CN111986763A - 疾病数据分析方法、装置、电子设备及存储介质 - Google Patents
疾病数据分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111986763A CN111986763A CN202010917013.0A CN202010917013A CN111986763A CN 111986763 A CN111986763 A CN 111986763A CN 202010917013 A CN202010917013 A CN 202010917013A CN 111986763 A CN111986763 A CN 111986763A
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- vector
- feature
- public opinion
- 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.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 74
- 201000010099 disease Diseases 0.000 title claims abstract description 72
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 144
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 33
- 230000009193 crawling Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008451 emotion Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 206010035664 Pneumonia Diseases 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 230000007480 spreading Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及智慧医疗,提供一种疾病数据分析方法、装置、电子设备及存储介质。该方法能够提取医疗警报信息,并提取医疗警报信息中的医疗警报对象,爬取与医疗警报信息相关的舆情数据,并爬取与医疗警报对象对应的医疗数据,分析舆情数据,得到第一数据特征,分析医疗数据,得到第二数据特征,将第一数据特征及第二数据特征输入至预先构建的谣言检测模型中,得到检测结果,当检测结果为非谣言结果时,融合第一数据特征及第二数据特征,得到目标向量,将目标向量输入至预先训练好的疾病预警模型中,得到医疗警报对象的分析结果。本发明能够提高疾病数据分析的准确度。此外,本发明还涉及区块链技术,所述分析结果可存储于区块链中。
Description
技术领域
本发明涉及智慧医疗技术领域,尤其涉及一种疾病数据分析方法、装置、电子设备及存储介质。
背景技术
随着对医疗的重视程度的提高,对疾病数据进行分析也更加普遍,然而,在现有的疾病数据分析方案中,由于没有多方位地分析疾病数据,以及分析的疾病数据不够全面,导致无法准确分析疾病数据,进而导致疾病预警的准确度低。
发明内容
鉴于以上内容,有必要提供一种疾病数据分析方法、装置、电子设备及存储介质,能够提高疾病数据分析的准确度,进而能够准确地对疾病进行预警。
一方面,本发明提出一种疾病数据分析方法,所述疾病数据分析方法包括:
当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象;
爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据;
分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征;
将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果;
当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量;
将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
根据本发明优选实施例,所述提取所述医疗警报信息中的医疗警报对象包括:
对所述医疗警报信息进行分词处理,得到多个分词;
识别所述多个分词的词性,并将词性为预设词性的分词确定为目标词语;
将所述目标词语与配置库中的诊断对象进行匹配;
将与所述诊断对象匹配成功的目标词语确定为所述医疗警报对象。
根据本发明优选实施例,所述分析所述舆情数据,得到第一数据特征包括以下一种或者多种方式的组合:
获取所述舆情数据的传播用户,并对所述传播用户进行用户画像分析,得到所述舆情数据的传播知识图谱;及/或
获取所述舆情数据的传播区域,确定每个传播区域的传播数量,并根据所述传播数量确定每个传播区域的传播比例,将传播比例最大的传播区域确定为所述舆情数据的目标区域;及/或
对所述舆情数据进行情感分析,得到所述舆情数据的情感值。
根据本发明优选实施例,所述分析所述医疗数据,得到第二数据特征包括:
获取所述医疗数据的认证机构;
检测所述认证机构是否存在于配置医疗机构列表中,所述配置医疗机构列表中存储多个有效医疗认证机构;
当检测到任意认证机构存在于配置医疗机构列表中时,将与所述任意认证机构对应的医疗数据确定为所述第二数据特征。
根据本发明优选实施例,在将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中之前,所述方法还包括:
确定所述数据分析请求的请求类型;
获取与所述请求类型相关的请求数据,所述请求数据包括舆情请求数据及医疗请求数据;
从所述请求数据中提取检测训练数据,并从所述请求数据中提取测试数据,所述检测训练数据与所述测试数据不相交;
采用神经网络算法训练所述检测训练数据,得到第一学习器,并采用随机森林算法训练所述检测训练数据,得到第二学习器;
利用所述测试数据测试所述第一学习器,得到第一误差率,并利用所述测试数据测试所述第二学习器,得到第二误差率;
当所述第一误差率小于所述第二误差率时,将所述第一学习器确定为所述谣言检测模型;或者
