CN112184295A - 康养服务确定方法、装置、电子设备和存储介质 - Google Patents
康养服务确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112184295A CN112184295A CN202011001961.6A CN202011001961A CN112184295A CN 112184295 A CN112184295 A CN 112184295A CN 202011001961 A CN202011001961 A CN 202011001961A CN 112184295 A CN112184295 A CN 112184295A
- Authority
- CN
- China
- Prior art keywords
- model
- service
- person
- personnel
- health
- 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
- 230000036541 health Effects 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012423 maintenance Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 description 22
- 201000010099 disease Diseases 0.000 description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000474 nursing effect Effects 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种康养服务确定方法、装置、电子设备和存储介质。该康养服务确定方法包括:确定待服务人员的特征模型以及康养服务模型;对所述特征模型和所述康养服务模型进行特征提取;根据提取到的特征确定所述待服务人员的康养服务匹配模型。实现根据待服务人员的特征确定待服务人员的康养服务,实现待服务人员康养服务的定制化需求,提高康养服务确定的准确性。
Description
技术领域
本发明实施例涉及养老服务技术领域,尤其涉及一种康养服务确定方法、装置、电子设备和存储介质。
背景技术
康养服务是指与健康和养老相关的服务,康养服务主要是指通过运动、健身、休闲、度假、养老、养生以及医疗等多种功能的实现。康养服务就是指为老年人健康养老提供的服务。随着老龄社会的到来,老年人口的增多,对健康养老需求增大。
并且越来越多中低年龄的养老需求更加个性化、多元化,对养老品质的要求也更高,单一的养老服务无法满足他们。而目前养老机构所提供的服务同质化严重,无法针对每位老人进行定制化的康养服务,不利于老人的健康。
发明内容
本发明实施例提供一种康养服务确定方法、装置、电子设备和存储介质,以提高康养服务确定的准确度。
第一方面,本发明实施例提供了一种康养服务确定方法,包括:
确定待服务人员的特征模型以及康养服务模型;
对所述特征模型和所述康养服务模型进行特征提取;
根据提取到的特征确定所述待服务人员的康养服务匹配模型。
第二方面,本发明实施例还提供了一种康养服务确定装置,包括:
数据获取模块,用于确定待服务人员的特征模型以及康养服务模型;
特征提取模块,用于对所述特征模型和所述康养服务模型进行特征提取;
服务匹配模块,用于根据提取到的特征确定所述待服务人员的康养服务匹配模型。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的康养服务确定方法。
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,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的康养服务确定方法。
本发明实施例基于确定待服务人员的特征模型以及康养服务模型;对特征模型和康养服务模型进行特征提取;根据提取到的特征确定待服务人员的康养服务匹配模型。实现根据待服务人员的特征确定待服务人员的康养服务,实现待服务人员康养服务的定制化需求,提高康养服务确定的准确性。
附图说明
图1是本发明实施例一中的康养服务确定方法的流程图;
图2是本发明实施例一中的康养服务匹配模型确定的示意图;
图3是本发明实施例二中的康养服务确定方法的流程图;
图4是本发明实施例二中的人员匹配模型确定的示意图;
图5是本发明实施例三中的康养服务确定方法的流程图;
图6是本发明实施例三中的排班匹配模型确定的示意图;
图7是本发明实施例四中的康养服务确定方法的流程图;
图8是本发明实施例四中的康养服务计划模型确定的示意图;
图9是本发明实施例五中的康养服务确定装置的结构示意图;
图10是本发明实施例六中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的康养服务确定方法的流程图,本实施例可适用于对老人康养服务进行合理准确安排的情况。该方法可以由康养服务确定装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中,例如电子设备可以是后台服务器等具有通信和计算能力的设备。如图1所示,该方法具体包括:
步骤101、确定待服务人员的特征模型以及康养服务模型。
