CN113658655A - 体检推荐方法、装置、存储介质及设备 - Google Patents

体检推荐方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN113658655A
CN113658655A CN202110975544.XA CN202110975544A CN113658655A CN 113658655 A CN113658655 A CN 113658655A CN 202110975544 A CN202110975544 A CN 202110975544A CN 113658655 A CN113658655 A CN 113658655A
Authority
CN
China
Prior art keywords
disease
target
information
data
concurrent
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.)
Pending
Application number
CN202110975544.XA
Other languages
English (en)
Inventor
雷祥
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.)
Shenzhen Ping An Smart Healthcare Technology Co ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202110975544.XA priority Critical patent/CN113658655A/zh
Publication of CN113658655A publication Critical patent/CN113658655A/zh
Pending legal-status Critical Current

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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/70—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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请实施例公开了一种体检推荐方法、装置、存储介质及设备，本申请涉及人工智能技术。方法包括：获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据；根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息；获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息；从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。通过本申请，可以准确地为目标用户推荐目标体检项目，降低目标用户的体检成本。

Description

体检推荐方法、装置、存储介质及设备
技术领域
本申请涉及机器学习技术领域，尤其涉及一种体检推荐方法、装置、存储介质及设备。
背景技术
随着人们对身体健康的逐渐重视，每年的健康体检必不可少，提前进行健康体检可以及时发现一些疾病，避免疾病发现不及时带来沉重的后果。
目前，传统的年度体检只有基础的体检项目，对于一些重大疾病以及难以预测的疾病，并很难检查到位和难以及时预警，但是如果年度体检面面俱到，对每个基础检查数据都进行更深一步的分析和检查，导致体检繁琐，也会增加体检用户的财力成本，同时给医院造成较大的人力成本。
发明内容
本申请实施例所要解决的技术问题在于，提供一种体检推荐方法、装置、存储介质及设备，可以准确地为目标用户推荐目标体检项目，降低目标用户的体检成本。
本申请实施例一方面提供一种体检推荐方法，包括：
获取目标用户的对象数据，对象数据包括用户属性信息和就诊数据；
根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息；
获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息；
从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。
其中，就诊数据包括目标用户的M个病症分别对应的历史就诊数据和当前就诊数据，M为正整数；
根据就诊数据确定目标用户的实际疾病信息，包括：
获取病症Mi的历史就诊数据与当前就诊数据之间的数据差异；病症Mi属于M个病症，i为小于或者等于M的正整数；
根据数据差异确定病症Mi的病症状态；
将M个病症中病症状态为恶化状态的病症，确定为实际疾病信息。
其中，获取病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异，包括：
调用目标推荐模型中的差异识别层，对病症Mi的历史就诊数据进行向量转换，得到病症Mi的历史就诊数据对应的历史就诊向量，对病症Mi的当前就诊数据进行向量转换，得到病症Mi的当前就诊数据对应的当前就诊向量；
计算历史就诊向量与当前就诊向量之间的向量距离；
根据向量距离确定病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。
其中，数据差异包括用药量差异和项目检查结果差异；
根据数据差异确定病症Mi的病症状态，包括：
调用目标推荐模型中的病症状态识别层，对用药量差异和项目检查结果差异进行特征分析，输出病症Mi的病情评估值；
若病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态。
其中，根据用户属性信息预测目标用户的预防疾病信息，包括：
调用目标推荐模型中的预防疾病预测层，对用户属性信息进行向量转换，得到用户属性信息对应的用户属性向量；
获取N个候选预防疾病分别对应的疾病特征向量，对用户属性向量与候选预防疾病Nj对应的疾病特征向量进行关联特征提取，得到候选预防疾病Nj对应的预防概率，候选预防疾病Nj属于N个候选预防疾病，N为正整数，j为小于或者等于N的正整数；
将N个候选预防疾病中预防概率大于或者等于目标预防概率的候选预防疾病，确定为预防疾病信息。
其中，获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息，包括：
获取实际疾病信息所指示的目标疾病类型，从并发疾病库中获取目标疾病类别所对应的P个候选并发疾病，并发疾病库中包括疾病类型与候选并发疾病之间的对应关系；
获取P个候选并发疾病分别对应的并发疾病特征，调用目标推荐模型中的并发疾病预测层，对实际疾病信息与P个候选并发疾病分别对应的并发疾病特征进行并发概率预测，输出P个候选并发疾病分别对应的并发概率；
将P个候选并发疾病中并发概率大于或者等于目标并发概率的候选并发疾病确定为目标并发疾病，将目标并发疾病确定为目标用户的并发疾病信息。
其中，方法还包括：
获取初始推荐模型、样本用户的样本对象数据以及样本用户的体检项目标签，样本对象数据包括样本用户属性信息和样本就诊数据；
采用初始推荐模型对样本就诊数据进行预测，得到样本用户的预测实际疾病信息，采用初始推荐模型对样本用户属性信息进行预测，得到预测预防疾病信息；
采用初始推荐模型对预测实际疾病信息进行预测，得到样本用户的预测并发疾病信息；
根据预测实际疾病信息、预测预防疾病信息以及预测并发疾病信息，确定样本用户的预测体检项目；
根据体检项目标签和预测体检项目，确定初始推荐模型的模型损失，根据模型损失对初始推荐模型进行迭代训练，得到目标推荐模型。
本申请实施例一方面提供一种体检推荐装置，包括：
第一获取模型，用于获取目标用户的对象数据，对象数据包括用户属性信息和就诊数据；
第一确定模块，用于根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息；
识别模块，用于获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息；
选择模块，用于从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。
其中，就诊数据包括目标用户的M个病症分别对应的历史就诊数据和当前就诊数据，M为正整数；
第一确定模块包括：
第一获取单元，用于获取病症Mi的历史就诊数据与当前就诊数据之间的数据差异；病症Mi属于M个病症，i为小于或者等于M的正整数；
第一确定单元，用于根据数据差异确定病症Mi的病症状态；
第二确定单元，用于将M个病症中病症状态为恶化状态的病症，确定为实际疾病信息。
其中，第一获取单元具体用于：
调用目标推荐模型中的差异识别层，对病症Mi的历史就诊数据进行向量转换，得到病症Mi的历史就诊数据对应的历史就诊向量，对病症Mi的当前就诊数据进行向量转换，得到病症Mi的当前就诊数据对应的当前就诊向量；
计算历史就诊向量与当前就诊向量之间的向量距离；
根据向量距离确定病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。
其中，数据差异包括用药量差异和项目检查结果差异；
第一确定单元具体用于：
调用目标推荐模型中的病症状态识别层，对用药量差异和项目检查结果差异进行特征分析，输出病症Mi的病情评估值；
若病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态。
其中，第一确定模块包括：
向量转换单元，用于调用目标推荐模型中的预防疾病预测层，对用户属性信息进行向量转换，得到用户属性信息对应的用户属性向量；
关联特征提取单元，用于获取N个候选预防疾病分别对应的疾病特征向量，对用户属性向量与候选预防疾病Nj对应的疾病特征向量进行关联特征提取，得到候选预防疾病Nj对应的预防概率，候选预防疾病Nj属于N个候选预防疾病，N为正整数，j为小于或者等于N的正整数；
第三确定单元，用于将N个候选预防疾病中预防概率大于或者等于目标预防概率的候选预防疾病，确定为预防疾病信息。
其中，识别模块包括：
第二获取单元，用于获取实际疾病信息所指示的目标疾病类型，从并发疾病库中获取目标疾病类别所对应的P个候选并发疾病，并发疾病库中包括疾病类型与候选并发疾病之间的对应关系；
并发概率预测单元，用于获取P个候选并发疾病分别对应的并发疾病特征，调用目标推荐模型中的并发疾病预测层，对实际疾病信息与P个候选并发疾病分别对应的并发疾病特征进行并发概率预测，输出P个候选并发疾病分别对应的并发概率；
第四确定单元，用于将P个候选并发疾病中并发概率大于或者等于目标并发概率的候选并发疾病确定为目标并发疾病，将目标并发疾病确定为目标用户的并发疾病信息。
其中，体检推荐装置还包括：
第二获取模块，用于获取初始推荐模型、样本用户的样本对象数据以及样本用户的体检项目标签，样本对象数据包括样本用户属性信息和样本就诊数据；
第一预测模块，用于采用初始推荐模型对样本就诊数据进行预测，得到样本用户的预测实际疾病信息，采用初始推荐模型对样本用户属性信息进行预测，得到预测预防疾病信息；
第二预测模块，用于采用初始推荐模型对预测实际疾病信息进行预测，得到样本用户的预测并发疾病信息；
第二确定模块，用于根据预测实际疾病信息、预测预防疾病信息以及预测并发疾病信息，确定样本用户的预测体检项目；
迭代训练模块，用于根据体检项目标签和预测体检项目，确定初始推荐模型的模型损失，根据模型损失对初始推荐模型进行迭代训练，得到目标推荐模型。
本申请实施例一方面提供了一种计算机设备，包括：处理器和存储器；
处理器与存储器相连，其中，存储器用于存储计算机程序，计算机程序被处理器执行时，使得该计算机设备执行本申请实施例提供的方法。
本申请实施例一方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，该计算机程序适于由处理器加载并执行，以使得具有该处理器的计算机设备执行本申请实施例提供的方法。
本申请实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例提供的方法。
本申请实施例中，通过获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据，根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息；通过获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息。进一步，通过根据多维度的疾病信息(即实际疾病信息、所述并发疾病信息以及所述预防疾病信息)匹配的目标体检项目，将所述目标体检项目推荐给所述目标用户，可提高体检项目推荐的准确度以及全面性，可避免重大疾病以及难以预测的疾病，很难检查到位和难以及时预警的问题。同时，所推荐的目标体检项目更贴近目标用户的实际情况(如目标用户的属性信息和就诊信息)，即可实现有针对性地向目标用户推荐体检项目，不需要向目标用户推荐所有的体检项目，避免目标用户进行不必要的体检，降低目标用户的体检成本，并可降低医院的人力成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种体检推荐系统的架构示意图；
图2是本申请实施例提供的一种体检推荐方法的流程示意图；
图3是本申请实施例提供的一种体检项目推荐的示意图；
图4是本申请实施例提供的一种体检推荐方法的流程示意图；
图5是本申请实施例提供的一种体检推荐装置的结构示意图；
图6是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，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。
见图1，图1是本申请实施例提供的一种体检推荐系统的结构示意图。如图1所示，该体检推荐系统可以包括服务器10和用户终端集群。该用户终端集群可以包括一个或者多个用户终端，这里将不对用户终端的数量进行限制。如图1所示，具体可以包括用户终端100a、用户终端100b、用户终端100c、…、用户终端100n。如图1所示，用户终端100a、用户终端100b、用户终端100c、…、用户终端100n可以分别与上述服务器10进行网络连接，以便于每个用户终端可以通过该网络连接与服务器10进行数据交互。
其中，该用户终端集群中的每个用户终端均可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、可穿戴设备、智能家居、头戴设备、车载终端等具有体检推荐功能的智能终端。应当理解，如图1所示的用户终端集群中的每个用户终端均可以安装有目标应用(即应用客户端)，当该应用客户端运行于各用户终端中时，可以分别与上述图1所示的服务器10之间进行数据交互。
其中，如图1所示，该服务器10可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
为便于理解，本申请实施例可以在图1所示的多个用户终端中选择一个用户终端作为目标用户终端，该目标用户终端可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视等携带体检推荐功能的智能终端。例如，为便于理解，本申请实施例可以将图1所示的用户终端100a作为目标用户终端，用户终端100a可以获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据，该就诊数据包括目标用户的当前就诊数据和历史就诊数据。用户终端100a获取到目标用户的对象数据后，可以将该目标用户的对象数据发送给服务器10。服务器10可以采用目标推荐模型，对目标用户的就诊数据进行预测，得到目标用户的实际疾病信息，对目标用户的用户属性信息进行预测，得到目标用户的预防疾病信息。服务器10可以采用目标推荐模型，对实际疾病信息所指示的疾病类别进行预测，得到目标用户的并发疾病信息。服务器10可以根据目标用户的实际疾病信息、预防疾病信息和并发疾病信息，在体检推荐库中确定目标体检项目，并将该目标体检项目返回给用户终端100a。用户终端100a接收到服务器10返回的目标体检项目后，可以对该目标体检项目进行输出，可以准确地为目标用户进行体检推荐，降低目标用户进行体检的体检成本。这样，通过从多维度预测目标用户需要预防的疾病信息，根据该目标用户需要预防的疾病信息确定目标体检项目，可以提高体检项目预测的准确性。
请参见图2，图2是本申请实施例提供的一种体检推荐方法的流程示意图。该体检推荐方法可由计算机设备执行，该计算机设备可以为服务器(如上述图1中的服务器10)，或者用户终端(如上述图1的用户终端集群中的任一用户终端)，或者为服务器和用户终端组成的系统，本申请对此不做限定。如图2所示，该体检推荐方法可以包括步骤S101-S104。
S101，获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据。
具体的，计算机设备可以根据目标用户的对象数据，确定目标体检项目，并将该目标体检项目推荐给目标用户，这样，可以准确地为目标用户推荐目标体检项目，降低目标用户的体检成本，避免目标用户进行一些不必要的体检。其中，计算机设备可以获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据。其中，用户属性信息包括目标用户的用户年龄、用户性别、用户职业以及用户居住地等属性信息，就诊数据包括目标用户的当前就诊数据和历史就诊数据，当前就诊数据可以是指目标用户最近一段内的就诊数据，历史就诊数据可以是指目标用户历史体检得到的数据或者到医院看诊得到的医院诊断数据。其中，就诊数据包括目标用户的体检数据和医院诊断数据。
可选的，计算机设备可以对目标用户的对象数据进行预处理，去除对象数据中不合理的数据。例如，体检得到的数值远远超出了人类正常的指标范围内，可以说明该体检得到的数值是误操作得到的，或者，体检机器出现的故障，则可以将该远远超出人类正常的指标范围内的数据删除。例如，可以剔除前面矛盾的数据，如历史体检得到的数据和当前体检得到的数据之间的差异是不可能存在的，则可以说明历史体检得到的数据和当前体检得到的数据为前后矛盾的数据，可以将其剔除。
S102，根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息。
具体的，计算机设备可以根据就诊数据确定目标用户的实际疾病信息，该实际疾病信息可以包括确诊疾病信息和恶化疾病信息。计算机设备还可以根据用户属性信息预测目标用户的预防疾病信息，即可以根据目标用户的用户年龄、用户性别、用户职业以及用户居住地等属性信息，确定目标用户对应的高风险疾病。
可选的，就诊数据包括目标用户的M个病症分别对应的历史就诊数据和当前就诊数据，M为正整数。计算机设备根据就诊数据确定目标用户的实际疾病信息的具体方式可以包括：获取病症Mi的历史就诊数据与当前就诊数据之间的数据差异；病症Mi属于M个病症，i为小于或者等于M的正整数；根据数据差异确定病症Mi的病症状态；将M个病症中病症状态为恶化状态的病症，确定为实际疾病信息。
具体的，计算机设备可以获取目标用户的M个病症中病症Mi的历史就诊数据与当前就诊数据之间的数据差异。其中，该数据差异可以包括用药量差异，计算机设备可以在病症Mi的历史就诊数据中获取目标用户的历史用药量，以及在病症Mi的当前就诊数据中获取目标用户的当前用药量，则可以将当前用药量减去历史用药量，得到当前用药量与历史用药量之间的用药量差异。其中，该数据差异可以包括项目检查结果差异，计算机设备可以获取在病症Mi的历史就诊数据中获取目标用户的历史项目检查结果，在病症Mi的当前就诊数据中获取目标用户的当前项目检查结果，则可以用当前项目检查结果减去历史项目检查结果，得到历史项目检查结果和当前检查结果之间的项目检查结果差异。例如，计算机设备在用户A的尘肺病历史就诊数据中获取到多个历史项目检测结果为肺钙化面积20％、肺钙化面积25％、肺钙化面积27％，在用户A的尘肺病当前就诊数据中获取到当前项目检查结果为肺钙化面积35％，则可以将35％-20％＝15％、35％-25％＝10％以及35％-27％＝8％确定为用户A的历史就诊数据与当前就诊数据之间的项目检查差异。
其中，计算机设备得到病症Mi的历史就诊数据与当前就诊数据之间的数据差异后，可以根据该数据差异确定病症Mi的病症状态。例如，数据差异为用药量差异时，若该该用药量差异大于或者等于目标用药量阈值，且为正向增长(即当前用药量大于历史用药量)，则可以确定病症Mi的病症状态为恶化状态。若该该用药量差异小于目标用药量阈值，且为反向增长(即当前用药量大于历史用药量)，则可以确定病症Mi的病症状态为恢复状态。计算机设备得到目标用户的M个病症中每个病症的病症状态后，可以将M个病症中病症状态为恶化状态的病症，确定为实际疾病信息。若病症Mi的病症状态为恢复状态，则不将病症Mi确定为实际疾病信息，这样，当目标用户的病症为恢复状态时，则说明该恢复状态的病症以及恢复了，可以不用再体检了，这样可以有针对性地向目标用户推荐体检项目，不需要向目标用户推荐所有的体检项目，避免目标用户进行不必要的体检，降低目标用户的体检成本，并可降低医院的人力成本。
可选的，计算机设备获取病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异的具体方式可以包括：调用目标推荐模型中的差异识别层，对病症Mi的历史就诊数据进行向量转换，得到病症Mi的历史就诊数据对应的历史就诊向量。对病症Mi的当前就诊数据进行向量转换，得到病症Mi的当前就诊数据对应的当前就诊向量。计算历史就诊向量与当前就诊向量之间的距离。根据距离确定病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。
具体的，计算机设备可以获取目标推荐模型，该目标推荐模型用于根据用户的对象数据为用户预测目标体检项目。计算机设备可以调用目标推荐模型中的差异识别层，对病症Mi的历史就诊数据进行向量转换，得到病症Mi的历史就诊数据对应的历史就诊向量。对病症Mi的当前就诊数据进行向量转换，得到病症Mi的当前就诊数据对应的当前就诊向量。通过计算历史就诊向量与当前就诊向量之间的向量距离。根据该向量距离确定病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。其中，可以对历史就诊向量与当前就诊向量进行向量点乘，得到向量点乘结果，可以将该向量点乘结果确定为历史就诊向量与当前就诊向量之间的向量距离。其中，该向量距离可以是指欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦距离等。计算机设备得到向量距离后，可以直接将该向量差异确定为病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异，也可以根据该向量距离计算历史就诊数据与当前就诊数据之间的数据相似度。计算机设备可以获取目标阈值(如数值1)与数据相似度之间的差值，将该差值确定为病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。这样，通过计算目标用户历史就诊数据和当前就诊数据之间的数据差异，以此来判断目标用户的病症Mi的病症状态(即恢复状态或者恶化状态)，当该病症Mi为恶化状态时才进行体检，可以避免目标用户进行不必要的体检，降低目标用户的体检成本，并可降低医院的人力成本。
其中，目标推荐模型中的差异识别层可以包括第一嵌入子层、第一隐藏子层以及第一输出子层，也可以包括其他网络结构。其中，第一嵌入子层用于向量转换，将离散变量转变为连续向量，转化成连续向量不仅可以减少离散变量的空间维数，还可以有意义的表示离散变量。嵌入子层中还可以采用one-hot编码(又称独热码，用于将离散变量转换成二进制向量)、Word2vec编码(一种向量转换方式，用来映射每个特征到一个向量，可用来表示特征与特征之间的关系)等向量转换方式。第一嵌入子层可以对病症Mi的历史就诊数据进行向量转换，得到病症Mi的历史就诊数据对应的历史就诊向量，对病症Mi的当前就诊数据进行向量转换，得到病症Mi的当前就诊数据对应的当前就诊向量。第一隐藏子层可以对连接层输出的特征向量进行向量编码，提取特征向量中的关联特征信息。即第一隐藏层可以对历史就诊向量和当前就诊向量进行向量点乘，得到向量点乘结果。第一输出子层根据历史就诊向量和当前就诊向量之间的向量点乘结果确定通过输出病症Mi对应的历史就诊数据与当前就诊数据之间的差值，将该差值确定为病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。
可选的，数据差异包括用药量差异和项目检查结果差异，计算机设备根据数据差异确定病症Mi的病症状态的具体方式可以包括：调用目标推荐模型中的病症状态识别层，对用药量差异和项目检查结果差异进行特征分析，输出病症Mi的病情评估值。若病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态。
具体的，计算机设备可以调用目标推荐模型中的病症状态识别层，对病症Mi的用药量差异和项目检查结果差异进行特征分析，输出病症Mi的病情评估值。若病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态。其中，该病症状态识别层可以包括第二嵌入子层、第一连接层、第二隐藏子层以及第二输出子层，也可以包括其他网络结构，第一连接层用于将多个向量拼接在一起，以此可以减少模型的计算量，提高特征提取效率。第二嵌入子层、第二隐藏子层以及第二输出子层的作用可以参见上述差异识别层中的第一嵌入子层、第一隐藏子层以及第一输出子层的描述，本申请实施例在此不再赘述。其中，计算机设备可以采用第二嵌入子层对病症Mi的用药量差异和项目检查结果差异进行向量转换，得到用药量差异对应的用药量差异向量和项目检查结果差异对应的检查结果差异向量。通过第一连接层，对用药量差异向量和检查结果差异向量进行拼接，得到一个目标向量。通过第二隐藏子层对目标向量进行特征分析，得到特征分析结果。通过第二输出子层，对该特征分析结果进行分类处理，输出病症Mi的病情评估值。若病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态；若病症Mi的病情评估值小于目标评估阈值，则确定病症Mi为恢复状态。这样，通过目标推荐模型中的病症状态识别层，用药量差异和项目检查结果差异进行特征分析，输出病症Mi的病情评估值，结合人工智能，可以更快速且准确预测出病症Mi的病症状态。
可选的，计算机设备根据用户属性信息预测目标用户的预防疾病信息的具体方式可以包括：调用目标推荐模型中的预防疾病预测层，对用户属性信息进行向量转换，得到用户属性信息对应的用户属性向量。获取N个候选预防疾病分别对应的疾病特征向量，对用户属性向量与候选预防疾病Nj对应的疾病特征向量进行关联特征提取，得到候选预防疾病Nj对应的预防概率，候选预防疾病Nj属于N个候选预防疾病，N为正整数，j为小于或者等于N的正整数。将N个候选预防疾病中预防概率大于或者等于目标预防概率的候选预防疾病，确定为预防疾病信息。
具体的，计算机设备可以调用目标推荐模型中的预防疾病预测层，该预防疾病预测层中包括第三嵌入子层、第二连接子层、第三隐藏子层以及第三输出子层。计算机设备可以调用第三嵌入子层，对目标用户的用户属性信息进行向量转换，得到用户属性信息对应的用户属性向量。其中，该用户属性信息包括目标用户的用户年龄、用户性别、用户职业以及用户居住地等属性信息。计算机设备还可以根据用户属性信息确定N个候选预防疾病，如用户职业为放射科工作人员时，对应的候选预防疾病可以是指外照射急性放射病、外照射亚急性放射病、外照射慢性放射病、内照射放射病等，如用户职业为沙厂工人人员时，对应的候选预防疾病可以是指硅肺、煤工尘肺等。计算机设备可以获取该N个候选预防疾病分别对应的疾病特征信息，采用预防疾病预测层中的调用第三嵌入子层，对N个候选预防疾病分别对应的疾病特征信息进行向量转换，得到N个候选预防疾病分别对应的疾病特征向量。计算机设备得到用户属性向量和N个候选预防疾病分别对应的疾病特征向量后，可以对用户属性向量和N个候选预防疾病分别对应的疾病特征向量进行组合，得到N个向量组合，即用户属性向量与一个疾病特征向量进行组合得到一个向量组合。计算机设备可以采用第三隐藏层，分别对用户属性向量与候选预防疾病Nj对应的疾病特征向量组成的向量组合进行关联特征提取，得到该组合向量对应的组合特征信息，即对N个向量组合中每个向量组合进行关联特征提取，得到每个向量组合对应的组合特征信息。通过第三输出层，用户属性向量与候选预防疾病Nj对应的疾病特征向量组成的向量组合对应的组合特征信息进行分类处理，得到候选预防疾病Nj对应的预防概率，即根据每个组合特征信息确定对应的候选预防疾病对应的预防概率。将N个候选预防疾病中预防概率大于或者等于目标预防概率的候选预防疾病，确定为预防疾病信息。可见，通过采用目标推荐模型中的预防疾病预测层，对目标用户的用户年龄、用户性别、用户职业以及用户居住地等属性信息进行特征分析，预测出目标用户可能会患的预防疾病信息，可提高体检项目推荐的准确度以及全面性，可避免重大疾病以及难以预测的疾病，很难检查到位和难以及时预警的问题。
S103，获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息。
具体的，实际疾病信息包括目标用户的确诊疾病信息，计算机设备可以从目标用户的就诊数据中，获取目标用户的确诊疾病信息。获取该确诊疾病信息所指示的疾病类型，根据该疾病类型识别出目标用户的并发疾病信息，该并发疾病是目标用户的确诊疾病在发展的过程中引起的疾病。该疾病类型可以是指根据具体情况进行设置，例如，可以将口腔溃疡、牙龈肿痛等疾病的疾病类型确定为口腔疾病，这样，由于疾病的数量庞大，因此对每个疾病进行分类确定其疾病类型，可以更高效且快速的查找出对应的并发疾病信息。例如，消化性溃疡可能有幽门梗阻、胃穿孔或大出血等并发疾病。可见，计算机设备可以根据目标用户的确诊疾病信息，确定可能会引发的并发疾病信息，可提高体检项目推荐的准确度以及全面性，可避免重大疾病以及难以预测的疾病，很难检查到位和难以及时预警的问题。
S104，从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。
具体的，计算机设备得到目标用户的实际疾病信息、预防疾病信息以及并发疾病信息后，可以从体检推荐库中，选择出与实际疾病信息、预防疾病信息以及并发疾病信息相匹配的目标体检项目。其中，体检推荐库中包括多个疾病分别对应的体检单项和多个体检套餐(该体检套餐中包括多个体检单项)，计算机设备可以根据实际疾病信息、预防疾病信息以及并发疾病信息所包含的目标疾病，在体检推荐库中，查找目标疾病对应的体检单项，或者查找包含了目标疾病的体检套餐。计算机设备可以将目标疾病对应的体检单项和体检套餐确定为目标体检项目，并将该目标体检项目推荐给目标用户，这样，可以准确的为目标用户推荐体检项目，降低目标用户的体检成本，增加目标用户体检的便利性。其中，从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目可以是指在体检推荐库中，选择与实际疾病信息匹配度最大的体检单项，选择与预防疾病信息匹配度最大的体检单项，以及选择与并发疾病信息匹配度最大的体检单项。从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目也可以是指在体检推荐库中，选择包含了实际疾病信息、预防疾病信息以及并发疾病信息的体检套餐等。
可选的，计算机设备还可以获取初始推荐模型、样本用户的样本对象数据以及样本用户的体检项目标签，样本对象数据包括样本用户属性信息和样本就诊数据。采用初始推荐模型对样本就诊数据进行预测，得到样本用户的预测实际疾病信息，采用初始推荐模型对样本用户属性信息进行预测，得到预测预防疾病信息。采用初始推荐模型对预测实际疾病信息进行预测，得到样本用户的预测并发疾病信息。根据预测实际疾病信息、预测预防疾病信息以及预测并发疾病信息，确定样本用户的预测体检项目。根据体检项目标签和预测体检项目，确定初始推荐模型的模型损失，根据模型损失对初始推荐模型进行迭代训练，得到目标推荐模型。
具体的，计算机设备可以获取初始推荐模型，样本用户的样本对象数据以及样本用户的体检项目标签，该样本用户的体检项目标签可以是指人工(如专业的医疗人员)对样本用户的样本对象数据进行分析，获得样本用户的体检项目标签。样本对象数据包括样本用户属性信息和样本就诊数据，该样本属性信息包括样本用户的用户年龄、用户职业以及用户居住地等，该样本就诊数据包括样本体检数据和样本就诊数据。计算机设备可以采用初始推荐模型对样本就诊数据进行预测，得到样本用户的预测实际疾病信息，采用初始推荐模型对样本用户属性信息进行预测，得到样本用户预测预防疾病信息，采用初始预测模型对预测疾病信息进行预测，得到样本用户的预测并发疾病信息。根据该预测实际疾病信息、预测预防疾病信息以及预测并发疾病信息，从体检推荐库中确定样本用户的预测体检项目，根据预测体检项目与体检项目标签之间的预测差异，确定初始推荐模型对应的模型误差。根据该模型误差，对初始推荐模型进行迭代训练，得到目标推荐模型。
其中，计算机设备可以采用逻辑回归算法对初始推荐模型进行训练，以使初始推荐模型可以准确的预测出目标体检项目。其中，计算机设备可以根据模型误差，确定初始推荐模型的调整模型参数，将初始推荐模型中的初始模型参数更新为该调整模型参数，当初始推荐模型满足收敛条件时，则将满足收敛条件的初始推荐模型确定为目标推荐模型。其中，收敛条件可以是指初始推荐模型的模型误差小于或者等于目标模型误差，即当初始推荐模型的模型误差小于或者等于目标模型误差时，则将模型误差小于或者等于目标模型误差的初始推荐模型确定目标推荐模型。其中，收敛条件也可以是指初始推荐模型的训练次数达到目标训练次数，即当初始推荐模型的训练次数达到目标训练次数时，则将训练次数达到目标训练次数的初始推荐模型确定为目标推荐模型。
如图3所示，图3是本申请实施例提供的一种体检项目推荐的示意图，如图3所示，计算机设备获取目标用户的对象数据30a后，可以将目标用户的对象数据30a输入目标推荐模型30k，该目标用户的对象数据包括就诊数据和用户属性信息。其中，计算机设备可以采用目标推荐模型中的差异识别层30b，对目标用户的历史就诊数据和当前就诊数据进行差异识别，得到历史就诊数据和当前就诊数据之间的数据差异30c。计算机设备可以采用目标推荐模型中的病症状态识别层30d，对数据差异30c进行特征提取，确定目标用户的M个病症中每个病症的病状状态30e，并将M个病症中病症状态为恶化状态的病症确定为实际疾病信息30f。该实际疾病信息可以包括恶化疾病信息和确诊疾病信息，计算机设备可以将实际疾病信息输入目标推荐模型中的并发疾病预测层30g，预测实际疾病信息对应的并发疾病信息30h。计算机设备还可以将用户属性信息输入目标推荐模型中的预防疾病预测层30i，根据用户属性信息对目标用户可能会患的疾病进行预测，得到预防疾病信息30j。计算机设备得到实际疾病信息、预防疾病信息以及并发疾病信息后，可以在体检推荐库30l中，选择与实际疾病信息、预防疾病信息以及并发疾病信息匹配的目标体检项目30m，并将该目标体检项目30m推荐给用户。
在本申请实施例中，通过获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据，根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息通过就诊数据可以确定目标用户的实际疾病信息，该实际疾病信息可以是指目标用户的恶化疾病和确诊疾病。通过获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息。进一步，通过根据多维度的疾病信息(即实际疾病信息、并发疾病信息以及预防疾病信息)匹配的目标体检项目，将目标体检项目推荐给目标用户，可提高体检项目推荐的准确度以及全面性，可避免重大疾病以及难以预测的疾病，很难检查到位和难以及时预警的问题。同时，所推荐的目标体检项目更贴近目标用户的实际情况(如目标用户的属性信息和就诊信息)，即可实现有针对性地向目标用户推荐体检项目，不需要向目标用户推荐所有的体检项目，避免目标用户进行不必要的体检，降低目标用户的体检成本，并可降低医院的人力成本。同时，本方案采用目标推荐对实际疾病信息和预防疾病信息进行预测，可以提高预测的准确性，降低人工成本。
请参见图4，图4是本申请实施例提供的一种体检推荐方法的流程示意图。该体检推荐方法可由计算机设备执行，该计算机设备可以为服务器(如上述图1中的服务器10)，或者用户终端(如上述图1的用户终端集群中的任一用户终端)，或者为服务器和用户终端组成的系统，本申请对此不做限定。如图4所示，该体检推荐方法可以包括步骤S201-S206。
S201，获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据。
S202，根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息。
具体的，本申请实施例中步骤S201-S202的具体内容可以参见上述图2中步骤S101-S102的内容，本申请实施例在此不再赘述。
S203，获取实际疾病信息所指示的目标疾病类型，从并发疾病库中获取目标疾病类别所对应的P个候选并发疾病。
具体，计算机设备可以获取实际疾病信息所指示的目标疾病类型，该实际疾病信息可以是指确诊疾病信息(即目标用户已确诊的疾病)，根据该实际疾病信息所指示的目标疾病类型，从并发疾病库中确定目标疾病类型对应的P个候选并发疾病信息。该并发疾病库中包括疾病类型与候选并发疾病之间的对应关系，即并发疾病库中包括多个疾病类型，以及每个疾病类型对应的候选并发疾病，每个疾病类型对应的候选并发疾病是指对应疾病类型可能会引发的疾病。其中，每个实际疾病信息对应的目标疾病类型可以根据医疗常识进行设置，也可以根据具体情况进行设置，这样，通过根据每个实际疾病信息对应的目标疾病类型，确定实际疾病对应的候选并发疾病信息，可以更准确且快速，提高推荐效率。
S204，获取P个候选并发疾病分别对应的并发疾病特征，调用目标推荐模型中的并发疾病预测层，对实际疾病信息与P个候选并发疾病分别对应的并发疾病特征进行并发概率预测，输出P个候选并发疾病分别对应的并发概率。
具体的，计算机设备可以获取P个候选并发疾病分别对应的并发疾病特征，调用目标推荐模型个的并发疾病预测层，对实际疾病信息的实际疾病特征和P个候选并发疾病分别对应的并发疾病特征进行并发概率预测，输出P个候选并发疾病的并发概率。其中，并发疾病预测层也可以包括第四嵌入子层、第三连接子层、第四隐藏子层以及第四输出层，采用第四嵌入子层，对实际疾病信息的实际疾病特征进行向量转换，得到实际疾病向量。采用第四嵌入子层，分别对P个候选并发疾病分别对应的并发疾病特征进行向量转换，得到每个候选并发疾病对应的并发疾病向量。计算机设备可以将实际疾病向量分别与P个并发疾病向量进行组合，得到P个并发组合，即实际疾病向量与一个并发疾病向量进行组合，得到一个并发组合。通过第三连接子层，将每个并发组合中的实际疾病向量与并发疾病向量进行拼接，得到每个并发组合对应的并发组合向量。通过第四隐藏子层，对每个并发组合向量进行特征提取，得到每个并发组合向量对应的并发组合特征，通过第四输出子层，对每个并发组合特征进行分类处理，输出每个候选并发疾病的并发概率。
S205，将P个候选并发疾病中并发概率大于或者等于目标并发概率的候选并发疾病确定为目标并发疾病，将目标并发疾病确定为目标用户的并发疾病信息。
计算机设备获得P个候选并发疾病分别对应的并发概率后，可以将P个候选并发疾病中并发概率大于或者等于目标并发概率的候选并发疾病确定目标并发疾病，将目标并发疾病确定为目标用户的并发疾病信息。
S206，从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。
具体的，本申请实施例中步骤S206的具体内容可以参见上述图2中步骤S104的内容，本申请实施例在此不再赘述。
在本申请实施例中，通过获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据，根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息通过就诊数据可以确定目标用户的实际疾病信息，该实际疾病信息可以是指目标用户的恶化疾病和确诊疾病。通过获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息。本申请实施例通过根据每个实际疾病信息对应的目标疾病类型，确定实际疾病对应的候选并发疾病信息，可以更准确且快速，提高推荐效率。进一步，通过根据多维度的疾病信息(即实际疾病信息、并发疾病信息以及预防疾病信息)匹配的目标体检项目，将目标体检项目推荐给目标用户，可提高体检项目推荐的准确度以及全面性，可避免重大疾病以及难以预测的疾病，很难检查到位和难以及时预警的问题。同时，所推荐的目标体检项目更贴近目标用户的实际情况(如目标用户的属性信息和就诊信息)，即可实现有针对性地向目标用户推荐体检项目，不需要向目标用户推荐所有的体检项目，避免目标用户进行不必要的体检，降低目标用户的体检成本，并可降低医院的人力成本。同时，本方案采用目标推荐对实际疾病信息、并发疾病信息以及预防疾病信息进行预测，可以提高预测的准确性，降低人工成本。
请参见图5，图5是本申请实施例提供的一种体检推荐装置的结构示意图。上述体检推荐装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该体检推荐装置为一个应用软件；该体检推荐装置可以用于执行本申请实施例提供的体检推荐方法中的相应步骤。如图5所示，该体检推荐装置可以包括：第一获取模型11、第一确定模12、识别模块13、选择模块14、第二获取模块15、第一预测模块16、第二预测模块17、第二确定模块18以及迭代训练模块19。
第一获取模型11，用于获取目标用户的对象数据，对象数据包括用户属性信息和就诊数据；
第一确定模块12，用于根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息；
识别模块13，用于获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息；
选择模块14，用于从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。
其中，就诊数据包括目标用户的M个病症分别对应的历史就诊数据和当前就诊数据，M为正整数；
第一确定模块12包括：
第一获取单元1201，用于获取病症Mi的历史就诊数据与当前就诊数据之间的数据差异；病症Mi属于M个病症，i为小于或者等于M的正整数；
第一确定单元1202，用于根据数据差异确定病症Mi的病症状态；
第二确定单元1203，用于将M个病症中病症状态为恶化状态的病症，确定为实际疾病信息。
其中，第一获取单元1101具体用于：
调用目标推荐模型中的差异识别层，对病症Mi的历史就诊数据进行向量转换，得到病症Mi的历史就诊数据对应的历史就诊向量，对病症Mi的当前就诊数据进行向量转换，得到病症Mi的当前就诊数据对应的当前就诊向量；
计算历史就诊向量与当前就诊向量之间的向量距离；
根据向量距离确定病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。
其中，数据差异包括用药量差异和项目检查结果差异；
第一确定单元1102具体用于：
调用目标推荐模型中的病症状态识别层，对用药量差异和项目检查结果差异进行特征分析，输出病症Mi的病情评估值；
若病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态。
其中，第一确定模块12包括：
向量转换单元1204，用于调用目标推荐模型中的预防疾病预测层，对用户属性信息进行向量转换，得到用户属性信息对应的用户属性向量；
关联特征提取单元1205，用于获取N个候选预防疾病分别对应的疾病特征向量，对用户属性向量与候选预防疾病Nj对应的疾病特征向量进行关联特征提取，得到候选预防疾病Nj对应的预防概率，候选预防疾病Nj属于N个候选预防疾病，N为正整数，j为小于或者等于N的正整数；
第三确定单元1206，用于将N个候选预防疾病中预防概率大于或者等于目标预防概率的候选预防疾病，确定为预防疾病信息。
其中，识别模块13包括：
第二获取单元1301，用于获取实际疾病信息所指示的目标疾病类型，从并发疾病库中获取目标疾病类别所对应的P个候选并发疾病，并发疾病库中包括疾病类型与候选并发疾病之间的对应关系；
并发概率预测单元1302，用于获取P个候选并发疾病分别对应的并发疾病特征，调用目标推荐模型中的并发疾病预测层，对实际疾病信息与P个候选并发疾病分别对应的并发疾病特征进行并发概率预测，输出P个候选并发疾病分别对应的并发概率；
第四确定单元1303，用于将P个候选并发疾病中并发概率大于或者等于目标并发概率的候选并发疾病确定为目标并发疾病，将目标并发疾病确定为目标用户的并发疾病信息。
其中，体检推荐装置还包括：
第二获取模块15，用于获取初始推荐模型、样本用户的样本对象数据以及样本用户的体检项目标签，样本对象数据包括样本用户属性信息和样本就诊数据；
第一预测模块16，用于采用初始推荐模型对样本就诊数据进行预测，得到样本用户的预测实际疾病信息，采用初始推荐模型对样本用户属性信息进行预测，得到预测预防疾病信息；
第二预测模块17，用于采用初始推荐模型对预测实际疾病信息进行预测，得到样本用户的预测并发疾病信息；
第二确定模块18，用于根据预测实际疾病信息、预测预防疾病信息以及预测并发疾病信息，确定样本用户的预测体检项目；
迭代训练模块19，用于根据体检项目标签和预测体检项目，确定初始推荐模型的模型损失，根据模型损失对初始推荐模型进行迭代训练，得到目标推荐模型。
根据本申请的一个实施例，图5所示的体检推荐装置中的各个模块可以分别或全部合并为一个或若干个单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个子单元，可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的，在实际应用中，一个模块的功能也可以由多个单元来实现，或者多个模块的功能由一个单元实现。在本申请的其它实施例中，体检推荐装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
在本申请实施例中，通过获取目标用户的对象数据，该对象数据包括用户属性信息和就诊数据，根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息通过就诊数据可以确定目标用户的实际疾病信息，该实际疾病信息可以是指目标用户的恶化疾病和确诊疾病。通过获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息。本申请实施例通过根据每个实际疾病信息对应的目标疾病类型，确定实际疾病对应的候选并发疾病信息，可以更准确且快速，提高推荐效率。进一步，通过根据多维度的疾病信息(即实际疾病信息、并发疾病信息以及预防疾病信息)匹配的目标体检项目，将目标体检项目推荐给目标用户，可提高体检项目推荐的准确度以及全面性，可避免重大疾病以及难以预测的疾病，很难检查到位和难以及时预警的问题。同时，所推荐的目标体检项目更贴近目标用户的实际情况(如目标用户的属性信息和就诊信息)，即可实现有针对性地向目标用户推荐体检项目，不需要向目标用户推荐所有的体检项目，避免目标用户进行不必要的体检，降低目标用户的体检成本，并可降低医院的人力成本。同时，本方案采用目标推荐对实际疾病信息、并发疾病信息以及预防疾病信息进行预测，可以提高预测的准确性，降低人工成本。
请参见图6，图6是本申请实施例提供的一种计算机设备的结构示意图。如图6所示，上述计算机设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，上述计算机设备1000还可以包括：目标用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，目标用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选目标用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非易失性的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、目标用户接口模块以及设备控制应用程序。
在图6所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而目标用户接口1003主要用于为目标用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：
获取目标用户的对象数据，对象数据包括用户属性信息和就诊数据；
根据就诊数据确定目标用户的实际疾病信息，根据用户属性信息预测目标用户的预防疾病信息；
获取实际疾病信息所指示的疾病类型，根据疾病类型识别出目标用户的并发疾病信息；
从体检推荐库中选择与实际疾病信息、并发疾病信息以及预防疾病信息匹配的目标体检项目，将目标体检项目推荐给目标用户。
应当理解，本申请实施例中所描述的计算机设备1000可执行前文图2或者图4所对应实施例中对体检推荐方法的描述，也可执行前文图5所对应实施例中对体检推荐装置的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且计算机可读存储介质中存储有前文提及的体检推荐装置所执行的计算机程序，且计算机程序包括程序指令，当处理器执行程序指令时，能够执行前文图2或者图4所对应实施例中对体检推荐方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，程序指令可被部署在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行，分布在多个地点且通过通信网络互连的多个计算设备可以组成区块链系统。
此外，需要说明的是：本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或者计算机程序可以包括计算机指令，该计算机指令可以存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器可以执行该计算机指令，使得该计算机设备执行前文图2或者图4所对应实施例中对体检推荐方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机程序产品或者计算机程序实施例中未披露的技术细节，请参照本申请方法实施例的描述。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
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，计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种体检推荐方法，其特征在于，包括：
获取目标用户的对象数据，所述对象数据包括用户属性信息和就诊数据；
根据所述就诊数据确定所述目标用户的实际疾病信息，根据所述用户属性信息预测所述目标用户的预防疾病信息；
获取所述实际疾病信息所指示的疾病类型，根据所述疾病类型识别出所述目标用户的并发疾病信息；
从体检推荐库中选择与所述实际疾病信息、所述并发疾病信息以及所述预防疾病信息匹配的目标体检项目，将所述目标体检项目推荐给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，所述就诊数据包括所述目标用户的M个病症分别对应的历史就诊数据和当前就诊数据，M为正整数；
所述根据所述就诊数据确定所述目标用户的实际疾病信息，包括：
获取病症Mi的历史就诊数据与当前就诊数据之间的数据差异；所述病症Mi属于所述M个病症，i为小于或者等于M的正整数；
根据所述数据差异确定所述病症Mi的病症状态；
将所述M个病症中病症状态为恶化状态的病症，确定为实际疾病信息。
3.根据权利要求2所述的方法，其特征在于，所述获取病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异，包括：
调用目标推荐模型中的差异识别层，对所述病症Mi的历史就诊数据进行向量转换，得到所述病症Mi的历史就诊数据对应的历史就诊向量，对所述病症Mi的当前就诊数据进行向量转换，得到所述病症Mi的当前就诊数据对应的当前就诊向量；
计算所述历史就诊向量与所述当前就诊向量之间的向量距离；
根据所述向量距离确定所述病症Mi对应的历史就诊数据与当前就诊数据之间的数据差异。
4.根据权利要求2所述的方法，其特征在于，所述数据差异包括用药量差异和项目检查结果差异；
所述根据所述数据差异确定所述病症Mi的病症状态，包括：
调用目标推荐模型中的病症状态识别层，对所述用药量差异和所述项目检查结果差异进行特征分析，输出所述病症Mi的病情评估值；
若所述病症Mi的病情评估值大于或者等于目标评估阈值，则确定病症Mi为恶化状态。
5.根据权利要求1所述的方法，其特征在于，所述根据所述用户属性信息预测所述目标用户的预防疾病信息，包括：
调用目标推荐模型中的预防疾病预测层，对所述用户属性信息进行向量转换，得到所述用户属性信息对应的用户属性向量；
获取N个候选预防疾病分别对应的疾病特征向量，对所述用户属性向量与候选预防疾病Nj对应的疾病特征向量进行关联特征提取，得到所述候选预防疾病Nj对应的预防概率，所述候选预防疾病Nj属于所述N个候选预防疾病，N为正整数，j为小于或者等于N的正整数；
将所述N个候选预防疾病中预防概率大于或者等于目标预防概率的候选预防疾病，确定为预防疾病信息。
6.根据权利要求1所述的方法，其特征在于，所述获取所述实际疾病信息所指示的疾病类型，根据所述疾病类型识别出所述目标用户的并发疾病信息，包括：
获取所述实际疾病信息所指示的目标疾病类型，从并发疾病库中获取所述目标疾病类别所对应的P个候选并发疾病，所述并发疾病库中包括疾病类型与候选并发疾病之间的对应关系；
获取所述P个候选并发疾病分别对应的并发疾病特征，调用目标推荐模型中的并发疾病预测层，对所述实际疾病信息与所述P个候选并发疾病分别对应的并发疾病特征进行并发概率预测，输出所述P个候选并发疾病分别对应的并发概率；
将P个候选并发疾病中并发概率大于或者等于目标并发概率的候选并发疾病确定为目标并发疾病，将所述目标并发疾病确定为所述目标用户的并发疾病信息。
7.根据权利要求3-6任一项所述的方法，其特征在于，所述方法还包括：
获取初始推荐模型、样本用户的样本对象数据以及所述样本用户的体检项目标签，所述样本对象数据包括样本用户属性信息和样本就诊数据；
采用所述初始推荐模型对所述样本就诊数据进行预测，得到所述样本用户的预测实际疾病信息，采用所述初始推荐模型对所述样本用户属性信息进行预测，得到预测预防疾病信息；
采用所述初始推荐模型对所述预测实际疾病信息进行预测，得到所述样本用户的预测并发疾病信息；
根据所述预测实际疾病信息、所述预测预防疾病信息以及所述预测并发疾病信息，确定所述样本用户的预测体检项目；
根据所述体检项目标签和所述预测体检项目，确定所述初始推荐模型的模型损失，根据所述模型损失对所述初始推荐模型进行迭代训练，得到目标推荐模型。
8.一种体检推荐装置，其特征在于，包括：
第一获取模型，用于获取目标用户的对象数据，所述对象数据包括用户属性信息和就诊数据；
第一确定模块，用于根据所述就诊数据确定所述目标用户的实际疾病信息，根据所述用户属性信息预测所述目标用户的预防疾病信息；
识别模块，用于获取所述实际疾病信息所指示的疾病类型，根据所述疾病类型识别出所述目标用户的并发疾病信息；
选择模块，用于从体检推荐库中选择与所述实际疾病信息、所述并发疾病信息以及所述预防疾病信息匹配的目标体检项目，将所述目标体检项目推荐给所述目标用户。
9.一种计算机设备，其特征在于，包括：处理器和存储器；
所述处理器与存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以使得所述计算机设备执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-7任一项所述的方法。
CN202110975544.XA 2021-08-24 2021-08-24 体检推荐方法、装置、存储介质及设备 Pending CN113658655A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110975544.XA CN113658655A (zh) 2021-08-24 2021-08-24 体检推荐方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110975544.XA CN113658655A (zh) 2021-08-24 2021-08-24 体检推荐方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN113658655A true CN113658655A (zh) 2021-11-16

Family

ID=78481788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110975544.XA Pending CN113658655A (zh) 2021-08-24 2021-08-24 体检推荐方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113658655A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117198512A (zh) * 2023-11-07 2023-12-08 讯飞医疗科技股份有限公司 给药量预测方法及相关装置、设备和存储介质
CN117316359A (zh) * 2023-09-22 2023-12-29 杭州威灿科技有限公司 血液检测过程跟踪方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182412A (zh) * 2020-11-26 2021-01-05 南京吉拉福网络科技有限公司 用于推荐体检项目的方法、计算设备和计算机存储介质
CN112768019A (zh) * 2020-12-29 2021-05-07 深圳市华宇讯科技有限公司 体检项目推荐的方法、装置、设备和存储介质
CN113096756A (zh) * 2021-04-26 2021-07-09 安徽科大讯飞医疗信息技术有限公司 病情演变分类方法、装置、电子设备和存储介质
WO2021151351A1 (zh) * 2020-09-04 2021-08-05 平安科技（深圳）有限公司 一种数据处理方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021151351A1 (zh) * 2020-09-04 2021-08-05 平安科技（深圳）有限公司 一种数据处理方法、装置、计算机设备及存储介质
CN112182412A (zh) * 2020-11-26 2021-01-05 南京吉拉福网络科技有限公司 用于推荐体检项目的方法、计算设备和计算机存储介质
CN112768019A (zh) * 2020-12-29 2021-05-07 深圳市华宇讯科技有限公司 体检项目推荐的方法、装置、设备和存储介质
CN113096756A (zh) * 2021-04-26 2021-07-09 安徽科大讯飞医疗信息技术有限公司 病情演变分类方法、装置、电子设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117316359A (zh) * 2023-09-22 2023-12-29 杭州威灿科技有限公司 血液检测过程跟踪方法、装置、设备及介质
CN117316359B (zh) * 2023-09-22 2024-04-09 杭州威灿科技有限公司 血液检测过程跟踪方法、装置、设备及介质
CN117198512A (zh) * 2023-11-07 2023-12-08 讯飞医疗科技股份有限公司 给药量预测方法及相关装置、设备和存储介质
CN117198512B (zh) * 2023-11-07 2024-04-05 讯飞医疗科技股份有限公司 给药量预测方法及相关装置、设备和存储介质

Similar Documents

Publication Publication Date Title
AU2020349082B2 (en) System to collect and identify skin conditions from images and expert knowledge
CN110211690A (zh) 疾病风险预测方法、装置、计算机设备及计算机存储介质
CN109887562B (zh) 电子病历的相似度确定方法、装置、设备和存储介质
CN113658655A (zh) 体检推荐方法、装置、存储介质及设备
WO2023011382A1 (zh) 推荐方法、推荐模型训练方法及相关产品
CN112652386A (zh) 分诊数据处理方法、装置、计算机设备及存储介质
Shankar et al. A novel discriminant feature selection–based mutual information extraction from MR brain images for Alzheimer's stages detection and prediction
CN111221876A (zh) 数据降维处理方法、装置、计算机设备和存储介质
CN117557331A (zh) 一种产品推荐方法、装置、计算机设备及存储介质
CN110929877B (zh) 基于迁移学习的模型建立方法、装置、设备及存储介质
Qiu et al. Predictive modeling of the total joint replacement surgery risk: a deep learning based approach with claims data
CN113033090B (zh) 推送模型训练方法、数据推送方法、装置及存储介质
CN117012380A (zh) 事件预估方法、装置、设备、存储介质及程序产品
CN116756554A (zh) 对齐模型的训练方法、装置、设备、介质及程序产品
CN115408599A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN113688854A (zh) 数据处理方法、装置及计算设备
CN114792568B (zh) 住院风险预测方法及装置、存储介质及电子设备
US20240145050A1 (en) Phenotyping of clinical notes using natural language processing models
CN115662607B (zh) 一种基于大数据分析的互联网线上问诊推荐方法及服务器
Li et al. Development and validation of an artificial intelligence-powered acne grading system incorporating lesion identification
Luong et al. longSil: An evaluation metric to assess quality of clustering longitudinal clinical data
CN113705698A (zh) 基于点击行为预测的信息推送方法及装置
CN117036058A (zh) 智能核保方法和装置、电子设备及存储介质
CN116913501A (zh) 基于机器视觉的甲状腺癌病理图像处理系统
CN114661990A (zh) 数据预测及模型训练的方法、装置、设备、介质及产品

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
TA01 Transfer of patent application right

Effective date of registration: 20220922

Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

TA01 Transfer of patent application right