂、数据标准不一；(3)医疗数据的爆炸式增长对数据存储架构的挑战；(4)网络异构性与接入方式的多样化；(5)数据隐私安全与开放共享的矛盾。
现有技术中，利用医疗数据预测医疗发展趋势的处理过程复杂，数据利用率低。
发明内容
本申请实施例提供了一种基于预测模型确定医疗发展趋势的方法及相关产品，以期基于预测模型预测医疗发展趋势，及时调控医疗体制。
第一方面，本申请实施例提供一种基于预测模型确定医疗发展趋势的方法，所述方法应用于电子设备，所述方法包括：
获取预设时间段内的多份医疗数据；
识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；
调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；
根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。
第二方面，本申请实施例提供一种基于预测模型确定医疗发展趋势的电子设备，所述电子设备包括：
获取单元，用于获取预设时间段内的多份医疗数据；
组成单元，用于识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；
输入单元，用于调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；
确定单元，用于根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。
第三方面，本申请实施例提供一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个收发器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
第四方面，本申请实施例提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例，具有如下有益效果：
可以看出，在本申请实施例中，获取预设时间段内的多份医疗数据，识别该多份医疗数据，确定每份医疗数据的医疗领域，将该多份医疗数据按照医疗领域分组，得到若干个医疗数据集合，然后调用与每个医疗数据集合所属的医疗领域匹配的预测模型，将每个医疗数据集合组成输入数据输入到该预测模型，预测该医疗数据集合对应的医疗领域的发展趋势，对医疗数据分类，可增加处理医疗数据的能力和医疗数据的类型，提高医疗数据的利用率，依据预测模型预测医疗领域的发展趋势，简化了处理医疗数据过程，为医疗体制改革提供数据参考，提高医疗体制改革的说服力。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于预测模型确定医疗发展区趋势的网络架构的示意图；
图2为本申请实施例提供的一种基于预测模型确定医疗发展趋势的方法的流程示意图；
图2A为本申请实施例提供的一种基于FP-Growth算法剔除事物集中元素过程的对应关系表；
图2B为本申请实施例提供的一种基于图2A中的对应关系表建立FP树的过程示意图；
图2C为本申请实施例提供的一种同列排列组成输入数据的示意图；
图2D为本申请实施例提供的一种添零组成输入数据的示意图；
图3为本申请实施例提供的另一种基于预测模型确定医疗发展趋势的方法的流程示意图；
图4为本申请实施例提供的另一种基于预测模型确定医疗发展趋势的方法的流程示意图；
图5为本申请实施例提供的一种基于预测模型确定医疗发展趋势的电子设备的结构示意图；
图6是本申请实施例提供的一种基于预测模型确定医疗发展趋的电子设备的功能单元组成框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请中的电子设备可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile InternetDevices，简称：MID)、服务器、网络侧设备或穿戴式设备等，上述电子设备仅是举例，而非穷举，包含但不限于上述电子设备，为了描述的方便，下面实施例中将上述电子设备称为用户设备UE(User equipment，简称：UE)。当然在实际应用中，上述用户设备也不限于上述变现形式，例如还可以包括：智能车载终端、计算机设备等等。
参阅图1，图1为本申请实施例提供的一种基于预测模型确定医疗发展区趋势的网络架构的示意图，该网络架构包括：各个医院的本地终端1、本地终端2、……、本地终端n，各个医院的医疗服务器1、医疗服务器2、……、医疗服务器n，预测平台100，各个调控部门的服务器1、服务器2、……、服务器n，其中，预测平台100中嵌有与各个医疗领域对应的预测模型，各个调控部门的服务器1、服务器2、……、服务器n与各自的医疗领域对应，各个调控部门具有调控各自所属医疗领域的医疗体制的资格；
其中，各个医院的本地终端1、本地终端2、……、本地终端n，用于接收用户输入的各项医疗数据，将医疗数据上传至各自医院的医疗服务器，以更新各自医院的医疗服务器中的医疗数据；
各个医院的医疗服务器1、医疗服务器2、……、医疗服务器n，用于接收各自医院的本地终端上传的医疗数据，将接收到的医疗数据上传预测平台100；
预测平台100，用于接收各个医院的医疗服务器1、医疗服务器2、……、医疗服务器n上传的医疗数据，对接收到的多份医疗数据按照所属的医疗领域进行分类，将属于同一医疗领域的医疗数据组成一个医疗数据集合，得到若干个医疗数据集合，其中，每个医疗数据集合中至少包含一份医疗数据；以及用于调用与每个医疗数据集合所属的医疗领域匹配的预测模型，将该医疗数据集合中的医疗数据组成输入数据输入该预测模型，输出预测结果，依据该预测结果确定该医疗数据集合所属的医疗领域的发展趋势，将该发展趋势发送至该医疗领域对应的调控部门的服务器，以便在该医疗领域的发展趋势异常时，该调控部门调整该医疗领域的医疗体制。
各个调控部门的服务器1、服务器2、……、服务器n，用于接收预测平台发送的各自医疗领域的医疗发展趋势。
可以看出，在本申请实施例中，基于预测平台，接收医疗服务上传的医疗数据，从而预测每个医疗领域的医疗发展趋势，将对医疗领域的预测结果发送至对应的调控部门的服务器，以便在该医疗领域的发展趋势异常时，该调控部门调整该医疗领域的医疗体制，同时为调控部门调整医疗体制提供数据参考，而且建立线上预测平台，避免人工参与带来的主观性，以及人工预测带来的延时问题，基于模型预测可以提高预测准确度，及时应对突变的医疗领域，完善整个医疗体制。
参阅图2，图2为本申请实施例提供的一种基于预测模型确定医疗发展趋势的方法的流程示意图，该方法应用于电子设备，该方法包括步骤S201～S204中所示内容：
步骤S201、获取预设时间段内的多份医疗数据。
其中，预设时间段可以为1个月、3个月、1年或者其他值。
