CN111311175A - 评残条款智能预测方法、装置、计算机设备及存储介质 - Google Patents
评残条款智能预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111311175A CN111311175A CN202010063825.3A CN202010063825A CN111311175A CN 111311175 A CN111311175 A CN 111311175A CN 202010063825 A CN202010063825 A CN 202010063825A CN 111311175 A CN111311175 A CN 111311175A
- Authority
- CN
- China
- Prior art keywords
- injury
- disability
- evaluation
- wounded
- combinations
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了评残条款智能预测方法、装置、计算机设备及存储介质,涉及智能预测技术领域。该方法包括:获取伤者数据,并对伤者数据进行校验;将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合;以及对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。该方法实现了对伤情的评残条款的自动预测,提高了预测效率,降低了成本。
Description
技术领域
本发明涉及智能预测技术领域,尤其涉及一种评残条款智能预测方法、装置、计算机设备及存储介质。
背景技术
目前,精准预测人伤赔付流程中的评残条款,再基于此精准预估残疾赔偿金,对于精准预估人伤赔付金额、提高保险公司的运营能力、提升保险公司的风控能力和降低保险公司的用人成本有着十分重要的作用。评残条款的确定与伤者的个人特质和伤情息息相关,通过对伤者本身的特征进行提取,可以确定给伤者确定为何种评残条款。在以往的人伤案件中,需要人工通过伤残国标库确定伤者被评定的评残条款,这种确定方式效率低。
发明内容
本发明实施例提供了一种评残条款智能预测方法、装置、计算机设备及存储介质,旨在解决现有技术中评残条款预测方法效率低的问题。
第一方面,本发明实施例提供了一种基于数据处理的评残条款智能预测方法,其包括:
获取伤者数据,并对伤者数据进行校验;
将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;
若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;以及
对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
第二方面,本发明实施例提供了一种基于数据处理的评残条款智能预测装置,其包括:
伤者数据校验单元,用于获取伤者数据,并对伤者数据进行校验;
评残预测单元,用于将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;
评残条款预测单元,用于若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;以及
校验修正单元,用于对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于数据处理的评残条款智能预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于数据处理的评残条款智能预测方法。
本发明实施例提供了一种基于数据处理的评残条款智能预测方法、装置、计算机设备及存储介质。该方法包括获取伤者数据,并对伤者数据进行校验;将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合;以及对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。该方法实现了对伤情的评残条款的自动预测,提高了预测效率,降低了成本。
附图说明
为了更清楚地说明本发明实施例技术方案,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。
图1为本发明实施例提供的基于数据处理的评残条款智能预测方法的流程示意图;
图2为本发明实施例提供的基于数据处理的评残条款智能预测方法的子流程示意图;
图3为本发明实施例提供的基于数据处理的评残条款智能预测方法的另一子流程示意图;
图4为本发明实施例提供的基于数据处理的评残条款智能预测方法的另一子流程示意图;
图5为本发明实施例提供的基于数据处理的评残条款智能预测方法的另一子流程示意图;
图6为本发明实施例提供的基于数据处理的评残条款智能预测装置的示意性框图;
图7为本发明实施例提供的基于数据处理的评残条款智能预测装置的评残预测单元的示意性框图;
图8为本发明实施例提供的基于数据处理的评残条款智能预测装置的评残条款预测单元的示意性框图;
图9为本发明实施例提供的基于数据处理的评残条款智能预测装置的校验修正单元的示意性框图;
图10为本发明实施例提供的基于数据处理的评残条款智能预测装置的修正单元的示意性框图;以及
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1为本发明实施例提供的一种基于数据处理的评残条款智能预测方法的流程示意图,该方法包括步骤S101~S104:
S101、获取伤者数据,并对伤者数据进行校验;
其中,所述伤者数据包括伤者的个人信息和伤情信息。
伤者的个人信息包含伤者的姓名、性别、年龄、治疗方式和户籍类别等中的一种或几种。其中的治疗方式指的是伤者在就医时的治疗方式,治疗方式的可取值可以包括保守治疗和手术治疗。
伤者的伤情信息,顾名思义,表示伤者所受的伤情,伤者所受的伤情可以是单个伤情,也可以是多个伤情。如果伤者接受手术治疗,那么伤情信息也包括手术方式。
