CN113643813A - 基于人工智能的慢病随访监管方法、装置及计算机设备 - Google Patents
基于人工智能的慢病随访监管方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113643813A CN113643813A CN202111005416.9A CN202111005416A CN113643813A CN 113643813 A CN113643813 A CN 113643813A CN 202111005416 A CN202111005416 A CN 202111005416A CN 113643813 A CN113643813 A CN 113643813A
- Authority
- CN
- China
- Prior art keywords
- follow
- patient
- chronic disease
- target
- supervision
- 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
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 230000001575 pathological effect Effects 0.000 claims abstract description 141
- 201000010099 disease Diseases 0.000 claims abstract description 59
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 59
- 238000013058 risk prediction model Methods 0.000 claims abstract description 56
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 26
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001684 chronic effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012911 target assessment Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 10
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 18
- 239000003814 drug Substances 0.000 description 17
- 235000005911 diet Nutrition 0.000 description 13
- 210000004369 blood Anatomy 0.000 description 12
- 239000008280 blood Substances 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 9
- 229940109239 creatinine Drugs 0.000 description 9
- 230000007170 pathology Effects 0.000 description 9
- 230000037213 diet Effects 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000035764 nutrition Effects 0.000 description 7
- 235000016709 nutrition Nutrition 0.000 description 7
- 210000002700 urine Anatomy 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 230000000378 dietary effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 208000031226 Hyperlipidaemia Diseases 0.000 description 3
- 208000031662 Noncommunicable disease Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 239000003146 anticoagulant agent Substances 0.000 description 3
- 208000020832 chronic kidney disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 208000017169 kidney disease Diseases 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010008909 Chronic Hepatitis Diseases 0.000 description 1
- 208000000419 Chronic Hepatitis B Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 206010018367 Glomerulonephritis chronic Diseases 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 208000023652 chronic gastritis Diseases 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 244000297694 fish poison bean Species 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 208000002672 hepatitis B Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 206010029446 nocturia Diseases 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 description 1
- 229960005080 warfarin Drugs 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 208000016261 weight loss Diseases 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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于人工智能的慢病随访监管方法、装置及计算机设备，涉及人工智能技术领域，可解决目前基于人工智能的慢病随访监管方式，需要医生手动制定随访策略，导致监管智能化低、监管效果不佳的技术问题。包括：按照预设时间周期采集目标患者的患者病理数据，患者病理数据包括患者身份数据以及患者随访数据；利用病理知识图谱提取患者随访数据的病理特征；将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，慢病风险预测模型是基于极端梯度提升算法训练得到的；基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及到一种基于人工智能的慢病随访监管方法、装置及计算机设备。
背景技术
慢病又称“慢性非传染性疾病(noninfectious chronic diseases,NCDS)”或“慢性病”，不是特指某种疾病，而是对一组起病时间长，缺乏明确的病因证据，一旦发病即病情迁延不愈的非传染性疾病的概括性总称。慢病包括的疾病非常多，有内分泌系统、心血管系统、神经系统、消化系统等系统的疾病，常见的慢病有：高血压、糖尿病、高脂血症、冠心病、恶性肿瘤、通风、帕金森病、慢性阻塞性肺疾病、慢性肝炎等……慢病的特点要求患者定期随访，按一定周期到医院进行复诊，包括检查、调整治疗方案、开药等。
目前慢病随访的监控管理方法，往往是在患者通过检查获取疾病诊断结果后，医生依据诊断经验制定与疾病诊断结果匹配的随访策略，并将随访策略上传相关管理系统，进而依据随访策略进行对慢病随访的监控管理。
然而这种基于人工智能的慢病随访监管方式，需要医生手动制定随访策略，对医生临床经验要求较高，制定效率较低，且这种监管方式也不能依据疾病的不同阶段、不同发展状态对随访策略进行智能化调整，导致监管效果较差。
发明内容
有鉴于此，本申请提供了一种基于人工智能的慢病随访监管方法、装置及计算机设备，可用于解决目前基于人工智能的慢病随访监管方式，需要医生手动制定随访策略，导致监管智能化较低、监管效果不佳的技术问题。
根据本申请的一个方面，提供了一种基于人工智能的慢病随访监管方法，该方法包括：
按照预设时间周期采集目标患者的患者病理数据，所述患者病理数据包括患者身份数据以及患者随访数据；
利用病理知识图谱提取所述患者随访数据的病理特征；
将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定所述目标患者的慢病风险预测结果，所述慢病风险预测模型是基于极端梯度提升算法训练得到的；
基于用户画像技术确定与所述患者身份数据和所述慢病风险预测结果匹配的目标随访监管策略，并依据所述目标随访监管策略执行对所述目标患者的随访监管处理。
根据本申请的另一个方面，提供了一种基于人工智能的慢病随访监管装置，该装置包括：
采集模块，用于按照预设时间周期采集目标患者的患者病理数据，所述患者病理数据包括患者身份数据以及患者随访数据；
提取模块，用于利用病理知识图谱提取所述患者随访数据的病理特征；
第一确定模块，用于将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定所述目标患者的慢病风险预测结果，所述慢病风险预测模型是基于极端梯度提升算法训练得到的；
第二确定模块，用于基于用户画像技术确定与所述患者身份数据和所述慢病风险预测结果匹配的目标随访监管策略，并依据所述目标随访监管策略执行对所述目标患者的随访监管处理。
根据本申请的又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于人工智能的慢病随访监管方法。
根据本申请的再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于人工智能的慢病随访监管方法。
借由上述技术方案，本申请提供的一种基于人工智能的慢病随访监管方法、装置及计算机设备，与目前基于人工智能的慢病随访监管方式相比，本申请可按照预设时间周期采集目标患者的患者病理数据，并提取患者病理数据中的病理特征，进而将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，最后基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。通过本申请中的技术方案，可应用于知识图谱、机器学习模型以及用户画像技术，实现对随访监管策略的智能化制定，可保证监管策略的准确性以及高效性。同时按照预设时间周期采集目标患者的患者病理数据，可实现对患者病理数据的动态检测更新，以便依据疾病发展趋势对随访监管策略进行智能化调整，进而提高随访的临床工作效率，保证慢病随访的监管效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种基于人工智能的慢病随访监管方法的流程示意图；
图2示出了本申请实施例提供的另一种基于人工智能的慢病随访监管方法的流程示意图；
图3示出了本申请实施例提供的一种基于人工智能的慢病随访监管装置的结构示意图；
图4示出了本申请实施例提供的另一种基于人工智能的慢病随访监管装置的结构示意图。
具体实施方式
本申请实施例可以基于人工智能技术实现对慢病随访监管中随访监管策略的智能化制定，进而实现对慢病随访的智能化监管。其中，人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
针对目前基于人工智能的慢病随访监管方式，需要医生手动制定随访策略，导致监管智能化较低、监管效果不佳的技术问题，本申请提供了一种基于人工智能的慢病随访监管方法，如图1所示，该方法包括：
101、按照预设时间周期采集目标患者的患者病理数据，患者病理数据包括患者身份数据以及患者随访数据。
其中，患者身份数据为目标患者的个人信息，如年龄、性别、身高、体重、工作、家庭住址、疾病史、家族史等；患者随访数据可包括疾病症状、疾病检查结果、疾病治疗数据、就诊数据、随访记录、随访周期等；预设时间周期可根据目标患者对应历史随访监管策略中的随访周期进行确定，而历史随访监管策略是根据历史患者病理数据确定的，如历史随访监管策略中设定随访周期为3个月，则可以3个月作为预设时间周期，每间隔3个月进行一次针对目标患者的患者病理数据的自动化采集；此外，对于没有历史随访监管策略的目标患者，可在接收到目标患者的首访信息后，按照预设随访管理规则对目标患者的首访信息进行验证，判定目标患者是否符合慢病随访监管条件，如目标患者符合慢病随访监管条件，则可先按照默认时间周期对目标患者的患者病历特征进行提取。相应的，预设随访管理规则为：目标患者对应为慢病患者，且目标患者授权第三方系统进行患者病理数据的自动化提取和慢病随访监管的自动化执行。其中，慢病患者可包括多种慢病类型以及慢病阶段的就诊患者，如可包括高血压前期诊断患者、糖尿病前期诊断患者、高脂血症前期诊断患者、慢阻肺前期诊断患者、高血压确诊患者、糖尿病确诊患者、高脂血症确诊患者、慢阻肺确诊患者等。
通过本实施例中对目标患者的患者病理数据的周期性采集，可实现对患者病理数据的动态检测更新，能够基于更新后的患者病理数据实现对随访监管策略的智能化调整，进而可提高随访的临床工作效率，保证慢病随访的监管效果。
对于本实施例的执行主体可为基于人工智能的慢病随访监管的装置，可配置在客户端侧或服务端侧，可按照预设时间周期采集目标患者的患者身份数据以及患者随访数据，并利用病理知识图谱提取患者随访数据的病理特征；进而利用预先配置的慢病风险预测模型，基于病理特征确定目标患者的慢病风险预测结果；最后应用于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。
102、利用病理知识图谱提取患者随访数据的病理特征。
其中，病理特征可包括疾病症状表现特征、检查项特征、用药特征等。
对于本实施例，可应用于病理知识图谱实现对病理特征的提取。具体的，可依据各个慢病类型的随访需求信息，在病理知识图谱中存储对应待提取的特征提取项，以便在采集到目标患者的患者随访数据后，依据患者随访数据对应的随访需求信息，在病理知识图谱中确定对应的特征提取项，进而通过预设关键词，提取得到特征提取项对应的病理特征。其中，随访需求信息可为各个慢病类型在临床上需要重点关注的患者特征。例如：以持续性房颤这一慢病为例，临床上需要重点关注房颤患者的抗凝情况，以预防脑卒中等不良事件发生，因此在随访过程中，需要重点关注的随访需求信息主要包括：是否服用抗凝类药物，服用何种抗凝药物(华法林/新型抗凝药)，药物剂量，是否有脑卒中事件发生，是否有大出血事件发生(尤其关注是否有颅内出血事件发生)，发生脑卒中事件的风险等等。因此，随访需求信息中包含的特征提取项可以为：患者服用的药物种类、药量、患者的历史病情事件、患者发病风险事件等。
103、将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，慢病风险预测模型是基于极端梯度提升算法训练得到的。
其中，慢病风险预测结果可包括疾病症状下对应的确诊的慢病名称，以及慢病所处的疾病等级、危险度等。在具体的应用场景中，可预先针对疾病的严重程度，为各个慢病设置对应的疾病等级，以便依据不同的症状表现，确定对应所属的疾病等级。如按照病情严重程度将疾病等级分为A类、B类、C类、D类，危险度：A类<B类<C类<D类。
例如，以慢性阻塞性肺疾病为例，每个疾病等级对应的疾病内容可如下表所示：
对于本实施例，可预先利用极端梯度提升(eXtreme Gradient Boosting，XGBoost)算法训练慢病风险预测模型，进而可利用训练完成的慢病风险预测模型实现对各个病理特征对应风险分值的确定，最后基于各个病理特征的风险分值，综合计算得到目标患者的慢病风险预测结果。需要说明的是，慢病风险预测模型并不限定于极端梯度提升模型，还可包括利用其他机器学习算法训练得到的任意一种可实现对风险分值确定的机器学习模型，在此不进行具体的限定。
104、基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。
用户画像技术是基于用户数据对现实世界中用户的数学建模，用户画像技术的核心工作即是给用户打“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识，从而对用户进行基于标签的分析与决策。对于本实施例，可在确定出患者身份数据和慢病风险预测结果后，基于患者身份数据确定出目标患者的第一特征标签，基于慢病风险预测结果确定目标患者的第二特征标签，进而基于第一特征标签和第二特征标签生成目标患者的目标用户画像，利用目标用户画像确定对应的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。
随访监管策略具体可包括随访周期、随访日程的制定与智能化提醒、服药提醒、饮食营养方案的定制、配套饮食运动的健康推荐等。随访监管处理具体可包括按照随访监管策略中的随访日程以预设提醒规则提醒目标患者通过线上或线下参与随访复查，并根据随访复查采集到的患者病理数据重复执行上述实施例步骤101至103，进行病理特征的提取，以及慢病风险的预测，进而实现对随访监管策略的更新与调整；相应的，随访监管处理还可包括根据预设的用药规则和预设提醒规则向目标患者发送服药提醒信息，其中，预设提醒规则可包括提醒信息的渠道、形式以及提醒信息的间隔等，提醒信息的渠道包括但不限于APP信息提醒、短信信息提醒、邮件信息提醒等，提醒信息形式包括暗语、符号、文字和图像等形式中的一种或多种，提醒信息的间隔可根据实际应用场景以及用户自定义设定，如可默认为5分钟，或预先设定一个较长的时间间隔(如30分钟)，并随着持续提醒进程逐渐缩短时间间隔等；此外，为了帮助目标患者能够提高慢病人群的健康意识及自我健康管理的能力，还可定期向目标患者推送相关饮食运动的文章以及饮食营养方案等。
其中，第一特征标签为根据目标患者的患者身份数据确定出的特征标签，可用于表征分析目标患者的隐性疾病特征，具体可为人群属性特征，如目标患者所处年龄段对应常见的隐性疾病特征(如青年容易出现慢性的乙型肝炎，慢性肾炎等，老年人容易出现慢性支气管炎，慢性胃炎，高血压，糖尿病，脑梗塞，冠心病等)、从事目标患者相关职业所常见的隐性疾病特征(如长期工作在充满粉尘地方的工作者容易出现尘肺病等)、以及对应存在相同家族史的患者人群所常见的隐性疾病特征(如患有心血管疾病和有肾脏病家族史的人更容易得慢性肾脏病等)、以及相同体型特征的人群所常见的隐性疾病特征(如过于肥胖导致的肥胖症、糖尿病、心脑血管疾病、心脏病等)，相应的，可针对不同隐性疾病特征维度下的人群属性特征分别制定第一特征标签，如可包括年龄对应的第一特征标签、工作对应的第一特征标签、家族史对应的第一特征标签、体型特征对应的第一特征标签等；第二特征标签为根据目标患者的慢病风险预测结果确定出的特征标签，可用于表征目标患者的显性疾病特征。如慢病风险预测结果中疾病症状表现为乏力、食欲不振、夜尿增多、体重减轻、腰酸、腰疼，甚至出现恶心、呕吐、轻度贫血、四肢水肿等，相应的检查项包括尿常规、24小时尿蛋白定量、尿红细胞形态、肾功能、血常规、肾脏超声等，对应的慢病风险预测结果为慢性肾病、1期、低风险、症状少等，此时可针对慢病风险预测结果制定对应显性特征维度下的第二特征标签，如可包括慢病名称对应的第二特征标签、慢病等级对应的第二特征标签、疾病危险度对应的第二特征标签、症状表现对应的第二特征标签等。
通过本实施例中基于人工智能的慢病随访监管方法，可按照预设时间周期采集目标患者的患者病理数据，并提取患者病理数据中的病理特征，进而将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，最后基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。通过本申请中的技术方案，可应用于知识图谱、机器学习模型以及用户画像技术，实现对随访监管策略的智能化制定，可保证监管策略的准确性以及高效性。同时按照预设时间周期采集目标患者的患者病理数据，可实现对患者病理数据的动态检测更新，以便依据疾病发展趋势对随访监管策略进行智能化调整，进而提高随访的临床工作效率，保证慢病随访的监管效果。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于人工智能的慢病随访监管方法，如图2所示，该方法包括：
201、按照预设时间周期采集目标患者的患者病理数据，患者病理数据包括患者身份数据以及患者随访数据。
对于本实施例，可按照预设时间周期在医疗管理系统以及用户注册信息中自动化采集目标患者的患者身份数据以及患者随访数据，以便通过执行实施例步骤202至205，对患者身份数据以及患者随访数据进行分析，确定慢病风险预测结果，进而基于慢病风险预测结果判定是否需要制定或更新目标患者的随访监管策略，并依据制定或更新后的随访监管策略执行对目标患者的随访监管处理。相应的，在基于患者病理数据判定目标患者病情减弱或增强时，可进一步更新目标患者的随访监管策略，如可在病情减弱时适当增大随访监管策略中制定的随访周期，同时更新随访日程，并生成与目标患者当前较弱疾病等级下所适用的饮食搭配推荐以及适合参与的锻炼项目推荐等；在基于患者病理数据判定目标患者病情严重时，可适当缩小随访监管策略中制定的随访周期，同时更新随访日程，并生成与目标患者当前较强疾病等级下所适用的饮食搭配推荐以及适于适合参与的锻炼项目推荐等。
202、利用病理知识图谱提取患者随访数据的病理特征。
在具体的应用场景中，作为一种优选方式，在利用病理知识图谱提取患者随访数据的病理特征时，具体可首先在病理知识图谱中创建随访需求信息与特征提取模板的知识图谱结构，知识图谱结构中的节点表示随访需求信息和特征提取模板，知识图谱结构中的边表示随访需求信息和特征提取模板之间的关系。对于本实施例，在确定出患者随访数据后，可首先依据患者随访数据中的诊断部位和/或历史随访记录中的历史诊断结果，确定慢病诊断类型，进而基于慢病诊断类型确定对应的随访需求信息，在病理知识图谱中提取与该随访需求信息匹配的特征提取模板，最后利用特征提取模板在患者随访数据提取出病理特征。其中，在特征提取模板中，可配置有各个特征提取项对应的特征关键词，在利用特征提取模板从患者随访数据中提取病理特征时，可计算特征关键词与患者随访数据中各个文本字段的语义相似度，提取出语义相似度最高的目标文本段，并将目标文本段确定为特征关键词对应特征提取项下的病理特征。需要说明的是，本实施例中的语义相似度可应用余弦相似度计算，或距离计算公式(如欧氏距离、曼哈顿距离、明可夫斯基距离)等任何已有语义相似度算法计算得到，在此不进行具体的限定。
相应的，实施例步骤202具体可以包括：根据患者随访数据中的慢病诊断类型确定随访需求信息；在病理知识图谱中提取与随访需求信息匹配的特征提取模板，特征提取模板中包含各个特征提取项以及与特征提取项匹配的特征关键词；利用特征关键词在患者随访数据中提取各个特征提取项对应的病理特征。
例如，依据患者随访数据中的诊断部位和/或历史随访记录中的历史诊断结果，确定慢病诊断类型为肾脏，进而可确定与肾脏对应慢病匹配的随访需求信息：通过检查尿蛋白、红细胞；血肌酐、尿素氮等项目，并辅助进行血压检测和血糖检测，以掌握肾脏对应慢病的病理特征。进而通过上述随访需求信息，可在病理知识图谱中提取匹配的特征提取模板，在特征提取模板中可包括上述各个尿检项目、血压检测项目以及血糖检测项目，以及各个检查项目对应病理特征的特征关键词，如对于尿素氮这一检查项，可对应配置有特征关键词：“血肌酐#数值#毫摩/24小时尿”“血肌酐#数值#mmol/24h”、“血肌酐#数值#mg/24h”“血肌酐：#数值#毫摩/24小时尿”、“血肌酐：#数值#mmol/24h”、“血肌酐：#数值#mg/24h”等，进而将特征关键词与患者随访数据的文本转化结果进行文本特征匹配，计算特征关键词与患者随访数据中各个文本字段的语义相似度，若提取出语义相似度最高的目标文本段：“血肌酐7.4mmol/24h”，则可将“血肌酐7.4mmol/24h”作为“血肌酐”这一特征提取项下的病理特征。
在具体的应用场景中，特征提取模板并不局限存储于本申请实施例提供的病理知识图谱中，还可存储于数据库、区块链等其他任何存储设备对应的存储节点中，在此针对存储方式不进行具体的限定。
203、对病理特征进行特征异常检测。
其中，特征异常检测具体可包括特征缺失检测、特征异常检测、特征逻辑错误检测等。数据缺失检测可针对于必填项目的缺失特征检测，如某一项目为必填事项，但并没有提取出该项病理特征，导致特征缺失；特征异常检测为针对特征明显超出特征正常范围的异常检测，如药物剂量一般是一天服用1至3片，如果检测出药物剂量为200片，则可判定该项特征异常；特征逻辑错误检测可为针对特征逻辑的检测，如某一患者为男性，但检测出妇科病对应的特征项，则可判定该项特征存在明显逻辑错误。对于本实施例，在进行特征异常检测时，可通过创建预设规则引擎，在预设规则引擎中设定特征检测条件，以依据特征检测条件对病理特征进行分析识别，提取出存在异常的病理特征。特征检测条件可包括特征对应特征值的预设范围以及特征之间的预设关系，若特征缺失、特征超出正常值范围，或不满足相应的特征关系时，则可判定该项病理特征不满足特征检测条件，进而判定存在特征异常。
对于本实施例，通过在对病理特征进行特征分析之前，对病理特征进行特征异常检测，可有效排除错误病理特征对慢病风险预测结果的不良影响，进而保证慢病风险预测结果的准确性，以及后续依据慢病风险预测结果所制定随访监管策略的有效性。
204、若判定通过特征异常检测，则将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定各个病理特征的第一风险分值。
在具体的应用场景中，在执行本实施例步骤之前，需要预先创建并训练慢病风险预测模型，以便利用训练完成的慢病风险预测模型实现对病理特征的风险评估。相应的，在创建并训练慢病风险预测模型时，实施例步骤具体可以包括：将样本病理特征划分成训练集及测试集；基于极端梯度提升算法，在训练集上创建回归树训练预测模型，预测模型用于对病理特征的患病风险大小进行分值预测；将测试集输入预测模型获取分值预测结果，若分值预测结果在预设误差范围内，则将预测模型确定为慢病风险预测模型。其中，样本病理特征具体可为配置有风险分值标签的病理特征，在获取分值预测结果后，可依据分值预测结果和风险分值标签计算模型损失函数，依据损失函数判定慢病风险预测模型是否训练完成，当损失函数达到收敛状态时，可判定分值预测结果在预设误差范围内，即慢病风险预测模型训练完成。
对于本实施例，可在判定慢病风险预测模型训练完成且判定通过特征异常检测后，将病理特征输入训练完成的慢病风险预测模型，利用训练完成的慢病风险预测模型确定出各个病理特征的第一风险分值。其中，在利用极端梯度提升算法训练完成的慢病风险预测模型，确定各个病理特征的第一风险分值时，具体实现原理可为：不断地添加回归树，不断地进行特征分裂来生长回归树，每次添加一个回归树，其实是学习一个新函数f(x)，去拟合上次预测的残差；当训练完成得到k棵回归树后，要预测一个病理特征的第一风险分值，其实就是根据这个病理特征，在每棵回归树中会落到对应的一个叶子节点，每个叶子节点就对应一个分值；最后只需要将每棵回归树对应的分值加起来就是该病理特征的第一风险分值。
205、根据各个病理特征的第一风险分值计算目标患者的慢病患病等级，将慢病患病等级确定为慢病风险预测结果。
对于本实施例，作为一种优选方式，在根据各个病理特征的第一风险分值计算目标患者的慢病患病等级时，可预先按照预设评分标准，为各个病理特征设定相同或不同的预设权重值，进而计算所有病理特征对应第一风险分值的加权求和结果，即可得到第二风险分值，通过根据第二风险分值对应所处的数值区间，以及该数据区间对应配置的患病等级，即可确定出目标患者的慢病患病等级。相应的，实施例步骤205具体可以包括：按照各个病理特征的预设权重值，加权计算所有特征提取项的第一风险分值，得到第二风险分值；将第二风险分值与对应的多个评价分值区间进行匹配；确定与风险分值匹配成功的目标评价分值区间的慢病患病等级。进一步的，可将慢病患病等级确定为慢病风险预测结果。此外，还可基于慢病患病等级和历史慢病患病等级确定病情变化程度，将慢病患病等级和病情变化程度确定为慢病风险预测结果。
206、根据患者身份数据和慢病风险预测结果，生成目标患者对应的目标用户画像。
对于本实施例，在提取出患者身份数据和慢病风险预测结果后，可利用患者身份数据生成年龄、性别、身高、体重、工作、家庭住址、疾病史、家族史等不同隐性疾病特征维度下的第一特征标签；利用慢病风险预测结果生成慢病名称、慢病等级、疾病危险度、症状表现等显性疾病特征维度下的第二特征标签，进而依据所有的第一特征标签和所有的第二特征标签即可构建生成特征标签集，在特征标签集中各个第一特征标签和第二特征标签作为一个独立的画像维度。相应的，实施例步骤206具体可以包括：根据预设标签提取规则提取患者身份数据的第一特征标签，以及慢病风险预测结果的第二特征标签；根据第一特征标签和第二特征标签，生成目标患者的特征标签集，作为目标患者的目标用户画像。
207、在预设随访监管策略列表中筛选与目标用户画像特征相似度最高的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。
在具体的应用场景中，可预先创建随访监管策略列表，在随访监管策略列表中预先存储有多个依据不同用户画像构建的随访监管策略，不同随访监管策略依据对应匹配的用户画像，同样配置有对应的特征标签集。对于本实施例，可通过将目标用户画像与预设随访监管策略列表中对应配置的用户画像进行特征相似度计算，具体可通过计算目标患者的特征标签集与预设随访监管策略列表中各个随访监管策略的预设特征标签集之间的特征相似度，基于特征相似度在预设随访监管策略列表中筛选出与目标用户画像特征相似度最高的目标随访监管策略。
相应的，作为一种优选方式，在预设随访监管策略列表中筛选与目标用户画像特征相似度最高的目标随访监管策略时，实施例步骤207具体可以包括：利用预设特征距离计算公式，计算目标患者的特征标签集与预设随访监管策略列表中各个随访监管策略的预设特征标签集之间的特征相似度，得到目标用户画像与各个随访监管策略的特征相似度；将与目标用户画像特征相似度最高的随访监管策略确定为目标患者的目标随访监管策略。其中，预设特征距离计算公式可为任何适用于度量的距离函数公式，如可包括欧几里得距离公式(Euclidean Distance)、曼哈顿距离公式(Manhattan Distance)、杰卡德距离公式(Jaccard Distance)、马氏距离公式(Mahalanobis distance)等，具体可根据实际应用场景进行选择，在此不进行具体的限定。
进一步的，在确定出与慢病风险预测结果匹配的目标随访监管策略后，可进而依据目标随访监管策略执行对目标患者的随访监管处理。具体的，可包括按照随访监管策略中的随访日程以预设提醒规则提醒目标患者通过线上或线下参与随访复查、根据预设的用药规则和预设提醒规则向目标患者发送服药提醒信息、定期向目标患者推送相关饮食运动的文章以及饮食营养方案等。其中，在根据预设的用药规则和预设提醒规则向目标患者发送服药提醒信息时，可根据药品名、服药时间、服药量、药品之间的服用间隔等用药规则，按照提醒信息的渠道、形式以及提醒信息的间隔等预设提醒规则向目标患者发送服药提醒信息；在定期向目标患者推送相关饮食运动的文章以及饮食营养方案时，可预先基于目标患者的患病信息匹配相关的饮食营养方案以及相关的运动辅助方案等，以帮助目标患者通过饮食营养方案或健康知识科普，促进提高健康意识及自我健康管理的能力。例如，对于慢性肾脏病1及的目标患者，可为其生成健康知识科普为：每天适度锻炼30分钟左右，保持健康的体重。为其生成饮食营养方案为：1、吃全麦的谷物、新鲜的水果和蔬菜；2、限制高糖和高钠食物，不食半成品；3、蛋白质摄入适量，可每日食牛肉、鸡蛋、鱼肉、豆浆这样的优质蛋白；4、含钾和磷高的食物通常不需要限制、5、禁止吸烟。
借由上述人工智能的慢病随访监管方法，可按照预设时间周期采集目标患者的患者病理数据，并提取患者病理数据中的病理特征，进而将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，最后基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。通过本申请中的技术方案，可应用于知识图谱、机器学习模型以及用户画像技术，实现对随访监管策略的智能化制定，可保证监管策略的准确性以及高效性，为实现慢病人群的精准治疗提供数据支撑。同时按照预设时间周期采集目标患者的患者病理数据，可实现对患者病理数据的动态检测更新，以便依据疾病发展趋势对随访监管策略进行智能化调整，进而提高随访的临床工作效率，保证慢病随访的监管效果。
进一步的，作为图1和图2所示方法的具体实现，本申请实施例提供了一种基于人工智能的慢病随访监管装置，如图3所示，该装置包括：采集模块31、提取模块32、第一确定模块33、第二确定模块34；
采集模块31，可用于按照预设时间周期采集目标患者的患者病理数据，患者病理数据包括患者身份数据以及患者随访数据；
提取模块32，可用于利用病理知识图谱提取患者随访数据的病理特征；
第一确定模块33，可用于将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，慢病风险预测模型是基于极端梯度提升算法训练得到的；
第二确定模块34，可用于基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。
在具体的应用场景中，在利用病理知识图谱提取患者随访数据的病理特征时，提取模块32，具体可用于根据患者随访数据中的慢病诊断类型确定随访需求信息；在病理知识图谱中提取与随访需求信息匹配的特征提取模板，特征提取模板中包含各个特征提取项以及与特征提取项匹配的特征关键词；利用特征关键词在患者随访数据中提取各个特征提取项对应的病理特征。
相应的，为了能够实现利用慢病风险预测模型确定出目标患者的慢病风险预测结果，如图4所示，该装置还包括：划分模块35、训练模块36、第三确定模块37；
划分模块35，可用于将样本病理特征划分成训练集及测试集；
训练模块36，可用于基于极端梯度提升算法，在训练集上创建回归树训练预测模型，预测模型用于对病理特征的患病风险大小进行分值预测；
第三确定模块37，可用于将测试集输入预测模型获取分值预测结果，若分值预测结果在预设误差范围内，则将预测模型确定为慢病风险预测模型。
在具体的应用场景中，第一确定模块33，具体可用于对病理特征进行特征异常检测；若判定通过特征异常检测，则将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定各个病理特征的第一风险分值；根据各个病理特征的第一风险分值计算目标患者的慢病患病等级，将慢病患病等级确定为慢病风险预测结果。
相应的，在根据各个病理特征的第一风险分值计算目标患者的慢病患病等级时，第一确定模块33，具体可用于按照各个病理特征的预设权重值，加权计算所有特征提取项的第一风险分值，得到第二风险分值；将第二风险分值与对应的多个评价分值区间进行匹配；确定与第二风险分值匹配成功的目标评价分值区间的慢病患病等级。
在具体的应用场景中，第二确定模块34，具体可用于根据患者身份数据和慢病风险预测结果，生成目标患者对应的目标用户画像；在预设随访监管策略列表中筛选与目标用户画像特征相似度最高的目标随访监管策略。
相应的，在根据患者身份数据和慢病风险预测结果，生成目标患者对应的目标用户画像时，第二确定模块34，具体可用于根据预设标签提取规则提取患者身份数据的第一特征标签，以及慢病风险预测结果的第二特征标签；根据第一特征标签和第二特征标签，生成目标患者的特征标签集，作为目标患者的目标用户画像；在预设随访监管策略列表中筛选与目标用户画像特征相似度最高的目标随访监管策略时，第二确定模块34，具体可用于利用预设特征距离计算公式，计算目标患者的特征标签集与预设随访监管策略列表中各个随访监管策略的预设特征标签集之间的特征相似度，得到目标用户画像与各个随访监管策略的特征相似度；将与目标用户画像特征相似度最高的随访监管策略确定为目标患者的目标随访监管策略。
需要说明的是，本实施例提供的一种基于人工智能的慢病随访监管装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
基于上述如图1至图2所示方法，相应的，本实施例还提供了一种存储介质，存储介质具体可为易失性或非易失性，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的基于人工智能的慢病随访监管方法。
基于这样的理解，本申请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存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于人工智能的慢病随访监管方法。
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
通过应用本申请的技术方案，与目前现有技术相比，本申请可按照预设时间周期采集目标患者的患者病理数据，并提取患者病理数据中的病理特征，进而将病理特征输入慢病风险预测模型，利用慢病风险预测模型确定目标患者的慢病风险预测结果，最后基于用户画像技术确定与患者身份数据和慢病风险预测结果匹配的目标随访监管策略，并依据目标随访监管策略执行对目标患者的随访监管处理。通过本申请中的技术方案，可应用于知识图谱、机器学习模型以及用户画像技术，实现对随访监管策略的智能化制定，可保证监管策略的准确性以及高效性，为实现慢病人群的精准治疗提供数据支撑。同时按照预设时间周期采集目标患者的患者病理数据，可实现对患者病理数据的动态检测更新，以便依据疾病发展趋势对随访监管策略进行智能化调整，进而提高随访的临床工作效率，保证慢病随访的监管效果。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种基于人工智能的慢病随访监管方法，其特征在于，包括：
按照预设时间周期采集目标患者的患者病理数据，所述患者病理数据包括患者身份数据以及患者随访数据；
利用病理知识图谱提取所述患者随访数据的病理特征；
将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定所述目标患者的慢病风险预测结果，所述慢病风险预测模型是基于极端梯度提升算法训练得到的；
基于用户画像技术确定与所述患者身份数据和所述慢病风险预测结果匹配的目标随访监管策略，并依据所述目标随访监管策略执行对所述目标患者的随访监管处理。
2.根据权利要求1所述的方法，其特征在于，所述利用病理知识图谱提取所述患者随访数据的病理特征，包括：
根据所述患者随访数据中的慢病诊断类型确定随访需求信息；
在病理知识图谱中提取与所述随访需求信息匹配的特征提取模板，所述特征提取模板中包含各个特征提取项以及与所述特征提取项匹配的特征关键词；
利用所述特征关键词在所述患者随访数据中提取各个所述特征提取项对应的病理特征。
3.根据权利要求1所述的方法，其特征在于，在将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定所述目标患者的慢病风险预测结果之前，所述方法还包括：
将样本病理特征划分成训练集及测试集；
基于极端梯度提升算法，在所述训练集上创建回归树训练预测模型，所述预测模型用于对病理特征的患病风险大小进行分值预测；
将所述测试集输入所述预测模型获取分值预测结果，若所述分值预测结果在预设误差范围内，则将所述预测模型确定为慢病风险预测模型。
4.根据权利要求1所述的方法，其特征在于，所述将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定所述目标患者的慢病风险预测结果，包括：
对所述病理特征进行特征异常检测；
若判定通过所述特征异常检测，则将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定各个所述病理特征的第一风险分值；
根据各个所述病理特征的第一风险分值计算目标患者的慢病患病等级，将所述慢病患病等级确定为慢病风险预测结果。
5.根据权利要求4所述的方法，其特征在于，所述根据各个所述病理特征的风险分值计算目标患者的慢病患病等级，具体包括：
按照各个所述病理特征的预设权重值，加权计算所有特征提取项的第一风险分值，得到第二风险分值；
将所述第二风险分值与对应的多个评价分值区间进行匹配；
确定与所述第二风险分值匹配成功的目标评价分值区间的慢病患病等级。
6.根据权利要求1所述的方法，其特征在于，所述基于用户画像技术确定与所述患者身份数据和所述慢病风险预测结果匹配的目标随访监管策略，具体包括：
根据所述患者身份数据和所述慢病风险预测结果，生成所述目标患者对应的目标用户画像；
在预设随访监管策略列表中筛选与所述目标用户画像特征相似度最高的目标随访监管策略。
7.根据权利要求6所述的方法，其特征在于，所述根据所述患者身份数据和所述慢病风险预测结果，生成所述目标患者对应的目标用户画像，具体包括：
根据预设标签提取规则提取所述患者身份数据的第一特征标签，以及所述慢病风险预测结果的第二特征标签；
根据所述第一特征标签和所述第二特征标签，生成所述目标患者的特征标签集，作为所述目标患者的目标用户画像；
所述在预设随访监管策略列表中筛选与所述目标用户画像特征相似度最高的目标随访监管策略，具体包括：
利用预设特征距离计算公式，计算所述目标患者的特征标签集与预设随访监管策略列表中各个随访监管策略的预设特征标签集之间的特征相似度，得到所述目标用户画像与各个随访监管策略的特征相似度；
将与所述目标用户画像特征相似度最高的随访监管策略确定为所述目标患者的目标随访监管策略。
8.一种基于人工智能的慢病随访监管装置，其特征在于，包括：
采集模块，用于按照预设时间周期采集目标患者的患者病理数据，所述患者病理数据包括患者身份数据以及患者随访数据；
提取模块，用于利用病理知识图谱提取所述患者随访数据的病理特征；
第一确定模块，用于将所述病理特征输入慢病风险预测模型，利用所述慢病风险预测模型确定所述目标患者的慢病风险预测结果，所述慢病风险预测模型是基于极端梯度提升算法训练得到的；
第二确定模块，用于基于用户画像技术确定与所述患者身份数据和所述慢病风险预测结果匹配的目标随访监管策略，并依据所述目标随访监管策略执行对所述目标患者的随访监管处理。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的基于人工智能的慢病随访监管方法。
10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的基于人工智能的慢病随访监管方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111005416.9A CN113643813B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111005416.9A CN113643813B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643813A true CN113643813A (zh) | 2021-11-12 |
| CN113643813B CN113643813B (zh) | 2024-07-09 |
Family
ID=78424376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111005416.9A Active CN113643813B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的慢病随访监管方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643813B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118879A (zh) * | 2022-01-25 | 2022-03-01 | 浙江裕腾百诺环保科技股份有限公司 | 环保管控措施的推荐方法、系统、服务器及存储介质 |
| CN114880489A (zh) * | 2022-05-26 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
| CN115153468A (zh) * | 2022-07-11 | 2022-10-11 | 广州医科大学附属第一医院（广州呼吸中心） | 基于二维码的慢性病随访监控系统 |
| CN115564372A (zh) * | 2022-09-07 | 2023-01-03 | 广州市玄武无线科技股份有限公司 | 一种终端拜访流程的处理方法及装置 |
| CN116779190A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
| CN117198491A (zh) * | 2023-09-27 | 2023-12-08 | 广州医科大学附属第一医院（广州呼吸中心） | 一种预测慢性阻塞性肺疾病高危人群的数据分析系统 |
| CN117316415A (zh) * | 2023-11-28 | 2023-12-29 | 西安阳创智尚信息科技有限公司 | 一种基于多模态的智能随访方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
| CN110838366A (zh) * | 2019-10-15 | 2020-02-25 | 平安科技（深圳）有限公司 | 一种患病风险的预测方法及装置 |
| CN111696675A (zh) * | 2020-05-22 | 2020-09-22 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置及计算机设备 |
| CN112185561A (zh) * | 2020-09-28 | 2021-01-05 | 平安医疗健康管理股份有限公司 | 用户画像的生成方法、装置和计算机设备 |
| CN112201360A (zh) * | 2020-10-09 | 2021-01-08 | 平安科技（深圳）有限公司 | 慢病随访记录收集方法、装置、设备及存储介质 |
| CN112216361A (zh) * | 2020-10-15 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的随访计划单生成方法、装置、终端及介质 |
| CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
-
2021
- 2021-08-30 CN CN202111005416.9A patent/CN113643813B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145755A (zh) * | 2017-05-16 | 2017-09-08 | 陈韵岱 | 基于智能决策支持技术的心血管慢病管理方法 |
| CN110838366A (zh) * | 2019-10-15 | 2020-02-25 | 平安科技（深圳）有限公司 | 一种患病风险的预测方法及装置 |
| CN111696675A (zh) * | 2020-05-22 | 2020-09-22 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置及计算机设备 |
| CN112185561A (zh) * | 2020-09-28 | 2021-01-05 | 平安医疗健康管理股份有限公司 | 用户画像的生成方法、装置和计算机设备 |
| CN112201360A (zh) * | 2020-10-09 | 2021-01-08 | 平安科技（深圳）有限公司 | 慢病随访记录收集方法、装置、设备及存储介质 |
| CN112216361A (zh) * | 2020-10-15 | 2021-01-12 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的随访计划单生成方法、装置、终端及介质 |
| CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118879A (zh) * | 2022-01-25 | 2022-03-01 | 浙江裕腾百诺环保科技股份有限公司 | 环保管控措施的推荐方法、系统、服务器及存储介质 |
| CN114880489A (zh) * | 2022-05-26 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
| CN115153468A (zh) * | 2022-07-11 | 2022-10-11 | 广州医科大学附属第一医院（广州呼吸中心） | 基于二维码的慢性病随访监控系统 |
| CN115153468B (zh) * | 2022-07-11 | 2023-04-07 | 广州医科大学附属第一医院（广州呼吸中心） | 基于二维码的慢性病随访监控系统 |
| CN115564372A (zh) * | 2022-09-07 | 2023-01-03 | 广州市玄武无线科技股份有限公司 | 一种终端拜访流程的处理方法及装置 |
| CN115564372B (zh) * | 2022-09-07 | 2023-10-24 | 广州市玄武无线科技股份有限公司 | 一种终端拜访流程的处理方法及装置 |
| CN116779190A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
| CN116779190B (zh) * | 2023-06-25 | 2024-02-13 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
| CN117198491A (zh) * | 2023-09-27 | 2023-12-08 | 广州医科大学附属第一医院（广州呼吸中心） | 一种预测慢性阻塞性肺疾病高危人群的数据分析系统 |
| CN117198491B (zh) * | 2023-09-27 | 2024-04-09 | 广州医科大学附属第一医院（广州呼吸中心） | 一种预测慢性阻塞性肺疾病高危人群的数据分析系统 |
| CN117316415A (zh) * | 2023-11-28 | 2023-12-29 | 西安阳创智尚信息科技有限公司 | 一种基于多模态的智能随访方法及系统 |
| CN117316415B (zh) * | 2023-11-28 | 2024-02-06 | 西安阳创智尚信息科技有限公司 | 一种基于多模态的智能随访方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643813B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113643813B (zh) | 基于人工智能的慢病随访监管方法、装置及计算机设备 | |
| WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
| JP7078291B2 (ja) | 健康支援システム、情報提供シート出力装置、方法およびプログラム | |
| WO2020181806A1 (zh) | 预测未来血糖值的方法、装置及计算机设备 | |
| CN108461110B (zh) | 医疗信息处理方法、装置及设备 | |
| EP2997514A1 (en) | Context-aware prediction in medical systems | |
| CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
| JP7466914B2 (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
| Chen et al. | Heterogeneous postsurgical data analytics for predictive modeling of mortality risks in intensive care units | |
| Jalali et al. | Advanced analytics for outcome prediction in intensive care units | |
| KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| KR20190063954A (ko) | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 | |
| CN111292815A (zh) | 基于云的社区大数据健康服务系统 | |
| CN114023423A (zh) | 一种智能交班方法、装置以及设备 | |
| CN114758781B (zh) | 一种生成用户的健康画像方法和系统、装置及存储介质 | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
| Faisal et al. | A machine learning approach for analyzing and predicting suicidal thoughts and behaviors | |
| Mirzajani | Prediction and diagnosis of diabetes by using data mining techniques | |
| CN112037888B (zh) | 生理健康特征数据的监控方法、装置、设备及存储介质 | |
| Oğur et al. | Development of an artificial intelligence-supported hybrid data management platform for monitoring depression and anxiety symptoms in the perinatal period: Pilot-scale study | |
| US20240008813A1 (en) | Smart wearable device and method for estimating traditional medicine system parameters | |
| CN117854745A (zh) | 一种智能健康管理系统、方法、设备及介质 | |
| CN113096127A (zh) | 一种脑网络演化模型的生成系统及方法 |
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 |