当所述第一误差率大于或者等于所述第二误差率时,将所述第二学习器确定为所述谣言检测模型。
根据本发明优选实施例,所述融合所述第一数据特征及所述第二数据特征,得到目标向量包括:
将所述第一数据特征转换为第一特征向量,并将所述第二数据特征转换为第二特征向量;
从所述第一特征向量中选取预设维度的第一维度向量,并从所述第二特征向量中选取所述预设维度的第二维度向量;
拼接所述第一维度向量与所述第二维度向量,得到所述目标向量。
根据本发明优选实施例,所述将所述第一数据特征转换为第一特征向量包括:
确定所述第一数据特征的特征数量;
当所述特征数量有多个时,根据配置向量表将多个所述第一数据特征转换为多个数据向量;
将所述多个数据向量中每个数据向量与预设矩阵进行相乘,得到多个运算向量;
计算所述多个运算向量的平均值,得到所述第一特征向量。
另一方面,本发明还提出一种疾病数据分析装置,所述疾病数据分析装置包括:
提取单元,用于当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象;
爬取单元,用于爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据;
分析单元,用于分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征;
输入单元,用于将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果;
融合单元,用于当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量;
所述输入单元,还用于将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述疾病数据分析方法。
另一方面,本发明还提出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计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述疾病数据分析方法。
由以上技术方案可以看出,本发明能够当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象,爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据,能够及时并准确地获取到与所述医疗警报信息相关的舆情数据,及与所述医疗警报对象对应的医疗数据,分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征,能够剔除掉所述舆情数据及所述医疗数据中的偏差数据,进而准确地获取到所述第一数据特征及所述第二数据特征,将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果,当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量,将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果,在所述检测结果为非谣言结果时,对所述舆情数据及所述医疗数据进行进一步地分析,而不是直接利用疾病预警模型对所述舆情数据及所述医疗数据进行分析,能够提高疾病数据分析的准确度。本发明利用谣言检测与疾病预警多个维度分析与所述医疗警报信息相关的舆情数据及医疗数据,能够提高疾病数据分析的准确度,进而能够准确地对疾病进行预警。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
附图说明
图1是本发明疾病数据分析方法的较佳实施例的流程图。
图2是本发明疾病数据分析装置的较佳实施例的功能模块图。
图3是本发明实现疾病数据分析方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明疾病数据分析方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述疾病数据分析方法应用于智慧医疗场景中,从而推动智慧城市的建设。所述疾病数据分析方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象。
在本发明的至少一个实施例中,所述数据分析请求可以是在检测到危险医疗警报信息时触发,例如,所述危险医疗警报信息可以是一医院出现了不明状况的肺炎。
进一步地,所述数据分析请求携带的报文信息包括,但不限于:所述医疗警报信息,所述医疗警报信息可以包括所述医疗警报对象。
例如,所述医疗警报信息为“一医院出现了不明状况的肺炎”,所述医疗警报对象为“肺炎”。
在本发明的至少一个实施例中,所述电子设备从所述数据分析请求中提取医疗警报信息包括:
解析所述数据分析请求的方法体,得到所述数据分析请求携带的报文信息;
从标签表中获取预设标签,所述预设标签是指预先定义的标签;
从所述报文信息中获取与所述预设标签对应的信息作为所述医疗警报信息。
通过上述实施方式,能够准确地从所述数据分析请求中提取出所述医疗警报信息。
在本发明的至少一个实施例中,所述电子设备提取所述医疗警报信息中的医疗警报对象包括:
对所述医疗警报信息进行分词处理,得到多个分词;
识别所述多个分词的词性,并将词性为预设词性的分词确定为目标词语;
将所述目标词语与配置库中的诊断对象进行匹配;
将与所述诊断对象匹配成功的目标词语确定为所述医疗警报对象。
其中,所述预设词性可以是名词。
通过从所述多个分词中筛选出所述目标词语,能够提高所述医疗警报对象的提取效率。
S11,爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据。
在本发明的至少一个实施例中,所述舆情数据是指可以直接从网络中爬取到的信息,所述舆情数据可以包括,但不限于:所述医疗警报信息的评论倾向信息等。
在本发明的至少一个实施例中,所述医疗数据是指可以直接从网络中爬取到的信息,所述医疗数据可以包括,但不限于:临床诊断数据、门诊数据、人口流动数据、气候及环境卫生数据、药店用药数据等。
在本发明的至少一个实施例中,所述电子设备爬取与所述医疗警报信息相关的舆情数据的方式与所述电子设备爬取与所述医疗警报对象对应的医疗数据的方式属于现有技术,本发明对此不再赘述。
S12,分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征。
