CN112164454A - 一种分诊预测的方法、装置及电子设备 - Google Patents

一种分诊预测的方法、装置及电子设备 Download PDF

Info

Publication number
CN112164454A
CN112164454A CN202011078621.3A CN202011078621A CN112164454A CN 112164454 A CN112164454 A CN 112164454A CN 202011078621 A CN202011078621 A CN 202011078621A CN 112164454 A CN112164454 A CN 112164454A
Authority
CN
China
Prior art keywords
data
historical
triage
clinic
field
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
Application number
CN202011078621.3A
Other languages
English (en)
Inventor
莫国龙
赵永杰
白永申
才洪波
安超
张兴厅
田飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lianren Healthcare Big Data Technology Co Ltd
Original Assignee
Lianren Healthcare Big Data Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lianren Healthcare Big Data Technology Co Ltd filed Critical Lianren Healthcare Big Data Technology Co Ltd
Priority to CN202011078621.3A priority Critical patent/CN112164454A/zh
Publication of CN112164454A publication Critical patent/CN112164454A/zh
Pending legal-status Critical Current

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种分诊预测的方法、装置及电子设备，其中，该方法包括：获取历史的多个就诊数据以及相应的分诊结果，就诊数据包括数值型的检测数据和数值型的基本数据；对历史的就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据历史特征和分诊结果对预设的分类模型进行训练，生成分诊预测模型；获取当前的就诊数据，并根据当前的就诊数据确定与历史特征格式相同的当前特征；将当前特征输入至分诊预测模型，生成当前的分诊结果。本发明实施例提供的技术方案，就诊数据均为客观的数值型数据，不会受到人为因素影响，数据可靠性较高；训练时不会只考虑就诊数据对应的模糊范围，故能够更加准确地确定分诊结果。

Description

一种分诊预测的方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种分诊预测的方法、装置、电子设备及计算机可读存储介质。
背景技术
分诊是指对来院急诊就诊病人进行快速、重点地收集资料，并将资料进行分析、判断，按轻、重、缓、急安排就诊顺序，同时登记入册(档)，以保证人们在突然疾病或意外时，可以具有更优的就诊顺序，从而在最快时间内得到救治。
目前部分医院没有明确的分诊标准，容易导致分诊护士对病情误判而延误治疗。有些医院虽然也开展分诊工作，但其除了会参考心率、体温等数据之外，还会基于患者当时的反映、面色等数据，即会基于分诊护士的经验以及检测仪器共同生成数据；之后，利用该数据对每项指标进行打分，利用提前制定的静态打分表计算总分值，最后基于该总分值进行分诊判断。
在实现本发明的过程中，发明人发现现有的方案中至少存在如下问题：
现有的分诊方法仍然需要人为判断患者的反映、气色等，易被人为经验干扰。静态打分表将每项指标划分为多个范围，基于患者指标所落入的范围进行打分，例如，SPO2(血氧饱和度)≥95％为2分，90％<SPO2<95％为1份，SPO2≤90％为0分；该打分方式会将精确的指标转换为模糊的指标，进而导致分诊结果不准确；且静态打分表只是基于最后的总分值进行分诊，不能够有效考虑患者当时的情况，导致现有分诊方法可靠性不高，不能准确地进行分诊。
发明内容
为解决现有分诊方法可靠性较差的技术问题，本发明实施例提供一种分诊预测的方法、装置、电子设备及计算机可读存储介质。
第一方面，本发明实施例提供了一种分诊预测的方法，包括：
获取历史的多个就诊数据以及相应的分诊结果，所述就诊数据包括数值型的检测数据和数值型的基本数据，所述检测数据包括血氧饱和度、心率、体温、收缩压、舒张压和神志，所述基本数据包括年龄、性别、就诊日期中的一项或多项；
对历史的所述就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据所述历史特征和所述分诊结果对预设的分类模型进行训练，生成分诊预测模型；
