CN112117011A - 基于人工智能的传染病早期风险预警方法、装置 - Google Patents
基于人工智能的传染病早期风险预警方法、装置 Download PDFInfo
- Publication number
- CN112117011A CN112117011A CN202011021577.2A CN202011021577A CN112117011A CN 112117011 A CN112117011 A CN 112117011A CN 202011021577 A CN202011021577 A CN 202011021577A CN 112117011 A CN112117011 A CN 112117011A
- Authority
- CN
- China
- Prior art keywords
- information
- risk
- patient
- early warning
- value
- 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
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 93
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 51
- 238000013058 risk prediction model Methods 0.000 claims abstract description 53
- 238000012502 risk assessment Methods 0.000 claims abstract description 32
- 201000010099 disease Diseases 0.000 claims abstract description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 24
- 238000013139 quantization Methods 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011002 quantification Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 238000012098 association analyses Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 4
- 241000712461 unidentified influenza virus Species 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000011835 investigation Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 208000024891 symptom Diseases 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 206010011224 Cough Diseases 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 206010037660 Pyrexia Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010022000 influenza Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009385 viral infection Effects 0.000 description 2
- 241000423790 Pseudophycis bachus Species 0.000 description 1
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 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
- 230000007480 spreading Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G16H50/80—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于人工智能的传染病早期风险预警方法、装置、计算机设备。方法包括：接收第一用户终端的病例信息并判断是否与预设的传染病病患类型相匹配，若相匹配则发送信息获取请求以获取第一用户终端反馈的详细病患信息，对病例信息及详细病患信息进行量化得到患者量化信息，根据病患风险预测模型获取与病患量化信息对应的病患风险值，并结合区域风险分析模型获取每一区域的风险预警信息。本发明基于智能决策技术，属于人工智能和数字医疗领域，可方便快捷地对流感病毒的早期感染者进行准确区分，并结合区域风险分析模型结合病患风险值快速获取得到区域的风险预警信息，以实现在疫情未大规模爆发时对区域传染病的患病风险进行早期风险预警。
Description
技术领域
本发明涉及人工智能技术领域和数字医疗领域，属于智慧城市中对区域传染病的患病风险进行早期风险预警的应用场景，尤其涉及一种基于人工智能的传染病早期风险预警方法、装置。
背景技术
流感流行时期病毒的传染性较强，出现一个感染者后往往会牵连出众多关联的感染者，在此时病毒扩散至一定规模的情况下再进行流感防控则需要付出巨大代价，患者感染流感病毒早期症状较轻，在不进行核酸检测时往往被归类至发烧或轻微感冒，因此难以从众多就诊者中对流感病毒的早期感染者进行准确区分，若在流感病毒还未扩散时及时发现早期感染者并迅速采取针对性的防控措施，则可控制流感病毒的扩散规模并大幅较少防控压力。
现有技术中可通过引入包含红码、黄码、绿码的健康码对个人的病毒感染风险进行评估，然而采用上述方式所生成的健康码仅能对病毒感染风险进行一个大概的预测，且仅能适用于疫情爆发后的防控阶段，而无法在防控阶段之前对流感病毒的早期感染者进行准确区分，也即无法对区域传染病的患病风险进行早期预警。因而，现有技术方法中存在无法对流感病毒的早期感染者进行准确区分以进行早期风险预警的问题。
发明内容
本发明实施例提供了一种基于人工智能的传染病早期风险预警方法、装置、计算机设备及存储介质，旨在解决现有技术方法中所存在的无法对流感病毒的早期感染者进行准确区分以进行早期风险预警的问题。
第一方面，本发明实施例提供了一种基于人工智能的传染病早期风险预警方法，其包括：
接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配；
