CN111368412B - 用于护理需求预测的仿真模型构建方法和装置 - Google Patents
用于护理需求预测的仿真模型构建方法和装置 Download PDFInfo
- Publication number
- CN111368412B CN111368412B CN202010125588.9A CN202010125588A CN111368412B CN 111368412 B CN111368412 B CN 111368412B CN 202010125588 A CN202010125588 A CN 202010125588A CN 111368412 B CN111368412 B CN 111368412B
- Authority
- CN
- China
- Prior art keywords
- strategy
- care
- nursing
- node
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本申请涉及一种用于护理需求预测的仿真模型构建方法、装置、计算机设备和存储介质。所述方法包括:获取长期护理需求预测原理图;长期护理需求预测原理图包括群组划分节点、护理策略分配节点和护理策略再分配节点;确定用于指示群组划分节点对多个被护理方进行群组划分的执行逻辑;确定用于指示护理策略分配节点为每个群组中被护理方分配初始护理策略的执行逻辑;确定用于指示护理策略再分配节点根据被护理方的失能转移率和护理策略转移率对每个群组中被护理方对应的初始护理策略进行调整的执行逻辑,得到长期护理需求预测仿真模型。采用本方法能够提高预测结果效率和准确性。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种用于护理需求预测的仿真模型构建方法和装置。
背景技术
随着长期护理保障制度的实施,政府部门需要及时了解处于不同健康状态,并预测未来预设时段内对长期护理的需求,以提前做好相应政策安排与调整。传统方式主要是根据人为经验对当前普查人口中未来可能存在护理需求的人口的数量进行预测,未充分利用计算机技术,使预测效率降低。为了提高预测效率,出现了基于仿真模型进行护理需求预测的方案,但目前的仿真模型仅停留在基于被护理方的年龄和性别进行预测的层面,模型参数单一,使得预测准确性降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测结果准确性的用于护理需求预测的仿真模型构建方法和装置。
一种用于护理需求预测的仿真模型构建方法,所述方法包括:调用仿真工具在仿真页面中添加群组划分节点、护理策略分配节点、护理策略再分配节点以及多种护理策略分别对应的护理策略节点;
采用数据流向边将所述群组划分节点与所述护理策略分配节点连接,采用数据流向边将所述护理策略分配节点与所述护理策略再分配节点连接,采用数据流向边将所述护理策略分配节点和所述护理策略再分配节点分别与每个护理策略节点连接;
配置所述群组划分节点对应的多组群组划分参数,;所述群组划分参数用于指示所述群组划分节点对被护理方集群进行护理群组的划分,得到多个被护理方群组;
将预置的每种护理策略对应的护理策略分布模型关联至相应护理策略分配节点;所述护理策略分布模型用于指示所述护理策略分配节点计算每个被护理方群组的护理策略分布率,根据所述护理策略分布率确定各个被护理方群组中的被护理方的初始护理策略;
将预置的每种护理群组对应的失能转移模型以及护理策略调整模型关联至护理策略再分配节点,得到护理需求预测原理图;所述失能转移模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的失能转移率,所述护理策略调整模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的护理策略变化率,根据所述失能转移率和护理策略变化率对各个被护理方群组中的被护理方的初始护理策略进行调整;
对所述护理需求预测原理图进行编译,得到护理需求预测仿真模型。
在一个实施例中,所述护理策略分布率基于护理策略分布模型计算得到;所述护理策略分布模型的训练步骤包括:获取样本数据;所述样本数据包括多个样本被护理方的健康轨迹;所述健康轨迹包括护理策略;获取待训练的每种护理策略对应的初始模型;基于所述样本数据对相应护理策略的初始模型进行训练,得到每种护理策略对应的护理策略分布模型。
在一个实施例中,所述获取待训练的每种护理策略对应的初始模型包括:按照期望的计算精度,将健康轨迹中的护理策略转换为目标的护理策略;获取每个所述目标的护理策略所对应的待训练的初始模型。
在一个实施例中,所述方法还包括:当计算精度为第一精度时,所述目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理;当计算精度为第二精度时,所述目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。
在一个实施例中,所述基于所述样本数据对相应护理策略的初始模型进行训练包括:根据样本数据中护理策略与初始模型对应护理策略是否一致,确定相应样本数据的样本标签;所述样本数据还包括样本被护理方的身份属性;提取所述身份属性的身份特征,以及所述健康轨迹的健康特征;将身份特征及健康特征输入相应护理策略的初始模型,得到预测护理策略;按照所述预测护理策略与所述样本标签的差异,调整所述初始模型的参数并继续训练,直至满足训练结束条件时结束训练,得到护理策略分布模型。