其中，每份医疗数据中包含多项子医疗数据，例如，在医疗数据为医院的总医疗费用数据时，其多项子医疗数据可以为：住院总费用、手术总费用、药品总费用、挂号总费用、门诊总费用、床位总费用、手术检查总费用，等等；再如，在医疗数据为某种疾病的医疗数据时，其多项子医疗数据可以为：疾病的发病率、发病地点、发病时间、发病死亡率、治疗成功率、治疗费用、治疗周期、患有该疾病的患者的生理参数，等等。本申请不对医疗数据的类型做唯一限定。
步骤S202、识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合。
其中，医疗领域具体指医疗数据的涉及的医疗范畴，具体可为：药品领域、手术领域、疾病领域、医疗费用领域、医保报销领域，等等。
可选的，识别所述多份医疗数据具体包括：对所述多份医疗数据进行关键词识别，提取每份医疗数据中的N个关键词，其中，每个关键词可对应多个医疗领域，例如，该医疗数据中包含某种药品名称，涉及药品名称的医疗数据即可属于药品领域，或者，手术领域，亦可以为医疗费用领域、医保报销领域等，所以每个关键词对应一个医疗领域集，依据N个关键词得到所述每份医疗数据的N个医疗领域集；设置最小支持度P，基于频繁模式增长FP-Growth算法和所述最小支持度P构建所述N个医疗领域集的频繁模式FP树，基于所述FP树确定所述N个医疗领域集中的频繁项集，确定所述频繁项集中的元素为所述每份医疗数据对应的医疗领域，其中，N为大于1的整数。
图2A和图2B举例示出确定N个医疗领域集中的频繁项集过程。
假定N＝6，其中，且6个关键词分别为：“挂号”、“床位”、“葡萄糖”、“报销”、“心电图”和“心率”，对该6关键词编号，具体为001、002、003、004、005和006，以该001、002、003、004、005和006作为事物ID，确定每个事物ID对应的事物集(即医疗领域)，假定关键词“挂号”对应的医疗领域分别为：手术领域、药品领域、药品费用领域、住院费用领域、医保报销领域，故001对应的事物集A＝{手术领域、药品领域、药品费用领域、住院费用领域、医保报销领域}，为了便于表述，以字母r,z,h,j,p分别表示手术领域、药品领域、药品费用领域、住院费用领域、医保报销领域，故可得到简化后的A＝{r,z,h,j,p}，基于得到001的事物集的方式，可得到如图2A所示002对应的事物集B＝{z,y,x,w,v,u,t,s}，003对应的事物集C＝{z}，004对应的事物集D＝{r,x,n,o,s}，005对应的事物集E＝{y,r,x,z,q,t,p}，006对应的事物集F＝{y,z,x,e,q,s,t,m}，其中，002、003、004、005和006中的字母均表示医疗领域，在此不做详细叙述。然后开启第一轮扫描，设置第一最小支持度P1＝3，将A、B、C、D、E和F中的元素出现次数小于支持度P1的剔除,即剔除q、n、o、h、j、p、w、v、u和e，然后得到新的事物集A′＝{r,z}，B′＝{z,y,x,t,s}，C′＝{z}，D′＝{r,x,s}，E′＝{y,r,x,z,t}，F′＝{y,z,x,s,t}；开启第二轮扫描，如图2B所示，依次扫描A′、B′、C′、D′、E′和F′，以空集null为根节点开始创建FP树，在扫描获得元素时依次往该FP树中添加元素，如扫描A′时，可添加元素r、z，扫描B′时，可在第一次的FP树中添加元素z,y,x,t,s，在全部扫描完后，可得到图2B最右方示出的FP树，其中，FP树的树节点上给出集合中的单个元素及其在序列中的出现次数，路径中根节点元素的出现次数示出该序列的出现次数(支持度)。例如，图2B所示，路径上的所有元素构成一个频繁项集，以及每个频繁项集的支持度，例如，频繁项集{z}的支持度为5，{z,r}的支持度为1，{z,x,y,s,t}的支持度为2，{z,x,y,r,t}的支持度为1，{t,s,y,x,z}的支持度为2、{r,y,x,z}的支持度为1、{r,s,x}的支持度为1，所以以支持度最高的频繁项集{z}为目标频繁项集，将该目标频繁项集中元素z标记为该份医疗数据所属的医疗领域。
步骤S203、调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果。
可选的，在预测平台中嵌入各个医疗领域预先训练好的预测模型，对预设时间段内获取到的医疗数据进行分类，得到若干个医疗数据集合，其中，每个医疗数据集合对应一个医疗领域，调用与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型，将该医疗数据集合中的医疗数据组成输入数据输入到该训练好的模型，得到预测结果。
可选的，调用与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型具体包括：确定与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型；获取所述训练好的预测模型对应的预设电压或者预设工作频率，生成电压调控信息，所述电压调控信息用于指示将处理器的工作电压或者工作频率调整为所述预设电压或者所述预设工作频率；调用所述训练好的预测模型对应的应用程序编程接口API，调转至所述API，以激活所述训练好的预测模型的运算功能，完成对所述训练好的预测模型的调用。理由是，不同的预测模型中设置的参数不同，运算速度以及运算量不同，故对于不同的预测模型需要不同的供电电压或者工作频率，每个预测模型都有自己预设的工作电压或者工作频率，所以当确定调用某一个预测模型后需将处理器的工作电压或者工作频率与该预测模型对应的预设工作电压或者工作频率，以保证调用该预测模型后处理器可稳定工作，在调整完工作电压或者工作频率后，需激活该预测模型，即将处理器当前的运行接口调转至该预测模型对应的应用程序编程接口API，以完成应用程序的跳转，即控制该处理器跳转至该预测模型对应的接口工作，完成对该预测模型的调用。
可选的，将所述每个医疗数据集合中的医疗数据组成输入数据时，由于对于预测模型来说，一般采用卷积运算，因此，在卷积运算时如输入数据中区域存在零时，可无需运算直接得到卷积结果，简化了运算过程，基于此，在将所述每个医疗数据集合中的医疗数据组成输入数据具体包括：获取每个医疗数据集合所属的医疗领域的预设数据类型集，即每个医疗领域均有预先设定数据类型集，例如，医疗领域为疾病领域时，其预先设定的数据类型集为：疾病的发病率、发病地点、发病时间、发病死亡率、治疗成功率、治疗费用、治疗周期、患有该疾病的患者的生理参数，即保证运算时每个输入数据中必须包含预先设定数据类型；提取所述每个医疗数据集合中每份医疗数据的实际数据类型集，将所述实际数据类型集和所述预设数据类型集比对，确定所述实际数据类型集中缺少的数据类型，将所述每份医疗数据中缺少的数据类型对应的数据补零(如该份医疗数据的缺少的数据类型与预设数据类型占比大于50％，则舍弃该份医疗数据，不再将该份医疗数据作为输入数据，即获取每份医疗数据的缺失度，如缺失度大于50％，则舍弃该份医疗数据)，得到所述每份医疗数据对应的输入数据，例如，某项医疗数据中缺少发病时间时，将发病时间添加为0，得到该项医疗数据的输入数据；获取所述每个医疗数据集合中的多份医疗数据对应的多个输入数据，将所述多个输入数据中的零值相邻的排列在同一列或者同一行组成输入数据矩阵；将所述输入数据矩阵输入到所述每个医疗数据集合所属的医疗领域匹配的训练好的预测模型执行正向运算。
