CN111834011A - 一种面向长期养老照护的协同交互式服务推荐方法 - Google Patents

Abstract

本发明公开了一种面向长期养老照护的协同交互式服务推荐方法，该方法针对养老照护历史数据在质量、数量上普遍存在的不足，通过训练数据扩充与编码、基于随机森林算法的模型训练与测试、人工迭代优化模型推荐方案三个关键环节，来进行智能算法驱动的协同交互式服务推荐。本发明是基于真实的养老照护数据现状而设计，可较好地应对现有养老数据的各种问题，提高老人照护生成方案的实际有效性及可用性，进而智能、高效地满足庞大的老人个性化照护需求，缓解紧张的护理资源压力。

Description

一种面向长期养老照护的协同交互式服务推荐方法

技术领域

本发明涉及数据驱动的智能养老照护服务领域，是一种针对老年人长期健康照护的智能化服务推荐方法，即一种面向长期养老照护的协同交互式服务推荐方法。

背景技术

人口老龄化已然成为当今社会的一种常态。为应对不断加剧的老龄化问题，各类养老服务模式被相继提出，为部分或完全丧失生活自理能力的老年人提供个性化长期护理服务与生活支持，以提升老人的生活质量，辅助他们更好地独立生活。面向老年人的长期护理服务与生活支持，需要在医养照护等相关专业知识的指导下，基于老年人的实际生活情况、心理情况和健康状况，为其提供恰当、持续、个性化的短期或长期健康护理服务，以提升老人的生活自理能力，或辅助其更好地独立生活。显然，在面向老年人的长期护理服务与支持问题中，如何定义、量化老人的个性化需求，以及如何设计恰当的、与之相匹配的服务，是其中的基础和重点。

传统的人工量化、制定老人照护方案需要花费的大量时间和精力，已无法满足市场的需求。近年来，人工智能、大数据、物联网等技术飞速发展，催生了智能养老（Intelligent Aged Care）的起步和发展，为老龄化发展带来了颠覆性的改变。基于各类智慧算法来进行老年群体的需求分析与服务设计，已经成为养老照护相关领域的研究热点和重点。在过去几年中，学术界、业界都开展了一系列与智慧养老相关的研究和工作，各类智慧养老技术被设计、开发与应用。然而，目前大部分智能推荐技术都是在实验室环境下，基于可用度较高的训练数据进行模型训练，而真实的养老数据数量少、质量差、个体差异较大，使得现有方法难以在此数据基础上输出较优的结果。纵观当下的智慧养老市场，也不难发现，现有的智能养老服务设计大都面临着“理论测试优异但实际用户反馈差强人意”的窘境。一方面，当前的养老照护数据由于机构边界、数据隐私等各方面原因，往往存在数据数量少、质量较低、数据偏差性较大等问题，导致现有数据现状难以满足现有智能模型对于数据训练集的需求，较少的数据量也导致无法剔除较多具有实际意义的“异常”数据来提高预测系统的准确度；另一方面，老人自身情况往往具有复杂化、情境化、个性化等特征，照护方案制定流程中往往是由多种角色协同完成，这就使得完全依赖数据和智能的算法面临“人本温度”不足的挑战；这些都导致直接使用智能算法介入照护计划生成过程只有“差强人意”的实际有效性。

发明内容

基于上述技术背景和现状，本发明的目的是提出一种面向长期养老照护的协同交互式服务推荐方法，该方法基于真实老人历史数据存在的数据量少、数据质量差、个体差异大等特点，在较大程度地保留老人历史数据基础上，通过改善推荐算法框架设计，即在现有机器学习算法构建的预测模型基础上，通过基于专家规则的训练数据扩充与编码、算法训练与测试、人工调优环节等三个关键环节，来提升生成照护方案的可用性和有效性。本发明通过增加外部力量来构造较为合理的服务项目推荐算法，一方面在算法训练数据中加入专家规则来提高训练数据集的准确性；另一方面遵循Human-in-the-loop原则，添加人机协同的照护方案优化环节，优化后的结果将被再次投入预测模型的重构中，进而不断提高服务推荐方法的实际有效性。

实现本发明目的的具体技术方案是：

一种面向长期养老照护的协同交互式服务推荐方法，在现有机器学习算法构建的预测模型基础上，增添基于专家规则的训练数据扩充与编码、算法训练与测试、人工调优环节等三个关键环节，来应对养老照护历史数据量少、质量差、个体差异大等现状，进而使得推荐结果更符合老人的实际护理需求；特点是该方法包括以下具体步骤：

步骤1：构建初始训练数据集

对不少于50位需要服务的社区老人进行综合评估，并由医生、护士进行基于专业知识的照护服务方案制定；获取数据之后，对采集到的数据进行清洗与分析，匹配其中的评估数据与服务方案，剔除缺失值样本，筛选出符合“评估数据—照护方案”匹配规范的历史数据集，作为初始训练数据集；

步骤2：基于专家规则融合的训练数据集扩充

通过专家规则融合的方法扩充训练数据集，将专家规则构造成与“评估数据—照护方案”匹配数据相同结构的模拟数据，与步骤1生成的初始训练数据集融合，构成算法模型的训练数据集；

步骤3：One-hot编码处理

对训练数据集进行One-hot编码处理，将评估内容与服务进行“二值化”编码，即展开为特征与目标变量的编码模式：单选题和多选题的每一个选项作为一个特征，数值型文本输入题目根据等级划分标准分类，或者均分取值范围将题目切割为三个特征，每项取值为0或者1；

步骤4：分类模型训练

在步骤3编码后的训练数据集的基础上，使用随机森林算法进行服务项目预测模型训练，分析并输出特征与目标变量，即评估内容与服务项目，之间的特征与规律，作为该训练数据集的分类模型；

步骤5：用户数据测试

基于步骤4输出的分类模型，输入目标用户特征即评估数据，预测与目标用户数据匹配度高的三项目标变量即服务项目，构建初步结果，即照护方案；

步骤6：补充服务项目计算

在获取的三项目标变量所组成的初步照护方案的基础上，使用基于Apriori算法的服务项目补充模型，计算与三项目标变量即服务项目关联程度超过设定阈值的目标变量，并将其作为初步目标照护方案的补充；

步骤7：人工调优

对于步骤5用户数据测试所输出的三项目标变量及步骤6基于Apriori算法的服务项目补充模型所输出的补充目标变量，由专业护理人员依据目标用户输入的评估数据及其专业知识，进行筛选、调整和查漏补缺，确定并输出满足目标用户照护需求的最终照护方案；

步骤8：算法迭代自学习

随着“评估结果—照护方案”数据不断增加，算法每60天重复步骤1- 6，完成照护服务推荐算法的迭代优化；其中：

步骤1所述综合评估：基于国内、国际相关评估量表，对老人身体、精神状况进行的多维度综合性评估，评估内容及量表如下：基于蒙特利尔认知评估量表（MoCA）的认知功能评估、基于巴氏量表（MBI）的日常生活活动能力（ADL）、基于Tinetti量表的平衡与步态评估、基于Morse量表的跌倒评估、基于MMSE的简易精神状态评估、基于Mini Cog量表的简易智力状态评估、基于GDS-15量表的抑郁评估、基于视觉模拟法（VAS）的疼痛评估；基于匹兹堡睡眠质量指数量表（PSQI）的睡眠障碍评估、基于Snellen视力表的视觉障碍评估、基于15cm检测的听力障碍评估、基于尿失禁问卷简表（ICI-QSF）的尿失禁状态及影响评估、基于Braden量表的压疮评估、基于SSRS的社会支持评估及居家环境评估；

步骤1所述照护服务方案：基于老人的综合评估结果而得出的服务项目组合，该组合中包括为老人提供的照护服务项目列表；

步骤2所述专家规则：由医学/护理学专业背景的人员制定的评估选项与服务项目之间的关联规则；

所述“评估结果—照护方案”匹配数据：在老人的历史数据中，每一次评估结果即特征）都对应着一份相匹配的照护方案即结果，二者匹配为一组就是一条“评估结果—照护方案”匹配数据。

与背景技术相比，本发明有以下优势：

本发明针对养老照护服务评估数据的现状，进行了有针对性的方法设计与改进，主要体现在：1）针对数据数据少、质量低、难以支撑智能算法训练数据需求的问题，本发明采用了基于专家规则的训练数据扩充与编码方法，扩充已有数据集，提升数据质量，构建满足智能算法基础需求的训练数据集；2）利用随机森林算法挖掘已有的老人评估-照护方案数据中的规则和特征，构造照护服务推荐系统，可以自动预测护理方案，较大程度地降低护理人员的工作压力；3）针对“人本温度”缺失的问题，选取关联规则作为服务项目补充模型，为照护方案制定提供查漏补缺的提示，并遵循 Human-in-the-loop 理念，增加人为优化模型预测结果的环节，为老人制定满足护理需求的、且具有高实用性的照护方案。

附图说明

图1为本发明方法流程图。

具体实施方式

本发明采用智能算法介入老人长期照护服务方案制定，利用机器学习算法挖掘老人身心评估结果与护理方案之间的规律以及特征，智能化协助照护方案制定。考虑到真实环境中养老数据存在的数据量少、数据质量差、个体差异较大等特点而导致的算法模型预测准确率较低的问题，通过基于专家规则的训练数据扩充与编码、算法训练与测试、人工调优环节等三个关键环节，提高服务推荐方法的实用性。此外，随着老人数据不断增加，算法将定期迭代重构模型来不断优化性能。参阅图1，本发明的具体步骤如下：