获取当前的就诊数据，并根据当前的所述就诊数据确定与所述历史特征格式相同的当前特征；将所述当前特征输入至所述分诊预测模型，生成当前的分诊结果。
第二方面，本发明实施例还提供了一种分诊预测的装置，包括：
数据获取模块，用于获取历史的多个就诊数据以及相应的分诊结果，所述就诊数据包括数值型的检测数据和数值型的基本数据，所述检测数据包括血氧饱和度、心率、体温、收缩压、舒张压和神志，所述基本数据包括年龄、性别、就诊日期中的一项或多项；
处理模块，用于对历史的所述就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据所述历史特征和所述分诊结果对预设的分类模型进行训练，生成分诊预测模型；
分诊预测模块，用于获取当前的就诊数据，并根据当前的所述就诊数据确定与所述历史特征格式相同的当前特征；将所述当前特征输入至所述分诊预测模型，生成当前的分诊结果。
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的分诊预测的方法中的步骤。
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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的分诊预测的方法中的步骤。
本发明实施例提供的分诊预测的方法、装置、电子设备及计算机可读存储介质，就诊数据均为客观的数值型数据，不会受到人为因素影响，数据可靠性较高；基于该就诊数据对模型进行训练，可以基于就诊数据准确地特征进行训练，不会只考虑就诊数据对应的模糊范围，故能够更加准确地确定分诊结果。同时，通过特征外延和特征筛选，可以将就诊数据原始的基本特征扩展为有效的更多的特征，能够进一步提高模型的精度，从而可以提高分诊准确率。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种分诊预测的方法的流程图；
图2示出了本发明实施例所提供的一种分诊预测的装置的结构示意图；
图3示出了本发明实施例所提供的一种用于执行分诊预测的方法的电子设备的结构示意图。
具体实施方式
在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频(Radio Frequency，RF)或者以上任意合适的组合。
可以以汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括：局域网(LAN)或广域网(WAN)，可以连接到用户计算机，也可以连接到外部计算机。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种分诊预测的方法的流程图。如图1所示，该方法包括：
步骤101：获取历史的多个就诊数据以及相应的分诊结果，就诊数据包括数值型的检测数据和数值型的基本数据，检测数据包括血氧饱和度、心率、体温、收缩压、舒张压和神志，基本数据包括年龄、性别、就诊日期中的一项或多项。
本发明实施例中，患者在就诊时，会对患者进行检测，从而生成相应的检测数据；同时，还会采集患者的基本数据，如年龄、性别等，再加上就诊时的日期(即就诊日期)，则患者每次就诊时，均可以生成包含检测数据和基本数据的就诊数据，且也可以记录相应的分诊结果；该就诊数据可以存储到医院的数据库中，在需要时可以调用该就诊数据。本实施例中，选用数值型的数据来作为所需的就诊数据。具体地，“数值型的数据”指的是以数值形式表示的数据，或者能够按照一一对应关系转换为数值形式的数据。例如，血氧饱和度、心率、体温等均以数值形式表示，其均为数值型的数据；而神志(清晰、昏迷)、性别(男、女)虽然一般是以文字表示，但其均可以按照一一对应关系将其转换为数值形式；例如，将“男”转换为0，将“女”转换为1；或者通过字典映射将“清晰”转换为123，将“昏迷”转换为321等。
本发明实施例中，就诊数据包含多个字段，每个字段对应设有相应的数值型数据。具体地，检测数据包含六个字段，即血氧饱和度、心率、体温、收缩压、舒张压、神志，每个字段对应的数据均为数值型的数据；基本数据可以对应三个字段，如年龄、性别、就诊日期，每个字段对应的数据也均为数值型的数据。本实施例中，历史的就诊数据为之前生成的就诊数据，基于该历史的就诊数据进行模型训练，以生成分诊预测模型，进而之后需要对患者进行分诊时，基于该分诊预测模型即可实现分诊。
步骤102：对历史的就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据历史特征和分诊结果对预设的分类模型进行训练，生成分诊预测模型。
本发明实施例中，由于该就诊数据均为数值型的数据，可以准确地提取出每个字段数据的特征；同时，基于特征外延和特征筛选处理，可以提取出对分诊结果影响较大的特征，即历史特征。由于就诊数据包含的字段较少，一般只能从每个字段的数据中提取出一个特征，导致提取出的特征较少；本实施例中，首先通过特征外延处理，对就诊数据的特征进行扩展，之后再通过特征筛选处理，去掉扩展后无效的特征，以保证最终确定的特征都可以影响最后的分诊结果，该最终确定的所有特征即可作为就诊数据的历史特征。
在确定就诊数据的历史特征之后，将该历史特征作为分类模型的输入，将分诊结果作为分类模型的输出，即可对该分类模型进行训练，确定分类模型的参数，从而可以确定相应的分诊预测模型。其中，该分诊结果预先设有多种，例如，可以设为四种：急危症、急重症、亚紧急、非紧急。该分类模型可以为传统的基本模型架构，如xgboost、lightgbm等。
