CN113223698A - 分级处理方法、装置、电子设备以及存储介质 - Google Patents
分级处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113223698A CN113223698A CN202110231013.XA CN202110231013A CN113223698A CN 113223698 A CN113223698 A CN 113223698A CN 202110231013 A CN202110231013 A CN 202110231013A CN 113223698 A CN113223698 A CN 113223698A
- Authority
- CN
- China
- Prior art keywords
- target object
- grading
- result
- feature information
- hierarchical
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000013145 classification model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 206010073261 Ovarian theca cell tumour Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000001644 thecoma Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种分级处理方法、装置、电子设备以及存储介质。该方法包括:基于目标对象的标识信息获取所述目标对象的各特征信息;基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标对象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述目标对象的各特征信息的所属因素类型以及对应的权重。通过本发明实施例公开的技术方案,实现了提高分级的准确性和说服力,以及提高了急诊分诊的工作效率。
Description
技术领域
本发明实施例涉及医疗技术领域,尤其涉及一种分级处理方法、装置、电 子设备以及存储介质。
背景技术
目前,全国大多数医院并没有推广急诊分级,许多非急诊患者为了缩短看 病时间盲目涌向急诊,给急诊医疗资源造成很大压力,“急诊不急”已经成为一 种普遍问题。
目前的急诊分级主要依据护士经验和分级规则,根据急诊科分诊台业务现 场观察,一个急诊病人往往需要在1分钟内完成分级判定,判定主要是依靠高 年资(3年以上)护士评估患者多个生命体征及相关个人情况后给出,信息量大, 时间紧,分级结果不准确,极易引发患者不满和焦虑。
发明内容
本发明提供一种分级处理方法、装置、电子设备以及存储介质,以实现提 高分级的准确性和说服力,以及提高急诊分诊的工作效率。
第一方面,本发明实施例提供了一种分级处理方法,该方法包括:
基于目标对象的标识信息获取所述目标对象的各特征信息;
基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标 对象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述 目标对象的各特征信息的所属因素类型以及对应的权重。
第二方面,本发明实施例还提供了一种分级处理装置,该装置包括:
特征信息获取模块,用于基于目标对象的标识信息获取所述目标对象的各 特征信息;
结果及依据获取模块,用于基于所述目标对象的各特征信息对所述目标对 象进行分级,得到所述目标对象的分级结果以及所述分级结果的分级依据,其 中,所述分级依据包括所述目标对象的各特征信息的所属因素类型以及对应的 权重。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多 个处理器实现如本发明任意实施例提供的分级处理方法。
第四方面,本发明实施例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,该程序被处理器执行时实现本发明任意实施例提供的分级处理方 法。
本发明实施例的技术方案利用目标对象的标识信息获取该目标对象的各特 征信息,并基于该目标对象的各特征信息对该目标对象分级,得到所述目标对 象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述目 标对象的各特征信息的所属因素类型以及对应的权重。本发明实施例的技术方 案通过根据目标对象的各特征信息确定目标对象的分级结果,提高了分级的准 确性和急诊分诊的工作效率,在此基础上提供的分级结果的分级依据可以是分 级结果可解释,提高了分级结果的说服力,解决了分级结果被质疑的问题。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例 中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述 的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不 付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的分级处理方法的流程示意图;
图2是本发明实施例一涉及的分级处理方法的结果示意图;
图3是本发明实施例一涉及的分级模型训练方法的流程示意图;
图4为本发明实施例二提供的分级处理装置的结构示意图;
图5为本发明实施例三提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此 处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需 要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结 构。
实施例一
图1为本发明实施例一提供的一种分级处理方法的流程图,本实施例可适 用于在对目标对象进行分级的情况,尤其涉及在急诊就诊时对目标对象进行分 级处理。该方法可以由分级处理装置来执行,该装置可以由软件和/或硬件的方 式来实现。在对本发明实施例的技术方案进行解释之前,先对本发明实施例的 实时场景进行示例性的介绍:目前,大多数患者为了缩短看病时间而盲目涌向 急诊进行就诊,给急诊的医疗资源造成了极大的压力。如果按照就诊的先后顺 序对急诊患者进行救治的话,病情严重的患者会因为等候时间过长而耽误治疗, 所以在急诊的分诊台通常需要配备一位具有丰富经验的护士,在最短时间内为 前来就诊的患者进行分级判定。由于急诊的人流量较大且大多病情危急,所以分级判定一般需要在1分钟内必须完成,由此造成的分级结果不准确,极易引 发患者不满和焦虑。
为了解决上述技术问题,本发明实施例获取患者的特征信息,并根据特征 信息对患者进行快速分级处理,并同时给出分级结果对应的分级依据,以使医 生可以根据分级依据辅助进行疾病诊断,也可以使病人及家属清楚患者被确定 为当前分级结果的原因,避免因为不明确分级原因导致出现焦虑和不满等情绪 的状况出现。
如图1所示,该方法具体包括以下步骤:
S110、基于目标对象的标识信息获取所述目标对象的各特征信息。
在本发明实施例中,目标对象可以是前来医院急诊就诊的患者。目标对象 的标识信息可以是用来确定目标对象身份的信息,例如可以是通过目标对象的 身份证信息和医保卡信息获取到的唯一标识信息。目标对象的各特征信息可以 是目标对象的生命体征信息,例如可以是血压、血糖、心率、呼吸、体温和神 志等生命体征信息。
可选的,基于目标对象的标识信息获取目标对象的各特征信息的方法可以 是:获取各特征检测装置传输的特征信息集合,其中,所述特征信息集合中包 括各特征信息以及对应标识信息;基于所述目标对象的标识信息从所述特征信 息集合中确定所述目标对象的各特征信息。
其中,特征检测装置可以是用来检测前来医院就诊患者的各生理信息的装 置,具体的,可以包括血压计、血氧仪、额温枪、监护仪等检测装置。特征信 息集合为来医院就诊的各个患者的所有特征信息的集合。
具体的,采用医院的特征检测装置对前来医院就真的所有患者进行检测, 将各患者的检测结果即特征信息与该患者的标识信息对应存储于特征信息集合 中确定目标对象的标识信息,基于该标识信息从特征信息集合中确定所述标识 信息对应的各特征信息并进行提取,并基于提取出的目标对象各特征信息确定 目标对象的分级结果以及该分级结果对应的分级依据。
S120、基于所述目标对象的各特征信息对所述目标对象进行分级,得到所 述目标对象的分级结果以及所述分级结果的分级依据。
其中,分级结果为根据目标对象的各特征信息得到的分级处理结果。具体 的,分级结果可以分为四个等级,具体包括急危等级、急重等级、紧急等级和 亚急等级。根据的目标对象的分级结果确定目标对象的就诊时间和就诊顺序。
具体的,当目标对象的分级结果为急危等级时,需要立即对该目标对象进 行救治,例如目标对象出现昏迷等状况的情况,即需要立即安排目标对象进入 到抢救室内;当目标对象的分级结果为急重等级时,需要在十分钟内对该目标 对象进行救治,例如当目标对象出现血氧特征低于血氧预设阈值的情况时,即 需要对目标对象进行监护,并在十分钟之内尽快对该目标对象进行救治;当目 标对象的分级结果为紧急等级时,需要在半小时内对该目标对象进行救治,例 如当目标对象出现收缩压高于预设收缩压或者舒张压低于预设舒张压的情况时, 尽快对该目标对象进行救治;当目标对象的分级结果为亚急等级时,可以按照 就诊的先后顺序进行救治,即当目标对象的体温高于预设体温阈值的情况,可以在对上述急危等级、急重等级和紧急等级的患者救治完毕之后,按照就诊顺 序对该目标对象进行救治。
可选的,基于目标对象的各特征信息确定目标对象的分级结果以该分级结 果对应的分级依据的方法可以是:基于分级模型对目标对象的各特征信息进行 分级处理,得到目标对象的分级结果。
具体的,将目标对象的各特征信息作为分级模型的输入数据输入至该分级 模型中得到模型的输出结果。可选的,模型的输出结果可以是目标对象在各个 分级区域的概率值,确定各个分级区域中最大的概率值为目标对象的分级结果。 具体的,分级模型可以是XGBoost模型,当然也可以是Bayesian、Deep Learning等其他模型,本实施例对分级模型的选取不加以限重。具体的,采用 分级模型对目标对象进行分级处理时,输出的分级结果除了包括目标对象所处 的分级区域以外,还包括目标对象的各特征信息的重要性。
可选的,基于解释模型对目标对象的各特征信息进行分级分析,得到分级 结果的分级依据。其中,分级依据包括所述目标对象的各特征信息的所属因素 类型以及对应的权重。
可选的,对所述目标对象的各特征信息进行信息扰动生成扰动特征信息集, 并确定所述扰动特征信息集中的分级结果以及确定所述各特征信息与扰动特征 信息集之间的权重距离;基于所述解释模型对所述扰动特征信息集中的分级结 果、所述目标对象的各特征信息和所述各特征信息与扰动特征信息集之间的权 重距离进行处理,确定所述目标对象的各特征信息的所属因素类型以及对应的 权重。
其中,扰动特征信息集是对各特征信息中的各个特征分别扰动所生成的多 个新的扰动特征信息的集合。具体的,扰动特征信息的生成方法是对目标对象 的任一特征信息进行预设范围内的微小扰动,生成新的扰动信息,例如目标对 象的体温是36.5℃,对该特征进行微小扰动生成多个扰动特征信息,并从正态 分布中进行随机抽样,得到36.2℃、36.4℃和36.8℃等扰动特征信息。
具体的,根据目标对象的各特征信息确定目标对象的扰动特征信息集,并 采用分级模型分别对扰动特征信息集中的各扰动特征信息进行分级,得到分级 结果对应的概率值。确定各扰动特征信息对应的概率值与目标对象的各特征信 息之间的权重距离,例如可以以欧式距离的计算方式计算权重距离,本实施例 对权重距离的计算方式不加以限制。基于所述解释模型对所述扰动特征信息集 中的分级结果、所述目标对象的各特征信息和所述各特征信息与扰动特征信息 集之间的权重距离进行处理,确定所述目标对象的各特征信息的所属因素类型 以及对应的权重。可选的,可以基于解释模型采用最小二乘估计方法对对所述 扰动特征信息集中的分级结果、所述目标对象的各特征信息和所述各特征信息与扰动特征信息集之间的权重距离进行处理,即以扰动特征信息集中的分级结 果为因变量,所述目标对象的各特征信息为自变量,以及各特征信息与扰动特 征信息集之间的权重距离进行最小二乘估计计算,得到的计算结果为各特征信 息的权重数值,并且根据权重数值的正负确定该权重对应的特征信息的所属因 素类型。其中,所属因素类型包括积极因素和消极因素。确定分级结果对应的 分级依据的有益效果一方面在于可以向目标对象解释根据该对象的特征信息得 到该分级结果的原因,可以使目标对象清楚后续安排后续就诊时间和就诊顺序 原因,另一方面也可以给医生对该目标对象的看诊提供一定帮助,可以使医生 在看到分级依据中的各特征的所述因素类型时更加快速的确定诊断方向以及治 疗方法,提高诊断效率。
示例性的,图2为本发明实施例的分级处理的结果示意图,其中输入变量 为目标对象的各特征信息,具体的,如年龄、心率、神志、血氧等特征信息; 输出变量包括预测结果和分级依据,其中预测结果为目标对象的分级结果,其 中可以看出根据目标对象的各特征信息可以确定目标对象处于一级分区,即属 于急危等级,需要立即对该目标对象进行抢救;分析依据为分级结果对应的分 级依据,根据图中可以看出分级依据包括保护因素和危险因素,其中保护因素 为消极因素,该因素对目标对象被确定为当前分级结果产生了消极影响;危险 因素为积极因素,该因素对目标对象被确定为当前分级结果产生了积极影响,在上述基础上,分级依据还包括各特征信息在所述因素类型中的权重,例如在 图中,神志昏迷特征的权重为0.24。
本发明实施例的技术方案利用目标对象的标识信息获取该目标对象的各特 征信息,并基于该目标对象的各特征信息对该目标对象分级,得到所述目标对 象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述目 标对象的各特征信息的所属因素类型以及对应的权重。本发明实施例的技术方 案通过根据目标对象的各特征信息确定目标对象的分级结果,提高了分级的准 确性和急诊分诊的工作效率,在此基础上提供的分级结果的分级依据可以是分 级结果可解释,提高了分级结果的说服力,解决了分级结果被质疑的问题。
在一些实施例中,基于分级模型对目标对象进行分级处理,目标对象的分 级结果之前还包括,对该分级模型进行训练。具体的训练步骤如图3所示,获 取满足预设条件的历史急诊分级数据作为训练样本;所述训练样本包括各历史 特征信息和历史分级标签;可选的,对获取到的数据集进行数据集整理与清洗 工作,以便于后续分析和建模。包括但不局限于:样本科室筛选、缺失值处理、 分类变量one-hot处理等。对获取到的数据集按照随机的方式以80:20的比例 划分为开发集和测试集,以方便后续构建模型、模型筛选、模型验证与评价等 工作。基于各所述历史急诊分级数据对待训练的分级模型进行如下迭代训练,直到迭代训练的分级模型满足预设条件,得到训练完成的分级模型:将任一历 史特征信息输入至对待训练的分级模型,得到所述历史特征信息的分级预测结 果。基于所述分级预测结果和所述历史特征信息的分级标签生成损失函数,并 基于所述损失函数对所述待训练的分级模型进行参数调节。可选的,损失函数 可以是交叉熵损失函数,具体的表达式如下述公式所示:
其中,ti是目标对象的分级结果的真实标签,si是模型对目标对象的所属分 级区域的概率值。可选的,模型训练时通过迭代降低损失函数值更新网络权重, 直至完成模型训练,得到训练完成的分级模型。
在一些其他的实施例中,为了提高分级结果的准确性,进行模训练之前, 采用十折交叉验证法基于多个模型采用相同的数据集进行模型预训练,根据预 训练结果确定出较佳的模型进行训练。可选的,还可以对模型中的超参进行超 参优化,以选出具有速度快、效果好的模型以在后续应用时提高分级结果的准 确性。
为了保证当前分级模型的分级准确性,在采用完成上述实施例中训练完成 的分级模型进行分级处理之前,先采用预设评价指标对该分级模型进行评价。 当评价指标结果高于医院现有分级结果的评价指标结果时,说明采用当前分级 模型对目标对象进行分级处理,提高了分级结果的准确性。
以下是本发明实施例提供的分级处理装置的实施例,该装置与上述各实施 例的分级处理方法属于同一个发明构思,在分级处理装置的实施例中未详尽描 述的细节内容,可以参考上述分级处理方法的实施例。
实施例二
图4为本发明实施例二提供的分级处理装置的结构示意图,本实施例可适 用于在对目标对象进行分级的情况,尤其涉及在急诊就诊时对目标对象进行分 级处理。该分级处理装置的具体结构包括:特征信息获取模块210和结果及依 据获取模块220;其中,
特征信息获取模块210,用于基于目标对象的标识信息获取所述目标对象 的各特征信息。
结果及依据获取模块220,用于基于所述目标对象的各特征信息对所述目 标对象进行分级,得到所述目标对象的分级结果以及所述分级结果的分级依据, 其中,所述分级依据包括所述目标对象的各特征信息的所属因素类型以及对应 的权重。
本发明实施例的技术方案利用目标对象的标识信息获取该目标对象的各特 征信息,并基于该目标对象的各特征信息对该目标对象分级,得到所述目标对 象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述目 标对象的各特征信息的所属因素类型以及对应的权重。本发明实施例的技术方 案通过根据目标对象的各特征信息确定目标对象的分级结果,提高了分级的准 确性和急诊分诊的工作效率,在此基础上提供的分级结果的分级依据可以是分 级结果可解释,提高了分级结果的说服力,解决了分级结果被质疑的问题。
在上述技术方案的基础上,特征信息获取模块210,包括:
第二特征信息获取单元,用于获取各特征检测装置传输的特征信息集合, 其中,所述特征信息集合中包括各特征信息以及对应标识信息。
第二特征信息获取单元,用于基于所述目标对象的标识信息从所述特征信 息集合中确定所述目标对象的各特征信息。
在上述技术方案的基础上,结果及依据获取模块220,包括:
分级结果获取单元,用于基于分级模型对所述目标对象的各特征信息进行 分级处理,得到所述目标对象的分级结果。
分级依据获取单元,用于基于解释模型对所述目标对象的各特征信息进行 分级分析,得到所述分级结果的分级依据。
在上述技术方案的基础上,所述分级结果包括急危等级、急重等级、紧急 等级和亚急等级;
其中,该装置还包括:
就诊时间和就诊顺序确定单元,用于在在所述得到分级模型输出的分级结 果以及所述分级结果的分级依据之后,根据所述分级结果确定所述目标对象的 就诊时间和就诊顺序。
在上述技术方案的基础上,分级依据获取单元,包括:
扰动特征信息集获取在单元,用于对所述目标对象的各特征信息进行信息 扰动生成扰动特征信息集,并确定所述扰动特征信息集中的分级结果以及确定 所述各特征信息与扰动特征信息集之间的权重距离。
因素类型以及对应的权重确定子单元,用于基于所述解释模型对所述扰动 特征信息集中的分级结果、所述目标对象的各特征信息和所述各特征信息与扰 动特征信息集之间的权重距离进行处理,确定所述目标对象的各特征信息的所 属因素类型以及对应的权重。
在上述技术方案的基础上,所述装置还包括:
模型训练单元,用于对所述分级模型进行训练;具体的,包括:
获取满足预设条件的历史急诊分级数据作为训练样本;所述训练样本包括 各历史特征信息和历史分级标签;
基于各所述历史急诊分级数据对待训练的分级模型进行如下迭代训练,直 到迭代训练的分级模型满足预设条件,得到训练完成的分级模型:
将任一历史特征信息输入至对待训练的分级模型,得到所述历史特征信息 的分级预测结果;
基于所述分级预测结果和所述历史特征信息的分级标签生成损失函数,并 基于所述损失函数对所述待训练的分级模型进行参数调节。
在上述技术方案的基础上,所述装置还包括:
模型评价单元,用于在得到训练完成的分级模型之前,采用预设评价指标 对所述训练完成的分级模型进行评价,以确定分级模型的准确性。
本发明实施例所提供的分级处理装置可执行本发明任意实施例所提供的分 级处理方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述分级处理装置的实施例中,所包括的各个单元和模块 只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应 的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用 于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的一种电子设备的结构示意图。图5示出了适 于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备 12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5所示,电子设备12以通用计算电子设备的形式表现。电子设备12 的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器 28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控 制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线 结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA) 总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA) 局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能 够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不 可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随 机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包 括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例, 存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称 为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器 可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括 至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程 序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如 系统存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能 和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显 示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设 备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的 任何设备(例如网卡,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22进行。并且,电子设备12还可以通过网络适配器20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5所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当 明白,尽管图5中未示出,可以结合电子设备12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。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能 应用以及样本数据获取,例如实现本发实施例所提供的一种分级处理方法步骤, 分级处理方法包括:
基于目标对象的标识信息获取所述目标对象的各特征信息;
基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标 对象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述 目标对象的各特征信息的所属因素类型以及对应的权重。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所 提供的样本数据获取方法的技术方案。
实施例四
本实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该 程序被处理器执行时实现例如实现本发实施例所提供的一种分级处理方法步骤, 分级处理方法包括:
基于目标对象的标识信息获取所述目标对象的各特征信息;
基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标 对象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述 目标对象的各特征信息的所属因素类型以及对应的权重。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质 的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储 介质。计算机可读存储介质例如可以是但不限于: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。计算机可读存储介质的 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 计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、 光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机 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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读 的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算 机可读介质可以发送、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。
计算机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、电线、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或其组合来编写用于执行本发明操作的计 算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、 Smalltalk、C++,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机上执行、部分地在用户计算 机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算 机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形 中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN), 连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供 商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通 用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算 装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实 现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制 作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路 模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽 然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以 上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例, 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种分级处理方法,其特征在于,包括:
基于目标对象的标识信息获取所述目标对象的各特征信息;
基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标对象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述目标对象的各特征信息的所属因素类型以及对应的权重。
2.根据权利要求1所述的模型,其特征在于,所述基于目标对象的标识信息获取所述目标对象的各特征信息,包括:
获取各特征检测装置传输的特征信息集合,其中,所述特征信息集合中包括各特征信息以及对应标识信息;
基于所述目标对象的标识信息从所述特征信息集合中确定所述目标对象的各特征信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标对象的分级结果以及所述分级结果的分级依据,包括:
基于分级模型对所述目标对象的各特征信息进行分级处理,得到所述目标对象的分级结果;
基于解释模型对所述目标对象的各特征信息进行分级分析,得到所述分级结果的分级依据。
4.根据权利要求1或3所述的方法,其特征在于,所述分级结果包括急危等级、急重等级、紧急等级和亚急等级;
其中,在所述得到分级模型输出的分级结果以及所述分级结果的分级依据之后,还包括:
根据所述分级结果确定所述目标对象的就诊时间和就诊顺序。
5.根据权利要求3所述的方法,其特征在于,所述基于解释模型对所述目标对象的各特征信息进行分级分析,得到所述分级结果的分级依据,包括:
对所述目标对象的各特征信息进行信息扰动生成扰动特征信息集,并确定所述扰动特征信息集中的分级结果以及确定所述各特征信息与扰动特征信息集之间的权重距离;
基于所述解释模型对所述扰动特征信息集中的分级结果、所述目标对象的各特征信息和所述各特征信息与扰动特征信息集之间的权重距离进行处理,确定所述目标对象的各特征信息的所属因素类型以及对应的权重。
6.根据权利要求1所述的方法,所述分级模型的训练方法包括:
获取满足预设条件的历史急诊分级数据作为训练样本;所述训练样本包括各历史特征信息和历史分级标签;
基于各所述历史急诊分级数据对待训练的分级模型进行如下迭代训练,直到迭代训练的分级模型满足预设条件,得到训练完成的分级模型;
将任一历史特征信息输入至对待训练的分级模型,得到所述历史特征信息的分级预测结果;
基于所述分级预测结果和所述历史特征信息的分级标签生成损失函数,并基于所述损失函数对所述待训练的分级模型进行参数调节。
7.根据权利要求6所述的方法,其特征在于,所述在得到训练完成的分级模型之前,还包括:
采用预设评价指标对所述训练完成的分级模型进行评价,以确定分级模型的准确性。
8.一种分级处理装置,其特征在于,包括:
特征信息获取模块,用于基于目标对象的标识信息获取所述目标对象的各特征信息;
结果及依据获取模块,用于基于所述目标对象的各特征信息对所述目标对象进行分级,得到所述目标对象的分级结果以及所述分级结果的分级依据,其中,所述分级依据包括所述目标对象的各特征信息的所属因素类型以及对应的权重。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的分级处理方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的分级处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231013.XA CN113223698B (zh) | 2021-03-02 | 2021-03-02 | 急诊分级处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110231013.XA CN113223698B (zh) | 2021-03-02 | 2021-03-02 | 急诊分级处理方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113223698A true CN113223698A (zh) | 2021-08-06 |
CN113223698B CN113223698B (zh) | 2024-03-12 |
Family
ID=77084796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110231013.XA Active CN113223698B (zh) | 2021-03-02 | 2021-03-02 | 急诊分级处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223698B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190087729A1 (en) * | 2017-09-18 | 2019-03-21 | Intel Corporation | Convolutional neural network tuning systems and methods |
CN111262887A (zh) * | 2020-04-26 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 基于对象特征的网络风险检测方法、装置、设备及介质 |
CN112016318A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于解释模型的分诊信息推荐方法、装置、设备及介质 |
CN112164454A (zh) * | 2020-10-10 | 2021-01-01 | 联仁健康医疗大数据科技股份有限公司 | 一种分诊预测的方法、装置及电子设备 |
US20210026446A1 (en) * | 2019-07-26 | 2021-01-28 | Samsung Electronics Co., Ltd. | Method and apparatus with gaze tracking |
-
2021
- 2021-03-02 CN CN202110231013.XA patent/CN113223698B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190087729A1 (en) * | 2017-09-18 | 2019-03-21 | Intel Corporation | Convolutional neural network tuning systems and methods |
US20210026446A1 (en) * | 2019-07-26 | 2021-01-28 | Samsung Electronics Co., Ltd. | Method and apparatus with gaze tracking |
CN111262887A (zh) * | 2020-04-26 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 基于对象特征的网络风险检测方法、装置、设备及介质 |
CN112016318A (zh) * | 2020-09-08 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于解释模型的分诊信息推荐方法、装置、设备及介质 |
CN112164454A (zh) * | 2020-10-10 | 2021-01-01 | 联仁健康医疗大数据科技股份有限公司 | 一种分诊预测的方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
王蕾,等: "改良智能化急诊分级分诊系统的构建与应用评价", 《中国数字医学》, vol. 12, no. 10, pages 57 - 60 * |
Also Published As
Publication number | Publication date |
---|---|
CN113223698B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cramer et al. | Predicting the incidence of pressure ulcers in the intensive care unit using machine learning | |
US11631497B2 (en) | Personalized device recommendations for proactive health monitoring and management | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN112541056B (zh) | 医学术语标准化方法、装置、电子设备及存储介质 | |
JP2020522062A (ja) | 医療記録問題リスト生成 | |
CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
JP2020518050A (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
US20210398677A1 (en) | Predicting changes in medical conditions using machine learning models | |
CN111832298A (zh) | 病历的质检方法、装置、设备以及存储介质 | |
CN112634889B (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
CN112562808B (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
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 | |
CN112184295A (zh) | 康养服务确定方法、装置、电子设备和存储介质 | |
US20120209620A1 (en) | Detecting unexpected healthcare utilization by constructing clinical models of dominant utilization groups | |
US20180349558A1 (en) | Systems and methods for autonomous discharge queue management | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
US20190163870A1 (en) | Effective patient state sharing | |
WO2023084254A1 (en) | Diagnosic method and system | |
CN113223698B (zh) | 急诊分级处理方法、装置、电子设备以及存储介质 | |
CN114724693A (zh) | 异常诊疗行为的检测方法及装置、电子设备和存储介质 | |
CN114566280A (zh) | 用户状态预测方法、装置、电子设备及存储介质 | |
US8756234B1 (en) | Information theory entropy reduction program | |
JP2022106065A (ja) | 認知症兆候判別プログラム | |
CN111863283A (zh) | 一种医疗健康大数据平台 | |
Ogungbe et al. | Design and Implementation of Diagnosis System for Cardiomegaly from Clinical Chest X-ray Reports |
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 |