CN111968750B - 一种服务器、数据处理方法、装置及可读存储介质 - Google Patents
一种服务器、数据处理方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111968750B CN111968750B CN202011148801.4A CN202011148801A CN111968750B CN 111968750 B CN111968750 B CN 111968750B CN 202011148801 A CN202011148801 A CN 202011148801A CN 111968750 B CN111968750 B CN 111968750B
- Authority
- CN
- China
- Prior art keywords
- predicted
- target
- patient
- event
- probability
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pathology (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供一种服务器、数据处理方法、装置及可读存储介质,应用于医疗技术领域,其中,该服务器包括通信接口、处理器和存储器,处理器被配置调用存储器中的程序指令,通过通信接口接收针对待预测患者的概率预测请求;获取待预测患者的疾病数据;调用目标预测模型对疾病数据进行分析,得到在待预测窗口内的各待预测时间点目标事件发生的第一条件概率和竞争事件发生的第二条件概率;基于第一条件概率和第二条件概率确定该待预测患者在预测时间窗口内目标事件发生的概率。通过这样的方式,提升了对目标事件发生概率预测的准确性。本申请涉及区块链技术,如可将待预测患者的疾病数据写入区块链中,以用于对待预测患者进行发病概率预测等场景。
Description
技术领域
本申请涉及智能决策领域,具体应用于医疗技术领域,尤其涉及一种服务器、数据处理方法、装置及可读存储介质。
背景技术
竞争风险是指研究对象出现感兴趣事件的同时,还会出现其他结局事件,这些结局事件将阻止感兴趣事件的出现或使其发生的概率降低,各结局事件之间存在“竞争”关系,则该感兴趣事件和这些其他结局事件可以称作竞争事件。以医学技术领域为例,在医学研究中,在对心血管疾病的累积发病率进行研究时,该基线未发生心血管疾病的研究对象在观察期间死于癌症、车祸等其他原因前并未发生心血管疾病,则可以将该心血管疾病(感兴趣事件)和癌症、车祸等其他原因(其他事件)称为互为竞争事件。研究人员发现若忽略竞争风险使用传统单因素Kaplan-Meier法(即仅关注于一个单一的终点的情况,将其他原因致死的个体、失访的个体和存活个体记为删失数据)进行某一种疾病的累计死亡率(即对竞争事件发生概率)估计,会导致该疾病的累计死亡率过高。而传统的竞争风险模型对数据分布做了过多的假设,导致对竞争事件发生概率预测的准确度较低。
可见,如何在感兴趣事件(目标事件)存在竞争事件时,提升对感兴趣事件(目标事件)发生概率预测的准确度,是一个亟待解决的问题。
发明内容
本申请实施例提供了一种服务器、数据处理方法、装置及可读存储介质,通过实施这样的数据处理方法,在待预测对象存在目标事件(感兴趣事件)对应的竞争事件时,可以提升对目标事件发生概率预测的准确性。
第一方面,本申请实施例提供了一种服务器,所述服务器包括通信接口、处理器和存储器,其中:
所述存储器用于存储计算机程序,所述计算机程序包括程序指令;
所述处理器被配置调用所述程序指令,用于通过所述通信接口接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
第二方面,本申请实施例提供了一种数据处理方法,所述数据处理方法应用于服务器,所述方法包括:
接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;
获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;
调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;
基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
第三方面,本申请实施例提供了一种数据处理装置,所述数据处理装置部署于服务器,所述装置包括:
获取模块,用于接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;
所述获取模块,还用于获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;
处理模块,用于调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;
所述处理模块,还用于基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第二方面所述的数据处理方法。
