CN112270999B - 一种基于大数据和人工智能的流行病早期发现系统和方法 - Google Patents
一种基于大数据和人工智能的流行病早期发现系统和方法 Download PDFInfo
- Publication number
- CN112270999B CN112270999B CN202011066664.XA CN202011066664A CN112270999B CN 112270999 B CN112270999 B CN 112270999B CN 202011066664 A CN202011066664 A CN 202011066664A CN 112270999 B CN112270999 B CN 112270999B
- Authority
- CN
- China
- Prior art keywords
- data
- syndrome
- list
- infectious
- suspected
- 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.)
- Active
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于大数据和人工智能的流行病早期发现系统和方法,系统包括智能数据采集装置和数据中心;智能数据采集装置采集并传输信息数据中心;S1:采集调查信息并初步分析判断传染病趋向,同时将采集到的调查信息和判断结果形成推荐结论传输至数据中心;S2:数据中心将所有得到的疑似症候群集合形成全局症候群列表,疑似症候群对应数值为a并形成列表;S3:数据中心利用上述步骤的症候群数据判断是否存在传染病迹象并利用时空数据构建传染时空网络;S4:通过S3得到的传染时空网络判断传染病的传播路径并进行传染病检验排查;其中本发明的有益效果是:解决了现有技术中流行病早期调查的弊端,实现了客观主动的流行病调查判断。
Description
技术领域
本发明涉及疾病监测判断领域,特别涉及一种基于大数据和人工智能的流行病早期发现系统和方法。
背景技术
现有的疫情直报系统来应对突发传染病还存在一些滞后与不足,其关键问题在于该系统是依靠人为记录和输入的,依赖主观判断和情感因素,造成严重的问题发现滞后性。同时该系统只能上报,引起监管人员重视,然后由人去做流行病调查,又会造成疫情控制的滞后性。
人为流行病调查成本高、周期长、风险大。虽然已经有一些追踪控制系统,比如健康码,但其完全依赖于人的输入,主观性太强。个别系统,比如健康云,可以做简单的人工智能问诊。但无法判断传染性。
行业内存在一些对单个人症状指标判断分析的工具何产品,然而仅仅通过症状和简单检测结果是很难判断疾病的,更难判断传染病。
现存的所有解决方案,均不能实现客观自动。
发明内容
为了解决上述技术问题,本发明中披露了一种基于大数据和人工智能的流行病早期发现系统和方法,本发明的技术方案是这样实施的:
一种基于大数据和人工智能的流行病早期发现系统和方法,:所述系统包括智能数据采集装置和数据中心;所述智能数据采集装置采集并传输信息至所述数据中心;所述方法包括如下步骤:
S1:采集调查信息并初步分析判断传染病趋向,同时将采集到的调查信息和判断结果形成推荐结论传输至数据中心;
S2:数据中心将所有得到的疑似症候群集合形成全局症候群列表,疑似症候群对应数值为a并形成列表;
S3:数据中心利用上述步骤的症候群数据判断是否存在传染病迹象并利用时空数据构建传染时空网络;
S4:通过S3得到的传染时空网络判断传染病的传播路径并进行传染病检验排查;
其中,所述S2中疑似症候群判别算法包括如下步骤:
S2-1:准备全局症候群列表;
S2-2:取症状数据集Si={s1,s2,s3,…},剔除非传染病症状元素;
S2-3:生成Si的幂集{{s1},{s2},{s3},{s1,s2},{s2,s3},…};
S2-4:对Si幂集中的所有元素查询医学知识库比对;
S2-5:保留符合流行病特征的全部症状集合构成疑似症候群集合;
S2-6:检查症候群列表,检查疑似症候群是否存在,如果存在,该疑似症候群计数a加1,如果不存在,建立新的疑似症候群并添加至症候群列表;
S2-7:当全部数据处理完毕,输出症候群列表与相应计数a的列表。
所述S3中传染性判别算法包括如下步骤:
S3-1:获取一个症候群St;
S3-2:筛选每个人满足St是Si的子集时,保留数据,否则忽略;
S3-3:提取筛选出的每个人的时空数据,当数据不唯一时,创建多个数据点;
S3-4:对时空数据归一化,所有时空数据映射到一个三维时空空间;
S3-5:选定一个时空距离d,对每个数据点按照这个距离半径检查是否有相邻点,并连接;
S3-6:对多个点连接起来的网络或几个独立网络,检查网络直径D;
S3-7:如果D大于预设值,则判断为传染性疾病,否则结束本症候群判断。
优选地,还包括S2A:
通过数据中心录入历史传染病流调记录,从这些数据中提取特异性症状结合历史确诊结果,训练一个症候群推荐系统辅助构建全局症候群列表。
优选地,所述方法还包括S2B:采用传染因子算法对症候群进行排序;
所述传染因子算法包括如下步骤:
S2B-1:在全局症候群列表中,查找子集关系;