步骤103：获取当前的就诊数据，并根据当前的就诊数据确定与历史特征格式相同的当前特征；将当前特征输入至分诊预测模型，生成当前的分诊结果。
本发明实施例中，若当前有患者需要就诊，则可采集该患者当前的就诊数据；其中，当前的就诊数据与历史的就诊数据相似，二者均为一种就诊数据，即当前的就诊数据也包括数值型的检测数据和数值型的基本数据，其具体可通过对当前患者进行检查等采集得到。在采集得到当前的就诊数据之后，即可提取出当前的该就诊数据的特征。
本实施例中，由于历史的就诊数据通过特征外延和特征筛选来提取出的历史特征，为保证前后一致性，基于相同的特征提取方式来提取出当前的就诊数据的特征，即当前特征，使得该当前特征与历史特征的格式相同。具体地，可以基于相同的特征外延方式对当前的就诊数据的特征进行扩展，之后剔除上述对历史的就诊数据进行特征筛选时所删除的特征，进而可以得到与历史特征格式相同的当前特征。在确定当前特征之后，即可将该当前特征输入至训练好的分诊预测模型进行分诊预测，以确定当前患者的分诊结果。
本发明实施例提供的一种分诊预测的方法，就诊数据均为客观的数值型数据，不会受到人为因素影响，数据可靠性较高；基于该就诊数据对模型进行训练，可以基于就诊数据准确地特征进行训练，不会只考虑就诊数据对应的模糊范围，故能够更加准确地确定分诊结果。同时，通过特征外延和特征筛选，可以将就诊数据原始的基本特征扩展为有效的更多的特征，能够进一步提高模型的精度，从而可以提高分诊准确率。
在上述实施例的基础上，上述步骤101“获取历史的多个就诊数据”包括：
步骤A1：根据数据库中每条数据的虚拟标识和身份证标识进行统一处理，统一具有相同虚拟标识的数据的身份证标识，或者统一具有相同身份证标识的数据的虚拟标识。
本发明实施例中，患者在就诊时，可以提供身份证，从而为该患者的就诊数据匹配相应的身份证标识。虚拟标识为患者不方便提供身份证时为患者分配的唯一标识；例如，当患者忘带身份证时，可以为患者分配虚拟标识，该虚拟标识可以随机生成，也可以是患者容易记忆的字符串或数字，如患者的手机号码等。因此，具有相同虚拟标识或相同身份证标识的数据，均属于同一患者。本实施例中，统一具有相同虚拟标识的数据的身份证标识，或者统一具有相同身份证标识的数据的虚拟标识；即，若多条数据的虚拟标识相同，则需要统一这些条数据的身份证标识；同样的，若多条数据的身份证标识相同，则需要统一这些条数据的虚拟标识，以避免一个患者多个虚拟标识、或身份证标识错误的情况。
步骤A2：从每个虚拟标识或身份证标识对应的数据中选取出不超过预设数量的数据作为历史的就诊数据。
本实施例中，每个虚拟标识或身份证标识对应一个患者，从每个患者的数据中选取出不超过预设数量的数据来作为历史的就诊数据，以避免采集到某个患者大量的就诊数据，导致数据多样性较差。其中，该预设数量为预先设置的数值，例如1、2等，具体可基于实际情况而定。
可选地，在从数据库中获取到历史的就诊数据之后，由于可能存在数据缺失等情况，还需要对其进行预处理。本实施例中，在步骤102“对历史的就诊数据依次进行特征外延”之前进行预处理，该预处理的过程包括：
步骤B1：确定历史的就诊数据的每个字段的数据缺失率，在数据缺失率大于预设缺失率阈值时，删除相应的字段。
本发明实施例中，就诊数据包含血氧饱和度、心率、体温、年龄等字段，通过对每个字段的所有数据进行统计即可确定相应字段的数据缺失率。例如，历史的就诊数据供100条，若某个字段对应的数据中，有15项数据缺失，即其中的15条就诊数据不包含该字段的数据，则该字段的数据缺失率为15/100＝15％。若某字段的数据缺失率较大，即大于预设缺失率阈值，则说明该字段数据缺失较严重，需要删除该字段对应的数据，即在后续训练模型时不使用该字段的数据。其中该预设缺失率阈值可以为15％～20％，具体可根据需求选择。
步骤B2：在历史的就诊数据存在数据缺失的有效字段时，若有效字段为分类型字段，则根据有效字段的众数对历史的就诊数据的有效字段进行数据填充；若有效字段为连续型字段，则基于随机插补法对历史的就诊数据的有效字段进行数据填充；其中，有效字段为数据缺失率不大于预设缺失率阈值的字段。
本发明实施例中，若某个字段的数据缺失率不大于预设缺失率阈值，则将该字段作为有效字段。此外，若某些就诊数据的有效字段也存在数据缺失现象，可以对其进行数据填充。本实施例中，将数值型的字段分为分类型字段和连续型字段，其中，分类型字段指的是其数据按照种类划分的，且其种类是有限的，如神志、性别；连续型字段指的是其数据理论上是连续的，具有无穷多个数值，但由于实际采集数据时会设置精度，故该连续型字段的数据实际上并不完全连续，该连续型字段具体可以是饱和度、心率、体温、收缩压、舒张压。此外，对于年龄和就诊日期，可以将其作为分类型字段，也可以作为连续型字段，具体可基于实际情况而定；例如，将年龄作为分类型字段，将就诊日期作为连续型字段。
本实施例中，若该有效字段为分类型字段，则可以确定该有效字段的众数，并将确实的数据填充为该众数。若该有效字段为连续型字段，则可以基于随机插补法对有效字段进行数据填充；其中，需要在合理的范围内随机插补。例如，若需要对体温进行数据填充，由于一般体温有个合理范围，如36～37℃，故需要在该合理范围内进行随机插补。
步骤B3：在历史的就诊数据中存在离群值时，将离群值作为缺失数据进行数据填充，或者将离群值修改为离群值对应的正常范围的限值。
