CN110517779A - 数据处理方法、装置、电子设备及可读存储介质 - Google Patents

数据处理方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN110517779A
CN110517779A CN201910820637.8A CN201910820637A CN110517779A CN 110517779 A CN110517779 A CN 110517779A CN 201910820637 A CN201910820637 A CN 201910820637A CN 110517779 A CN110517779 A CN 110517779A
Authority
CN
China
Prior art keywords
defect
healthy
risk
health
risk factors
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
CN201910820637.8A
Other languages
English (en)
Other versions
CN110517779B (zh
Inventor
常德杰
孔飞
刘邦长
刘朝振
王海
张航飞
季科
闫广庆
姜鹏
刘红霞
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.)
Beijing Miaoyijia Health Technology Group Co Ltd
Original Assignee
Beijing Miaoyijia Health Technology Group 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 Beijing Miaoyijia Health Technology Group Co Ltd filed Critical Beijing Miaoyijia Health Technology Group Co Ltd
Priority to CN201910820637.8A priority Critical patent/CN110517779B/zh
Publication of CN110517779A publication Critical patent/CN110517779A/zh
Application granted granted Critical
Publication of CN110517779B publication Critical patent/CN110517779B/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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (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

本申请提供一种数据处理方法、装置、电子设备及可读存储介质，包括：获取用户的多个健康程度反映项目；筛选出表征用户的健康程度异常的健康程度反映项目，记为风险因数项；对于多个健康缺陷中的每个健康缺陷，计算每个风险因数项导致健康缺陷的概率；根据每个风险因数项导致健康缺陷的概率，计算每个健康缺陷的风险值；根据多个健康缺陷中的每个健康缺陷的风险值，对多个健康缺陷进行排序，生成与多个健康缺陷的排序对应的健康干预方案。与现有的技术相比，充分对健康程度反映项目进行了分析和处理，健康程度反映项目可以包括现有技术中的活动参数，上述的实施方式改善了现有技术未充分利用用户的活动参数的问题。

Description

数据处理方法、装置、电子设备及可读存储介质
技术领域
本申请涉及互联网领域，具体而言，涉及一种数据处理方法、装置、电子设备及可读存储介质。
背景技术
现有技术中，通常会通过智能可穿戴设备(如智能手表、智能手环等)获得用户的部分活动参数(如心率、每日行走的步数等)。但现有的智能可穿戴设备通常只是获得并展示用户的活动参数，并没有对活动参数进一步分析和处理，没有充分利用用户的活动参数。
发明内容
本申请实施例的目的在于提供一种数据处理方法、装置、电子设备及可读存储介质，用以改善现有技术未充分利用用户的活动参数的问题。
第一方面，本申请实施例提供了一种数据处理方法，所述方法包括：获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度；从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项；对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率；根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值；根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
在上述的实施方式中，与现有的技术相比，充分对健康程度反映项目进行了分析和处理，健康程度反映项目可以包括现有技术中的活动参数，上述的实施方式改善了现有技术未充分利用用户的活动参数的问题。
在一个可能的设计中，所述根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值之后，所述方法还包括：根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数。
在计算出每个健康缺陷的风险值之后，还可以依据多个健康缺陷的风险值进行综合分析，得到用户的身体状态风险指数，该身体状态风险指数可以给用户起到较好的警示作用。
