CN112786205B - 基于数据模型的症候群预警方法、装置、介质及设备 - Google Patents

Abstract

本公开是关于一种基于数据模型的症候群预警方法、装置、介质及设备，涉及医疗大数据处理技术领域，该方法包括：获取原始医疗数据，并利用症候群监测模型计算原始医疗数据中具有相同症候群病例的目标患者的数量；在确定目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据目标患者的属性信息生成团体集合；根据属性信息以及多维时空关系计算模型，计算团体集合中所包括目标患者的时空关系图；计算时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据目标患者的数量、待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。本公开提高了预警效率。

Description

基于数据模型的症候群预警方法、装置、介质及设备

技术领域

本发明实施例涉及医疗大数据处理技术领域，具体而言，涉及一种基于数据模型的症候群预警方法、基于数据模型的症候群预警装置、计算机可读存储介质以及电子设备。

背景技术

症候群监测，是指通过连续、系统地收集和分析特定疾病临床症候群发生频率的数据，及时发现疾病在时间和空间分布上的异常聚集，以期对疾病或不良健康事件暴发进行早期探查、预警和快速反应的监测方法。

在目前的症候群监测方法中，是以实验室检查或临床特征为基础，由医生先进行病例诊断，之后再通过人工直报系统上报，然后疾控机构根据病种名称、发病数量、时间、地理等数据，比照预设的不同症候群报警阈值，实现对法定已知症候群暴发的预警。

但是，上述方案存在如下缺陷：一方面，由于标本采集-实验室化验-疾病诊断-人工病例上报之间通常存在一段时间的滞后期，并不能完全满足早期预警的需求，甚至可能使部分公共卫生事件的处理错过最佳时机，进而使得症候群的预警效率较低；另一方面，由于仅通过上报的数据对症候群进行预警，无法对与患者接触过的存在可能感染风险的人群进行预测，进而使得症候群的预警准确度较低。

基于此，需要提供一种新的基于数据模型的症候群预警方法及装置。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种基于数据模型的症候群预警方法、基于数据模型的症候群预警装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的症候群的预警效率较低的问题。

根据本公开的一个方面，提供一种基于数据模型的症候群预警方法，包括：

获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；

在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合；

根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图；

计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

在本公开的一种示例性实施例中，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量，包括：

利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及各所述医疗实体之间的逻辑关系；

根据所述医疗实体以及各所述医疗实体之间的逻辑关系生成特征表现，并在预设的第一标准数据集中对所述特征表现进行匹配得到第一匹配结果；

在判断第一匹配结果符合第一预设判定规则时，将与符合第一预设判定规则的第一匹配结果对应的原始医疗数据作为目标医疗数据；

将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

在本公开的一种示例性实施例中，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量，还包括：

利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及所述医疗实体的权重参数；

根据所述医疗实体以及权重参数生成医疗知识图谱，并在预设的第二标准数据集中对所述医疗知识图谱进行匹配得到第二匹配结果；

在判断第二匹配结果符合第二预设判定规则时，将与符合第二预设判定规则的第二匹配结果对应的原始医疗数据作为目标医疗数据；

将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

在本公开的一种示例性实施例中，所述属性信息包括所述目标患者的名称信息、所述目标患者在预设时间段内的移动轨迹、在与所述移动轨迹对应的轨迹点上的时间信息以及所述目标患者的住址信息；

其中，根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图，包括：

根据所述名称信息以及所述多维时空关系计算模型，生成与所述目标患者具有固定化关系信息的第一待预测对象；

根据所述移动轨迹、所述时间信息以及所述多维时空关系计算模型，生成与所述目标患者具有即时性关系信息的第二待预测对象；

根据所述住址信息以及所述多维时空关系计算模型，生成与所述目标患者具有空间性关系信息的第三待预测对象；

以所述目标预测患者、所述第一待预测对象、第二待预测对象以及第三待预测对象为顶点，以所述目标预测患者与所述第一待预测对象、第二待预测对象以及第三待预测对象之间的关系信息为边，生成所述团体集合中所包括目标患者的时空关系图。

在本公开的一种示例性实施例中，所述基于数据模型的症候群预警方法还包括：

根据所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象在预设时间段内的接触时间以及间隔距离，计算所述时空关系图中所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象所在的边的权重。

在本公开的一种示例性实施例中，计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，包括：

根据所述时空关系图中所包括的顶点的数量，计算所述待预测对象的数量；

根据所述目标患者与所述待预测对象在所述时空关系图中所在的边的权重，计算所述待预测对象的传染概率。

在本公开的一种示例性实施例中，根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警，包括：

根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，匹配所述症候群的在预设的分层预警阈值中所对应的预警级别。