下面依据图2C和图2D，介绍组成输入数据矩阵的具体方式：假定在预设时间段得到疾病医疗领域的1个医疗数据集合，该医疗落数据集合包含3份医疗数据，每份医疗数中包含疾病的发病率、发病地点、发病时间、发病死亡率、治疗成功率、治疗周期等18项医疗数据(不包含某一项医疗数据时，添零补足)，如图2C所示，左边图形为1份医疗数据补零后得到输入数据矩阵，其中灰色部分为该份医疗数据中的零值，右边图形为将份项医疗数据中的9个零值靠左(也可靠右)进行同列(也可同行)排列后得到一个输入数据矩阵CI0*H0*W0。则将3份医疗数据(假定每份医疗数据都得到9个零值)按照如图2C所示的方式进行取零和重新排列零的位置后，得到如图2D所示的左边图形的输入数据矩阵CI0′*H0′*W0′，图2D所示的灰色部分为零值，进一步地，获取该预测模型的设定输入数据矩阵CI*H*W的尺寸，如CI＝CI′，W＝W′，H＝2H0′，则需对输入数据矩阵CI0′*H0′*W0′添零值，其中，此处以按行添加零的方式对输入数据矩阵CI0′*H0′*W0′添加3行零值数据得到输入数据矩阵CI1*H1*W1，将该输入数据矩阵CI1*H1*W1作为该医疗数据集合的输入数据，输入到该预测模型执行运算得到预测结果，当然，也可以取相邻两行的平均值进行添加数据，本申请并不限定添加数据的方式。
可以看出，如该预测模型中的卷积核尺寸为【3*3】时，对于图2D示出的灰色为零值的部分则不需参与卷积运算，提高了运算速度，简化了运算过程。
步骤S204、根据所述预测结果确定所述每个医疗数据集合所属的医疗领域的发展趋势。
可选的，在该预测模型的全连接层采用不同的softmax分类器，将该全连接层的输出结果，输入到该softmax分类器得到该医疗数据集合的预测结果。
例如，在该医疗数据集合所属的医疗领域为药品医疗领域时，在经过该预测模型的卷积运算得到特征向量后，将该特征向量输入到softmax分类器中，将该特征向量与softmax分类器中的模板向量匹配，确定该特征向量与模板向量的欧式距离，如欧式结果大于或等于阈值，输出预测结果“合理”，即确定药品医疗领域发展趋势合理，如该匹配结果小于阈值，输出预测结果“不合理”，确定药品医疗领域发展趋势不合理，进一步地，在不合理时，可将该特征向量与模板向量相减，获取差值向量，确定差值向量中元素最大值时所在的维度，然后确定该维度代表的信息不合理原因，例如，如差值向量第i维度的差值最大，且第i维度数据代表费用信息，确定该药品医疗领域中的在收费方面不合理，可输出不合理原因为“收费不合理”。
可以看出，在本申请实施例中，获取预设时间段内的多份医疗数据，识别该多份医疗数据，基于FP-Growth算法对医疗数据分类确定每份医疗数据的医疗领域，精确的对每份医疗数据进行分类，然后将该多份医疗数据按照医疗领域分组，得到若干个医疗数据集合，然后调用与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型，将该医疗数据集合中的医疗数据组成输入数据输入到该预测模型，在组成输入数据时，将零值紧邻排列，构建多个零值区域，提高输入医疗数据后的运算速度，快速得到该医疗数据集合的预测结果，依据预测结果预测该医疗数据集合所属的医疗领域的发展趋势，由于对医疗数据分类，调用匹配的模型，增加了医疗数据可处理的类型和能力，提高了医疗数据的利用率，依据预测模型预测医疗领域的发展趋势，简化了处理医疗数据过程，且为医疗体制改革提供数据参考，提高医疗体制改革的说服力；而且整个预测过程完全依靠线上预测平台，避免人工参与带来的主观性，以及人工预测带来的延时问题，基于模型预测可以提高预测准确度，及时应对突变的医疗领域，完善整个医疗体制。
在一可能的示例中，在一医疗数据集合所属的医疗领域为医疗费用领域时，将该医疗数据集合输入到医疗费用对应的预测模型，预测医疗费用的增长率，输出医疗费用增长以该增长率的增长合理性的预测结果；
在一可能的示例中，在一医疗数据集合所属的医疗领域为疾病领域时，将该医疗数据集合输入到疾病领域对应的预测模型，预测疾病的风险指数，输出针对该疾病的发展趋势，即该疾病对人体健康的影响程度；
在一可能的示例中，在一医疗数据所属的医疗领域为医保报销领域时，将该医疗数据集合输入到医保报销领域对应的预测模型，预测医保支出超支风险，输出针对医保支出合理性的预测结果；
在一可能的示例中，在一医疗数据所属的医疗领域为手术领域时，将该医疗数据集合输入到手术领域对应的预测模型，预测手术领域手术费用的增长趋势，输出针对手术费用增长合理性的预测结果；
在一可能的示例中，在一医疗数据所属的医疗领域为门诊慢性疾病领域时，将该医疗数据集合输入到门诊慢性疾病对应的预测模型，预测门诊慢性疾病的辅助用药，输出针对该门诊慢性疾病的辅助用药合理性的预测结果。
参阅图3，图3为本申请实施例提供的另一种基于预测模型确定医疗发展趋势的方法的流程示意图，该方法应用于电子设备，该方法包括步骤S301～S307中所示内容：
步骤S301、预先设定多个医疗领域。
步骤S302、基于医疗数据库，获取与多个医疗领域中的任意一个医疗领域相关的医疗数据，得到该医疗领域的训练数据集。
步骤S303、基于所述医疗数据库，获取所述医疗领域的实际发展趋势，确定所述实际发展趋势为该医疗领域的训练数据集的验证集。
步骤S304、基于所述训练数据集和所述验证集对初始模型训练，完成训练后得到与所述医疗领域匹配的训练好的预测模型。
可选的，基于所述训练数据集和所述验证集对初始模型训练具体包括：将所述医疗领域的训练数据集输入到初始模型执行正向运算，得到对所述医疗领域发展趋势的预测结果，将所述预测结果与所述验证集拟合，得到拟合度，如所述拟合度小于第一阈值，基于所述初始模型中的损失函数对所述初始模型执行反向训练，直至拟合度大于所述第一阈值或者训练次数大于第二阈值，完成对所述初始模型的训练，得到与所述医疗领域匹配的训练好的预测模型。
其中，该初始模型中的初始权值梯度基于经验值设定。
步骤S305、获取所述多个医疗领域的训练集和验证集，基于所述多个医疗领域的训练集和验证集得到与所述多个医疗领域匹配的多个训练好的预测模型。
可选的，基于步骤S302和步骤S303中所示的内容，获取所述多个医疗领域中每一个医疗领域的训练集和验证集，基于步骤S304中所示的内容确定每一个医疗领域的训练好的预测模型。