（1）训练数据集构建与预处理

此环节是为后续算法的构建步骤准备好训练数据。首先对不少于50位需要服务的社区老人进行综合评估，并由医生、护士等进行基于专业知识的照护服务方案制定。由于原始数据中通常存在因现实因素影响而导致护理专业度缺失的问题，所以将专家规则构造的老人评估结果和照护方案匹配的虚拟数据，同时加入到训练数据中，与老人真实的数据融合，共同训练智能算法，试图用权威的专家规则来提高数据的合理性、专业性。训练数据集构建与预处理过程包括以下步骤：

1.1构建初始训练数据集。对不少于50位需要服务的社区老人进行综合评估，并由医生、护士等进行基于专业知识的照护服务方案制定。获取数据之后，对采集到的数据进行清洗与分析，匹配其中的评估数据与服务方案，剔除缺失值样本，筛选出符合“评估数据—照护方案”匹配规范的历史数据集，作为初始训练数据集。

1.2专家规则融合：对于专家规则具有专业度高但不完美的特点，本发明将专家规则与老人真实数据结合，一边利用专家规则提升整体数据的可靠性，另一边使用历史数据弥补专家规则的不可预见性，优化训练数据。二者融合的具体方法为，将专家规则构造成与“评估数据—照护方案”相同结构的模拟数据，如将“如果老人吃饭困难，则提供喂饭服务项目”的具体规则转变为“评估结果：‘独立进食：困难’，照护方案：‘喂饭服务’”等。将处理后的专家规则与老人有效数据融合，构成算法模型的训练数据集。

1.3 One-hot编码处理：针对训练数据，使用独热编码（One-hot Coding），对所有评估内容、服务项目进行“二值化”处理展开为特征与目标变量：单选题和多选题的每一个选项作为一个特征，数值型文本输入题目根据等级划分标准分类，或者均分取值范围将题目切割为三个特征。每项取值只能为0或者1，这可以将描述性属性进行数字化来简化操作，以方便机器学习算法模型训练。

（2）模型构造与服务推荐

此环节分为两个算法模型的训练，一方面使用随机森林算法构造服务项目推荐模型，用于预测照护服务项目。另一方面使用关联规则Apriori算法挖掘服务项目之间的潜在联系，用于服务项目补充。

2.1基于训练数据集的推荐模型训练：照护方案推荐问题是高维度的老人特征与小规模样本数量的分类问题，并且不同的服务项目，即目标向量的类型，出现频率不一致。随机森林可以作为有效的分类器，通过多棵决策树取得较好的结果。随机森林的原理是使用分类决策树，每个决策树都是一个分类器，它的核心思想是在数据集中找到最佳特征，然后通常从特征的选定值中找到最佳候选值，以将数据集分为两个子数据集。递归上述操作，直到满足指定条件（例如叶节点数，拆分数等）为止，循环结束。N棵树将具有N个分类结果。随机森林会整合所有分类投票结果，并指定投票数最多的类别作为最终输出，这会很大程度地提升预测结果的准确性和稳定性。方法在第一阶段编码处理后的训练数据集的基础上，进行基于随机森林算法的模型训练，分析并输出特征与目标变量，即评估内容与服务项目，之间的特征与规律，作为该训练数据集的分类模型。

2.2用户数据测试：基于上述步骤输出的分类模型，输入目标用户特征，即老人的评估数据，预测与目标用户数据匹配度较高的3项目标变量，即针对老人评估数据的服务项目，构建初步结果，即照护方案。

2.3服务项目补充模型：由于照护服务项目专业度较高，为提升输出项目的准确性，采用关联规则Apriori算法作为服务项目补充模型。Apriori算法的意图是寻找不同项之间的关联关系，在本发明中主要探索不同的服务项目之间存在的联系，即当服务项A被选择时，服务B被列入照护方案中的可能性，其中可能性比较高意味着A与B的关联性更强，那么当A出现在照护方案中时，B也极有可能同样存在。本发明在获取的3项目标变量所组成的初步照护方案的基础上，使用基于Apriori算法的服务项目补充模型，计算与3项目标变量，即服务项目，关联程度超过设定阈值的其他目标变量，并将其作为初步目标照护方案的补充。

（3）交互式优化阶段：

由于老人情况存在较强的个体差异性，且受老人实际情况的影响较大，为了进一步提高照护方案的实用性，遵循人机回圈（Human-in-the-loop）理论，增加专业护理人员人工调优的照护方案步骤，来提升方案的实用性。修正过后的新数据将投入训练数据中，可以改善算法模型重构后的准确率，达到良性循环的效果。

3.1人工调优：对于第二阶段用户数据测试所输出的3项目标变量及基于Apriori算法的服务项目补充模型所输出的补充目标变量，由专业护理人员依据目标用户输入的评估数据及其专业知识和自身经验，进行筛选、调整和查漏补缺，确定并输出满足目标用户照护需求的最终照护方案。

3.2迭代重构：随着时间的推移，经过以上步骤完成的具有专业度、实用性的“评估结果—照护方案”数据不断累积，因此协同交互式服务推荐算法设置每隔60天自动重新构造模型的环节，一方面是因为越多的训练数据可以提高模型的准确率；另一方面，新数据反映了护理员对方法生成推荐列表的采纳程度，以及对推荐结果的修正，不断融入新数据更新模型，可以让算法具有实效性，不断完善预测性能。

Claims (1)

1.一种面向长期养老照护的协同交互式服务推荐方法，其特征在于，该方法包括以下具体步骤：

步骤1：构建初始训练数据集

对不少于50位需要服务的社区老人进行综合评估，并由医生、护士进行基于专业知识的照护服务方案制定；获取数据之后，对采集到的数据进行清洗与分析，匹配其中的评估数据与服务方案，剔除缺失值样本，筛选出符合“评估数据—照护方案”匹配规范的历史数据集，作为初始训练数据集；

步骤2：基于专家规则融合的训练数据集扩充

通过专家规则融合的方法扩充训练数据集，将专家规则构造成与“评估数据—照护方案”匹配数据相同结构的模拟数据，与步骤1生成的初始训练数据集融合，构成算法模型的训练数据集；

步骤3：One-hot编码处理

对训练数据集进行One-hot编码处理，将评估内容与服务进行“二值化”编码，即展开为特征与目标变量的编码模式：单选题和多选题的每一个选项作为一个特征，数值型文本输入题目根据等级划分标准分类，或者均分取值范围将题目切割为三个特征，每项取值为0或者1；

步骤4：分类模型训练

在步骤3编码后的训练数据集的基础上，使用随机森林算法进行服务项目预测模型训练，分析并输出特征与目标变量，即评估内容与服务项目，之间的特征与规律，作为该训练数据集的分类模型；

步骤5：用户数据测试

基于步骤4输出的分类模型，输入目标用户特征即评估数据，预测与目标用户数据匹配度高的三项目标变量即服务项目，构建初步结果，即照护方案；

步骤6：补充服务项目计算

在获取的三项目标变量所组成的初步照护方案的基础上，使用基于Apriori算法的服务项目补充模型，计算与三项目标变量即服务项目关联程度超过设定阈值的目标变量，并将其作为初步目标照护方案的补充；

步骤7：人工调优

对于步骤5用户数据测试所输出的三项目标变量及步骤6基于Apriori算法的服务项目补充模型所输出的补充目标变量，由专业护理人员依据目标用户输入的评估数据及其专业知识，进行筛选、调整和查漏补缺，确定并输出满足目标用户照护需求的最终照护方案；

步骤8：算法迭代自学习

随着“评估结果—照护方案”数据不断增加，算法每60天重复步骤1- 6，完成照护服务推荐算法的迭代优化；

其中：

步骤1所述综合评估：基于国内、国际相关评估量表，对老人身体、精神状况进行的多维度综合性评估，评估内容及量表如下：基于蒙特利尔认知评估量表即MoCA的认知功能评估、基于巴氏量表即MBI的日常生活活动能力即ADL、基于Tinetti量表的平衡与步态评估、基于Morse量表的跌倒评估、基于MMSE的简易精神状态评估、基于Mini Cog量表的简易智力状态评估、基于GDS-15量表的抑郁评估、基于视觉模拟法即VAS的疼痛评估；基于匹兹堡睡眠质量指数量表即PSQI的睡眠障碍评估、基于Snellen视力表的视觉障碍评估、基于15cm检测的听力障碍评估、基于尿失禁问卷简表即ICI-QSF的尿失禁状态及影响评估、基于Braden量表的压疮评估、基于SSRS的社会支持评估及居家环境评估；

步骤1所述照护服务方案：基于老人的综合评估结果而得出的服务项目组合，该组合中包括为老人提供的照护服务项目列表；

步骤2所述专家规则：由医学/护理学专业背景的人员制定的评估选项与服务项目之间的关联规则；

所述“评估结果—照护方案”匹配数据：在老人的历史数据中，每一次评估结果即特征）都对应着一份相匹配的照护方案即结果，二者匹配为一组就是一条“评估结果—照护方案”匹配数据。

Images