本发明实施例中,获取伤者数据之后,需对伤者数据进行校验。校验的目的是使输入到模型中的数据格式统一,以便进行后续的数据处理和分析。为了提高校验效率,可在对伤者数据进行校验之前对伤者数据进行标准化处理。
对伤者数据进行标准化处理包括对个人信息进行标准化处理和对伤情信息进行标准化处理。其中对个人信息进行标准化处理是指将伤者的个人信息统一为同一种格式,例如伤者的性别其格式可能为男性、男、男士等等,在标准化处理之后,则会统一为“男”。对伤情信息进行标准化处理是指将伤者的伤情信息统一为同一种格式,具体包括对伤情进行标准化处理和对手术方式进行标准化处理,其中,对伤情进行标准化处理最终得到伤情标准化数据,对手术方式进行标准化处理最终得到手术方式标准化数据。
例如,对伤情进行标准化处理包括确定诊断编码、损失部位、诊断名称、诊断分类等等,伤情标准化数据的样例如表一所示:
表一
对手术方式进行标准化处理包括确定诊断编码、手术编码、手术名称等等,手术方式标准化数据的样例如表二所示:
表二
诊断编码 | 手术编码 | 手术名称 |
A.1.1.5 | 02.02001-1 | 颅骨骨折复位术 |
A.1.1.5 | 02.02002-1 | 颅骨骨折减压术 |
A.1.1.5 | 00.00000-1 | 未手术 |
在对伤者数据进行标准化处理后,可对伤者数据进行校验,如果伤者数据为空或不符合其他要求,则提示数据格式错误。其中的伤者数据为空是指伤者数据中的必填字段为空,例如传入的伤者数据中伤者的性别字段为空时,则显示性别字段为空的提示,方便进行修改。
S102、将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;
本步骤是对伤者是否评残进行预测,若判定为不对伤者进行评残(不评残),意味着伤者的伤情达不到评残标准,所以不需要执行后续的流程,若判定为对伤者进行评残(评残),则需要执行后续的流程。
在一实施例中,如图2所示,步骤S102包括步骤S201~S203:
S201、将伤者数据转化为数值型格式的伤者数据;
在利用上述预训练模型进行预测前,先对伤者数据进行预处理,将伤者数据转化为数值型格式的伤者数据(即数值型参数),例如将伤者的性别、治疗方式转化为数值型参数,以性别为例,伤者的性别为女性时,则可转化为0,伤者的性别为男性时,则可转化为1。如此,即可将伤者数据转化为各种数值型参数,方便输入模型进行预测。
S202、计算伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量;
其中各部位所受伤情的数量是指伤者不同部位所受伤情的数量,各等级伤情的数量是指不同伤情严重情况的伤情数量,指定部位所受伤情的数量是指重要细分部位所受伤情的数量。例如伤情数据为右侧中指中节指骨骨折,则转化后的数据中,四肢损伤伤情数量为1,其他部位伤情数量为0;较轻微伤情数量应为1,较严重伤情数量应为0;在重要细分部位数据中,右手结构缺失/功能障碍伤情数量应为1,其他细分部位伤情数量应为0。
S203、将格式转化后的所述伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测。
在一个具体应用场景中,所述预训练模型是基于预训练样本采用LightGBM算法进行拟合得到的模型,其中LightGBM(Light Gradient Boosting Machine)算法的基模型(基本模型)采用的是GBDT(Gradient Boosting Decision Tree)。GBDT是一种机器学习模型,其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型,GBDT在生成新的树模型时,都是去拟合当前的模型损失函数的残差,即沿着负梯度的方向去形成新的树模型。GBDT具有训练效果好、不易过拟合等优点。LightGBM算法是一个实现GBDT算法的框架,支持高效率的并行训练,并且具有以下优点:训练速度更快;内存消耗更低;准确率更好;支持分布式,可以快速处理海量数据。
在一实施例中,预训练模型的构建可采用如下步骤:
获取预训练样本集合;
本发明实施例中,在建立预训练模型时,可选用一段时间内(如一年内)的人伤已决案件(即伤情是否评残已经确定和评残条款已经确定的案件),同时剔除涉及诉讼的案件,作为预训练样本。由于是否评残与伤者本身的特征以及伤者伤情的严重程度有关,所以可提取预训练样本的年龄、性别、伤情等特征加入预训练样本集合,同时可以提取预训练样本的伤情的严重程度特征(如前述的伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量)和伤情类别特征加入预训练样本集中。
计算预训练样本集合中各个特征的直方图;
LightGBM采用了基于直方图的算法将连续的特征值离散化成了K个整数,构造宽度为K的直方图。
再计算各直方图每个组距中的梯度值和样本数,根据所述梯度值和样本数得到直方图中具有最大增益的节点,并作为最佳分类节点;
其中的组距是指bin。在前述步骤中构造的直方图中存储了两类信息,分别是每个bin中样本的梯度值,以及每个bin中的样本数量。
在计算得到各直方图每个组距中的梯度值和样本数后,可以以当前bin作为分割点,分别累加其左边的bin至当前bin的梯度值以及样本数量,并分别与父节点上的总梯度值和以及总样本数量比较,得到右边所有bin的梯度值以及样本数量,据此计算出增益,在遍历过程中取最大的增益,以此时的特征和bin的特征值作为最佳分类节点。
根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂,直至分裂到完成分类目标后停止分裂,从而建立预训练模型。
其中,所述损失函数L(y,f(x))可以是平方损失函数或者绝对损失函数,其中,y表示真实值,f(x)表示预测值。
所述平方损失函数表示如下:L(y,f(x))=(y-f(x))2。
所述平方损失函数表示如下:L(y,f(x))=|y-f(x)|。
本步骤就是根据所述最佳分类节点找到使得损失函数最小时对应的特征,然后进行分裂。
分裂的过程根据类别的数量可以有多次,最后需分裂至达到设定的分类目标再停止分裂,从而得到预训练模型。