步骤S306、获取预设时间段内的多份医疗数据，识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合。
步骤S307、基于所述多个训练好的预测模型，将所述若干个医疗数据集合分别输入到与各自所属的医疗领域匹配的训练好的预测模型，输出各自的预测结果，依据各自的预测结果确定所述若干个医疗数据集合中每个医疗数据集合对应的医疗领域的发展趋势。
可以看出，在本申请实施例中，预先设定多个医疗领域，基于医疗数据，获取每个医疗领域的训练集和验证集，对每个医疗领域的初始模型训练，得到每个医疗领域的预测模型，获取预设时间段内的多份医疗数据，识别该多份医疗数据，确定每份医疗数据的医疗领域，然后将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合，然后调用与每个医疗数据集合的医疗领域匹配的预测模型，将该医疗数据集合组成输入数据输入到该预测模型，在组成输入数据时，将零值紧邻排列，构建多个零值区域，提高输入医疗数据后的运算速度，快速得到该医疗数据集合的预测结果，依据预测结果预测该医疗数据集合对应的医疗领域的发展趋势，由于对医疗数据分类，调用匹配的模型，增加了医疗数据可处理的类型和能力，提高了医疗数据的利用率，依据预测模型预测医疗领域的发展趋势，简化了处理医疗数据过程，且为医疗体制改革提供数据参考，提高医疗体制改革的说服力；而且整个预测过程完全依靠线上预测平台，避免人工参与带来的主观性，以及人工预测带来的延时问题，基于模型预测可以提高预测准确度，及时应对突变的医疗领域，完善整个医疗体制。
参阅图4，图4为本申请实施例提供的另一种基于预测模型确定医疗发展趋势的方法的流程示意图，该方法应用于电子设备，该方法包括步骤S301～S310中所示内容：
步骤S401、预先设定多个医疗领域。
步骤S402、基于医疗数据库，获取与多个医疗领域中的任意一个医疗领域相关的医疗数据，得到该医疗领域的训练数据集。
步骤S403、基于所述医疗数据库，获取所述医疗领域的实际发展趋势，确定所述实际发展趋势为该医疗领域的训练数据集的验证集。
步骤S404、基于所述训练数据集和所述验证集对初始模型训练，完成训练后得到与所述医疗领域匹配的训练好的预测模型。
步骤S405、获取所述多个医疗领域的训练集和验证集，基于所述多个医疗领域的训练集和验证集得到与所述多个医疗领域匹配的多个训练好的预测模型。
步骤S406、获取预设时间段内的多份医疗数据，识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合。
步骤S407、基于所述多个训练好的预测模型，将所述若干个医疗数据集合分别输入到与各自医疗领域匹配的训练好的预测模型，输出各自的预测结果，依据所述各自的预测结果确定所述若干组医疗数据中每个医疗数据集合所属的医疗领域的发展趋势。
步骤S408、确定所述每个医疗数据集合所属的医疗领域的发展趋势是否异常。
步骤S409、如确定所述每个医疗数据集合所属的医疗领域的发展趋势异常，确定所述医疗领域的发展趋势的异常原因，将所述异常原因发送至与所述医疗领域相关的调控部门的网络侧设备，以调整所述医疗领域的医疗体制。
可选的，确定所述医疗领域的发展趋势的异常原因具体包括确定所述每个医疗数据集合中每份医疗数据的获取时间；提取所述每个医疗数据集合中每份医疗数据中任意一项医疗数据，以该项医疗数据在每份医疗数据中的数值为观察值、以及每份医疗数据的获取时间为横轴创建该项医疗数据对应的时间序列，得到该份医疗数据中的多项医疗数据对应的多个时间序列；处理所述多项医疗数据对应的多个时间序列，确定变化趋势不一致的时间序列，确定所述时间序列对应的一项医疗数据，将该项医疗数据对应的医疗指标标记为所述医疗领域的发展趋势异常的异常原因。
举例来说，以疾病领域的一组医疗数据为例做具体说明。
假定该医疗数据集合中的每份医疗数据中包含的多项医疗数据为：疾病的死亡率P1、存活率P2、治愈率P3、治愈周期T1、治疗费用C，等等，假定该医疗数据集合中包含M份医疗数据，假定该M份医疗数据的获取时间分别为t1、t2、……、tM，其中，t1＜t2＜……＜tM，然后，分别提取在t1、t2、……、tM时刻的死亡率P1(如实际提取到的死亡率的数量与M的比例大于50％，即医疗数据-死亡率的数据的缺失度大于50％，舍弃死亡率这项医疗数据，则不再创建死亡率对应的时间序列，原因为获取到的死亡率的数据缺失度大于50％，无法对死亡率分析)，然后依据在t1、t2、……、tM时刻的死亡率P1创建死亡率对应的时间序列，同样分别创建在t1、t2、……、tM时刻的存活率P2、治愈率P3、治愈周期T1、治疗费用C，创建存活率P2、治愈率P3、治愈周期T1、治疗费用C对应的时间序列，利用时间序列分析法(已知算法在此不再叙述)对疾病的死亡率P1、存活率P2、治愈率P3、治愈周期T1、治疗费用C综合分析，确定变化趋势不一致的时间序列，如治愈费用的变化趋势与所述多个时间序列中的其他时间序列不一致，确定治愈费用为该疾病发展趋势异常的原因。
可以看出，在本申请实施例中，预先设定多个医疗领域，基于医疗数据，获取每个医疗领域的训练集和验证集，对每个医疗领域的初始模型训练，得到每个医疗领域的预测模型，获取预设时间段内的多份医疗数据，识别该多份医疗数据，确定每份医疗数据的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合，然后调用与每个医疗数据集合的医疗领域匹配的预测模型，将该医疗数据集合组成输入数据输入到该预测模型，得到该医疗数据集合的预测结果，依据预测结果预测该医疗数据集合对应的医疗领域的发展趋势，由于对医疗数据分类，调用匹配的模型，增加了处理医疗数据的类型和能力，提高了医疗数据的利用率，依据预测模型预测医疗领域的发展趋势，简化了处理医疗数据过程，且为医疗体制改革提供数据参考，提高医疗体制改革的说服力；而且整个预测过程完全依靠线上预测平台，避免人工参与带来的主观性，以及人工预测带来的延时问题；在医疗领域的医疗发展趋势异常时，确定该医疗发展趋势的异常原因，将该异常原因发送至调控部门的网络侧设备，使调控部门基于异常原因针对性的调整医疗体制，优化医疗体制，提高调控部门应对异常医疗领域的能力，改善民生。
与上述图2、图3、图4所示的实施例一致的，请参阅图5，图5是本申请实施例提供的一种基于预测模型确定医疗发展趋势的电子设备500的结构示意图，如图5所示，该电子设备500包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序不同于上述一个或多个应用程序，且上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令；
获取预设时间段内的多份医疗数据；
识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；
