CN112216402A - 基于人工智能的疫情预测方法、装置、计算机设备及介质 - Google Patents
基于人工智能的疫情预测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN112216402A CN112216402A CN202011106447.9A CN202011106447A CN112216402A CN 112216402 A CN112216402 A CN 112216402A CN 202011106447 A CN202011106447 A CN 202011106447A CN 112216402 A CN112216402 A CN 112216402A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- disease
- patient
- symptom
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 201000010099 disease Diseases 0.000 claims abstract description 123
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 123
- 208000024891 symptom Diseases 0.000 claims abstract description 81
- 208000011580 syndromic disease Diseases 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 10
- 208000035473 Communicable disease Diseases 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 208000015181 infectious disease Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 229940079593 drug Drugs 0.000 description 7
- 239000003814 drug Substances 0.000 description 7
- 206010019233 Headaches Diseases 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 231100000869 headache Toxicity 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 206010044302 Tracheitis Diseases 0.000 description 2
- 206010006451 bronchitis Diseases 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及数字医疗及数据处理技术,提供一种基于人工智能的疫情预测方法、装置、计算机设备与存储介质,包括:遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据;基于预先设置的临床决策识别模型识别症状数据,得到疾病识别结果;根据疾病识别结果判断疑似患者是否患有所述目标疾病;当判断结果为是时,将所述疑似患者作为确诊患者;获取所有确诊患者的预设数据;获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据;根据所述目标分布数据确定疫情风险等级本申请能够提高疫情预测的正确率,本申请能够促进智慧医疗及智慧城市的建设。
Description
技术领域
本发明涉及数字医疗及数据处理技术领域,尤其涉及一种基于人工智能的疫情预测方法、装置、计算机设备及介质。
背景技术
目前,在突发疫情事件爆发后,相关部门通常是将工作人员派遣到该突发疫情事件的事发地点,以了解突发疫情事件的发展动态。之后根据突发疫情的现状,制定应急方案并落实。由于突发疫情事件事发突然,尤其是对于传染性相对较强的疾病而言,相关部门若不能及时制定出应急方案以将病情控制,那么随着病情的扩散,会带来很严重的影响。
因此,目前亟需提供一种疫情预测的方法,在突发疫情事件爆发之后,正确预测出突发疫情事件的发展趋势,从而供相关部门的工作人员及时采取措施。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的疫情预测方法、基于人工智能的疫情预测装置、计算机设备及介质,能够提高疫情预测的正确率。
本发明实施例第一方面提供一种基于人工智能的疫情预测方法,所述基于人工智能的疫情预测方法包括:
遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据;
基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果;
根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病;
当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者;
获取所有确诊患者的预设数据;
获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据;
根据所述目标分布数据确定疫情风险等级。
进一步地,在本申请实施例提供的上述基于人工智能的疫情预测方法中,在所述遍历对应目标疾病的疑似患者群的病历单之前,所述方法还包括:
调用预设传染病动力学模型拟合所述目标疾病的关键参数;
根据所述关键参数采集确诊患者的目标流调数据;
解析所述目标流调数据,确认对应所述确诊患者的第一疑似患者群;
计算所述第一疑似患者群中每一疑似患者的确诊概率;
根据所述确诊概率确定第二疑似患者群。
进一步地,在本申请实施例提供的上述基于人工智能的疫情预测方法中,所述遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据包括:
结构化所述病历单并获取结构化的病历单中的主题模块;
检测所述主题模块中是否包含预设关键字;
当检测结果为所述主题模块中包含预设关键字时,获取包含预设关键字的目标主题模块的数据存储形式;
根据所述数据存储形式匹配目标采集方式,并根据所述目标采集方式采集所述结构化的病例单中的症状数据。进一步地,在本申请实施例提供的上述基于人工智能的疫情预测方法中,所述根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病包括:
检测所述疾病识别结果是否与所述目标疾病一致;
当检测结果为所述疾病识别结果与所述目标疾病不一致时,判定所述疑似患者未患有所述目标疾病;
当检测结果为所述疾病识别结果与所述目标疾病一致时,判定所述疑似患者患有所述目标疾病。进一步地,在本申请实施例提供的上述基于人工智能的疫情预测方法中,所述获取与所述症状数据匹配的目标症候群包括:
根据所述症状数据确定目标症状点;
将所述目标症状点与症候群中的症状点进行匹配,得到匹配结果;
根据所述匹配结果确定目标症候群。
进一步地,在本申请实施例提供的上述基于人工智能的疫情预测方法中,所述症候群处理模型的训练过程还包括:
根据所述目标症候群确定目标历史数据;
获取对应所述目标历史数据的历史分布数据;
基于所述目标历史数据训练初始化的症候群处理模型;
计算所述症候群处理模型的输出值与实际值之间的误差;
根据所述误差确定与所述症候群处理模型的权值相关的目标函数,并确定目标函数值达到最小时的目标权值;
根据所述目标权值确定最终的症候群处理模型。
进一步地,在本申请实施例提供的上述基于人工智能的疫情预测方法中,所述根据所述目标分布数据确定风险等级包括:
获取对应所述目标历史数据历史分布数据;
计算所述目标分布数据与所述历史分布数据之间的数据差值;
根据所述数据差值确定疫情风险等级。
本申请实施例第二方面还提供一种基于人工智能的疫情预测装置,所述基于人工智能的疫情预测装置包括:
症状获取模块,用于遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据;
症状识别模块,用于基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果;
疾病判断模块,用于根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病;
患者确诊模块,用于当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者;
数据获取模块,用于获取所有确诊患者的预设数据;
分布计算模块,用于获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据;
风险确定模块,用于根据所述目标分布数据确定疫情风险等级。
本申请实施例第三方面还提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现上述任意一项所述基于人工智能的疫情预测方法。
本申请实施例第四方面还提供一种计算机可读存储介质,所述计算机可读存储介质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基于人工智能的疫情预测方法。
本申请实施例提供的上述基于人工智能的疫情预测方法、基于人工智能的疫情预测装置、计算机设备以及计算机可读存储介质,通过判断疑似患者是否确诊,并将确诊患者的预设数据作为对应症候群处理模型的输入数据,能够提高输入数据的准确性,进而提高疫情预测的准确性,将疫情风险降至最低,有利于促进智慧医疗的发展及智慧城市的建设。
附图说明
图1是本发明第一实施方式提供的基于人工智能的疫情预测方法的流程图。
图2是本发明一实施方式的计算机设备的结构示意图。
图3是图2所示的计算机设备的示例性的功能模块图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
图1是本发明第一实施方式的基于人工智能的疫情预测方法的流程图。所述基于人工智能的疫情预测方法可以应用于计算机设备,如图1所示,所述基于人工智能的疫情预测方法可以包括如下步骤:
S11、遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据。
在本申请的至少一实施例中,所述病历单可为电子病历单。所述病历单为结构化的表单,所述病历单由多个主题模块组成,所述主题模块包括个人基础信息模块、症状信息模块与用药信息模块等。所述个人基础信息包括年龄、性别、身高、体重等信息;所述症状信息中包含患者的症状信息,例如,发热、头疼、咳嗽等症状;所述用药信息包括用药名称(或用药编码)、用药方式、单次用药剂量以及用药频率。在一实施例中,可以通过调用NLP模型抽取每一疑似患者的症状数据。NLP(Natural Language Processing)模型为自然语言处理模型,所述NLP模型可用于关键词的提取。
优选地,所述遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据包括:结构化所述病历单并获取结构化的病历单中的主题模块;检测所述主题模块中是否包含预设关键字;当检测结果为所述主题模块中包含预设关键字时,获取包含预设关键字的目标主题模块的数据存储形式;根据所述数据存储形式匹配目标采集方式,并根据所述目标采集方式采集所述结构化的病例单中的症状数据。