若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息；
根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息；
根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值；
根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。
第二方面，本发明实施例提供了一种基于人工智能的传染病早期风险预警装置，其包括：
病例信息判断单元，用于接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配；
信息获取请求发送单元，用于若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息；
患者量化信息获取单元，用于根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息；
病患风险值获取单元，用于根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值；
区域风险预警信息获取单元，用于根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于人工智能的传染病早期风险预警方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于人工智能的传染病早期风险预警方法。
本发明实施例提供了一种基于人工智能的传染病早期风险预警方法、装置、计算机设备及存储介质。接收第一用户终端的病例信息并判断是否与预设的传染病病患类型相匹配，若相匹配则发送信息获取请求以获取第一用户终端反馈的详细病患信息，对病例信息及详细病患信息进行量化得到患者量化信息，根据病患风险预测模型获取与病患量化信息对应的病患风险值，并结合区域风险分析模型获取每一区域的风险预警信息。通过上述方法，可方便快捷地对流感病毒的早期感染者进行准确区分，并结合区域风险分析模型结合病患风险值快速获取得到区域的风险预警信息，以实现在疫情未大规模爆发时对区域传染病的患病风险进行早期风险预警。
附图说明
为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的基于人工智能的传染病早期风险预警方法的流程示意图；
图2为本发明实施例提供的基于人工智能的传染病早期风险预警方法的应用场景示意图；
图3为本发明实施例提供的基于人工智能的传染病早期风险预警方法的子流程示意图；
图4为本发明实施例提供的基于人工智能的传染病早期风险预警方法的另一流程示意图；
图5为本发明实施例提供的基于人工智能的传染病早期风险预警方法的另一子流程示意图；
图6为本发明实施例提供的基于人工智能的传染病早期风险预警方法的另一子流程示意图；
图7为本发明实施例提供的基于人工智能的传染病早期风险预警方法的另一子流程示意图；
图8为本发明实施例提供的基于人工智能的传染病早期风险预警方法的另一子流程示意图；
图9为本发明实施例提供的基于人工智能的传染病早期风险预警装置的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1及图2，图1是本发明实施例提供的基于人工智能的传染病早期风险预警方法的流程示意图，图2为本发明实施例提供的基于人工智能的传染病早期风险预警方法的应用场景示意图；该基于人工智能的传染病早期风险预警方法应用于管理服务器10中，该方法通过安装于管理服务器10中的应用软件进行执行，管理服务器10与至少一台第一用户终端20通过网络连接实现数据信息的传输，管理服务器10即是用于执行基于人工智能的传染病早期风险预警方法以对区域传染病的患病风险进行早期风险预警的服务器端，第一用户终端20即是与管理服务器10进行网络连接以进行数据信息传输的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等，第一用户终端可以是医院配置的终端设备。图2中仅仅示意出管理服务器10与一台第一用户终端20进行信息传输，在实际应用中，该管理服务器10也可同时与多台第一用户终端20建立通信连接以实现数据信息的传输。如图1所示，该方法包括步骤S110～S150。
S110、接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配。
接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配。管理服务器可接收来自第一用户终端的病例信息，第一用户终端的使用者可以是医院的医师，任何一位患者在医院中进行就诊时，医师会为患者填写病例信息，病例信息即是用于对患者的就诊过程进行记录的信息，病例信息中包括该患者的个人信息及就诊信息，个人信息包括但不限于姓名、身份证号、年龄、联系电话，就诊信息包括病患类型等信息。医师在第一用户终端中为患者填写好病例信息后，可通过第一用户终端将该患者的病例信息发送至管理服务器，则管理服务器接收到来自第一用户终端的病例信息，判断病例信息中的病患类型是否与预设的传染病病患类型相匹配，具体的，预设的传染病病患类型中可包括多种流行病学疾病对应的关键字，例如，传染病病患类型中包含的关键字可以是“肺炎、手足口、流感”。若病例信息的病患类型包含传染病病患类型中任一关键字，则判断得到病例信息与传染病病患类型相匹配；否则判断得到病例信息与传染病病患类型不相匹配。
S120、若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息。
若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息。若判断得到病例信息与预设的传染病病患类型相匹配，管理服务器可发送信息获取请求至第一用户终端，信息获取请求即是用于获取与该病例信息相对应的详细病患信息的请求信息，医师通过第一用户终端接收信息获取请求，并根据信息获取请求填写详细病患信息，则管理服务器可接收到第一用户终端所反馈的详细病患信息。其中，信息获取请求可以是一个调查问卷，详细病患信息可以包括居住地址、工作地址、14天内旅行使、出行方式、既往病史、过敏史、症状描述、症状程度及症状持续时间等与病患相关的具体信息。
S130、根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息。
根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息。信息量化规则即为管理服务器中预先存储的用于对病例信息及详细病患信息进行量化的具体规则，信息量化规则包括病患项目信息、关联项目信息及项目值量化规则，病患项目信息即是对与病患相关的项目进行记录的信息，例如，病患项目信息中所包含的项目可以是既往病史、过敏史、症状描述、症状程度及症状持续时间；关联项目信息即为对其他相关联的项目进行记录的信息，例如，关联项目信息中所包含的项目可以是14天内旅行史、居住地址、办公地址及出行方式。根据病患项目信息及关联项目信息对患者对应的信息进行分类，并根据项目值量化规则对分类得到的病患信息及关联信息进行量化，分别得到对应的病患量化信息及关联量化信息。