调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；
根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。
在一可能的示例中，在识别所述多份医疗数据，确定每份医疗数据对应的医疗领域方面，上述程序中的指令具体用于执行以下操作：
对所述多份医疗数据中的每份医疗数据进行关键词识别，提取所述每份医疗数据中的N个关键词，确定所述N个关键词中每个关键词对应的医疗领域集，得到N个医疗领域集，基于频繁模式增长FP-Growth算法确定所述N个医疗领域集中的频繁项集，确定所述频繁项集中的元素为所述每份医疗数据对应的医疗领域，其中，N为大于1的整数。
在一可能的示例中，在调用与每个医疗数据集合匹配的训练好的预测模型方面，上述程序中的指令具体用于执行以下操作：
确定与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型；
获取所述训练好的预测模型对应的预设电压，生成电压调控信息，所述电压调控信息用于指示将处理器的工作电压调整为所述预设电压；
调用所述训练好的预测模型对应的应用程序编程接口API，调转至所述API，以激活所述训练好的预测模型的运算功能，完成对所述训练好的预测模型的调用。
在一可能的示例中，在将每个医疗数据集合输入到所述训练好的预测模型执行正向运算方面，上述程序中的指令具体用于执行以下操作：
获取每个医疗数据集合所属的医疗领域的预设数据类型集；
提取所述每个医疗数据集合中每份医疗数据的实际数据类型集，将所述实际数据类型集和所述预设数据类型集比对，确定所述每份医疗数据的实际数据类型集中缺少的数据类型，将所述每份医疗数据中缺少的数据类型对应的数据补零，得到所述每份医疗数据对应的输入数据；
获取每个医疗数据集合中的多份医疗数据对应的多个输入数据，将所述多个输入数据中的零值相邻的排列在同一列或者同一行组成输入数据矩阵；
将所述输入数据矩阵输入到与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型执行正向运算。
在一可能的示例中，上述程序中的还用于执行以下操作：
预先设定多个医疗领域；
基于医疗数据库，获取与多个医疗领域中任意一个医疗领域相关的医疗数据，得到该医疗领域的训练数据集；
基于所述医疗数据库，获取所述医疗领域的实际发展趋势，确定所述实际发展趋势为该医疗领域的训练数据集对应的验证集；
将该医疗领域的训练数据集输入到初始模型执行正向运算，得到对所述医疗领域发展趋势的预测结果，将所述预测结果与所述验证集拟合，得到拟合度，如所述拟合度小于第一阈值，基于所述初始模型中的损失函数对所述初始模型执行反向训练，如拟合度大于所述第一阈值或者训练次数大于第二阈值，完成对所述初始模型的训练，得到与所述医疗领域匹配的训练好的预测模型。
在一可能的示例中，上述程序中的还用于执行以下操作：
确定每个医疗数据集合所属的医疗领域的发展趋势是否异常，如确定所述每个医疗数据集合所属的医疗领域的发展趋势异常，确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因，将所述异常原因发送至与所述医疗领域对应的调控部门的网络侧设备，以调整所述医疗领域的医疗体制。
在一可能的示例中，当每个医疗数据集合中的每份医疗数据包含多项医疗数据时，在确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因方面，上述程序中的指令具体用于执行以下操作：
确定所述每个医疗数据集合中每份医疗数据的获取时间；
提取所述每个医疗数据集合中每份医疗数据中任意一项医疗数据，以该项医疗数据在每份医疗数据中的数值为观察值、以及每份医疗数据的获取时间为横轴创建该项医疗数据对应的时间序列，得到该份医疗数据中的多项医疗数据对应的多个时间序列；
处理所述多项医疗数据对应的多个时间序列，确定所述多个时间序列中的变化趋势与所述多个时间序列中的其他时间序列的变化趋势不一致的时间序列，确定所述时间序列对应的一项医疗数据，将该项医疗数据对应的医疗指标标记为所述医疗领域的发展趋势异常的异常原因。
参阅图6，图6示出了上述实施例中所涉及的基于预测模型确定医疗发展趋势的电子设600的一种可能的功能单元组成框图，电子设备600包括获取单元610、组成单元620、输入单元630、确定单元640、其中；
获取单元610，用于获取预设时间段内的多份医疗数据；
组成单元620，用于识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；
输入单元630，用于调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；
确定单元640，用于根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。
在一可能的示例中，在识别所述多份医疗数据，确定每份医疗数据对应的医疗领域时，组成单元620，具体用于：对所述多份医疗数据中的每份医疗数据进行关键词识别，提取所述每份医疗数据中的N个关键词，确定所述N个关键词中每个关键词对应的医疗领域集，得到N个医疗领域集，基于频繁模式增长FP-Growth算法确定所述N个医疗领域集中的频繁项集，确定所述频繁项集中的元素为所述每份医疗数据对应的医疗领域，其中，N为大于1的整数。
在一可能的示例中，在调用与每个医疗数据集合匹配的训练好的预测模型时，输入单元630，具体用于：确定与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型；以及用于获取所述训练好的预测模型对应的预设电压，生成电压调控信息，所述电压调控信息用于指示将处理器的工作电压调整为所述预设电压；以及用于调用所述训练好的预测模型对应的应用程序编程接口API，调转至所述API，以激活所述训练好的预测模型的运算功能，完成对所述训练好的预测模型的调用。
在一可能的示例中，在将每个医疗数据集合输入到所述训练好的预测模型执行正向运算时，输入单元630，具体用于：获取每个医疗数据集合所属的医疗领域的预设数据类型集；以及用于提取所述每个医疗数据集合中每份医疗数据的实际数据类型集，将所述实际数据类型集和所述预设数据类型集比对，确定所述每份医疗数据的实际数据类型集中缺少的数据类型，将所述每份医疗数据中缺少的数据类型对应的数据补零，得到所述每份医疗数据对应的输入数据；以及用于获取每个医疗数据集合中的多份医疗数据对应的多个输入数据，将所述多个输入数据中的零值相邻的排列在同一列或者同一行组成输入数据矩阵；以及用于将所述输入数据矩阵输入到与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型执行正向运算。
