CN109616218A - 数据处理方法、装置、介质及电子设备 - Google Patents
数据处理方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109616218A CN109616218A CN201811471866.5A CN201811471866A CN109616218A CN 109616218 A CN109616218 A CN 109616218A CN 201811471866 A CN201811471866 A CN 201811471866A CN 109616218 A CN109616218 A CN 109616218A
- Authority
- CN
- China
- Prior art keywords
- history
- disease
- death rate
- target
- disease incidence
- 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.)
- Pending
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种数据处理方法、装置、介质及电子设备,该数据处理方法包括:获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率;根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型;利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。本发明实施例的技术方案能够实现自动预测目标区域内的目标疾病在未来一段时间的发病率和/或死亡率。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种数据处理方法、装置、介质及电子设备。
背景技术
目前,相关部门每年都会统计并公布各个地区一些重大疾病的发病趋势,例如发布北京地区每年各种癌症的发病率、死亡率等信息,但公开的发病率和死亡率是基于过去这一年的历史数据统计获得的,无法自动预测未来一段时间内的发病率和死亡率。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种数据处理方法、装置、介质及电子设备,进而至少在一定程度上克服相关技术中无法自动预测患者发病率和/或死亡率的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本公开的一个方面,提供一种数据处理方法,包括:获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率;根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型;利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
在本公开的一种示例性实施例中,还包括:根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型,包括:将所述历史发病率和/或历史死亡率划分为至少一种状态;根据所述历史发病率和/或历史死亡率获取各状态的统计信息;根据所述统计信息确定所述马尔科夫模型的一步转移概率矩阵和初始状态概率向量。
在本公开的一种示例性实施例中,根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型,还包括:根据所述历史发病率和/或历史死亡率获得各状态的平均发病率和/或平均死亡率。
在本公开的一种示例性实施例中,利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率,包括:根据所述一步转移概率矩阵和所述初始状态概率向量,获得所述目标区域在所述预测时间点所述目标疾病处于各状态的预测概率;根据各状态的预测概率和各状态的平均发病率和/或平均死亡率,获得所述目标区域在所述预测时间点所述目标疾病的当前发病率和/或当前死亡率。
在本公开的一种示例性实施例中,还包括:获取各历史发病率和/或历史死亡率的年龄信息;根据各历史发病率和/或历史死亡率及其年龄信息,获得所述目标疾病各年龄的平均发病率和/或平均死亡率;根据各年龄的平均发病率和/或平均死亡率建立回归模型;根据所述回归模型获得所述目标疾病在目标年龄的预测发病率和/或预测死亡率。
在本公开的一种示例性实施例中,还包括:根据所述历史发病率和/或历史死亡率,获得所述预定时间段内每相邻时间区间内的所述目标疾病的历史发病率和/或历史死亡率的差值;根据各差值获得差值均值;根据所述差值均值判断所述目标疾病的发病率和/或死亡率是否出现异常波动。
在本公开的一种示例性实施例中,还包括:将所述目标区域内的所述目标疾病的历史病案信息存储至区块链中;其中,所述历史病案信息包括历史发病率和/或历史死亡率和/或各历史发病率和/或历史死亡率的年龄信息。
根据本公开的一个方面,提供一种数据处理装置,包括:历史数据获取模块,配置为获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率;预测模型建立模块,配置为根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型;结果预测模块,配置为利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