本发明实施例中，若某些字段的数据超出了合理范围，则该数据即为离群值；例如，设年龄的上限为150岁，若某条就诊数据的年龄字段对应的数值为160岁或-10岁，该数值均是不合理的，其即为离群值。具体可通过专家经验或箱形图方法来确定是否存在离群值。若某个数值为离群值，则可将该离群值作为缺失的数据，从而可以基于上述步骤B2的数据填充方式进行填充。或者，也可将该离群值约束在合理的正常范围内，并将其修改为正常范围的限值(即上限值或下限值)；例如将160岁修改为150岁，将-10岁修改为1岁。本实施例中，通过数据填充和离群值修正，可以保证用来训练模型的就诊数据的完整性和合理性，从而能够更优地训练模型。
可选地，该预处理过程还可以包括：
步骤B4：在就诊数据的字段所对应数据可分割时，将可分割数据对应的字段作为目标字段，并将目标字段对应的数据进行分割，生成与分割后的数据相对应的新的字段，并删除目标字段。
本发明实施例中，就诊数据的某些字段的数据是可分割的，尤其是就诊日期这一字段，其数据中包含年月日等多项内容，故可以将其分割为年、月、日等多个字段，并确定每个字段对应的数据；同时，由于分割后的字段已经包含了原始字段(即目标字段)的全部信息，此时可以删除该目标字段。可选地，对于数值型的字段，可以按照计数单位对数值进行分割；例如，年龄字段对应的数值为28岁，则可以将其分割为个位数值“8”和十位数值“2”或者“20”。本实施例中，通过对字段进行分割，可以对字段的数量进行扩展，有利于后续特征外延的过程，方便生成更多的特征。
在上述实施例的基础上，上述步骤102中的特征外延的过程具体包括步骤C1和/或步骤C2：
步骤C1：将就诊数据的多个字段对应的特征进行结合，形成就诊数据新的特征。
本发明实施例中，就诊数据的每个字段均具有相应的数据(数值)，基于该数据即可提取出每个字段对应的特征，本实施例通过对多个特征进行结合的方式可以形成新的特征。例如，结合收缩压和舒张压，可以生成新的与人体血压相关的特征。由于不同性别的人，体温也稍有差异，可以将体温和性别进行结合，以识别出因性别不同导致体温的差异。
步骤C2：选取就诊数据的一个或多个字段对应的特征作为有效特征，将有效特征所属的范围特征、有效特征所对应的总量特征、或者与有效特征具有唯一映射关系的其他特征作为就诊数据新的特征。
本发明实施例中，可以将就诊数据的一个或多个特征扩展为其所属的范围特征，并将该范围特征作为一个新的特征。例如，将体温对应的特征作为有效特征，基于体温的数值大小将其分类，如37～38℃为低烧、38～39℃为中烧、大于39℃为高烧。或者，可以将有效特征所对应的总量特征作为新的特征。例如，不同月份的就诊数量会有起伏，如因冬季流感导致12月份等患者较多，相应的就诊数量也更多，此时可以将就诊日期的特征作为有效特征，并统计所在月份的总就诊数量，将该总就诊数量对应的特征作为新的特征。或者，在确定该有效特征之后，可以将其唯一映射为另一个特征；例如，对于就诊日期，基于进一步的逻辑判断可以确定该就诊日期是星期几，或者是否为节假日等。
可选地，上述步骤102中的特征筛选的过程包括：
步骤D1：分别确定就诊数据的每个特征对分诊结果的影响权重，剔除影响权重小于预设阈值的特征。
本发明实施例中，在对特征进行扩展之后，可能生成无用的特征，此时可以通过判断每个特征对分诊结果的影响权重，影响权重越小，则相应的特征对确定分诊结果的作用越小；本实施例中删除影响权重小于预设阈值的特征，以保证最终所选用的历史特征均具有较高的有效性。其中，该预设阈值可以为某个数值，如0.1等；也可以是一个由分位数所确定的阈值，如需要剔除10％的历史就诊数据，且10％处对应的影响权重为0.2，则将0.2作为预设阈值。
本发明实施例提供的一种分诊预测的方法，就诊数据均为客观的数值型数据，不会受到人为因素影响，数据可靠性较高；基于该就诊数据对模型进行训练，可以基于就诊数据准确地特征进行训练，不会只考虑就诊数据对应的模糊范围，故能够更加准确地确定分诊结果。同时，通过特征外延和特征筛选，可以将就诊数据原始的基本特征扩展为有效的更多的特征，能够进一步提高模型的精度，从而可以提高分诊准确率。通过对就诊数据进行预处理，可以保证用来训练模型的就诊数据的完整性和合理性，从而能够更优地训练模型。
上文详细描述了本发明实施例提供的分诊预测的方法，该方法也可以通过相应的装置实现，下面详细描述本发明实施例提供的分诊预测的装置。
图2示出了本发明实施例所提供的一种分诊预测的装置的结构示意图。如图2所示，该分诊预测的装置包括：
数据获取模块21，用于获取历史的多个就诊数据以及相应的分诊结果，所述就诊数据包括数值型的检测数据和数值型的基本数据，所述检测数据包括血氧饱和度、心率、体温、收缩压、舒张压和神志，所述基本数据包括年龄、性别、就诊日期中的一项或多项；
处理模块22，用于对历史的所述就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据所述历史特征和所述分诊结果对预设的分类模型进行训练，生成分诊预测模型；
分诊预测模块23，用于获取当前的就诊数据，并根据当前的所述就诊数据确定与所述历史特征格式相同的当前特征；将所述当前特征输入至所述分诊预测模型，生成当前的分诊结果。
在上述实施例的基础上，所述数据获取模块21获取历史的多个就诊数据包括：
根据数据库中每条数据的虚拟标识和身份证标识进行统一处理，统一具有相同虚拟标识的数据的身份证标识，或者统一具有相同身份证标识的数据的虚拟标识；
从每个所述虚拟标识或所述身份证标识对应的数据中选取出不超过预设数量的数据作为历史的就诊数据。
在上述实施例的基础上，该装置还包括预处理模块；
