CN112598090B - 健康画像的方法、装置、设备和系统 - Google Patents

健康画像的方法、装置、设备和系统 Download PDF

Info

Publication number
CN112598090B
CN112598090B CN202110248387.2A CN202110248387A CN112598090B CN 112598090 B CN112598090 B CN 112598090B CN 202110248387 A CN202110248387 A CN 202110248387A CN 112598090 B CN112598090 B CN 112598090B
Authority
CN
China
Prior art keywords
data
dimension
health
category
quality control
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
Application number
CN202110248387.2A
Other languages
English (en)
Other versions
CN112598090A (zh
Inventor
包培文
杨开轶
刘阳
侯文利
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.)
Beijing Guanxin Medical And Health Software Technology Co ltd
Original Assignee
Beijing Guanxin Medical And Health Software 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 Beijing Guanxin Medical And Health Software Technology Co ltd filed Critical Beijing Guanxin Medical And Health Software Technology Co ltd
Priority to CN202110248387.2A priority Critical patent/CN112598090B/zh
Publication of CN112598090A publication Critical patent/CN112598090A/zh
Application granted granted Critical
Publication of CN112598090B publication Critical patent/CN112598090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及健康画像技术领域，具体涉及一种健康画像的方法、装置、设备和系统，方法包括获取目标用户在预设的医疗平台的医疗数据；对医疗数据进行质量控制处理以得到质控数据；对质控数据进行降维，得到主要维度数据；计算主要维度数据中各个维度对应的初始权重信息；将各个主要维度数据、对应的初始权重信息输入到分类模型中，得到维度类别和类别权重数据；根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，确定目标用户的健康画像报告。本申请面对海量异构数据时，能够快速有效的获取与处理健康画像有效数据，得到个人健康画像数据，本申请整合了多个医疗平台的医疗数据，为普通用户提供了多维度的健康画像。