S2B-2:一个症候群的传染因子计数为b,当一个症候群是另一个症候群的子集时,前者b加1;
S2B-3:对所有症候群计算传染因子Min(ai,bi);
S2B-4:按照传染因子的排序输出症候群列表。
优选地,所述智能数据采集装置包括医疗机构、社区公共场所、家庭和个人智能数据采集装置。
优选地,所述智能数据采集装置采集的数据包括人工智能问询表、检测结果、记录情况、分析结果表、时间和地理位置信息。
优选地,所述S2A训练症候群推荐系统的方法包括波兹曼机、深度神经网络和随机森林。
优选地,所述S3-5步骤和S3-6步骤使用聚类算法设置时空距离。
实施本发明的技术方案可解决现有技术中无法客观主动的调查判断流行病的技术问题;实施本发明的技术方案,通过采用大数据和人工智能技术,自动识别疑似病例,自动上报,自动分析,以特异性症候群的迁移为判断是否有传染病的触发点,可实现提供稳健的流行病早期发现的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施例,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为本发明的系统结构简图;
图2为本发明的方法流程简图;
图3为疑似症候群判别算法流程图;
图4为传染性判别算法流程示意图;
图5为传染因子算法流程示意图;
图6为归一化后的时空坐标结构示意图。
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,所描述的实施例仅仅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作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。
实施例
在一种具体的实施例中,如图1、图2、图3和图4所示,一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:系统包括智能数据采集装置和数据中心;智能数据采集装置采集并传输信息至数据中心;方法包括如下步骤:
S1:采集调查信息并初步分析判断传染病趋向,同时将采集到的调查信息和判断结果形成推荐结论传输至数据中心;
S2:数据中心将所有得到的疑似症候群集合形成全局症候群列表,疑似症候群对应数值为a并形成列表;
S3:数据中心利用上述步骤的症候群数据判断是否存在传染病迹象并利用时空数据构建传染时空网络;
S4:通过S3得到的传染时空网络判断传染病的传播路径并进行传染病检验排查;
其中,S2中疑似症候群判别算法包括如下步骤:
S2-1:准备全局症候群列表;
S2-2:取症状数据集Si={s1,s2,s3,…},剔除非传染病症状元素;
S2-3:生成Si的幂集{{s1},{s2},{s3},{s1,s2},{s2,s3},…};
S2-4:对Si幂集中的所有元素查询医学知识库比对;
S2-5:保留符合流行病特征的全部症状集合构成疑似症候群集合;
S2-6:检查症候群列表,检查疑似症候群是否存在,如果存在,该疑似症候群计数a加1,如果不存在,建立新的疑似症候群并添加至症候群列表;
S2-7:当全部数据处理完毕,输出症候群列表与相应计数a的列表。
S3中传染性判别算法包括如下步骤:
S3-1:获取一个症候群St;
S3-2:筛选每个人满足St是Si的子集时,保留数据,否则忽略;
S3-3:提取筛选出的每个人的时空数据,当数据不唯一时,创建多个数据点;
S3-4:对时空数据归一化,所有时空数据映射到一个三维时空空间;
S3-5:选定一个时空距离d,对每个数据点按照这个距离半径检查是否有相邻点,并连接;
S3-6:对多个点连接起来的网络或几个独立网络,检查网络直径D;
S3-7:如果D大于预设值,则判断为传染性疾病,否则结束本症候群判断。
在本实施例中,智能数据采集装置可以完成人工智能问询、检测、记录、分析,并记录时间和地理位置,这些信息可以进行有需要的删除或根据实际情况选择更多信息的采集,例如人员的旅行情况等等,智能数据采集装置输出结果为数据和推荐结论,Si是一个症状集合Si={s1,s2,s3,…},其幂集为{{s1},{s2},{s3},{s1,s2},{s2,s3},…},其中每个元素都是一个集合,可以是空集,单元素集,多元素集。此处,Si可以是一个文字描述症状,也可以是一个检测结果,查询一个外部传染病医学知识库,可以知道幂集中那个元素是具有传染病特异性的症状集合。因此S2-2步骤可以剔除Si中那些非典型传染病的症状,比如{淤青},{出血}等等,S2-4步骤和S2-5步骤则可以进一步剔除非典型症状组合,比如{呕吐,酒后},而剩下的症状集合则为可能的传染病症状,比如{高热,胸闷,剧烈咳嗽},这些剩下的症状集合成为疑似症候群集合。在算法入口处构建一个全局症候群列表,一个症候群就是一个症状集合,但初始状态为空列表。S2-6步骤在全局症候群列表中查找时候存在S2-5步骤输出的所有疑似症候群,如果存在则在全局症候群列表中的对应症候群计数a加1,否则追加该症候群进入全局症候群列表。当所有人的所有传染病典型症状集合都处理完毕,输出得到的全局症候群列表和对应得计数器a的数值。该算法可以计算出所有人群中可能的传染病症候群发生的次数,按照a值排序,则a值越大代表该症候群对应的传染病类发生的可能性越大。该算法适合特异性或典型症状确实清晰的情况,即有目标传染病的情形。