本申请实施例中,服务器接收针对待预测患者的概率预测请求,该概率预测请求用于指示预测目标事件发生的概率,目标事件是指该待预测患者在预测时间窗口内因目标疾病发作死亡的事件,进一步地,服务器获取该待预测患者的疾病数据,该疾病数据包括体检指标和个人信息,并将该待预测时间窗口切分为至少一个待预测时间点,进而调用目标预测模型对该待预测患者的疾病数据进行分析,得到待预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率,该竞争事件是指待预测患者在预测时间窗口内因除目标疾病以外的其他疾病发作死亡的事件,基于该第一条件概率和第二条件概率,确定待预测患者在预测时间窗口内因目标疾病发作死亡的概率。通过这样的方式,在目标事件存在竞争事件的情况下,服务器在对目标事件的发生概率进行分析时,同时还可以对目标事件对应竞争事件的发生概率进行分析,避免了在对目标事件发生概率进行估算时删除发生竞争事件的样本数据的情况,保证了样本数据集的完整性,进而提升了目标预测模型对目标事件发生概率预测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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是本申请实施例提供的一种数据处理方法的流程示意图;
图2是本申请实施例提供的一种目标预测模型包括的任一循环单元的结构示意图;
图3是本申请实施例提供的另一种数据处理方法的流程示意图;
图4是本申请实施例提供的一种数据处理装置的结构示意图;
图5是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要知晓的是,本申请实施例中提到的服务器不限于一个服务器,也可以是服务器集群。
请参见图1,是本申请实施例提供的一种数据处理方法的流程示意图,该数据处理方法应用于服务器,该数据处理方法包括如下步骤:
S101:接收针对待预测患者的概率预测请求,该概率预测请求用于指示预测目标事件发生的概率,该目标事件是指待预测患者在预测时间窗口内因目标疾病发作死亡的事件。
服务器接收用户通过与服务器进行通信连接的终端设备发送的待预测患者的概率预测请求,该概率预测请求用于指示服务器对该待预测患者在预测时间窗口内因目标疾病发作死亡的概率,即服务器预测目标事件发生的概率。其中,概率预测请求包括待预测患者的标识信息、预测时间窗口信息、目标疾病的标识信息中的一种或多种。需要了解的是,预测时间窗口信息是指接收该概率预测请求时间后的预设时间长度,该预设时间长度由用户根据实际应用场景确定。
示例性地,服务器接收的概率预测请求为:“预测心脏病患者A在5年内因心脏病发作死亡的概率”,在这种情况下,目标事件是指心脏病患者A因心脏病发作死亡,预测时间窗口为5年。
S102:获取待预测患者的疾病数据,该疾病数据包括体检指标和个人信息,并将该待预测时间窗口切分为至少一个待预测时间点。
其中,体检指标可以包括:血压、血糖、心率、血脂、肾功能、血常规、肝功能和尿常规等指标数据中的一种或多种,个人信息包括待预测患者的性别、年龄、身高、体重、过往病史、是否抽烟和是否喝酒等信息数据中的一种或多种。
服务器可以从概率预测请求中获取该待预测患者的疾病数据和待预测时间窗口的信息,并将待预测时间窗口以预设时间间隔进行切分,得到至少一个(一个或多个)待预测时间点。其中,预设时间间隔为开发人员根据实验场景测算得到,可根据具体应用场景进行相应的调整。例如预设时间间隔为1个月,服务器从概率预测请求中获取到的预测时间窗口为1年,则服务器可以将预测时间窗口1年以1个月为时间间隔切分为12个待预测时间点,该12个待预测时间点分别是以接收概率预测请求为时间基线(起点)的第一个月、第二个月、……、第十二个月。
在一个实施例中,服务器可以根据前述概率预测请求中携带的待预测患者的标识信息,从与该服务器关联的数据存储系统中获取该待预测患者的疾病数据。通过这样的方式,避免了人工输入该疾病数据,提升对目标事件发生概率预测的效率。在该数据存储系统为区块链网络时,采用此种可能的实施,还可以防止待预测患者的隐私(疾病数据)泄露,保护待预测患者的隐私。
S103:调用目标预测模型对待预测患者的疾病数据进行分析,得到该待预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率,该竞争事件是指待预测患者在预测时间窗口内因除目标疾病以外的其他疾病发作死亡的事件。
服务器调用目标预测模型对待预测患者的疾病数据进行分析,得到该预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率。需要知晓的是,目标事件和竞争事件的关系是相对的,即本申请所提及的目标事件和竞争事件实为互为竞争事件,且目标事件对应的竞争事件的数量可以为一个或多个,本申请实施例未对竞争事件的数量进行具体限定。例如待预测患者A患有心血管疾病和癌症,则将待预测患者A心血管疾病发作死亡视为目标事件,则待预测患者A癌症发作死亡视为目标事件的竞争事件。其中,目标预测模型为服务器根据实验训练样本数据集得到,可根据具体的训练样本数据集进行相应的调整。
在一个实施例中,服务器对该待预测患者的疾病数据进行预处理,得到目标疾病数据,其中,该预处理可以为缺失值填补和/或偏差值纠正。进一步地,服务器调用目标预测模型对该目标疾病数据进行分析。通过这样的方法,可以消除疾病数据的噪声,进而提升预测目标预测模型对该疾病数据进行分析得到第一条件概率和第二条件概率的准确性。
在一个实施例中,该待预测患者的疾病数据包括至少一个疾病数据项,服务器,将该待预测患者的疾病数据与预设疾病数据模板进行匹配,并根据该待预测患者的疾病数据与预设疾病数据模板的匹配结果,从该待预测患者的疾病数据包括至少一个疾病数据项中确定出目标疾病数据项,并根据该预设疾病数据模板对该目标疾病数据项进行预处理,得到目标疾病数据。
其中,目标疾病数据项是指该待预测患者的疾病数据相对于预设疾病数据模板缺失的疾病数据项或数值异常的疾病数据项。预设疾病数据模板为开发人员或医生根据医学原理所设定,可根据具体应用场景进行相应的调整,此处不做具体限定,该预设疾病数据模块中可以包括至少一个疾病数据项以及各疾病数据项对应的范围。