在本公开的一种示例性实施例中，所述基于数据模型的症候群预警方法还包括：

根据所述预警级别匹配对应的预警措施，并对所述目标患者所在的地区在未来时间段所需的医疗资源进行预测。

在本公开的一种示例性实施例中，所述基于数据模型的症候群预警方法还包括：

根据所述症候群监测模型以及多维时空关系计算模型，对新发传染病进行预警。

根据本公开的一个方面，提供一种基于数据模型的症候群预警装置，包括：

第一计算模块，用于获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；

团体集合生成模块，用于在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合；

第二计算模块，用于根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图；

症候群预警模块，用于计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

根据本公开的一个方面，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执行时实现上述任意一项所述的基于数据模型的症候群预警方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于数据模型的症候群预警方法。

本发明实施例提供的一种基于数据模型的症候群预警方法，一方面，通过获取原始医疗数据，并利用症候群监测模型计算原始医疗数据中具有相同症候群病例的目标患者的数量；然后在确定目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据目标患者的属性信息生成团体集合；再根据属性信息以及多维时空关系计算模型，计算团体集合中所包括目标患者的时空关系图；最后计算时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据目标患者的数量、待预测对象的数量以及待预测对象的传染概率，对症候群进行预警，由于可以通过症候群监测模型计算目标患者的数量，并根据多维时空关系计算模型计算待预测对象的数量以及传染概率，最后根据目标患者以及对预测对象对症候全进行预警，实现了根据原始医疗数据对症候群的自动预警，解决了现有技术中由于标本采集-实验室化验-疾病诊断-人工病例上报之间通常存在一段时间的滞后期，并不能完全满足早期预警的需求，甚至可能使部分公共卫生事件的处理错过最佳时机，进而使得症候群的预警效率较低的问题；另一方面，还解决了由于仅通过上报的数据对症候群进行预警，无法对与患者接触过的存在可能感染风险的人群进行预测，进而使得症候群的预警准确度较低的问题；再一方面，通过根据属性信息以及多维时空关系计算模型，计算团体集合中所包括目标患者的时空关系图，实现了时空关系图的自动计算，提高了时空关系图的计算效率，同时也避免了由于只能通过目标患者为单一出发点进行关系调查，进而使得层次结构较为单一数据广度较低的问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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示意性示出根据本发明示例实施例的一种基于数据模型的症候群预警方法的流程图。

图2示意性示出根据本发明示例实施例的一种多维时空关系图的示例图。

图3示意性示出根据本发明示例实施例的一种利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量的方法流程图。

图4示意性示出根据本发明示例实施例的另一种利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量的方法流程图。

图5示意性示出根据本发明示例实施例的一种医疗知识图谱的示例图。

图6示意性示出根据本发明示例实施例的一种根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图的方法流程图。

图7示意性示出根据本发明示例实施例的另一种基于数据模型的症候群预警方法的流程图。

图8示意性示出根据本发明示例实施例的一种基于数据模型的症候群预警装置的框图。

图9示意性示出根据本发明示例实施例的一种用于实现上述基于数据模型的症候群预警方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在传染病疫情背景下，通过大数据技术来采集、共享医院、公共卫生系统、人际传播数据，辅助控制疫情越来越成为热点；但是，单一维度的数据直接进行分析难以反映疫情全貌。因此，通过多维度的数据重组、关联性分析打破疫情传播链条中各组件的信息壁垒，提示数据价值，从而协助管理层更好的制定防控策略，进而实现早发现、早预警、早行动的目标成了需要解决的问题。

在众多数据源中，各级医疗机构由于其拥有丰富的疾病信息要素，常作为发现症候群异常动态的前沿哨点；通过对电子病历数据的归一、结构化等深度加工，可有效辅助临床数据的分析、挖掘，进而与疫情监测高效打通。

在一些流行病学调查的过程中，疾控机构接到报告后，启动调查，调查对象包括患者本人、诊治医生、家属、知情者、社会关系等，调查方式包括询问、查阅资料等。除确诊病例本身的调查外，还须调查病例之间的联系，通过人工或半自动化方式，分析传播路径、疫情聚集性等。

但是，目前的流行病学调查，是以确诊病例为出发点；一方面，部分该症候群的患者，可能因医生未进行相关化验检查，无法被定义为确诊病例，从而未能进入调查范围；另一方面，以确诊病例为单一出发点进行的关系调查，层次结构为一对一或一对多，较为单一，数据广度欠佳。

本示例实施方式中首先提供了一种基于数据模型的症候群预警方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该基于数据模型的症候群预警方法可以包括以下步骤：