在一实施例中，如图3所示，步骤S130包括子步骤S131和S132。
S131、根据所述病患项目信息及所述关联项目信息对所述病例信息及所述详细病患信息进行分类，以得到与所述病患项目信息对应的病患信息及与所述关联项目信息对应的关联信息。
根据所述病患项目信息及所述关联项目信息对所述病例信息及所述详细病患信息进行分类，以得到与所述病患项目信息对应的病患信息及与所述关联项目信息对应的关联信息。具体的，根据病患项目信息中所包含的项目获取病例信息及详细病患信息中对应的项目值，即可得到与病患项目信息对应的病患信息，根据关联项目信息中所包含的项目获取详细病患信息中对应的项目值，即可得到与关联项目信息对应的关联信息。
例如，所得到的某一患者的关联信息如表1所示。
表1
S132、根据所述项目值量化规则对所述病患信息的项目值及所述关联信息的项目值分别进行量化以得到对应的病患量化信息及关联量化信息。
根据所述项目值量化规则对所述病患信息的项目值及所述关联信息的项目值分别进行量化以得到对应的病患量化信息及关联量化信息。为对所得到的病患信息及关联信息中做包含的每一项目值进行量化，需通过项目值量化规则将相应项目值转换为对应的量化值，量化值即可对与每一项目对应的项目值进行量化表示。具体的，项目值量化规则中包括对每一项目值进行转换的规则，所得到的病患量化信息及关联量化信息中每一项目值均对应一个量化值，量化值可采用数字编码的形式进行表示。
具体的，对于病患信息中的任一项目值或关联信息中的任一项目值，项目值量化规则中对应的转换规则为一个包含多个关键字以及与每一关键字相匹配的数字编码的信息表，根据项目值中与每一关键字进行匹配，并获取与项目值相匹配的关键字的数值作为对应的量化值。
例如，症状描述的转换规则中包含多个关键字“无症状”“咳嗽”、“发烧”、“咳嗽且呼吸不畅”、“咳嗽且发烧”、“发烧且呼吸不畅”，该转换规则中与的“咳嗽且呼吸不畅”对应的数字编码为202，则将该数字编码作为与“咳嗽且呼吸不畅”对应的量化值。
S140、根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值。
根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值。根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值。病患风险预测模型即为一个可对病患量化信息进行风险预测的神经网络，将病患量化信息输入该病患风险预测模型即可得到一个病患风险值，病患风险值的范围为[0，1]，病患风险值越高则表明该患者罹患传染病的风险越大。其中，病患风险预测模型包括多个输入节点、两个输出节点及全连接隐层，输入节点即是神经网络中用于对某一患者的病患量化信息进行输入的节点，输入节点的具体数值即为输入节点值，则每一输入节点的输出节点值即与病患量化信息中的一个量化值相对应；输出节点的具体数值即为输出节点值，两个输出节点值分别对应病患风险为“是”的概率及病患风险为“否”的概率，将两个输出节点值进行softmax归一化操作得到对应的两个数值，则归一化操作后所得到的两个数值相加即为1；获取病患风险为“是”的概率值进行归一化操作后的数值作为对应的病患风险值，全连接隐层中包含多个特征单元，每一个特征单元均与所有输入节点和所有输出节点进行关联，每一特征单元均对应一个特征单元值，特征单元值即为全连接隐层中的特征单元的计算值，特征单元可用于反映患者的病患量化信息与对应病患风险之间的关联关系，关联关系可通过特征单元与输入节点或输出节点之间的关联公式进行体现，关联公式中包含多个参数，每一参数对应一个参数值。
在一实施例中，如图4所示，步骤S140之前还包括步骤S1410。
S1410、若接收到所述管理服务器的管理员输入的样本数据库，根据所述样本数据库所包含的样本数据及预置的梯度计算公式对所述病患风险预测模型进行训练，以得到训练后的所述病患风险预测模型。
若接收到所输入的样本数据库，根据所述样本数据库所包含的样本数据及预置的梯度计算公式对所述病患风险预测模型进行训练，以得到训练后的所述病患风险预测模型。管理服务器的管理员可输入样本数据库对病患风险预测模型及关联风险预测模型进行训练，管理员可以是用户维护管理服务器的管理人员。在实际使用过程中，对于SARS或新冠肺炎等传染性疾病，每隔一段时间均可获取对患者进行生物检测(抗体检测或核酸检测)所得到的检测信息，检测信息即可明确就诊的患者是否确诊相应传染病，获取到某一个患者的检测信息后，与该患者的病患量化信息进行组合即可作为样本数据库中的一条样本数据，则每一个患者在样本数据库中均对应一条样本数据，每一条样本数据均包含一个患者的检测信息及样本病患量化信息。其中，梯度计算公式即为通过梯度下降方法对模型进行训练时所采用的计算公式。
在一实施例中，如图5所示，步骤S1410包括子步骤S1411、S1412、S1413和S1414。
S1411、根据预设检测信息量化规则对每条所述样本数据中的检测信息进行量化得到检测量化信息。
根据预设检测信息量化规则对每条所述样本数据中的检测信息进行量化得到检测量化信息。具体的，每一条样本数据中均包含对应的检测信息，可根据检测信息量化规则对样本数据中的检测信息进行量化，具体的，若样本数据的检测信息为“阳性”，则对应的量化值为“1”；若样本数据的检测信息为“阴性”，则对应的量化值为“0”，对样本数据的检测信息进行量化后即可得到检测量化信息。
S1412、根据所述病患风险预测模型获取与所述样本病患量化信息对应的样本输出节点值。
根据所述病患风险预测模型获取与所述样本病患量化信息对应的样本输出节点值，则样本输出节点值中包含病患风险预测模型两个输出节点分别对应的输出节点值，此过程与上述的获取病患风险值的过程相同，在此不作赘述。
S1413、根据预存的损失函数获取所述检测量化信息与所述样本输出节点值之间的损失值。
根据预存的损失函数获取所述检测量化信息与所述样本输出节点值之间的损失值。具体的，损失值可用于对样本输出节点值与检测量化信息之间的差异进行量化表示，可通过管理服务器中预存的损失函数计算得到损失值。
例如，损失函数可表示为
风险“是”的输出节点值，b为病患风险“否”的输出节点值，f(t)即为所计算得到的损失值。
S1414、根据所述梯度计算公式、所述损失值及所述病患风险预测模型的计算值计算得到所述病患风险预测模型中每一参数的更新值以更新所述参数的参数值。
根据所述梯度计算公式、所述损失值及所述病患风险预测模型的计算值计算得到所述病患风险预测模型中每一参数的更新值以更新所述参数的参数值。具体的，将病患风险预测模型中一个参数对某一样本的病患量化信息进行计算所得到的计算值输入梯度计算公式，并结合上述损失值，即可计算得到与该参数对应的更新值，这一计算过程也即为梯度下降计算。