排在前面的症候群是一个潜在传染病的可能性高。但这仍不能有相当的自信去启动检验排查。传染病的首要特征就是传染性。因此,本实施例还提供一个传染性判别算法:依靠每个人的时空数据判断是否症候群存在传递性。本算法可以反复调用,来处理疑似症候群判别算法生成的症候群列表中的每一个症候群。首先,S3-1步骤获取一个症候群,即一个症状集合命名为St;S3-2步骤检查每个人的症状集合数据Si,当St是Si的一个子集时,则保留当前这个人的数据,否则忽略;S3-3步骤对S3-2步骤筛选下来的每个人的时空数据做检查,当存在多个时空数据对,即一个人在不同时间和不同地点做了多次数据记录,则对这个人生成多个时空数据点;S3-4步骤对所有时空数据做合理归一化,空间数据以2维平面(x,y)表达,时间数据作为z轴,构成三维空间,每单位时间和每单位空间距离在坐标轴上等距,即单位时空构成一个正方体;S3-5步骤在这个三维空间内选择合适时空距离d,以每个数据点为中心按照这个距离为直径做球,如果任何两球相交则两个中心点连接起来,连接起来后构成一个网络或多个独立网络;S3-6步骤检查出最大的网络直径D,如果D大于预设数值,则判断为该症候群具有传染特性。S3-4步骤需要对时空数据做归一化,然后人的数据对应到具体的时间和距离点上。时空数据采集的特性决定的,两者均不可能做到连续采集或足够密集采集。具体实施例,例如5个人的数据,分别可以确定A、B、C、D、E为中心的位置,并且可以确定a、b、c、d、e为中心的时间段,位置信息无需排序,时间信息必须排序。由于实际数据采集中确定立体空间位置成本过高,因此空间数据可以按照实际数值大小置于两维时空平面上。人群在一座楼内容易产生在二维空间平面位置投影交叠,这种情况时,相对位置信息例如蓝牙可以判别是否有近距离接触,因此将3维空间和1维时间简化为2维平面和1维时间的3维时空空间是合理的简化近似。假设A至E的位置最大直径为m米,a至e的最大时间跨度为n分钟,时间轴单位时间为p分钟的情形下,则空间平面的单位距离为mn/p。这样的归一化可以使上述三维时空空间内的模型训练简化。
上述步骤完毕之后,如图6所示,三维时空空间内会形成一个或多个数据簇形成的空间网络,在这样的一个数据拓扑前提下,我们将不同簇连接起来即成为流行病调查的路径依据。其最终以文本形式输出为具有人员ID、位置、时间、症候群等信息的列别。
在一种优选的实施方式中,还包括S2A:
通过数据中心录入历史传染病流调记录,从这些数据中提取特异性症状结合历史确诊结果,训练一个症候群推荐系统辅助构建全局症候群列表。
本实施方式优化了疑似症候群判别算法,实际中当数据量很大的时候,需要的运算时间可能会较长。同时,需要外部传染病医学知识库的辅助。在历史传染病流调记录充足的情况下,比如数十万或数百万SARS或新冠流调数据、登革热流行数据,禽流感流行数据等,可以从这些数据中提取特异性症状结合历史确诊结果,训练一个症候群推荐系统。同样可以起到发现潜在症候群并排序的功能。这样可以提高流行病调查的速率,节省了算法的运算量,提升了运算效率,也方便数据中心判断数据信息中符合传统传染病的数据来进行归类。
在一种优选的实施方式中,如图5所示,方法还包括S2B:采用传染因子算法对症候群进行排序;
传染因子算法包括如下步骤:
S2B-1:在全局症候群列表中,查找子集关系;
S2B-2:一个症候群的传染因子计数为b,当一个症候群是另一个症候群的子集时,前者b加1;
S2B-3:对所有症候群计算传染因子Min(ai,bi);
S2B-4:按照传染因子的排序输出症候群列表。
在本实施例中,传染因子计算的主要目的是在未知传染病目标的时候,能够锁定一种或几种潜在可能性。该算法是建立在疑似症候群判别算法的基础上,即获得了全局症候群列表和a值之后。首先,在所有症候群中查找子集关系,例如{s1,s2,s3}是一个症候群,对于{s1,s2,s3,s4,s5}来说,前者为后者子集。当确定一个子集关系后,对前者计数器b加1,以此类推对整个症候群处理一编。当全部处理完毕,定义传染因子为min{ai,bi},对症候群列表中的每一个症候群计算该传染因子。传染因子的直观含义为某一症状集合存在的人数和与之相关的症状集合数中小的那个数值作为该症状集合的作为传染病的影响力。当对所有症候群按照传染因子排序,其中传染因子越大,代表该症状集覆盖的人群和疾病综合可能越大。例如{s1,s2,s3}为一个症状集,其a值为100,b值为20,该症状的传染因子为20,另一个症状集{s4,s5,s6}的a为50,b为30,传染因子为30,则优先应该检查后者的可能性。
本实施方式在未知目标传染病的情形下,可以给出筛查检查的优先级。传染病预防和判断的最可靠手段是还是检验化验,本发明可以给出检验化验的优先顺序。
在一种优选的实施方式中,智能数据采集装置包括医疗机构、社区公共场所、家庭和个人智能数据采集装置。
本实施方式给出了一种智能数据采集装置的分布方案,通过医疗机构、社区公共场所、家庭和个人智能数据采集装置来实现对医疗机构、社区公共场所、家庭和个人的信息采集,并以此为基础,实施流行病自动流调。