一种用于护理需求预测的仿真模型构建装置,所述装置包括:
原理图生成模块,用于调用仿真工具在仿真页面中添加确定群组划分节点、护理策略分配节点、护理策略再分配节点以及多种护理策略分别对应的护理策略节点;采用数据流向边将所述群组划分节点与所述护理策略分配节点连接,采用数据流向边将所述护理策略分配节点与所述护理策略再分配节点连接,采用数据流向边将所述护理策略分配节点和所述护理策略再分配节点分别与每个护理策略节点连接;
群组划分模块,用于配置所述群组划分节点对应的多组群组划分参数,;所述群组划分参数用于指示所述群组划分节点对被护理方集群进行护理群组的划分,得到多个被护理方群组;
护理策略初始分配模块,用于将预置的每种护理策略对应的护理策略分布模型关联至相应护理策略分配节点;所述护理策略分布模型用于指示所述护理策略分配节点计算每个被护理方群组的护理策略分布率,根据所述护理策略分布率确定各个被护理方群组中的被护理方的初始护理策略;
护理策略再调整模块,用于将预置的每种护理群组对应的失能转移模型以及护理策略调整模型关联至护理策略再分配节点,得到护理需求预测原理图;所述失能转移模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的失能转移率,所述护理策略调整模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的护理策略变化率,根据所述失能转移率和护理策略变化率对各个被护理方群组中的被护理方的初始护理策略进行调整;
原理图编译模块,用于对所述护理需求预测原理图进行编译,得到护理需求预测仿真模型。
在一个实施例中,所述护理策略分布率基于护理策略分布模型计算得到;所述装置还包括模型训练模块,用于获取样本数据;所述样本数据包括多个样本被护理方的健康轨迹;所述健康轨迹包括护理策略;获取待训练的每种护理策略对应的初始模型;基于所述样本数据对相应护理策略的初始模型进行训练,得到每种护理策略对应的护理策略分布模型。
在一个实施例中,所述模型训练模块还用于按照期望的计算精度,将健康轨迹中的护理策略转换为目标的护理策略;获取每个所述目标的护理策略所对应的待训练的初始模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的用于护理需求预测的仿真模型构建方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的用于护理需求预测的仿真模型构建方法的步骤。
上述用于护理需求预测的仿真模型构建方法、装置、计算机设备和存储介质,通过针对预绘制的长期护理需求预测原理图配置多种节点逻辑,可以是构建得到不仅结合被护理方失能分布率确定被护理方的初始护理策略,还能结合被护理方失能转移率和护理策略转移率对初始护理策略动态调整的仿真模型。进而,在基于这样的仿真模型进行长期护理需求预测时,可以动态预测连续多个时间节点的需求变化轨迹,提高长期护理需求预测效率和准确性,为护理政策的实施与调整提供可靠依据。
附图说明
图1为一个实施例中用于护理需求预测的仿真模型构建方法的应用场景图;
图2为一个实施例中用于护理需求预测的仿真模型构建方法的流程示意图;
图3为一个实施例中长期护理需求预测原理图的示意图;
图4为一个实施例中用于护理需求预测的仿真模型构建装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的用于护理需求预测的仿真模型构建方法,可以应用于如图1所示的应用环境中。该方法应用于长期护理需求预测系统。该长期护理需求预测系统包括终端110和服务器120。终端110和服务器120通过网络连接。用于护理需求预测的仿真模型构建方法可以在终端110或服务器120完成。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种用于护理需求预测的仿真模型构建方法,以该方法应用于图1中的终端110或服务器120为例进行说明,包括以下步骤:
步骤202,调用仿真工具在仿真页面中添加群组划分节点、护理策略分配节点、护理策略再分配节点以及多种护理策略分别对应的护理策略节点;采用数据流向边将所述群组划分节点与所述护理策略分配节点连接,采用数据流向边将所述护理策略分配节点与所述护理策略再分配节点连接,采用数据流向边将所述护理策略分配节点和所述护理策略再分配节点分别与每个护理策略节点连接。
具体地,计算机设备获取长期护理需求预测原理图。长期护理需求预测原理图可以是基于STATA等仿真工具绘制的。参考图3,图3为一个实施例中长期护理需求预测原理图的示意图。如图3所示,长期护理需求预测原理图包括多个预测节点,根据对应节点的执行逻辑不同可以将多个预测节点区分为群组划分节点302、护理策略分配节点304、护理策略节点306和护理策略再分配节点308。
在一个实施例中,上述方法还包括:当计算精度为第一精度时,目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理;当计算精度为第二精度时,目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。