其中,待服务人员是指需要提供康养服务的人员,例如养老机构中的老人。特征模型用于对待服务人员的身体特征进行确定的模型,示例性的,特征模型中包括了待服务人员的身体症状或疾病特征等。康养服务模型是指所能提供给待服务人员的所有康养服务类型,以及每种康养服务类型所针对的身体症状信息。
示例性的,采集待服务人员的身体症状或者疾病特征,构建待服务人员的特征模型;并且采集待服务人员所在的养老机构所能提供的康养服务类型,以及每种康养服务类型针对的身体症状或者疾病特征。可选的,对于特征模型中的身体症状或疾病特征与康养服务模型中的与康养服务类型对应的身体症状或者疾病特征的描述可以不同。避免为了保证两者描述一致,给康养服务模型或者特征模型的确定带来多余的工作量,且容易造成为了保证两个模型中描述一致模型出现错误的情况。
在一个可行的实施例中,待服务人员为老人;
相应的,确定待服务人员的特征模型,包括:
根据待服务老人的历史病历和体检结果确定待服务老人的特征模型。
获取待服务老人的历史病历以及体检结果,从中提取该待服务老人的身体症状或者疾病特征,例如待服务老人是否有糖尿病、老年痴呆或者跌倒风险等。根据提取到的身体症状或者疾病特征构建待服务老人的特征模型。示例性的,建立待服务老人的身份信息与身体症状或者疾病特征之间的映射关系,以形成待服务老人的特征模型。
步骤102、对特征模型和康养服务模型进行特征提取。
对特征模型进行特征提取以得到待服务人员的身体症状或疾病特征;对康养服务模型进行特征提取以得到康养服务类型与身体症状或疾病特征之间的对应关系。
步骤103、根据提取到的特征确定待服务人员的康养服务匹配模型。
通过对待服务人员的身体症状或疾病特征和与康养服务类型对应的身体症状或疾病特征之间进行匹配,以得到待服务人员的身体症状或疾病特征所对应的康养服务类型,以构建待服务人员定制化的康养服务匹配模型。
在一个可行的实施例中,步骤103,包括:
基于梯度提升决策树和/或随机森林算法,根据提取到的特征确定待服务人员的康养服务匹配模型。
其中,梯度提升决策树是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来作为最终答案。梯度提升决策树可以发现多种有区分性的特征以及特征组合。由于根据特征模型得到的待服务人员的身体症状或疾病特征与根据康养服务模型得到的与康养服务类型对应的身体症状或疾病特征会出现不同或者交叉的现象,例如根据特征模型得到的待服务人员的身体症状为血压偏高,而根据康养服务模型得到的与康养服务类型对应的身体症状为高血压,则两者描述不同;或者对于康养服务匹配模型中会出现多种身体症状或疾病特征与多种康养服务类型存在交叉对应的关系,给确定待服务人员的康养服务匹配模型带来一定的困难。通过梯度提升决策树可以发现多种有区分性的特征以及特征组合,因此可以在提取到的两种特征不完全匹配的情况或者特征交叉的情况下,可以根据提取到的特征确定准确的待服务人员的康养服务匹配模型。同样,采用随机森林算法可以得到同样的结果。其中,随机森林算法指的是利用多棵树对样本进行训练并预测的一种分类器。
示例性的,当待服务人员为老人时,如图2所示为待服务老人的康养服务匹配模型确定的示意图。从图2中可以得到,将特征模型和康养服务模型进行整合,得到待服务人员的康养服务匹配模型,从康养服务匹配模型中可以得到对为每个待服务老人进行定制化安排的康养服务。
在一个可行的实施例中,在步骤103之后,还包括:
获取对康养服务匹配模型的调整内容;
通过对调整内容的特征学习,对康养服务匹配模型进行更新,并将对调整内容的特征学习结果作为下一次康养服务匹配模型的确定依据。
根据提取到的特征确定待服务人员的康养服务匹配模型为初步康养服务匹配模型,接收用户根据实际情况对初步康养服务匹配模型的调整内容,对调整内容进行学习,得到学习到的调整内容的特征,对初步康养服务匹配模型进行更新,得到最终的康养服务匹配模型。并且将此次学习到的调整内容的特征作为下一次康养服务匹配模型的确定依据。例如,根据特征模型和康养服务模型提取到的特征以及学习到的调整内容的特征确定待服务人员的康养服务匹配模型。
示例性的,在根据提取到的特征确定待服务人员的康养服务匹配模型后,由于存在待服务人员的个性化需求以及康养服务提供的限制条件等,需要对康养服务匹配模型进行调整,因此通过学习此次调整内容的特征,以作为下一次康养服务匹配模型的确定依据,实现对康养服务匹配模型确定的不断完善,减少后续调整内容,提高康养服务匹配模型确定的准确性。
在一个可行的实施例中,采用深度学习算法或模糊匹配算法对调整内容的特征进行学习。
在对调整内容的特征进行学习时,可以采用深度学习算法或模糊匹配算法,以提高对调整内容特征学习的准确性。
本发明实施例基于确定待服务人员的特征模型以及康养服务模型;对特征模型和康养服务模型进行特征提取;根据提取到的特征确定待服务人员的康养服务匹配模型。实现根据待服务人员的特征确定待服务人员的康养服务,实现待服务人员康养服务的定制化需求,提高康养服务确定的准确性。
实施例二
图3是本发明实施例二中的康养服务确定方法的流程图,本实施例二在实施例一的基础上进行进一步地优化。如图3所示,该方法包括:
步骤301、确定待服务人员的特征模型、康养服务模型以及服务人员的服务技能模型。
其中,服务人员是指可以为待服务人员提供康养服务的员工,例如养老机构中的员工。服务技能模型是指服务人员与其具备的技能标签之间的关系,通过技能标签可以确定该服务人员所能提供的康养服务类型。示例性的,服务人员的服务技能模型可以通过养老机构对员工进行评估的结果进行特征提取构建。