在一种优选的实施方式中,智能数据采集装置采集的数据包括人工智能问询表、检测结果、记录情况、分析结果表、时间和地理位置信息。
本实施方式给出了一种智能数据采集装置的采集信息模板,通过采集该种信息来实现对流行病的调查。
在一种优选的实施方式中,S2A训练症候群推荐系统的方法包括波兹曼机、深度神经网络和随机森林。
本实施方式给出了一些来训练一个症候群推荐系统的方法,但其他可以达到相同或类似效果的方法也可以实施,可根据实际情况进行选择或连用。
在一种优选的实施方式中,S3-5步骤和S3-6步骤使用聚类算法设置时空距离。
S3-5步骤和S3-6步骤通过设定时空距离参数,根据联通网络的直径判断传染性。该方法可以通过聚类算法实现,尤其是基于密度的聚类算法较有优势。在历史数据充足并且时空数据齐全的情况下,也可通过统计方法确定历史可参照参数。该选择并非绝对,可根据实际情况进行选择或连用。
本发明采用医学人工智能问诊和监测系统作为智能数据采集装置,对不同的场景,装置的形态有差别,但都可以完成症状智能收集、生命指标监测、时间和位置数据记录的功能;
智能数据采集装置产生的数据包含时间戳数据、地理位置数据、用户回答的症状数据、生命指标检测数据。这些数据在本地用来判断是否有某种疾病倾向,同时这些数据会被发送到数据中心,在数据中心做进一步处理达到判断传染性的目的。
本发明根据传染病医学知识,确定一系列特异性症状;对群体数据采用一个本发明特有的算法,分析其中是否有一个特异性症状集合(以下称症候群)在群体中传播,如果存在则可以判断为某种传染病处于传播中。本发明紧紧抓住传染病的主要特征“传染”来判断是否有疾病传播,而非直接判断具体疾病,因此对传染病尤其是位置传染病有显著效果。
本发明在得到具体症候群后,将数据中心的个体数据按照时间、空间、以及症候群的关联关系构成一个很大的数据网络。在这个数据网络上,本发明提出一个具体算法来计算最有可能的传播路径,达到智能自动流调的效果。
需要指出的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:所述系统包括智能数据采集装置和数据中心;所述智能数据采集装置采集并传输信息至所述数据中心;所述方法包括如下步骤:
S1:采集调查信息并初步分析判断传染病趋向,同时将采集到的调查信息和判断结果形成推荐结论传输至数据中心;
S2:数据中心将所有得到的疑似症候群集合形成全局症候群列表,疑似症候群对应数值为a并形成列表;
S3:数据中心利用上述步骤的症候群数据判断是否存在传染病迹象并利用时空数据构建传染时空网络;
S4:通过S3得到的传染时空网络判断传染病的传播路径并进行传染病检验排查;
其中,所述S2中疑似症候群判别算法包括如下步骤:
S2-1:准备全局症候群列表;
S2-2:取症状数据集Si={s1,s2,s3,…},剔除非传染病症状元素;
S2-3:生成Si的幂集{{s1},{s2},{s3},{s1,s2},{s2,s3},…};
S2-4:对Si幂集中的所有元素查询医学知识库比对;
S2-5:保留符合流行病特征的全部症状集合构成疑似症候群集合;
S2-6:检查症候群列表,检查疑似症候群是否存在,如果存在,该疑似症候群计数a加1,如果不存在,增加当前新的疑似症候群并添加至症候群列表;
S2-7:判断数据是否处理完毕,如果未处理完毕,回到S2继续进行,如果处理完毕,输出症候群列表与相应计数a的列表;
所述S3中传染性判别算法包括如下步骤:
S3-1:获取一个症候群St;
S3-2:筛选每个人满足St是Si的子集时,保留数据,否则忽略;
S3-3:提取筛选出的每个人的时空数据,当数据不唯一时,创建多个数据点;
S3-4:对时空数据归一化,将所有时空数据映射到一个三维时空空间;
S3-5:选定一个时空距离d,对每个数据点按照这个距离半径检查是否有相邻点,并连接;
S3-6:对多个点连接起来的网络或几个独立网络,检查网络直径D;
S3-7:如果D大于预设值,则判断为传染性疾病,否则结束本症候群判断。
2.根据权利要求1所述的一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:还包括S2A:通过数据中心录入历史传染病流调记录,从这些数据中提取特异性症状结合历史确诊结果,训练一个症候群推荐系统辅助构建全局症候群列表。
3.根据权利要求2所述的一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:还包括S2B:采用传染因子算法对症候群进行排序;
所述传染因子算法包括如下步骤:
S2B-1:在全局症候群列表中,查找子集关系;
S2B-2:一个症候群的传染因子计数为b,当一个症候群是另一个症候群的子集时,前者b加1;
S2B-3:对所有症候群计算传染因子Min(ai,bi);
S2B-4:按照传染因子的排序输出症候群列表。
4.根据权利要求3所述的一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:所述智能数据采集装置包括医疗机构、社区公共场所、家庭和个人智能数据采集装置。
5.根据权利要求4所述的一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:所述智能数据采集装置采集的数据包括人工智能问询表、检测结果、记录情况、分析结果表、时间和地理位置信息。