本实施例中,长期护理需求预测原理图包括六个群组划分节点302,一个护理策略分配节点304、一个护理策略再分配节点308。根据护理策略划分粒度不同,可以将长期护理需求预测结果的精度区分为第一精度和第二精度,对应的护理策略节点306的数量也不同。比如在本实施例中,根据护理策略分配精度不同,护理策略节点306可以有5个或8个。当护理策略分配精度为第一精度时,对应的5个护理策略节点分别为不需要护理、没有得到护理、居家护理、机构护理和死亡。当护理策略为第二精度时,对应的8个护理策略节点分别为不需要护理、没有得到护理、居家护理、机构护理、私人护理、志愿者护理、社区护理和死亡。其中,不需要护理是指完全不需要长期护理。没有得到护理是指需要护理,但是没有得到任何一种护理。居家护理是指被护理方居住在家里接受护理,主要由家人、朋友或专业护理人员,或社区服务机构提供。机构护理是指被护理方居住在护理机构接受护理。私人护理是指被护理方居住在家里,主要由专业护理人员提供护理。志愿者护理是指被护理方居住在家里,由志愿者、朋友或邻居等无偿提供所、送饭、定期探望等服务。社区护理是指被护理方居住在家里,由社区提供护理。
步骤204,配置所述群组划分节点对应的多组群组划分参数,;所述群组划分参数用于指示所述群组划分节点对被护理方集群进行护理群组的划分,得到多个被护理方群组。
在绘制好长期护理需求预测原理图后,对每个预测节点的执行逻辑进行配置。具体地,当计算机设备需要基于6个群组划分节点将待分配被护理方按照年龄、性别和失能分布率分为6个被护理方群组时,可以将6个群组划分节点的执行逻辑依次配置为不同的年龄区间、性别和失能分布率区间的组合。比如,一种组合可以是“男,年龄[65,70],失能分布率[70,80]”,另一种组合可以是“女,年龄[70,75],失能分布率[80,90]”等。
其中,失能分布率可以是基于失能分布率模型计算得到。失能分布率模型可以是预训练的机器学习模型,如逻辑回归模型等。通过人口普查及问卷调查等方式获取训练样本。训练样本可以是多个被护理方在历史时段(如2014-2018年)的身份属性和健康轨迹等信息。其中,身份属性包括被护理方的年龄、性别、婚姻状态、户籍类型(城市/乡镇)等。健康轨迹包括被护理方在多个时间点发生的健康状态转移的信息。健康状态包括健康和失能。计算机设备对训练样本进行预处理,得到多组样本数据及每组样本数据(X1,X2)对应的失能预测标签。其中,X1为年龄,X2为性别。失能预测标签可以是对应老年人是否失能的表征值,如Y失能=1表示失能,Y失能=0表示健康。
待训练的初始模型可以是逻辑回归模型:
z=β0+β1X1+β2X2。
其中,Pr(Y失能=1)是指“失能”事件的发生概率,β0、β1及β2为回归参数。
计算机设备将预处理的样本数据输入待训练的初始模型,得到中间预测结果,计算中间预测结果与失能预测标签的差值,根据差值对初始模型中的回归参数进行调整,直至得到准确率达到阈值的已训练模型,将该已训练模型作为失能分布率模型。
步骤206,将预置的每种护理策略对应的护理策略分布模型关联至相应护理策略分配节点;所述护理策略分布模型用于指示所述护理策略分配节点计算每个被护理方群组的护理策略分布率,根据所述护理策略分布率确定各个被护理方群组中的被护理方的初始护理策略。
当计算机设备需要基于护理策略分配节点确定每个被护理方群组所需要的初始护理策略时,可以将护理策略分配节点的执行逻辑配置为预训练的护理策略分布模型。后续,计算机设备可以根据护理策略模型分别计算每个被护理方群组中的被护理方适合不同护理策略的概率,将概率最高的一种护理策略作为该被护理方的初始护理策略。节点配置信息还包括初始护理策略确定时间,比如每个月月初5日。换言之,每月月初5日进行一次被护理方长期护理策略分配。
当计算机设备需要基于护理策略节点确定每种护理策略所对应的被护理方数量时,可以将护理策略节点的执行逻辑配置为统计分配为相应的初始护理策略的被护理方数量。比如,护理策略节点“居家护理”用于统计初始护理策略为“居家护理”的被护理方的数量。在一个实施例中,统计得到的被护理方数量展示在相应护理策略节点上方。如图3所示,护理策略节点“居家护理”对应的被护理方数量为n3。
需要说明的是,护理策略节点306a为护理策略为“死亡”的节点。一旦一个被护理方对应护理策略为“死亡”,则终止对该被护理方进行长期护理需求预测。
在一个实施例中,基于预先统计得到的具有普适性的“不同年龄性别健康状态的被护理方在每种护理策略下所持续的时间长度”的结论(可以是第三方数据),每个护理策略节点306上方还记录了对应的所持续时间长度。
步骤208,将预置的每种护理群组对应的失能转移模型以及护理策略调整模型关联至护理策略再分配节点,得到护理需求预测原理图;所述失能转移模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的失能转移率,所述护理策略调整模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的护理策略变化率,根据所述失能转移率和护理策略变化率对各个被护理方群组中的被护理方的初始护理策略进行调整;对所述护理需求预测原理图进行编译,得到护理需求预测仿真模型。
当计算机设备需要基于护理策略再分配节点确定每个被护理方群组中被护理方的失能转移率时,可以将护理策略再分配节点的执行逻辑配置为预训练的失能转移模型。后续,计算机设备可以根据失能转移模型分别计算每个被护理方的失能转移率。失能转移模型也可以是预训练的机器学习模型,如逻辑回归模型等。通过对训练样本预处理,得到样本数据(X1,X2,X3)及对应的失能转移预测标签。其中,X1为年龄,X2为性别,X3为健康状态(健康/失能)。预测标签可以是对应老年人是由一种健康状态转向另一种健康状态的表征值,如Y健康→失能=1表示从健康转移为失能。