在所述处理模块22对历史的所述就诊数据依次进行特征外延之前，所述预处理模块用于：
确定历史的所述就诊数据的每个字段的数据缺失率，在所述数据缺失率大于预设缺失率阈值时，删除相应的字段；
在历史的所述就诊数据存在数据缺失的有效字段时，若所述有效字段为分类型字段，则根据所述有效字段的众数对历史的所述就诊数据的有效字段进行数据填充；若所述有效字段为连续型字段，则基于随机插补法对历史的所述就诊数据的有效字段进行数据填充；其中，所述有效字段为数据缺失率不大于预设缺失率阈值的字段；
在历史的所述就诊数据中存在离群值时，将所述离群值作为缺失数据进行数据填充，或者将所述离群值修改为所述离群值对应的正常范围的限值。
在上述实施例的基础上，该装置还包括分割模块；
在所述处理模块22对历史的所述就诊数据依次进行特征外延之前，所述分割模块用于：
在所述就诊数据的字段所对应数据可分割时，将可分割数据对应的字段作为目标字段，并将所述目标字段对应的数据进行分割，生成与分割后的数据相对应的新的字段，并删除所述目标字段。
在上述实施例的基础上，所述特征外延的过程包括：
将所述就诊数据的多个字段对应的特征进行结合，形成所述就诊数据新的特征；
和/或，选取所述就诊数据的一个或多个字段对应的特征作为有效特征，将所述有效特征所属的范围特征、所述有效特征所对应的总量特征、或者与所述有效特征具有唯一映射关系的其他特征作为所述就诊数据新的特征。
在上述实施例的基础上，所述特征筛选的过程包括：
分别确定所述就诊数据的每个特征对分诊结果的影响权重，剔除影响权重小于预设阈值的特征。
本发明实施例提供的一种分诊预测的装置，就诊数据均为客观的数值型数据，不会受到人为因素影响，数据可靠性较高；基于该就诊数据对模型进行训练，可以基于就诊数据准确地特征进行训练，不会只考虑就诊数据对应的模糊范围，故能够更加准确地确定分诊结果。同时，通过特征外延和特征筛选，可以将就诊数据原始的基本特征扩展为有效的更多的特征，能够进一步提高模型的精度，从而可以提高分诊准确率。通过对就诊数据进行预处理，可以保证用来训练模型的就诊数据的完整性和合理性，从而能够更优地训练模型。
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述分诊预测的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
具体的，参见图3所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述分诊预测的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(Peripheral Component Interconnect，PCI)总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、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(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列(Programmable Logic Array，PLA)、微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband，eMBB)系统、海量机器类通信(massive Machine Type of Communication，mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications，uRLLC)系统等。
应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存(Flash Memory)。
易失性存储器包括：随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器(Media Player)、浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述分诊预测的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或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、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，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全部单元来解决本发明实施例方案要解决的问题。
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，本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分，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存储介质中，包括若干指令用以使得一台计算机设备(包括：个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例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实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种分诊预测的方法，其特征在于，包括：