示例性地,预设疾病数据模板中包括患者年龄,并且在该预设疾病数据模板中设定有患者年龄的范围为1岁到100岁,在这样的情况下,服务器获取待预测患者A的疾病数据,该疾病数据中包括该待预测患者A的年龄为200岁,将该待预测患者A的疾病数据与预设疾病数据模板进行匹配,可见待预测患者A的年龄与预设疾病数据模板中设定的年龄范围不匹配,则将待预测患者A的年龄确定为目标数据项,并根据预设疾病数据模板对该待预测患者A的年龄进行偏差值纠正处理,服务器可以将待预测患者A的年龄更改为预设疾病数据包括的年龄范围中的最大值(100岁),得到待预测患者A的目标疾病数据(年龄为100岁)。
在一个实施例中,服务器调用目标预测模型从目标疾病数据中获取目标事件和竞争事件之间的共享特征,并基于该共享特征和目标疾病数据获取目标事件对应的病因特异特征和竞争事件对应的病因特异特征,进一步地,服务器根据目标事件对应的病因特异特征和竞争事件对应的病因特异特征,输出该待预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率。
其中,目标预测模型包括至少一个循环单元,其中,任一循环单元包括共享子网络、至少一个病因特异子网络和分类计算层。其中,该共享子网络用于获取目标事件和竞争事件之间的共享特征,该病因特异子网络用于获取目标事件和竞争事件各自对应的病因特异特征,该分类计算层用于输出待预测患者在任一循环单元对应的待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率。需要知晓的是,在任一待预测时间点目标事件发生的第一条件概率与竞争事件发生的第二条件概率之和为1。该分类计算层可以为softmax层。
示例性地,如图2所示,为目标预测模型包括的至少一个循环单元中任一循环单元的结构示意图,其中,该循环单元包括共享子网络20,病因特异子网络21和分类计算层22。需要知晓的是,前述竞争事件的数量和目标事件的数量之和,与病因特异子网络21的数量之和一致;循环单元的数量与待预测时间点的数量相同。
服务器获取目标疾病特征X和前一循环单元输出的目标事件和竞争事件各自的病因特异特征,并通过该循环单元的共享子网络20获取目标事件和竞争事件之间的共享特征。服务器将共享子网络20输出的共享特征、目标疾病数据和前一循环单元输出的目标事件和竞争事件各自的病因特异特征组合为整合数据特征。进一步地,服务器通过该循环单元包括的病因特异子网络21从整合数据特征中,获得目标事件和竞争事件各自的病因特异特征,并将该目标事件和竞争事件各自的病因特异特征发送至分类计算层22和后一循环单元中。服务器通过分类计算层22,基于病因特异子网络21输出的目标事件和竞争事件各自的病因特异特征,输出待预测患者在该循环单元对应的待预测时间点,目标事件发生的第一条件概率和竞争事件对应的第二条件概率。其中,前一循环单元是指该循环单元对应的待预测时间点的前一待预测时间点对应的循环单元。后一循环单元是指该循环单元对应的待预测时间点的下一待预测时间点对应的循环单元。
S104:基于该第一条件概率和第二条件概率,确定该待预测患者在预测时间窗口内因目标疾病发作死亡的概率。
服务器根据待预测患者在各预测时间点目标事件发生的第一条件概率和目标事件发生的第二条件概率,确定该待预测患者在预测时间窗口内目标事件发生的概率和竞争事件发生的概率,进一步地,根据该待预测患者在预测时间窗口内目标事件发生的概率和竞争事件发生的概率确定因目标疾病发作死亡的概率。
在一个实施例中,服务器可以基于该第一条件概率和第二条件概率,依照概率连乘法则确定该待预测患者在预测时间窗口内因目标疾病发作死亡的概率。其中,概率连乘法则如公式(1)所示:
其中,L为预测时间窗口,为待预测患者在预测时间窗口L内发
生目标事件k的累计概率,为目标预测模型的网络参数,为预测时间窗口包括的第个待
预测时间点,为待预测患者的目标疾病数据,为待预测患者在第个待预测
时间点发生目标事件k的概率。其中,的计算公式可如公式(2)所示:
其中,为在第个待预测时间点发生目标事件k的第一条件概率,即在第个待预
测时间点之前均未发生任何事件的情况下发生了发生目标事件k的概率。为在第个待
预测时间点发生任何事件(包括目标事件和竞争事件)的条件概率,其中,为第个待预测
时间点前的任一个待预测时间点,即,q为事件的标识,可以为竞争事件或目标事
件,若q不等于k(即事件q为竞争事件)时,为在第个待预测时间点发生竞争事件q的第
二条件概率,若q等于k(即事件q为竞争事件)时,为在第个待预测时间点发生目标事件
q(或目标事件k)的第一条件概率。
本申请实施例中,服务器接收针对待预测患者的概率预测请求,该概率预测请求用于指示预测目标事件发生的概率,目标事件是指该待预测患者在预测时间窗口内因目标疾病发作死亡的事件,进一步地,服务器获取该待预测患者的疾病数据,该疾病数据包括体检指标和个人信息,并将该待预测时间窗口切分为至少一个待预测时间点,进而调用目标预测模型对该待预测患者的疾病数据进行分析,得到待预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率,该竞争事件是指待预测患者在预测时间窗口内因除目标疾病以外的其他疾病发作死亡的事件,基于该第一条件概率和第二条件概率,确定待预测患者在预测时间窗口内因目标疾病发作死亡的概率。通过这样的方式,在目标事件存在竞争事件的情况下,服务器在对目标事件的发生概率进行分析时,同时还可以对目标事件对应竞争事件的发生概率进行分析,避免了在对目标事件发生概率进行估算时删除发生竞争事件的样本数据的情况,保证了样本数据集的完整性,进而提升了目标预测模型对目标事件发生概率预测的准确性。