z=β0+β1X1+β2X2+β3X3。
其中,Pr(Y健康→失能=1)是指被护理方从健康转移为失能的概率,β0、β1、β2及β3为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型,得到中间预测结果,计算中间预测结果与失能转移预测标签的差值,根据差值对初始模型中的回归参数进行调整,直至得到准确率达到阈值的已训练模型,将该已训练模型作为失能转移模型。
当计算机设备需要基于护理策略再分配节点确定每个被护理方群组中被护理方的护理策略转移率时,可以将护理策略再分配节点的执行逻辑配置为预训练的护理策略转移模型。后续,计算机设备可以根据护理策略转移模型分别计算每个被护理方的护理策略转移率。护理策略转移模型也可以是预训练的机器学习模型,如逻辑回归模型等。
每种护理策略都可能转移为其他任意一种护理策略。当预测精度不同时采用的护理策略转移模型可以不同。当预测精度为第一精度时,任意两种护理策略之间具有对应的护理策略转移模型,比如从护理策略i转移为护理策略j的模型可记作Prij。将每两种护理策略之间转移的被护理方数据作为相应作为护理策略转移模型Prij的训练样本,得到多组样本数据(X1,X2,X3,X4)对应的预测标签。其中,X1为年龄,X2为性别,X3为健康状态,X4为当前护理策略。护理策略转移预测标签可以是对应被护理方是由一种护理策略转向另一种护理策略的表征值,如Yij=1表示从护理策略i转移为护理策略j。
z=β0+β1X1+β2X2+β3X3+β4X4。
其中,Prij(Yij=1)是指被护理方从护理策略i转移为护理策略j的概率,β0、β1、β2、β3及β4为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型,得到中间预测结果,计算中间预测结果与护理策略转移预测标签的差值,根据差值对初始模型中的回归参数进行调整,直至得到准确率达到阈值的已训练模型,将该已训练模型作为护理策略转移模型。
当预测精度为第二精度时,待训练的初始模型可以是多类别逻辑回归(Multinomial Logistic Regression—MLR)模型:
其中,i和j分别为代表一种护理策略的数值。i=1,2…8,代表初始护理策略。j=1,2…8,代表转移后的护理策略(记作目标护理策略)。比如,1代表不需要护理;2代表没有得到任何一种护理,如此类推,8代表死亡。(X1,X2,X3,X4)中X1为年龄,X2为性别,X3为健康状态,X4为当前护理策略。
在估算执行逻辑时,由于预测精度要求比较高时涉及的长期护理的形式也比较多,基于多分类模型相比针对每种逻辑回归模型逐一求解执行逻辑的方式,可以提高模型训练效率。根据不同的精度要求设置不同的执行逻辑估算方法,可以提高仿真效率,满足不同预测精度需求。
当接收到对目标区域内被护理方在未来预设时段的长期护理需求预测请求时,可以基于上述长期护理需求预测仿真模型相应该预测请求。比如,需要对上海未来10年的被护理方长期护理需求进行预测,可以在每个月月初的时候将上海当月的被护理方数据(可以是从相关机构获取的第三方数据)输入至仿真模型,得到本月的预测结果。在一个实施例中,仿真模型可以预置多个统计分析时间节点,比如每年统计一次年度需求人口数,得到目标区域年度长期护理需求人口数。目标区域年度长期护理需求人口数可以是将本年度12个月份的长期护理需求人口数累加得到。
再比如,基于仿真模型可以对新政策有效性进行验证。具体地,当一项新政策发布,对应仿真模型中的一项或者多项执行逻辑可能发生变化,从第三方获取的被护理方数据也可能发生变化,基于变化后的被护理方数据及仿真模型重新预测,可以根据其中“有护理需求但一直没得到任何护理”人口数的变化来判断该政策有效性。
在一个实施例中,基于长期护理需求预测仿真模型进行长期护理需求预测包括:基于群组划分节点对多个被护理方进行群组划分,得到多个被护理方群组;基于护理策略分配节点计算每个被护理方群组中不同被护理方的护理策略分布率,并根据护理策略分布率确定每个被护理方对应的初始护理策略;基于护理策略再分配节点计算每个被护理方群组中不同被护理方的失能转移率及护理策略转移率,并根据失能转移率和护理策略转移率对每个被护理方对应的初始护理策略进行调整,预测得到被护理方实际需要的目标护理策略。
传统方式通常采用将失能分布率与总人口数相乘的方式,预测具有长期护理需求的人口数。这种方式计算得到人口是一个固定时间节点的静态数值。
上述用于护理需求预测的仿真模型构建方法中,通过针对预绘制的长期护理需求预测原理图配置多种节点逻辑,可以是构建得到不仅结合被护理方失能分布率确定被护理方的初始护理策略,还能结合被护理方失能转移率和护理策略转移率对初始护理策略动态调整的仿真模型。进而,在基于这样的仿真模型进行长期护理需求预测时,可以动态预测连续多个时间节点的需求变化轨迹,提高长期护理需求预测效率和准确性,为护理政策的实施与调整提供可靠依据。
在一个实施例中,所述护理策略分布率基于护理策略分布模型计算得到;所述护理策略分布模型的训练步骤包括:获取样本数据;所述样本数据包括多个样本被护理方的健康轨迹;所述健康轨迹包括护理策略;获取待训练的每种护理策略对应的初始模型;基于所述样本数据对相应护理策略的初始模型进行训练,得到每种护理策略对应的护理策略分布模型。
计算机设备针对每种护理策略分别训练对应的护理策略分布模型。换言之,护理策略分布模型有多个。护理策略分布模型也可以是预训练的机器学习模型,如逻辑回归模型等。通过人口普查及问卷调查等方式获取训练样本。根据护理策略划分粒度不同,可以将长期护理需求预测结果的精度区分为第一精度和第二精度。
