CN111508609A - 健康状况的风险预测方法、装置、计算机设备及存储介质 - Google Patents
健康状况的风险预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111508609A CN111508609A CN202010307965.0A CN202010307965A CN111508609A CN 111508609 A CN111508609 A CN 111508609A CN 202010307965 A CN202010307965 A CN 202010307965A CN 111508609 A CN111508609 A CN 111508609A
- Authority
- CN
- China
- Prior art keywords
- prediction
- user
- risk
- target user
- target
- 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
- 230000036541 health Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 57
- 201000010099 disease Diseases 0.000 claims description 87
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 87
- 230000009471 action Effects 0.000 claims description 81
- 230000000694 effects Effects 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000003745 diagnosis Methods 0.000 claims description 22
- 238000012502 risk assessment Methods 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 13
- 230000002265 prevention Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 14
- 239000003814 drug Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 229940124579 cold medicine Drugs 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
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
-
- 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
Abstract
本公开提供了一种健康状况的风险预测方法、装置、计算机设备及存储介质,属于人工智能技术中的智能医疗领域。所述方法包括:获取目标用户在第一预设时间段内的目标预测信息;根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级;根据目标用户在至少一个预测维度上的风险等级,对目标用户健康状况进行风险预测。本公开根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及一种健康状况的风险预测方法、装置、计算机设备及存储介质。
背景技术
在流行性疾病发生时,很多国家和地区都会受到影响。在流行疾病影响下,用户很容易产生恐慌心理,尤其是疫情严重的地区用户恐慌心理更为严重。为了缓解用户的恐慌心理,以维持社会和国家的稳定,可对用户的健康状况进行风险预测。
目前,主要依赖于网络上的数据,由用户自行对健康状况进行风险预测。
然而,由于网络上的数据不够详细,基于这些数据很难对用户的健康状况进行准确地预测。
发明内容
为了提高对用户的健康状况预测的准确性,本公开实施例提供了一种健康状况的风险预测方法、装置、计算机设备及存储介质。所述技术方案如下:
一方面,提供了一种健康状况的风险预测方法,所述方法包括:
响应于接收到的对目标用户健康状况的风险预测请求,获取所述目标用户在第一预设时间段内的目标预测信息,所述目标预测信息包括用于描述所述目标用户健康状况的至少一个预测维度上的信息;
根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,所述指定用户为健康状况存在风险的用户;
根据所述目标用户在至少一个预测维度上的风险等级,对所述目标用户健康状况进行风险预测。
另一方面,提供了一种健康状况的风险预测装置,所述装置包括:
获取模块,用于响应于接收到的对目标用户健康状况的风险预测请求,获取所述目标用户在第一预设时间段内的目标预测信息,所述目标预测信息包括用于描述所述目标用户健康状况的至少一个预测维度上的信息;
确定模块,用于根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,所述指定用户为健康状况存在风险的用户;
预测模块,用于根据所述目标用户在至少一个预测维度上的风险等级,对所述目标用户健康状况进行风险预测。
在一种可能的实现方式中,所述至少一个预测维度包括地区预测维度,所述确定模块,用于根据所述目标预测信息和所述指定用户的参考预测信息,获取所述目标用户所在地区在第二预设时间段内的疾病关联人数;对所述疾病关联人数进行加权计算,得到所述目标用户所在地区的地区疾病数值;对各个地区的地区疾病数值进行排序;按照排序结果,确定所述目标用户在地区预测维度上的风险等级。
在一种可能的实现方式中,所述至少一个预测维度包括地点预测维度,所述确定模块,用于根据所述目标预测信息和所述指定用户的参考预测信息,确定所述目标用户的行动路径和所述指定用户的行动路径;根据所述目标用户的行动路径和所述指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项;根据所述地点风险数值和所述地点路径的风险数值中至少一项,确定所述目标用户在地点预测维度上的风险等级。
在一种可能的实现方式中,所述确定模块,用于根据所述目标用户的行动路径和所述指定用户的行动路径,确定所述目标用户的行动路径上的风险地点;将所述目标用户到过所述风险地点的时间与所述风险地点的风险时间之差的绝对值,作为所述风险地点的地点风险数值。
在一种可能的实现方式中,所述确定模块,用于根据所述目标用户的行动路径和所述指定用户的行动路径,确定所述目标用户和所述指定用户到过的相同地点的地点重合频度数;按照时间顺序,将所述目标用户和所述指定用户到过的相同地点进行连接,得到路径配对条数;对所述地点重合频度数和所述路径配对条数进行加权计算,得到所述目标用户的地点路径的风险数值。
在一种可能的实现方式中,所述至少一个预测维度包括交通工具预测维度,所述确定模块,用于根据所述目标预测信息和所述指定用户的参考预测信息,确定所述目标用户与所述指定用户所乘坐的相同交通工具;获取所述目标用户在所述相同交通工具上的停留时长;对所述目标用户在所述相同交通工具上的停留时长进行加权计算,得到所述目标用户所乘交通工具的风险数值;根据所述目标用户所乘交通工具的风险数值,确定所述目标用户在交通工具预测维度上的风险等级。
在一种可能的实现方式中,所述至少一个预测维度包括活动预测维度,所述确定模块,用于根据所述目标预测信息,获取所述目标用户的活动信息;根据所述指定用户的参考预测信息,获取所述指定用户的活动信息;对所述指定用户的活动信息中的活动类型文本进行文本聚类,得到至少一个聚类文本;根据所述目标用户的活动信息中的活动类型文本和所述至少一个聚类文本,确定所述目标用户在活动预测维度上的风险等级。
在一种可能的实现方式中,所述至少一个预测维度包括生活预测维度,所述确定模块,用于根据所述目标预测信息和所述指定用户的参考预测信息,获取与所述目标用户具有相同生活场景的所述指定用户在所述第一预设时间段内的关键生活事件;根据所述目标预测信息和所述关键生活事件,确定所述目标用户在生活预测维度上的风险等级。
在一种可能的实现方式中,所述至少一个预测维度包括诊疗预测维度,所述确定模块,用于从所述目标预测信息中,获取所述目标用户的疾病关联次数;对所述疾病关联次数进行加权计算,得到病情数值;根据所述病情数值,确定所述目标用户在诊疗预测维度上的风险等级。