步骤S110.获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；

步骤S120.在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合；

步骤S130.根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图；

步骤S140.计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

上述基于数据模型的症候群预警方法中，一方面，通过获取原始医疗数据，并利用症候群监测模型计算原始医疗数据中具有相同症候群病例的目标患者的数量；然后在确定目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据目标患者的属性信息生成团体集合；再根据属性信息以及多维时空关系计算模型，计算团体集合中所包括目标患者的时空关系图；最后计算时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据目标患者的数量、待预测对象的数量以及待预测对象的传染概率，对症候群进行预警，由于可以通过症候群监测模型计算目标患者的数量，并根据多维时空关系计算模型计算待预测对象的数量以及传染概率，最后根据目标患者以及对预测对象对症候全进行预警，实现了根据原始医疗数据对症候群的自动预警，解决了现有技术中由于标本采集-实验室化验-疾病诊断-人工病例上报之间通常存在一段时间的滞后期，并不能完全满足早期预警的需求，甚至可能使部分公共卫生事件的处理错过最佳时机，进而使得症候群的预警效率较低的问题；另一方面，还解决了由于仅通过上报的数据对症候群进行预警，无法对与患者接触过的存在可能感染风险的人群进行预测，进而使得症候群的预警准确度较低的问题；再一方面，通过根据属性信息以及多维时空关系计算模型，计算团体集合中所包括目标患者的时空关系图，实现了时空关系图的自动计算，提高了时空关系图的计算效率，同时也避免了由于只能通过目标患者为单一出发点进行关系调查，进而使得层次结构较为单一数据广度较低的问题。

以下，将结合附图对本公开基于数据模型的症候群预警方法中所包括的步骤进行详细的解释以及说明。

首先，对本发明示例实施例中所涉及的名词进行解释以及说明。

数据归一，是指将医院数据中因各种原因导致的不规范、错误的字段信息，通过自然语言同义词表、医学术语的同义关联词表，在数据挖掘的算法指导下，对文字表达不同但含义相对一致的字段信息进行归一，为后续和上层应用提供正确且统一的信息表达。

结构化处理，医疗场景下存在大量的非结构化数据，最典型的就是文本病历数据；结构化处理是指以医学信息学为基础，采用医学本体知识及自然语言理解人工智能技术，对以自由文本方式录入的医疗文书按照医学术语规范、病历书写规范进行结构化分析，抽取出文本病历中的关键词如症状、体征、诊断、化验等信息，并按照医学逻辑进行分类组织。

数据模型：是抽象描述现实世界的一种工具和方法，是表示实体与实体之间联系的方式，是使用结构化语言将收集到的医院运行、管理和决策中使用的数据需求进行综合分析，按照模型设计规范重新组织的过程。

其次，对本公开的发明目的进行解释以及说明。具体的，人际接触直接传播的症候群，若未早期干预，可通过患者的社会关系造成大范围的逐级传播，其在临床特征上通常表现为有关联性的群体性相似症状(即症候群)，这类人群的规模反应了疫情的严重程度。在传统的症候群监测系统启动之前，若能够宏观监控到此类人群的群体性动态变化，则可达到提早预警的目的；本公开通过建立症候群监测模型以及多维时空关系数据网络，再根据症候群监测模型以及多维时空关系数据网络锚定可疑的关联性人群，监控群体性的动态衍变及其中的高危病例，进行早期症候群预警(含暴发预警、重症预警、医疗资源消耗预警)的方法。

进一步的，第症候群监测模型以及多维时空关系数据网络的建立方法进行解释以及说明。

首先，是关于症候群监测模型的具体建立过程。具体的，症候群监测模型可以分为两类，一类为根据疾控中心(CDC，Center for Disease Control)官方发布的五大常见症候群定义及病例信息调查表构建的症候群监测模型；另一类为根据真实数据训练的症候群监测模型，两类症候群监测模型最终通过模型实现相关症候群病例的智能纳排及标准化数据集。

对于依据官方标准的症候群监测模型，CDC共发布了五类症候群定义，分别是发热呼吸道症候群、腹泻症候群、发热伴出血症候群、发热伴出疹症候群以及脑炎脑膜炎症候群。其中，在具体的构建过程中，可以先将CDC定义的症候群标准转化成症候群识别模型，之后再根据病例信息调查表构建相关症候群数据识别模型及标准数据集，症候群数据识别模型及标准数据集共同构成了症候群监测模型。

下面，以与新发疫情密切相关的发热呼吸道症候群来举例说明模型的构建过程。疾控中心对发热呼吸道症候群病例定义如下表1所示：

表1

病例纳排标准的信息在病历数据中主要来源于病历记录、实验室检查以及影像学检查，病例纳排标准的内容主要以病历记录和影像学检查为主，而这两类均为自由文本数据，因此需要先从上述病例标准中抽离出关键词定义(医疗实体)及关键词之间的逻辑关系；其中，关键词定义例如可以包括：发热的定义可具体细化为病历记录中出现“发热”，或“发热”的同义词(如低热、高热、体温升高、发烧等)，或体温＞37.3℃，且排除否定的情况词之间关系如：“发热”与“咽痛”在识别逻辑中为或的关系；以此，构建出症候群数据识别模型。之后，再将CDC发布的《发热呼吸道症候群病例信息调查表》转化为发热呼吸道症候群标准数据集，包含患者基本信息(性别、年龄、流行病史)、临床信息(发病日期、就诊日期、症状、体征、实验室检查、影像学检查、抗生素治疗等)；最后，基于症候群数据识别模型以及症候群标准数据集(第一标准数据集)，即可得到症候群监测模型。