根据本公开的一个方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的数据处理方法。
根据本公开的一个方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述任一实施例所述的数据处理方法。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明的一些实施例所提供的技术方案中,通过根据获取的预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率,建立针对所述目标区域和所述目标疾病的马尔科夫模型,从而可以实现利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1示意性示出了根据本发明的一个实施例的数据处理方法的流程图;
图2示意性示出了图1中的步骤S120的一个实施例的流程图;
图3示意性示出了图1中的步骤S130的一个实施例的流程图;
图4示意性示出了根据本发明的另一个实施例的数据处理方法的流程图;
图5示意性示出了根据本发明的又一个实施例的数据处理方法的流程图;
图6示意性示出了根据本发明的一个实施例的数据处理装置的框图;
图7示意性示出了根据本发明的另一个实施例的数据处理装置的框图;
图8示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据本发明的一个实施例的数据处理方法的流程图,该数据处理方法的执行主体可以是具有计算处理功能的设备,如服务器和/或移动终端等。
如图1所示,本发明实施方式提供的数据处理方法可以包括以下步骤。
在步骤S110中,获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率。
本发明实施例中,所述预定时间段内可以是过去的一段时间,可以以年为单位,也可以以月为单位,甚至可以以周或者天、小时等为单位,在下面的实施例中,仅以年为单位为例进行举例说明,但本发明并不限定于此。
本发明实施例中,所述目标区域可以以国别、省市、区县、乡镇等为单位,本发明对此不作限定,可以根据实际情况来确定。其中,所述目标区域可以根据所述目标疾病的患者的长期(例如半年或者一年以上)居住地、户籍所在地等中的任意一者。
本发明实施例中,所述目标疾病可以是癌症(又可以细分为各类癌症,例如肝癌、肺癌等中的任意一种或者多种)、心血管病、慢性呼吸病和糖尿病等中的任意一种或者多种。
在示例性实施例中,所述方法还可以包括:将所述目标区域内的所述目标疾病的历史病案信息存储至区块链中;其中,所述历史病案信息包括历史发病率和/或历史死亡率和/或各历史发病率和/或历史死亡率的年龄信息。
本发明实施例中,若所述方法能够同时实现预测发病率和死亡率的目的,则所述区块链中存储的数据可以包括每一年(这里假设以年为单位)各个地区某疾病(这里以糖尿病为例)的初始患病案例信息以及死亡案例信息。若所述方法只需要实现预测发病率,则所述区块链中可以仅存储每一年各个地区某疾病的初始患病案例信息。若所述方法只需要实现预测死亡率,则所述区块链中可以仅存储每一年各个地区某疾病的死亡案例信息。
其中所述初始患病案例信息可以进一步包括每一年各个地区初步确诊患上糖尿病的患者信息,例如患者初次确诊时的年龄、患者当前年龄、性别、居住地、户籍所在地、生活习惯(是否有吸烟史、是否有喝酒史等)、直系亲属病史、婚史、发病症状和特征、治疗史、治疗方案等信息,所述死亡案例信息可以进一步包括每一年各个地区糖尿病患者的死亡信息,包括患者的死亡时间、死亡年龄、初次确诊时的年龄、患者当前年龄、性别、居住地、户籍所在地、生活习惯(是否有吸烟史、是否有喝酒史等)、直系亲属病史、婚史、发病症状和特征、治疗史、治疗方案等信息。
本发明实施例中,考虑到若直接对各地区的所有人进行普查,人力成本和时间成本过高,可以在各个地区的人群中对发病率和/或死亡率进行随机抽样调查,并将调查结果存储到区块链,然后再用统计方法根据区块链中存储的所有或者部分案例信息获得目标地区目标疾病每一年的历史发病率和历史死亡率,对于人口密度很大的地区,若样本足够大,可以得到较准确的结果。
本发明实施例中,为了实现利用区块链来存储与历史发病率和/或历史死亡率相关的案例信息,可以首先进行区块链节点及区块链网络的构建、更新和维护。例如,可以以某集团的某个分支机构为最小节点,一个或多个大型集团/公司参与目标疾病发病率和/或死亡率预测的交易区块链网络构建。
本发明实施例中,所述方法还可以包括:按照预先定义的数据结构方式、信息存储方式和协议来存储和认证共享信息等,以保证信息存储和信息处理的高效率。
例如,一个目标疾病死亡率预测的交易信息的输入可以是目标疾病如癌症、心血管病、慢性呼吸病和糖尿病等的死亡案例信息,对发生病亡的相关患者的病因的记录和相关病亡患者的最后时刻的生命特征统计、相关人员的公开密钥和签字,一个交易的输出可以是系统自动预测的相关目标疾病的发病趋势(地域、年龄、死亡率等),对目标疾病的死亡率出现异常变动的情况向相关部门发出的提醒、相关信息访问者的公开密钥(账户地址)等。具体如下表1所示:
表1
本发明实施例中,利用区块链哈希指针的交易链数据结构和加密学的哈希计算和加密学数字签字的机制,实现交易过程中的多层次证据确认来实现不同个体交易方之间的信任问题。
本发明实施例中,在系统中注册的企业(医院、相关医疗机构、人寿保险公司等)或个人将引发人类病亡的重大疾病如癌症、心血管病、慢性呼吸病和糖尿病等的死亡案例信息上传到区块链,还可以将可以用于帮助进一步确认相关重大疾病死亡率的相关图片或视频等也上传到区块链,根据区块链存储的数据具有隐私保护(可以通过访问权限限制、图片或视频加水印等技术手段实现)、可追溯、不易篡改等的特点。
在步骤S120中,根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型。
在步骤S130中,利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
本发明实施例中,所述方法还可以包括:评估系统的及时性、有效性和准确性,具体的,可以基于目标疾病的案例信息的历史数据,预测目标区域的目标疾病的发病率和/或死亡率,并评估预测的及时性、有效性和准确性,以期通过在区块链网络中有效实现目标疾病的控制和管理,从而有力促进区块链技术应用在重大疾病控制和管理方面。
本发明实施方式提供的数据处理方法,通过根据获取的预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率,建立针对所述目标区域和所述目标疾病的马尔科夫模型,从而可以实现利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
此外,本发明实施方式提供的数据处理方法,可以基于区块链中预先存储的历史数据,统计获得目标区域的目标疾病的历史发病率和/或历史死亡率,从而可以实现自动预测目标疾病的发病率和/或死亡率,从而有力促进区块链技术应用在重大疾病的控制和管理方面。随着区块链技术在重大疾病的控制和管理、医疗养老和理财服务管理、保险、金融、物流等多个领域的广泛应用,该方案的应用可以带来可观的经济效益和社会效益。
图2示意性示出了图1中的步骤S120的一个实施例的流程图。
如图2所示,本发明实施例中上述步骤S120可以进一步包括以下步骤。
在步骤S121中,将所述历史发病率和/或历史死亡率划分为至少一种状态。
这里以糖尿病的发病率预测为例,假设已知2008年至2017年某地区糖尿病的历史发病率,预测未来k年内该地区的糖尿病发病率。
首先,可以从区块链中采集该地区在2008年至2017年糖尿病的初始患病案例信息,采用统计方法获得该地区2008年至2017年糖尿病的历史发病率,假设分别为百分之7.5,8,9,10.5,11.8,13,14,14.5,16,20(在下面的计算中,均暂时先不考虑百分比)。
首先,将该地区2008年至2017年各年份的糖尿病历史发病率数据按照下面的组间距公式划分为n种状态:
di+1=m+di
其中,上述公式中,di+1是第i种状态的上限值,di是第i种状态的下限值;n为大于等于1的正整数。
以上述地区2008年至2017年糖尿病的历史发病率的分布情况,可以将糖尿病的历史发病率按照数值大小划分为n个等级,分别对应n种状态,例如,可以令d1=5,m=5,n=5,则:
状态1<5;
5<=状态2<10;
10<=状态3<15;
15<=状态4<20;
20<=状态5;
则,该地区2008年至2017年糖尿病的历史发病率用状态表示为:2,2,2,3,3,3,3,3,4,5。
在步骤S122中,根据所述历史发病率和/或历史死亡率获取各状态的统计信息。
假设该地区2008年至2017年糖尿病的历史发病率用状态表示为:2,2,2,3,3,3,3,3,4,5,则可以获得如下表2所述的统计信息:
表2
状态 | 区间范围 | 年份 | 年数 |
状态1 | <5 | 无 | 0 |
状态2 | [5,10) | 2008,2009,2010 | 3 |
状态3 | [10,15) | 2011,2012,2013,2014,2015 | 5 |
状态4 | [15,20) | 2016 | 1 |
状态5 | ≥20 | 2017 | 1 |
在步骤S123中,根据所述统计信息确定所述马尔科夫模型的一步转移概率矩阵和初始状态概率向量。
根据上述表2的统计信息,可以确定马尔科夫模型的初始状态概率向量
同时,还可以根据上述统计信息,计算相对应的一步转移概率矩阵S={pij},其中,i和j的取值均为大于等于1,小于等于n的正整数,即S为一个n乘以n的矩阵。其中:
pij=P(Xt+1=j|Xt=i),
即,pij表示系统在时刻t(这里取值为2008年至2017年中的任意一年)状态为i,且时刻t+1状态为j的概率,可由极大似然估计得到。
继续参考图2,还可以包括步骤S124,根据所述历史发病率和/或历史死亡率获得各状态的平均发病率和/或平均死亡率。
例如,根据区块链中存储的历史数据,可以利用统计的方法获得状态1的平均发病率和/或平均死亡率,状态2的平均发病率和/或平均死亡率,状态3的平均发病率和/或平均死亡率,状态4的平均发病率和/或平均死亡率,状态5的平均发病率和/或平均死亡率。这里以状态2的平均发病率为例,即可以将2008-2010该地区的糖尿病发病率求平均值。
图3示意性示出了图1中的步骤S130的一个实施例的流程图。
如图3所示,本发明实施例中上述步骤S130可以进一步包括以下步骤。
在步骤S131中,根据所述一步转移概率矩阵和所述初始状态概率向量,获得所述目标区域在所述预测时间点所述目标疾病处于各状态的预测概率。
这里,假设所述预测时间点为距离当前时间最近的k年时间,则可以通过以下公式计算获得所述目标区域内所述目标疾病处于各状态的预测概率为:
a(k)=a(0)·Sk
在步骤S132中,根据各状态的预测概率和各状态的平均发病率和/或平均死亡率,获得所述目标区域在所述预测时间点所述目标疾病的当前发病率和/或当前死亡率。
本发明实施例中,假设上述划分的每一种状态所对应的平均发病率为ai(i=1,2,…,n),则可以根据以下公式计算获得所述当前发病率和/或当前死亡率=[a1,a2,..,ai,an]·a(k)。
例如,假设上述状态1至状态5所对应的糖尿病的平均发病率分别为a1,a2,a3,a4,a5,预测获得属于每一状态的概率分别为q1,q2,q3,q4,q5,则2018年该地区的糖尿病发病率可以表示为a1*q1+a2*q2+a3*q3+a4*q4+a5*q5。
其中,死亡率的预测的方法于此类似,在此不再赘述。
需要说明的是,预测发病率和/或死亡率的方法并不限于上述例举的方法,例如,还可以根据上述步骤S131获得的所述目标区域在所述预测时间点所述目标疾病处于各状态的预测概率a(k),此时a(k)为一个1乘以n的矩阵=[q1,q2,q3,q4,q5],判断a(k)中的最大值即系统所处状态的概率最大值作为预测的状态,假设q4概率值最大,则可以判断该地区在未来k年时间内处于状态4,此时可以将状态4的中间值=(状态4下限值+状态4上限值)/2=(15+20)/2=17.5作为所述目标区域在所述预测时间点所述目标疾病的当前发病率和/或当前死亡率。
图4示意性示出了根据本发明的另一个实施例的数据处理方法的流程图。
如图4所示,本发明实施例提供的数据处理方法与上述其他实施例的不同之处在于,其还包括以下步骤。
在步骤S410中,获取各历史发病率和/或历史死亡率的年龄信息。
本发明实施例中,还可以在区块链中存储各地区每年各目标疾病的初始患病患者的年龄和/或死亡患者的死亡年龄等信息。
在步骤S420中,根据各历史发病率和/或历史死亡率及其年龄信息,获得所述目标疾病各年龄的平均发病率和/或平均死亡率。
例如,通过统计区块链中存储的历史数据,可以获得一段时期内例如最近3年内,不同年龄例如18-100岁成年人的平均发病率。
在步骤S430中,根据各年龄的平均发病率和/或平均死亡率建立回归模型。
这里可以以年龄x为自变量,所对应的平均发病率y为因变量,将步骤S420获得的不同年龄的平均发病率代入下述公式中,计算回归模型的模型参数c0,c1,c2,…,cm:
y=c0+c1*x+c2*x2+…+cm*xm
其中,m为大于等于1的正整数。
在步骤S440中,根据所述回归模型获得所述目标疾病在目标年龄的预测发病率和/或预测死亡率。
本发明实施例中,预测时,可以将目标年龄xi代入上述公式,即可计算获得与该目标年龄xi对应的预测发病率。
图5示意性示出了根据本发明的又一个实施例的数据处理方法的流程图。
如图5所示,本发明实施例提供的数据处理方法与上述其他实施例的不同之处在于,其还包括以下步骤。
在步骤S510中,根据所述历史发病率和/或历史死亡率,获得所述预定时间段内每相邻时间区间内的所述目标疾病的历史发病率和/或历史死亡率的差值。
在步骤S520中,根据各差值获得差值均值。
在步骤S530中,根据所述差值均值判断所述目标疾病的发病率和/或死亡率是否出现异常波动。
例如,可以首先计算每相邻两年糖尿病的历史死亡率的差值,假设bi为第i年的历史死亡率,即bb1=b2-b1,bb2=b3-b2,...,bb9=b10-b9,然后计算差值的平均值z=1/9*(bb1+bb2+...+bb9),设某年的死亡率为bx,前一年的死亡率为bx-1,若|bx-bx-1|>a+w,则认为该年的糖尿病死亡率发生了异常波动;反之,则可以认为该年的糖尿病死亡率未发生异常波动,其中,w可以为一预先设定的修正参数,其具体取值可以根据实际应用场景来设定,本发明对此不作限定。
以下介绍本发明的装置实施例,可以用于执行本发明上述的数据处理方法。
图6示意性示出了根据本发明的一个实施例的数据处理装置的框图。
如图6所示,本发明实施方式提供的数据处理装置600可以包括历史数据获取模块610、预测模型建立模块620以及结果预测模块630。
其中,历史数据获取模块610可以配置为获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率。
预测模型建立模块620可以配置为根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型。
结果预测模块630可以配置为利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
在示例性实施例中,数据处理装置600还可以包括:年龄信息获取模块,可以配置为获取各历史发病率和/或历史死亡率的年龄信息;年龄平均信息获得模块,可以配置为根据各历史发病率和/或历史死亡率及其年龄信息,获得所述目标疾病各年龄的平均发病率和/或平均死亡率;回归模型建立模块,可以配置为根据各年龄的平均发病率和/或平均死亡率建立回归模型;年龄疾病信息预测模块,可以配置为根据所述回归模型获得所述目标疾病在目标年龄的预测发病率和/或预测死亡率。
在示例性实施例中,数据处理装置600还可以包括:疾病差值信息获得模块,可以配置为根据所述历史发病率和/或历史死亡率,获得所述预定时间段内每相邻时间区间内的所述目标疾病的历史发病率和/或历史死亡率的差值;差值均值计算模块,可以配置为根据各差值获得差值均值;异常波动判断模块,可以配置为根据所述差值均值判断所述目标疾病的发病率和/或死亡率是否出现异常波动。
在示例性实施例中,数据处理装置600还可以包括:历史数据存储模块,可以配置为将所述目标区域内的所述目标疾病的历史病案信息存储至区块链中;其中,所述历史病案信息包括历史发病率和/或历史死亡率和/或各历史发病率和/或历史死亡率的年龄信息。
图7示意性示出了根据本发明的一个实施例的数据处理装置的框图。
如图7所示,本发明实施方式提供的数据处理装置700可以包括历史数据获取模块710、预测模型建立模块720以及结果预测模块730。
在图7所示实施例中,预测模型建立模块720可以进一步包括状态划分单元721、状态统计单元722、概率向量确定单元723以及平均状态获得单元724。
状态划分单元721可以配置为将所述历史发病率和/或历史死亡率划分为至少一种状态。
状态统计单元722可以配置为根据所述历史发病率和/或历史死亡率获取各状态的统计信息。
概率向量确定单元723可以配置为根据所述统计信息确定所述马尔科夫模型的一步转移概率矩阵和初始状态概率向量。
平均状态获得单元724可以配置为根据所述历史发病率和/或历史死亡率获得各状态的平均发病率和/或平均死亡率。
继续参考图7,结果预测模块730可以进一步包括状态概率预测单元731和结果预测单元732。
状态概率预测单元731可以配置为根据所述一步转移概率矩阵和所述初始状态概率向量,获得所述目标区域在所述预测时间点所述目标疾病处于各状态的预测概率。
结果预测单元732可以配置为根据各状态的预测概率和各状态的平均发病率和/或平均死亡率,获得所述目标区域在所述预测时间点所述目标疾病的当前发病率和/或当前死亡率。
由于本发明的示例实施例的数据处理装置的各个功能模块与上述数据处理方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的数据处理方法的实施例。
下面参考图8,其示出了适于用来实现本发明实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备的计算机系统800仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分807加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分807。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的数据处理方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S110,获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率;步骤S120,根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型;步骤S130,利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
又如,所述的电子设备可以实现如图2至图5所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率;
根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型;
利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
2.根据权利要求1所述的数据处理方法,其特征在于,根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型,包括:
将所述历史发病率和/或历史死亡率划分为至少一种状态;
根据所述历史发病率和/或历史死亡率获取各状态的统计信息;
根据所述统计信息确定所述马尔科夫模型的一步转移概率矩阵和初始状态概率向量。
3.根据权利要求2所述的数据处理方法,其特征在于,根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型,还包括:
根据所述历史发病率和/或历史死亡率获得各状态的平均发病率和/或平均死亡率。
4.根据权利要求3所述的数据处理方法,其特征在于,利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率,包括:
根据所述一步转移概率矩阵和所述初始状态概率向量,获得所述目标区域在所述预测时间点所述目标疾病处于各状态的预测概率;
根据各状态的预测概率和各状态的平均发病率和/或平均死亡率,获得所述目标区域在所述预测时间点所述目标疾病的当前发病率和/或当前死亡率。
5.根据权利要求1所述的数据处理方法,其特征在于,还包括:
获取各历史发病率和/或历史死亡率的年龄信息;
根据各历史发病率和/或历史死亡率及其年龄信息,获得所述目标疾病各年龄的平均发病率和/或平均死亡率;
根据各年龄的平均发病率和/或平均死亡率建立回归模型;