具体的，梯度计算公式可表示为：
根据一条样本数据对应的损失值即可对病患风险预测模型中所有参数的参数值进行一次更新，也即是完成对病患风险预测模型的一次训练；根据样本数据库中所包含的多条样本数据即可对病患风险预测模型进行多次迭代训练，以使最终得到的病患风险预测模型更加准确。
S150、根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。
根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。管理服务器可作为省一级或国家级，省或国家均对应包含多个区域，则管理服务器可基于当前所得到的患者量化信息及病患风险值对省一级或国家级所包含的多个区域进行分析，得到每一区域对应的风险预警信息，风险预警信息可对当前区域内传染病的病患风险进行精确地预警。当前所得到的患者量化信息的数量与病患风险值的数量相等，且同一患者的一个患者量化信息与该患者的一个病患风险值相匹配。其中，区域风险分析模型包括风险阈值、风险区间信息及关联风险分析模型。
在一实施例中，如图6所示，步骤S150包括子步骤S151、S152和S153。
S151、根据所述患者量化信息所属区域对每一区域包含的患者进行统计得到区域患者统计信息。
根据所述患者量化信息所属区域对每一区域包含的患者进行统计得到区域患者统计信息。具体的，患者量化信息中包含居住地址对应的量化值，居住地址对应的量化值可以是邮编或者类似邮编的数字编码，则可以居住地址的量化值作为每一区域对应的区域标识信息，对区域内包含的患者进行统计得到区域患者统计信息。区域患者统计信息中包含该区域内所有患者，以及与每一患者相关联的患者量化信息及病患风险值。
S152、根据所述风险阈值及每一所述患者的病患风险值对所述区域患者统计信息进行筛选得到区域风险患者信息。
根据所述风险阈值及每一所述患者的病患风险值对所述区域患者统计信息进行筛选得到区域风险患者信息。具体的，可根据风险阈值判断每一区域内的患者是否具有风险，并对每一区域内具有风险的患者进行筛选，得到区域风险患者信息。例如，可设置风险阈值为0.5，则可将病患风险值不小于0.5的患者作为具有风险的患者，并从区域患者统计信息中筛选得到每一区域包含的风险患者，得到区域风险患者信息。
S153、根据所述风险区间信息及所述区域风险患者信息获取与每一所述区间对应的风险预警等级作为对应的风险预警信息。
根据所述风险区间信息及所述区域风险患者信息获取与每一所述区间对应的风险预警等级。具体的，风险区间信息中包含多个风险区间以及每一风险区间对应的风险等级，可根据区域风险患者信息中一个区域的风险患者获取与该区域相匹配的一个风险区间，并将与该区域相匹配的风险区间的风险等级作为相应的风险预警等级。
例如，风险区间信息中包括4个风险区间：“0”-无风险、“1”-低风险、[2,4]-中风险、[5，+∞]-高风险。某一区间的风险患者数量为3，则与该区域相匹配的风险区间为[2,4]，对应的风险预警等级为中风险。
在一实施例中，如图7所示，步骤S150还包括子步骤S154、S155和S156。
S154、判断每一所述区域的风险预警等级是否高于低风险级别；S155、若所述区域的风险预警等级不高于低风险级别，则将所述风险预警等级作为所述区域的风险预警信息；S156、若所述区域的风险预警等级高于低风险级别，则根据所述关联风险分析模型、关联风险阈值及所述区域内患者的患者量化信息进行关联分析以得到关联分析结果，并将所述风险预警等级及所述关联分析结果一并作为所述区域的风险预警信息。
若某一区域的风险区间等级高于低风险，则还需根据关联风险分析模型对该区域内的患者进行关联分析，关联风险分析模型即是用于对两个患者之间是否存在关联进行分析的神经网络，若某一区域内的两个患者之间存在关联，则表明该区域内存在群体感染；否则表明该区域内不存在群体感染。
在一实施例中，如图8所示，步骤S156包括子步骤S1561、S1562和S1563。
S1561、获取所述区域内的任意两个患者的关联量化信息输入所述关联风险分析模型以得到两个所述患者之间的关联风险值；S1562、判断所述两个患者之间的关联风险值是否大于所述关联风险阈值得到所述两个患者是否存在关联的关联判断结果；S1563、获取所述区域内所有患者之间的关联判断结果作为所述区域的关联分析结果。
具体的，获取区域内的任意两个患者，将两个患者的关联量化信息输入关联风险分析模型进行分析即可得到两个患者之间的关联风险值，关联风险值的范围为[0，1]，关联风险值越高则表明两个患者之间的关联度越高，判断关联风险值是否大于0.8，若大于则得到两个患者之间存在关联；否则得到两个患者之间不存在关联。区域内任意两个患者之间存在关联，则得到的关联分析结果为存在群体感染；区域内任意两个患者之间均不存在关联，则得到的关联分析结果为未发现群体感染。其中，关联风险分析模型的具体构成与病患风险预测模型相同，且计算得到关联风险值的过程与计算病患风险值的过程类似，在此不作赘述。
此外，管理服务器10还可以与至少一台第二用户终端通过网络连接实现数据信息的传输，第二用户终端即是与管理服务器10进行网络连接以进行数据信息传输的便携式终端设备，例如笔记本电脑、平板电脑、手机或便携管理设备等，第二用户终端可以是社区工作人员配置的终端设备。
在一实施例中，步骤S150之后还包括步骤：若接收到来自所述第二用户终端的调查信息，根据所述信息量化规则对所述调查信息进行量化以得到对应的调查量化信息，并根据所述病患风险预测模型获取与所述调查量化信息对应的病患风险值。
若接收到来自所述第二用户终端的调查信息，根据所述信息量化规则对所述调查信息进行量化以得到对应的调查量化信息，并根据所述病患风险预测模型获取与所述调查量化信息对应的病患风险值。具体的，若某一区域的风险预警信息为高风险且该区域内社区中存在群体感染，则可通过社区工作人员对该社区内的人员展开调查，则第二用户终端是社区工作人员配置的终端设备，社区工作人员对该社区内的一个人员进行调查、询问即可获取对应的一份调查信息，调查信息可包括上述个人信息、病患类型及详细病患信息。获取到每一人员的调查信息后，可依据上述方法对调查信息逐一进行预测分析，得到每一人员的病患风险值。
本申请中的技术方法可应用于智慧政务/智慧社区/智慧医疗等包含对区域传染病的患病风险进行早期风险预警的应用场景中，从而推动智慧城市的建设。
在本发明实施例所提供的基于人工智能的传染病早期风险预警方法中，接收第一用户终端的病例信息并判断是否与预设的传染病病患类型相匹配，若相匹配则发送信息获取请求以获取第一用户终端反馈的详细病患信息，对病例信息及详细病患信息进行量化得到患者量化信息，根据病患风险预测模型获取与病患量化信息对应的病患风险值，并结合区域风险分析模型获取每一区域的风险预警信息。通过上述方法，可方便快捷地对流感病毒的早期感染者进行准确区分，并结合区域风险分析模型结合病患风险值快速获取得到区域的风险预警信息，以实现在疫情未大规模爆发时对区域传染病的患病风险进行早期风险预警。