获取历史的多个就诊数据以及相应的分诊结果，所述就诊数据包括数值型的检测数据和数值型的基本数据，所述检测数据包括血氧饱和度、心率、体温、收缩压、舒张压和神志，所述基本数据包括年龄、性别、就诊日期中的一项或多项；
对历史的所述就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据所述历史特征和所述分诊结果对预设的分类模型进行训练，生成分诊预测模型；
获取当前的就诊数据，并根据当前的所述就诊数据确定与所述历史特征格式相同的当前特征；将所述当前特征输入至所述分诊预测模型，生成当前的分诊结果。
2.根据权利要求1所述的方法，其特征在于，所述获取历史的多个就诊数据包括：
根据数据库中每条数据的虚拟标识和身份证标识进行统一处理，统一具有相同虚拟标识的数据的身份证标识，或者统一具有相同身份证标识的数据的虚拟标识；
从每个所述虚拟标识或所述身份证标识对应的数据中选取出不超过预设数量的数据作为历史的就诊数据。
3.根据权利要求1所述的方法，其特征在于，在所述对历史的所述就诊数据依次进行特征外延之前，还包括：
确定历史的所述就诊数据的每个字段的数据缺失率，在所述数据缺失率大于预设缺失率阈值时，删除相应的字段；
在历史的所述就诊数据存在数据缺失的有效字段时，若所述有效字段为分类型字段，则根据所述有效字段的众数对历史的所述就诊数据的有效字段进行数据填充；若所述有效字段为连续型字段，则基于随机插补法对历史的所述就诊数据的有效字段进行数据填充；其中，所述有效字段为数据缺失率不大于预设缺失率阈值的字段；
在历史的所述就诊数据中存在离群值时，将所述离群值作为缺失数据进行数据填充，或者将所述离群值修改为所述离群值对应的正常范围的限值。
4.根据权利要求1所述的方法，其特征在于，在所述对历史的所述就诊数据依次进行特征外延之前，还包括：
在所述就诊数据的字段所对应数据可分割时，将可分割数据对应的字段作为目标字段，并将所述目标字段对应的数据进行分割，生成与分割后的数据相对应的新的字段，并删除所述目标字段。
5.根据权利要求1-4任意一项所述的方法，其特征在于，所述特征外延的过程包括：
将所述就诊数据的多个字段对应的特征进行结合，形成所述就诊数据新的特征；
和/或，选取所述就诊数据的一个或多个字段对应的特征作为有效特征，将所述有效特征所属的范围特征、所述有效特征所对应的总量特征、或者与所述有效特征具有唯一映射关系的其他特征作为所述就诊数据新的特征。
6.根据权利要求1-4任意一项所述的方法，其特征在于，所述特征筛选的过程包括：
分别确定所述就诊数据的每个特征对分诊结果的影响权重，剔除影响权重小于预设阈值的特征。
7.一种分诊预测的装置，其特征在于，包括：
数据获取模块，用于获取历史的多个就诊数据以及相应的分诊结果，所述就诊数据包括数值型的检测数据和数值型的基本数据，所述检测数据包括血氧饱和度、心率、体温、收缩压、舒张压和神志，所述基本数据包括年龄、性别、就诊日期中的一项或多项；
处理模块，用于对历史的所述就诊数据依次进行特征外延和特征筛选，确定相应的历史特征；根据所述历史特征和所述分诊结果对预设的分类模型进行训练，生成分诊预测模型；
分诊预测模块，用于获取当前的就诊数据，并根据当前的所述就诊数据确定与所述历史特征格式相同的当前特征；将所述当前特征输入至所述分诊预测模型，生成当前的分诊结果。
8.根据权利要求7所述的装置，其特征在于，所述数据获取模块获取历史的多个就诊数据包括：
根据数据库中每条数据的虚拟标识和身份证标识进行统一处理，统一具有相同虚拟标识的数据的身份证标识，或者统一具有相同身份证标识的数据的虚拟标识；
从每个所述虚拟标识或所述身份证标识对应的数据中选取出不超过预设数量的数据作为历史的就诊数据。
9.一种电子设备，包括总线、收发器、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，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的分诊预测的方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的分诊预测的方法中的步骤。
CN202011078621.3A 2020-10-10 2020-10-10 一种分诊预测的方法、装置及电子设备 Pending CN112164454A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011078621.3A CN112164454A (zh) 2020-10-10 2020-10-10 一种分诊预测的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011078621.3A CN112164454A (zh) 2020-10-10 2020-10-10 一种分诊预测的方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112164454A true CN112164454A (zh) 2021-01-01

Family