请参见图3,是本申请实施例提供的一种数据处理方法的流程示意图,该数据处理方法应用于服务器,该数据处理方法包括如下步骤:
S301:接收针对待预测患者的概率预测请求,该概率预测请求用于指示预测目标事件发生的概率,该目标事件是指待预测患者在预测时间窗口内因目标疾病发作死亡的事件。
S302:获取待预测患者的疾病数据,该疾病数据包括体检指标和个人信息,并将该待预测时间窗口切分为至少一个待预测时间点。
其中,步骤S301-步骤S302的具体实施方式可参见前述实施例中步骤S101-步骤S102的具体实施方式,此处不再进行过多赘述。
S303:获取至少一个其他患者的疾病数据以及标签信息,该标签信息为至少一个其他患者中各患者发生目标事件或竞争事件的时间信息。
其中,其他患者是指除待预测患者外患有目标疾病的患者。
服务器根据概率预测请求中的目标疾病的标识信息,从与该服务器关联的数据存储系统中至少一个患者的疾病数据和标签数据,该至少一个患者中的每个患者均已死亡。其中,该标签数据为各患者发生目标事件或竞争事件的时间信息,即患者从获取体检指标后因某种原因(包括目标疾病或竞争事件对应的死因)死亡的时间间隔时长信息。
示例性地,目标疾病为疾病1时,服务器从与该服务器关联的数据存储系统中获取到5位患者的疾病数据以及标签信息,具体如表1所示。
由表1可知,若将疾病1发作死亡视为目标事件,则疾病2发作死亡和疾病3发作死亡均为目标事件对应的竞争事件。
S304:根据至少一个其他患者的疾病数据以及标签信息对预设神经网络模型的网络参数进行修正,得到目标预测模型。
其中,预设神经网络模型可以为循环神经网络模型(Recurrent Neural Network,RNN)、长短时记忆神经网络模型(Long Short-Term Memory,LSTM)和门控循环单元网络(Gated Recurrent Unit,GRU)中的任一种。预设目标函数用于判断是否对预设网络模型中的网络参数进行更新。
服务器通过预设神经网络模型对该至少一个患者中的各患者的疾病数据进行数据分析,得到各患者的数据分析结果,该数据分析结果为该患者在何时会发生目标事件或竞争事件。服务器将该数据分析结果与各患者对应的标签信息进行误差分析,得到误差分析结果,进一步地,服务器可以根据该误差分析结果对预设神经网络模型的网络参数进行修正,得到目标预测模型。
在一个实施例中,服务器可以设定目标函数,用于对该预设神经网络模型的网络参数进行更新。需要知晓的是,服务器利用该目标函数对预设神经网络模型的网络参数进行更新的过程,既是,服务器对该目标函数求最小值的过程。
具体地,目标函数的公式如公式(3)所示,
其中,为目标函数的求解值,为在待预测窗口内患者发生任意事件
(即发生目标事件或发生竞争事件)的目标函数项,为在待预测窗口内患者未发生任
意事件(即未发生目标事件也未发生竞争事件)的目标函数项,为惩罚项。、和的计算公式分别如公式(4)、公式(5)和公式(6)所示,
其中,为服务器获取的至少一个患者中第i位患者在待预测窗口包括的待
预测时间点发生目标事件k概率;为预设神经网络模型根据训练样本数据集中第i位
患者的疾病数据,计算得到第i位患者在第个待预测时间点发生目标事件k的第一条件概
率;为预设神经网络模型根据训练样本数据集中第i位患者的基本信息,计算得在第i位
患者在第个待预测时间点发生除目标事件k外的竞争事件q的第二条件概率,为
非删失训练样本数据集(即至少一个患者的疾病数据),为预设算法模型的网络参数。为
惩罚项系数,由开发人员设定,越大表示惩罚越重,进而,服务器会根据该目标函数对预设
神经网络模型包括的网络参数进行修正,以得到最优的预设算法模型。
S305:调用目标预测模型对待预测患者的疾病数据进行分析,得到该待预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率,该竞争事件是指待预测患者在预测时间窗口内因除目标疾病以外的其他疾病发作死亡的事件。
S306:基于该第一条件概率和第二条件概率,确定该待预测患者在预测时间窗口内因目标疾病发作死亡的概率。
其中,步骤S305-步骤S306的具体实施方式可参见前述实施例中步骤S103-步骤S104的具体实施方式,此处不再进行过多赘述。
本申请实施例中,服务器接收针对待预测患者的概率预测请求,该概率预测请求用于指示预测目标事件发生的概率,目标事件是指该待预测患者在预测时间窗口内因目标疾病发作死亡的事件,进一步地,服务器获取该待预测患者的疾病数据,该疾病数据包括体检指标和个人信息,并将该待预测时间窗口切分为至少一个待预测时间点。服务器获取至少一个其他患者的疾病数据以及标签信息,该标签信息为至少一个其他患者中各患者发生目标事件或竞争事件的时间信息,并根据至少一个其他患者的疾病数据以及标签信息对预设神经网络模型的网络参数进行修正,得到目标预测模型。进一步地,服务器调用目标预测模型对该待预测患者的疾病数据进行分析,得到待预测患者在各待预测时间点目标事件发生的第一条件概率和目标事件对应的竞争事件发生的第二条件概率,该竞争事件是指待预测患者在预测时间窗口内因除目标疾病以外的其他疾病发作死亡的事件,基于该第一条件概率和第二条件概率,确定待预测患者在预测时间窗口内因目标疾病发作死亡的概率。通过这样的方式,由于在对预测目标事件发生概率的目标预测模型进行训练和概率估算时,未删除发生竞争事件的样本数据,保证了样本数据集的完整性,进而提升了目标预测模型对目标事件发生概率预测的准确性。
请参见图4,为本申请实施例提供的一种数据处理装置的结构示意图,该数据处理装置配置于服务器,所述装置包括:
获取模块40,用于接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;