6.根据权利要求5所述的一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:所述S2A训练症候群推荐系统的方法包括波兹曼机、深度神经网络和随机森林。
7.根据权利要求6所述的一种基于大数据和人工智能的流行病早期发现系统和方法,其特征在于:所述S3-5步骤和S3-6步骤使用聚类算法设置时空距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011066664.XA CN112270999B (zh) | 2020-10-02 | 2020-10-02 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011066664.XA CN112270999B (zh) | 2020-10-02 | 2020-10-02 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270999A CN112270999A (zh) | 2021-01-26 |
CN112270999B true CN112270999B (zh) | 2022-10-11 |
Family
ID=74337923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011066664.XA Active CN112270999B (zh) | 2020-10-02 | 2020-10-02 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270999B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798734B (zh) * | 2023-01-09 | 2023-07-14 | 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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122618A (zh) * | 2016-11-29 | 2018-06-05 | 深圳市宝贝好健康服务有限公司 | 一种用于流行病分布监测的智能客户端和系统 |
CN109166630A (zh) * | 2018-08-03 | 2019-01-08 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
CN111261302A (zh) * | 2020-02-26 | 2020-06-09 | 汤一平 | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
CN111477337A (zh) * | 2020-04-07 | 2020-07-31 | 中南大学 | 基于个体自适应传播网络的传染病预警方法、系统及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN202711253U (zh) * | 2012-03-09 | 2013-01-30 | 李晓松 | 一种传染病聚集性探测与早期预警系统 |
CN102945310B (zh) * | 2012-09-27 | 2015-09-30 | 吉林大学 | 基于自治计算的流行病传播网络建模与推断 |
CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
CN111063451B (zh) * | 2020-03-17 | 2020-07-17 | 广州地理研究所 | 基于输入-扩散函数的传染病疫情早期风险态势分析方法 |
CN111477339A (zh) * | 2020-04-13 | 2020-07-31 | 深圳前海微众银行股份有限公司 | 传染病接触情况检测方法、设备及可读存储介质 |
CN111540476B (zh) * | 2020-04-20 | 2020-12-01 | 中国科学院地理科学与资源研究所 | 一种基于手机信令数据的呼吸道传染病传染树重构方法 |
-
2020
- 2020-10-02 CN CN202011066664.XA patent/CN112270999B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122618A (zh) * | 2016-11-29 | 2018-06-05 | 深圳市宝贝好健康服务有限公司 | 一种用于流行病分布监测的智能客户端和系统 |
CN109166630A (zh) * | 2018-08-03 | 2019-01-08 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