将所述伤者数据以及其他数据传入预训练模型后,利用所述预训练模型计算得到预测结果以及预测结果的相应概率。例如伤者A性别为男,治疗方式为保守治疗,所受伤情为右侧中指中节指骨骨折,将该伤者A处理后的伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量传入预训练模型,所述预训练模型根据每个回归树沿着树的节点计算得到相应的分类结果,再将多个回归树的分类结果乘以相应系数得出预测结果以及评残概率,例如预测结果为该伤者A不应评残,且对应评残概率为3%,即不评残概率为97%。
S103、若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;
如果预训练模型输出的预测结果为对伤者进行评残,则此步骤需要预测伤者的评残条款,具体是利用预设的评残模型进行预测。
在一实施例中,如图3所示,步骤S103包括步骤S301~S304:
S301、根据伤情之间的叠加是否对评残条款造成影响对伤者的伤情进行分类,得到不同的伤情类别;
具体的,根据单一伤情之间的叠加是否对评残条款造成影响进行伤情分类,例如左侧肩胛骨粉碎性骨折、左侧肩胛骨其他类型骨折等左侧关节伤情之间的叠加会对评残条款造成影响,故将其归为左肩关节类别,与左肩关节类别对应的评残条款有5.7.6.3,5.8.6.8,5.9.6.9和5.10.6.11。也就是说,对于单一伤情之间的叠加会对评残条款造成影响的情况,则将这些单一伤情归为同一个伤情类别,对于单一伤情之间的叠加不会对评残条款造成影响的情况,则将这些单一伤情归为不同伤情类别。
S302、计算不同伤情类别下的伤情数量;
本步骤计算的是每一伤情类别下单一伤情的数量,例如计算得到:伤情类别A具有3个单一伤情,伤情类别B具有5个伤情,伤情类别C具有1个伤情。
S303、当所述伤情类别下的伤情数量大于1时,则调用所述预设的评残模型,对伤者在所述伤情类别下的评残条款进行预测,得到伤者的评残条款;
对于每个伤情类别,根据伤情类别下的伤情数量可以分别进行处理,如果伤情类别下的伤情数量大于1时,则调用预设的评残模型进行预测。而如果伤情类别下的伤情数量为1时,可以不调用预设的评残模型进行预测。因为对于某一伤情类别只有单一伤情的情况,其不构成复合伤,所以可以直接调用伤残国标库来确定伤者被评定的评残条款,而无需使用所述预设的评残模型进行预测,当然,在一个具体应用场景中,也可以将伤残国标库的内容添加至预设的评残模型中,然后对于单一伤情的情况也可以调用预设的评残模型来进行预测。对于某一伤情类别具有多个伤情的情况,则构成复合伤,所以可调用所述预设的评残模型进行评残条款的预测。而如果某一伤情类别下没有伤情,则可以直接略过。也就是说,本发明实施例特别适合于复合伤伤情的评残条款预测。由于复合伤中伤情组合的多样性,所以无法通过建立标准库的方式来确定伤者被评定的评残条款。而在实际的出险案件中,复合伤的案件占比相对单一伤情案件占比更高,传统的确定复合伤的评残条款的方法又具有很强的不确定性,这使得少数人能够借此来骗取巨额的伤残赔偿金,给风险控制带来了巨大的压力,本发明实施例可利用训练的模型来自动进行预测,解决了以往复合伤伤残状况难以确定的难题,根据模型给出的预测结果,工作人员能够依据预测结果确定人伤案件中残疾赔偿金的金额;本发明实施例根据伤者的个人信息和伤情信息能够自动识别伤者是否应该评残,以及在确定伤者应该评残时所应该评定的评残条款,可帮助节省人力,控制风险;同时模型在输出预测是否评残结果的同时,还会给出预测结果相应的概率,有助于提高工作人员操作的灵活性,提高管理人员的工作效率。
同样的,在此步骤中,可先将伤者数据转化为数值型格式的伤者数据,然后再输入预设的评残模型。当然本步骤可以直接使用步骤S102中已转化的数值型格式的伤者数据,直接输入预设的评残模型。输入这些伤者数据后,所述评残模型计算多个回归树的结果并乘以相应系数得到结果,从而得到预测的评残条款。
所述评残模型是根据不同类别的伤情类别训练得到的。其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型。具体地,评残模型的建立过程如下:步骤一、获取训练样本集合;步骤二、计算训练样本集合中各个特征的直方图;步骤三、再计算各直方图每个组距中的梯度值和样本数,根据所述梯度值和样本数得到直方图中具有最大增益的节点,并作为最佳分类节点;步骤四、根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂;步骤五、直至分裂到完成分类目标后停止分裂,从而建立评残模型。关于上述建模过程与预训练模型的建模过程类似,只是输出的结果不同,具体可参考上述预训练模型的建模过程。
S304、将同一评残条款对应的伤情归入同一伤情组合。
本发明实施例中,最终预测得到的每一个评残条款中可能会对应多个单一伤情,即有多个单一伤情对应一个评残条款的情况,所以可将同一评残条款对应的多个单一伤情归入到同一个伤情组合。
例如,伤情A、伤情B和伤情C对应评残条款a,所以可将伤情A、伤情B和伤情C组合成为一个伤情组合1;同时伤情A、伤情C和伤情D对应评残条款b,那么可将伤情A、伤情C和伤情D组合成为一个伤情组合2,同时伤情B、伤情E、伤情F对应评残条款c,那么可将伤情B、伤情E、伤情F组合成为一个伤情组合3。
S104、对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
最终得到的伤情组合之间可能存在伤情交叉,这些伤情交叉的情况会对评残条款造成影响。所以需要对评残条款进行校验,并在需要进行修正时对评残条款进行修正,确保不同伤情组合之间不存在伤情交叉。
在一实施例中,如图4所示,步骤S104包括步骤S401~S403:
S401、对不同伤情组合进行两两比较;
此处是对不同伤情组合进行两两比较,例如存在伤情组合1、伤情组合2、伤情组合3和伤情组合4,则可将伤情组合1分别与伤情组合2、伤情组合3和伤情组合4进行比较,同时将伤情组合2分别与伤情组合3和伤情组合4进行比较,同时将伤情组合3和伤情组合4进行比较。两两比较的内容是伤情组合之间是否存在伤情相同的情况。
S402、若不同伤情组合之间存在相同的伤情,则确认所述不同伤情组合之间存在伤情交叉;