在本发明的至少一个实施例中,所述第一数据特征是指对所述舆情数据进行分析处理后得到的特征,所述第一数据特征包括,但不限于:传播知识图谱、传播区域、所述舆情数据的情感值,其中,所述传播知识图谱中的用户可以包括医生、政府人员等公众人物。
在本发明的至少一个实施例中,所述第二数据特征是指经过认证后的医疗数据,所述第二数据特征包括,但不限于:临床诊断数据、门诊数据、人口流动数据、气候及环境卫生数据、药店用药数据等。
在本发明的至少一个实施例中,所述电子设备分析所述舆情数据,得到第一数据特征包括以下一种或者多种方式的组合:
获取所述舆情数据的传播用户,并对所述传播用户进行用户画像分析,得到所述舆情数据的传播知识图谱;及/或
获取所述舆情数据的传播区域,确定每个传播区域的传播数量,并根据所述传播数量确定每个传播区域的传播比例,将传播比例最大的传播区域确定为所述舆情数据的目标区域;及/或
对所述舆情数据进行情感分析,得到所述舆情数据的情感值。
通过上述多种实施方式,能够更全面地从所述舆情数据中分析得出第一数据特征。
在本发明的至少一个实施例中,所述电子设备分析所述医疗数据,得到第二数据特征包括:
获取所述医疗数据的认证机构;
检测所述认证机构是否存在于配置医疗机构列表中,所述配置医疗机构列表中存储多个有效医疗认证机构;
当检测到任意认证机构存在于配置医疗机构列表中时,将与所述任意认证机构对应的医疗数据确定为所述第二数据特征。
其中,所述有效医疗认证机构是指处于有效期的医疗认证机构,例如,所述有效医疗认证机构包括深圳人民医院。
通过上述实施方式,由于所述配置医疗机构列表中存储多个有效医疗认证机构,因此能够准确地获取到所述第二数据特征。
S13,将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果。
在本发明的至少一个实施例中,所述检测结果包括:谣言结果、非谣言结果以及待观察结果。
在本发明的至少一个实施例中,在将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中之前,所述方法还包括:
确定所述数据分析请求的请求类型;
获取与所述请求类型相关的请求数据,所述请求数据包括舆情请求数据及医疗请求数据;
从所述请求数据中提取检测训练数据,并从所述请求数据中提取测试数据,所述检测训练数据与所述测试数据不相交;
采用神经网络算法训练所述检测训练数据,得到第一学习器,并采用随机森林算法训练所述检测训练数据,得到第二学习器;
利用所述测试数据测试所述第一学习器,得到第一误差率,并利用所述测试数据测试所述第二学习器,得到第二误差率;
当所述第一误差率小于所述第二误差率时,将所述第一学习器确定为所述谣言检测模型;或者
当所述第一误差率大于或者等于所述第二误差率时,将所述第二学习器确定为所述谣言检测模型。
例如,所述请求类型可以是医疗类型。
具体地,所述检测训练数据中包括谣言数据及非谣言数据,所述测试数据中包括谣言数据及非谣言数据。
通过上述实施方式,能够通过不同方式确定出所述第一学习器及所述第二学习器,进而利用所述测试数据从所述第一学习器及所述第二学习器中确定出所述谣言检测模型,由于所述测试数据与所述训练数据不相交,因此,能够提高所述谣言检测模型的检测准确度。
具体地,所述电子设备采用神经网络算法训练所述训练数据,得到第一学习器包括:
所述电子设备对所述训练数据进行归一化处理,进一步地,所述电子设备采用归一化处理后的训练数据构建网络,得到训练网络,所述电子设备利用预先设定的学习率对所述训练网络进行训练,得到所述第一学习器。
S14,当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量。
在本发明的至少一个实施例中,所述目标向量融合了所述第一数据特征与所述第二数据特征的上下文语义向量。
在本发明的至少一个实施例中,所述电子设备融合所述第一数据特征及所述第二数据特征,得到目标向量包括:
将所述第一数据特征转换为第一特征向量,并将所述第二数据特征转换为第二特征向量;
从所述第一特征向量中选取预设维度的第一维度向量,并从所述第二特征向量中选取所述预设维度的第二维度向量;
拼接所述第一维度向量与所述第二维度向量,得到所述目标向量。
其中,所述预设维度是根据输入疾病预警模型的向量维度阈值确定的,例如:当所述向量维度阈值为216维时,所述预设维度的取值为108维。
例如:所述第一特征向量为1000维度的向量时,所述第二特征向量为500维度的向量,所述向量维度阈值为216维,因此,所述预设维度为108维,对所述第一特征向量进行降维处理,直至将1000维度的向量降至108维的向量,得到第一维度向量,对所述第二特征向量进行降维处理,直至将500维度的向量降至108维的向量,得到第二维度向量。
通过上述实施方式,能够快速生成具有所述第一数据特征与所述第二数据特征的目标向量,同时,能够确保生成的目标向量符合疾病预警模型的输入要求,确保所述目标向量能够顺利输入到所述疾病预警模型中预测。
具体地,所述电子设备将所述第一数据特征转换为第一特征向量包括:
确定所述第一数据特征的特征数量;
当所述特征数量有多个时,根据配置向量表将多个所述第一数据特征转换为多个数据向量;
将所述多个数据向量中每个数据向量与预设矩阵进行相乘,得到多个运算向量;
计算所述多个运算向量的平均值,得到所述第一特征向量。
其中,所述预设矩阵是一个列向量。
通过上述实施方式,当所述特征数量有多个时,能够确保生成的第一特征向量具有多个所述第一数据特征中的特征。
在其他实施例中,当所述特征数量有且只有1个时,根据所述配置向量表将所述第一数据特征转换为所述第一特征向量。可以理解的是,通过从网络中爬取舆情数据,所述第一数据特征的数量通常为多个。
在本发明的至少一个实施例中,所述电子设备将所述第二数据特征转换为第二特征向量的方式与所述电子设备将所述第一数据特征转换为第一特征向量的方式相同,本发明对此不再赘述。
S15,将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
需要强调的是,为进一步保证上述分析结果的私密和安全性,上述分析结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述分析结果包括Y及N,其中,Y表示所述医疗警报对象会爆发,N表示所述医疗警报对象不会爆发。
在本发明的至少一个实施例中,在将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果之前,所述方法还包括:
从所述请求数据中提取预测训练数据,并从所述请求数据中提取验证数据;
将所述预测训练数据输入到输入门层进行训练,得到初级模型;
根据所述验证数据调整所述初级模型,得到所述疾病预警模型。
在本发明的至少一个实施例中,在得到所述医疗警报对象的分析结果后,所述方法还包括:
当所述分析结果表征所述医疗警报对象会爆发时,确定所述医疗警报对象的防控手段;
根据所述医疗警报对象、所述分析结果及所述防控手段生成提示信息;
采用对称加密技术加密所述提示信息,得到密文;
确定所述医疗警报对象的爆发程度,并根据所述爆发程度确定发送方式;
以所述发送方式发送所述密文。
其中,所述发送方式可以包括,但不限于:新闻方式等。
通过对所述提示信息进行加密,能够提高所述提示信息的安全性,进而根据所述爆发程度确定发送方式,能够以合适的方式发送所述密文。
由以上技术方案可以看出,本发明能够当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象,爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据,能够及时并准确地获取到与所述医疗警报信息相关的舆情数据,及与所述医疗警报对象对应的医疗数据,分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征,能够剔除掉所述舆情数据及所述医疗数据中的偏差数据,进而准确地获取到所述第一数据特征及所述第二数据特征,将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果,当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量,将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果,在所述检测结果为非谣言结果时,对所述舆情数据及所述医疗数据进行进一步地分析,而不是直接利用疾病预警模型对所述舆情数据及所述医疗数据进行分析,能够提高疾病数据分析的准确度。本发明利用谣言检测与疾病预警多个维度分析与所述医疗警报信息相关的舆情数据及医疗数据,能够提高疾病数据分析的准确度,进而能够准确地对疾病进行预警。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
如图2所示,是本发明疾病数据分析装置的较佳实施例的功能模块图。所述疾病数据分析装置11包括提取单元110、爬取单元111、分析单元112、输入单元113、融合单元114、确定单元115、获取单元116、训练单元117、测试单元118、调整单元119、生成单元120、加密单元121及发送单元122。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到数据分析请求时,提取单元110从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象。
在本发明的至少一个实施例中,所述数据分析请求可以是在检测到危险医疗警报信息时触发,例如,所述危险医疗警报信息可以是一医院出现了不明状况的肺炎。
进一步地,所述数据分析请求携带的报文信息包括,但不限于:所述医疗警报信息,所述医疗警报信息可以包括所述医疗警报对象。
例如,所述医疗警报信息为“一医院出现了不明状况的肺炎”,所述医疗警报对象为“肺炎”。
在本发明的至少一个实施例中,所述提取单元110从所述数据分析请求中提取医疗警报信息包括:
解析所述数据分析请求的方法体,得到所述数据分析请求携带的报文信息;
从标签表中获取预设标签,所述预设标签是指预先定义的标签;
从所述报文信息中获取与所述预设标签对应的信息作为所述医疗警报信息。
通过上述实施方式,能够准确地从所述数据分析请求中提取出所述医疗警报信息。
在本发明的至少一个实施例中,所述提取单元110提取所述医疗警报信息中的医疗警报对象包括:
对所述医疗警报信息进行分词处理,得到多个分词;
识别所述多个分词的词性,并将词性为预设词性的分词确定为目标词语;
将所述目标词语与配置库中的诊断对象进行匹配;
将与所述诊断对象匹配成功的目标词语确定为所述医疗警报对象。
其中,所述预设词性可以是名词。
通过从所述多个分词中筛选出所述目标词语,能够提高所述医疗警报对象的提取效率。
爬取单元111爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据。
在本发明的至少一个实施例中,所述舆情数据是指可以直接从网络中爬取到的信息,所述舆情数据可以包括,但不限于:所述医疗警报信息的评论倾向信息等。
在本发明的至少一个实施例中,所述医疗数据是指可以直接从网络中爬取到的信息,所述医疗数据可以包括,但不限于:临床诊断数据、门诊数据、人口流动数据、气候及环境卫生数据、药店用药数据等。
在本发明的至少一个实施例中,所述爬取单元111爬取与所述医疗警报信息相关的舆情数据的方式与所述爬取单元111爬取与所述医疗警报对象对应的医疗数据的方式属于现有技术,本发明对此不再赘述。
分析单元112分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征。
在本发明的至少一个实施例中,所述第一数据特征是指对所述舆情数据进行分析处理后得到的特征,所述第一数据特征包括,但不限于:传播知识图谱、传播区域、所述舆情数据的情感值,其中,所述传播知识图谱中的用户可以包括医生、政府人员等公众人物。
在本发明的至少一个实施例中,所述第二数据特征是指经过认证后的医疗数据,所述第二数据特征包括,但不限于:临床诊断数据、门诊数据、人口流动数据、气候及环境卫生数据、药店用药数据等。
在本发明的至少一个实施例中,所述分析单元112分析所述舆情数据,得到第一数据特征包括以下一种或者多种方式的组合:
获取所述舆情数据的传播用户,并对所述传播用户进行用户画像分析,得到所述舆情数据的传播知识图谱;及/或
获取所述舆情数据的传播区域,确定每个传播区域的传播数量,并根据所述传播数量确定每个传播区域的传播比例,将传播比例最大的传播区域确定为所述舆情数据的目标区域;及/或
对所述舆情数据进行情感分析,得到所述舆情数据的情感值。
通过上述多种实施方式,能够更全面地从所述舆情数据中分析得出第一数据特征。
在本发明的至少一个实施例中,所述分析单元112分析所述医疗数据,得到第二数据特征包括:
获取所述医疗数据的认证机构;