本发明实施例还提供一种基于人工智能的传染病早期风险预警装置，该基于人工智能的传染病早期风险预警装置用于执行前述基于人工智能的传染病早期风险预警方法的任一实施例。具体地，请参阅图9，图9是本发明实施例提供的基于人工智能的传染病早期风险预警装置的示意性框图。该基于人工智能的传染病早期风险预警装置可以配置于管理服务器10中。
如图9所示，基于人工智能的传染病早期风险预警装置100包括病例信息判断单元110、信息获取请求发送单元120、患者量化信息获取单元130、病患风险值获取单元140和区域风险预警信息获取单元150。
病例信息判断单元110，用于接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配。
信息获取请求发送单元120，用于若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息。
患者量化信息获取单元130，用于根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息。
在一实施例中，所述患者量化信息获取单元130包括子单元：信息分类单元及信息量化单元。
信息分类单元，用于根据所述病患项目信息及所述关联项目信息对所述病例信息及所述详细病患信息进行分类，以得到与所述病患项目信息对应的病患信息及与所述关联项目信息对应的关联信息；信息量化单元，用于根据所述项目值量化规则对所述病患信息的项目值及所述关联信息的项目值分别进行量化以得到对应的病患量化信息及关联量化信息。
病患风险值获取单元140，用于根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值。
在一实施例中，所述基于人工智能的传染病早期风险预警装置100还包括子单元：病患风险预测模型训练单元。
病患风险预测模型训练单元，用于若接收到所述管理服务器的管理员输入的样本数据库，根据所述样本数据库所包含的样本数据及预置的梯度计算公式对所述病患风险预测模型进行训练，以得到训练后的所述病患风险预测模型。
在一实施例中，所述病患风险预测模型训练单元包括子单元：检测量化信息获取单元、样本输出节点值获取单元、损失值计算单元和参数值更新单元。
检测量化信息获取单元，用于根据预设检测信息量化规则对每条所述样本数据中的检测信息进行量化得到检测量化信息；样本输出节点值获取单元，用于根据所述病患风险预测模型获取与所述样本病患量化信息对应的样本输出节点值；损失值计算单元，用于根据预存的损失函数获取所述检测量化信息与所述样本输出节点值之间的损失值；参数值更新单元，用于根据所述梯度计算公式、所述损失值及所述病患风险预测模型的计算值计算得到所述病患风险预测模型中每一参数的更新值以更新所述参数的参数值。
区域风险预警信息获取单元150，用于根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。
在一实施例中，所述区域风险预警信息获取单元150包括子单元：区域患者统计信息获取单元、区域风险患者信息获取单元和风险预警等级获取单元。
区域患者统计信息获取单元，用于根据所述患者量化信息所属区域对每一区域包含的患者进行统计得到区域患者统计信息；区域风险患者信息获取单元，用于根据所述风险阈值及每一所述患者的病患风险值对所述区域患者统计信息进行筛选得到区域风险患者信息；风险预警等级获取单元，用于根据所述风险区间信息及所述区域风险患者信息获取与每一所述区间对应的风险预警等级作为对应的风险预警信息。
在一实施例中，所述区域风险预警信息获取单元150还包括子单元：风险预警等级判断单元、风险预警信息确定单元及关联分析单元。
风险预警等级判断单元，用于判断每一所述区域的风险预警等级是否高于低风险级别；风险预警信息确定单元，用于若所述区域的风险预警等级不高于低风险级别，则将所述风险预警等级作为所述区域的风险预警信息；关联分析单元，用于若所述区域的风险预警等级高于低风险级别，则根据所述关联风险分析模型、关联风险阈值及所述区域内患者的患者量化信息进行关联分析以得到关联分析结果，并将所述风险预警等级及所述关联分析结果一并作为所述区域的风险预警信息。
在一实施例中，所述关联分析单元包括子单元：关联风险值获取单元、关联风险值判断单元和关联分析结果获取单元。
关联风险值获取单元，用于获取所述区域内的任意两个患者的关联量化信息输入所述关联风险分析模型以得到两个所述患者之间的关联风险值；关联风险值判断单元，用于判断所述两个患者之间的关联风险值是否大于所述关联风险阈值得到所述两个患者是否存在关联的关联判断结果；关联分析结果获取单元，用于获取所述区域内所有患者之间的关联判断结果作为所述区域的关联分析结果。
在一实施例中，所述基于人工智能的传染病早期风险预警装置还包括子单元：病患风险值获取单元。
病患风险值获取单元，用于若接收到来自所述第二用户终端的调查信息，根据所述信息量化规则对所述调查信息进行量化以得到对应的调查量化信息，并根据所述病患风险预测模型获取与所述调查量化信息对应的病患风险值。
在本发明实施例所提供的基于人工智能的传染病早期风险预警装置应用上述基于人工智能的传染病早期风险预警方法，接收第一用户终端的病例信息并判断是否与预设的传染病病患类型相匹配，若相匹配则发送信息获取请求以获取第一用户终端反馈的详细病患信息对病例信息及详细病患信息进行量化得到患者量化信息，根据病患风险预测模型获取与病患量化信息对应的病患风险值，并结合区域风险分析模型获取每一区域的风险预警信息。通过上述方法，可方便快捷地对流感病毒的早期感染者进行准确区分，并结合区域风险分析模型结合病患风险值快速获取得到区域的风险预警信息，以实现在疫情未大规模爆发时对区域传染病的患病风险进行早期风险预警。
上述基于人工智能的传染病早期风险预警装置可以实现为计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于人工智能的传染病早期风险预警方法以对区域传染病的患病风险进行早期风险预警的管理服务器10。
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人工智能的传染病早期风险预警方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人工智能的传染病早期风险预警方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于人工智能的传染病早期风险预警方法中对应的功能。