ID=73867997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011078621.3A Pending CN112164454A (zh) 2020-10-10 2020-10-10 一种分诊预测的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112164454A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190542A (zh) * 2021-05-19 2021-07-30 西安图迹信息科技有限公司 一种电网用大数据清洗去噪方法、系统和计算机存储介质
CN113223698A (zh) * 2021-03-02 2021-08-06 联仁健康医疗大数据科技股份有限公司 分级处理方法、装置、电子设备以及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105786860A (zh) * 2014-12-23 2016-07-20 华为技术有限公司 一种数据建模中的数据处理方法及装置
US20170242973A1 (en) * 2016-02-18 2017-08-24 The Johns Hopkins University E-triage: an electronic emergency triage system
CN109920547A (zh) * 2019-03-05 2019-06-21 北京工业大学 一种基于电子病历数据挖掘的糖尿病预测模型构建方法
CN110120265A (zh) * 2019-04-29 2019-08-13 天津大学 基于多维特征和模型融合的提高预测血尿酸精度的方法
CN110490251A (zh) * 2019-03-08 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的预测分类模型获取方法及装置、存储介质
CN110534185A (zh) * 2019-08-30 2019-12-03 腾讯科技（深圳）有限公司 标注数据获取方法、分诊方法、装置、存储介质及设备
CN110853046A (zh) * 2019-10-12 2020-02-28 沈阳航空航天大学 一种基于深度学习的胰腺组织分割方法
CN111477310A (zh) * 2020-03-04 2020-07-31 平安国际智慧城市科技股份有限公司 分诊数据处理方法、装置、计算机设备及存储介质
WO2020181805A1 (zh) * 2019-03-12 2020-09-17 平安科技（深圳）有限公司 糖尿病的预测方法及装置、存储介质、计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105786860A (zh) * 2014-12-23 2016-07-20 华为技术有限公司 一种数据建模中的数据处理方法及装置
US20170242973A1 (en) * 2016-02-18 2017-08-24 The Johns Hopkins University E-triage: an electronic emergency triage system
CN109920547A (zh) * 2019-03-05 2019-06-21 北京工业大学 一种基于电子病历数据挖掘的糖尿病预测模型构建方法
CN110490251A (zh) * 2019-03-08 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的预测分类模型获取方法及装置、存储介质
WO2020181805A1 (zh) * 2019-03-12 2020-09-17 平安科技（深圳）有限公司 糖尿病的预测方法及装置、存储介质、计算机设备
CN110120265A (zh) * 2019-04-29 2019-08-13 天津大学 基于多维特征和模型融合的提高预测血尿酸精度的方法
CN110534185A (zh) * 2019-08-30 2019-12-03 腾讯科技（深圳）有限公司 标注数据获取方法、分诊方法、装置、存储介质及设备
CN110853046A (zh) * 2019-10-12 2020-02-28 沈阳航空航天大学 一种基于深度学习的胰腺组织分割方法
CN111477310A (zh) * 2020-03-04 2020-07-31 平安国际智慧城市科技股份有限公司 分诊数据处理方法、装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YOSHIHIKO RAITA 等: ""Emergency department triage prediction of clinical outcomes using machine learning models"", 《CRITICAL CARE》, vol. 23, 22 February 2019 (2019-02-22), pages 1 - 13 *
刘晓颖 等: ""人工智能在急诊分诊决策中的应用现状"", 《护理研究》, vol. 34, no. 14, 31 July 2020 (2020-07-31), pages 2490 - 2494 *