伤情交叉是指伤情组合之间存在伤情相同的情况,例如伤情组合1中包括伤情A、伤情B和伤情C,伤情组合2中包括伤情A、伤情C和伤情D,那么在对伤情组合1与伤情组合2进行比较可知存在相同的伤情A和伤情C,所以确认伤情组合1与伤情组合2存在伤情交叉,如果后续的比较过程中,伤情组合1与伤情组合3在比较后确认存在相同的伤情B,那么确认伤情组合1与伤情组合3也存在伤情交叉。本发明实施例中将存在伤情交叉的伤情组合组成伤情组合池,例如上述的伤情组合1、伤情组合2和伤情组合3组合成为伤情组合池,后续进行修正时,对伤情组合池中的伤情组合进行统一处理。当然伤情组合池可根据需要设置多个,例如上述伤情组合1、伤情组合2和伤情组合3组合成为伤情组合池1,如果伤情组合4与伤情组合5存在伤情交叉,同时伤情组合5与伤情组合6存在伤情交叉,也可以将伤情组合4、伤情组合5和伤情组合6组合成为伤情组合池2。
需说明的是,构成伤情组合池中的伤情组合并不限定为伤情组合之间两两存在伤情交叉,间接构成伤情交叉的伤情组合同样可以放入至所述伤情组合池中。例如前述例子中,伤情组合4与伤情组合5存在伤情交叉,伤情组合5与伤情组合6存在伤情交叉,但伤情组合4与伤情组合6之间并不直接存在伤情交叉,此时伤情组合4与伤情组合6通过伤情组合5间接存在伤情交叉,所以需要一同放入伤情组合池2中。
S403、对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,如图5所示,步骤S403包括步骤S501~S505:
S501、对于存在伤情交叉的所有伤情组合,从中筛选出评残条款对应伤残等级最高的伤情组合;
在实际评残过程中,不允许单个伤情对多个评残条款造成影响,即不能同时用多个评残条款对单个伤情进行评残,所以若对应不同评残条款的伤情组合之间存在交叉时,只能保留一个,保留伤情组合时优先保留对应评残条款伤残等级最高的伤情组合。本步骤中,所指的所有伤情组合是指伤情组合池中的所有伤情组合,即从一个伤情组合池中筛选出评残条款对应伤残等级最高的伤情组合,后续步骤也均是以一个伤情组合池为例进行说明,假如同时存在其他伤情组合池可按照同样方式进行处理。
S502、若评残条款对应伤残等级最高的伤情组合数量为1,则保留所述评残条款对应伤残等级最高的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;
如果筛选出的伤情组合数量为1,即评残条款对应伤残等级最高的伤情组合只有1个,可保留筛选出的伤情组合,同时将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测。此处的剩余的所有伤情组合中的伤情是指剩余的所有伤情组合中除保留的伤情组合中伤情之外的所有伤情,例如在一个伤情组合池中包含伤情组合1、伤情组合2和伤情组合3,伤情组合1包含伤情A、B、C;伤情组合2包含伤情C、D、E;伤情组合3包含伤情E、F。经过比较之后筛选出伤情组合1,此时剩余的所有伤情组合的伤情则是指伤情组合2和伤情组合3中除伤情组合1中伤情之外的所有伤情,即伤情组合2和伤情组合3中包含的伤情为C、D、E、F,而其中C同时为伤情组合1中的伤情,所以最终确定的剩余的所有伤情组合中的伤情为D、E、F,所以可将D、E、F输入至预设的评残模型继续进行评残条款预测。
S503、若评残条款对应伤残等级最高的伤情组合数量大于1,再从中筛选出伤情数量最多的伤情组合;
本步骤中,伤残等级最高的伤情组合数量大于1,此时仍存在伤情交叉,所以需要进行进行筛选,而此时筛选的标准则是根据伤情组合中伤情的数量来确定,即筛选出伤情数量最多的伤情组合。
例如一个伤情组合池中包含伤情组合1、伤情组合2和伤情组合3。伤情组合1对应评残条款a,伤残等级为九;伤情组合2对应评残条款b,伤残等级为九;伤情组合3对应评残条款c,伤残等级为十。所以筛选出的评残条款对应伤残等级最高的伤情组合为伤情组合1和伤情组合2,所以可继续从伤情组合1和伤情组合2中进行筛选,比较伤情组合1和伤情组合2中的伤情数量,例如假设伤情组合2包含伤情C、D、E;伤情组合3包含伤情E、F,此时伤情组合2中的伤情数量(3个)大于伤情组合3中的伤情数量(2个),所以可筛选出的伤情数量最多的伤情组合为伤情组合2。
S504、若所述伤情数量最多的伤情组合数量为1,则保留所述伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;
对于最终筛选出的伤情组合数量为1个的情况,可以直接保留筛选出的伤情组合,然后对剩余的所有伤情组合中的伤情继续进行评残条款预测。此处的剩余的所有伤情组合中的伤情也是指剩余的所有伤情组合中除保留的伤情组合中伤情之外的所有伤情,具体的解释在上文已有详述,故不再赘述。
S505、若所述伤情数量最多的伤情组合数量大于1,随机保留1个伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测。
例如,假设伤情组合1和伤情组合2对应评残条款的伤残等级最高,并且伤情组合1和伤情组合2中的伤情数量相同,那么筛选出的伤情数量最多的伤情组合为伤情组合1和伤情组合2,所以可随机保留1个,然后对剩余的所有伤情组合中的伤情输入继续进行评残条款预测。此处的剩余的所有伤情组合中的伤情也是指剩余的所有伤情组合中除保留的伤情组合中伤情之外的所有伤情,具体的解释在上文已有详述,故不再赘述。
一个校验修正的实例如下,输入到预设的评残模型中的伤情包含:A、B、C、D、E、F、G和H。最后输出的评残条款情况如下:伤情A、B、C构成伤情组合1,对应评残条款a,伤残等级为九;伤情C、D、E构成伤情组合2,对应评残条款b,伤残等级为九;伤情E、F构成伤情组合3,对应评残条款c,伤残等级为十;伤情G、H构成伤情组合4,对应评残条款d,伤残等级为十。
从上可知,伤情组合4不与其他伤情组合存在交叉,所以保留伤情组合4的结果。伤情组合1与伤情组合2以及伤情组合3存在交叉,伤情组合1、伤情组合2与伤情组合3构成伤情组合池,由于评残条款a、b伤残等级均为九,大于评残条款c对应的伤残等级十,故先保留伤情组合池中的伤情组合1和伤情组合2。此时伤残等级最高为九,且对应伤情组合数量大于一,伤情组合1和伤情组合2中的伤情数量均为3,此时随机选取伤情组合1,保留伤情组合1的结果。
对于剩余的伤情D、E、F重新进行评残条款的预测,计算得到伤情D、E构成伤情组合5,对应评残条款e,伤残等级为十。此时,伤情组合5与原伤情组合3有交叉且对应评残条款的伤残等级均为十,两种伤情组合的伤情数量均为2,此时随机保留伤情组合3,将剩余的伤情D重新进行评残条款的预测。由于单个伤情D不构成复合伤,将其归为不构成复合伤的伤情,此时结束计算。最终筛选的结果为伤情A、B、C构成伤情组合,对应评残条款a,伤残等级为九,伤情E、F构成伤情组合,对应评残条款c,伤残等级为十,伤情G、H构成伤情组合,对应评残条款d,伤残等级为十,伤情D属于不构成复合伤的伤情。
该方法通过对伤者数据进行校验、利用预训练模型对是否评残进行预测、利用评残模型对评残条款进行预测以及对预测得到的评残条款进行校验和修正,提高了评残条款的预测效率。
本发明实施例还提供一种基于数据处理的评残条款智能预测装置,该基于数据处理的评残条款智能预测装置用于执行前述基于数据处理的评残条款智能预测方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的基于数据处理的评残条款智能预测装置的示意性框图。
如图6所示,基于数据处理的评残条款智能预测装置600包括伤者数据校验单元610、评残预测单元620、评残条款预测单元630、校验修正单元640。
伤者数据校验单元610,用于获取伤者数据,并对伤者数据进行校验;
在一实施例中,所述伤者数据包括伤者的个人信息和伤情信息,所述伤者数据校验单元610中包括:
数据标准化单元,用于对伤者数据进行标准化处理。
评残预测单元620,用于将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;
在一实施例中,如图7所示,所述评残预测单元620包括:
格式转化单元621,用于将伤者数据转化为数值型格式的伤者数据;
数量计算单元622,用于计算伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量;
模型预测单元623,用于将格式转化后的所述伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测。
在一实施例中,所述预训练模型通过如下单元建立得到:
集合获取单元,用于获取预训练样本集合;
直方图计算单元,用于计算预训练样本集合中各个特征的直方图;
最佳分类节点计算单元,用于再计算各直方图每个组距中的梯度值和样本数,根据所述梯度值和样本数得到直方图中具有最大增益的节点,并作为最佳分类节点;
分裂单元,用于根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂,直至分裂到完成分类目标后停止分裂,从而建立预训练模型。
评残条款预测单元630,用于若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;
在一实施例中,如图8所示,所述评残条款预测单元630包括:
伤情分类单元631,用于根据伤情之间的叠加是否对评残条款造成影响对伤者的伤情进行分类,得到不同的伤情类别;
伤情数量计算单元632,用于计算不同伤情类别下的伤情数量;
评残单元633,用于当所述伤情类别下的伤情数量大于1时,则调用所述预设的评残模型,对伤者在所述伤情类别下的评残条款进行预测,得到伤者的评残条款;
伤情组合单元634,用于将同一评残条款对应的伤情归入同一伤情组合。
校验修正单元640,用于对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,如图9所示,所述校验修正单元640包括:
比较单元641,用于对不同伤情组合进行两两比较;
确认单元642,用于若不同伤情组合之间存在相同的伤情,则确认所述不同伤情组合之间存在伤情交叉;
修正单元643,用于对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,如图10所示,所述修正单元643包括:
第一筛选单元6431,用于对于存在伤情交叉的所有伤情组合,从中筛选出评残条款对应伤残等级最高的伤情组合;
第一保留单元6432,用于若评残条款对应伤残等级最高的伤情组合数量为1,则保留所述评残条款对应伤残等级最高的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;
第二筛选单元6433,用于若评残条款对应伤残等级最高的伤情组合数量大于1,再从中筛选出伤情数量最多的伤情组合;
第二保留单元6434,用于若所述伤情数量最多的伤情组合数量为1,则保留所述伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;
第三保留单元6435,用于若所述伤情数量最多的伤情组合数量大于1,随机保留1个伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测。
该装置通过对伤者数据进行校验、利用预训练模型对是否评残进行预测、利用评残模型对评残条款进行预测以及对预测得到的评残条款进行校验和修正,提高了评残条款的预测效率。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于数据处理的评残条款智能预测装置600和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述基于数据处理的评残条款智能预测装置可以实现为计算机程序的形式,该计算机程序可以在如图11所示的计算机设备上运行。
请参阅图11,图11是本发明实施例提供的计算机设备的示意性框图。该计算机设备700包括通过系统总线701连接的处理器702、存储器和网络接口705,其中,存储器可以包括非易失性存储介质703和内存储器704。
该非易失性存储介质703可存储操作系统7031和计算机程序7032。该计算机程序7032被执行时,可使得处理器702执行基于数据处理的评残条款智能预测方法。
该处理器702用于提供计算和控制能力,支撑整个计算机设备700的运行。
该内存储器704为非易失性存储介质703中的计算机程序7032的运行提供环境,该计算机程序7032被处理器702执行时,可使得处理器702执行基于数据处理的评残条款智能预测方法。
该网络接口705用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图11中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备700的限定,具体的计算机设备700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。
其中,所述处理器702用于运行存储在存储器中的计算机程序7032,以实现如下功能:获取伤者数据,并对伤者数据进行校验;将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;以及对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,处理器702在执行所述将所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测的步骤时,执行如下操作:将伤者数据转化为数值型格式的伤者数据;计算伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量;将格式转化后的所述伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测。
在一实施例中,处理器702在执行所述若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合的步骤时,执行如下操作:根据伤情之间的叠加是否对评残条款造成影响对伤者的伤情进行分类,得到不同的伤情类别;计算不同伤情类别下的伤情数量;当所述伤情类别下的伤情数量大于1时,则调用所述预设的评残模型,对伤者在所述伤情类别下的评残条款进行预测,得到伤者的评残条款;将同一评残条款对应的伤情归入同一伤情组合。
在一实施例中,处理器702在执行所述对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉的步骤时,执行如下操作:对不同伤情组合进行两两比较;若不同伤情组合之间存在相同的伤情,则确认所述不同伤情组合之间存在伤情交叉;对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,处理器702在执行所述对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉的步骤时,执行如下操作:对于存在伤情交叉的所有伤情组合,从中筛选出评残条款对应伤残等级最高的伤情组合;若评残条款对应伤残等级最高的伤情组合数量为1,则保留所述评残条款对应伤残等级最高的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;若评残条款对应伤残等级最高的伤情组合数量大于1,再从中筛选出伤情数量最多的伤情组合;若所述伤情数量最多的伤情组合数量为1,则保留所述伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;若所述伤情数量最多的伤情组合数量大于1,随机保留1个伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测。
本领域技术人员可以理解,图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图11所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器702可以是中央处理单元(CentralProcessing Unit,CPU),该处理器702还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现以下步骤:获取伤者数据,并对伤者数据进行校验;将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;以及对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,所述将所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测包括:将伤者数据转化为数值型格式的伤者数据;计算伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量;将格式转化后的所述伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测。
在一实施例中,所述预训练模型通过如下步骤建立得到:获取预训练样本集合;计算预训练样本集合中各个特征的直方图;再计算各直方图每个组距中的梯度值和样本数,根据所述梯度值和样本数得到直方图中具有最大增益的节点,并作为最佳分类节点;根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂;直至分裂到完成分类目标后停止分裂,从而建立预训练模型。
在一实施例中,所述若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合包括:根据伤情之间的叠加是否对评残条款造成影响对伤者的伤情进行分类,得到不同的伤情类别;计算不同伤情类别下的伤情数量;当所述伤情类别下的伤情数量大于1时,则调用所述预设的评残模型,对伤者在所述伤情类别下的评残条款进行预测,得到伤者的评残条款;将同一评残条款对应的伤情归入同一伤情组合。
在一实施例中,所述对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉包括:对不同伤情组合进行两两比较;若不同伤情组合之间存在相同的伤情,则确认所述不同伤情组合之间存在伤情交叉;对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉。
在一实施例中,所述对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉包括:对于存在伤情交叉的所有伤情组合,从中筛选出评残条款对应伤残等级最高的伤情组合;若评残条款对应伤残等级最高的伤情组合数量为1,则保留所述评残条款对应伤残等级最高的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;若评残条款对应伤残等级最高的伤情组合数量大于1,再从中筛选出伤情数量最多的伤情组合;若所述伤情数量最多的伤情组合数量为1,则保留所述伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;若所述伤情数量最多的伤情组合数量大于1,随机保留1个伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以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,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,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。另外,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,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
另外,在本发明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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于数据处理的评残条款智能预测方法,其特征在于,包括:
获取伤者数据,并对伤者数据进行校验;
将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;
若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;以及
对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
2.根据权利要求1所述基于数据处理的评残条款智能预测方法,其特征在于,所述先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型,包括:
获取训练样本集合;
计算训练样本集合中各个特征的直方图;
再计算各直方图每个组距中的梯度值和样本数,根据所述梯度值和样本数得到直方图中具有最大增益的节点,并作为最佳分类节点;以及
根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂,直至分裂到完成分类目标后停止分裂,从而建立评残模型。
3.根据权利要求1所述基于数据处理的评残条款智能预测方法,其特征在于,所述将所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测包括:
将伤者数据转化为数值型格式的伤者数据;
计算伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量;以及
将格式转化后的所述伤者数据以及所述伤者各部位所受伤情的数量、各等级伤情的数量以及指定部位所受伤情的数量输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测。
4.根据权利要求3所述基于数据处理的评残条款智能预测方法,其特征在于,所述预训练模型通过如下步骤建立得到:
获取预训练样本集合;
计算预训练样本集合中各个特征的直方图;
再计算各直方图每个组距中的梯度值和样本数,根据所述梯度值和样本数得到直方图中具有最大增益的节点,并作为最佳分类节点;以及
根据所述最佳分类节点获取使得损失函数最小的特征并进行分裂,直至分裂到完成分类目标后停止分裂,从而建立预训练模型。
5.根据权利要求1所述基于数据处理的评残条款智能预测方法,其特征在于,所述若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合包括:
根据伤情之间的叠加是否对评残条款造成影响对伤者的伤情进行分类,得到不同的伤情类别;
计算不同伤情类别下的伤情数量;
当所述伤情类别下的伤情数量大于1时,则调用所述预设的评残模型,对伤者在所述伤情类别下的评残条款进行预测,得到伤者的评残条款;以及
将同一评残条款对应的伤情归入同一伤情组合。
6.根据权利要求1所述基于数据处理的评残条款智能预测方法,其特征在于,所述对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉包括:
对不同伤情组合进行两两比较;
若不同伤情组合之间存在相同的伤情,则确认所述不同伤情组合之间存在伤情交叉;以及
对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉。
7.根据权利要求6所述基于数据处理的评残条款智能预测方法,其特征在于,所述对存在伤情交叉的所有伤情组合进行修正,以避免不同伤情组合之间存在伤情交叉包括:
对于存在伤情交叉的所有伤情组合,从中筛选出评残条款对应伤残等级最高的伤情组合;
若评残条款对应伤残等级最高的伤情组合数量为1,则保留所述评残条款对应伤残等级最高的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;
若评残条款对应伤残等级最高的伤情组合数量大于1,再从中筛选出伤情数量最多的伤情组合;
若所述伤情数量最多的伤情组合数量为1,则保留所述伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测;以及
若所述伤情数量最多的伤情组合数量大于1,随机保留1个伤情数量最多的伤情组合,并将剩余的所有伤情组合中的伤情输入至预设的评残模型继续进行评残条款预测。
8.一种基于数据处理的评残条款智能预测装置,其特征在于,包括:
伤者数据校验单元,用于获取伤者数据,并对伤者数据进行校验;
评残预测单元,用于将校验通过的所述伤者数据输入至预训练模型,利用所述预训练模型对伤者是否评残进行预测;
评残条款预测单元,用于若预训练模型输出的预测结果为对伤者进行评残,则调用预设的评残模型对伤者进行评残条款预测,得到伤者的评残条款,并将同一评残条款对应的伤情归入同一伤情组合,其中,所述评残模型按如下步骤建模:先对不同类别的伤情类别进行取样获取训练样本集合,然后按照LightGBM算法进行拟合建立评残模型;以及
校验修正单元,用于对伤者的评残条款进行校验,并根据校验结果对评残条款进行修正,以避免不同伤情组合之间存在伤情交叉。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于数据处理的评残条款智能预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时实现如权利要求1至7任一项所述的基于数据处理的评残条款智能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063825.3A CN111311175A (zh) | 2020-01-20 | 2020-01-20 | 评残条款智能预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063825.3A CN111311175A (zh) | 2020-01-20 | 2020-01-20 | 评残条款智能预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311175A true CN111311175A (zh) | 2020-06-19 |
Family
ID=71146870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010063825.3A Pending CN111311175A (zh) | 2020-01-20 | 2020-01-20 | 评残条款智能预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855232A (zh) * | 2021-03-16 | 2021-12-31 | 马佐尔机器人有限公司 | 用于训练和使用植入计划评估模型的系统和方法 |
-
2020
- 2020-01-20 CN CN202010063825.3A patent/CN111311175A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113855232A (zh) * | 2021-03-16 | 2021-12-31 | 马佐尔机器人有限公司 | 用于训练和使用植入计划评估模型的系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785976A (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
EP2176804A1 (en) | Method and apparatus for diagnosing an allergy of the upper respiratory tract using a neural network | |
CN111370126A (zh) | 基于惩罚集成模型的icu死亡率预测方法及系统 | |
US20220172805A1 (en) | System and method for automatically determining serious adverse events | |
CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
CN111091884B (zh) | 一种医院信息集成平台的患者主索引匹配系统及方法 | |
CN113889252A (zh) | 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗系统 | |
CN111161880B (zh) | 基于分类模型的医疗信息分类方法、装置和计算机设备 | |
CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
CN111311175A (zh) | 评残条款智能预测方法、装置、计算机设备及存储介质 | |
WO2017001885A2 (ru) | Способ создания модели объекта | |
CN116313086A (zh) | 一种亚健康预测模型构建方法、装置、设备及存储介质 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN114927230A (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
CN114203306A (zh) | 医疗事件预测模型训练方法、医疗事件预测方法及装置 | |
CN114550896A (zh) | 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型 | |
CN113487440A (zh) | 模型生成、健康险理赔的确定方法、装置、设备及介质 | |
CN115116594B (zh) | 医疗装置有效性的检测方法及装置 | |
CN117766091A (zh) | 一种基于护理知识库的护理方案获取方法 | |
CN116978574A (zh) | 智能随访方法及系统 | |
CN117894485A (zh) | 临床路径生成方法、装置、设备及存储介质 | |
CN117743578A (zh) | 基于Bert模型的急性肾损伤的早期预测方法 |
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 |