所述获取模块40,还用于获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;
处理模块41,用于调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;
所述处理模块41,还用于基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
在一个实施例中,所述处理模块41,还用于对所述待预测患者的疾病数据进行预处理,得到目标疾病数据,所述预处理包括缺失值填补和/或偏差值纠正;调用目标预测模型对所述目标疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。
在一个实施例中,所述处理模块41,还用于基于所述共享特征和所述目标疾病数据获取所述目标事件和所述竞争事件各自对应的病因特异特征;根据所述目标事件对应的病因特异特征和所述竞争事件对应的病因特异特征,输出所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。
在一个实施例中,所述目标预测模型包括至少一个循环单元,其中,任一循环单元包括共享子网络、至少一个病因特异子网络和分类计算层,所述共享子网络用于获取所述目标事件和所述竞争事件之间的共享特征,所述病因特异子网络用于获取所述目标事件和所述竞争事件各自对应的病因特异特征,所述分类计算层用于输出所述待预测患者在所述任一循环单元对应的待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。
在一个实施例中,所述处理模块41,具体用于基于所述第一条件概率和所述第二条件概率,依照概率连乘法则确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
在一个实施例中,所述待预测患者的疾病数据包括至少一个疾病数据项,所述处理模块41,具体用于将所述待预测患者的疾病数据与预设疾病数据模板进行匹配;根据所述待预测患者的疾病数据与所述预设疾病数据模板的匹配结果,从所述待预测患者的疾病数据包括至少一个疾病数据项中确定出目标疾病数据项;对所述目标疾病数据项进行预处理,得到目标疾病数据。
在一个实施例中,所述调用目标预测模型对所述待预测患者的所述疾病数据进行分析之前,所述获取模块40,还用于获取至少一个其他患者的疾病数据以及标签信息,所述标签信息为所述至少一个其他患者中各患者发生所述目标事件或所述竞争事件的时间信息,所述其他患者为除待预测患者外的患有目标疾病的患者;所述处理模块41,还用于根据所述至少一个其他患者的疾病数据以及标签信息对预设神经网络模型的网络参数进行修正,得到目标预测模型,所述预设网络模型可以为循环神经网络模型、长短时记忆神经网络模型和门控循环单元网络中的任一种。
需要说明的是,本申请实施例所描述的数据处理装置的各单元模块的功能可根据图1或图3所述的方法实施例中的方法具体实现,其具体实现过程可以参照图1或图3的方法实施例的相关描述,此处不再赘述。
基于上述方法实施例以及装置项实施例的描述,本申请实施例还提供一种服务器。请参见图5,该服务器可至少包括处理器501、通信接口502以及存储器503;其中,处理器501、通信接口502以及存储器503可通过总线或者其它连接方式进行连接。所述存储器503中还可以包括计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,所述计算机程序包括程序指令,所述处理器501用于执行所述存储器503存储的程序指令。处理器501(或称CPU(Central Processing Unit,中央处理器))是服务器的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现上述数据处理方法实施例中的相应方法流程或相应功能。其中,处理器501被配置调用所述程序指令执行:通过通信接口502接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息将所述预测时间窗口切分为至少一个待预测时间点;调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。具体实现中,本申请实施例中所描述的处理器501、通信接口502和存储器503可执行本申请实施例提供的图1或图3所述的方法实施例所描述的实现方式,也可执行本申请实施例图4所描述的数据处理装置的实现方法,在此不再赘述。
在一个实施例中,所述处理器501,具体用于对所述待预测患者的疾病数据进行预处理,得到目标疾病数据,所述预处理包括缺失值填补和/或偏差值纠正;调用目标预测模型对所述目标疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S103所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述处理器501,具体用于调用目标预测模型从所述目标疾病数据中获取所述目标事件和所述竞争事件之间的共享特征;基于所述共享特征和所述目标疾病数据获取所述目标事件和所述竞争事件各自对应的病因特异特征;根据所述目标事件对应的病因特异特征和所述竞争事件对应的病因特异特征,通过通信接口502输出所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S103所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述目标预测模型包括至少一个循环单元,其中,任一循环单元包括共享子网络、至少一个病因特异子网络和分类计算层,所述共享子网络用于获取所述目标事件和所述竞争事件之间的共享特征,所述病因特异子网络用于获取所述目标事件和所述竞争事件各自对应的病因特异特征,所述分类计算层用于输出所述待预测患者在所述任一循环单元对应的待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S103所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述处理器501,具体用于基于所述第一条件概率和所述第二条件概率,依照概率连乘法则确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S104所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述待预测患者的疾病数据包括至少一个疾病数据项,所述处理器501,具体用于将所述待预测患者的疾病数据与预设疾病数据模板进行匹配;根据所述待预测患者的疾病数据与所述预设疾病数据模板的匹配结果,从所述待预测患者的疾病数据包括至少一个疾病数据项中确定出目标疾病数据项;对所述目标疾病数据项进行预处理,得到目标疾病数据。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S103所描述的相关实现方式,此处不再赘述。
在一个实施例中,所述调用目标预测模型对所述待预测患者的所述疾病数据进行分析之前,所述处理器501,还用于获取至少一个其他患者的疾病数据以及标签信息,所述标签信息为所述至少一个其他患者中各患者发生所述目标事件或所述竞争事件的时间信息,所述其他患者为除待预测患者外的患有目标疾病的患者;根据所述至少一个其他患者的疾病数据以及标签信息对预设神经网络模型的网络参数进行修正,得到目标预测模型,所述预设网络模型可以为循环神经网络模型、长短时记忆神经网络模型和门控循环单元网络中的任一种。具体实现中,本申请实施例中所描述的处理器501的具体实现方式可执行前述实施例步骤S303-步骤S304所描述的相关实现方式,此处不再赘述。
应当理解,在本申请实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器501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 Gate Array,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a硬件组件等。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。
该存储器503可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器503的一部分还可以包括非易失性随机存取存储器。例如,存储器503还可以存储设备类型的信息。
在本申请的另一实施例中提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现本申请实施例提供的图1或图3所述的方法实施所描述的实现方式,所述计算机可读存储介质可以是前述任一实施例所述的服务器的内部存储单元,例如服务器的硬盘或内存。所述计算机可读存储介质也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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,所述的程序可存储于一计算机可读取可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。
其中,所述的可读存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。所述的计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请的部分实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术工作人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于本申请所涵盖的范围。
Claims (9)
1.一种服务器,其特征在于,所述服务器包括通信接口、处理器和存储器,其中:
所述存储器用于存储计算机程序,所述计算机程序包括程序指令;
所述处理器被配置调用所述程序指令,用于通过所述通信接口接收针对待预测患者的概率预测请求,所述概率预测请求是用户通过与所述服务器进行通信连接的终端设备发送的,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率,其中,所述调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,包括:
调用目标预测模型从所述疾病数据中获取所述目标事件和所述竞争事件之间的共享特征;
基于所述共享特征和所述疾病数据,获取所述目标事件和所述竞争事件各自对应的病因特异特征;
根据所述目标事件对应的病因特异特征和所述竞争事件对应的病因特异特征,确定所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。
2.根据权利要求1所述服务器,其特征在于,所述处理器,具体用于:
对所述待预测患者的疾病数据进行预处理,得到目标疾病数据,所述预处理包括缺失值填补和/或偏差值纠正;
调用目标预测模型对所述目标疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。