对于根据真实数据训练的症候群监测模型：由于疾病的复杂性，单纯以CDC发布的五类症候群，可能不能涵盖所有症候群，尤其是新发症候群；不论是传统的已知症候群，还是像新冠这类新认知的症候群，医院数据都包含了其从发现-诊断-治疗-转归的全流程的临床信息。因此，可以通过疾病诊断名称或ICD编码，可建立每个症候群的病例数据集；再通过机器学习的手段，计算与每个症候群相关的诊疗数据权重参数，建立单病种症候群知识图谱，构建症候群数据识别模型以及症候群标准数据集；例如：通过大量的病例数据的训练，如病史中出现发热、头痛、皮疹、白细胞计数及血小板计数减少等表现，则识别为可疑登革热；其症候群标准数据集(第二标准数据集)包含症状、体征、检查-心电图、检验-丙氨酸氨基转移酶等等。对于正在流行期的症候群，还可进行动态的流行特征参数配置，如：地区S为目前疫情流行高发地区，此具有一定时限性的地理标签也会整合进监测模型中，参与权重计算。

其次，是关于多维时空关系数据网络的构建过程。具体的，可以汇总人口学信息、户口信息、劳务信息、出入境信息、交通信息(飞机、陆运、轮渡等)、新生儿登记信息、孕产妇登记信息、学校信息、养老院信息、监狱信息、戒毒所信息、公安信息、医疗信息、防疫信息、通信基站信息、蓝牙信息等各类社会关系信息和健康信息，借助大数据技术，整合为与传播链路相关的全维度数据平台，然后再以人的维度将原始关系数据合并去重，并进行归一和标准化。

当得到归一和标准化的关系数据以后，可以通过如下步骤对多维时空关系数据网络进行构建：

首先，对关系数据进行深度加工。具体的，通过关系数据的加工整合，可得到家庭(父子、妻子、兄妹等)、同学、同事等固定化关系信息；通过扫码乘车、付款等日常行为沉淀下的轨迹数据可构建同车、同商场等即时性关系信息；通过住址、通信基站、蓝牙/GPS(Global Positioning System，全球定位系统)等数据可计算出同楼、同社区、同街区等空间性关系信息；

其次，对关系数据进行时空叠加。具体的，经过对关系数据进行深度加工以后，可以以单一个体为触发点，几乎可以得到其全部社会关系的动态总和，这些关系同时也包含了时间及空间信息以便用于后续运算。如：父子关系，其时间戳的起点为儿子的出生日期(医疗信息中获取)，时间戳终点为当前时间，若一方死亡，时间戳终点为其死亡日期(医疗信息中获取)，其位置戳为家庭住址；同航班关系，其时间戳起止时间为在交通工具上或闸机记录的起止时间；其位置戳为起飞及降落的地理信息。

最后，关系数据网络化。具体的，经过对关系数据进行深度加工以及时空叠加以后，可得到单一个体与其他个体的各类关系总和，而每个被关联到的其他个体又可以作为新的触发点再次进行关系聚类，不断循环聚类，最终可形成多维度、多时空的复杂网络，即多维时空关系数据网络。如：简单举例，A与B为父子关系，B、C、D为同事关系，D与E为同航班关系，F与ABCDE均无关系，F与G为同事关系，G与ABCDE也均无关系，那么最终将形成A/B/C/D/E与F/G两个关系聚类网络，A/B/C/D/E网络中包含了三组关系(父子、同事、同航班)，F/G网络中包含了一组关系(同事)，具体可以参考图2所示。其中，在图2中，多维时空关系图200中可以包括多个节点，也即上述的ABCDEFG，各节点之间的联系即为其之间的关系。

以下，结合症候群监测模型以及多维时空关系计算模型对步骤S110-步骤S140进行解释以及说明。

在步骤S110中，获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量。

在本示例实施例中，首先，从各医疗机构获取原始医疗数据，该原始医疗数据中可以包括各医疗机构中每天的所有患者的病历记录、实验室检查以及影像学检查；然后，利用症候群检测模型计算该原始医疗数据中具有相同症候群病例的目标患者的数量。

具体的，首先以根据疾控中心官方发布的五大常见症候群定义及病例信息调查表构建的症候群监测模型为例，对目标患者的数量的计算过程进行解释以及说明。参考图3所示，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量可以包括步骤S310-步骤S340。其中：

在步骤S310中，利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及各所述医疗实体之间的逻辑关系；

在步骤S320中，根据所述医疗实体以及各所述医疗实体之间的逻辑关系生成特征表现，并在预设的第一标准数据集中对所述特征表现进行匹配得到第一匹配结果；

在步骤S330中，在判断第一匹配结果符合第一预设判定规则时，将与符合第一预设判定规则的第一匹配结果对应的原始医疗数据作为目标医疗数据；

在步骤S340中，将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

以下，将对步骤S310-步骤S340进行解释以及说明。具体的，当症候群监测模型在提取到有符合上述发热呼吸道症候群、腹泻症候群、发热伴出血症候群、发热伴出疹症候群以及脑炎脑膜炎症候群中的任一症候群对应的症状(医疗实体)时，则可以以该医疗实体为准，症候群监测模型提取与该症候群具有相同症候群病例的医疗实体，以及各所述医疗实体之间的逻辑关系；然后，再基于该医疗实体以及逻辑关系生成特征表现；例如，生成的特征表现为：发热且体温为38℃，然后将该特征表现在根据CDC发布的《发热呼吸道症候群病例信息调查表》生成症候群标准数据集(第一标准数据集)中进行匹配；如果匹配结果为命中至少一条(第一预设判定规则)，则将该病例数据作为目标医疗数据，并将该病例数据中的患者作为目标患者，然后计算各目标患者的总和得到目标患者的数量。