检测所述认证机构是否存在于配置医疗机构列表中,所述配置医疗机构列表中存储多个有效医疗认证机构;
当检测到任意认证机构存在于配置医疗机构列表中时,将与所述任意认证机构对应的医疗数据确定为所述第二数据特征。
其中,所述有效医疗认证机构是指处于有效期的医疗认证机构,例如,所述有效医疗认证机构包括深圳人民医院。
通过上述实施方式,由于所述配置医疗机构列表中存储多个有效医疗认证机构,因此能够准确地获取到所述第二数据特征。
输入单元113将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果。
在本发明的至少一个实施例中,所述检测结果包括:谣言结果、非谣言结果以及待观察结果。
在本发明的至少一个实施例中,在将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中之前,确定单元115确定所述数据分析请求的请求类型;
获取单元116获取与所述请求类型相关的请求数据,所述请求数据包括舆情请求数据及医疗请求数据;
所述提取单元110从所述请求数据中提取检测训练数据,并从所述请求数据中提取测试数据,所述检测训练数据与所述测试数据不相交;
训练单元117采用神经网络算法训练所述检测训练数据,得到第一学习器,并采用随机森林算法训练所述检测训练数据,得到第二学习器;
测试单元118利用所述测试数据测试所述第一学习器,得到第一误差率,并利用所述测试数据测试所述第二学习器,得到第二误差率;
当所述第一误差率小于所述第二误差率时,所述确定单元115将所述第一学习器确定为所述谣言检测模型;或者
当所述第一误差率大于或者等于所述第二误差率时,所述确定单元115将所述第二学习器确定为所述谣言检测模型。
例如,所述请求类型可以是医疗类型。
具体地,所述检测训练数据中包括谣言数据及非谣言数据,所述测试数据中包括谣言数据及非谣言数据。
通过上述实施方式,能够通过不同方式确定出所述第一学习器及所述第二学习器,进而利用所述测试数据从所述第一学习器及所述第二学习器中确定出所述谣言检测模型,由于所述测试数据与所述训练数据不相交,因此,能够提高所述谣言检测模型的检测准确度。
具体地,所述训练单元117采用神经网络算法训练所述训练数据,得到第一学习器包括:
所述训练单元117对所述训练数据进行归一化处理,进一步地,所述训练单元117采用归一化处理后的训练数据构建网络,得到训练网络,所述训练单元117利用预先设定的学习率对所述训练网络进行训练,得到所述第一学习器。
当所述检测结果为非谣言结果时,融合单元114融合所述第一数据特征及所述第二数据特征,得到目标向量。
在本发明的至少一个实施例中,所述目标向量融合了所述第一数据特征与所述第二数据特征的上下文语义向量。
在本发明的至少一个实施例中,所述融合单元114融合所述第一数据特征及所述第二数据特征,得到目标向量包括:
将所述第一数据特征转换为第一特征向量,并将所述第二数据特征转换为第二特征向量;
从所述第一特征向量中选取预设维度的第一维度向量,并从所述第二特征向量中选取所述预设维度的第二维度向量;
拼接所述第一维度向量与所述第二维度向量,得到所述目标向量。
其中,所述预设维度是根据输入疾病预警模型的向量维度阈值确定的,例如:当所述向量维度阈值为216维时,所述预设维度的取值为108维。
例如:所述第一特征向量为1000维度的向量时,所述第二特征向量为500维度的向量,所述向量维度阈值为216维,因此,所述预设维度为108维,对所述第一特征向量进行降维处理,直至将1000维度的向量降至108维的向量,得到第一维度向量,对所述第二特征向量进行降维处理,直至将500维度的向量降至108维的向量,得到第二维度向量。
通过上述实施方式,能够快速生成具有所述第一数据特征与所述第二数据特征的目标向量,同时,能够确保生成的目标向量符合疾病预警模型的输入要求,确保所述目标向量能够顺利输入到所述疾病预警模型中预测。
具体地,所述融合单元114将所述第一数据特征转换为第一特征向量包括:
确定所述第一数据特征的特征数量;
当所述特征数量有多个时,根据配置向量表将多个所述第一数据特征转换为多个数据向量;
将所述多个数据向量中每个数据向量与预设矩阵进行相乘,得到多个运算向量;
计算所述多个运算向量的平均值,得到所述第一特征向量。
其中,所述预设矩阵是一个列向量。
通过上述实施方式,当所述特征数量有多个时,能够确保生成的第一特征向量具有多个所述第一数据特征中的特征。
在其他实施例中,当所述特征数量有且只有1个时,根据所述配置向量表将所述第一数据特征转换为所述第一特征向量。可以理解的是,通过从网络中爬取舆情数据,所述第一数据特征的数量通常为多个。
在本发明的至少一个实施例中,所述融合单元114将所述第二数据特征转换为第二特征向量的方式与所述融合单元114将所述第一数据特征转换为第一特征向量的方式相同,本发明对此不再赘述。
所述输入单元113将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
需要强调的是,为进一步保证上述分析结果的私密和安全性,上述分析结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述分析结果包括Y及N,其中,Y表示所述医疗警报对象会爆发,N表示所述医疗警报对象不会爆发。
在本发明的至少一个实施例中,在将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果之前,所述提取单元110从所述请求数据中提取预测训练数据,并从所述请求数据中提取验证数据;
所述输入单元113将所述预测训练数据输入到输入门层进行训练,得到初级模型;
调整单元119根据所述验证数据调整所述初级模型,得到所述疾病预警模型。
在本发明的至少一个实施例中,在得到所述医疗警报对象的分析结果后,所述确定单元115当所述分析结果表征所述医疗警报对象会爆发时,确定所述医疗警报对象的防控手段;
生成单元120根据所述医疗警报对象、所述分析结果及所述防控手段生成提示信息;
加密单元121采用对称加密技术加密所述提示信息,得到密文;
所述确定单元115确定所述医疗警报对象的爆发程度,并根据所述爆发程度确定发送方式;
发送单元122以所述发送方式发送所述密文。
其中,所述发送方式可以包括,但不限于:新闻方式等。
通过对所述提示信息进行加密,能够提高所述提示信息的安全性,进而根据所述爆发程度确定发送方式,能够以合适的方式发送所述密文。