范燕梅 等主编: "《急诊科护理与风险防范》", 30 June 2013, 人民军医出版社, pages: 105 - 106 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113223698A (zh) * 2021-03-02 2021-08-06 联仁健康医疗大数据科技股份有限公司 分级处理方法、装置、电子设备以及存储介质
CN113223698B (zh) * 2021-03-02 2024-03-12 联仁健康医疗大数据科技股份有限公司 急诊分级处理方法、装置、电子设备以及存储介质
CN113190542A (zh) * 2021-05-19 2021-07-30 西安图迹信息科技有限公司 一种电网用大数据清洗去噪方法、系统和计算机存储介质
CN113190542B (zh) * 2021-05-19 2023-02-24 西安图迹信息科技有限公司 一种电网用大数据清洗去噪方法、系统和计算机存储介质

Similar Documents

Publication Publication Date Title
CN111696675B (zh) 基于物联网数据的用户数据分类方法、装置及计算机设备
WO2018090304A1 (zh) 一种精神压力评测方法和装置
US8572146B2 (en) Comparing data samples represented by characteristic functions
CN109545387B (zh) 一种基于神经网络的异常病例识别方法及计算设备
CN112164454A (zh) 一种分诊预测的方法、装置及电子设备
WO2021151295A1 (zh) 患者治疗方案的确定方法、装置、计算机设备及介质
CN111881991A (zh) 一种识别欺诈的方法、装置及电子设备
US9002781B2 (en) Annotating environmental data represented by characteristic functions
US20190237192A1 (en) Personal health operating system
Schmedding et al. A prospective comparison of quick sequential organ failure assessment, systemic inflammatory response syndrome criteria, universal vital assessment, and modified early warning score to predict mortality in patients with suspected infection in Gabon
Koren et al. Requirements and challenges in integration of aggregated personal health data for inclusion into formal electronic health records (EHR)
Gupta et al. A novel approach based on computing with words for monitoring the heart failure patients
US9138143B2 (en) Annotating medical data represented by characteristic functions
CN113096756B (zh) 病情演变分类方法、装置、电子设备和存储介质
US8495038B2 (en) Validating sensor data represented by characteristic functions
CN112037918B (zh) 一种融合并发症风险的慢病医保费用预测方法及相关设备
US8874607B2 (en) Representing sensor data as binary decision diagrams
JP5691934B2 (ja) センサー・データを表す二分決定図の注釈付け
US8583718B2 (en) Comparing boolean functions representing sensor data
US8930394B2 (en) Querying sensor data stored as binary decision diagrams
CN117497158B (zh) 基于维度组合与权重计算推荐分诊等级的方法
CN113223698B (zh) 急诊分级处理方法、装置、电子设备以及存储介质
Ogura et al. Development of prediction model for trauma assessment using electronic medical records
RU2741260C1 (ru) Способ и система автоматизированной диагностики сосудистых патологий на основании изображения
US20240029898A1 (en) Medical information processing device, medical information processing method, and storage medium

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