其中,每个所述主题模块均包含关键词,用于表征该主题模块。例如,所述个人基础信息模块的关键词可设为:基础信息;所述症状信息模块的关键词可设为:症状。所述预设关键词可为“病症、症状”等关键词。对于不同的主题模块,其对应的内容可能采用不同的数据存储形式。对于不同的数据存储形式,设置有对应的数据采集方式。通过上述设置,能够对多种数据存储形式的数据进行完整的采集,提高数据采集的准确率,进而提高疫情预测准确率。
在本申请的至少一实施例中,在所述遍历对应目标疾病的疑似患者群的病历单之前,所述方法还包括:调用预设传染病动力学模型拟合所述目标疾病的关键参数;根据所述关键参数采集确诊患者的目标流调数据;解析所述目标流调数据,确认对应所述确诊患者的第一疑似患者群;计算所述第一疑似患者群中每一疑似患者的确诊概率;根据所述确诊概率确定第二疑似患者群。
其中,所述关键参数可包括传播机制、传播路径、疾病传染指数、易感人群等数据;所述传染病动力学模型可包括SI模型、SIR模型、SIRS模型、SEIR模型等,在此不作限制。所述确诊患者的目标数据可通过流行疾病调查等方式获取。示例性地,针对某一类传染性疾病,所述流调数据可包括预设时间段内的移动路径、移动工具以及是否佩戴口罩等数据。根据所述移动路径、移动工具以及是否佩戴口罩确定密切接触者与一般接触者。所述预设时间段为预先设置的时间段,可根据传染性疾病的潜伏期设定最优值;所述移动路径可通过定位确诊患者的移动设备所在的不同区域,根据所述移动设备的移动位置确定;所述移动工具可包括自驾、地铁、公交等。所述确诊概率用于评估患者确诊的可能性。将确诊概率高于预设概率阈值的患者确定为第二疑似患者,所述预设概率阈值为预先设置的,例如,所述预设概率阈值为40%。示例性地,所述计算所述第一疑似患者群中每一疑似患者的确诊概率包括:确定第一疑似患者群中每一疑似患者与确诊患者的接触方式、接触时长、距离的数据;将上述数据输入至预先设置好的概率计算函数中,得到所述第一疑似患者群中每一疑似患者的确诊概率。
S12、基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果。
在本申请的至少一实施例中,所述临床决策识别模型可应用于临床决策支持系统(CDSS,Clinical decision support system)中,用于根据患者的症状数据确定患者所患疾病。
优选地,在得到疾病识别结果之后,所述方法还包括:确定疾病识别结果是否正确。示例性地,所述确定疾病识别结果是否正确包括:获取患者的病历单与疾病识别结果;从所述病历单中获取患者的个人基本信息和/或症状信息;检测所述疾病识别结果与所述个人基本信息和/或症状信息是否一致;当检测结果为所述疾病识别结果与所述个人基本信息和/或症状信息一致时,确定疾病识别结果正确;当检测结果为所述疾病识别结果与所述个人基本信息和/或症状信息不一致时,确定疾病识别结果错误。例如,当所述疾病识别结果为某种男性疾病时,但所述个人基本信息显示该患者为女性,可以判定所述疾病识别结果与所述个人疾病信息的逻辑不一致,则确定疾病识别结果错误。
S13、根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病,当判断结果为所述疑似患者患有所述目标疾病时,执行步骤S14。
在本申请的至少一实施例中,所述基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果包括:检测所述疾病识别结果是否与所述目标疾病一致;当检测结果为所述疾病识别结果与所述目标疾病不一致时,判定所述疑似患者未患有所述目标疾病;当检测结果为所述疾病识别结果与所述目标疾病一致时,判定所述疑似患者患有所述目标疾病。
S14、将所述疑似患者作为确诊患者。
在本申请的至少一实施例中,当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者。
S15、获取所有确诊患者的预设数据。
在本申请的至少一实施例中,所述预设数据包括患者性别、患者年龄、患者居住地、患者确诊时间、患者发病时间等信息。所述预设数据可通过流行疾病调查等方式获取。
S16、获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据。
在本申请的至少一实施例中,所述症候群包括呼吸道症候群、流感样症候群等多个症候群,每一所述症候群对应不同的症状点,例如,对于呼吸道症候群,其对应的症状点包括咳嗽等;对于流感样症候群,其对应的症状点包括发热、头疼等。在此不作限制。
优选地,所述获取与所述症状数据匹配的目标症候群包括:根据所述症状数据确定目标症状点;将所述目标症状点与症候群中的症状点进行匹配,得到匹配结果;根据所述匹配结果确定目标症候群。
其中,可通过遍历医疗词典的方式确定目标症状点,所述医疗词典中包含大量的有关症状的关键词,对大量的症状进行聚类处理,将相似或相同的症状分为一类,作为一症状点。例如,“头疼”、“头痛”实为相同症状,将其进行聚类处理分为一类,作为头疼症状点。所述医疗词典的内容来源包括但不限于社交网站、分享网站、搜索网站等等,可采用爬虫技术定期爬取上述网站有关病症的关键词,及时更新所述医疗词典。当所述目标症状点与症候群中某一症状点一致时,确定所述目标症状点与该症候群匹配,该症候群为目标症候群。所述目标症候群的数量可以为1个,也可以为多个。