进一步的，以根据真实数据训练的症候群监测模型为例，对目标患者的数量的计算过程进行解释以及说明。参考图4所示，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量可以包括步骤S410-步骤S440。

在步骤S410中，利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及所述医疗实体的权重参数；

在步骤S420中，根据所述医疗实体以及权重参数生成医疗知识图谱，并在预设的第二标准数据集中对所述医疗知识图谱进行匹配得到第二匹配结果；

在步骤S430中，在判断第二匹配结果符合第二预设判定规则时，将与符合第二预设判定规则的第二匹配结果对应的原始医疗数据作为目标医疗数据；

在步骤S440中，将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

以下，将对步骤S410-步骤S440进行解释以及说明。具体的，当症候群监测模型在提取到有符合与历史曾出现的症候群对应的症状(医疗实体)时，则可以以该医疗实体为准，症候群监测模型提取与该症候群具有相同症候群病例的医疗实体(诊疗数据)，以及各医疗实体的权重参数；然后，再根据该医疗实体以及权重参数生成医疗知识图谱；例如，生成的医疗知识图谱具体可以参考图5所示；其对应的中间节点为患者名称，例如可以是张XX，对应的医疗实体及权重参数作为对应的分散节点，权重的具体表示已中间节点与分三节点的距离进行标识，距离越近表示权重越高反之则越低；其中，分散节点例如可以包括发热、头痛、皮疹、白细胞计数、血小板计数、心电图等等，各分三节点的权重依次减少(此处仅起到示例性作用，并无其他参考作用)；然后，将该医疗知识图谱在第二标准数据集中进行匹配，如果症状、体征、检查-心电图等存在至少一项(第二预设判定规则)匹配成功，则将该病例数据作为目标医疗数据，并将该病例数据中的患者作为目标患者，然后计算各目标患者的总和得到目标患者的数量。

在步骤S120中，在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合。

具体的，在确定目标患者的数量大于第一预设阈值(例如，该第一预设阈值可以根据地区的大小进行划分，例如10人、20人或者30人等等，本示例对此不做特殊限制)，然后提取该部分具有相同症候全病历的目标患者的属性信息，生成一个团体集合；其中，该属性信息可以包括目标患者的名称信息、所述目标患者在预设时间段内的移动轨迹、在与所述移动轨迹对应的轨迹点上的时间信息以及所述目标患者的住址信息，还可以包括目标患者的病历记录、实验室检查以及影像学检查等等，本示例对此不做特殊限制。

在步骤S130中，根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图。

在本示例实施例中，参考图6所示，根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图可以包括步骤S610-步骤S6440。其中：

在步骤S610中，根据所述名称信息以及所述多维时空关系计算模型，生成与所述目标患者具有固定化关系信息的第一待预测对象；

在步骤S620中，根据所述移动轨迹、所述时间信息以及所述多维时空关系计算模型，生成与所述目标患者具有即时性关系信息的第二待预测对象；

在步骤S630中，根据所述住址信息以及所述多维时空关系计算模型，生成与所述目标患者具有空间性关系信息的第三待预测对象；

在步骤S640中，以所述目标预测患者、所述第一待预测对象、第二待预测对象以及第三待预测对象为顶点，以所述目标预测患者与所述第一待预测对象、第二待预测对象以及第三待预测对象之间的关系信息为边，生成所述团体集合中所包括目标患者的时空关系图。

以下，将对步骤S610-步骤S640进行解释以及说明。首先，可以将目标患者的名称信息(姓名或者身份证号码)输入至多维时空关系计算模型中，进而可以得到与目标患者具有固定化关系信息的第一待预测对象，该第一待预测对象中可以包括家庭(父子、妻子、兄妹等)、同学、同事以及朋友等等；然后，可以将目标患者在预设时间段内的移动轨迹以及在与移动轨迹对应的轨迹点上的时间信息输入至多维时空关系计算模型中，进而可以得到具有即时关系信息的第二待预测对象，该第二待预测对象可以包括与目标患者具有同车、同商场的其他人员；进一步的，可以将目标患者住址信息的住址信息输入至多维时空关系计算模型中，进而得到具有空间性关系的第三待预测对象，该第三待预测对象可以包括与目标患者处于同楼、同社区、同街区的其他人员；最后，可以以各待预测对象为顶点，以其具有的关系信息围边生成时空关系图。

进一步的，为了可以提高待预测对象的传染概率的准确率，该基于数据模型的症候群预警方法还包括：根据所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象在预设时间段内的接触时间以及间隔距离，计算所述时空关系图中所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象所在的边的权重。