本领域技术人员可以理解，图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图10所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502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、分立硬件组件等。其中，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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的基于人工智能的传染病早期风险预警方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、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，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的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存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的传染病早期风险预警方法，应用于管理服务器中，所述管理服务器与至少一台第一用户终端通过网络连接，其特征在于，所述方法包括：
接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配；
若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息；
根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息；
根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值；
根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。
2.根据权利要求1所述的基于人工智能的传染病早期风险预警方法，其特征在于，所述信息量化规则包括病患项目信息、关联项目信息及项目值量化规则，所述根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息，包括：
根据所述病患项目信息及所述关联项目信息对所述病例信息及所述详细病患信息进行分类，以得到与所述病患项目信息对应的病患信息及与所述关联项目信息对应的关联信息；
根据所述项目值量化规则对所述病患信息的项目值及所述关联信息的项目值分别进行量化以得到对应的病患量化信息及关联量化信息。
3.根据权利要求1所述的基于人工智能的传染病早期风险预警方法，其特征在于，所述根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值之前，所述方法还包括：
若接收到所述管理服务器的管理员输入的样本数据库，根据所述样本数据库所包含的样本数据及预置的梯度计算公式对所述病患风险预测模型进行训练，以得到训练后的所述病患风险预测模型。
4.根据权利要求3所述的基于人工智能的传染病早期风险预警方法，其特征在于，所述根据所述样本数据库所包含的样本数据及预置的梯度计算公式对所述病患风险预测模型进行训练，以得到训练后的所述病患风险预测模型，包括：
根据预设检测信息量化规则对每条所述样本数据中的检测信息进行量化得到检测量化信息；
根据所述病患风险预测模型获取与所述样本病患量化信息对应的样本输出节点值；
根据预存的损失函数获取所述检测量化信息与所述样本输出节点值之间的损失值；
根据所述梯度计算公式、所述损失值及所述病患风险预测模型的计算值计算得到所述病患风险预测模型中每一参数的更新值以更新所述参数的参数值。
5.根据权利要求1所述的基于人工智能的传染病早期风险预警方法，其特征在于，所述区域风险分析模型包括风险阈值及风险区间信息，所述根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息，包括：
根据所述患者量化信息所属区域对每一区域包含的患者进行统计得到区域患者统计信息；
根据所述风险阈值及每一所述患者的病患风险值对所述区域患者统计信息进行筛选得到区域风险患者信息；
根据所述风险区间信息及所述区域风险患者信息获取与每一所述区间对应的风险预警等级作为对应的风险预警信息。
6.根据权利要求5所述的基于人工智能的传染病早期风险预警方法，其特征在于，所述区域风险分析模型还包括关联风险分析模型，所述根据所述风险区间信息及所述区域风险患者信息获取与每一所述区间对应的风险预警等级作为对应的风险预警信息之后，所述方法还包括：
判断每一所述区域的风险预警等级是否高于低风险级别；
若所述区域的风险预警等级不高于低风险级别，则将所述风险预警等级作为所述区域的风险预警信息；
若所述区域的风险预警等级高于低风险级别，则根据所述关联风险分析模型、关联风险阈值及所述区域内患者的患者量化信息进行关联分析以得到关联分析结果，并将所述风险预警等级及所述关联分析结果一并作为所述区域的风险预警信息。
7.根据权利要求6所述的基于人工智能的传染病早期风险预警方法，其特征在于，所述根据所述关联风险分析模型、关联风险阈值及所述区域内患者的患者量化信息进行关联分析以得到关联分析结果包括：
获取所述区域内的任意两个患者的关联量化信息输入所述关联风险分析模型以得到两个所述患者之间的关联风险值；
判断所述两个患者之间的关联风险值是否大于所述关联风险阈值得到所述两个患者是否存在关联的关联判断结果；
获取所述区域内所有患者之间的关联判断结果作为所述区域的关联分析结果。
8.一种基于人工智能的传染病早期风险预警装置，其特征在于，包括：
病例信息判断单元，用于接收来自所述第一用户终端的病例信息，判断所述病例信息是否与预设的传染病病患类型相匹配；
信息获取请求发送单元，用于若所述病例信息与所述预设的传染病病患类型相匹配，则发送信息获取请求至所述第一用户终端以获取所述第一用户终端反馈的详细病患信息；
患者量化信息获取单元，用于根据预置的信息量化规则对所述病例信息及所述详细病患信息进行量化以得到对应的患者量化信息；
病患风险值获取单元，用于根据预置的病患风险预测模型获取与所述病患量化信息对应的病患风险值；
区域风险预警信息获取单元，用于根据预置的区域风险分析模型，对所有所述患者量化信息及对应的所述病患风险值进行分析，得到每一区域的风险预警信息。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于人工智能的传染病早期风险预警方法。
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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于人工智能的传染病早期风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011021577.2A CN112117011A (zh) | 2020-09-25 | 2020-09-25 | 基于人工智能的传染病早期风险预警方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011021577.2A CN112117011A (zh) | 2020-09-25 | 2020-09-25 | 基于人工智能的传染病早期风险预警方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112117011A true CN112117011A (zh) | 2020-12-22 |