在一可能的示例中，电子设备600还包括训练单元650和发送单元660；
其中，训练单元650，用于预先设定多个医疗领域；以及用于基于医疗数据库，获取与多个医疗领域中的任意一个医疗领域相关的医疗数据，得到所述医疗领域的训练数据集；以及用于基于所述医疗数据库，获取所述医疗领域的实际发展趋势，确定所述实际发展趋势为所述医疗领域的训练数据集的验证集；以及用于将所述医疗领域的训练数据集输入到初始模型执行正向运算，得到对所述医疗领域发展趋势的预测结果，将所述预测结果与所述验证集拟合，得到拟合度，如所述拟合度小于第一阈值，基于所述初始模型中的损失函数对所述初始模型执行反向训练，直至拟合度大于所述第一阈值或者训练次数大于第二阈值，完成对所述初始模型的训练，得到与所述医疗领域匹配的训练好的预测模型。
发送单元660，用于确定每个医疗数据集合所属的医疗领域的发展趋势是否异常，如确定所述每个医疗数据集合所属的医疗领域的发展趋势异常，确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因，将所述异常原因发送至与所述医疗领域对应的调控部门的网络侧设备，以调整所述医疗领域的医疗体制。
在一可能的示例中，当每个医疗数据集合中的每份医疗数据包含多项医疗数据时，在确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因时，发送单元660，具体用于：确定所述每个医疗数据集合中每份医疗数据的获取时间；以及用于提取所述每个医疗数据集合中每份医疗数据中任意一项医疗数据，以该项医疗数据在每份医疗数据中的数值为观察值、以及每份医疗数据的获取时间为横轴创建该项医疗数据对应的时间序列，得到该份医疗数据中的多项医疗数据对应的多个时间序列；以及用于处理所述多项医疗数据对应的多个时间序列，确定所述多个时间序列中的变化趋势与所述多个时间序列中的其他时间序列的变化趋势不一致的时间序列，确定所述时间序列对应的一项医疗数据，将该项医疗数据对应的医疗指标标记为所述医疗领域的发展趋势异常的异常原因。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于预测模型确定医疗发展趋势的方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种基于预测模型确定医疗发展趋势的方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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，例如所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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。
另外，在本申请各个实施例中的各功能单元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，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于预测模型确定医疗发展趋势的方法，其特征在于，所述方法应用于电子设备，所述方法包括：
获取预设时间段内的多份医疗数据；
识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；
调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；
根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。
2.根据权利要求1所述的方法，其特征在于，所述识别所述多份医疗数据，确定每份医疗数据对应的医疗领域具体包括：
对所述多份医疗数据中的每份医疗数据进行关键词识别，提取每份医疗数据中的N个关键词，确定所述N个关键词中每个关键词对应的医疗领域集，得到N个医疗领域集，基于频繁模式增长FP-Growth算法确定所述N个医疗领域集中的频繁项集，确定所述频繁项集中的元素为所述每份医疗数据对应的医疗领域，其中，N为大于1的整数。
3.根据权利要求1或2所述的方法，其特征在于，所述调用与每个医疗数据集合匹配的训练好的预测模型具体包括：
确定与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型；
获取所述训练好的预测模型对应的预设电压，生成电压调控信息，所述电压调控信息用于指示将处理器的工作电压调整为所述预设电压；
调用所述训练好的预测模型对应的应用程序编程接口API，调转至所述API，以激活所述训练好的预测模型的运算功能，完成对所述训练好的预测模型的调用。
4.根据权利要求3所述的方法，其特征在于，所述将每个医疗数据集合输入到所述训练好的预测模型执行正向运算具体包括：
获取每个医疗数据集合所属的医疗领域的预设数据类型集；
提取所述每个医疗数据集合中每份医疗数据的实际数据类型集，将所述实际数据类型集和所述预设数据类型集比对，确定所述每份医疗数据的实际数据类型集中缺少的数据类型，将所述每份医疗数据中缺少的数据类型对应的数据补零，得到所述每份医疗数据对应的输入数据；
获取每个医疗数据集合中的多份医疗数据对应的多个输入数据，将所述多个输入数据中的零值相邻的排列在同一列或者同一行组成输入数据矩阵；
将所述输入数据矩阵输入到与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型执行正向运算。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
预先设定多个医疗领域；
基于医疗数据库，获取与多个医疗领域中任意一个医疗领域相关的医疗数据，得到该医疗领域的训练数据集；
基于所述医疗数据库，获取所述医疗领域的实际发展趋势，确定所述实际发展趋势为该医疗领域的训练数据集对应的验证集；
将该医疗领域的训练数据集输入到初始模型执行正向运算，得到对所述医疗领域发展趋势的预测结果，将所述预测结果与所述验证集拟合，得到拟合度，如所述拟合度小于第一阈值，基于所述初始模型中的损失函数对所述初始模型执行反向训练，如拟合度大于所述第一阈值或者训练次数大于第二阈值，完成对所述初始模型的训练，得到与所述医疗领域匹配的训练好的预测模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定每个医疗数据集合所属的医疗领域的发展趋势是否异常，如确定所述每个医疗数据集合所属的医疗领域的发展趋势异常，确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因，将所述异常原因发送至与所述医疗领域对应的调控部门的网络侧设备，以调整所述医疗领域的医疗体制。