CN111261302A (zh) * | 2020-02-26 | 2020-06-09 | 汤一平 | 基于时空轨迹数据的流行传染病病毒场可视化方法及系统 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
CN111477337A (zh) * | 2020-04-07 | 2020-07-31 | 中南大学 | 基于个体自适应传播网络的传染病预警方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112270999A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jung et al. | A spatial scan statistic for ordinal data | |
CN103093106B (zh) | 大型活动中多源数据的传染病症状监测与预警方法 | |
Abdali-Mohammadi et al. | Development of an IoT-based and cloud-based disease prediction and diagnosis system for healthcare using machine learning algorithms | |
CN104348855B (zh) | 用户信息的处理方法、移动终端及服务器 | |
US20140167917A2 (en) | Disease Mapping and Infection Control System and Method | |
CN111540477B (zh) | 基于手机数据的呼吸道传染病密切接触者识别方法 | |
CN111403046A (zh) | 一种早期发现公共卫生的监测跟踪及分级适配系统与方法 | |
CN109166630B (zh) | 一种传染病数据监控处理方法和系统 | |
CN112599253B (zh) | 根据密接图谱确定疫情传播路径方法、装置、设备和介质 | |
CN112786205A (zh) | 基于数据模型的症候群预警方法、装置、介质及设备 | |
Nandy et al. | Intelligent health monitoring system for detection of symptomatic/asymptomatic COVID-19 patient | |
CN114121302A (zh) | 一种传染病情防控系统及方法 | |
CN112270999B (zh) | 一种基于大数据和人工智能的流行病早期发现系统和方法 | |
CN115101216A (zh) | 一种基于大数据的新发传染病监测及应对系统 | |
CN114141385A (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
Lewden et al. | Number of deaths among HIV-infected adults in France in 2000, three-source capture–recapture estimation | |
JP7095988B2 (ja) | 異常監視システム、異常監視方法及びプログラム | |
Amayri et al. | Towards interactive learning for occupancy estimation | |
Cesario et al. | Time-based geographical mapping of communicable diseases | |
CN116054416B (zh) | 一种基于物联网的智能监控运维管理系统 | |
Thelagathoti et al. | A population analysis approach using mobility data and correlation networks for depression episodes detection | |
CN114078600A (zh) | 一种基于云技术的智能多通道疾病诊断系统和方法 | |
Younsi et al. | Integration of multiple regression model in an epidemiological decision support system | |
KR101141103B1 (ko) | 임상진단 결정 규칙 생성 방법 | |
CN115359917A (zh) | 基于含时空多重注意力残差机制的患者识别方法及其系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 403, Gate 6, Floor 9, Sanhuqiao, Haidian District, Beijing 100089 Patentee after: Sun Wei Address before: Room 502, No.70, Lane 811, Dongchuan Road, Minhang District, Shanghai 201100 Patentee before: Sun Wei |