优选地,对于不同的症候群,存在对应的症候群模型。所述症候群处理模型的训练过程还包括:根据所述目标症候群确定目标历史数据;获取对应所述目标历史数据的历史分布数据;基于所述目标历史数据训练初始化的症候群处理模型;计算所述症候群处理模型的输出值与实际值之间的误差;根据所述误差确定与所述症候群处理模型的权值相关的目标函数,并确定目标函数值达到最小时的目标权值;根据所述目标权值确定最终的症候群处理模型。
其中,所述目标历史数据存储于区块链的节点中。所述目标历史数据是指与所述目标症候群中疾病相关的数据,所述目标症候群中的疾病有多个时,对应所述目标症候群的目标历史数据也有多种。例如,所述目标症候群中包含两种疾病:支气管炎与急性气管炎时,所述目标历史数据可以是对应支气管炎的数据与对应急性气管炎的数据。当所述目标症候群的数量为多个时,所述目标历史数据是指与多个目标症候群的疾病相关的数据。示例性地,所述目标历史数据可包括患者性别、患者年龄、患者居住地、患者确诊时间、患者发病时间、疾病描述、确诊机构等信息。
其中,所述目标分布数据包括目标疾病的时间分布数据、空间分布数据以及人群分布数据。时间分布数据是指特定疾病的高发时间;空间分布数据是指特定级别的高发区域;人群分布数据是指易感染人群性别、易感染人群年龄段。将所述患者性别、患者年龄等数据标记上第一标签,这类数据能够反映疾病的人群分布;将所述患者居住地、确诊机构等数据标记上第二标签,这类数据能够反映疾病的空间分布;将所述患者确诊时间、患者发病时间、疾病描述等数据标记上第三标签,这类数据能够反映疾病的时间分布。
S17、根据所述目标分布数据确定疫情风险等级。
在本申请的至少一实施例中,所述疫情风险等级由高到低可分为I、II、III级等。针对不同的疫情风险等级,确定对应的应急响应数据,所述应急响应数据可以包括但不限于对已感染传染病的人员进行隔离、封闭易于传播感传染病的区域、对易感人群的保护、对疑似感染传染病的人员进行筛查等。
优选地,所述根据所述目标分布数据确定疫情风险等级包括:获取对应所述目标历史数据历史分布数据;计算所述目标分布数据与所述历史分布数据之间的数据差值;根据所述数据差值确定疫情风险等级。
其中,所述计算所述目标分布数据与所述历史分布数据之间的数据差值包括:获取所述目标分布数据中时间分布数据、空间分布数据以及人群分布数据;获取所述历史分布数据中历史时间分布数据、历史空间分布数据以及历史人群分布数据;分别计算所述时间分布数据与所述历史时间分布数据的数据差值、所述空间分布数据与所述历史空间分布数据的数据差值、所述人群分布数据与所述历史人群分布数据的数据差值。所述分布数据差值越大,其对应的风险等级越高。
在一实施例中,当所述历史分布数据包含多个疾病的分布情况时,可以先对多个疾病的历史分布数据进行综合分析,得到历史综合分布数据,将所述历史综合分布数据与所述分布数据进行比对,得到分布数据差值。在另一实施例中,当所述历史分布数据包含多个疾病的分布情况时,还可以确定多个疾病的分布情况中最大历史分布数据,将所述最大历史分布数据与所述分布数据进行比对,得到分布数据差值。
在本申请的其他实施例中,所述根据所述目标分布数据确定疫情风险等级还包括:获取对应所述预设数据的疾病时间、空间以及人群的目标分布数据;检测所述目标分布数据是否超过预设分布阈值范围,当检测结果为所述目标分布数据超过预设分布阈值范围时,确定风险等级。其中,所述预设分布阈值为预先设置的值。
本申请实施例提供的上述基于人工智能的疫情预测方法,采用与所述目标症候群中疾病相关的数据作为训练样本,能够提高症候群处理模型训练的准确率,进而提高疫情预测的准确率;且本申请将训练样本的输出数据作为历史同期水平,将当前疫情发病情况直接与历史同期水平进行比对,进而评估风险等级发出预警,能够提高风险评估的准确性;此外,本申请还通过判断疑似患者是否确诊,并将确诊患者的预设数据作为症候群处理模型的输入数据,能够提高输入数据的准确性,进而提高疫情预测的准确性,将疫情风险降至最低,有利于促进智慧医疗的发展及智慧城市的建设。
以上是对本发明实施例所提供的方法进行的详细描述。根据不同的需求,所示流程图中方块的执行顺序可以改变,某些方块可以省略。下面对本发明实施例所提供的计算机设备1进行描述。
图2是本发明一实施方式的计算机设备的结构示意图,如图2所示,计算机设备1包括存储器10,存储器10中存储有所述基于人工智能的疫情预测装置300。所述计算机设备1可以是计算机、平板电脑、个人数字助理等具有数据处理、分析、程序执行及显示等功能的电子设备。所述基于人工智能的疫情预测装置300可以遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据;基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果;根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病;当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者;获取所有确诊患者的预设数据;获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据;根据所述目标分布数据确定疫情风险等级。通过本申请,能够提高疫情预测的正确率,将疫情风险降至最低,有利于促进智慧医疗的发展及智慧城市的建设。
本实施方式中,计算机设备1还可以包括显示屏20及处理器30。存储器10、显示屏20可以分别与处理器30电连接。
所述的存储器10可以是不同类型存储设备,用于存储各类数据。例如,可以是计算机设备1的存储器、内存,还可以是可外接于该计算机设备1的存储卡,如闪存、SM卡(SmartMedia Card,智能媒体卡)、SD卡(Secure Digital Card,安全数字卡)等。此外,存储器10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(Smart MediaCard,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。存储器10用于存储各类数据,例如,所述计算机设备1中安装的各类应用程序(Applications)、应用上述基于人工智能的疫情预测方法而设置、获取的数据等信息。