由以上技术方案可以看出,本发明能够当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象,爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据,能够及时并准确地获取到与所述医疗警报信息相关的舆情数据,及与所述医疗警报对象对应的医疗数据,分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征,能够剔除掉所述舆情数据及所述医疗数据中的偏差数据,进而准确地获取到所述第一数据特征及所述第二数据特征,将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果,当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量,将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果,在所述检测结果为非谣言结果时,对所述舆情数据及所述医疗数据进行进一步地分析,而不是直接利用疾病预警模型对所述舆情数据及所述医疗数据进行分析,能够提高疾病数据分析的准确度。本发明利用谣言检测与疾病预警多个维度分析与所述医疗警报信息相关的舆情数据及医疗数据,能够提高疾病数据分析的准确度,进而能够准确地对疾病进行预警。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
如图3所示,是本发明实现疾病数据分析方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如疾病数据分析程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成提取单元110、爬取单元111、分析单元112、输入单元113、融合单元114、确定单元115、获取单元116、训练单元117、测试单元118、调整单元119、生成单元120、加密单元121及发送单元122。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明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。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种疾病数据分析方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象;
爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据;
分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征;
将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果;
当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量;
将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象;
爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据;
分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征;
将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果;
当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量;
将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种疾病数据分析方法,其特征在于,所述疾病数据分析方法包括:
当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象;
爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据;
分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征;
将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果;
当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量;
将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
2.如权利要求1所述的疾病数据分析方法,其特征在于,所述提取所述医疗警报信息中的医疗警报对象包括:
对所述医疗警报信息进行分词处理,得到多个分词;
识别所述多个分词的词性,并将词性为预设词性的分词确定为目标词语;
将所述目标词语与配置库中的诊断对象进行匹配;
将与所述诊断对象匹配成功的目标词语确定为所述医疗警报对象。
3.如权利要求1所述的疾病数据分析方法,其特征在于,所述分析所述舆情数据,得到第一数据特征包括以下一种或者多种方式的组合:
获取所述舆情数据的传播用户,并对所述传播用户进行用户画像分析,得到所述舆情数据的传播知识图谱;及/或
获取所述舆情数据的传播区域,确定每个传播区域的传播数量,并根据所述传播数量确定每个传播区域的传播比例,将传播比例最大的传播区域确定为所述舆情数据的目标区域;及/或
对所述舆情数据进行情感分析,得到所述舆情数据的情感值。
4.如权利要求1所述的疾病数据分析方法,其特征在于,所述分析所述医疗数据,得到第二数据特征包括:
获取所述医疗数据的认证机构;
检测所述认证机构是否存在于配置医疗机构列表中,所述配置医疗机构列表中存储多个有效医疗认证机构;
当检测到任意认证机构存在于配置医疗机构列表中时,将与所述任意认证机构对应的医疗数据确定为所述第二数据特征。
5.如权利要求1所述的疾病数据分析方法,其特征在于,在将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中之前,所述方法还包括:
确定所述数据分析请求的请求类型;
获取与所述请求类型相关的请求数据,所述请求数据包括舆情请求数据及医疗请求数据;
从所述请求数据中提取检测训练数据,并从所述请求数据中提取测试数据,所述检测训练数据与所述测试数据不相交;