在一个实施例中,基于样本数据对相应护理策略的初始模型进行训练包括:根据样本数据中护理策略与初始模型对应护理策略是否一致,确定相应样本数据的样本标签;样本数据还包括样本被护理方的身份属性;提取身份属性的身份特征,以及健康轨迹的健康特征;将身份特征及健康特征输入相应护理策略的初始模型,得到预测护理策略;按照预测护理策略与样本标签的差异,调整初始模型的参数并继续训练,直至满足训练结束条件时结束训练,得到护理策略分布模型。
当预测精度为第一精度时,每个护理策略分布模型的训练过程如下:计算机设备对训练样本进行预处理,得到多组样本数据(X1,X2,X3)对应的护理预测标签。其中,样本数据包括被护理方的身份特征年龄X1和性别X2,还包括被护理方健康特征健康状态X3。护理预测标签可以是对应被护理方所采用的护理策略的表征值,如Y不需要护理=1表示采用的护理策略为不需要护理;Y居家护理=1表示采用的护理策略为居家护理,如此类推。
待训练的初始模型可以是逻辑回归模型:
z=β0+β1X1+β2X2+β3X3
其中,Pr(Yi=1)是指被护理方需要护理策略i的概率,i为死亡、不需要护理、未得到护理、居家护理或机构护理。β0、β1、β2及β3为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型,得到中间预测结果,计算中间预测结果与护理预测标签的差值,根据差值对初始模型中的回归参数进行调整,直至得到准确率达到阈值的已训练模型,将该已训练模型作为护理策略分布率模型。
当预测精度为第二精度时,待训练的初始模型可以是逻辑回归模型:
z=β0+β1X1+β2X2+β3X3
其中,Pr(Yj=1)是指被护理方需要护理策略j的概率,i为死亡、不需要护理、未得到护理、居家护理、机构护理、私人护理、志愿者护理或社区护理。β0、β1、β2及β3为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型,得到中间预测结果,计算中间预测结果与护理预测标签的差值,根据差值对初始模型中的回归参数进行调整,直至得到准确率达到阈值的已训练模型,将该已训练模型作为护理策略分布率模型。
本实施例中,根据不同的精度要求设置不同的护理策略分布率模型,可以满足不同预测精度需求。
在一个实施例中,获取待训练的每种护理策略对应的初始模型包括:按照期望的计算精度,将健康轨迹中的护理策略转换为目标的护理策略;获取每个目标的护理策略所对应的待训练的初始模型。
通过人口普查及问卷调查等方式获取得到的训练样本中对于护理策略的记录方式可能多种多样。比如,护理策略“未得到护理”对应在训练样本中的记录可能是“没人照顾”、“无人护理”“护理不是很到位”等。计算机设备基于预设的语义识别模型对训练样本中对于护理策略的字段转化为同一的护理策略名称字段。
本实施例中,对训练样本中护理策略进行标准化处理,便于后续基于不同护理策略划分粒度进行不同精度的护理需求预测。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种用于护理需求预测的仿真模型构建装置,包括:原理图获取模块402、执行逻辑确定模块404和护理需求预测模块406,其中:
原理图生成模块402,用于调用仿真工具在仿真页面中添加确定群组划分节点、护理策略分配节点、护理策略再分配节点以及多种护理策略分别对应的护理策略节点;采用数据流向边将所述群组划分节点与所述护理策略分配节点连接,采用数据流向边将所述护理策略分配节点与所述护理策略再分配节点连接,采用数据流向边将所述护理策略分配节点和所述护理策略再分配节点分别与每个护理策略节点连接。
群组划分模块404,用于配置所述群组划分节点对应的多组群组划分参数,;所述群组划分参数用于指示所述群组划分节点对被护理方集群进行护理群组的划分,得到多个被护理方群组。
护理策略初始分配模块406,用于将预置的每种护理策略对应的护理策略分布模型关联至相应护理策略分配节点;所述护理策略分布模型用于指示所述护理策略分配节点计算每个被护理方群组的护理策略分布率,根据所述护理策略分布率确定各个被护理方群组中的被护理方的初始护理策略,并根据所述初始护理策略对相应护理策略节点的状态参数进行配置。
护理策略再调整模块408,用于将预置的每种护理群组对应的失能转移模型以及护理策略调整模型关联至护理策略再分配节点,得到护理需求预测原理图;所述失能转移模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的失能转移率,所述护理策略调整模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的护理策略变化率,根据所述失能转移率和护理策略变化率对各个被护理方群组中的被护理方的初始护理策略进行调整,并根据调整后的目标护理策略对相应护理策略节点的状态参数进行重新配置。
原理图编译模块410,用于对所述护理需求预测原理图进行编译,得到护理需求预测仿真模型。
在一个实施例中,上述装置还包括模型训练模块412,用于获取样本数据;样本数据包括多个样本被护理方的健康轨迹;健康轨迹包括护理策略;获取待训练的每种护理策略对应的初始模型;基于样本数据对相应护理策略的初始模型进行训练,得到每种护理策略对应的护理策略分布模型。