显示屏20安装于计算机设备1,用于显示信息。
处理器30用于执行所述基于人工智能的疫情预测方法以及所述计算机设备1内安装的各类软件,例如操作系统及应用显示软件等。处理器30包含但不限于处理器(CentralProcessing Unit,CPU)、微控制单元(Micro Controller Unit,MCU)等用于解释计算机指令以及处理计算机软件中的数据的装置。
所述的基于人工智能的疫情预测装置300可以包括一个或多个的模块,所述一个或多个模块被存储在计算机设备1的存储器10中并被配置成由一个或多个处理器(本实施方式为一个处理器30)执行,以完成本发明实施例。参阅图3所示,所述基于人工智能的疫情预测装置300可以包括症状获取模块301、症状识别模块302、疾病判断模块303、患者确诊模块304、数据获取模块305、分布计算模块306以及风险确定模块307。本发明实施例所称的模块可以是完成一特定功能的程序段,比程序更适合于描述软件在处理器30中的执行过程。
可以理解的是,对应上述基于人工智能的疫情预测方法中的各实施方式,基于人工智能的疫情预测装置300可以包括图3中所示的各功能模块中的一部分或全部,各模块的功能将在以下具体介绍。需要说明的是,以上基于人工智能的疫情预测方法的各实施方式中相同的名词相关名词及其具体的解释说明也可以适用于以下对各模块的功能介绍。为节省篇幅及避免重复起见,在此就不再赘述。
症状获取模块301可以用于遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据。
症状识别模块302可以用于基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果。
疾病判断模块303可以用于根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病。
患者确诊模块304可以用于当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者。
数据获取模块305可以用于获取所有确诊患者的预设数据。
分布计算模块306可以用于获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据。
风险确定模块307可以用于根据所述目标分布数据确定疫情风险等级。
本发明实施例还提供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30执行时实现上述任一实施方式中的基于人工智能的疫情预测方法的步骤。
所述基于人工智能的疫情预测装置300/计算机设备1/计算机设备集成的模块/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方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器30执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序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。所述计算机可读存储介质可以包括:能够携带所述计算机程序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)、随机存取存储器等。
所称处理器30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30是所述基于人工智能的疫情预测装置300/计算机设备1的控制中心,利用各种接口和线路连接整个基于人工智能的疫情预测装置300/计算机设备1的各个部分。
所述存储器10用于存储所述计算机程序和/或模块,所述处理器30通过运行或执行存储在所述存储器10内的计算机程序和/或模块,以及调用存储在存储器10内的数据,实现所述基于人工智能的疫情预测装置300/计算机设备1的各种功能。所述存储器10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计算机设备1的使用所创建的数据(比如音频数据)等。
在本发明所提供的几个具体实施方式中,应该理解到,所揭露的计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的系统实施方式仅仅是示意性的,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。
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。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。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,本发明实施例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实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。系统、装置或计算机设备权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。
以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的疫情预测方法,其特征在于,所述基于人工智能的疫情预测方法包括:
遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据;
基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果;
根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病;
当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者;
获取所有确诊患者的预设数据;
获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据;
根据所述目标分布数据确定疫情风险等级。
2.根据权利要求1所述的基于人工智能的疫情预测方法,其特征在于,在所述遍历对应目标疾病的疑似患者群的病历单之前,所述方法还包括:
调用预设传染病动力学模型拟合所述目标疾病的关键参数;
根据所述关键参数采集确诊患者的目标流调数据;
解析所述目标流调数据,确认对应所述确诊患者的第一疑似患者群;
计算所述第一疑似患者群中每一疑似患者的确诊概率;
根据所述确诊概率确定第二疑似患者群。
3.根据权利要求1所述的基于人工智能的疫情预测方法,其特征在于,所述遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据包括:
结构化所述病历单并获取结构化的病历单中的主题模块;
检测所述主题模块中是否包含预设关键字;
当检测结果为所述主题模块中包含预设关键字时,获取包含预设关键字的目标主题模块的数据存储形式;
根据所述数据存储形式匹配目标采集方式,并根据所述目标采集方式采集所述结构化的病例单中的症状数据。
4.根据权利要求1所述的基于人工智能的疫情预测方法,其特征在于,所述根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病包括:
检测所述疾病识别结果是否与所述目标疾病一致;
当检测结果为所述疾病识别结果与所述目标疾病不一致时,判定所述疑似患者未患有所述目标疾病;
当检测结果为所述疾病识别结果与所述目标疾病一致时,判定所述疑似患者患有所述目标疾病。
5.根据权利要求1所述的基于人工智能的疫情预测方法,其特征在于,所述获取与所述症状数据匹配的目标症候群包括:
根据所述症状数据确定目标症状点;
将所述目标症状点与症候群中的症状点进行匹配,得到匹配结果;
根据所述匹配结果确定目标症候群。
6.根据权利要求1所述的基于人工智能的疫情预测方法,其特征在于,所述症候群处理模型的训练过程还包括:
根据所述目标症候群确定目标历史数据;
获取对应所述目标历史数据的历史分布数据;
基于所述目标历史数据训练初始化的症候群处理模型;
计算所述症候群处理模型的输出值与实际值之间的误差;
根据所述误差确定与所述症候群处理模型的权值相关的目标函数,并确定目标函数值达到最小时的目标权值;
根据所述目标权值确定最终的症候群处理模型。
7.根据权利要求6所述的基于人工智能的疫情预测方法,其特征在于,所述根据所述目标分布数据确定风险等级包括:
获取对应所述目标历史数据历史分布数据;
计算所述目标分布数据与所述历史分布数据之间的数据差值;
根据所述数据差值确定疫情风险等级。
8.一种基于人工智能的疫情预测装置,其特征在于,所述基于人工智能的疫情预测装置包括:
症状获取模块,用于遍历对应目标疾病的疑似患者群的病历单,得到每一疑似患者的症状数据;
症状识别模块,用于基于预先设置的临床决策识别模型识别所述症状数据,得到疾病识别结果;
疾病判断模块,用于根据所述疾病识别结果判断所述疑似患者是否患有所述目标疾病;
患者确诊模块,用于当判断结果为所述疑似患者患有所述目标疾病时,将所述疑似患者作为确诊患者;
数据获取模块,用于获取所有确诊患者的预设数据;
分布计算模块,用于获取与所述症状数据匹配的目标症候群,并调用对应所述目标症候群的症候群处理模型处理所述预设数据,得到目标分布数据;
风险确定模块,用于根据所述目标分布数据确定疫情风险等级。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于人工智能的疫情预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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7中任意一项所述基于人工智能的疫情预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106447.9A CN112216402A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106447.9A CN112216402A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112216402A true CN112216402A (zh) | 2021-01-12 |
Family
ID=74054921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011106447.9A Pending CN112216402A (zh) | 2020-10-16 | 2020-10-16 | 基于人工智能的疫情预测方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112216402A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269945A (zh) * | 2021-04-20 | 2021-08-17 | 重庆电子工程职业学院 | 一种计算机人工智能预警系统 |
CN113658704A (zh) * | 2021-09-17 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 糖尿病风险预测设备、装置和存储介质 |
CN113707255A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于相似患者的健康指导方法、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 |
CN115148373A (zh) * | 2022-07-28 | 2022-10-04 | 深圳市腾云数据系统有限公司 | 一种基于症状监测的疫情监测方法及系统 |
WO2022217713A1 (zh) * | 2021-04-16 | 2022-10-20 | 平安科技(深圳)有限公司 | 症候群监测预警方法、装置、计算机设备及存储介质 |
CN115862897A (zh) * | 2023-02-21 | 2023-03-28 | 江西曼荼罗软件有限公司 | 一种基于临床数据的症候群监测方法及系统 |
CN117912625A (zh) * | 2024-03-20 | 2024-04-19 | 广州源康健信息科技有限公司 | 一种基于问诊对话的电子病历生成方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190148023A1 (en) * | 2017-11-16 | 2019-05-16 | Google Llc | Machine-Learned Epidemiology |
CN110136842A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 急性传染病的发病预测方法、装置及计算机可读存储介质 |
CN111180070A (zh) * | 2019-12-30 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 病历数据分析方法及装置 |
CN111445997A (zh) * | 2020-04-02 | 2020-07-24 | 南京三眼精灵信息技术有限公司 | 基于机器学习算法的传染病动力学模型及分析方法 |
CN111640516A (zh) * | 2020-06-09 | 2020-09-08 | 中原工学院 | 一种利用手机对健康状况进行监测预警的方法、服务器和网络系统 |
CN111696680A (zh) * | 2020-04-30 | 2020-09-22 | 广东省疾病预防控制中心 | 呼吸道传染病病例尺度三维时空聚类可视化模型构建方法 |
CN111739656A (zh) * | 2020-07-17 | 2020-10-02 | 医渡云(北京)技术有限公司 | 基于无症状感染者预测传染病趋势的方法及装置 |
-
2020
- 2020-10-16 CN CN202011106447.9A patent/CN112216402A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190148023A1 (en) * | 2017-11-16 | 2019-05-16 | Google Llc | Machine-Learned Epidemiology |
CN110136842A (zh) * | 2019-04-04 | 2019-08-16 | 平安科技(深圳)有限公司 | 急性传染病的发病预测方法、装置及计算机可读存储介质 |
CN111180070A (zh) * | 2019-12-30 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 病历数据分析方法及装置 |
CN111445997A (zh) * | 2020-04-02 | 2020-07-24 | 南京三眼精灵信息技术有限公司 | 基于机器学习算法的传染病动力学模型及分析方法 |
CN111696680A (zh) * | 2020-04-30 | 2020-09-22 | 广东省疾病预防控制中心 | 呼吸道传染病病例尺度三维时空聚类可视化模型构建方法 |
CN111640516A (zh) * | 2020-06-09 | 2020-09-08 | 中原工学院 | 一种利用手机对健康状况进行监测预警的方法、服务器和网络系统 |
CN111739656A (zh) * | 2020-07-17 | 2020-10-02 | 医渡云(北京)技术有限公司 | 基于无症状感染者预测传染病趋势的方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022217713A1 (zh) * | 2021-04-16 | 2022-10-20 | 平安科技(深圳)有限公司 | 症候群监测预警方法、装置、计算机设备及存储介质 |
CN113269945A (zh) * | 2021-04-20 | 2021-08-17 | 重庆电子工程职业学院 | 一种计算机人工智能预警系统 |
CN113707255A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于相似患者的健康指导方法、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 |
CN113707255B (zh) * | 2021-08-31 | 2023-09-26 | 平安科技(深圳)有限公司 | 基于相似患者的健康指导方法、装置、计算机设备及介质 |
CN113658704A (zh) * | 2021-09-17 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 糖尿病风险预测设备、装置和存储介质 |
CN115148373A (zh) * | 2022-07-28 | 2022-10-04 | 深圳市腾云数据系统有限公司 | 一种基于症状监测的疫情监测方法及系统 |
CN115862897A (zh) * | 2023-02-21 | 2023-03-28 | 江西曼荼罗软件有限公司 | 一种基于临床数据的症候群监测方法及系统 |
CN117912625A (zh) * | 2024-03-20 | 2024-04-19 | 广州源康健信息科技有限公司 | 一种基于问诊对话的电子病历生成方法 |
CN117912625B (zh) * | 2024-03-20 | 2024-05-28 | 广州源康健信息科技有限公司 | 一种基于问诊对话的电子病历生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112216402A (zh) | 基于人工智能的疫情预测方法、装置、计算机设备及介质 | |
CN111899878B (zh) | 老年人健康检测系统、方法、计算机设备及可读存储介质 | |
Taylor et al. | Prediction of in‐hospital mortality in emergency department patients with sepsis: a local big data–driven, machine learning approach | |
CN112786205B (zh) | 基于数据模型的症候群预警方法、装置、介质及设备 | |
CN109584980B (zh) | 数据核验方法及装置、电子设备、存储介质 | |
Chadaga et al. | Battling COVID-19 using machine learning: A review | |
US10847257B2 (en) | Bit vector record linkage | |
CN112102959B (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
CN112634889B (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
Patel et al. | Cmbatting COVID-19: Artificial Intelligence Technologies & Challenges | |
CN115798734B (zh) | 基于大数据的新发突发传染病防控方法、装置及储存介质 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
Sadhana et al. | AI-based power screening solution for SARS-CoV2 infection: a sociodemographic survey and COVID-19 cough detector | |
Omran et al. | Breast cancer identification from patients’ tweet streaming using machine learning solution on spark | |
CN114334175A (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
Ksibi et al. | Improved Analysis of COVID‐19 Influenced Pneumonia from the Chest X‐Rays Using Fine‐Tuned Residual Networks | |
CN112435745A (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
Dong et al. | Development and validation of HBV surveillance models using big data and machine learning | |
CN113724891A (zh) | 医院疫情监测方法、装置及相关设备 | |
Sharma et al. | Using machine learning to determine the time of exposure to infection by a respiratory pathogen | |
Cortes | Can We Improve the Prediction of the Influenza Onset and Save Money in the Process? | |
Kakulapati et al. | Self-aware COVID-19 AI approach (SIntL-CoV19) by integrating infected scans with internal behavioral analysis |
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: 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. |