具体的，接触的时间越长，距离越近，则权重越大；例如，第一待预测对象的权重大于第二待预测对象的权重大于第三待预测对象的权重，也可以根据实际情况具体计算，本示例对此不做特殊限制。

在步骤S140中，计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

在本示例实施例中，首先，根据所述时空关系图中所包括的顶点的数量，计算所述待预测对象的数量；其次，根据所述目标患者与所述待预测对象在所述时空关系图中所在的边的权重，计算所述待预测对象的传染概率；最后，根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，匹配所述症候群的在预设的分层预警阈值中所对应的预警级别。

具体的，可以通过某区域过去传染病暴发时的各类数据源进行训练，得出多维度症候群预警模型；并且，对于每类症候群，在时间、空间维度上设定关联性病例群组状态的分层预警阈值；然后，可以根据上述目标患者的数量、待预测对象的数量以及待预测对象的传染概率，即可得到对应的预警级别。

进一步的，当得到预警级别以后，根据所述预警级别匹配对应的预警措施，并对所述目标患者所在的地区在未来时间段所需的医疗资源进行预测。例如，在当出现高危预警信号时，不但可启动症候群爆发预警，还可核算其中的重症病例(根据住院科室是否为ICU、是否机械通气、是否有病危通知记录等)、医疗资源消耗情况(如门诊接诊量、床位数、呼吸机数等)，并比照历史数据，发出相关预警信号，协助卫生部门管理者决策和资源调配。

更进一步的，还可以根据所述症候群监测模型以及多维时空关系计算模型，对新发传染病进行预警。例如，可以在未知晓具体传染病病种时，提早发现疫情及制定防控措施；与此同时，这些被锁定监控的关联性病例群组，会持续被监控病原学数据，最终得出具体传染病的病种类型，进一步协助临床决策。

以下，结合图7对本公开基于数据模型的症候群预警方法进行进一步的解释以及说明。具体的，参考图7所示，该基于数据模型的症候群预警方法可以包括以下步骤：

步骤S710，症候群病例筛选。具体的，根据需求选择症候群监测模型，如选择发热呼吸道症候群模型或选择根据某时间段、某区域真实数据训练的深度定制化症候群模型，监测各级医疗机构的数据，智能纳排出符合相关症候群数据标准的病例，将症候群监控的时机前移，提前锁定可疑病例集合。

步骤S720，关系网络聚类。具体的，锁定某症候群监控下的全部患者后，在这类患者之间，以每个患者为触发点，向其他患者发起关系判断，两两连线，循环聚类，最终可得到若干个关联性病例群组，组内为复杂交联关系，组间则无关系。

步骤S730，关联性病例群组监控及预警。具体的，通过某区域过去症候群暴发时的各类数据源进行训练，得出多维度症候群预警模型。对于每类症候群，在时间、空间维度上设定关联性病例群组状态的分层预警阈值。再回到当前监控状态下，根据目前关联性病例群组的动态衍变进行症候群预警。当出现高危预警信号时，不但可启动症候群爆发预警，还可核算其中的重症病例(根据住院科室是否为ICU、是否机械通气、是否有病危通知记录等)、医疗资源消耗情况(如门诊接诊量、床位数、呼吸机数等)，并比照历史数据，发出相关预警信号，协助卫生部门管理者决策和资源调配。

步骤S740，从症候群预警到症候群分析。具体的，步骤S730可以在未知晓具体症候群病种时，提早发现疫情及制定防控措施；与此同时，这些被锁定监控的关联性病例群组，会持续被监控病原学数据，最终得出具体症候群的病种类型，进一步协助临床决策。

以下，以一个特定病例为例，对基于数据模型的症候群预警方法进行解释以及说明。例如，某地区近1周出现大量发热、咳嗽、呼吸困难的病例，这些临床表现相似且符合发热呼吸道症候群定义的病例被捕捉到，纳入发热呼吸道症候群监控。

在上述病例人群中，以每个患者的就诊时间为原点，向前向后各数14天，共29天设定为每个患者的疾病传播期(根据预判的疾病潜伏期，天数可人为调整)。若两个患者的疾病传播日期范围有交叉，且在交叉日期内产生了关系数据，可认为存在相关性。通过两两连线，循环聚类，最终可得到若干个关联性病例群组。

根据该地区过去症候群暴发时的各类数据源进行训练，得出多维度症候群预警模型。判断目前的关联性病例群组们的数量及各组内的患者数分布，模型根据历史数据，判断目前的风险级别。

当模型输出结果，当前该地区发热症候群的关联性病例群组状态超过历史警戒时，提示可能存在疫情爆发，持续监控相关病例的病原学情况，如并无明确的病原学结果，则可能目前的疫情为新发症候群，对重症病例、医疗资源消耗情况给予分析输出，协助卫生部门决策；如病原学结果明确为某已知症候群，则卫生部门进入常规的既定症候群管理流程。