Family
ID=73796773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011021577.2A Pending CN112117011A (zh) | 2020-09-25 | 2020-09-25 | 基于人工智能的传染病早期风险预警方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112117011A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112669970A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于大数据深度学习的传染病时空预测方法和机器人 |
| CN112786205A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云（北京）技术有限公司 | 基于数据模型的症候群预警方法、装置、介质及设备 |
| CN112863685A (zh) * | 2020-12-30 | 2021-05-28 | 华南师范大学 | 基于大数据人工智能的传染病应对方法和机器人 |
| CN112863686A (zh) * | 2020-12-30 | 2021-05-28 | 华南师范大学 | 基于多源大数据的传染病协同监测方法和机器人 |
| CN112908491A (zh) * | 2021-01-12 | 2021-06-04 | 刘清萍 | 不明原因疾病和异常健康事件早期监测预警方法及装置 |
| CN113130085A (zh) * | 2021-03-25 | 2021-07-16 | 边缘智能研究院南京有限公司 | 一种基于大数据的5g智能感控预测系统 |
| CN113299401A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技（深圳）有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
| CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
| CN113724891A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 医院疫情监测方法、装置及相关设备 |
| CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303041A (zh) * | 2015-10-20 | 2016-02-03 | 沈阳国际旅行卫生保健中心 | 一种人体消化系统健康风险预警系统 |
| CN108198629A (zh) * | 2018-03-06 | 2018-06-22 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
| CN110265145A (zh) * | 2019-05-21 | 2019-09-20 | 何泽仪 | 一种个人健康风险评估方法、装置、电子设备及存储介质 |
| AU2020101336A4 (en) * | 2020-07-12 | 2020-08-20 | D, Saisanthiya Mrs | An efficient machine learning technique to track the covid patients along with secondary contacts |
-
2020
- 2020-09-25 CN CN202011021577.2A patent/CN112117011A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303041A (zh) * | 2015-10-20 | 2016-02-03 | 沈阳国际旅行卫生保健中心 | 一种人体消化系统健康风险预警系统 |
| CN108198629A (zh) * | 2018-03-06 | 2018-06-22 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
| CN110265145A (zh) * | 2019-05-21 | 2019-09-20 | 何泽仪 | 一种个人健康风险评估方法、装置、电子设备及存储介质 |
| AU2020101336A4 (en) * | 2020-07-12 | 2020-08-20 | D, Saisanthiya Mrs | An efficient machine learning technique to track the covid patients along with secondary contacts |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112863685B (zh) * | 2020-12-30 | 2023-07-21 | 华南师范大学 | 基于大数据人工智能的传染病应对方法和机器人 |
| CN112669970A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于大数据深度学习的传染病时空预测方法和机器人 |
| CN112863685A (zh) * | 2020-12-30 | 2021-05-28 | 华南师范大学 | 基于大数据人工智能的传染病应对方法和机器人 |
| CN112863686A (zh) * | 2020-12-30 | 2021-05-28 | 华南师范大学 | 基于多源大数据的传染病协同监测方法和机器人 |
| CN112786205A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云（北京）技术有限公司 | 基于数据模型的症候群预警方法、装置、介质及设备 |
| CN112908491A (zh) * | 2021-01-12 | 2021-06-04 | 刘清萍 | 不明原因疾病和异常健康事件早期监测预警方法及装置 |
| CN113130085A (zh) * | 2021-03-25 | 2021-07-16 | 边缘智能研究院南京有限公司 | 一种基于大数据的5g智能感控预测系统 |