在一个可能的设计中，所述根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数，包括：计算获得所述多个健康缺陷中的每个健康缺陷的风险值的加和，记为健康风险加和；根据所述身体状态风险指数与所述健康风险加和之间的函数关系，计算所述身体状态风险指数。
在计算身体状态风险指数时，可以先计算每个健康缺陷的风险值的加和，然后利用身体状态风险指数与加和之间的函数关系对上述加和进行处理，得到身体状态风险指数。
在一个可能的设计中，所述函数关系为sigmod映射函数关系。
在一个可能的设计中，所述对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，包括：对于至少一个风险因数项中的每个风险因数项，获取所述风险因数项与第一健康缺陷同时出现的次数、获取所述第一健康缺陷出现的总次数，其中，所述第一健康缺陷为所述多个健康缺陷中的任一健康缺陷；计算所述风险因数项与第一健康缺陷同时出现的次数与所述第一健康缺陷出现的总次数的比值，所述比值为所述风险因数项导致所述第一健康缺陷的概率。
根据风险因数项与某健康缺陷同时出现的次数除以该健康缺陷出现的总次数，从而得到相应的风险因数项导致第一健康缺陷的概率。
在一个可能的设计中，所述根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值，包括：对于所述多个健康缺陷中的每个健康缺陷，计算获得所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率的加和，记为所述健康缺陷的风险值。
先计算多个风险因数项中每个风险因数项导致某一健康缺陷的概率，再计算上述概率的加和，将该加和记为上述健康缺陷的风险值。也可以通过其他方式来计算某一健康缺陷的风险值，计算健康缺陷的风险值的具体方式不应该理解为是对本申请的限制。
在一个可能的设计中，所述获取用户的多个健康程度反映项目之后，所述从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目之前，所述方法还包括：对所述多个健康程度反映项目中的每个健康程度反映项目依次进行数据清洗、缺失值补全或可信性评估处理。
在获得健康程度反映项目之后，还可以先对多个健康程度反映项目进行预处理，以剔除明显不合理的数据，从而提高对健康程度反映项目进行数据分析的准确性。
第二方面，本申请实施例提供了一种数据处理装置，所述装置包括：健康项目获取模块，用于获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度；项目筛选模块，用于从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项；缺陷概率计算模块，用于对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率；风险值计算模块，用于根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值；健康干预生成模块，用于根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
在上述的实施方式中，可以先获取用户的健康程度反映项目，在从中筛选出风险因数项，然后得到每个风险因数项导致某种健康缺陷的概率，根据上述概率的计算方法，计算出多个风险因数项综合导致该种健康缺陷的风险值。对于多个健康缺陷，根据风险值的大小进行排序，生成与健康缺陷的排序对应的健康干预方案。与现有的技术相比，充分对健康程度反映项目进行了分析和处理，健康程度反映项目可以包括现有技术中的活动参数，上述的实施方式改善了现有技术未充分利用用户的活动参数的问题。
在一个可能的设计中，所述装置还包括：风险指数计算模块，用于根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数。
在计算出每个健康缺陷的风险值之后，还可以依据多个健康缺陷的风险值进行综合分析，得到用户的身体状态风险指数，该身体状态风险指数可以给用户起到较好的警示作用。
在一个可能的设计中，所述风险指数计算模块具体用于计算获得所述多个健康缺陷中的每个健康缺陷的风险值的加和，记为健康风险加和；根据所述身体状态风险指数与所述健康风险加和之间的函数关系，计算所述身体状态风险指数。
在计算身体状态风险指数时，可以先计算每个健康缺陷的风险值的加和，然后利用身体状态风险指数与加和之间的函数关系对上述加和进行处理，得到身体状态风险指数。
在一个可能的设计中，所述函数关系为sigmod映射函数关系。
在一个可能的设计中，缺陷概率计算模块具体用于对于至少一个风险因数项中的每个风险因数项，获取所述风险因数项与第一健康缺陷同时出现的次数、获取所述第一健康缺陷出现的总次数，其中，所述第一健康缺陷为所述多个健康缺陷中的任一健康缺陷；计算所述风险因数项与第一健康缺陷同时出现的次数与所述第一健康缺陷出现的总次数的比值，所述比值为所述风险因数项导致所述第一健康缺陷的概率。
根据风险因数项与某健康缺陷同时出现的次数除以该健康缺陷出现的总次数，从而得到相应的风险因数项导致第一健康缺陷的概率。
在一个可能的设计中，风险值计算模块，具体用于对于所述多个健康缺陷中的每个健康缺陷，计算获得所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率的加和，记为所述健康缺陷的风险值。
先计算多个风险因数项中每个风险因数项导致某一健康缺陷的概率，再计算上述概率的加和，将该加和记为上述健康缺陷的风险值。也可以通过其他方式来计算某一健康缺陷的风险值，计算健康缺陷的风险值的具体方式不应该理解为是对本申请的限制。
在一个可能的设计中，所述装置还包括：数据预处理模块，用于对所述多个健康程度反映项目中的每个健康程度反映项目依次进行数据清洗、缺失值补全或可信性评估处理。
在获得健康程度反映项目之后，还可以先对多个健康程度反映项目进行预处理，以剔除明显不合理的数据，从而提高对健康程度反映项目进行数据分析的准确性。
第三方面，本申请提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面，本申请提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的数据处理方法的流程示意图；
图2为本申请实施例提供的数据处理方法的一种具体实施方式的流程示意图；
图3为图1中步骤S130的具体步骤的流程示意图；
图4为本申请实施例提供的数据处理装置的示意性结构框图。
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描述。
图1为本申请实施例提供的数据处理方法的一种流程示意图，该数据处理方法可以在服务器上执行，图1示出的数据处理方法包括如下步骤S110至步骤S150：
步骤S110，获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度。
健康程度反映项目可以为心率、步数、心电图、血压、血脂以及生活习惯等。其中，心率、步数可以通过用户佩戴的智能可穿戴设备获得，智能可穿戴设备可以为智能手表或智能手环。心电图、血压、血脂可以通过便携式体检一体机获得。生活习惯可以通过向用户持有的终端设备推送调查问卷，由用户在调查文件中填写自己的生活习惯的方式获得。
步骤S120，从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项。
在多个健康程度反映项目中，若某健康程度反映项目的数值在表示健康的范围外，则该健康程度反映项目便可以记为风险因数项。
例如，对心率、血压、血脂而言，若心率未在健康心率的上限与下限圈定的范围，则该心率便可以记为风险因数项；若血压未在健康血压的上限与下限圈定的范围，则该血压便可以记为风险因数项；若血脂未在健康血脂的上限与下限圈定的范围，则该血脂便可以记为风险因数项。对步数而言，若步数在预设数值以下，则可以认为用户缺少运动，将步数记为风险因数项。其中，预设数值可以为6000。对生活习惯而言，可以将用户填写的生活习惯与预先存储的不良生活习惯数据库进行比较，若用户填写的生活习惯在不良生活习惯数据库中，可以将该生活习惯作为风险因数项。不良生活习惯可以包括：吸烟、酗酒等。
步骤S130，对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率。
健康缺陷可以是健康上存在的缺陷，例如肺癌，胃癌，肝癌，食管癌，结直肠癌，乳腺癌，子宫颈癌，鼻咽癌，膀胱癌，糖尿病，冠心病，高血压等。
请参见图3，图3示出了步骤S130的具体流程示意图，具体包括如下步骤S131至步骤S132：
步骤S131，对于至少一个风险因数项中的每个风险因数项，获取所述风险因数项与第一健康缺陷同时出现的次数、获取所述第一健康缺陷出现的总次数。
其中，所述第一健康缺陷为所述多个健康缺陷中的任一健康缺陷。
步骤S132，计算所述风险因数项与第一健康缺陷同时出现的次数与所述第一健康缺陷出现的总次数的比值，所述比值为所述风险因数项导致所述第一健康缺陷的概率。
例如，不妨以风险因数项包括5个，分别是a、b、c、d、e，健康缺陷包括6个，分别是A、B、C、D、E、F为例进行说明：
对于风险因数项a，风险因数项a与第一健康缺陷A同时出现的次数为x1，第一健康缺陷A出现的总次数为y1，则风险因数项a导致第一健康缺陷A的概率为x1/y1。
根据风险因数项与某健康缺陷同时出现的次数除以该健康缺陷出现的总次数，从而得到相应的风险因数项导致第一健康缺陷的概率。
步骤S140，根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值。
可选地，对于所述多个健康缺陷中的每个健康缺陷，计算获得所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率的加和，记为所述健康缺陷的风险值。
接上文的例子继续进行说明，按照上述方式，分别计算风险因数项b、c、d、e导致第一健康缺陷A的概率。其中，b导致第一健康缺陷A的概率为x2/y2；c导致第一健康缺陷A的概率为x3/y3；d导致第一健康缺陷A的概率为x4/y4；e导致第一健康缺陷A的概率为x5/y5。
然后再计算上述概率的加和：Σ＝x1/y1+x2/y2+x3/y3+x4/y4+x5/y5，该加和为第一健康缺陷A的风险值。
步骤S150，根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
健康干预方案可以包括预防健康缺陷发生或降低健康缺陷发生概率的方案，也可以包括健康缺陷发生时的补救方案。预防健康缺陷发生的方案可以为与预防相应的健康缺陷相关的健康知识的培训和线下运动识别。降低健康缺陷发生概率的方案可以包括给出健康管理的激励计划。健康缺陷发生时的补救方案包括健康缺陷对应的保险方案等，还可以根据用户线下运动的识别情况，对严格遵守激励计划的用户给予相应的保费的减免。
接上文的例子继续进行说明，按照上文的方式获得健康缺陷B、C、D、E、F的风险值，再对健康缺陷A、B、C、D、E、F的风险值按照降序排序，生成与排序对应的健康缺陷的健康干预方案。健康缺陷的排序越靠前，健康缺陷对应的健康干预方案所占的比重越大，且对应保险方案的保费越高。
可以先获取用户的健康程度反映项目，在从中筛选出风险因数项，然后得到每个风险因数项导致某种健康缺陷的概率，根据上述概率的计算方法，计算出多个风险因数项综合导致该种健康缺陷的风险值。对于多个健康缺陷，根据风险值的大小进行排序，生成与健康缺陷的排序对应的健康干预方案。与现有的技术相比，充分对健康程度反映项目进行了分析和处理，健康程度反映项目可以包括现有技术中的活动参数，上述的实施方式改善了现有技术未充分利用用户的活动参数的问题。
在一种具体实施方式中，在步骤S140之后，所述方法还可以包括：根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数。
请参见图2，计算用户的身体状态风险指数的方式具体可以如下步骤S210至步骤S220：
步骤S210，计算获得所述多个健康缺陷中的每个健康缺陷的风险值的加和，记为健康风险加和。
步骤S220，根据所述身体状态风险指数与所述健康风险加和之间的函数关系，计算所述身体状态风险指数。
接上文的例子继续进行说明，按照上文的方式获得到健康缺陷B、C、D、E、F的风险值后，计算健康缺陷A、B、C、D、E、F的风险值的加和。在计算身体状态风险指数时，可以先计算每个健康缺陷的风险值的加和，然后利用身体状态风险指数与加和之间的函数关系对上述加和进行处理，得到身体状态风险指数。所述函数关系为sigmod映射函数关系。Sigmod(x)为1/(1+ex)。
可选地，在步骤S110与步骤S120之间，还可以包括如下步骤：对所述多个健康程度反映项目中的每个健康程度反映项目依次进行数据清洗、缺失值补全或可信性评估处理。
可选地，多个健康程度反映项目中的每个健康程度反映项目的数据均可以每天收集，持续收集30天，然后再将持续30天收集到的数据发送给服务器。
数据清洗可以是去除异常值，例如，若某一项健康程度反映项目的前n-1次和第n+1次的数值接近，且均与第n次的数值相差较大，则删除第n次的数值。
若第n次的数值缺失，可以取第n-1次的数值与第n+1次的数值的均值，利用该均值补全第n次的数值。
对于某项健康程度反映项目进行可信性评估，可以依据与该项健康程度反映项目相关的其他健康程度反映项目对该项健康程度反映项目的数值的可信性进行评估。
例如对于血压，可通过体重或遗传史两项来对血压的数值的可信性进行评估。体重以及遗传史对于血压的影响权重可以预先记录在预设表格中，服务器可通过查表来分析体重以及遗传史对血压的影响。
请参见图4，图4示出了本申请实施例提供的数据处理装置，所述装置400包括：
健康项目获取模块410，用于获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度。
项目筛选模块420，用于从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项。
缺陷概率计算模块430，用于对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率。
风险值计算模块440，用于根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值。
健康干预生成模块450，用于根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
缺陷概率计算模块430具体用于对于至少一个风险因数项中的每个风险因数项，获取所述风险因数项与第一健康缺陷同时出现的次数、获取所述第一健康缺陷出现的总次数，其中，所述第一健康缺陷为所述多个健康缺陷中的任一健康缺陷；计算所述风险因数项与第一健康缺陷同时出现的次数与所述第一健康缺陷出现的总次数的比值，所述比值为所述风险因数项导致所述第一健康缺陷的概率。
风险值计算模块440具体用于对于所述多个健康缺陷中的每个健康缺陷，计算获得所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率的加和，记为所述健康缺陷的风险值。
所述装置还包括：风险指数计算模块，用于根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数。
所述风险指数计算模块具体用于计算获得所述多个健康缺陷中的每个健康缺陷的风险值的加和，记为健康风险加和；根据所述身体状态风险指数与所述健康风险加和之间的函数关系，计算所述身体状态风险指数。
所述装置还可以包括：数据预处理模块，用于对所述多个健康程度反映项目中的每个健康程度反映项目依次进行数据清洗、缺失值补全或可信性评估处理。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (16)

1.一种数据处理方法，其特征在于，所述方法包括：
获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度；
从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项；
对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率；
根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值；
根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
2.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值之后，所述方法还包括：
根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数，包括：
计算获得所述多个健康缺陷中的每个健康缺陷的风险值的加和，记为健康风险加和；
根据所述身体状态风险指数与所述健康风险加和之间的函数关系，计算所述身体状态风险指数。
4.根据权利要求3所述的方法，其特征在于，所述函数关系为sigmod映射函数关系。
5.根据权利要求1所述的方法，其特征在于，所述对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，包括：
对于至少一个风险因数项中的每个风险因数项，获取所述风险因数项与第一健康缺陷同时出现的次数、获取所述第一健康缺陷出现的总次数，其中，所述第一健康缺陷为所述多个健康缺陷中的任一健康缺陷；
计算所述风险因数项与第一健康缺陷同时出现的次数与所述第一健康缺陷出现的总次数的比值，所述比值为所述风险因数项导致所述第一健康缺陷的概率。
6.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值，包括：
对于所述多个健康缺陷中的每个健康缺陷，计算获得所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率的加和，记为所述健康缺陷的风险值。
7.根据权利要求1所述的方法，其特征在于，所述获取用户的多个健康程度反映项目之后，所述从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目之前，所述方法还包括：
对所述多个健康程度反映项目中的每个健康程度反映项目依次进行数据清洗、缺失值补全或可信性评估处理。
8.一种数据处理装置，其特征在于，所述装置包括：
健康项目获取模块，用于获取用户的多个健康程度反映项目，所述健康程度反映项目用于反映用户的健康程度；
项目筛选模块，用于从所述多个健康程度反映项目中筛选出表征用户的健康程度异常的健康程度反映项目，所述表征用户的健康程度异常的健康程度反映项目记为风险因数项；
缺陷概率计算模块，用于对于预先设置的多个健康缺陷中的每个健康缺陷，计算至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率；
风险值计算模块，用于根据所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率，计算所述多个健康缺陷中的每个健康缺陷的风险值；
健康干预生成模块，用于根据所述多个健康缺陷中的每个健康缺陷的风险值，对所述多个健康缺陷进行排序，生成与所述多个健康缺陷的排序对应的健康干预方案。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
风险指数计算模块，用于根据所述多个健康缺陷中的每个健康缺陷的风险值，计算所述用户的身体状态风险指数。
10.根据权利要求9所述的装置，其特征在于，所述风险指数计算模块具体用于计算获得所述多个健康缺陷中的每个健康缺陷的风险值的加和，记为健康风险加和；根据所述身体状态风险指数与所述健康风险加和之间的函数关系，计算所述身体状态风险指数。
11.根据权利要求10所述的装置，其特征在于，所述函数关系为sigmod映射函数关系。
12.根据权利要求8所述的装置，其特征在于，缺陷概率计算模块具体用于对于至少一个风险因数项中的每个风险因数项，获取所述风险因数项与第一健康缺陷同时出现的次数、获取所述第一健康缺陷出现的总次数，其中，所述第一健康缺陷为所述多个健康缺陷中的任一健康缺陷；计算所述风险因数项与第一健康缺陷同时出现的次数与所述第一健康缺陷出现的总次数的比值，所述比值为所述风险因数项导致所述第一健康缺陷的概率。
13.根据权利要求8所述的装置，其特征在于，风险值计算模块，具体用于对于所述多个健康缺陷中的每个健康缺陷，计算获得所述至少一个风险因数项中的每个风险因数项导致所述健康缺陷的概率的加和，记为所述健康缺陷的风险值。
14.根据权利要求8所述的装置，其特征在于，所述装置还包括：
数据预处理模块，用于对所述多个健康程度反映项目中的每个健康程度反映项目依次进行数据清洗、缺失值补全或可信性评估处理。
15.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-7任一项所述的方法。
16.一种可读存储介质，其特征在于，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
CN201910820637.8A 2019-08-30 2019-08-30 数据处理方法、装置、电子设备及可读存储介质 Active CN110517779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910820637.8A CN110517779B (zh) 2019-08-30 2019-08-30 数据处理方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910820637.8A CN110517779B (zh) 2019-08-30 2019-08-30 数据处理方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110517779A true CN110517779A (zh) 2019-11-29
CN110517779B CN110517779B (zh) 2022-07-05

Family

ID=68630108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910820637.8A Active CN110517779B (zh) 2019-08-30 2019-08-30 数据处理方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110517779B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908458A (zh) * 2021-03-29 2021-06-04 善诊(上海)信息技术有限公司 一种体检套餐生成系统、方法及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273699A (zh) * 2017-07-07 2017-10-20 成都脉安科健生物科技有限公司 营养指导方案获取方法、装置及电子设备
CN108399953A (zh) * 2018-03-12 2018-08-14 平安健康互联网股份有限公司 基于体检报告的健康评分方法、装置及存储介质