本公开所提供的基于数据模型的症候群预警方法，一方面，通过症候群智能监控将症候群监测前移，在病例未被确诊前即可进行群体动态监控；对于未知新发症候群病例也可以提前监控；另一方面，由于症候群的特征之一就是通过人的社会关系进行逐级传播；因此，挖掘症候群病例间的多维关系网，相当于在疑似病例中进行了全链路的调查；与传统的确诊病例流行病学调查相比，维度大大扩宽；再一方面，通过既往数据训练出的模型，分析症候群关联性病例群组状态后，进行预警，可提早发现疫情传播；同时预警时限的提前，可更早开始防控措施，减少社会影响，降低人民生命、经济等损失；进一步的，重症预警、医疗资源消耗预警可增强决策者对疾病的宏观认知及资源调配，优化疫情管理；并且，通过跟踪症候群关联性病例群组数据的病原学，协助分析最终的症候群种类，有针对性进行进一步的治疗、防控措施。

本公开还提供了一种基于数据模型的症候群预警装置。参考图8所示，该基于数据模型的症候群预警装置可以包括第一计算模块810、团体集合生成模块820、第二计算模块830以及症候群预警模块840。其中：

第一计算模块810可以用于获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；

团体集合生成模块820可以用于在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合；

第二计算模块830可以用于根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图；

症候群预警模块840可以用于计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

在本公开的一种示例性实施例中，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量，包括：

利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及各所述医疗实体之间的逻辑关系；

根据所述医疗实体以及各所述医疗实体之间的逻辑关系生成特征表现，并在预设的第一标准数据集中对所述特征表现进行匹配得到第一匹配结果；

在判断第一匹配结果符合第一预设判定规则时，将与符合第一预设判定规则的第一匹配结果对应的原始医疗数据作为目标医疗数据；

将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

在本公开的一种示例性实施例中，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量，还包括：

利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及所述医疗实体的权重参数；

根据所述医疗实体以及权重参数生成医疗知识图谱，并在预设的第二标准数据集中对所述医疗知识图谱进行匹配得到第二匹配结果；

在判断第二匹配结果符合第二预设判定规则时，将与符合第二预设判定规则的第二匹配结果对应的原始医疗数据作为目标医疗数据；

将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

在本公开的一种示例性实施例中，所述属性信息包括所述目标患者的名称信息、所述目标患者在预设时间段内的移动轨迹、在与所述移动轨迹对应的轨迹点上的时间信息以及所述目标患者的住址信息；

其中，根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图，包括：

根据所述名称信息以及所述多维时空关系计算模型，生成与所述目标患者具有固定化关系信息的第一待预测对象；

根据所述移动轨迹、所述时间信息以及所述多维时空关系计算模型，生成与所述目标患者具有即时性关系信息的第二待预测对象；

根据所述住址信息以及所述多维时空关系计算模型，生成与所述目标患者具有空间性关系信息的第三待预测对象；

以所述目标预测患者、所述第一待预测对象、第二待预测对象以及第三待预测对象为顶点，以所述目标预测患者与所述第一待预测对象、第二待预测对象以及第三待预测对象之间的关系信息为边，生成所述团体集合中所包括目标患者的时空关系图。

在本公开的一种示例性实施例中，所述基于数据模型的症候群预警装置还包括：

第三计算模块，可以用于根据所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象在预设时间段内的接触时间以及间隔距离，计算所述时空关系图中所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象所在的边的权重。

在本公开的一种示例性实施例中，计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，包括：

根据所述时空关系图中所包括的顶点的数量，计算所述待预测对象的数量；

根据所述目标患者与所述待预测对象在所述时空关系图中所在的边的权重，计算所述待预测对象的传染概率。

在本公开的一种示例性实施例中，根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警，包括：

根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，匹配所述症候群的在预设的分层预警阈值中所对应的预警级别。

在本公开的一种示例性实施例中，所述基于数据模型的症候群预警装置还包括：

第一预测模块，可以用于根据所述预警级别匹配对应的预警措施，并对所述目标患者所在的地区在未来时间段所需的医疗资源进行预测。

在本公开的一种示例性实施例中，所述基于数据模型的症候群预警装置还包括：

传染病预警模块，可以用于根据所述症候群监测模型以及多维时空关系计算模型，对新发传染病进行预警。

上述基于数据模型的症候群预警装置中各模块的具体细节已经在对应的基于数据模型的症候群预警方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900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9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930以及显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1中所示的步骤S110：获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；步骤S120：在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合；步骤S130：根据所述属性信息以及多维时空关系计算模型，计算所述团体集合中所包括目标患者的时空关系图；步骤S140：计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205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。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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950进行。并且，电子设备900还可以通过网络适配器960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。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900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。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (11)

1.一种基于数据模型的症候群预警方法，其特征在于，包括：

获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；所述原始医疗数据包括：各医疗机构中每天的所有患者的病历记录、实验室检查以及影像学检查；