| CN113299401A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技（深圳）有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
| CN113724891A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 医院疫情监测方法、装置及相关设备 |
| CN113707338A (zh) * | 2021-10-28 | 2021-11-26 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
| CN113707338B (zh) * | 2021-10-28 | 2022-08-30 | 南方科技大学 | 景区疫情风险预测与限流方法、装置、设备和存储介质 |
| CN115798734A (zh) * | 2023-01-09 | 2023-03-14 | 杭州杏林信息科技有限公司 | 基于大数据的新发突发传染病防控方法、装置及储存介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112117011A (zh) | 基于人工智能的传染病早期风险预警方法、装置 | |
| US7809660B2 (en) | System and method to optimize control cohorts using clustering algorithms | |
| CN112786205B (zh) | 基于数据模型的症候群预警方法、装置、介质及设备 | |
| US10332638B2 (en) | Methods and systems for pre-symptomatic detection of exposure to an agent | |
| EP3480721A1 (en) | Method and apparatus for de-identification of personal information | |
| CN111968746A (zh) | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 | |
| Lake et al. | Machine learning to refine decision making within a syndromic surveillance service | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| CN115168669A (zh) | 传染病筛查方法、装置、终端设备及介质 | |
| US20210174968A1 (en) | Visualization of Social Determinants of Health | |
| Upadhyaya et al. | Comparison of NN and LR classifiers in the context of screening native American elders with diabetes | |
| Nguyen et al. | Developing machine learning models to personalize care levels among emergency room patients for hospital admission | |
| Chen et al. | Patient stratification using electronic health records from a chronic disease management program | |
| Qudsi et al. | Predictive data mining of chronic diseases using decision tree: a case study of health insurance company in Indonesia | |
| CN114927230A (zh) | 基于机器学习的重症心衰患者预后决策支持系统及方法 | |
| CN111833997B (zh) | 基于风险预测的就诊分配方法、装置、计算机设备 | |
| US20230377750A1 (en) | Classifier Apparatus With Decision Support Tool | |
| Clark et al. | Insilicova: A method to automate cause of death assignment for verbal autopsy | |
| Zaman et al. | A review on the significance of body temperature interpretation for early infectious disease diagnosis | |
| Wolfe et al. | Models developed by three techniques did not achieve acceptable prediction of binary trauma outcomes | |
| CN113782212A (zh) | 一种数据处理系统 | |
| JP2022086803A (ja) | 要因推定方法、予測方法、属性値推定方法、要因推定装置、予測装置、属性値推定装置およびプログラム | |
| CN113257429A (zh) | 一种基于关联规则认知发热疾病的系统、设备、存储介质 | |
| Epstein et al. | A bivariate parametric model for survival and intermediate event times | |
| Mahajan et al. | Developing the total health profile, a generalizable unified set of multimorbidity risk scores derived from machine learning for broad patient populations: retrospective cohort study |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221008 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. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201222 |