3.根据权利要求1所述服务器,其特征在于,所述目标预测模型包括至少一个循环单元,其中,任一循环单元包括共享子网络、至少一个病因特异子网络和分类计算层,所述共享子网络用于获取所述目标事件和所述竞争事件之间的共享特征,所述病因特异子网络用于获取所述目标事件和所述竞争事件各自对应的病因特异特征,所述分类计算层用于输出所述待预测患者在所述任一循环单元对应的待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率。
4.根据权利要求1所述服务器,其特征在于,所述处理器,具体用于:
基于所述第一条件概率和所述第二条件概率,依照概率连乘法则确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
5.根据权利要求1所述服务器,其特征在于,所述待预测患者的疾病数据包括至少一个疾病数据项,所述处理器,具体用于:
将所述待预测患者的疾病数据与预设疾病数据模板进行匹配;
根据所述待预测患者的疾病数据与所述预设疾病数据模板的匹配结果,从所述待预测患者的疾病数据包括至少一个疾病数据项中确定出目标疾病数据项;
根据所述预设疾病数据模板对所述目标疾病数据项进行预处理,得到目标疾病数据。
6.根据权利要求1-5任一项所述服务器,其特征在于,所述处理器调用目标预测模型对所述待预测患者的所述疾病数据进行分析之前,所述处理器,还用于:
获取至少一个其他患者的疾病数据以及标签信息,所述标签信息为所述至少一个其他患者中各患者发生所述目标事件或所述竞争事件的时间信息,所述其他患者为除待预测患者外的患有所述目标疾病的患者;
根据所述至少一个其他患者的疾病数据以及标签信息对预设神经网络模型的网络参数进行修正,得到目标预测模型,所述预设神经网络模型为循环神经网络模型、长短时记忆神经网络模型和门控循环单元中的任一种。
7.一种数据处理方法,其特征在于,所述数据处理方法应用于服务器,所述数据处理方法包括:
接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;所述概率预测请求是用户通过与所述服务器进行通信连接的终端设备发送的;
获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;
调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;其中,所述调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,包括:
调用目标预测模型从所述疾病数据中获取所述目标事件和所述竞争事件之间的共享特征;
基于所述共享特征和所述疾病数据,获取所述目标事件和所述竞争事件各自对应的病因特异特征;
根据所述目标事件对应的病因特异特征和所述竞争事件对应的病因特异特征,确定所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率;
基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
8.一种数据处理装置,其特征在于,所述数据处理装置部署于服务器,所述数据处理装置包括:
获取模块,用于接收针对待预测患者的概率预测请求,所述概率预测请求用于指示预测目标事件发生的概率,所述目标事件是指所述待预测患者在预测时间窗口内因目标疾病发作死亡的事件;所述概率预测请求是用户通过与所述服务器进行通信连接的终端设备发送的;
所述获取模块,还用于获取所述待预测患者的疾病数据,所述疾病数据包括体检指标和个人信息,并将所述预测时间窗口切分为至少一个待预测时间点;
处理模块,用于调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,所述竞争事件是指所述待预测患者在所述预测时间窗口内因除所述目标疾病以外的其它疾病发作死亡的事件;其中,所述调用目标预测模型对所述待预测患者的所述疾病数据进行分析,得到所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率,包括:
调用目标预测模型从所述疾病数据中获取所述目标事件和所述竞争事件之间的共享特征;
基于所述共享特征和所述疾病数据,获取所述目标事件和所述竞争事件各自对应的病因特异特征;
根据所述目标事件对应的病因特异特征和所述竞争事件对应的病因特异特征,确定所述待预测患者在各待预测时间点所述目标事件发生的第一条件概率和所述目标事件对应的竞争事件发生的第二条件概率;
所述处理模块,还用于基于所述第一条件概率和所述第二条件概率,确定所述待预测患者在所述预测时间窗口内因所述目标疾病发作死亡的概率。
9.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有程序指令,所述程序指令被执行时,用于实现如权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011148801.4A CN111968750B (zh) | 2020-10-23 | 2020-10-23 | 一种服务器、数据处理方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011148801.4A CN111968750B (zh) | 2020-10-23 | 2020-10-23 | 一种服务器、数据处理方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968750A CN111968750A (zh) | 2020-11-20 |