7.根据权利要求6所述的方法，当每个医疗数据集合中的每份医疗数据包含多项医疗数据时，其特征在于，所述确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因具体包括：
确定所述每个医疗数据集合中每份医疗数据的获取时间；
提取所述每个医疗数据集合中每份医疗数据中任意一项医疗数据，以该项医疗数据在每份医疗数据中的数值为观察值、以及每份医疗数据的获取时间为横轴创建该项医疗数据对应的时间序列，得到该份医疗数据中的多项医疗数据对应的多个时间序列；
处理所述多项医疗数据对应的多个时间序列，确定所述多个时间序列中的变化趋势与所述多个时间序列中的其他时间序列的变化趋势不一致的时间序列，确定所述时间序列对应的一项医疗数据，将该项医疗数据对应的医疗指标标记为所述医疗领域的发展趋势异常的异常原因。
8.一种基于预测模型确定医疗发展趋势的电子设备，其特征在于，所述电子设备包括：
获取单元，用于获取预设时间段内的多份医疗数据；
组成单元，用于识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；
输入单元，用于调用与每个医疗数据集合匹配的训练好的预测模型，将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果；
确定单元，用于根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-7任一项方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，其用于存储计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
CN201811287259.3A 2018-10-31 2018-10-31 基于预测模型确定医疗发展趋势的方法及相关产品 Active CN109473177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811287259.3A CN109473177B (zh) 2018-10-31 2018-10-31 基于预测模型确定医疗发展趋势的方法及相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811287259.3A CN109473177B (zh) 2018-10-31 2018-10-31 基于预测模型确定医疗发展趋势的方法及相关产品

Publications (2)

Publication Number Publication Date
CN109473177A true CN109473177A (zh) 2019-03-15
CN109473177B CN109473177B (zh) 2023-07-14

Family

ID=65666485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811287259.3A Active CN109473177B (zh) 2018-10-31 2018-10-31 基于预测模型确定医疗发展趋势的方法及相关产品

Country Status (1)

Country Link
CN (1) CN109473177B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889117A (zh) * 2019-11-28 2020-03-17 支付宝(杭州)信息技术有限公司 一种模型攻击的防御方法及装置
CN113077277A (zh) * 2020-01-06 2021-07-06 北京京邦达贸易有限公司 信息处理装置和方法
CN113707337A (zh) * 2021-08-30 2021-11-26 平安科技（深圳）有限公司 基于多源数据的疾病预警方法、装置、设备及存储介质
CN113822365A (zh) * 2021-09-28 2021-12-21 刘玉棚 基于区块链技术的医疗数据存储及大数据挖掘方法及系统
CN116542401A (zh) * 2023-07-05 2023-08-04 江南大学附属医院 一种住院诊疗服务单元的医保超支预测方法与系统
CN113707337B (zh) * 2021-08-30 2024-05-10 平安科技（深圳）有限公司 基于多源数据的疾病预警方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050262031A1 (en) * 2003-07-21 2005-11-24 Olivier Saidi Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition
US20120022886A1 (en) * 2010-07-13 2012-01-26 Quentiq AG Medical Data Acquisition, Diagnostic and Communication System
US20140309511A1 (en) * 2011-12-06 2014-10-16 Dianovator Ab Medical arrangements and a method for prediction of a value related to a medical condition
US20180011922A1 (en) * 2010-09-01 2018-01-11 Apixio, Inc. Systems and Methods for Automated Generation Classifiers
CN107958708A (zh) * 2017-12-22 2018-04-24 北京鑫丰南格科技股份有限公司 院后风险趋势评估方法和系统
CN108648829A (zh) * 2018-04-11 2018-10-12 平安科技（深圳）有限公司 疾病预测方法及装置、计算机装置及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050262031A1 (en) * 2003-07-21 2005-11-24 Olivier Saidi Systems and methods for treating, diagnosing and predicting the occurrence of a medical condition