步骤302、对特征模型和康养服务模型进行特征提取。
步骤303、根据提取到的特征确定待服务人员的康养服务匹配模型。
步骤304、对康养服务匹配模型和服务技能模型进行特征提取。
对康养服务匹配模型进行特征提取以得到待服务人员的身体症状或疾病特征与所需进行的康养服务类型的关系;对服务技能模型进行特征提取以得到康养服务类型与服务人员之间的对应关系。
步骤305、根据提取到的特征确定待服务人员与服务人员之间的人员匹配模型。
通过对待服务人员的身体症状或疾病特征与所需进行的康养服务类型的关系,以及康养服务类型与服务人员之间的对应关系进行匹配,以得到待服务人员的身体症状或疾病特征所对应的服务人员,以构建待服务人员和服务人员之间定制化的人员匹配模型。
在一个可行的实施例中,步骤305,包括:
基于分类器,根据提取到的特征确定待服务人员与服务人员之间的人员匹配模型。
其中,分类器是指将记录的数据映射到给定类别中的某一个,从而可以应用于数据预测。由于从服务技能模型中得到的服务人员所对应的康养服务类型与康养服务匹配模型中的与待服务人员对应的康养服务类型会存在不同的现象,或者对于同一个康养服务类型会对应多个服务人员,或者同一个服务人员可以提供多种康养服务类型,给人员匹配模型的确定带来一定困难。通过分类器可以对多种有区分性的特征以及特征组合,因此可以在提取到的两种特征不完全匹配的情况或者特征交叉的情况下,可以根据提取到的特征确定准确的待服务人员和服务人员之间的人员匹配模型。
示例性的,当待服务人员为老人时,如图4所示为待服务老人与养老机构的服务员工之间的人员匹配模型确定的示意图。从图4中可以得到,将康养服务匹配模型和服务技能模型进行整合,得到人员匹配模型,从人员匹配模型中可以得到对为每个待服务老人进行定制化安排的康养服务对应的员工信息。
在一个可行的实施例中,在步骤305之后,还包括:
获取对人员匹配模型的调整内容;
通过对调整内容的特征学习,对人员匹配模型进行更新,并将对调整内容的特征学习结果作为下一次康养服务匹配模型和/或人员匹配模型的确定依据。
根据提取到的特征确定待服务人员与服务人员之间的人员匹配模型为初步人员匹配模型,接收用户根据实际情况对初步人员匹配模型的调整内容,对调整内容进行学习,得到学习到的调整内容的特征,对初步人员匹配模型进行更新,得到最终的人员匹配模型。并且将此次学习到的调整内容的特征作为下一次康养服务匹配模型和/或人员匹配模型的确定依据。例如,根据特征模型和康养服务模型提取到的特征以及结合两次学习到的调整内容的特征确定待服务人员的康养服务匹配模型,和/或根据对康养服务匹配模型和服务技能模型提取到的特征以及此次学习到的调整内容的特征确定人员匹配模型。其中,两次学习到的调整内容的特征是指对康养服务匹配模型的调整内容学习到的特征以及对人员匹配模型的调整内容学习到的特征。
示例性的,在根据提取到的特征确定待服务人员与服务人员之间的人员匹配模型后,由于存在待服务人员或者服务人员的个性化需求以及康养服务提供的限制条件等,需要对人员匹配模型进行调整,因此通过学习此次调整内容的特征,以作为下一次人员匹配模型的确定依据,实现对人员匹配模型确定的不断完善,减少后续调整内容,提高人员匹配模型确定的准确性。同样,若此次学习到的特征中包括与康养服务匹配模型相关的内容,则将该内容作为下一次康养服务匹配模型的确定依据。
在一个可行的实施例中,采用深度学习算法或模糊匹配算法对调整内容的特征进行学习。
本发明实施例基于待服务人员的康养服务匹配模型,根据对康养服务匹配模型的特征提取结果和对服务技能模型的特征提取结果,得到待服务人员和服务人员之间的员工匹配模型。实现从用户侧以及员工侧共同提升康养服务的提供准确度。
实施例三
图5是本发明实施例三中的康养服务确定方法的流程图,本实施例三在实施例二的基础上进行进一步地优化。如图5所示,该方法包括:
步骤501、确定待服务人员的特征模型、康养服务模型、服务人员的服务技能模型以及服务人员的排班模型。
其中,服务人员的排班模型是指根据服务人员的实际工作时间确定的服务人员可以提供服务的时间段。可选的,服务人员的排班模型可以根据实际情况进行调整,例如每个月进行调整一次。
步骤502、对特征模型和康养服务模型进行特征提取。
步骤503、根据提取到的特征确定待服务人员的康养服务匹配模型。
步骤504、对康养服务匹配模型和服务技能模型进行特征提取。
步骤505、根据提取到的特征确定待服务人员与服务人员之间的人员匹配模型。
步骤506、对人员匹配模型和排班模型进行特征提取。
对人员匹配模型进行特征提取以得到待服务人员与服务人员之间的对应关系;对排班模型进行特征提取以得到服务人员的时间安排情况。
步骤507、根据提取到的特征确定待服务人员与服务人员之间的排班匹配模型。
通过根据待服务人员与服务人员之间的对应关系和服务人员的时间安排情况对待服务人员的服务人员之间的时间安排进行匹配,以得到按照服务人员的排班情况为待服务人员安排的康养服务情况,以构建待服务人员定制化的排班匹配模型。
示例性的,当待服务人员为老人时,如图6所示为待服务老人与养老机构的服务员工之间的排班匹配模型确定的示意图。从图6中可以得到,将人员匹配模型和排班模型进行整合,得到排班匹配模型,从人员匹配模型中可以得到对为每个待服务老人进行定制化安排的康养服务对应的员工信息以及时间段信息。
在一个可行的实施例中,在步骤507之后,还包括:
获取对排班匹配模型的调整内容;
通过对调整内容的特征学习,对排班匹配模型进行更新,并将对调整内容的特征学习结果作为下一次康养服务匹配模型、人员匹配模型和/或排班匹配模型的确定依据。
根据提取到的特征确定待服务人员与服务人员之间的排班匹配模型为初步排班匹配模型,接收用户根据实际情况对初步排班匹配模型的调整内容,对调整内容进行学习,得到学习到的调整内容的特征,对初步排班匹配模型进行更新,得到最终的排班匹配模型。并且将此次学习到的调整内容的特征作为下一次康养服务匹配模型、人员匹配模型和/或排班匹配模型的确定依据。例如,根据特征模型和康养服务模型提取到的特征以及结合三次学习到的调整内容的特征确定待服务人员的康养服务匹配模型,和/或根据对康养服务匹配模型和服务技能模型提取到的特征以及前两次学习到的调整内容的特征确定人员匹配模型,和/或根据对人员匹配模型和排班模型提取到的特征以及此次学习到的调整内容的特征确定排班模型。
示例性的,在根据提取到的特征确定待服务人员与服务人员之间的排班匹配模型后,由于存在待服务人员或者服务人员在时间上的个性化需求以及康养服务提供的限制条件等,需要对排班匹配模型进行调整,因此通过学习此次调整内容的特征,以作为下一次排班匹配模型的确定依据,实现对排班匹配模型确定的不断完善,减少后续调整内容,提高排班匹配模型确定的准确性。同样,若此次学习到的特征中包括与康养服务匹配模型或人员匹配模型相关的内容,则将该内容作为下一次康养服务匹配模型或人员匹配模型的确定依据。
在一个可行的实施例中,采用深度学习算法或模糊匹配算法对调整内容的特征进行学习。
本发明实施例基于待服务人员与服务人员之间的人员匹配模型,根据对人员匹配模型的特征提取结果和对排班模型的特征提取结果,得到待服务人员和服务人员之间的排班匹配模型。实现从用户侧以及员工侧共同提升康养服务的提供准确度,并且根据服务人员的服务提供时间为待服务人员确定提供康养服务的时间。
实施例四
图7是本发明实施例四中的康养服务确定方法的流程图,本实施例四在实施例二的基础上进行进一步地优化。如图7所示,该方法包括:
步骤701、确定待服务人员的特征模型、康养服务模型、服务人员的服务技能模型、服务人员的排班模型以及康养服务频次模型。
其中,康养服务频次模型是指根据专业的护理院提供的建议确定的反映一个服务周期内不同的康养服务类型所需提供的次数以及间隔时间信息。
步骤702、对特征模型和康养服务模型进行特征提取。
步骤703、根据提取到的特征确定待服务人员的康养服务匹配模型。
步骤704、对康养服务匹配模型和服务技能模型进行特征提取。
步骤705、根据提取到的特征确定待服务人员与服务人员之间的人员匹配模型。
步骤706、对人员匹配模型、排班模型以及康养服务频次模型进行特征提取。
对人员匹配模型进行特征提取以得到待服务人员与服务人员之间的对应关系;对排班模型进行特征提取以得到服务人员的时间安排情况;对康养服务频次模型进行特征提取以得到康养服务类型与对应的频次安排情况。
步骤707、根据提取到的特征确定待服务人员与服务人员之间的康养服务计划模型。
通过根据待服务人员与服务人员之间的对应关系、服务人员的时间安排情况以及康养服务的频次安排情况对待服务人员的服务人员之间的时间频次安排进行匹配,以得到按照服务人员的排班情况和康养服务的频次情况为待服务人员安排的康养服务计划情况,以构建待服务人员定制化的康养服务计划模型。
示例性的,当待服务人员为老人时,如图8所示为待服务老人与养老机构的服务员工之间的康养服务计划模型确定的示意图。从图8中可以得到,将人员匹配模型、排班模型以及康养服务频次模型进行整合,得到康养服务计划模型,从康养服务计划模型中可以得到对为每个待服务老人进行定制化安排的处于不同频次的康养服务对应的员工信息以及时间段信息。
在一个可行的实施例中,在步骤707之后,还包括:
获取对康养服务计划模型的调整内容;
通过对调整内容的特征学习,对康养服务计划模型进行更新,并将对调整内容的特征学习结果作为下一次康养服务匹配模型、人员匹配模型和/或康养服务计划模型的确定依据。
根据提取到的特征确定待服务人员与服务人员之间的康养服务计划模型为初步康养服务计划模型,接收用户根据实际情况对初步康养服务计划模型的调整内容,对调整内容进行学习,得到学习到的调整内容的特征,对初步康养服务计划模型进行更新,得到最终的康养服务计划模型。并且将此次学习到的调整内容的特征作为下一次康养服务匹配模型、人员匹配模型和/或康养服务计划模型的确定依据。例如,根据特征模型和康养服务模型提取到的特征以及结合前三次学习到的调整内容的特征确定待服务人员的康养服务匹配模型,和/或根据对康养服务匹配模型和服务技能模型提取到的特征以及前两次学习到的调整内容的特征确定人员匹配模型,和/或根据对人员匹配模型、排班模型和康养服务频次模型提取到的特征以及此次学习到的调整内容的特征确定康养服务计划模型。
示例性的,在根据提取到的特征确定待服务人员与服务人员之间的康养服务计划模型后,由于存在待服务人员或者服务人员在频次上的个性化需求以及康养服务提供的限制条件等,需要对康养服务计划模型进行调整,因此通过学习此次调整内容的特征,以作为下一次康养服务计划模型的确定依据,实现对康养服务计划模型确定的不断完善,减少后续调整内容,提高康养服务计划模型确定的准确性。同样,若此次学习到的特征中包括与康养服务匹配模型或人员匹配模型相关的内容,则将该内容作为下一次康养服务匹配模型或人员匹配模型的确定依据。
在一个可行的实施例中,采用深度学习算法或模糊匹配算法对调整内容的特征进行学习。
本发明实施例通过待服务人员身体健康特征匹配康养服务;通过服务人员的技能标签匹配康养服务;然后对采用多个分类器的方式进行模式识别,匹配多维度要素,将待服务人员、康养服务、服务人员、时间等要素精准识别,得到针对待服务人员康养的照护计划及照护日程,解决了当下在养老院员工结构紧凑现状下老人康养护理如何更科学更精准安排的问题,提升养老行业技术的科学化,精细化。并且结合各专业综合资源,得到科学合理的康养护理方案,并直接推出待服务人员的服务排班计划,减少养老机构服务管理成本。
实施例五
图9是本发明实施例五中的康养服务确定装置的结构示意图,本实施例可适用于对老人康养服务进行合理准确安排的情况。如图9所示,该装置包括:
数据获取模块910,用于确定待服务人员的特征模型以及康养服务模型;
特征提取模块920,用于对所述特征模型和所述康养服务模型进行特征提取;
服务匹配模块930,用于根据提取到的特征确定所述待服务人员的康养服务匹配模型。
本发明实施例基于确定待服务人员的特征模型以及康养服务模型;对特征模型和康养服务模型进行特征提取;根据提取到的特征确定待服务人员的康养服务匹配模型。实现根据待服务人员的特征确定待服务人员的康养服务,实现待服务人员康养服务的定制化需求,提高康养服务确定的准确性。
可选的,数据获取模块910还用于:
确定服务人员的服务技能模型;
相应的,所述装置还包括人员匹配模块,包括:
第二特征提取单元,用于在所述根据提取到的特征确定所述待服务人员的康养服务匹配模型之后,对所述康养服务匹配模型和所述服务技能模型进行特征提取;
人员匹配单元,用于根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型。
可选的,数据获取模块910还用于:
确定所述服务人员的排班模型;
相应的,所述装置还包括排班匹配模块,包括:
第三特征提取单元,用于在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型之后,对所述人员匹配模型和所述排班模型进行特征提取;
排班匹配单元,用于根据提取到的特征确定所述待服务人员与所述服务人员之间的排班匹配模型。
可选的,数据获取模块910还用于:
确定所述服务人员的排班模型和康养服务频次模型;
相应的,所述装置还包括服务计划确定模块,包括:
第四特征提取单元,用于在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型之后,对所述人员匹配模型、所述排班模型以及所述康养服务频次模型进行特征提取;
服务计划确定单元,用于根据提取到的特征确定所述待服务人员与所述服务人员之间的康养服务计划模型。
可选的,服务匹配模块930,具体用于:
基于梯度提升决策树和/或随机森林算法,根据提取到的特征确定所述待服务人员的康养服务匹配模型。
可选的,人员匹配单元,具体用于:
基于分类器,根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型。
可选的,所述装置还包括第一调整学习模块,用于:
在所述根据提取到的特征确定所述待服务人员的康养服务匹配模型之后,获取对所述康养服务匹配模型的调整内容;
通过对所述调整内容的特征学习,对所述康养服务匹配模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型的确定依据。
可选的,所述装置还包括第二调整学习模块,用于:
在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型之后,获取对所述人员匹配模型的调整内容;
通过对所述调整内容的特征学习,对所述人员匹配模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型和/或人员匹配模型的确定依据。
可选的,所述装置还包括第三调整学习模块,用于:
在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的排班匹配模型之后,获取对所述排班匹配模型的调整内容;
通过对所述调整内容的特征学习,对所述排班匹配模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型、人员匹配模型和/或排班匹配模型的确定依据。
可选的,所述装置还包括第四调整学习模块,用于:
在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的康养服务计划模型之后,获取对所述康养服务计划模型的调整内容;
通过对所述调整内容的特征学习,对所述康养服务计划模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型、人员匹配模型和/或康养服务计划模型的确定依据。
可选的,采用深度学习算法或模糊匹配算法对所述调整内容的特征进行学习。
可选的,所述待服务人员为老人;
相应的,数据获取模块910,具体用于:
根据待服务老人的历史病历和体检结果确定所述待服务老人的特征模型。
本发明实施例所提供的康养服务确定装置可执行本发明任意实施例所提供的康养服务确定方法,具备执行康养服务确定方法相应的功能模块和有益效果。
实施例六
图10是本发明实施例六提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图10显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储装置28,连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质,例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储装置28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图10所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图10中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的康养服务确定方法,包括:
确定待服务人员的特征模型以及康养服务模型;
对所述特征模型和所述康养服务模型进行特征提取;
根据提取到的特征确定所述待服务人员的康养服务匹配模型。
实施例七
本发明实施例七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,该程序被处理器执行时实现如本发明实施例所提供的康养服务确定方法,包括:
确定待服务人员的特征模型以及康养服务模型;
对所述特征模型和所述康养服务模型进行特征提取;
根据提取到的特征确定所述待服务人员的康养服务匹配模型。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以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诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地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、或者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)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种康养服务确定方法,其特征在于,包括:
确定待服务人员的特征模型以及康养服务模型;
对所述特征模型和所述康养服务模型进行特征提取;
根据提取到的特征确定所述待服务人员的康养服务匹配模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定服务人员的服务技能模型;
相应的,在所述根据提取到的特征确定所述待服务人员的康养服务匹配模型之后,还包括:
对所述康养服务匹配模型和所述服务技能模型进行特征提取;
根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定所述服务人员的排班模型;
相应的,在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型之后,还包括:
对所述人员匹配模型和所述排班模型进行特征提取;
根据提取到的特征确定所述待服务人员与所述服务人员之间的排班匹配模型。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定所述服务人员的排班模型和康养服务频次模型;
相应的,在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型之后,还包括:
对所述人员匹配模型、所述排班模型以及所述康养服务频次模型进行特征提取;
根据提取到的特征确定所述待服务人员与所述服务人员之间的康养服务计划模型。
5.根据权利要求1所述的方法,其特征在于,所述根据提取到的特征确定所述待服务人员的康养服务匹配模型,包括:
基于梯度提升决策树和/或随机森林算法,根据提取到的特征确定所述待服务人员的康养服务匹配模型。
6.根据权利要求2所述的方法,其特征在于,所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型,包括:
基于分类器,根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型。
7.根据权利要求1所述的方法,其特征在于,在所述根据提取到的特征确定所述待服务人员的康养服务匹配模型之后,还包括:
获取对所述康养服务匹配模型的调整内容;
通过对所述调整内容的特征学习,对所述康养服务匹配模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型的确定依据。
8.根据权利要求2所述的方法,其特征在于,在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的人员匹配模型之后,还包括:
获取对所述人员匹配模型的调整内容;
通过对所述调整内容的特征学习,对所述人员匹配模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型和/或人员匹配模型的确定依据。
9.根据权利要求3所述的方法,其特征在于,在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的排班匹配模型之后,还包括:
获取对所述排班匹配模型的调整内容;
通过对所述调整内容的特征学习,对所述排班匹配模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型、人员匹配模型和/或排班匹配模型的确定依据。
10.根据权利要求4所述的方法,其特征在于,在所述根据提取到的特征确定所述待服务人员与所述服务人员之间的康养服务计划模型之后,还包括:
获取对所述康养服务计划模型的调整内容;
通过对所述调整内容的特征学习,对所述康养服务计划模型进行更新,并将对所述调整内容的特征学习结果作为下一次康养服务匹配模型、人员匹配模型和/或康养服务计划模型的确定依据。
11.根据权利要求7-10任一项所述的方法,其特征在于,采用深度学习算法或模糊匹配算法对所述调整内容的特征进行学习。
12.根据权利要求1所述的方法,其特征在于,所述待服务人员为老人;
相应的,确定待服务人员的特征模型,包括:
根据待服务老人的历史病历和体检结果确定所述待服务老人的特征模型。
13.一种康养服务确定装置,其特征在于,包括:
数据获取模块,用于确定待服务人员的特征模型以及康养服务模型;
特征提取模块,用于对所述特征模型和所述康养服务模型进行特征提取;
服务匹配模块,用于根据提取到的特征确定所述待服务人员的康养服务匹配模型。
14.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的康养服务确定方法。
15.一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,该程序被处理器执行时实现如权利要求1-12中任一所述的康养服务确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011001961.6A CN112184295A (zh) | 2020-09-22 | 2020-09-22 | 康养服务确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011001961.6A CN112184295A (zh) | 2020-09-22 | 2020-09-22 | 康养服务确定方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184295A true CN112184295A (zh) | 2021-01-05 |
Family
ID=73957093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011001961.6A Pending CN112184295A (zh) | 2020-09-22 | 2020-09-22 | 康养服务确定方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184295A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763220A (zh) * | 2021-09-16 | 2021-12-07 | 燕山大学 | 智能康养服务信息管理系统 |
CN116307890A (zh) * | 2023-03-17 | 2023-06-23 | 北京远盟普惠健康科技有限公司 | 一种基于大数据的康养方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006236158A (ja) * | 2005-02-25 | 2006-09-07 | Knowledge Integrator:Kk | ヘルパーの検索方法 |
CN107831709A (zh) * | 2017-09-30 | 2018-03-23 | 上海伟赛智能科技有限公司 | 一种护理服务系统及其方法 |
CN109102341A (zh) * | 2018-08-27 | 2018-12-28 | 寿带鸟信息科技(苏州)有限公司 | 一种用于养老服务的老人画像方法 |
US20190043606A1 (en) * | 2017-08-04 | 2019-02-07 | Teladoc, Inc. | Patient-provider healthcare recommender system |
CN110827985A (zh) * | 2019-10-24 | 2020-02-21 | 银康(中山)科技有限公司 | 确定老年人照护方案的方法、装置、计算机设备和介质 |
CN110991903A (zh) * | 2019-12-05 | 2020-04-10 | 苏州达家迎信息技术有限公司 | 一种服务人员的分配方法、装置、设备和存储介质 |
KR20200078875A (ko) * | 2018-12-24 | 2020-07-02 | 주식회사 에이치엔원 | 간병인 매칭 장치 및 방법 |
CN111524574A (zh) * | 2020-04-14 | 2020-08-11 | 四川护理职业学院 | 一种老年护理评估系统 |
-
2020
- 2020-09-22 CN CN202011001961.6A patent/CN112184295A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006236158A (ja) * | 2005-02-25 | 2006-09-07 | Knowledge Integrator:Kk | ヘルパーの検索方法 |
US20190043606A1 (en) * | 2017-08-04 | 2019-02-07 | Teladoc, Inc. | Patient-provider healthcare recommender system |
CN107831709A (zh) * | 2017-09-30 | 2018-03-23 | 上海伟赛智能科技有限公司 | 一种护理服务系统及其方法 |
CN109102341A (zh) * | 2018-08-27 | 2018-12-28 | 寿带鸟信息科技(苏州)有限公司 | 一种用于养老服务的老人画像方法 |
KR20200078875A (ko) * | 2018-12-24 | 2020-07-02 | 주식회사 에이치엔원 | 간병인 매칭 장치 및 방법 |
CN110827985A (zh) * | 2019-10-24 | 2020-02-21 | 银康(中山)科技有限公司 | 确定老年人照护方案的方法、装置、计算机设备和介质 |
CN110991903A (zh) * | 2019-12-05 | 2020-04-10 | 苏州达家迎信息技术有限公司 | 一种服务人员的分配方法、装置、设备和存储介质 |
CN111524574A (zh) * | 2020-04-14 | 2020-08-11 | 四川护理职业学院 | 一种老年护理评估系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763220A (zh) * | 2021-09-16 | 2021-12-07 | 燕山大学 | 智能康养服务信息管理系统 |
CN116307890A (zh) * | 2023-03-17 | 2023-06-23 | 北京远盟普惠健康科技有限公司 | 一种基于大数据的康养方法和系统 |
CN116307890B (zh) * | 2023-03-17 | 2023-10-27 | 北京远盟普惠健康科技有限公司 | 一种基于大数据的康养方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
US20200279147A1 (en) | Method and apparatus for intelligently recommending object | |
CN112541056B (zh) | 医学术语标准化方法、装置、电子设备及存储介质 | |
CN111144658B (zh) | 医疗风险预测方法、装置、系统、存储介质与电子设备 | |
CN112786131B (zh) | 识别就诊信息的方法及装置、电子设备和存储介质 | |
CN112397159B (zh) | 临床试验报告自动录入方法及装置、电子设备、存储介质 | |
CN111145909B (zh) | 诊疗数据处理方法与装置、存储介质、电子设备 | |
CN111553478B (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
US11688496B2 (en) | Health information exchange system | |
CN112365976B (zh) | 一种基于迁移学习的复合病种临床路径构建方法及系统 | |
CN112184295A (zh) | 康养服务确定方法、装置、电子设备和存储介质 | |
CN113345577A (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
CN109545387A (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
CN112908452A (zh) | 事件数据建模 | |
CN111383754A (zh) | 医疗决策方法、医疗决策装置、电子设备及存储介质 | |
CN113488166A (zh) | 糖尿病数据分析模型训练及数据管理方法、装置和设备 | |
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 | |
CN114283915A (zh) | 一种用于确定患者全病程照护方案的方法及装置 | |
CN113643825A (zh) | 基于临床关键特征信息的医疗案例知识库构建方法和系统 | |
US20120209620A1 (en) | Detecting unexpected healthcare utilization by constructing clinical models of dominant utilization groups | |
CN114758778A (zh) | 一种学生心理健康管理系统及方法 | |
CN113223698B (zh) | 急诊分级处理方法、装置、电子设备以及存储介质 | |
CN118553437B (zh) | 基于有监督微调的体检报告解读方法、系统、设备及介质 | |
US20230229662A1 (en) | Information processing system and lineage management method | |
US20220139556A1 (en) | System and method for determining patient health indicators through machine learning model |
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 |