US20180301227A1 (en) * 2014-11-06 2018-10-18 Ancestryhealth.Com, Llc Predicting health outcomes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180301227A1 (en) * 2014-11-06 2018-10-18 Ancestryhealth.Com, Llc Predicting health outcomes
CN107273699A (zh) * 2017-07-07 2017-10-20 成都脉安科健生物科技有限公司 营养指导方案获取方法、装置及电子设备
CN108399953A (zh) * 2018-03-12 2018-08-14 平安健康互联网股份有限公司 基于体检报告的健康评分方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908458A (zh) * 2021-03-29 2021-06-04 善诊(上海)信息技术有限公司 一种体检套餐生成系统、方法及计算机可读存储介质

Also Published As

Publication number Publication date
CN110517779B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
US11600390B2 (en) Machine learning clinical decision support system for risk categorization
Belcher et al. US population-referenced percentiles for wrist-worn accelerometer-derived activity
CN107785057B (zh) 医疗数据处理方法、装置、存储介质和计算机设备
US7263492B1 (en) Sequencing models of healthcare related states
Boursalie et al. M4CVD: Mobile machine learning model for monitoring cardiovascular disease
EP3453321B1 (en) Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing
Hu et al. Automated detection of postoperative surgical site infections using supervised methods with electronic health record data
US20130197936A1 (en) Predictive Healthcare Diagnosis Animation
WO2016057399A1 (en) Devices and methods for managing risk profiles
CN106599553A (zh) 疾病预警方法及装置
Hu et al. Evolution of the vomer and its implications for cranial kinesis in Paraves
Johnson et al. Use of computerised general practice data for population surveillance: comparative study of influenza data.
US20150039334A1 (en) Claim-centric grouper analysis
CN107145715B (zh) 一种基于推举算法的临床医学智能判别装置
WO2021148967A1 (en) A computer-implemented system and method for outputting a prediction of a probability of a hospitalization of patients with chronic obstructive pulmonary disorder
Verheij et al. Collecting information in general practice:‘just by pressing a single button’?
CN116779190A (zh) 一种基于物联网的医疗平台用户随访管理系统及方法
US9990469B2 (en) Inferring a state of a system over time
CN116070096A (zh) 通过大数据分析帮助医院搭建患者画像的方法及系统
CN109784645A (zh) 一种医院科室绩效排名方法及装置
CN110517779A (zh) 数据处理方法、装置、电子设备及可读存储介质
Chaturvedi Clinical prediction on ml based internet of things for e-health care system
WO2016030436A1 (en) Method and apparatus for hierarchical data analysis based on mutual correlations
WO2021075061A1 (ja) 認知機能測定装置、認知機能測定システム、認知機能測定方法及び認知機能測定プログラム
CN111681767A (zh) 一种电子病历数据处理方法及系统

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