US20120022886A1 (en) * 2010-07-13 2012-01-26 Quentiq AG Medical Data Acquisition, Diagnostic and Communication System
US20180011922A1 (en) * 2010-09-01 2018-01-11 Apixio, Inc. Systems and Methods for Automated Generation Classifiers
US20140309511A1 (en) * 2011-12-06 2014-10-16 Dianovator Ab Medical arrangements and a method for prediction of a value related to a medical condition
CN107958708A (zh) * 2017-12-22 2018-04-24 北京鑫丰南格科技股份有限公司 院后风险趋势评估方法和系统
CN108648829A (zh) * 2018-04-11 2018-10-12 平安科技（深圳）有限公司 疾病预测方法及装置、计算机装置及可读存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889117A (zh) * 2019-11-28 2020-03-17 支付宝(杭州)信息技术有限公司 一种模型攻击的防御方法及装置
CN110889117B (zh) * 2019-11-28 2022-04-19 支付宝(杭州)信息技术有限公司 一种模型攻击的防御方法及装置
CN113077277A (zh) * 2020-01-06 2021-07-06 北京京邦达贸易有限公司 信息处理装置和方法
CN113707337A (zh) * 2021-08-30 2021-11-26 平安科技（深圳）有限公司 基于多源数据的疾病预警方法、装置、设备及存储介质
CN113707337B (zh) * 2021-08-30 2024-05-10 平安科技（深圳）有限公司 基于多源数据的疾病预警方法、装置、设备及存储介质
CN113822365A (zh) * 2021-09-28 2021-12-21 刘玉棚 基于区块链技术的医疗数据存储及大数据挖掘方法及系统
CN113822365B (zh) * 2021-09-28 2023-09-05 北京恒生芸泰网络科技有限公司 基于区块链技术的医疗数据存储及大数据挖掘方法及系统
CN116542401A (zh) * 2023-07-05 2023-08-04 江南大学附属医院 一种住院诊疗服务单元的医保超支预测方法与系统
CN116542401B (zh) * 2023-07-05 2023-09-19 江南大学附属医院 一种住院诊疗服务单元的医保超支预测方法与系统

Also Published As

Publication number Publication date
CN109473177B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN109473177A (zh) 基于预测模型确定医疗发展趋势的方法及相关产品
KR101423807B1 (ko) 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법
Wang et al. Design and implementation of the GLIF3 guideline execution engine
CN101261679A (zh) 基于现场可编程门阵列的多指纹密码识别方法及系统
CN103154933B (zh) 用于将草药成分与中医中的疾病相关联的人工智能和方法
Chopra et al. Recurrent neural networks with non-sequential data to predict hospital readmission of diabetic patients
CN102033743A (zh) 一种应用插件扩充模型驱动开发能力的系统及其方法
CN110210513A (zh) 数据分类方法、装置及终端设备
CN108597605A (zh) 一种个人健康生活大数据采集与分析系统
CN108877929A (zh) 基于神经网络的拟诊推荐处理方法、装置和计算机设备
CN101288090A (zh) 对主题系统的动作施加
CN107480435A (zh) 一种应用于临床数据的自动搜索机器学习系统及方法
Chan et al. Sparse flexible design: a machine learning approach
CN109035094A (zh) 基于人工智能的教学方法、装置及终端设备
CN205665729U (zh) 细胞/卷积神经网络智能视觉支付加速器
Meneu et al. Heart Cycle: Facilitating the deployment of advanced care processes
Yadav et al. Machine learning in expert systems for disease diagnostics in human healthcare
CN111680798A (zh) 联合学习模型系统和方法、装置和计算机可读存储介质
Wang et al. Ordered incremental attribute learning based on mRMR and neural networks
Melnykova et al. The special ways of application of neural networks for medical information processing
Ilyashenko Smart Crossover Mechanism for Parallel Neuroevolution Method of Medical Diagnostic Models Synthesis
Yue et al. TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction
US11426117B2 (en) Methods and systems for dietary communications using intelligent systems regarding endocrinal measurements
CN106250587A (zh) 元模型数据处理方法及装置
CN107908429A (zh) 应用于机器人软件工程师的人机交互与编程系统

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