采用神经网络算法训练所述检测训练数据,得到第一学习器,并采用随机森林算法训练所述检测训练数据,得到第二学习器;
利用所述测试数据测试所述第一学习器,得到第一误差率,并利用所述测试数据测试所述第二学习器,得到第二误差率;
当所述第一误差率小于所述第二误差率时,将所述第一学习器确定为所述谣言检测模型;或者
当所述第一误差率大于或者等于所述第二误差率时,将所述第二学习器确定为所述谣言检测模型。
6.如权利要求1所述的疾病数据分析方法,其特征在于,所述融合所述第一数据特征及所述第二数据特征,得到目标向量包括:
将所述第一数据特征转换为第一特征向量,并将所述第二数据特征转换为第二特征向量;
从所述第一特征向量中选取预设维度的第一维度向量,并从所述第二特征向量中选取所述预设维度的第二维度向量;
拼接所述第一维度向量与所述第二维度向量,得到所述目标向量。
7.如权利要求6所述的疾病数据分析方法,其特征在于,所述将所述第一数据特征转换为第一特征向量包括:
确定所述第一数据特征的特征数量;
当所述特征数量有多个时,根据配置向量表将多个所述第一数据特征转换为多个数据向量;
将所述多个数据向量中每个数据向量与预设矩阵进行相乘,得到多个运算向量;
计算所述多个运算向量的平均值,得到所述第一特征向量。
8.一种疾病数据分析装置,其特征在于,所述疾病数据分析装置包括:
提取单元,用于当接收到数据分析请求时,从所述数据分析请求中提取医疗警报信息,并提取所述医疗警报信息中的医疗警报对象;
爬取单元,用于爬取与所述医疗警报信息相关的舆情数据,并爬取与所述医疗警报对象对应的医疗数据;
分析单元,用于分析所述舆情数据,得到第一数据特征,并分析所述医疗数据,得到第二数据特征;
输入单元,用于将所述第一数据特征及所述第二数据特征输入至预先构建的谣言检测模型中,得到检测结果;
融合单元,用于当所述检测结果为非谣言结果时,融合所述第一数据特征及所述第二数据特征,得到目标向量;
所述输入单元,还用于将所述目标向量输入至预先训练好的疾病预警模型中,得到所述医疗警报对象的分析结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的疾病数据分析方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的疾病数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917013.0A CN111986763B (zh) | 2020-09-03 | 2020-09-03 | 疾病数据分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917013.0A CN111986763B (zh) | 2020-09-03 | 2020-09-03 | 疾病数据分析方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986763A true CN111986763A (zh) | 2020-11-24 |
CN111986763B CN111986763B (zh) | 2024-05-14 |
Family
ID=73448048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010917013.0A Active CN111986763B (zh) | 2020-09-03 | 2020-09-03 | 疾病数据分析方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986763B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530585A (zh) * | 2020-12-16 | 2021-03-19 | 平安国际智慧城市科技股份有限公司 | 基于医疗机构的数据处理方法、装置、计算机设备及介质 |
CN113871019A (zh) * | 2021-12-06 | 2021-12-31 | 江西易卫云信息技术有限公司 | 一种疾病舆情的监控方法、系统、存储介质及设备 |
CN114640696A (zh) * | 2022-05-19 | 2022-06-17 | 中南大学湘雅医院 | 可实现远程数据交互与即时分析的口腔数据信息监控方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608200A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种网络舆论趋势预测分析方法 |
CN108648829A (zh) * | 2018-04-11 | 2018-10-12 | 平安科技(深圳)有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
CN108647249A (zh) * | 2018-04-18 | 2018-10-12 | 平安科技(深圳)有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
CN108874992A (zh) * | 2018-06-12 | 2018-11-23 | 深圳华讯网络科技有限公司 | 舆情分析方法、系统、计算机设备和存储介质 |
CN109614550A (zh) * | 2018-12-11 | 2019-04-12 | 平安科技(深圳)有限公司 | 舆情监控方法、装置、计算机设备及存储介质 |
CN109815383A (zh) * | 2018-12-31 | 2019-05-28 | 南京理工大学 | 基于lstm的微博谣言检测及其资源库构建方法 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
CN110675959A (zh) * | 2019-08-19 | 2020-01-10 | 平安科技(深圳)有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
CN110931090A (zh) * | 2019-11-26 | 2020-03-27 | 太平金融科技服务(上海)有限公司 | 疾病数据处理方法、装置、计算机设备和存储介质 |