在一种可能的实现方式中,所述获取模块,用于获取所述目标用户在所述第一预设时间段内填报的健康状况信息和行动路径信息、以及所述第一预设时间段内至少一个应用中记录的所述目标用户的行为信息中至少一项,将获取到的信息作为所述目标预测信息。
在一种可能的实现方式中,所述获取模块,用于获取所述指定用户填报的健康状况信息和行动路径信息、至少一个应用中记录的所述指定用户的行为信息、包含预设疾病关键词的资讯信息、以及所述指定用户的会话记录和群组消息中至少一项,将获取到的信息作为所述指定用户的参考预测信息。
在一种可能的实现方式中,所述装置还包括:
发送模块,用于向所述目标用户发送风险评估报告,所述风险评估报告包括所述目标用户健康状况的风险等级、风险产生原因及对应的防治措施。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现上述所述的健康状况的风险预测方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现上述所述的健康状况的风险预测方法。
本公开实施例提供的技术方案带来的有益效果是:
根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
另外,在对目标用户健康状况进行预测之后,通过向目标用户发送风险评估报告,使得目标用户能够直观地了解自身的健康状况,有效地缓解用户的恐慌心理,且可根据防治方法,快速进行自我救助。
附图说明
为了更清楚地说明本公开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,下面描述中的附图仅仅是本公开的一些实施例,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是本公开实施例提供的一种健康状况的风险预测方法所涉及的实施环境;
图2是本公开实施例提供的一种健康状况的风险预测方法的流程图;
图3是本公开实施例提供的一种健康状况的风险预测方法的流程图;
图4是本公开实施例提供的一种健康状况的风险预测装置结构示意图;
图5是根据一示例性实施例示出的一种用于健康状况的风险预测的计算机设备;
图6示出了本公开一个示例性实施例提供的计算机设备的结构框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
机器学习(Machine Learning,ML)作为人工智能技术中重要的方向,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
基于机器学习和深度学习,本公开实施例提供了一种健康状况的风险预测方法。图1为本公开实施例提供的健康状况的风险预测方法所涉及的实施环境,该实施环境包括:终端101和计算机设备102。
其中,终端101可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端101的操作系统可以为Android系统、IOS系统或Windows系统等不同操作系统。终端101中安装有至少一种应用,例如,社交应用、导航应用、购物应用、支付应用等等,以满足用户的不同使用需求。终端101可基于健康状态预测应用或所安装应用中的某种功能,实现对用户健康状况的风险预测,例如,获取用户的健康状况信息、行动路径、医院诊断信息、购买药品信息、乘坐的交通工具信息等预测信息,并将获取到的预测信息发送至计算机设备102。
计算机设备102可以为具有较强计算能力的终端,也可以为服务器。当计算机设备为终端时,该计算机设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。当计算机设备为服务器时,该计算机设备可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。计算机设备能够接收终端101发送的信息,还能够获取预设疾病关键词的资讯信息,也能够存储终端发送及获取到的信息,也能够基于存储的信息,对用户的健康状况进行风险预测。
终端101以及计算机设备102可以通过有线或无线通信方式进行直接或间接地连接,本公开实施例在此不做限制。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。本公开实施例提供的一种健康状况的风险预测方法涉及人工智能领域的智能医疗等技术,参见图2,本公开实施例提供的方法流程包括:
201、响应于接收到的对目标用户健康状况的风险预测请求,获取目标用户在第一预设时间段内的目标预测信息。
其中,目标用户为需要对健康状况进行风险预测的用户。第一预设时间段为以当前时间为起点、目标用户健康状况可能存在风险的时间段,该第一预设时间段可以为10天、14天等等。目标预测信息包括用于描述目标用户健康状况的至少一个预测维度上的信息。至少一个预测维度包括地区检测维度、地点检测维度、交通工具检测维度、活动检测维度、生活检测维度、诊疗检测维度等。
202、根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级。
其中,指定用户并不是一个用户,而是泛指健康状况存在风险的用户,该指定用户包括患有预设疾病的确诊用户、预设疾病的疑似用户及患有预设疾病的死亡用户等。风险等级包括高风险、中风险及低风险等。
203、根据目标用户在至少一个预测维度上的风险等级,对目标用户健康状况进行风险预测。
本公开实施例提供的方法,根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
在本公开的另一个实施例中,至少一个预测维度包括地区预测维度,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,包括:
根据目标预测信息和指定用户的参考预测信息,获取目标用户所在地区在第二预设时间段内的疾病关联人数;
对疾病关联人数进行加权计算,得到目标用户所在地区的地区疾病数值;
对各个地区的地区疾病数值进行排序;
按照排序结果,确定目标用户在地区预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括地点预测维度,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,包括:
根据目标预测信息和指定用户的参考预测信息,确定目标用户的行动路径和指定用户的行动路径;
根据目标用户的行动路径和指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项;
根据地点风险数值和地点路径的风险数值中至少一项,确定目标用户在地点预测维度上的风险等级。
在本公开的另一个实施例中,根据目标用户的行动路径和指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项,包括:
根据目标用户的行动路径和指定用户的行动路径,确定目标用户的行动路径上的风险地点;
将目标用户到过风险地点的时间与风险地点的风险时间之差的绝对值,作为风险地点的地点风险数值。
在本公开的另一个实施例中,根据目标用户的行动路径和指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项,包括:
根据目标用户的行动路径和指定用户的行动路径,确定目标用户和指定用户到过的相同地点的地点重合频度数;
按照时间顺序,将目标用户和指定用户到过的相同地点进行连接,得到路径配对条数;
对地点重合频度数和路径配对条数进行加权计算,得到目标用户的地点路径的风险数值。
在本公开的另一个实施例中,至少一个预测维度包括交通工具预测维度,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,包括:
根据目标预测信息和指定用户的参考预测信息,确定目标用户与指定用户所乘坐的相同交通工具;
获取目标用户在相同交通工具上的停留时长;
对目标用户在相同交通工具上的停留时长进行加权计算,得到目标用户所乘交通工具的风险数值;
根据目标用户所乘交通工具的风险数值,确定目标用户在交通工具预测维度上的风险等级
在本公开的另一个实施例中,至少一个预测维度包括活动预测维度,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,包括:
根据目标预测信息,获取目标用户的活动信息;
根据指定用户的参考预测信息,获取指定用户的活动信息;
对指定用户的活动信息中的活动类型文本进行文本聚类,得到至少一个聚类文本;
根据目标用户的活动信息中的活动类型文本和至少一个聚类文本,确定目标用户在活动预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括生活预测维度,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,包括:
根据目标预测信息和指定用户的参考预测信息,获取与目标用户具有相同生活场景的指定用户在第一预设时间段内的关键生活事件;
根据目标预测信息和关键生活事件,确定目标用户在生活预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括诊疗预测维度,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,包括:
从目标预测信息中,获取目标用户的疾病关联次数;
对疾病关联次数进行加权计算,得到病情数值;
根据病情数值,确定目标用户在诊疗预测维度上的风险等级。
在本公开的另一个实施例中,获取目标用户在第一预设时间段内的目标预测信息,包括:
获取目标用户在第一预设时间段内填报的健康状况信息和行动路径信息、以及第一预设时间段内至少一个应用中记录的目标用户的行为信息中至少一项,将获取到的信息作为目标预测信息。
在本公开的另一个实施例中,根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级之前,还包括:
获取指定用户填报的健康状况信息和行动路径信息、至少一个应用中记录的指定用户的行为信息、包含预设疾病关键词的资讯信息、以及指定用户的会话记录和群组消息中至少一项,将获取到的信息作为指定用户的参考预测信息。
在本公开的另一个实施例中,根据目标用户在至少一个预测维度上的风险等级,对目标用户健康状况进行风险预测之后,还包括:
向目标用户发送风险评估报告,风险评估报告包括目标用户健康状况的风险等级、风险产生原因及对应的防治措施。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
基于图1所示的实施环境,本公开实施例提供的一种健康状况的风险预测方法,该方法涉及人工智能领域的智能医疗等技术。以图1中的计算机设备102且计算机设备为服务器执行本公开实施例为例,参见图3,本公开实施例提供的方法流程包括:
301、服务器存储目标用户的预测信息。
目标用户的预测信息来源有两种,一种为目标用户通过终端主动上报的信息,另一种为目标用户通过终端被动上报的信息。针对预测信息的来源,服务器在获取目标用户的预测信息时,可以采用如下两种方式:
第一种方式、目标用户可以通过打卡、填表等方式在应用内填写健康状况信息和行动路径信息,终端获取目标用户填报的健康状况信息和行动路径信息,并将获取到的信息上报给服务器。
第二种方式、终端可从至少一个应用中获取目标用户的行为信息,并将获取到的信息上报至服务器。
在一种可能的实现方式中,终端可基于应用所能实现的功能,从实现不同功能的小程序中,获取目标用户的预测信息,例如,终端可从社交应用中具有打车功能的小程序中,获取目标用户的行动路径信息;又例如,终端可从社交应用中具有支付功能的小程序中,获取目标用户的购买药品信息、乘坐的交通工具信息等;又例如,终端可从社交应用中具有就诊功能的小程序中,获取目标用户的医院诊断记录信息等等。
在另一种可能的实现方式中,终端可以从与该应用关联的至少一个第三方应用中,获取目标用户的预测信息。例如,终端可从与社交应用关联的导航应用中,获取目标用户的位置信息;又例如,终端可从与社交应用关联的购票应用中,获取目标用户购买火车、飞机等交通工具的信息。
在另一种可能的实现方式中,终端还可基于自身的定位或联网等功能,获取目标用户的预测信息。例如,终端可开启定位功能,通过开启定位功能获取目标用户的位置信息;又例如,终端可通过与不同运营商的基站进行通信,获取目标用户的位置信息。又例如,终端可开启网络连接功能,通过连接WiFi或数据流量,获取目标用户的位置信息。
服务器接收终端通过上述至少一种方式获取的目标用户的预测信息,并将所接收到的目标用户的预测信息进行存储。为了便于后续查询,服务器在存储目标用户的预测信息时,可按照用户标识进行存储。
302、服务器存储指定用户的参考预测信息。
服务器获取指定用户的参考预测信息时,可采用如下几种方式:
第一种方式、指定用户可以通过报表、打卡等方式填表健康状况信息和行动路径信息,终端获取指定用户填报的健康状况信息和行动路径信息,并将获取的信息上报至服务器。
第二种方式、终端可以获取至少一个应用中记录的指定用户的行为信息,并将指定用户的行动信息发送至服务器。
第三种方式、服务器可采用爬虫方式,从互联网上爬取包含预设疾病关键字的资讯信息。
第四种方式、终端可以获取指定用户的会话记录和群组消息,将获取到的指定用户的会话记录和群组消息发送至服务器。
服务器可以采用上述至少一种方式获取指定用户的预测信息,并将获取的指定用户的参考预测信息进行存储。为了便于后续查询,服务器在存储指定用户的参考预测信息时,可按照用户标识进行存储。
需要说明的是,上述步骤301和步骤302并不代表执行顺序,实际上步骤301和步骤302可以同时执行。另外,上述步骤301中所述的终端为登录目标用户账号的终端,步骤302中所述的终端为登录指定用户的账号的终端,二者并非同一终端。
303、响应于接收到的对目标用户健康状况的风险预测请求,服务器获取目标用户在第一预设时间段内的目标预测信息。
在本公开实施例中,当目标用户想要了解自身的健康状态时,可向服务器发送对目标用户的健康状态的风险预测请求,该风险预测请求包括目标用户的用户标识等。响应于接收到的对目标用户健康状况的风险预测请求,服务器可以获取目标用户在第一预设时间段内的目标预测信息,从而根据目标预测信息,对目标用户健康状况进行风险预测。
服务器在获取目标预测信息时,可根据目标用户的用户标识,从服务器上存储的目标用户的预测信息中,获取目标用户在第一预设时间段内填报的健康状况信息和行动路径信息、以及第一预设时间段内至少一个应用中记录的目标用户的行为信息中至少一项,并将获取到的信息作为目标用户的目标预测信息。
304、服务器根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级。
在本公开实施例中,预测维度包括地区预测维度、地点预测维度、交通工具预测维度、活动预测维度、生活预测维度、诊疗预测维度等,由于服务器不同预测维度上对目标用户健康状况进行风险预测的方法不同,因此,针对上述几种预测维度,服务器根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级时,包括以下几种情况:
第一种情况、至少一个预测维度包括地区预测维度,服务器在地区预测维度上确定目标用户的风险等级时,可采用如下步骤:
30411、服务器根据目标预测信息与指定用户的参考预测信息,获取目标用户所在地区在第二预设时间段内的疾病关联人数。
其中,疾病关联人数包括确诊人数、疑似人数、治愈人数及死亡人数。确认人数是指确认患预设疾病的人数。疑似人数是指疑似患预设疾病的人数。治愈人数是指患预设疾病后痊愈的人数。死亡人数是指患预设疾病死亡的人数。
其中,第二预设时间段可以根据服务器的处理能力以及预测时的精度要求确定,该第二预设时间段可以为1天、2天等等。目标用户所在地区在第二预设时间段内的疾病关联人数可根据目标预测信息与指定用户的参考预测信息统计得到。
30412、服务器对疾病关联人数进行加权计算,得到目标用户所在地区的地区疾病数值。
其中,地区疾病数值用于反应一个地区内疾病情况,地区疾病数值越高,该地区的患病程度越严重。疾病关联人数中确诊人数、疑似人数、治愈人数及死亡人数对应的权重值可以灵活设置,只需保证确诊人数、疑似人数、治愈人数及死亡人数对应的权重值之和为1即可。
设定某一地区在第二预设时间段内确诊人数对应的权重值为b1、疑似人数对应的权重值为b2、治愈人数对应的权重值为b3、死亡人数对应的权重值为b4,则该地区在第二预设时间段内的地区疫情数值=确诊人数*b1+疑似人数*b2+治愈人数*b3+死亡人数*b4。
例如,表1示出了地区1和地区2的疫情情况,其中,地区1今天的疾病情况为:确诊人数为10人、疑似人数为9人、治愈人数为1、死亡人数为2人,地区2今天的疾病情况为:确诊人数为1人、疑似人数为0人、治愈人数为1、死亡人数为0人。对地区1的确诊人数、疑似人数、治愈人数及死亡人数进行加权计算,得到地区1的地区疾病数值为N1;对地区2的确诊人数、疑似人数、治愈人数及死亡人数进行加权计算,得到地区2的地区疾病数值为N2。
表1
30413、服务器对各个地区的地区疾病数值进行排序。
服务器获取各个地区的地区疾病数值,并按照由大到小的顺序,对各个地区的地区疾病数值进行排序。
30414、服务器按照排序结果,确定目标用户在地区预测维度上的风险等级。
服务器可以预先设置高风险、中风险、低风险对应的排位百分比,例如,设置排位在前30%的地区为高风险地区、排位在中间40%的地区为中风险地区、排位在后30%的地区为低风险地区。根据预先设置的排位百分比和目标用户所在地区的地区疾病数值在各个地区中的排位,可以确定出目标用户在地区预测维度上的风险等级。例如,如果目标用户所在地区的地区疾病数值在各个地区中的排位位于前30%,则可以确定目标用户在地区预测维度上的风险等级为高风险;如果目标用户所在地区的地区疾病数值在所有地区中的排位位于后30%,则可以确定目标用户在地区预测维度上的风险等级为低风险;如果目标用户所在地区的地区疾病数值在各个地区中的排位位于中间40%,则可以确定目标用户在地区预测维度上的风险等级为中风险。
第二种情况、至少一个预测维度包括地点预测维度,服务器在地点预测维度上确定目标用户的风险等级时,可采用如下步骤:
30421、服务器根据目标预测信息和指定用户的参考预测信息,确定目标用户的行动路径和指定用户的行动路径。
服务器可以从目标用户的目标预测信息中,获取目标用户在不同时间内的位置信息,进而基于目标用户在不同时间内的位置信息,按照时间顺序将不同位置信息指示的位置相连,得到目标用户的行动路径。
同理,服务器可以从指定用户的参考预测信息中,获取指定用户在不同时间内的位置信息,进而基于指定用户在不同时间内的位置信息,按照时间顺序将不同位置信息指示的位置相连,得到指定用户的行动路径。
30422、服务器根据目标用户的行动路径和指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项。
其中,地点风险数值用于表征用户途径某一地点时被感染的风险系数。地点路径的风险数值用于表征用户途径整个路径时被感染的风险系数。
具体地,服务器根据目标用户的行动路径和指定用户的行动路径,确定风险地点的地点风险数值时,可采用如下方法:
第一步,服务器根据目标用户的行动路径和指定用户的行动路径,确定目标用户的行动路径上的风险地点。
服务器根据指定用户的行动路径,将目标用户的行动路径中包括的与指定用户的行动路径中相同的地点,确定为风险地点。该风险地点的数量可以为一个,也可以为两个或两个以上。
第二步,服务器将目标用户到过风险地点的时间与风险地点的风险时间的差值的绝对值,作为风险地点的地点风险数值。
服务器通过将目标用户到过风险地点的时间减去风险地点的风险时间,可得到目标用户去风险地点的时间与该风险地点的风险时间之间的接近程度,目标用户去风险地点的时间与该风险地点的风险时间越接近,目标用户被感染的风险越高,该风险地点的地点风险数值越大;目标用户去风险地点的时间与该风险地点的风险时间越远,目标用户被感染的风险越低,该风险地点的地点风险数值越小。
例如,表2示出了风险地点为天河新作小区和白云机场,其中,天河新作小区作为风险地点的时间为2020年2月19号3点,用户到过天河新作小区的时间为2020年2月18号4点,则天河新作小区的点风险数值N3=|18.4-19.3|=0.9;白云机场作为风险地点的时间为2020年2月19号3点,用户到过天河新作小区的时间为2020年2月10号4点,则白云机场的点风险数值N4=|10.4-19.3|=8.9。
表2
具体地,服务器根据目标用户的行动路径和指定用户的行动路径,确定地点路径的风险数值时,可采用如下方法:
第一步,服务器根据目标用户的行动路径和指定用户的行动路径,确定目标用户和指定用户到过的相同地点的地点重合频度数。
其中,地点重合频度数为目标用户和指定用户到过的相同地点的数量。服务器根据目标用户的行动路径和指定用户的行动路径,获取目标用户和指定用户到过相同地点的次数,并将其确定为地点重合频度数。
例如,指定用户的行动路径为白云机场-天河新作小区-琵洲公园,目标用户的行动路径为白云机场-天保利天悦小区-琵洲公园,目标用户和指定用户到过的相同地点为白云机场和琵洲公园,则目标用户和指定用户到过的相同地点的地点重合频度数为2。
第二步、服务器按照时间顺序,将目标用户和指定用户到过的相同地点进行连接,得到路径配对条数。
服务器按照时间顺序,将目标用户和指定用户到过的相同地点顺序连接,将连接得到的线段条数确定为路径配对条数。
例如,目标用户和指定用户到过的相同地点有2个,分别为白云机场和琵洲公园,按照时间顺序服务器将白云机场和琵洲公园连接起来,得到路径配对条数为1条。
第三步、服务器对地点重合频度数和路径配对条数进行加权计算,得到目标用户的地点路径的风险数值。
其中,地点重合频度数和路径配对条数对应的权重值可以灵活设置,只需保证地点重合频度数和路径配对条数对应的权重值之和为1即可。地点路径的风险数值越大,目标用户与指定用户在路径层面上的接触越亲密,目标用户感染的风险越大;地点路径的风险数值越小,目标用户与指定用户在路径层面上的接触越疏远,目标用户感染的风险越小。
30423、服务器根据地点风险数值和地点路径的风险数值中至少一项,确定目标用户在地点预测维度上的风险等级。
在一种可能的实现方式中,服务器可以根据地点风险数值,确定目标用户在地点预测维度上的风险等级。例如,服务器可以设置地点风险数值对应的阈值,该阈值可以为第一数值和第二数值。其中,第一数值大于第二数值,且第一数值和第二数值可通过对大量用户统计得到。当地点风险数值大于第一数值,确定目标用户在地点预测维度上的风险等级为高风险;当地点风险数值大于第二数值小于第一数值时,确定目标用户在地点预测维度上的风险等级为中风险;当地点风险数值小于第二数值时,确定目标用户在地点预测维度上的风险等级为低风险。
在另一种可能的实现方式中,服务器可以根据地点路径的风险数值,确定目标用户在地点预测维度上的风险等级。例如,服务器可以设置地点路径的风险数值对应的阈值,该阈值为第三数值和第四数值。其中,第三数值大于第四数值,且第三数值和第四数值可通过对大量用户统计得到。当地点路径的风险数值大于第三数值,确定目标用户在地点预测维度上的风险等级为高风险;当地点路径的风险数值大于第四数值小于第三数值时,确定目标用户在地点预测维度上的风险等级为中风险;当地点路径的风险数值小于第四数值时,确定目标用户在地点预测维度上的风险等级为低风险。
在另一种可能的实现方式中,服务器可以根据地点风险数值和地点路径的风险数值,确定目标用户在地点预测维度上的风险等级。例如,服务器可为地点风险数值和地点路径的风险数值设置相应的权重值,并根据所设置的权重值,对地点风险数值和地点路径的风险数值进行加权计算,得到加权计算结果,然后,将加权计算结果与预先设置的阈值进行比较,该阈值为第五数值和第六数值。其中,第五数值大于第六数值,且第五数值和第六数值可通过对大量用户统计得到。当加权计算结果大于第五数值,确定目标用户在地点预测维度上的风险等级为高风险;当加权计算结果大于第六数值小于第五数值时,确定目标用户在地点预测维度上的风险等级为中风险;当加权计算结果小于第六数值时,确定目标用户在地点预测维度上的风险等级为低风险。
第三种情况、至少一个预测维度包括交通工具预测维度,服务器在地点预测维度上确定目标用户的风险等级时,可采用如下步骤:
30431、服务器根据目标预测信息和指定用户的参考预测信息,确定目标用户与指定用户所乘坐的相同交通工具。
服务器根据目标预测信息,可以获取目标用户所乘坐的交通工具的车次、线路等信息,并根据指定用户的参考预测信息,可以获取指定用户所乘坐的交通工具的车次、线路等信息,进而通过对比可以确定出目标用户与指定用户所乘坐的相同交通工具。
30432、服务器获取目标用户在相同交通工具上的停留时长。
在一种可能的实现方式中,服务器可以从目标预测信息中获取目标用户在相同交通工具上的停留时长。
30433、服务器对目标用户在相同交通工具上的停留时长进行加权计算,得到目标用户所乘交通工具的风险数值。
其中,各个相同交通工具对应的权重值可以灵活设置,只需保证所有相同交通工具对应的权重值之和为1即可。例如,可以根据每个相同交通工具的危险系数,确定各个相同交通对应的权重值。对于任一相同交通工具,该相同交通工具的危险系数可根据交通工具为风险点的时间与用户到过风险点的时间计算,例如,将用户到过风险点的时间减去工具为风险点的时间的差值的绝对值作为危险系数,危险系数越小,用户被感染的风险越高,危险系数越大,用户被感染的风险越低。接着,服务器可根据危险系数,为各个相同交通工具设置权重值,例如,将危险系数较小的交通工具设置较大的权重值,将危险系数较大的交通工具设置较小的权重值。
例如,表3示出了相同交通工具为广州B7快线和车牌号为B21243的网约车。其中,广州B7快线为风险点的时间为2020年2月19号3点,目标用户到过该风险点的时间为2020年2月18号4点,则广州B7快线的危险系数N5=|18.4-19.3|=0.9;车牌号为B21243的网约车为风险点的时间为2020年2月19号3点,目标用户到过该风险点的时间为2020年2月10号4点,则车牌号为B21243的网约车的危险系数N5=|10.4-19.3|=8.9,N5大于N4,说明目标用户乘坐车牌号为B21243的网约车被感染的风险相对乘坐广州B7快线被感染的风险要小。
表3
设定目标用户与指定用户所乘坐的相同交通工具为交通工具1、交通工具2、…、交通工具N,其中,目标用户在交通工具1上的停留时长为t1、在交通工具2上的停留时长为t2、…、在交通工具N上的停留时长为tn,交通工具1对应的权重值q1、交通工具2对应的权重值q2、…、交通工具N对应的权重值qn、则交通工具的风险数值为t1 q1+t2 q2+…+tn qn。
30434、服务器根据交通工具的风险数值,确定目标用户在交通工具预测维度上的风险等级。
服务器可以为交通工具的风险数值设置对应的阈值,该阈值为第七数值和第八数值。其中,第七数值大于第八数值,且第七数值和第八数值可通过对大量用户统计得到。当交通工具的风险数值大于第七数值,确定目标用户在交通工具预测维度上的风险等级为高风险;当交通工具的风险数值大于第八数值小于第七数值,确定目标用户在交通工具预测维度上的风险等级为中风险;当交通工具的风险数值小于第八数值,确定目标用户在交通工具预测维度上的风险等级为低风险。
第四种情况、至少一个预测维度包括活动预测维度,服务器在活动预测维度上确定目标用户的风险等级时,可采用如下步骤:
30441、服务器根据目标预测信息,获取目标用户的活动信息。
其中,活动信息包括目标用户参加的各种社交活动的信息,例如,目标用户***时间去***饭店的聚餐信息、目标用户***时间去**商场的购物信息等等。目标用户的活动信息主要来自零散的非结构性信息,服务器获取这些非结构性信息,通过进行文本分析,可获取目标用户的活动信息。例如,服务器可以获取目标用户的位置信息,通过对位置信息进行文本分析,获取目标用户的活动信息;又例如,服务器可以获取目标用户的支付记录,通过对支付记录进行文本分析,获取目标用户的活动信息;又例如,服务器可以获取目标用户所在群组的会话消息,通过对会话消息进行文本分析,获取目标用户的活动信息。
30442、服务器根据指定用户的参考预测信息,获取指定用户的活动信息。
指定用户的活动信息也主要来自零散的非结构性信息,服务器获取这些非结构性信息,通过进行文本分析,可获取指定用户的活动信息。
30443、服务器对指定用户的活动信息中的活动类型文本进行文本聚类,得到至少一个聚类文本。
服务器可以预先构建文本聚类模型,并基于该文本聚类模型,对指定用户的活动信息中的活动类型文本进行文本聚类,从而得到至少一个聚类文本。例如,将指定用户的活动信息中的聚餐、一起出去吃饭、聚会、家庭聚餐等活动类型文本进行聚类,可以得到聚餐类文本,将指定用户的活动信息中的遛弯、散步等活动类型文本进行聚类,可以得到散步类文本。
30444、服务器根据目标用户的活动信息中的活动类型文本和至少一个聚类文本,确定目标用户在活动预测维度上的风险等级。
服务器对目标用户的活动信息的活动类型文本与上述步骤30443中得到的至少一个聚类文本进行聚类,如果目标用户的活动信息中的活动类型文本与至少一个聚类文本能够聚为一类,则确定目标用户在活动预测维度上的风险等级为高风险;如果目标用户的活动信息中的活动类型文本与每个聚类文本均不能聚为一类,则确定目标用户在活动预测维度上的风险等级为低风险。
第五种情况、至少一个预测维度包括生活预测维度,服务器在生活预测维度上确定目标用户的风险等级时,可采用如下步骤:
30451、服务器根据目标预测信息和指定用户的参考预测信息,获取与目标用户具有相同生活场景的指定用户在第一预设时间段内的关键生活事件。
其中,与目标用户具有相同生活场景的指定用户可以为在工作生活中与目标用户存在交集的指定用户,例如,同一小区内的邻居、同一公司的同事等。相应地,关键生活事件是指在相同生活场景下发生在指定用户身上的事件,例如,去公司开会、去小区内遛弯等等。
30452、服务器根据目标预测信息和关键生活事件,确定目标用户在生活预测维度上的风险等级。
当根据目标预测信息,确定在目标用户身上发生过该关键生活事件,可确定目标用户在生活预测维度上的风险等级为高风险;当确定在目标用户身上未发生过该关键生活事件,可确定目标用户在生活预测维度上的风险等级为低风险。
第六种情况、至少一个预测维度包括诊疗预测维度,服务器在诊疗预测维度上确定目标用户的风险等级时,可采用如下步骤:
30461、服务器从目标预测信息中,获取目标用户的疾病关联次数。
其中,疾病关联次数包括预设疾病急诊就诊次数、急诊住院次数、确诊药品购买次数和指定药品的购买次数等。
30462、服务器对目标用户疾病关联次数进行加权计算,得到病情数值。
其中,疾病关联次数中的预设疾病就诊次数、急诊住院次数、确诊药品购买次数、指定药品的购买次数对应的权重值可以灵活设置,只需保证预设疾病就诊次数、急诊住院次数、确诊药品购买次数、指定药品的购买次数对应的权重值之和为1即可。
设定预设疾病就诊次数为a1、急诊住院次数为a2、确诊药品购买次数为a3、指定药品的购买次数为a4,预设疾病就诊次数对应的权重值为p1、急诊住院次数对应的权重值p2、确诊药品购买次数对应的权重值p3、指定药品的购买次数对应的权重值p4,则病情数值为a1p1+a2 p2+a3 p3+a4p4。
30463、服务器根据病情数值,确定目标用户在诊疗预测维度上的风险等级。
服务器可以为病情数值设置对应的阈值,该阈值为第九数值和第十数值。其中,第九数值大于第十数值,该第九数值和第十数值可通过对大量用户统计得到。当病情数值大于第九数值,确定目标用户在诊疗预测维度上的风险等级为高风险;当病情数值大于第十数值小于第九数值,确定目标用户在诊疗预测维度上的风险等级为中风险;当病情数值小于第十数值,确定目标用户在诊疗预测维度上的风险等级为低风险。
例如,表4示出了用户1和用户2的诊疗情况。其中,用户1在呼吸科室急诊次数为1、急诊住院次数为0次、确诊药品购买次数为10次、感冒疑似药品的购买次数为8次,通过对用户1在呼吸科室急诊次数、急诊住院次数次、确诊药品购买次数、感冒疑似药品的购买次数进行加权计算,可以得到用户1的病情数值为N3;用户1在呼吸科室急诊次数为2、急诊住院次数为1次、确诊药品购买次数为2次、感冒疑似药品的购买次数为3次,通过对用户2在呼吸科室急诊次数、急诊住院次数次、确诊药品购买次数、感冒疑似药品的购买次数进行加权计算,可以得到用户2的病情数值为N4。将N3和N4与第九数值和第十数值进行比较,根据比较结果,可以确定用户1的病情等级为高风险,用户2的病情等级为中风险。
表4
在另一种可能的实现方式中,当目标用户出院时间晚于之前药品购买时间或住院时间,可以计算目标用户的治愈数值,否则,不会计算治愈数值。例如,用户出院后复发又再次住院,此时不会计算用户的治愈数值。
305、服务器根据目标用户在至少一个预测维度上的风险等级,对目标用户健康状况进行风险预测。
针对上述步骤304对目标用户在不同预测维度上确定的风险等级,服务器将根据目标用户在至少一个预测维度上的风险等级,对目标用户健康状况进行风险预测。
在一种可能的实现方式中,服务器可以从中选取最能预测目标用户的健康状况的预测维度,并将该预测维度上所确定的风险等级,作为对目标用户的健康状况的风险预测结果。例如,服务器可以选取诊疗预测维度作为最能预测目标用户的健康状况的预测维度,并将该诊疗预测维度上的确定的风险等级,作为对目标用户的健康状况的风险预测结果。
在另一种可能的实现方式中,服务器可以从中选取至少两个预测维度上所所确定的风险等级,进而根据对不同风险等级进行投票,将票数高的风险等级,作为对目标用户健康状况的风险预测结果。例如,服务器对六个预测维度上所确定的风险等级进行投票,其中,高风险为4票,中风险为1票,低风险为1票,则可以确定对目标用户健康状况的风险预测结果为高风险。
306、服务器向目标用户发送风险评估报告。
当得到对目标用户的健康状况的预测结果后,服务器可向目标用户发送风险评估报告。该风险评估报告包括目标用户健康状况的风险程度、风险产生原因及对应防治措施。基于该风险评估报告,用户能够准确获知自己的健康状况,从而理性面对,避免产生恐慌心理。
本公开实施例提供的方法,根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
另外,在对目标用户健康状况进行预测之后,通过向目标用户发送风险评估报告,使得目标用户能够直观地了解自身的健康状况,有效地缓解用户的恐慌心理,且可根据防治方法,快速进行自我救助。
参见图4,本公开实施例提供了一种健康状况的风险预测装置,该装置包括:
获取模块401,用于响应于接收到的对目标用户健康状况的风险预测请求,获取目标用户在第一预设时间段内的目标预测信息,目标预测信息包括用于描述目标用户健康状况的至少一个预测维度上的信息;
确定模块402,用于根据目标预测信息和指定用户的参考预测信息,确定目标用户在至少一个预测维度上的风险等级,指定用户为健康状况存在风险的用户;
预测模块403,用于根据目标用户在至少一个预测维度上的风险等级,对目标用户健康状况进行风险预测。
在本公开的另一个实施例中,至少一个预测维度包括地区预测维度,确定模块402,用于根据目标预测信息和指定用户的参考预测信息,获取目标用户所在地区在第二预设时间段内的疾病关联人数;对疾病关联人数进行加权计算,得到目标用户所在地区的地区疾病数值;对各个地区的地区疾病数值进行排序;按照排序结果,确定目标用户在地区预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括地点预测维度,确定模块402,用于根据目标预测信息和指定用户的参考预测信息,确定目标用户的行动路径和指定用户的行动路径;根据目标用户的行动路径和指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项;根据地点风险数值和地点路径的风险数值中至少一项,确定目标用户在地点预测维度上的风险等级。
在本公开的另一个实施例中,确定模块402,用于根据目标用户的行动路径和指定用户的行动路径,确定目标用户的行动路径上的风险地点;将目标用户到过风险地点的时间与风险地点的风险时间之差的绝对值,作为风险地点的地点风险数值。
在本公开的另一个实施例中,确定模块402,用于根据目标用户的行动路径和指定用户的行动路径,确定目标用户和指定用户到过的相同地点的地点重合频度数;按照时间顺序,将目标用户和指定用户到过的相同地点进行连接,得到路径配对条数;对地点重合频度数和路径配对条数进行加权计算,得到目标用户的地点路径的风险数值。
在本公开的另一个实施例中,至少一个预测维度包括交通工具预测维度,确定模块402,用于根据目标预测信息和指定用户的参考预测信息,确定目标用户与指定用户所乘坐的相同交通工具;获取目标用户在相同交通工具上的停留时长;对目标用户在相同交通工具上的停留时长进行加权计算,得到目标用户所乘交通工具的风险数值;根据目标用户所乘交通工具的风险数值,确定目标用户在交通工具预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括活动预测维度,确定模块402,用于根据目标预测信息,获取目标用户的活动信息;根据指定用户的参考预测信息,获取指定用户的活动信息;对指定用户的活动信息中的活动类型文本进行文本聚类,得到至少一个聚类文本;根据目标用户的活动信息中的活动类型文本和至少一个聚类文本,确定目标用户在活动预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括生活预测维度,确定模块402,用于根据目标预测信息和指定用户的参考预测信息,获取与目标用户具有相同生活场景的指定用户在第一预设时间段内的关键生活事件;根据目标预测信息和关键生活事件,确定目标用户在生活预测维度上的风险等级。
在本公开的另一个实施例中,至少一个预测维度包括诊疗预测维度,确定模块402,用于从目标预测信息中,获取目标用户的疾病关联次数;对疾病关联次数进行加权计算,得到病情数值;根据病情数值,确定目标用户在诊疗预测维度上的风险等级。
在本公开的另一个实施例中,获取模块401,用于获取目标用户在第一预设时间段内填报的健康状况信息和行动路径信息、以及第一预设时间段内至少一个应用中记录的目标用户的行为信息中至少一项,将获取到的信息作为目标预测信息。
在本公开的另一个实施例中,获取模块401,用于获取指定用户填报的健康状况信息和行动路径信息、至少一个应用中记录的指定用户的行为信息、包含预设疾病关键词的资讯信息、以及指定用户的会话记录和群组消息中至少一项,将获取到的信息作为指定用户的参考预测信息。
在本公开的另一个实施例中,该装置还包括:
发送模块,用于向目标用户发送风险评估报告,风险评估报告包括目标用户健康状况的风险等级、风险产生原因及对应的防治措施。
综上,本公开实施例提供的装置,根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
另外,在对目标用户健康状况进行预测之后,通过向目标用户发送风险评估报告,使得目标用户能够直观地了解自身的健康状况,有效地缓解用户的恐慌心理,且可根据防治方法,快速进行自我救助。
图5是根据一示例性实施例示出的一种用于健康状况的风险预测的计算机设备,该计算机设备可以为服务器。参照图5,服务器500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理组件522的执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述健康状况的风险预测方法中服务器所执行的功能。
服务器500还可以包括一个电源组件526被配置为执行服务器500的电源管理,一个有线或无线网络接口550被配置为将服务器500连接到网络,和一个输入输出(I/O)接口558。服务器500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本公开实施例提供的服务器,根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
另外,在对目标用户健康状况进行预测之后,通过向目标用户发送风险评估报告,使得目标用户能够直观地了解自身的健康状况,有效地缓解用户的恐慌心理,且可根据防治方法,快速进行自我救助。
图6示出了本公开一个示例性实施例提供的计算机设备600的结构框图。该计算机设备600可以为终端,例如智能手机、平板电脑、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端600包括有:处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的健康状况的风险预测方法。
在一些实施例中,终端600还可选包括有:外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地,外围设备包括:射频电路604、触摸显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中,处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上;在一些其他实施例中,处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路604包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路604还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时,显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时,显示屏605还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏605可以为一个,设置终端600的前面板;在另一些实施例中,显示屏605可以为至少两个,分别设置在终端600的不同表面或呈折叠设计;在再一些实施例中,显示屏605可以是柔性显示屏,设置在终端600的弯曲表面上或折叠面上。甚至,显示屏605还可以设置成非矩形的不规则图形,也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地,摄像头组件606包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器601进行处理,或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于:加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号,控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度,陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时,可以检测用户对终端600的握持信号,由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时,由处理器601根据用户对触摸显示屏605的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹,由处理器601根据指纹传感器614采集到的指纹识别用户的身份,或者,由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器601授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时,指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中,处理器601可以根据光学传感器615采集的环境光强度,控制触摸显示屏605的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏605的显示亮度;当环境光强度较低时,调低触摸显示屏605的显示亮度。在另一个实施例中,处理器601还可以根据光学传感器615采集的环境光强度,动态调整摄像头组件606的拍摄参数。
接近传感器616,也称距离传感器,通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中,当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时,由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态;当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时,由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图6中示出的结构并不构成对终端600的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本公开实施例提供的终端,根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
另外,在对目标用户健康状况进行预测之后,通过向目标用户发送风险评估报告,使得目标用户能够直观地了解自身的健康状况,有效地缓解用户的恐慌心理,且可根据防治方法,快速进行自我救助。
本公开实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现图1或图2所示的健康状况的风险预测方法。
本公开实施例提供的计算机可读存储介质,根据目标用户的目标预测信息和指定用户的参考预测信息,在至少一个预测维度上对目标用户的健康状况进行风险预测。由于指定用户为健康状况存在风险的用户,基于该指定用户的参考预测信息进行风险预测,预测结果更准确、可靠,且根据目标用户在至少一个维度上风险等级,预测结果更全面。
另外,在对目标用户健康状况进行预测之后,通过向目标用户发送风险评估报告,使得目标用户能够直观地了解自身的健康状况,有效地缓解用户的恐慌心理,且可根据防治方法,快速进行自我救助。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本公开的可选实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (15)
1.一种健康状况的风险预测方法,其特征在于,所述方法包括:
响应于接收到的对目标用户健康状况的风险预测请求,获取所述目标用户在第一预设时间段内的目标预测信息,所述目标预测信息包括用于描述所述目标用户健康状况的至少一个预测维度上的信息;
根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,所述指定用户为健康状况存在风险的用户;
根据所述目标用户在至少一个预测维度上的风险等级,对所述目标用户健康状况进行风险预测。
2.根据权利要求1所述的方法,其特征在于,所述至少一个预测维度包括地区预测维度,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,包括:
根据所述目标预测信息和所述指定用户的参考预测信息,获取所述目标用户所在地区在第二预设时间段内的疾病关联人数;
对所述疾病关联人数进行加权计算,得到所述目标用户所在地区的地区疾病数值;
对各个地区的地区疾病数值进行排序;
按照排序结果,确定所述目标用户在地区预测维度上的风险等级。
3.根据权利要求1所述的方法,其特征在于,所述至少一个预测维度包括地点预测维度,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,包括:
根据所述目标预测信息和所述指定用户的参考预测信息,确定所述目标用户的行动路径和所述指定用户的行动路径;
根据所述目标用户的行动路径和所述指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项;
根据所述地点风险数值和所述地点路径的风险数值中至少一项,确定所述目标用户在地点预测维度上的风险等级。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标用户的行动路径和所述指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项,包括:
根据所述目标用户的行动路径和所述指定用户的行动路径,确定所述目标用户的行动路径上的风险地点;
将所述目标用户到过所述风险地点的时间与所述风险地点的风险时间之差的绝对值,作为所述风险地点的地点风险数值。
5.根据权利要求3所述的方法,其特征在于,所述根据所述目标用户的行动路径和所述指定用户的行动路径,确定地点风险数值和地点路径的风险数值中至少一项,包括:
根据所述目标用户的行动路径和所述指定用户的行动路径,确定所述目标用户和所述指定用户到过的相同地点的地点重合频度数;
按照时间顺序,将所述目标用户和所述指定用户到过的相同地点进行连接,得到路径配对条数;
对所述地点重合频度数和所述路径配对条数进行加权计算,得到所述目标用户的地点路径的风险数值。
6.根据权利要求1所述的方法,其特征在于,所述至少一个预测维度包括交通工具预测维度,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,包括:
根据所述目标预测信息和所述指定用户的参考预测信息,确定所述目标用户与所述指定用户所乘坐的相同交通工具;
获取所述目标用户在所述相同交通工具上的停留时长;
对所述目标用户在所述相同交通工具上的停留时长进行加权计算,得到所述目标用户所乘交通工具的风险数值;
根据所述目标用户所乘交通工具的风险数值,确定所述目标用户在交通工具预测维度上的风险等级。
7.根据权利要求1所述的方法,其特征在于,所述至少一个预测维度包括活动预测维度,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,包括:
根据所述目标预测信息,获取所述目标用户的活动信息;
根据所述指定用户的参考预测信息,获取所述指定用户的活动信息;
对所述指定用户的活动信息中的活动类型文本进行文本聚类,得到至少一个聚类文本;
根据所述目标用户的活动信息中的活动类型文本和所述至少一个聚类文本,确定所述目标用户在活动预测维度上的风险等级。
8.根据权利要求1所述的方法,其特征在于,所述至少一个预测维度包括生活预测维度,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,包括:
根据所述目标预测信息和所述指定用户的参考预测信息,获取与所述目标用户具有相同生活场景的所述指定用户在所述第一预设时间段内的关键生活事件;
根据所述目标预测信息和所述关键生活事件,确定所述目标用户在生活预测维度上的风险等级。
9.根据权利要求1所述的方法,其特征在于,所述至少一个预测维度包括诊疗预测维度,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,包括:
从所述目标预测信息中,获取所述目标用户的疾病关联次数;
对所述疾病关联次数进行加权计算,得到病情数值;
根据所述病情数值,确定所述目标用户在诊疗预测维度上的风险等级。
10.根据权利要求1所述的方法,其特征在于,所述获取所述目标用户在第一预设时间段内的目标预测信息,包括:
获取所述目标用户在所述第一预设时间段内填报的健康状况信息和行动路径信息、以及所述第一预设时间段内至少一个应用中记录的所述目标用户的行为信息中至少一项,将获取到的信息作为所述目标预测信息。
11.根据权利要求1所述的方法,其特征在于,所述根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级之前,还包括:
获取所述指定用户填报的健康状况信息和行动路径信息、至少一个应用中记录的所述指定用户的行为信息、包含预设疾病关键词的资讯信息、以及所述指定用户的会话记录和群组消息中至少一项,将获取到的信息作为所述指定用户的参考预测信息。
12.根据权利要求1至11中任一项所述的方法,其特征在于,所述根据所述目标用户在至少一个预测维度上的风险等级,对所述目标用户健康状况进行风险预测之后,还包括:
向所述目标用户发送风险评估报告,所述风险评估报告包括所述目标用户健康状况的风险等级、风险产生原因及对应的防治措施。
13.一种健康状况的风险预测装置,其特征在于,所述装置包括:
获取模块,用于响应于接收到的对目标用户健康状况的风险预测请求,获取所述目标用户在第一预设时间段内的目标预测信息,所述目标预测信息包括用于描述所述目标用户健康状况的至少一个预测维度上的信息;
确定模块,用于根据所述目标预测信息和指定用户的参考预测信息,确定所述目标用户在至少一个预测维度上的风险等级,所述指定用户为健康状况存在风险的用户;
预测模块,用于根据所述目标用户在至少一个预测维度上的风险等级,对所述目标用户健康状况进行风险预测。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至12中任一项所述的健康状况的风险预测方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至12中任一项所述的健康状况的风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307965.0A CN111508609A (zh) | 2020-04-17 | 2020-04-17 | 健康状况的风险预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307965.0A CN111508609A (zh) | 2020-04-17 | 2020-04-17 | 健康状况的风险预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111508609A true CN111508609A (zh) | 2020-08-07 |
Family
ID=71876248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010307965.0A Pending CN111508609A (zh) | 2020-04-17 | 2020-04-17 | 健康状况的风险预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111508609A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309529A (zh) * | 2020-11-02 | 2021-02-02 | 常州市第一人民医院 | 一种基于人工智能的感染控制管理方法及系统 |
CN112489801A (zh) * | 2020-12-04 | 2021-03-12 | 北京睿思昆宁科技有限公司 | 一种确定疾病风险的方法、装置和设备 |
CN112509699A (zh) * | 2020-12-28 | 2021-03-16 | 医渡云(北京)技术有限公司 | 健康识别码的生成方法及装置、存储介质、电子设备 |
CN112669978A (zh) * | 2020-11-23 | 2021-04-16 | 广州大学 | 一种疫情感染风险评估方法 |
CN113362953A (zh) * | 2021-06-23 | 2021-09-07 | 平安国际智慧城市科技股份有限公司 | 身体风险预测方法、装置、计算机设备及存储介质 |
CN113724889A (zh) * | 2021-08-30 | 2021-11-30 | 上海商汤智能科技有限公司 | 预测方法及其模型的训练方法、装置、设备及存储介质 |
-
2020
- 2020-04-17 CN CN202010307965.0A patent/CN111508609A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309529A (zh) * | 2020-11-02 | 2021-02-02 | 常州市第一人民医院 | 一种基于人工智能的感染控制管理方法及系统 |
CN112669978A (zh) * | 2020-11-23 | 2021-04-16 | 广州大学 | 一种疫情感染风险评估方法 |
CN112489801A (zh) * | 2020-12-04 | 2021-03-12 | 北京睿思昆宁科技有限公司 | 一种确定疾病风险的方法、装置和设备 |
CN112509699A (zh) * | 2020-12-28 | 2021-03-16 | 医渡云(北京)技术有限公司 | 健康识别码的生成方法及装置、存储介质、电子设备 |
CN113362953A (zh) * | 2021-06-23 | 2021-09-07 | 平安国际智慧城市科技股份有限公司 | 身体风险预测方法、装置、计算机设备及存储介质 |
CN113724889A (zh) * | 2021-08-30 | 2021-11-30 | 上海商汤智能科技有限公司 | 预测方法及其模型的训练方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209952B (zh) | 信息推荐方法、装置、设备及存储介质 | |
CN111508609A (zh) | 健康状况的风险预测方法、装置、计算机设备及存储介质 | |
CN111556294B (zh) | 安全监测方法、装置、服务器、终端及可读存储介质 | |
CN108924737B (zh) | 定位方法、装置、设备及计算机可读存储介质 | |
CN109887268B (zh) | 车辆调度方法、装置及存储介质 | |
CN110569909A (zh) | 基于区块链的故障预警方法、装置、设备及存储介质 | |
CN108363982B (zh) | 确定对象数量的方法及装置 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN110852850A (zh) | 共享物品推荐方法、装置、计算机设备及存储介质 | |
CN111062824B (zh) | 群组成员处理方法、装置、计算机设备及存储介质 | |
CN112966124A (zh) | 知识图谱对齐模型的训练方法、对齐方法、装置及设备 | |
CN111738365A (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN110544193A (zh) | 捐赠信息分布式存储方法及装置 | |
CN116418771A (zh) | 消息显示方法、消息处理方法、装置及电子设备 | |
CN114328948A (zh) | 文本标准化模型的训练方法、文本标准化方法及装置 | |
CN114764480A (zh) | 群组类型识别方法、装置、计算机设备及介质 | |
CN116244299A (zh) | 业务数据路径的确定方法、装置、电子设备及介质 | |
CN113936809A (zh) | 传染病预测和训练方法、装置、设备及介质 | |
CN112529547A (zh) | 信息通知方法、装置、设备及存储介质 | |
CN113762585A (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
CN111414496A (zh) | 基于人工智能的多媒体文件的检测方法和装置 | |
CN111294253A (zh) | 测试数据处理方法、装置、计算机设备及存储介质 | |
CN115296978B (zh) | 根因定位方法、装置、设备 | |
CN113657652B (zh) | 流动量的预测方法、装置、设备及可读存储介质 | |
CN112529871B (zh) | 评价图像的方法、装置及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40027961 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200807 |