根据所述回归模型获得所述目标疾病在目标年龄的预测发病率和/或预测死亡率。
6.根据权利要求1所述的数据处理方法,其特征在于,还包括:
根据所述历史发病率和/或历史死亡率,获得所述预定时间段内每相邻时间区间内的所述目标疾病的历史发病率和/或历史死亡率的差值;
根据各差值获得差值均值;
根据所述差值均值判断所述目标疾病的发病率和/或死亡率是否出现异常波动。
7.根据权利要求1所述的数据处理方法,其特征在于,还包括:
将所述目标区域内的所述目标疾病的历史病案信息存储至区块链中;
其中,所述历史病案信息包括历史发病率和/或历史死亡率和/或各历史发病率和/或历史死亡率的年龄信息。
8.一种数据处理装置,其特征在于,包括:
历史数据获取模块,配置为获取预定时间段内目标区域的目标疾病的历史发病率和/或历史死亡率;
预测模型建立模块,配置为根据所述历史发病率和/或历史死亡率建立针对所述目标区域和所述目标疾病的马尔科夫模型;
结果预测模块,配置为利用所述马尔科夫模型预测所述目标区域在预测时间点所述目标疾病的当前发病率和/或当前死亡率。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的数据处理方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471866.5A CN109616218A (zh) | 2018-12-04 | 2018-12-04 | 数据处理方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471866.5A CN109616218A (zh) | 2018-12-04 | 2018-12-04 | 数据处理方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109616218A true CN109616218A (zh) | 2019-04-12 |
Family
ID=66007007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811471866.5A Pending CN109616218A (zh) | 2018-12-04 | 2018-12-04 | 数据处理方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109616218A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524610A (zh) * | 2020-04-24 | 2020-08-11 | 南方科技大学 | 预测传染病的确诊人数的方法、装置、设备和存储介质 |
CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150611A (zh) * | 2013-03-08 | 2013-06-12 | 北京理工大学 | Ii型糖尿病发病概率分层预测方法 |
CN103201743A (zh) * | 2010-11-08 | 2013-07-10 | 皇家飞利浦电子股份有限公司 | 患者疾病严重性、死亡率和住院时长的连续预测方法 |
CN105912832A (zh) * | 2015-02-18 | 2016-08-31 | 株式会社日立制作所 | 经年变化预测系统以及经年变化预测方法 |
CN106030589A (zh) * | 2014-02-19 | 2016-10-12 | 赫尔实验室有限公司 | 使用开源数据的疾病预测系统 |
CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
CN108389631A (zh) * | 2018-02-07 | 2018-08-10 | 平安科技(深圳)有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
CN108461150A (zh) * | 2017-02-20 | 2018-08-28 | 天津工业大学 | 一种职业卫生预测研究方法 |
CN108665156A (zh) * | 2018-04-28 | 2018-10-16 | 福州大学 | 区块链下基于马尔科夫链的供应链选择评价方法 |
-
2018
- 2018-12-04 CN CN201811471866.5A patent/CN109616218A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103201743A (zh) * | 2010-11-08 | 2013-07-10 | 皇家飞利浦电子股份有限公司 | 患者疾病严重性、死亡率和住院时长的连续预测方法 |
US20130232103A1 (en) * | 2010-11-08 | 2013-09-05 | Koninklijke Philips Electronics N.V. | Method of continuous prediction of patient severity of illness, mortality, and length of stay |
CN103150611A (zh) * | 2013-03-08 | 2013-06-12 | 北京理工大学 | Ii型糖尿病发病概率分层预测方法 |
CN106030589A (zh) * | 2014-02-19 | 2016-10-12 | 赫尔实验室有限公司 | 使用开源数据的疾病预测系统 |
CN105912832A (zh) * | 2015-02-18 | 2016-08-31 | 株式会社日立制作所 | 经年变化预测系统以及经年变化预测方法 |
CN108461150A (zh) * | 2017-02-20 | 2018-08-28 | 天津工业大学 | 一种职业卫生预测研究方法 |
CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
CN108389631A (zh) * | 2018-02-07 | 2018-08-10 | 平安科技(深圳)有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
CN108665156A (zh) * | 2018-04-28 | 2018-10-16 | 福州大学 | 区块链下基于马尔科夫链的供应链选择评价方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524610A (zh) * | 2020-04-24 | 2020-08-11 | 南方科技大学 | 预测传染病的确诊人数的方法、装置、设备和存储介质 |
CN111524610B (zh) * | 2020-04-24 | 2022-10-21 | 南方科技大学 | 预测传染病的确诊人数的方法、装置、设备和存储介质 |
CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11954112B2 (en) | Systems and methods for data processing and enterprise AI applications | |
US10762564B2 (en) | Autonomous peer-to-peer energy networks operating on a blockchain | |
CN108280685B (zh) | 信息获取方法和装置 | |
CN109036579A (zh) | 基于区块链的信息预测方法、装置、介质及电子设备 | |
CN109214926A (zh) | 基于区块链的理财产品推荐方法、装置、介质及电子设备 | |
CN109284843A (zh) | 基于区块链的办公场所管理方法、装置、介质及电子设备 | |
CN109118253A (zh) | 区块链药品管控方法、装置、介质及电子设备 | |
WO2020168851A1 (zh) | 行为识别 | |
CN109118224A (zh) | 区块链网络的工作量证明方法、装置、介质及电子设备 | |
CN113283948B (zh) | 预测模型的生成方法、装置、设备和可读介质 | |
Deng et al. | The impact of urbanization on farmland productivity: Implications for China’s requisition–compensation balance of farmland policy | |
CN110136011A (zh) | 保险智能报价方法、装置、介质及电子设备 | |
CN110458355A (zh) | 事件预测方法、装置、设备及存储介质 | |
CN108876213A (zh) | 基于区块链的产品管理方法、装置、介质及电子设备 | |
Smythe et al. | Geographic microtargeting of social assistance with high-resolution poverty maps | |
CN109102869A (zh) | 基于区块链的医疗数据管理方法、装置、介质及电子设备 | |
Sefati et al. | A hybrid service selection and composition for cloud computing using the adaptive penalty function in genetic and artificial bee colony algorithm | |
CN109002925A (zh) | 业务量预测方法和装置 | |
CN110033387A (zh) | 基于区块链的理赔数据处理方法、装置、介质及电子设备 | |
CN109616218A (zh) | 数据处理方法、装置、介质及电子设备 | |
Bertsimas et al. | Hospital-wide inpatient flow optimization | |
CN109118225A (zh) | 基于区块链的收藏品管理方法、装置、介质及电子设备 | |
CN110197316B (zh) | 运营数据的处理方法、装置、计算机可读介质及电子设备 | |
CN109598625A (zh) | 基于大数据的保费计算方法、装置、介质及电子设备 | |
CN109636627A (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |