CN112951441B - 基于多维度的监测预警方法、装置、设备及存储介质 - Google Patents

基于多维度的监测预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112951441B
CN112951441B CN202110212882.8A CN202110212882A CN112951441B CN 112951441 B CN112951441 B CN 112951441B CN 202110212882 A CN202110212882 A CN 202110212882A CN 112951441 B CN112951441 B CN 112951441B
Authority
CN
China
Prior art keywords
early warning
factor
dimension
factors
warning signal
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
CN202110212882.8A
Other languages
English (en)
Other versions
CN112951441A (zh
Inventor
唐蕊
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110212882.8A priority Critical patent/CN112951441B/zh
Priority to PCT/CN2021/084538 priority patent/WO2022178947A1/zh
Publication of CN112951441A publication Critical patent/CN112951441A/zh
Application granted granted Critical
Publication of CN112951441B publication Critical patent/CN112951441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请涉及智慧医疗领域，揭示了基于多维度的监测预警方法，包括：从知识图谱中确定待监测对象对应的维度因子，维度因子为所述知识图谱中与待监测对象对应节点具有关联边的指定节点的名称，指定节点至少包括两个；在待监测对象对应的指定数据集中，统计各维度因子分别对应的样例数据；根据各维度因子分别对应的样例数据，分别计算各维度因子对应的预警信号集合；判断各维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；若是，则获取指定预警信号所属的指定维度因子；将指定维度因子作为指定数据集对应的预警反馈结果。应用多维度构建多个预警信息，形成由多个预警信号组成的预警信号集合，提升监测预警的灵敏度和准确度。

Description

基于多维度的监测预警方法、装置、设备及存储介质
技术领域
本申请涉及智慧医疗领域，特别是涉及到基于多维度的监测预警方法、装置、设备及存储介质。
背景技术
近年来，在公共卫生健康领域，传染病监测预警已成为传染病防控的重点。已有的传染病监测预警的方法主要是基于传染病的确诊病例数，对传染病确诊病例数异常的增长变化进行预警。但发明人意识到基于传染病的确诊病例数的传染病预警依赖的数据源单一，导致监测预警存在监测范围局限、预警延迟、预警推送准确率低等技术问题。
发明内容
本申请的主要目的为提供基于多维度的监测预警方法，旨在解决基于传染病的确诊病例数的传染病预警依赖的数据源单一，导致监测预警存在监测范围局限、预警延迟、预警推送准确率低的技术问题。
本申请提出一种基于多维度的监测预警方法，包括：
从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；
在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据；
根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合；
判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；
若是，则获取所述指定预警信号所属的指定维度因子；
将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
优选地，所述指定数据集包括所有监测用户对应的电子病例集，所述待监测对象包括指定传染病，所述在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据的步骤，包括：
获取所述指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；
从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为所述电子病例集中的任一电子病例；
计算所述实测因子集与所述标准因子集的匹配度；
判断所述匹配度是否达到预设匹配度；
若是，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；
根据所述第一维度因子对应的第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的样例数据。
优选地，所述计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：
获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；
判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；
若是，则将所述指定实测因子标记为匹配因子；
统计所述实测因子集中标记为匹配因子的因子数量；
根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度。
优选地，所述计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：
分别获取所述实测因子集和所述标准因子集分别对应的结构化信息；
将所述实测因子集和所述标准因子集分别对应的结构化信息转换成向量；
将所述实测因子集和所述标准因子集分别对应的向量，输入深度学习网络，得到所述实测因子集对应的第一低维向量以及所述标准因子集对应的第二低维向量；
计算所述第一低维向量和所述第二低维向量的相似度；
将所述第一低维向量和所述第二低维向量的相似度，作为所述实测因子集与所述标准因子集的匹配度。
优选地，所述根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合的步骤，包括：
获取预设长度的时间单位量，以及所述指定数据集对应的统计时间段；
确定所述统计时间段对应的开始时间和结束时间；
以所述开始时间为起点按照自然时序，按照所述时间单位量将所述统计时间段依次截分成多个子时间段；
获取各所述子时间段内第二维度因子分别对应的子样例数据，其中，所述第二维度因子为所有维度因子中的任一个，所述第二维度因子的样例数据由各所述子时间段分别对应的子样例数据组合得到；
根据各所述子时间段内分别对应的所述第二维度因子的子样例数据，计算各所述子时间段分别对应的预警信号；
将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合；
根据所述第二维度因子对应的预警信号集合的计算方式，计算各所述维度因子对应的预警信号集合。
优选地，所述将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合的步骤之后，包括：
在所述第二维度因子对应的预警信号集合中，两两计算预警信号之间的相关性系数；
判断第一预警信号和第二预警信号的相关性系数是否大于预设相关性阈值，其中，所述第一预警信号和第二预警信号为所述第二维度因子对应的预警信号集合中的任意两个预警信号；
若是，则对所述第一预警信号和第二预警信号进行取舍保留，删除所述第一预警信号或第二预警信号；
将经过取舍保留过程的所述第二维度因子的预警信号集合，作为所述第二维度因子对应的新预警信号集合。
优选地，所述将所述指定维度因子作为所述指定数据集对应的预警反馈结果的步骤之后，包括：
获取所述指定维度因子的数量；
计算所述指定维度因子的数量占比所有维度因子的比例范围；
获取所述比例范围对应的预设预警等级；
将所述预设预警等级添加至所述预警反馈结果中。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请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，所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请基于已有监测预警方法的缺陷，提出了一种基于多维度信息的传染病监测预警系统，应用传染病相关的多维度信息构建多个预警信息，并从多个维度分别计算预警信号，形成由多个预警信号组成的预警信号集合，以集中预警传染病的发生情况，提升监测预警的灵敏度和准确度。
附图说明
图1本申请一实施例的基于多维度的监测预警方法流程示意图；
图2本申请一实施例的深度神经网络结构示意图；
图3本申请一实施例的基于多维度的监测预警系统流程示意图；
图4本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例的基于多维度的监测预警方法，包括：
S1：从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；
S2：在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据；
S3：根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合；
S4：判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；
S5：若是，则获取所述指定预警信号所属的指定维度因子；
S6：将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
上述知识图谱是预先形成的疾病数据对应的图谱，一方面可由专家知识生成，另一方面可应用大数据挖掘、自然语言处理、机器学习等人工智能方法自动生成。知识图谱由节点和节点之间的关联边组成，其中每个节点表示一个实体或者概念，节点之间的关联边表示实体与实体之间，或者实体与概念之间的关联关系。本申请实施例的实体或者概念，为症状和疾病等。例如流感是一个节点(表示实体为疾病)，发热也是一个节点(表示概念为症状)，咳嗽是一个节点(表示概念为症状)。“流感”节点和“发热”节点之间有边连接，表示“发热”是“流感”的一个症状，具有关联关系，“流感”节点和“咳嗽”节点之间有边连接，表示“咳嗽”是“流感”的一个症状，也具有关联关系。
上述待监测对象为流感等传染病，上述维度因子包括与流感节点关联的症状、诊断、药品、检验和检查。上述指定数据集指特定地理区域的流感数据集合，上述特定地理区域包括某个医院或某个具体地区等，流感数据集合包括流感人员数量，上述样例数据指每个人员的治疗过程中的症状、诊断、药品、检验和检查等方面的数据统计。
通过在知识图谱中构建疾病与关联症状的关联关系，即找到疾病节点有症状关系边连接的症状节点，将所有连接的症状作为该疾病的相关联的症状。知识图谱中与流感相关联的概念除了症状，还包括诊断、药品、检验和检查等。症状维度因子例如包括发热、鼻出血、咽痛、浓痰、喘息等分因子，诊断维度因子例如包括急性咽炎、急性扁桃体炎、急性支气管炎、未特指的急性下呼吸道感染、链球菌性肺炎等分因子，药品维度因子例如包括乙酰水杨酸、右美沙芬、帕拉米韦、氨咖黄敏、酚氨咖敏等分因子，检验维度因子例如包括血常规、脑脊液、病毒核酸、血液生化、动脉血气分析等分因子，检查维度因子例如包括胸部CT、胸部X光等分因子，通过构建与流感相关联的概念之间的关系，组建多维度数据。即在知识图谱中，除了指定的疾病节点到有边连接的症状节点，即对疾病找到相关联的症状。类似的，还能找到指定的疾病节点到有边连接的诊断节点，即对疾病找到相关联的诊断；找到指定的疾病节点到有边连接的药品节点，即对疾病找到相关联的药品；找到指定的疾病节点到有边连接的检验节点，即对疾病找到相关联的检验；找到指定的疾病节点到有边连接的检查节点，即对疾病找到相关联的检查，通过引入传染病流感的多维度信息进行综合预警，提高了模型的灵敏率。
本申请基于已有监测预警方法的缺陷，提出了一种基于多维度信息的传染病监测预警系统，应用传染病相关的多维度信息构建多个预警信息，并从多个维度分别计算预警信号，形成由多个预警信号组成的预警信号集合，以集中预警流感等传染病的发生情况，提升监测预警的灵敏度和准确度。
进一步地，所述指定数据集包括所有监测用户对应的电子病例集，所述待监测对象包括指定传染病，所述在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据的步骤S2，包括：
S21：获取所述指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；
S22：从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为所述电子病例集中的任一电子病例；
S23：计算所述实测因子集与所述标准因子集的匹配度；
S24：判断所述匹配度是否达到预设匹配度；
S25：若是，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；
S26：根据所述第一维度因子对应的第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的样例数据。
本申请实施例的指定传染病以流感为例，流感传染病，有以下五个数据源，包括“流感相关联的症状”，“流感相关联的诊断”，“流感相关联的药品”，“流感相关联的检验”，“流感相关联的检查”。上述每一个数据源的数据可被称为一个维度因子的数据。对于维度因子‘症状’，包括多个分因子组成的标准分因子集，比如为{症状1，症状2，症状3，...症状n}。根据患者实际电子病例中记载的症状实际出现的实际因子，形成实测因子集，比如实际因子集为{症状1，症状2，症状3}。然后通过计算实际因子占比标准分因子集的比例，确定实测因子集与标准因子集的匹配度，并确定当前患者的电子病例是否属于症状这个维度因子的样例数据。
进一步地，所述计算所述实测因子集与所述标准因子集的匹配度的步骤S23，包括：
S231：获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；
S232：判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；
S233：若是，则将所述指定实测因子标记为匹配因子；
S234：统计所述实测因子集中标记为匹配因子的因子数量；
S235：根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度。
本申请实施例通过对每个维度因子的数据从指定数据集中分别进行统计。例如，对流感相关的症状，首先，应用深度学习技术和自然语言处理技术，比如命名实体识别技术等，从每个患者的电子病历的主诉中获取症状以及与症状相关的属性，比如症状发生的部位、持续时间、严重程度等；然后根据关键词匹配技术，将患者症状信息的关键词和流感相关联的症状项目的关键词进行匹配，将匹配成功的患者标记为流感症状相关病例。比如将从患者的电子病例的主诉中抽取出的症状作为患者症状信息的关键词，与知识图谱中流感相关联的症状名称通过关键词识别一一进行匹配计算匹配度，计算公式为：匹配度＝交集的症状/流感相关联的症状。比如流感相关联的症状：{症状1，症状2，症状3}，患者1的症状：{症状1，症状2，症状3，症状4}，患者2的症状：{症状3，症状4，症状5}。则对于患者1，流感相关联的症状都出现在患者1的症状列表中，所以匹配度为1＝3/3。对于患者2，流感相关联的症状只有“症状3”出现在患者1的症状列表中，所以匹配度为0.33＝1/3。对其它疾病的其它维度因子数据，也是类似的匹配过程，不赘述。
进一步地，所述计算所述实测因子集与所述标准因子集的匹配度的步骤S23，包括：
S2301：分别获取所述实测因子集和所述标准因子集分别对应的结构化信息；
S2302：将所述实测因子集和所述标准因子集分别对应的结构化信息转换成向量；
S2303：将所述实测因子集和所述标准因子集分别对应的向量，输入深度学习网络，得到所述实测因子集对应的第一低维向量以及所述标准因子集对应的第二低维向量；
S2304：计算所述第一低维向量和所述第二低维向量的相似度；
S2305：将所述第一低维向量和所述第二低维向量的相似度，作为所述实测因子集与所述标准因子集的匹配度。
本申请实施例中，为了避免症状存在多个同义词造成关键词，导致匹配不成功从而带来误差。对没有匹配成功的患者，继续应用基于深度学习网络的表示学习模型，将患者的结构化信息表示的向量和各个维度因子数据的定义向量进行模糊匹配，将匹配得分较高的患者标记为流感症状相关病例。
上述结果化信息指对于症状这一维度因子数据而言，从每个患者的电子病历的主诉中获取的症状以及与症状相关的属性的文字描述。通过将结果化信息构造multi-hotencoding向量，向量维度为所有与症状相关的属性的数目，每一个维度因子对应一个症状的属性，赋值为1表示出现这个症状，赋值为0表示没有这个症状。
如图2所示，通过构建有三层全连接隐藏层的自动编码器结构的深度学习网络，通过无监督学习方式训练网络，得到流感相关联的症状的表示学习模型。表示学习模型的输入为上述的multi-hot encoding向量，输出也是multi-hot encoding向量。输入和输出的multi-hot encoding向量是高维稀疏的向量，通过三层全连接隐藏层的自动编码器结构的网络，将高维稀疏的向量在中间隐藏层转换为低维密实的向量，并将中间隐藏层输出的低维密实的向量作为流感相关联的各个维度因子数据的定义向量B。对患者的症状的症状通过上述表示学习模型的中间隐藏层输出的向量A，通过公式(1)计算相似度similarity，即得到匹配度。将匹配度超过阈值的患者电子病例标记为流感症状相关病例，一般可将阈值设为0.8。公式(1)的表达式为：
Figure BDA0002952054060000091
其中，n表示向量A和B的向量维度，i表示第i个向量维度。
进一步地，所述根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合的步骤S3，包括：
S31：获取预设长度的时间单位量，以及所述指定数据集对应的统计时间段；
S32：确定所述统计时间段对应的开始时间和结束时间；
S33：以所述开始时间为起点按照自然时序，按照所述时间单位量将所述统计时间段依次截分成多个子时间段；
S34：获取各所述子时间段内第二维度因子分别对应的子样例数据，其中，所述第二维度因子为所有维度因子中的任一个，所述第二维度因子的样例数据由各所述子时间段分别对应的子样例数据组合得到；
S35：根据各所述子时间段内分别对应的所述第二维度因子的子样例数据，计算各所述子时间段分别对应的预警信号；
S36：将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合；
S37：根据所述第二维度因子对应的预警信号集合的计算方式，计算各所述维度因子对应的预警信号集合。
本申请实施例通过对每个维度因子的数据分别进行流感相关病例数的统计，并按照时间单位进行统计，对于流感相关的诊断项目，整理按照时间单位对应的流感诊断相关病例数；对于流感相关的药品项目，整理按照时间单位对应的流感药品相关病例数；对于流感相关的检验检查项目，整理按照时间单位对应的流感检验检查相关病例数等等，最后形成每个时间单位(例如天、小时等)的流感症状相关病例数。一一对应整理各维度因子中时间单位对应的数值，例如对于流感的症状，时间单位为天，得到整理后的数据如下表1：
表1
时间 流感症状相关病例数
…… ……
2020年1月1日 10
2020年1月2日 26
…… ……
对于流感的药品，时间单位同样为天，得到整理后的数据如表2：
表2
时间 流感药品相关病例数
…… ……
2020年1月1日 156
2020年1月2日 234
…… ……
基于时间和指标维度构造预警信号，并计算预警信号值。预警信号有多种，可以通过各种方式来构建，比如包括以天为时间单位的周环比增长率、周同比增长比率等。在这里举出以下四个例子来具体描述预警信号值的计算过程：周环比增长率：根据公式“(最近七天的值之和–再上一个七天的值之和)/再上一个七天的值之和”计算得到；周同比增长比率：根据公式“(最近七天的值之和–去年同一个时期七天的值之和)/去年同一个时期七天的值之和”计算得到，例如今年是2021年1月1日到2021年1月7日(最近七天的值之和)，对于“去年同一个时期七天的值之和”是指2020年1月1日到2020年1月7日；最近三天增长率：对最近三天的日增长率求平均；最近七天增长率：对最近七天的日增长率求平均，等等。对于每个维度因子都分别计算预警信号，例如对于流感相关联的症状，根据某个时间单位内的症状的值，计算症状周环比增长率，症状周同比增长率等等；对于流感相关联的药品，根据某个时间单位内的药品的值，计算药品周环比增长率，药品周同比增长率等等。
计算预警信号值时，需要计算历史数据，才能得到周环比增长率、周同比增长率等。以症状维度因子为例，对于流感症状相关病例数的历史数据(一般为过去五年的历史数据)对多个预警信号分别计算历史值。对每个预警信号，按照基于其历史值的百分比确定阈值，比如取历史值的95％作为预警信号的阈值。例如计算症状维度因子中一个预警信号“周环比增长率”的预警信号值，用去年(即2020年)的数据计算预警信号值，“2020年的数据”就是“历史数据”。根据2020年的数据得到基于2020年数据的症状周环比增长率，以天为时间单位计算，得到365个症状周环比增长率的值，对365个症状周环比增长率的值按照大小从小到大排序，取95％位置上的值作为症状的周环比增长率的阈值。类似的，在症状维度因子下，对于其他预警信号，还可得到“症状的周同比增长率的阈值”，“症状的最近三天增长率的阈值”等等。除此之外，对于药品等其他维度因子，按照上述的步骤，可得到各维度因子分别对应的预警信号的阈值，比如“药品的周环比增长率的阈值”，“药品的最近三天增长率的阈值”等等。
进一步地，所述将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合的步骤S36之后，包括：
S361：在所述第二维度因子对应的预警信号集合中，两两计算预警信号之间的相关性系数；
S362：判断第一预警信号和第二预警信号的相关性系数是否大于预设相关性阈值，其中，所述第一预警信号和第二预警信号为所述第二维度因子对应的预警信号集合中的任意两个预警信号；
S363：若是，则对所述第一预警信号和第二预警信号进行取舍保留，删除所述第一预警信号或第二预警信号；
S364：将经过取舍保留过程的所述第二维度因子的预警信号集合，作为所述第二维度因子对应的新预警信号集合。
本申请实施例中，为了从不同数据分析角度捕获预警信号，设计从时间和数据指标构造多个预警信号对流感进行预警。其中，基于时间因素可分为天、周、月等不同的时间单位，数据指标可包括同比、环比、历史百分位、增长率等。从时间和数据指标两个因素构建的多个预警信号之间可能存在较强的相关性，不仅影响计算效率且无法更简洁地凸显不同数据分析角度。本申请中用多个预警信号进行综合预警时，如果预警信号之间的存在较强的相关性，为了避免预警信号之间相关性较强对综合预警结果的影响，对多个预警信号进行了相关性筛选。具体的步骤是：首先应用相关性检验方法，例如通过皮尔森相关系数对任意两个预警信号之间计算相关性系数；然后基于相关性系数阈值进行预警信号筛选，比如相关性系数阈值设为0.3，即0.3及以下表示无相关性或相关性较弱。如果两个预警信号的相关性系数超过该阈值，表示两个预警信号的变化是类似的，所以要将两个相关性较强的预警信号进行取舍保留，则只保留其中一个预警信号，移除另一个预警信号，比如删除预警信号值较小者，以确保预警灵敏度；最后得到的预警信号之间的相关性都不超过该阈值，以凸显不同数据分析角度，用经过取舍保留过程后的预警信号进行综合预警。
本申请中各个预警信号的权重是相同的，目标是要各个预警信号从不同数据角度表征传染病变化趋势中的异常变化，从而更好的进行综合预警，减少误报。在进行综合预警时，用于综合预警的预警信号集合中只要有任一个预警信号超过阈值，则触发预警。
进一步地，所述将所述指定维度因子作为所述指定数据集对应的预警反馈结果的步骤S6之后，包括：
S61：获取所述指定维度因子的数量；
S62：计算所述指定维度因子的数量占比所有维度因子的比例范围；
S63：获取所述比例范围对应的预设预警等级；
S64：将所述预设预警等级添加至所述预警反馈结果中。
本申请实施例的预警是两层预警的层级式结构，首先完成第一层预警的计算，根据每个维度因子的数据得到综合预警信号结果，确定触发预警的维度因子；然后根据第一层预警的结果，再进行第二层预警的计算，即计算触发预警的维度因子数量占比总维度因子数量的占比，得到第二层预警的预警结果，确定预警的严重等级。
第一层预警以流感症状这一维度因子为例，对于流感症状相关病例数的历史数据对多个预警信号分别计算历史值。对每个预警信号按照基于其历史值的百分比确定阈值。在对每个预警信号确定阈值后，综合多个预警信号的值进行预警。如果多个预警信号的值都低于它们各自的阈值，则不进行预警；如果有任何一个预警信号的值超过其阈值，则进行预警。
第二层预警是对每个维度因子的数据进行综合分析的预警结果。比如在判定症状这一维度因子触发预警后，再判断流感相关联的诊断这一维度因子是否预警；和/或判断流感相关联的药品数据源是否预警；和/或判断流感相关联的检验检查数据源是否预警等等，按照如下规则进行预警风险等级预警，并给出预警信息。比如所有维度因子对应的预警信号都没有触发预警，则显示低风险；出现一个维度因子的预警信号触发预警，则为中风险，并将这个触发预警的维度因子对应数据详细情况作为预警信息显示；出现两个及以上维度因子的预警信号触发预警，则为高风险，并将所有触发预警的维度因子对应数据详细情况作为预警信息显示。例如在症状这一数据源中，所有症状的预警信号都没有超过阈值，那么症状这一维度因子没有预警信息；在药品这一维度因子中，有药品的周环比增长率这一预警信号超过其阈值，那么药品这一维度因子被标记为预警，并将作为第二层预警的信息被处理。
本申请通过两层预警机制构建了基于多维度因子数据的传染病预警方案，通过设计层级预警机制以及丰富的流感相关联的预警信号，可以提升预警的灵敏度。并且通过对多种预警信号进行相关性筛选，用相关性较低的预警信号进行预警，从不同数据分析角度捕获异常，进一步提升预警的精准度。例如，对流感这一传染病进行预警，症状这一维度因子触发预警，而在症状维度因子中，实际是症状对应的两个预警信号超过了其阈值，例如周环比增长率的预警信号值为200％，超过周环比增长率的预警信号阈值20％，而且最近三天增长率的预警信号值为300％，超过最近三天增长率的预警信号阈值50％，所以显示的预警详情为：预警中风险，流感相关联的症状维度因子触发预警，具体包括流感相关联的症状的周环比增长率为200％，超过阈值；流感相关联的症状的最近三天增长率为300％，超过阈值。
参照图3，本申请一实施例的基于多维度的监测预警装置，包括：
确定模块1，用于从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；
统计模块2，用于在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据；
第一计算模块3，用于根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合；
判断模块4，用于判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；
第一获取模块5，用于若存在超过阈值的指定预警信号，则获取所述指定预警信号所属的指定维度因子；
作为模块6，用于将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
本申请实施例的相关解释适用对应方法部分的解释，不赘述。
进一步地，所述指定数据集包括所有监测用户对应的电子病例集，所述待监测对象包括指定传染病，统计模块2，包括：
第一获取单元，用于获取所述指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；
抽取单元，用于从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为所述电子病例集中的任一电子病例；
第一计算单元，用于计算所述实测因子集与所述标准因子集的匹配度；
判断单元，用于判断所述匹配度是否达到预设匹配度；
归纳单元，用于若是达到预设匹配度，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；
筛选单元，用于根据所述第一维度因子对应的第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的样例数据。
进一步地，所述计算单元，包括：
第一获取子单元，用于获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；
判断子单元，用于判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；
标记子单元，用于若是存在于所述标准因子集中，则将所述指定实测因子标记为匹配因子；
统计子单元，用于统计所述实测因子集中标记为匹配因子的因子数量；
第一计算子单元，用于根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度。
进一步地，所述计算单元，包括：
第二获取子单元，用于分别获取所述实测因子集和所述标准因子集分别对应的结构化信息；
转换子单元，用于将所述实测因子集和所述标准因子集分别对应的结构化信息转换成向量；
输入子单元，用于将所述实测因子集和所述标准因子集分别对应的向量，输入深度学习网络，得到所述实测因子集对应的第一低维向量以及所述标准因子集对应的第二低维向量；
第二计算子单元，用于计算所述第一低维向量和所述第二低维向量的相似度；
作为子单元，用于将所述第一低维向量和所述第二低维向量的相似度，作为所述实测因子集与所述标准因子集的匹配度。
进一步地，计算模块3，包括：
第二获取单元，用于获取预设长度的时间单位量，以及所述指定数据集对应的统计时间段；
确定单元，用于确定所述统计时间段对应的开始时间和结束时间；
截分单元，用于以所述开始时间为起点按照自然时序，按照所述时间单位量将所述统计时间段依次截分成多个子时间段；
第三获取单元，用于获取各所述子时间段内第二维度因子分别对应的子样例数据，其中，所述第二维度因子为所有维度因子中的任一个，所述第二维度因子的样例数据由各所述子时间段分别对应的子样例数据组合得到；
第二计算单元，用于根据各所述子时间段内分别对应的所述第二维度因子的子样例数据，计算各所述子时间段分别对应的预警信号；
组成单元，用于将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合；
第三计算单元，用于根据所述第二维度因子对应的预警信号集合的计算方式，计算各所述维度因子对应的预警信号集合。
进一步地，计算模块3，包括：
第四计算单元，用于在所述第二维度因子对应的预警信号集合中，两两计算预警信号之间的相关性系数；
判断单元，用于判断第一预警信号和第二预警信号的相关性系数是否大于预设相关性阈值，其中，所述第一预警信号和第二预警信号为所述第二维度因子对应的预警信号集合中的任意两个预警信号；
取舍单元，用于若大于预设相关性阈值，则对所述第一预警信号和第二预警信号进行取舍保留，删除所述第一预警信号或第二预警信号；
作为单元，用于将经过取舍保留过程的所述第二维度因子的预警信号集合，作为所述第二维度因子对应的新预警信号集合。
进一步地，基于多维度的监测预警装置，包括：
第二获取模块，用于获取所述指定维度因子的数量；
第二计算模块，用于计算所述指定维度因子的数量占比所有维度因子的比例范围；
第三获取模块，用于获取所述比例范围对应的预设预警等级；
添加模块，用于将所述预设预警等级添加至所述预警反馈结果中。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于多维度的监测预警过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于多维度的监测预警方法。
上述处理器执行上述基于多维度的监测预警方法，包括：从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据；根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合；判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；若是，则获取所述指定预警信号所属的指定维度因子；将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
上述计算机设备，基于已有监测预警方法的缺陷，提出了一种基于多维度信息的传染病监测预警系统，应用传染病相关的多维度信息构建多个预警信息，并从多个维度分别计算预警信号，形成由多个预警信号组成的预警信号集合，以集中预警流感的发生情况，提升监测预警的灵敏度和准确度。
在一个实施例中，指定数据集包括所有监测用户对应的电子病例集，所述待监测对象包括指定传染病，上述处理器在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据的步骤，包括：获取所述指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为所述电子病例集中的任一电子病例；计算所述实测因子集与所述标准因子集的匹配度；判断所述匹配度是否达到预设匹配度；若是，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；根据所述第一维度因子对应的第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的样例数据。
在一个实施例中，上述处理器计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；若是，则将所述指定实测因子标记为匹配因子；统计所述实测因子集中标记为匹配因子的因子数量；根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度。
在一个实施例中，上述处理器计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：分别获取所述实测因子集和所述标准因子集分别对应的结构化信息；将所述实测因子集和所述标准因子集分别对应的结构化信息转换成向量；将所述实测因子集和所述标准因子集分别对应的向量，输入深度学习网络，得到所述实测因子集对应的第一低维向量以及所述标准因子集对应的第二低维向量；计算所述第一低维向量和所述第二低维向量的相似度；将所述第一低维向量和所述第二低维向量的相似度，作为所述实测因子集与所述标准因子集的匹配度。
在一个实施例中，上述处理器根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合的步骤，包括：获取预设长度的时间单位量，以及所述指定数据集对应的统计时间段；确定所述统计时间段对应的开始时间和结束时间；以所述开始时间为起点按照自然时序，按照所述时间单位量将所述统计时间段依次截分成多个子时间段；获取各所述子时间段内第二维度因子分别对应的子样例数据，其中，所述第二维度因子为所有维度因子中的任一个，所述第二维度因子的样例数据由各所述子时间段分别对应的子样例数据组合得到；根据各所述子时间段内分别对应的所述第二维度因子的子样例数据，计算各所述子时间段分别对应的预警信号；将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合；根据所述第二维度因子对应的预警信号集合的计算方式，计算各所述维度因子对应的预警信号集合。
在一个实施例中，上述处理器将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合的步骤之后，包括：在所述第二维度因子对应的预警信号集合中，两两计算预警信号之间的相关性系数；判断第一预警信号和第二预警信号的相关性系数是否大于预设相关性阈值，其中，所述第一预警信号和第二预警信号为所述第二维度因子对应的预警信号集合中的任意两个预警信号；若是，则对所述第一预警信号和第二预警信号进行取舍保留，删除所述第一预警信号或第二预警信号；将经过取舍保留过程的所述第二维度因子的预警信号集合，作为所述第二维度因子对应的新预警信号集合。
在一个实施例中，上述处理器将所述指定维度因子作为所述指定数据集对应的预警反馈结果的步骤之后，包括：获取所述指定维度因子的数量；计算所述指定维度因子的数量占比所有维度因子的比例范围；获取所述比例范围对应的预设预警等级；将所述预设预警等级添加至所述预警反馈结果中。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一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，计算机程序被处理器执行时实现基于多维度的监测预警方法，包括：从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据；根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合；判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；若是，则获取所述指定预警信号所属的指定维度因子；将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
上述计算机可读存储介质，基于已有监测预警方法的缺陷，提出了一种基于多维度信息的传染病监测预警系统，应用传染病相关的多维度信息构建多个预警信息，并从多个维度分别计算预警信号，形成由多个预警信号组成的预警信号集合，以集中预警流感的发生情况，提升监测预警的灵敏度和准确度。
在一个实施例中，指定数据集包括所有监测用户对应的电子病例集，所述待监测对象包括指定传染病，上述处理器在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据的步骤，包括：获取所述指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为所述电子病例集中的任一电子病例；计算所述实测因子集与所述标准因子集的匹配度；判断所述匹配度是否达到预设匹配度；若是，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；根据所述第一维度因子对应的第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的样例数据。
在一个实施例中，上述处理器计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；若是，则将所述指定实测因子标记为匹配因子；统计所述实测因子集中标记为匹配因子的因子数量；根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度。
在一个实施例中，上述处理器计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：分别获取所述实测因子集和所述标准因子集分别对应的结构化信息；将所述实测因子集和所述标准因子集分别对应的结构化信息转换成向量；将所述实测因子集和所述标准因子集分别对应的向量，输入深度学习网络，得到所述实测因子集对应的第一低维向量以及所述标准因子集对应的第二低维向量；计算所述第一低维向量和所述第二低维向量的相似度；将所述第一低维向量和所述第二低维向量的相似度，作为所述实测因子集与所述标准因子集的匹配度。
在一个实施例中，上述处理器根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合的步骤，包括：获取预设长度的时间单位量，以及所述指定数据集对应的统计时间段；确定所述统计时间段对应的开始时间和结束时间；以所述开始时间为起点按照自然时序，按照所述时间单位量将所述统计时间段依次截分成多个子时间段；获取各所述子时间段内第二维度因子分别对应的子样例数据，其中，所述第二维度因子为所有维度因子中的任一个，所述第二维度因子的样例数据由各所述子时间段分别对应的子样例数据组合得到；根据各所述子时间段内分别对应的所述第二维度因子的子样例数据，计算各所述子时间段分别对应的预警信号；将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合；根据所述第二维度因子对应的预警信号集合的计算方式，计算各所述维度因子对应的预警信号集合。
在一个实施例中，上述处理器将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合的步骤之后，包括：在所述第二维度因子对应的预警信号集合中，两两计算预警信号之间的相关性系数；判断第一预警信号和第二预警信号的相关性系数是否大于预设相关性阈值，其中，所述第一预警信号和第二预警信号为所述第二维度因子对应的预警信号集合中的任意两个预警信号；若是，则对所述第一预警信号和第二预警信号进行取舍保留，删除所述第一预警信号或第二预警信号；将经过取舍保留过程的所述第二维度因子的预警信号集合，作为所述第二维度因子对应的新预警信号集合。
在一个实施例中，上述处理器将所述指定维度因子作为所述指定数据集对应的预警反馈结果的步骤之后，包括：获取所述指定维度因子的数量；计算所述指定维度因子的数量占比所有维度因子的比例范围；获取所述比例范围对应的预设预警等级；将所述预设预警等级添加至所述预警反馈结果中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种基于多维度的监测预警方法，其特征在于，包括：
从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；所述知识图谱由不同所述节点之间的所述关联边组成，其中每个所述节点表示一个实体或概念，不同所述节点之间的所述关联边表示所述实体与所述实体之间，或者所述实体与所述概念之间的关联关系；
在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据，包括：获取指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；
从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为电子病例集中的任一电子病例；
计算所述实测因子集与标准因子集的匹配度；
判断所述匹配度是否达到预设匹配度；
若是，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；
根据所述第一维度因子对应的所述第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的所述样例数据；所述指定数据集包括所有所述监测用户对应的所述电子病例集，所述待监测对象包括所述指定传染病；
所述计算所述实测因子集与标准因子集的匹配度，包括：获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；
判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；
若是，则将所述指定实测因子标记为匹配因子；
统计所述实测因子集中标记为所述匹配因子的因子数量；
根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度；
根据各所述维度因子分别对应的所述样例数据，分别计算各所述维度因子对应的预警信号集合；
判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；
若是，则获取所述指定预警信号所属的指定维度因子；
将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
2.根据权利要求1所述的基于多维度的监测预警方法，其特征在于，所述计算所述实测因子集与所述标准因子集的匹配度的步骤，包括：
分别获取所述实测因子集和所述标准因子集分别对应的结构化信息；
将所述实测因子集和所述标准因子集分别对应的结构化信息转换成向量；
将所述实测因子集和所述标准因子集分别对应的向量，输入深度学习网络，得到所述实测因子集对应的第一低维向量以及所述标准因子集对应的第二低维向量；
计算所述第一低维向量和所述第二低维向量的相似度；
将所述第一低维向量和所述第二低维向量的相似度，作为所述实测因子集与所述标准因子集的匹配度。
3.根据权利要求1所述的基于多维度的监测预警方法，其特征在于，所述根据各所述维度因子分别对应的样例数据，分别计算各所述维度因子对应的预警信号集合的步骤，包括：
获取预设长度的时间单位量，以及所述指定数据集对应的统计时间段；
确定所述统计时间段对应的开始时间和结束时间；
以所述开始时间为起点按照自然时序，按照所述时间单位量将所述统计时间段依次截分成多个子时间段；
获取各所述子时间段内第二维度因子分别对应的子样例数据，其中，所述第二维度因子为所有维度因子中的任一个，所述第二维度因子的样例数据由各所述子时间段分别对应的子样例数据组合得到；
根据各所述子时间段内分别对应的所述第二维度因子的子样例数据，计算各所述子时间段分别对应的预警信号；
将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合；
根据所述第二维度因子对应的预警信号集合的计算方式，计算各所述维度因子对应的预警信号集合。
4.根据权利要求3所述的基于多维度的监测预警方法，其特征在于，所述将各所述子时间段分别对应的预警信号，组成所述第二维度因子对应的预警信号集合的步骤之后，包括：
在所述第二维度因子对应的预警信号集合中，两两计算预警信号之间的相关性系数；
判断第一预警信号和第二预警信号的相关性系数是否大于预设相关性阈值，其中，所述第一预警信号和第二预警信号为所述第二维度因子对应的预警信号集合中的任意两个预警信号；
若是，则对所述第一预警信号和第二预警信号进行取舍保留，删除所述第一预警信号或第二预警信号；
将经过取舍保留过程的所述第二维度因子的预警信号集合，作为所述第二维度因子对应的新预警信号集合。
5.根据权利要求1所述的基于多维度的监测预警方法，其特征在于，所述将所述指定维度因子作为所述指定数据集对应的预警反馈结果的步骤之后，包括：
获取所述指定维度因子的数量；
计算所述指定维度因子的数量占比所有维度因子的比例范围；
获取所述比例范围对应的预设预警等级；
将所述预设预警等级添加至所述预警反馈结果中。
6.一种基于多维度的监测预警装置，其特征在于，包括：
确定模块，用于从知识图谱中确定待监测对象对应的维度因子，其中，所述维度因子为所述知识图谱中与所述待监测对象对应节点具有关联边的指定节点的名称，所述指定节点至少包括两个；所述知识图谱由不同所述节点之间的所述关联边组成，其中每个所述节点表示一个实体或概念，不同所述节点之间的所述关联边表示所述实体与所述实体之间，或者所述实体与所述概念之间的关联关系；
统计模块，用于在所述待监测对象对应的指定数据集中，统计各所述维度因子分别对应的样例数据，包括：获取指定传染病的第一维度因子对应的标准分因子集，其中，所述标准分因子集包括多个分因子，所述第一维度因子为所有维度因子中的任一个；
从指定用户对应的指定电子病例中，抽取与所述第一维度因子对应的实际因子，形成实测因子集，其中，所述指定用户为所有监测用户中的任一个，所述指定电子病例为电子病例集中的任一电子病例；
计算所述实测因子集与标准因子集的匹配度；
判断所述匹配度是否达到预设匹配度；
若是，则将所述指定电子病例归纳至所述第一维度因子对应的第一样例集中；
根据所述第一维度因子对应的所述第一样例集的形成方式，从所述电子病例集中筛选各所述维度因子分别对应的样例集，作为各所述维度因子分别对应的所述样例数据；所述指定数据集包括所有所述监测用户对应的所述电子病例集，所述待监测对象包括所述指定传染病；
所述计算所述实测因子集与标准因子集的匹配度，包括：获取所述实测因子集中的指定实测因子对应的关键字，其中，所述指定实测因子为所述实测因子集中的任一因子；
判断所述指定实测因子对应的关键字是否存在于所述标准因子集中；
若是，则将所述指定实测因子标记为匹配因子；
统计所述实测因子集中标记为所述匹配因子的因子数量；
根据所述因子数量以及所述标准因子集中的因子总量，计算所述实测因子集与所述标准因子集的匹配度；
第一计算模块，用于根据各所述维度因子分别对应的所述样例数据，分别计算各所述维度因子对应的预警信号集合；
判断模块，用于判断各所述维度因子分别对应的预警信号集合中是否存在超过阈值的指定预警信号；
第一获取模块，用于若存在超过阈值的指定预警信号，则获取所述指定预警信号所属的指定维度因子；
作为模块，用于将所述指定维度因子作为所述指定数据集对应的预警反馈结果。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一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至5中任一项所述的方法的步骤。
CN202110212882.8A 2021-02-25 2021-02-25 基于多维度的监测预警方法、装置、设备及存储介质 Active CN112951441B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110212882.8A CN112951441B (zh) 2021-02-25 2021-02-25 基于多维度的监测预警方法、装置、设备及存储介质
PCT/CN2021/084538 WO2022178947A1 (zh) 2021-02-25 2021-03-31 基于多维度的监测预警方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110212882.8A CN112951441B (zh) 2021-02-25 2021-02-25 基于多维度的监测预警方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112951441A CN112951441A (zh) 2021-06-11
CN112951441B true CN112951441B (zh) 2023-05-30

Family

ID=76246264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110212882.8A Active CN112951441B (zh) 2021-02-25 2021-02-25 基于多维度的监测预警方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN112951441B (zh)
WO (1) WO2022178947A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116389223B (zh) * 2023-04-26 2023-12-22 郑州数智科技集团有限公司 一种基于大数据的人工智能可视化预警系统及方法
CN117405177B (zh) * 2023-12-15 2024-04-26 国网山东省电力公司济南供电公司 电缆隧道有害气体泄漏预警方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897273A (zh) * 2017-04-12 2017-06-27 福州大学 一种基于知识图谱的网络安全动态预警方法
WO2018133340A1 (zh) * 2017-01-19 2018-07-26 京东方科技集团股份有限公司 数据分析方法和设备
CN109767842A (zh) * 2018-12-13 2019-05-17 平安科技（深圳）有限公司 一种疾病预警方法、疾病预警装置及计算机可读存储介质
CN111967761A (zh) * 2020-08-14 2020-11-20 国网电子商务有限公司 一种基于知识图谱的监控预警方法、装置及电子设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019089830A1 (en) * 2017-10-31 2019-05-09 Apple, Inc. Monitoring system for assessing control of a disease state
CN109448859B (zh) * 2018-11-09 2020-09-29 贵州医渡云技术有限公司 数据处理方法及装置、电子设备、存储介质
CN109711155A (zh) * 2018-11-13 2019-05-03 同盾控股有限公司 一种预警确定方法和装置
CN110853744A (zh) * 2019-09-04 2020-02-28 太原市中心医院 一种大数据下医院质控管理系统
CN111785374A (zh) * 2020-06-15 2020-10-16 山东省玖玖医养健康产业有限公司 一种基于大数据的健康状况分析预测方法及系统
CN111916215B (zh) * 2020-06-17 2022-04-29 扬州大学附属医院 一种群集性/慢性疾病早期自动报警、初步特征分析与风险评估系统
CN111785392B (zh) * 2020-07-01 2024-02-09 医渡云（北京）技术有限公司 人口数量的预警方法、装置、电子设备及计算机可读介质
CN112117010A (zh) * 2020-07-13 2020-12-22 北京大瑞集思技术有限公司 一种传染病智能预警系统及管理平台
CN112037925B (zh) * 2020-07-29 2023-06-23 郑州大学第一附属医院 一种基于lstm算法的新发重大传染病预警方法
CN112100498A (zh) * 2020-09-16 2020-12-18 北京百度网讯科技有限公司 疾病舆情的监控方法、装置
CN112185566B (zh) * 2020-10-14 2021-08-13 上海玺翎智能科技有限公司 一种基于机器学习预测预警感染性疾病就医人数突增的方法
CN112185586A (zh) * 2020-11-17 2021-01-05 北京嘉和海森健康科技有限公司 一种传染病监测预警方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018133340A1 (zh) * 2017-01-19 2018-07-26 京东方科技集团股份有限公司 数据分析方法和设备
CN106897273A (zh) * 2017-04-12 2017-06-27 福州大学 一种基于知识图谱的网络安全动态预警方法
CN109767842A (zh) * 2018-12-13 2019-05-17 平安科技（深圳）有限公司 一种疾病预警方法、疾病预警装置及计算机可读存储介质
CN111967761A (zh) * 2020-08-14 2020-11-20 国网电子商务有限公司 一种基于知识图谱的监控预警方法、装置及电子设备

Also Published As

Publication number Publication date
WO2022178947A1 (zh) 2022-09-01
CN112951441A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN109460473B (zh) 基于症状提取和特征表示的电子病历多标签分类方法
CN107656952B (zh) 平行智能病例推荐模型的建模方法
CN112951441B (zh) 基于多维度的监测预警方法、装置、设备及存储介质
CN110299209B (zh) 相似病历查找方法、装置、设备及可读存储介质
CN112635011A (zh) 疾病诊断方法、疾病诊断系统和可读存储介质
Whaley et al. Preparing card sort data for multidimensional scaling analysis in social psychological research: a methodological approach
CN109935337A (zh) 一种基于相似性度量的病案查找方法及系统
Beall et al. Classification of physiologic swallowing impairment severity: a latent class analysis of modified barium swallow impairment profile scores
CN109907751B (zh) 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法
CN113823414B (zh) 主诊断与主手术匹配检测方法、装置、计算设备和存储介质
CN114191665A (zh) 机械通气过程中人机异步现象的分类方法和分类装置
Leng et al. Bi-level artificial intelligence model for risk classification of acute respiratory diseases based on Chinese clinical data
CN112820400B (zh) 基于医疗知识图谱知识推理的疾病诊断装置、设备
Klüver Steering clustering of medical data in a Self-Enforcing Network (SEN) with a cue validity factor
Fu et al. Early sepsis prediction in icu trauma patients with using an improved cascade deep forest model
Lin et al. Multi-layer facial representation learning for early prediction of septic shock
CN110010231A (zh) 一种数据处理系统及计算机可读存储介质
Zawadzka et al. Graph representation integrating signals for emotion recognition and analysis
Dang et al. Sequence-based measure for assessing drug-side effect causal relation from electronic medical records
CN111696621B (zh) 一种蛋白质磷酸化修饰位点-疾病关系识别方法、系统、装置及存储介质
CN111966780A (zh) 一种基于词向量建模和信息检索的回顾性队列选择方法及装置
Bozhenko et al. Application of Data Preprocessing in Medical Research
Chen et al. Research on prediction method for pivotal indicator of hospital medical quality using decision tree
CN117235555B (zh) 一种基于shap特征聚类技术的脓毒症分型方法及系统
CN115424741B (zh) 基于因果发现的药物不良反应信号发现方法及系统

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