CN111968750B true CN111968750B (zh) | 2021-02-19 |
Family
ID=73387166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011148801.4A Active CN111968750B (zh) | 2020-10-23 | 2020-10-23 | 一种服务器、数据处理方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968750B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662638B (zh) * | 2022-09-06 | 2024-04-12 | 荣耀终端有限公司 | 数据采集方法及相关装置 |
CN117079825B (zh) * | 2023-06-02 | 2024-01-19 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
-
2020
- 2020-10-23 CN CN202011148801.4A patent/CN111968750B/zh active Active
Non-Patent Citations (2)
Title |
---|
Introduction to the Analysis of Survival Data in the Presence of Competing Risks;Austin 等;《CIRCULATION》;20161231;601-609 * |
Lifetime competing risks between coronary heart disease mortality and other causes of death during 50 years of follow-up;Puddu 等;《INTERNATIONAL JOURNAL OF CARDIOLOGY》;20171231;239-363 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968750A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112071425B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN111968750B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
CN112102959B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
CN111883222B (zh) | 文本数据的错误检测方法、装置、终端设备及存储介质 | |
CN111933284B (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
WO2021151302A1 (zh) | 基于机器学习的药品质控分析方法、装置、设备及介质 | |
CN112634246B (zh) | 一种口腔图像识别方法及相关设备 | |
WO2017017554A1 (en) | Reliability measurement in data analysis of altered data sets | |
WO2022046734A1 (en) | Robust forecasting system on irregular time series in dialysis medical records | |
CN112734746A (zh) | 一种基于图像识别的骨科伤病谱匹配系统及方法 | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
CN111326243B (zh) | 分诊推荐方法、装置、电子设备和存储介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
US20210044864A1 (en) | Method and apparatus for identifying video content based on biometric features of characters | |
CN111885181A (zh) | 监控数据上报方法、装置、计算机设备及存储介质 | |
CN112016760A (zh) | 多维度信息的组合预测方法、装置、计算机设备及介质 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
KR101126704B1 (ko) | 온라인 고객 진단 시스템 및 그 진단 방법 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
WO2023226369A1 (zh) | 预测机械通气脱机的方法、装置、设备及存储介质 | |
CN114462522A (zh) | 肺癌生存期预测模型训练、预测方法、系统、装置及介质 | |
CN113782192A (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN112016979A (zh) | 用户分群方法、装置、设备和计算机可读存储介质 |
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 |