Description

健康画像的方法、装置、设备和系统
技术领域
本发明涉及健康画像技术领域，具体涉及一种健康画像的方法、装置、设备和系统。
背景技术
个人健康画像以立体人体图加时间轴的方式呈现人们的就诊信息，使普通居民能够看懂自己的病历，了解自身的健康情况，推动自我健康管理；同时，医生用户还能够快速掌握患者健康信息，便于开展诊疗服务。
当前医疗卫生行业内健康画像产品比较多，主要可以分为两种。其中一种是院端健康画像产品，院端健康画像产品主要部署在医院内网环境，供医院内部系统调用和作为医生诊断参考资料。该类产品通常不对公网用户开放，用户资料无需脱敏。因各家医院的内部标准不同，往往不同医院的健康画像产品无法直接交换健康数据，普通用户无法获得健康数据。另外一种是软件厂商健康画像产品，用户通过厂商研发出的上述产品，主动填报医养信息，结合厂商合作医院提供的脱敏数据，记录用户的健康状态，主要针对的是慢性病的健康指导，覆盖面较窄。
而且，随着大数据技术的进步，网络中存在着海量的异构数据，因此，如何提供一种能够处理海量的异构数据的多维度健康画像产品，以供普通用户使用，是本领域技术人员亟待解决的技术问题之一。
发明内容
有鉴于此，本发明的目的在于提供一种健康画像的方法、装置、设备和系统，以克服目前普通用户无法获取健康数据的问题。
为实现以上目的，本发明采用如下技术方案：
一方面，本发明提供了一种健康画像的方法，包括：
获取目标用户在预设的医疗平台的医疗数据；
通过预定义的质控规则，对所述医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；
对所述质控数据进行降维处理，得到主要维度数据；
通过BP算法，计算所述主要维度数据中各个维度对应的初始权重信息；
将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；
根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；
根据所述维度类别，以及所述维度类别对应的评分信息，确定所述目标用户的健康画像报告。
进一步地，以上所述的健康画像的方法，所述将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中之前，包括：
将预设数量的样本维度和样本权重信息作为训练样本；
将所述训练样本输入到预先构建的分类初始模型中进行训练，得到所述分类模型。
进一步地，以上所述的健康画像的方法，所述分类初始模型包括SVM分类函数；
所述SVM分类函数的表达式为：
Figure 662136DEST_PATH_IMAGE001
其中，ai表示引入的拉格朗日乘子，ai≥0；i=1,2,3,…，n；xi，yi表示在特征空间的样本数据；x表示特征向量；b表示截距。
进一步地，以上所述的健康画像的方法，所述预设的医疗平台包括院前急救平台、创伤救治平台、HIS、PACS、LIS、RAS、基层公卫系统、家庭医生系统和绩效平台的至少一种。
进一步地，以上所述的健康画像的方法，所述预定义的质控规则包括数据非空判断规则和日期型数据验证规则的至少一种。
进一步地，以上所述的健康画像的方法，所述维度类别包括个人行为、社会环境、遗传生理、医疗保健和环境因素的至少一种。
另一方面，本发明还提供了一种健康画像的装置，包括：
获取模块，用于获取目标用户在预设的医疗平台的医疗数据；
质控模块，用于通过预定义的质控规则，对所述医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；
降维模块，用于对所述质控数据进行降维处理，得到主要维度数据；
计算模块，用于通过BP算法，计算所述主要维度数据中各个维度对应的初始权重信息；
输入模块，用于将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；
统计模块，用于根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；
确定模块，用于根据所述维度类别，以及所述维度类别对应的评分信息，确定所述目标用户的健康画像报告。
进一步地，以上所述的健康画像的装置，还包括训练模块；
所述训练模块，用于将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中之前，将预设数量的样本维度和样本权重信息作为训练样本；将所述训练样本输入到预先构建的分类初始模型中进行训练，得到所述分类模型。
另一方面，本发明还提供了一种健康画像的设备，包括处理器和存储器，所述处理器与所述存储器相连：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储所述程序，所述程序至少用于执行以上任一项所述的方法。
另一方面，本发明还提供了一种健康画像的系统，包括医院协同平台、基层系统平台，以及，以上所述的健康画像的设备；
所述健康画像的设备分别与所述医院协同平台、所述基层系统平台进行数据传输。
本发明的健康画像的方法、装置、设备和系统，方法包括获取目标用户在预设的医疗平台的医疗数据；通过预定义的质控规则，对医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；对质控数据进行降维处理，得到主要维度数据；通过BP算法，计算主要维度数据中各个维度对应的初始权重信息；将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；根据维度类别，以及维度类别对应的评分信息，确定目标用户的健康画像报告。本申请的技术方案，面对海量异构数据时，能够快速有效的获取与处理健康画像有效数据，最终得到个人健康画像数据，而且本申请整合了多个医疗平台的医疗数据，为普通用户提供了多维度的健康画像。