在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，所述属性信息包括所述目标患者的名称信息、所述目标患者在预设时间段内的移动轨迹、在与所述移动轨迹对应的轨迹点上的时间信息以及所述目标患者的住址信息，所述目标患者的病历记录、实验室检查以及影像学检查，并根据所述目标患者的属性信息生成团体集合；

根据所述名称信息以及多维时空关系计算模型，生成与所述目标患者具有固定化关系信息的第一待预测对象；

根据所述移动轨迹、所述时间信息以及所述多维时空关系计算模型，生成与所述目标患者具有即时性关系信息的第二待预测对象；

根据所述住址信息以及所述多维时空关系计算模型，生成与所述目标患者具有空间性关系信息的第三待预测对象；

以所述目标患者、所述第一待预测对象、第二待预测对象以及第三待预测对象为顶点，以所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象之间的关系信息为边，生成所述团体集合中所包括目标患者的时空关系图；

计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

2.根据权利要求1所述的基于数据模型的症候群预警方法，其特征在于，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量，包括：

利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及各所述医疗实体之间的逻辑关系；

根据所述医疗实体以及各所述医疗实体之间的逻辑关系生成特征表现，并在预设的第一标准数据集中对所述特征表现进行匹配得到第一匹配结果；

在判断第一匹配结果符合第一预设判定规则时，将与符合第一预设判定规则的第一匹配结果对应的原始医疗数据作为目标医疗数据；

将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

3.根据权利要求1所述的基于数据模型的症候群预警方法，其特征在于，利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量，还包括：

利用症候群监测模型提取所述原始医疗数据中所包括的具有相同症候群病例的医疗实体，以及所述医疗实体的权重参数；

根据所述医疗实体以及权重参数生成医疗知识图谱，并在预设的第二标准数据集中对所述医疗知识图谱进行匹配得到第二匹配结果；

在判断第二匹配结果符合第二预设判定规则时，将与符合第二预设判定规则的第二匹配结果对应的原始医疗数据作为目标医疗数据；

将与所述目标医疗数据对应的患者作为目标患者，并计算所述目标患者的数量。

4.根据权利要求1所述的基于数据模型的症候群预警方法，其特征在于，所述基于数据模型的症候群预警方法还包括：

根据所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象在预设时间段内的接触时间以及间隔距离，计算所述时空关系图中所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象所在的边的权重。

5.根据权利要求1所述的基于数据模型的症候群预警方法，其特征在于，计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，包括：

根据所述时空关系图中所包括的顶点的数量，计算所述待预测对象的数量；

根据所述目标患者与所述待预测对象在所述时空关系图中所在的边的权重，计算所述待预测对象的传染概率。

6.根据权利要求1所述的基于数据模型的症候群预警方法，其特征在于，根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警，包括：

根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，匹配所述症候群的在预设的分层预警阈值中所对应的预警级别。

7.根据权利要求6所述的基于数据模型的症候群预警方法，其特征在于，所述基于数据模型的症候群预警方法还包括：

根据所述预警级别匹配对应的预警措施，并对所述目标患者所在的地区在未来时间段所需的医疗资源进行预测。

8.根据权利要求1-7任一项所述的基于数据模型的症候群预警方法，其特征在于，所述基于数据模型的症候群预警方法还包括：

根据所述症候群监测模型以及多维时空关系计算模型，对新发传染病进行预警。

9.一种基于数据模型的症候群预警装置，其特征在于，包括：

第一计算模块，用于获取原始医疗数据，并利用症候群监测模型计算所述原始医疗数据中具有相同症候群病例的目标患者的数量；所述原始医疗数据包括：各医疗机构中每天的所有患者的病历记录、实验室检查以及影像学检查；

团体集合生成模块，用于在确定所述目标患者的数量大于第一预设阈值时，提取具有相同症候群病例的目标患者的属性信息，并根据所述目标患者的属性信息生成团体集合；其中，所述属性信息包括所述目标患者的名称信息、所述目标患者在预设时间段内的移动轨迹、在与所述移动轨迹对应的轨迹点上的时间信息以及所述目标患者的住址信息；所述目标患者的病历记录、实验室检查以及影像学检查；

第二计算模块，用于根据所述名称信息以及多维时空关系计算模型，生成与所述目标患者具有固定化关系信息的第一待预测对象；根据所述移动轨迹、所述时间信息以及所述多维时空关系计算模型，生成与所述目标患者具有即时性关系信息的第二待预测对象；根据所述住址信息以及所述多维时空关系计算模型，生成与所述目标患者具有空间性关系信息的第三待预测对象；以所述目标患者、所述第一待预测对象、第二待预测对象以及第三待预测对象为顶点，以所述目标患者与所述第一待预测对象、第二待预测对象以及第三待预测对象之间的关系信息为边，生成所述团体集合中所包括目标患者的时空关系图；

症候群预警模块，用于计算所述时空关系图中所包括的待预测对象的数量以及待预测对象的传染概率，并根据所述目标患者的数量、所述待预测对象的数量以及待预测对象的传染概率，对症候群进行预警。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的基于数据模型的症候群预警方法。

11.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的基于数据模型的症候群预警方法。

Images