在一个实施例中,模型训练模块412还用于按照期望的计算精度,将健康轨迹中的护理策略转换为目标的护理策略;获取每个目标的护理策略所对应的待训练的初始模型。
在一个实施例中,当计算精度为第一精度时,目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理;当计算精度为第二精度时,目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。
在一个实施例中,模型训练模块412还用于根据样本数据中护理策略与初始模型对应护理策略是否一致,确定相应样本数据的样本标签;样本数据还包括样本被护理方的身份属性;提取身份属性的身份特征,以及健康轨迹的健康特征;将身份特征及健康特征输入相应护理策略的初始模型,得到预测护理策略;按照预测护理策略与样本标签的差异,调整初始模型的参数并继续训练,直至满足训练结束条件时结束训练,得到护理策略分布模型。
关于用于护理需求预测的仿真模型构建装置的具体限定可以参见上文中对于用于护理需求预测的仿真模型构建方法的限定,在此不再赘述。上述用于护理需求预测的仿真模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,也可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储需要进行护理需求预测的被护理方的身份属性和健康轨迹的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于护理需求预测的仿真模型构建方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供用于护理需求预测的仿真模型构建方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于护理需求预测的仿真模型构建方法,所述方法包括:
调用仿真工具在仿真页面中添加群组划分节点、护理策略分配节点、护理策略再分配节点以及多种护理策略分别对应的护理策略节点;采用数据流向边将所述群组划分节点与所述护理策略分配节点连接,采用数据流向边将所述护理策略分配节点与所述护理策略再分配节点连接,采用数据流向边将所述护理策略分配节点和所述护理策略再分配节点分别与每个护理策略节点连接;
配置所述群组划分节点对应的多组群组划分参数;所述群组划分参数用于指示所述群组划分节点对被护理方集群进行群组划分,得到多个被护理方群组;
将预置的每种护理策略对应的护理策略分布模型关联至相应护理策略分配节点;所述护理策略分布模型用于指示所述护理策略分配节点计算每个被护理方群组的护理策略分布率,根据所述护理策略分布率确定各个被护理方群组中的被护理方对应的初始护理策略;
将预置的每种护理群组对应的失能转移模型以及护理策略调整模型关联至护理策略再分配节点,得到护理需求预测原理图;所述失能转移模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的失能转移率,所述护理策略调整模型用于指示所述护理策略再分配节点计算每个群组中各个被护理方群组中的被护理方的护理策略变化率,根据所述失能转移率和护理策略变化率对各个被护理方群组中的被护理方的初始护理策略进行调整;对所述护理需求预测原理图进行编译,得到护理需求预测仿真模型。
2.根据权利要求1所述的方法,其特征在于,所述护理策略分布率基于护理策略分布模型计算得到;所述护理策略分布模型的训练步骤包括:
获取样本数据;所述样本数据包括多个样本被护理方的健康轨迹;所述健康轨迹包括护理策略;
获取待训练的每种护理策略对应的初始模型;
基于所述样本数据对相应护理策略的初始模型进行训练,得到每种护理策略对应的护理策略分布模型。
3.根据权利要求2所述的方法,其特征在于,所述获取待训练的每种护理策略对应的初始模型包括:
按照期望的计算精度,将健康轨迹中的护理策略转换为目标的护理策略;
获取每个所述目标的护理策略所对应的待训练的初始模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
当计算精度为第一精度时,所述目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理;
当计算精度为第二精度时,所述目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。
5.根据权利要求2所述的方法,其特征在于,所述基于所述样本数据对相应护理策略的初始模型进行训练包括:
根据样本数据中护理策略与初始模型对应护理策略是否一致,确定相应样本数据的样本标签;所述样本数据还包括样本被护理方的身份属性;
提取所述身份属性的身份特征,以及所述健康轨迹的健康特征;
将身份特征及健康特征输入相应护理策略的初始模型,得到预测护理策略;
按照所述预测护理策略与所述样本标签的差异,调整所述初始模型的参数并继续训练,直至满足训练结束条件时结束训练,得到护理策略分布模型。
6.一种用于护理需求预测的仿真模型构建装置,所述装置包括:
原理图生成模块,用于调用仿真工具在仿真页面中添加群组划分节点、护理策略分配节点、护理策略再分配节点以及多种护理策略分别对应的护理策略节点;采用数据流向边将所述群组划分节点与所述护理策略分配节点连接,采用数据流向边将所述护理策略分配节点与所述护理策略再分配节点连接,采用数据流向边将所述护理策略分配节点和所述护理策略再分配节点分别与每个护理策略节点连接;
群组划分模块,用于配置所述群组划分节点对应的多组群组划分参数;所述群组划分参数用于指示所述群组划分节点对被护理方集群进行护理群组的划分,得到多个被护理方群组;
护理策略初始分配模块,用于将预置的每种护理策略对应的护理策略分布模型关联至相应护理策略分配节点;所述护理策略分布模型用于指示所述护理策略分配节点计算每个被护理方群组的护理策略分布率,根据所述护理策略分布率确定各个被护理方群组中的被护理方的初始护理策略;
护理策略再调整模块,用于将预置的每种护理群组对应的失能转移模型以及护理策略调整模型关联至护理策略再分配节点,得到护理需求预测原理图;所述失能转移模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的失能转移率,所述护理策略调整模型用于指示所述护理策略再分配节点计算各个被护理方群组中的被护理方的护理策略变化率,根据所述失能转移率和护理策略变化率对各个被护理方群组中的被护理方的初始护理策略进行调整;
原理图编译模块,用于对所述护理需求预测原理图进行编译,得到护理需求预测仿真模型。
7.根据权利要求6所述的装置,其特征在于,所述护理策略分布率基于护理策略分布模型计算得到;所述装置还包括模型训练模块,用于获取样本数据;所述样本数据包括多个样本被护理方的健康轨迹;所述健康轨迹包括护理策略;获取待训练的每种护理策略对应的初始模型;基于所述样本数据对相应护理策略的初始模型进行训练,得到每种护理策略对应的护理策略分布模型。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块还用于按照期望的计算精度,将健康轨迹中的护理策略转换为目标的护理策略;获取每个所述目标的护理策略所对应的待训练的初始模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125588.9A CN111368412B (zh) | 2020-02-27 | 2020-02-27 | 用于护理需求预测的仿真模型构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010125588.9A CN111368412B (zh) | 2020-02-27 | 2020-02-27 | 用于护理需求预测的仿真模型构建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368412A CN111368412A (zh) | 2020-07-03 |
CN111368412B true CN111368412B (zh) | 2023-02-03 |
Family
ID=71206325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010125588.9A Active CN111368412B (zh) | 2020-02-27 | 2020-02-27 | 用于护理需求预测的仿真模型构建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368412B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922621A (zh) * | 2018-06-26 | 2018-11-30 | 泰康保险集团股份有限公司 | 一种失能等级的评估方法及装置 |
CN109067873A (zh) * | 2018-08-02 | 2018-12-21 | 上海锐岑计算机科技有限公司 | 一种物联网远程监护系统 |
CN109472708A (zh) * | 2018-11-16 | 2019-03-15 | 泰康保险集团股份有限公司 | 护理保险测算方法、装置、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120004925A1 (en) * | 2010-06-30 | 2012-01-05 | Microsoft Corporation | Health care policy development and execution |
-
2020
- 2020-02-27 CN CN202010125588.9A patent/CN111368412B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922621A (zh) * | 2018-06-26 | 2018-11-30 | 泰康保险集团股份有限公司 | 一种失能等级的评估方法及装置 |
CN109067873A (zh) * | 2018-08-02 | 2018-12-21 | 上海锐岑计算机科技有限公司 | 一种物联网远程监护系统 |
CN109472708A (zh) * | 2018-11-16 | 2019-03-15 | 泰康保险集团股份有限公司 | 护理保险测算方法、装置、电子设备、存储介质 |
Non-Patent Citations (3)
Title |
---|
中国老年人口长期护理需求预测――基于多状态分段常数Markov分析;崔晓东;《中国人口科学》;20171201(第06期);全文 * |
基于转移概率模型的老年人长期护理需求预测分析;黄枫等;《经济研究》;20121228;全文 * |
基于马尔科夫模型的老年人口护理需求分析;彭荣;《统计与信息论坛》;20090310(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111368412A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A new methodology to support group decision-making for IoT-based emergency response systems | |
Lee et al. | Network dependence can lead to spurious associations and invalid inference | |
CN113196314B (zh) | 适配预测模型 | |
Qiu et al. | Univariate dynamic screening system: an approach for identifying individuals with irregular longitudinal behavior | |
US20200082918A1 (en) | System and methd of social-behavioral roi calculation and optimization | |
US10991053B2 (en) | Long-term healthcare cost predictions using future trajectories and machine learning | |
Hong et al. | The tradeoff between sampling and switching: New sequential procedures for indifference-zone selection | |
Shin et al. | Emergency medical service resource allocation in a mass casualty incident by integrating patient prioritization and hospital selection problems | |
Zuhairy et al. | Energy-efficient load balancing in wireless sensor network: An application of multinomial regression analysis | |
CN104969251A (zh) | 综合医疗保健数据生成 | |
CN112132624A (zh) | 医疗理赔数据预测系统 | |
GB2572004A (en) | Resource allocation using a learned model | |
US20230026758A1 (en) | System and method for predicting subject enrollment | |
Santacatterina et al. | Optimal probability weights for inference with constrained precision | |
Gao et al. | Performance and sensitivity analysis of an M/G/1 queue with retrial customers due to server vacation | |
Paul et al. | Inventory management strategies for mitigating unfolding epidemics | |
McLay et al. | Evaluating the impact of performance goals on dispatching decisions in emergency medical service | |
AU2017301078A1 (en) | A supervised machine learning system for optimising outpatient clinic attendance | |
CN111354449B (zh) | 长期护理策略分配方法、装置、计算机设备和存储介质 | |
CN111368412B (zh) | 用于护理需求预测的仿真模型构建方法和装置 | |
WO2020120633A1 (en) | Method for adaptive transportation services scheduling for healthcare cost reduction | |
CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
CN115545248A (zh) | 目标对象预测方法、装置、设备及介质 | |
CN113724824A (zh) | 慢性病患者随访方法、装置、计算机设备及可读存储介质 | |
Chen | Reconstructing genetic regulatory networks using two-step algorithms with the differential equation models of neural networks |
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 |