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些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明健康画像的方法一种实施例提供的流程图；
图2是本发明健康画像的方法一种实施例提供的计算引擎处理模型；
图3是本发明健康画像的装置一种实施例提供的结构示意图；
图4是本发明健康画像的设备一种实施例提供的结构示意图；
图5是本发明健康画像的系统一种实施例提供的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明健康画像的方法一种实施例提供的流程图。
如图1所示，本实施例的健康画像的方法可以包括以下步骤：
S11、获取目标用户在预设的医疗平台的医疗数据。
本申请中，可以与预设的医疗平台对接，获取目标用户在预设的医疗平台的医疗数据。
其中，预设的医疗平台可以包括医院协同平台和基层系统平台中的至少一个平台。
医院协同平台是提供医养数据的医疗卫生单位，包括院前急救平台、创伤救治平台、医院信息系统（Hospital Information System，HIS）、医学影像信息系统（PictureArchiving and Communication Systems，PACS）、实验室信息管理系统（LaboratoryInformation Management System，LIS）和远程访问服务系统（Remote Access Service，RAS）中的至少一种。需要说明的是，此处并没有形成对医院协同平台的限定，医院协同平台还可以包括其他系统，本实施例不做一一说明。
基层系统平台是现有的医疗卫生平台，包括基层公卫系统、家庭医生系统和绩效平台中的至少一种。需要说明的是，此处并没有形成对基层系统平台的限定，基层系统平台还可以包括其他系统，本实施例不做一一说明。
基层公卫系统提供药品、材料、疾病名称以及患者主索引（Enterprise MasterPatient Index，EMPI）等信息；家庭医生系统提诊后跟踪信息、大病/慢病历史信息以及患者访谈信息等；绩效系统获取病案首页信息以及院内绩效系统指标监控数据。
需要说明的是，以上医疗数据均获得授权，同时对患者信息进行脱敏处理，仅在卫生系统内部网络内使用。
医疗数据本质上是异构数据，在一些可选的实施例中，可以通过ETL（Extract-Transform-Load）模块，对接提供医养数据的医疗卫生单位和现有的医疗卫生平台中的异构数据，即医疗数据。
在一些可选的实施例中，可以配置更多维度的数据，采用爬虫爬取公开信息。例如，爬取医院内部的科室或医护人员信息、医院周边环境信息，用于分析环境对卫生健康的影响权重。具体地，可以在爬取完成后判断是否需要增加维度数据，如果是的话，可以继续进行数据的爬取工作，如果不需要增加维度数据，可以不再进行数据的爬取工作，继续后面的处理流程。
S12、通过预定义的质控规则，对医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据。
预定义的质控规则包括数据非空判断规则和日期型数据验证规则中的至少一种。
本实施例中，获取到医疗数据后，通过预定义的质控规则，如：数据非空判断规则和日期型数据验证规则等，保证维度数据有效性和稀疏性处于合理范围。
S13、对质控数据进行降维处理，得到主要维度数据。
在很多情形下，异构数据中的维度之间可能存在相关性，从而导致问题的分析更加复杂。如果分别对每个维度对应的指标进行分析，分析往往是孤立的，无法完全利用数据中的信息。而盲目减少指标会损失很多有用的信息，从而产生错误的结论。
由于各维度信息之间存在一定的相关性，可以对异构数据中的维度进行主成分分析，将多个关系紧密的维度变成尽可能少的新维度，以进行降维处理，使产生的新维度是两两不相关的，那么就可以用较少的综合指标分别代表存在于各个维度中的信息。本实施例中，将新维度作为主要维度信息。
S14、通过BP算法，计算主要维度数据中各个维度对应的初始权重信息。
本实施例中，通过误差反向传播(Error Back Propagation, BP)算法，计算主要维度数据中各个维度对应的初始权重信息。
S15、将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据。
本实施例中，预先训练有分类模型。将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据。其中，每个维度类别包括至少一个主要维度数据。
也就是说，通过预先训练的分类模型，将主要维度数据进行了分类，得到多个维度类别，每个维度类别对应新的类别权重数据。
图2是本发明健康画像的方法一种实施例提供的计算引擎处理模型。
如图2所示，输入层（Input Layer）输入的主要维度数据，包括10个维度，在隐藏层（Hidden Layer）进行分类处理，处理后包括6个维度，在输出层（Output Layer）输出对应的维度类别，包括1个类别。
例如，输入的主要维度数据包括：
锻炼频率、每次锻炼时长、坚持锻炼时长、吸烟状况、日吸烟量、开始吸烟年龄、戒烟年龄、饮酒频率、日饮酒量、戒酒标志、戒酒年龄、开始饮酒年龄、醉酒标志、精神系统疾病、老年人健康状态自我评估、老年人认知功能、老年人情感状态、低收入人口标识、药物过敏史、手术史、外伤史、遗传病史、运动功能状态、健康评价异常、是否老年人、是否高血压、是否2型糖尿病、是否严重精神障碍患者、是否残疾、职业病危险因素、家庭厕所类别、家庭禽畜栏类别、环境危险因素暴露类别。
输出的维度类别包括个人行为、社会环境、遗传生理、医疗保健、环境因素。其中：
个人行为：权重0.4。包括健康体检信息表：锻炼频率、每次锻炼时长、坚持锻炼时长、吸烟状况、日吸烟量、开始吸烟年龄、戒烟年龄、饮酒频率、日饮酒量、戒酒标志、戒酒年龄、开始饮酒年龄、醉酒标志、精神系统疾病、老年人健康状态自我评估、老年人认知功能、老年人情感状态；
社会环境：权重0.27。包括个人基本信息表：低收入人口标识；
遗传生理：权重0.25。包括健康体检信息表：药物过敏史、手术史、外伤史、遗传病史、运动功能状态、健康评价异常、是否老年人、是否高血压、是否2型糖尿病、是否严重精神障碍患者、是否残疾；
医疗保健：权重0；
环境因素：权重0.08。包括职业病危险因素、家庭厕所类别、家庭禽畜栏类别、环境危险因素暴露类别。
S16、根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息。
因不同特征的量化范围不同，需要对主要维度数据进行归一化处理，获取每个主要维度数据归一化后的数值。
根据类别权重数据，对各个维度类别中的归一化后的数值进行多元一次方程求加权值，得到各个维度类别的评分信息。
S17、根据维度类别，以及维度类别对应的评分信息，确定目标用户的健康画像报告。
根据维度类别，以及维度类别对应的评分信息，确定目标用户的健康画像报告。健康画像报告输出时，可以根据维度类别对应的时间，按照时间序列进行排列，进而使目标用户能够得到有时间序列的个人健康画像数据。
本实施例的健康画像的方法，包括获取目标用户在预设的医疗平台的医疗数据；通过预定义的质控规则，对医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；对质控数据进行降维处理，得到主要维度数据；通过BP算法，计算主要维度数据中各个维度对应的初始权重信息；将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；根据维度类别，以及维度类别对应的评分信息，确定目标用户的健康画像报告。本实施例的技术方案，面对海量异构数据时，能够快速有效的获取与处理健康画像有效数据，最终得到个人健康画像数据，而且本申请整合了多个医疗平台的医疗数据，为普通用户提供了多维度的健康画像。
进一步地，在以上实施例的S15对应的步骤之前，还可以执行以下步骤：
将预设数量的样本维度和样本权重信息作为训练样本；将训练样本输入到预先构建的分类初始模型中进行训练，得到分类模型。
具体地，可以选择预设数量的样本维度和样本权重信息作为训练样本，将训练样本分期训练集和测试集，使用训练集中的样本迭代训练分类初始模型，使用测试集中的样本对分类初始模型进行测试，按测试结果的准确率和召回率进行评估，当准确率和召回率达到预设的标准值时，训练完成，得到分类模型。
可选的，分类初始模型包括SVM分类函数；
SVM分类函数的表达式为：
Figure 351875DEST_PATH_IMAGE001
其中，ai表示引入的拉格朗日乘子，ai≥0；i=1,2,3,…，n；xi，yi表示在特征空间的样本数据；x表示特征向量；b表示截距。
可选的，由于测试集中不同的用户在计算所需的维度中可能会缺失SVM计算出来的某个分类器特征信息，可以在测试集下分别测试N个分类器的分类效果，统计错误分类个数。分类效果可以与测试集进行对比，按准确率和召回率进行评估。
基于一个总的发明构思，本发明还提供了一种健康画像的装置，用于实现上述方法实施例。
图3是本发明健康画像的装置一种实施例提供的结构示意图。
如图3所示，本实施例的健康画像的装置，包括：
获取模块21，用于获取目标用户在预设的医疗平台的医疗数据；
质控模块22，用于通过预定义的质控规则，对医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；
降维模块23，用于对质控数据进行降维处理，得到主要维度数据；
计算模块24，用于通过BP算法，计算主要维度数据中各个维度对应的初始权重信息；
输入模块25，用于将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；
统计模块26，用于根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；
确定模块27，用于根据维度类别，以及维度类别对应的评分信息，确定目标用户的健康画像报告。
本实施例的健康画像的装置，获取模块21获取目标用户在预设的医疗平台的医疗数据；质控模块22通过预定义的质控规则，对医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；降维模块23对质控数据进行降维处理，得到主要维度数据；计算模块24通过BP算法，计算主要维度数据中各个维度对应的初始权重信息；输入模块25将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；统计模块26根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；确定模块27根据维度类别，以及维度类别对应的评分信息，确定目标用户的健康画像报告。本实施例的技术方案，面对海量异构数据时，能够快速有效的获取与处理健康画像有效数据，最终得到个人健康画像数据，而且本申请整合了多个医疗平台的医疗数据，为普通用户提供了多维度的健康画像。
在一些可选的实施例中，还包括训练模块；
训练模块，用于将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中之前，将预设数量的样本维度和样本权重信息作为训练样本；将训练样本输入到预先构建的分类初始模型中进行训练，得到分类模型。
分类初始模型包括SVM分类函数；
SVM分类函数的表达式为：
Figure 250036DEST_PATH_IMAGE001
其中，ai表示引入的拉格朗日乘子，ai≥0；i=1,2,3,…，n；xi，yi表示在特征空间的样本数据；x表示特征向量；b表示截距。
预设的医疗平台包括院前急救平台、创伤救治平台、HIS、PACS、LIS、RAS、基层公卫系统、家庭医生系统和绩效平台的至少一种。
预定义的质控规则包括数据非空判断规则和日期型数据验证规则的至少一种。
维度类别包括个人行为、社会环境、遗传生理、医疗保健和环境因素的至少一种。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于一个总的发明构思，本发明还提供了一种健康画像的设备，用于实现上述方法实施例。
图4是本发明健康画像的设备一种实施例提供的结构示意图。
如图4所示，本实施例的健康画像的设备包括处理器31和存储器32，处理器31与存储器32相连。其中，处理器31用于调用并执行存储器32中存储的程序；存储器32用于存储程序，程序至少用于执行以上实施例中的健康画像的方法。
基于一个总的发明构思，本发明还提供了一种健康画像的系统，用于实现上述方法实施例。
图5是本发明健康画像的系统一种实施例提供的结构示意图。
如图5所示，本实施例的健康画像的系统包括医院协同平台41、基层系统平台42，以及，以上实施例的健康画像的设备43；
健康画像的设备43分别与医院协同平台41、基层系统平台42通过无线网络相连，以进行数据传输。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种健康画像的方法，其特征在于，包括：
获取目标用户在预设的医疗平台的医疗数据；
通过预定义的质控规则，对所述医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；
对所述质控数据进行降维处理，得到主要维度数据；
通过BP算法，计算所述主要维度数据中各个维度对应的初始权重信息；
将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；
根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；
根据所述维度类别，以及所述维度类别对应的评分信息，确定所述目标用户的健康画像报告。
2.根据权利要求1所述的健康画像的方法，其特征在于，所述将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中之前，包括：
将预设数量的样本维度和样本权重信息作为训练样本；
将所述训练样本输入到预先构建的分类初始模型中进行训练，得到所述分类模型。
3.根据权利要求2所述的健康画像的方法，其特征在于，所述分类初始模型包括SVM分类函数；
所述SVM分类函数的表达式为：
Figure 150508DEST_PATH_IMAGE001
其中，ai表示引入的拉格朗日乘子，ai≥0；i=1,2,3,…，n；xi，yi表示在特征空间的样本数据；x表示特征向量；b表示截距。
4.根据权利要求1所述的健康画像的方法，其特征在于，所述预设的医疗平台包括院前急救平台、创伤救治平台、HIS、PACS、LIS、RAS、基层公卫系统、家庭医生系统和绩效平台的至少一种。
5.根据权利要求1所述的健康画像的方法，其特征在于，所述预定义的质控规则包括数据非空判断规则和日期型数据验证规则的至少一种。
6.根据权利要求1所述的健康画像的方法，其特征在于，所述维度类别包括个人行为、社会环境、遗传生理、医疗保健和环境因素的至少一种。
7.一种健康画像的装置，其特征在于，包括：
获取模块，用于获取目标用户在预设的医疗平台的医疗数据；
质控模块，用于通过预定义的质控规则，对所述医疗数据进行质量控制处理，以得到有效性和稀疏性均处于预设范围的质控数据；
降维模块，用于对所述质控数据进行降维处理，得到主要维度数据；
计算模块，用于通过BP算法，计算所述主要维度数据中各个维度对应的初始权重信息；
输入模块，用于将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中，得到输出的维度类别和各个维度类别对应的类别权重数据；其中，每个维度类别包括至少一个主要维度数据；
统计模块，用于根据类别权重数据，对归一化处理后的各个维度类别中的主要维度数据进行加权统计，得到各个维度类别的评分信息；
确定模块，用于根据所述维度类别，以及所述维度类别对应的评分信息，确定所述目标用户的健康画像报告。
8.根据权利要求7所述的健康画像的装置，其特征在于，还包括训练模块；
所述训练模块，用于将各个主要维度数据，以及，各个主要维度数据对应的初始权重信息输入到预先训练的分类模型中之前，将预设数量的样本维度和样本权重信息作为训练样本；将所述训练样本输入到预先构建的分类初始模型中进行训练，得到所述分类模型。
9.一种健康画像的设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器相连：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储所述程序，所述程序至少用于执行权利要求1-6任一项所述的方法。
10.一种健康画像的系统，其特征在于，包括医院协同平台、基层系统平台，以及，权利要求9所述的健康画像的设备；
所述健康画像的设备分别与所述医院协同平台、所述基层系统平台进行数据传输。
CN202110248387.2A 2021-03-08 2021-03-08 健康画像的方法、装置、设备和系统 Active CN112598090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110248387.2A CN112598090B (zh) 2021-03-08 2021-03-08 健康画像的方法、装置、设备和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110248387.2A CN112598090B (zh) 2021-03-08 2021-03-08 健康画像的方法、装置、设备和系统

Publications (2)

Publication Number Publication Date
CN112598090A CN112598090A (zh) 2021-04-02
CN112598090B true CN112598090B (zh) 2021-05-18

Family

ID=75210203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110248387.2A Active CN112598090B (zh) 2021-03-08 2021-03-08 健康画像的方法、装置、设备和系统

Country Status (1)

Country Link
CN (1) CN112598090B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022014B (zh) * 2022-05-30 2023-07-14 平安银行股份有限公司 登录风险识别方法、装置、设备及存储介质
CN116705337B (zh) * 2023-08-07 2023-10-27 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933049A (zh) * 2014-03-17 2015-09-23 华为技术有限公司 生成数字人的方法及系统
CN107633036A (zh) * 2017-09-08 2018-01-26 广州汪汪信息技术有限公司 一种微博用户画像方法、电子设备、存储介质、系统
CN110442732A (zh) * 2019-07-24 2019-11-12 万达信息股份有限公司 一种智能导医方法、系统及存储介质
CN111783873A (zh) * 2020-06-30 2020-10-16 中国工商银行股份有限公司 基于增量朴素贝叶斯模型的用户画像方法及装置
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190139063A1 (en) * 2017-11-03 2019-05-09 Cars.Com, Llc Methodology of analyzing incidence and behavior of customer personas among users of digital environments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933049A (zh) * 2014-03-17 2015-09-23 华为技术有限公司 生成数字人的方法及系统
CN107633036A (zh) * 2017-09-08 2018-01-26 广州汪汪信息技术有限公司 一种微博用户画像方法、电子设备、存储介质、系统
CN110442732A (zh) * 2019-07-24 2019-11-12 万达信息股份有限公司 一种智能导医方法、系统及存储介质
CN111783873A (zh) * 2020-06-30 2020-10-16 中国工商银行股份有限公司 基于增量朴素贝叶斯模型的用户画像方法及装置
CN112035541A (zh) * 2020-08-28 2020-12-04 平安科技（深圳）有限公司 客户画像方法、装置、计算机可读存储介质及终端设备

Also Published As

Publication number Publication date
CN112598090A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Tschandl et al. Expert-level diagnosis of nonpigmented skin cancer by combined convolutional neural networks
Rosado et al. Accuracy of computer diagnosis of melanoma: a quantitative meta-analysis
US20210145306A1 (en) Managing respiratory conditions based on sounds of the respiratory system
Harwerth et al. Visual field defects and retinal ganglion cell losses in patients with glaucoma
Martins et al. Data mining for cardiovascular disease prediction
Krop et al. A community-based study of explanatory factors for the excess risk for early renal function decline in blacks vs whites with diabetes: the Atherosclerosis Risk in Communities study
Boehmer et al. Postservice mortality in Vietnam veterans: 30-year follow-up
Kendler et al. Childhood sexual abuse and adult psychiatric and substance use disorders in women: an epidemiological and cotwin control analysis
Lieu et al. Confirmations and surprises in the association of tobacco use with sinusitis
Marghoob et al. Number of satellite nevi as a correlate for neurocutaneous melanocytosis in patients with large congenital melanocytic nevi
US9251809B2 (en) Method and apparatus of speech analysis for real-time measurement of stress, fatigue, and uncertainty
JP6608295B2 (ja) 被験者の健康状態を予測する方法およびシステム
EP3312748A1 (en) Method for aiding a diagnosis, program and apparatus
CN112598090B (zh) 健康画像的方法、装置、设备和系统
Nuankaew et al. Average weighted objective distance-based method for type 2 diabetes prediction
WO2021148966A1 (en) A computer-implemented system and method for outputting a prediction of an exacerbation and/or hospitalization of asthma
CN114783580B (zh) 一种医疗数据质量评估方法及系统
Dahan A smart IoMT based architecture for E-healthcare patient monitoring system using artificial intelligence algorithms
Chren Giving Scale New Meaning in Dermatology: Measurement Matters
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
Hennebelle et al. Secure and privacy-preserving automated machine learning operations into end-to-end integrated IoT-edge-artificial intelligence-blockchain monitoring system for diabetes mellitus prediction
Mandava MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning
Werneke et al. Associations between interim patient-reported outcome measures and functional status at discharge from rehabilitation for non-specific lumbar impairments
Kotsilieris et al. Predicting anxiety disorders and suicide tendency using machine learning: a review
Williams Objective measures of atopic dermatitis severity: in search of the holy Grail

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method, device, equipment and system of health portrait

Effective date of registration: 20220711

Granted publication date: 20210518

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: Beijing Guanxin Medical and Health Software Technology Co.,Ltd.

Registration number: Y2022990000438

PE01 Entry into force of the registration of the contract for pledge of patent right