CN111611408A (zh) * | 2020-05-27 | 2020-09-01 | 北京明略软件系统有限公司 | 一种舆情分析方法、装置、计算机设备及存储介质 |
-
2020
- 2020-09-03 CN CN202010917013.0A patent/CN111986763B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608200A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种网络舆论趋势预测分析方法 |
CN108648829A (zh) * | 2018-04-11 | 2018-10-12 | 平安科技(深圳)有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
CN108647249A (zh) * | 2018-04-18 | 2018-10-12 | 平安科技(深圳)有限公司 | 舆情数据预测方法、装置、终端及存储介质 |
CN108874992A (zh) * | 2018-06-12 | 2018-11-23 | 深圳华讯网络科技有限公司 | 舆情分析方法、系统、计算机设备和存储介质 |
CN109614550A (zh) * | 2018-12-11 | 2019-04-12 | 平安科技(深圳)有限公司 | 舆情监控方法、装置、计算机设备及存储介质 |
CN109815383A (zh) * | 2018-12-31 | 2019-05-28 | 南京理工大学 | 基于lstm的微博谣言检测及其资源库构建方法 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
CN110675959A (zh) * | 2019-08-19 | 2020-01-10 | 平安科技(深圳)有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
CN110931090A (zh) * | 2019-11-26 | 2020-03-27 | 太平金融科技服务(上海)有限公司 | 疾病数据处理方法、装置、计算机设备和存储介质 |
CN111611408A (zh) * | 2020-05-27 | 2020-09-01 | 北京明略软件系统有限公司 | 一种舆情分析方法、装置、计算机设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530585A (zh) * | 2020-12-16 | 2021-03-19 | 平安国际智慧城市科技股份有限公司 | 基于医疗机构的数据处理方法、装置、计算机设备及介质 |
CN113871019A (zh) * | 2021-12-06 | 2021-12-31 | 江西易卫云信息技术有限公司 | 一种疾病舆情的监控方法、系统、存储介质及设备 |
CN114640696A (zh) * | 2022-05-19 | 2022-06-17 | 中南大学湘雅医院 | 可实现远程数据交互与即时分析的口腔数据信息监控方法 |
CN114640696B (zh) * | 2022-05-19 | 2022-08-16 | 中南大学湘雅医院 | 可实现远程数据交互与即时分析的口腔数据信息监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111986763B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111816301A (zh) | 医疗问诊辅助方法、装置、电子设备及介质 | |
CN111986763B (zh) | 疾病数据分析方法、装置、电子设备及存储介质 | |
CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
CN112686036B (zh) | 风险文本识别方法、装置、计算机设备及存储介质 | |
CN112989826B (zh) | 基于人工智能的试题分数确定方法、装置、设备及介质 | |
CN111639487A (zh) | 基于分类模型的字段抽取方法、装置、电子设备及介质 | |
CN112133396B (zh) | 医疗数据共享方法、装置、电子设备及介质 | |
CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
CN114090794A (zh) | 基于人工智能的事理图谱构建方法及相关设备 | |
CN113408278B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN113064973A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN110298328B (zh) | 测试数据形成方法、测试数据形成装置、电子设备和介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN113536770A (zh) | 基于人工智能的文本解析方法、装置、设备及存储介质 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN113420143B (zh) | 文书摘要生成方法、装置、设备及存储介质 | |
CN113269179B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113326365B (zh) | 回复语句生成方法、装置、设备及存储介质 | |
CN111933241B (zh) | 医疗数据解析方法、装置、电子设备及存储介质 | |
CN111986762A (zh) | 异常医疗指标确定方法、装置、电子设备及存储介质 | |
CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
CN113420545A (zh) | 摘要生成方法、装置、设备及存储介质 | |
CN113434895B (zh) | 文本解密方法、装置、设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220921 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |