CN113689928A - 保养及预防患病方案的推荐方法、装置、设备及存储介质 - Google Patents
保养及预防患病方案的推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113689928A CN113689928A CN202110975587.8A CN202110975587A CN113689928A CN 113689928 A CN113689928 A CN 113689928A CN 202110975587 A CN202110975587 A CN 202110975587A CN 113689928 A CN113689928 A CN 113689928A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- model
- parameter
- target
- 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
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- G16H50/30—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
-
- 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
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及数字医疗技术领域,揭示了一种保养及预防患病方案的推荐方法、装置、设备及存储介质,其中方法包括:获取根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的目标生活及医疗数据;将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;获取保养及预防患病方案库;根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。实现了准确的保养及预防患病方案的推荐,在生病前提供保养及预防患病的帮助。
Description
技术领域
本申请涉及到数字医疗技术领域,特别是涉及到一种保养及预防患病方案的推荐方法、装置、设备及存储介质。
背景技术
随着生活水平的逐渐提升,人们对自身健康越来越重视。正所谓防大于治,养大于防,提前保养及预防疾病的发生是十分重要的。目前,大部分人的饮食、作息、运动是不合理的,为提前保养及预防疾病提供了比较大的空间。传统首先获取生病后的症状数据进行疾病诊断,然后根据疾病诊断提供专业的治疗方法及保养方法,导致无法在生病前提供保养及预防患病的帮助。
发明内容
本申请的主要目的为提供一种保养及预防患病方案的推荐方法、装置、设备及存储介质,旨在解决现有技术的采用获取生病后的症状数据进行疾病诊断,根据疾病诊断提供专业的治疗方法及保养方法,导致无法在生病前提供保养及预防患病的帮助的技术问题。
为了实现上述发明目的,本申请提出一种保养及预防患病方案的推荐方法,所述方法包括:
获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;
将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;
获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;
获取保养及预防患病方案库;
根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
进一步的,所述将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果的步骤之前,还包括:
获取训练样本集和待训练模型,所述训练样本集包括:多个正训练样本和多个负训练样本,每个所述正训练样本包括:未患病生活及医疗样本数据和未患病标定数据,每个所述负训练样本包括:患病生活及医疗样本数据和患病标定数据,所述待训练模型是基于XGBOOST模型得到的模型;
对所述训练样本集进行划分,得到训练集和验证集;
获取参数训练顺序列表和计数器,将所述计数器初始化为1;
基于所述参数训练顺序列表和所述计数器,根据所述训练集对所述待训练模型进行训练,将训练结束的所述待训练模型作为待验证模型;
采用所述验证集对所述待验证模型进行验证,得到模型验证结果;
当所述模型验证结果为不通过时,将所述待验证模型作为所述待训练模型,重复执行所述对所述训练样本集进行划分,得到训练集和验证集的步骤,直至所述模型验证结果为通过;
将为通过的所述模型验证结果对应的所述待验证模型作为所述目标疾病分类预测模型。
进一步的,所述基于所述参数训练顺序列表和所述计数器,根据所述训练集对所述待训练模型进行训练,将训练结束的所述待训练模型作为待验证模型的步骤,包括:
根据所述计数器从所述参数训练顺序列表中获取参数集,得到目标参数集;
基于仅更新所述目标参数集对应的参数的方法,根据所述训练集对所述待训练模型进行训练,直至达到模型训练结束条件;
将所述计数器加1,重复执行所述根据所述计数器从所述参数训练顺序列表中获取参数集,得到目标参数集的步骤,直至完成所述参数训练顺序列表中的参数集的获取,将所述待训练模型作为所述待验证模型。
进一步的,所述参数训练顺序列表包括:排序序号和参数集;
其中,当排序序号为1时所述参数集包括:树的深度参数和叶子节点的权重总值,当排序序号为2时所述参数集包括:叶子节点进一步分裂所需最小损失量,当排序序号为3时所述参数集包括:样本采样率参数,当排序序号为4时所述参数集包括:列采样率参数,当排序序号为5时所述参数集包括:学习率参数,当排序序号为6时所述参数集包括:树的数量参数,当排序序号为7时所述参数集包括:正则化参数。
进一步的,述获取训练样本集和待训练模型的步骤之前,还包括:
获取多个患者各自对应的第一生活及医疗初始数据;
对每个所述第一生活及医疗初始数据分别进行清洗处理及标准化处理,得到多个第一生活及医疗数据;
采用预设的标定方法,根据每个第一生活及医疗数据中的所述医生治疗数据进行患病的向量生成,得到每个所述第一生活及医疗数据对应的第一标定数据;
根据将各个所述第一生活及医疗数据和各个所述第一标定数据进行训练样本生成,得到多个所述负训练样本;
获取多个健康人各自对应的第二生活及医疗初始数据;
对每个所述第二生活及医疗初始数据分别进行清洗处理及标准化处理,得到多个第二生活及医疗数据;
采用预设的标定方法进行未患病的向量生成,得到第二标定数据,其中,所述第二标定数据中的向量元素的值全部为0;
分别根据每个所述第二生活及医疗数据和所述第二标定数据进行训练样本生成,得到多个所述正训练样本。
进一步的,所述获取训练样本集和待训练模型的步骤之前,包括:
将XGBOOST模型作为初始模型;
获取预设参数初始值集,其中,所述预设参数初始值集包括:树的深度参数的初始值为5、叶子节点的权重总值的初始值为1、叶子节点进一步分裂所需最小损失量的初始值为0、样本采样率参数的初始值为0.8、列采样率参数的初始值为0.8、负样本数量与正样本数量的比值的初始值为1、学习率参数的初始值为0.1、树的数量参数的初始值为20、随机种子参数的初始值为27;
采用所述预设参数初始值集对所述初始模型进行初始化;
将初始化后的所述初始模型作为所述待训练模型。
进一步的,所述根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果的步骤,包括:
将所述目标疾病概率集合中的每个疾病概率对应的每个疾病名称作为目标疾病名称;
将所述目标疾病名称,在所述保养及预防患病方案库中进行所述保养及预防患病方案的匹配,得到目标保养及预防患病方案;
将各个所述目标保养及预防患病方案作为所述保养及预防患病方案推荐结果。
本申请还提出了一种保养及预防患病方案的推荐装置,所述装置包括:
第一数据获取模块,用于获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;
疾病概率预测结果确定模块,用于将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;
目标疾病概率集合确定模块,用于获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;
第二数据获取模块,用于获取保养及预防患病方案库;
保养及预防患病方案推荐结果确定模块,用于根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
本申请还提出了一种计算机设备,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任一项所述方法的步骤。
本申请还提出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任一项所述的方法的步骤。
本申请的保养及预防患病方案的推荐方法、装置、设备及存储介质,其中方法首先根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到目标生活及医疗数据,然后将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合,最后根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果,从而实现根据身体数据、饮食数据、运动数据、病例数据和医生治疗数据进行准确的保养及预防患病方案的推荐,在生病前提供保养及预防患病的帮助。
附图说明
图1为本申请一实施例的保养及预防患病方案的推荐方法的流程示意图;
图2为本申请一实施例的保养及预防患病方案的推荐装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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,本申请实施例中提供一种保养及预防患病方案的推荐方法,所述方法包括:
S1:获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;
S2:将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;
S3:获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;
S4:获取保养及预防患病方案库;
S5:根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
本实施例首先根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到目标生活及医疗数据,然后将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合,最后根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果,从而实现根据身体数据、饮食数据、运动数据、病例数据和医生治疗数据进行准确的保养及预防患病方案的推荐,在生病前提供保养及预防患病的帮助。
对于S1,可以获取用户输入的目标生活及医疗数据,也可以从数据库中获取目标生活及医疗数据,还可以从第三方应用系统中获取目标生活及医疗数据。
目标对象,是指需要进行保养及预防患病方案推荐的人。
身体数据包括:日期、身高、体重、体脂率、心率、血压、血氧饱和度、睡眠时长和深度睡眠时长。
饮食数据包括:日期、能量摄入数据、碳水化合物摄入数据、蛋白质摄入数据、脂肪摄入数据、饱和脂肪摄入数据、单不饱和脂肪摄入数据、多不饱和脂肪摄入数据、水摄入数据、纤维摄入数据、维生素摄入数据。
运动数据包括:日期、步数、运动时长、运动心率、运动类型。
病例数据包括:日期、疾病名称、疾病等级、严重程度、是否已治愈、是否需要长期服药、患该病次数、检验结果、影像结果。
医生治疗数据包括:日期、疾病名称、治疗方式、处方内容、日常注意事项。
可以理解的是,所述目标生活及医疗数据,是对目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据依次进行清洗处理及标准化处理得到的数据。
其中,清洗处理,是去掉重复数据,以及删除超出范围的异常值。比如,血压的低压低于正常的血压的低压范围,则血压是异常值,需要进行删除处理,在此举例不做具体限定。
标准化处理,是对同一类参数采用相同的单位,以及归一化到0-1的范围内(参数的数值可能会很小,也可能会很大,需要归一化到0-1的范围内,避免对其他数据产生影响)。比如,时间类参数都采用秒,在此举例不做具体限定。
对于S2,将所述目标生活及医疗数据输入目标疾病分类预测模型进行各个分类标签的疾病概率预测,将目标疾病分类预测模型输出的数据作为疾病概率预测结果。
每个分类标签对应一个疾病名称。
疾病概率预测结果是一个向量,其中,该向量的向量元素的数量和分类标签的总数量相同,每个向量元素对应一个分类标签,该向量的向量元素的值是疾病概率。疾病概率的取值范围为0到1,可以包括0,也可以包括1。
对于S3,可以获取用户输入的预设概率阈值,也可以从数据库中获取预设概率阈值,还可以从第三方应用系统中获取预设概率阈值,还可以将预设概率阈值写入实现本申请的程序中。
预设概率阈值,是一个具体数值。预设概率阈值的取值范围为0到1,可以包括0,也可以包括1。
其中,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,将找出的各个疾病概率作为目标疾病概率集合。
目标疾病概率集合包括:分类标签序号和疾病概率。
对于S4,可以获取用户输入的保养及预防患病方案库,也可以从数据库中获取保养及预防患病方案库,还可以从第三方应用系统中获取保养及预防患病方案库。
保养及预防患病方案库包括:疾病名称和保养及预防患病方案,每个疾病名称对应一个保养及预防患病方案。
保养及预防患病方案,是从生活习惯、运动习惯方面针进行保养的描述文本,以及从生活习惯、运动习惯方面针对疾病名称对应的疾病的预防措施的描述文本。
对于S5,根据所述保养及预防患病方案库,针对所述目标疾病概率集合中的每个疾病概率进行保养及预防患病方案的推荐,也就是说,保养及预防患病方案推荐结果中的保养及预防患病方案的数量和所述目标疾病概率集合中的疾病概率的数量相同,从而实现在生病前提供保养及预防患病的帮助。
在一个实施例中,上述将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果的步骤之前,还包括:
S21:获取训练样本集和待训练模型,所述训练样本集包括:多个正训练样本和多个负训练样本,每个所述正训练样本包括:未患病生活及医疗样本数据和未患病标定数据,每个所述负训练样本包括:患病生活及医疗样本数据和患病标定数据,所述待训练模型是基于XGBOOST模型得到的模型;
S22:对所述训练样本集进行划分,得到训练集和验证集;
S23:获取参数训练顺序列表和计数器,将所述计数器初始化为1;
S24:基于所述参数训练顺序列表和所述计数器,根据所述训练集对所述待训练模型进行训练,将训练结束的所述待训练模型作为待验证模型;
S25:采用所述验证集对所述待验证模型进行验证,得到模型验证结果;
S26:当所述模型验证结果为不通过时,将所述待验证模型作为所述待训练模型,重复执行所述对所述训练样本集进行划分,得到训练集和验证集的步骤,直至所述模型验证结果为通过;
S27:将为通过的所述模型验证结果对应的所述待验证模型作为所述目标疾病分类预测模型。
本实施例通过从包含正训练样本和负训练样本的训练样本集中划分出训练集和验证集,基于参数训练顺序列表和所述计数器,根据训练集对待训练模型进行训练,从而有利于提高训练的模型的准确性;而且基于XGBOOST模型得到待训练模型,因XGBOOST模型具有精度高和可并行的近似算法,从而使训练得到的目标疾病分类预测模型能准确的,提高了目标疾病分类预测模型进行疾病概率预测的速度,提高了本申请的推荐效率。
对于S21,可以从数据库中获取训练样本集和待训练模型,也可以获取用户输入的训练样本集和待训练模型,还可以从第三方应用系统中获取训练样本集和待训练模型。
正训练样本,是根据未患病的人提取的数据形成的训练样本。未患病生活及医疗样本数据,是根据未患病的人提取的数据形成的样本。未患病标定数据对应的向量的向量元素值全部为0。在同一个正训练样本中,未患病标定数据是对未患病生活及医疗样本数据对应的患者正在患的疾病的准确标定结果。
负训练样本,是根据正在患病的人提取的数据形成的训练样本。患病生活及医疗样本数据,是根据正在患病的人提取的数据形成的样本。患病标定数据对应的向量存在至少一个向量元素值为1,意味着至少患一种疾病。在同一个负训练样本中,患病标定数据是对患病生活及医疗样本数据对应的患者正在患的疾病的准确标定结果。
XGBOOST,是Extreme Gradient Boosting。
对于S22,将所述训练样本集中的训练样本(可以是正训练样本,也可以是负训练样本)的排列顺序进行随机打乱,得到待划分的训练样本集;采用预设的划分比例,对所述待划分的训练样本集合进行划分,得到训练集和验证集。通过先将训练样本的排列顺序进行随机打乱,然后再进行划分,从而实现了交叉训练及交叉验证,有利于提高模型训练和验证的速度。
预设的划分比例采用8:2,也就是说,所述训练样本集中前80%(包括80%)的训练样本划分到训练集,所述训练样本集中80%以后(不包括80%)的训练样本划分到验证集。
对于S23,可以从数据库中获取参数训练顺序列表和计数器,也可以获取用户输入的参数训练顺序列表和计数器,还可以从第三方应用系统中获取参数训练顺序列表和计数器。
参数训练顺序列表中包括:排序序号和参数集。参数集中包括一个或多个待训练模型在被训练时需要更新的参数。
其中,将所述计数器初始化为1,从而实现从参数训练顺序列表的排序序号1开始获取参数集。
对于S24,基于所述参数训练顺序列表和所述计数器确定需要更新的参数,然后在根据所述训练集对所述待训练模型进行训练时更新确定的需要更新的参数的数据,直至完成模型中与所述参数训练顺序列表对应的所有参数的训练更新,此时意味着继续训练不会提升模型的性能,因此可以将所述待训练模型作为待验证模型。
可选的,对所述待训练模型进行训练时,根据对数损失函数得到模型损失函数,采用模型损失函数计算所述待训练模型的损失值。
对于S25,将所述验证集中的每个训练样本输入所述待验证模型进行疾病概率预测,得到待处理预测结果集;根据所述验证集的各个训练样本的标定数据(可以是正训练样本的未患病标定数据,也可以是负训练样本的患病标定数据)和所述待处理预测结果集进行预测准确率计算,得到目标准确率;获取预设准确率;当所述目标准确率大于或等于所述预设准确率时,确定所述模型验证结果为通过,否则,确定所述模型验证结果为不通过。
对于S26,当所述模型验证结果为不通过时,意味着待验证模型未达到预设的训练目标,因此将所述待验证模型作为所述待训练模型,重复执行步骤S22至步骤S26,直至所述模型验证结果为通过。
对于S27,当所述模型验证结果为通过时,意味着待验证模型已经达到预设的训练目标,因此可以将为通过的所述模型验证结果对应的所述待验证模型作为所述目标疾病分类预测模型。
在一个实施例中,上述基于所述参数训练顺序列表和所述计数器,根据所述训练集对所述待训练模型进行训练,将训练结束的所述待训练模型作为待验证模型的步骤,包括:
S241:根据所述计数器从所述参数训练顺序列表中获取参数集,得到目标参数集;
S242:基于仅更新所述目标参数集对应的参数的方法,根据所述训练集对所述待训练模型进行训练,直至达到模型训练结束条件;
S243:将所述计数器加1,重复执行所述根据所述计数器从所述参数训练顺序列表中获取参数集,得到目标参数集的步骤,直至完成所述参数训练顺序列表中的参数集的获取,将所述待训练模型作为所述待验证模型。
本实施例通过计数器从参数训练顺序列表中获取参数集作为目标参数集,基于仅更新所述目标参数集对应的参数的方法,根据所述训练集对所述待训练模型进行训练,从而实现了对参数进行分批训练更新,有利于提高训练效率。
对于S241,根据所述计数器的值,在所述参数训练顺序列表中的各个排序序号中进行查找,将在所述参数训练顺序列表中查找到的排序序号对应的参数集作为目标参数集。
比如,当所述计数器为1时,从所述参数训练顺序列表中获取排序序号为1对应的所述参数集,在此举例不做具体限定。
对于S242,根据所述训练集对所述待训练模型进行训练时,只需更新模型中的与所述目标参数集对应的各个参数。
模型训练结束条件包括:所述待训练模型的损失值达到第一收敛条件或所述待训练模型的迭代次数达到第二收敛条件。
所述第一收敛条件是指相邻两次计算的所述待训练模型的损失值的大小满足lipschitz条件(利普希茨连续条件)。
所述迭代次数是采用所述目标参数集对应的参数时所述待训练模型被训练的次数,也就是说,被训练一次,迭代次数增加1。可以理解的是,重新确定目标参数集时,迭代次数初始化为0。
第二收敛条件是一个具体数值。
比如,当所述目标参数集包括树的深度参数和叶子节点的权重总值时,采用所述训练集对所述待训练模型进行训练时,只需要更新所述待训练模型的树的深度参数和叶子节点的权重总值,在此举例不做具体限定。
对于S243,将所述计数器加1以便下一轮采用参数训练顺序列表的其他参数集对所述待训练模型进行训练,重复执行步骤S241至步骤S243,直至完成所述参数训练顺序列表中的参数集的获取,可以理解的是,在完成所述参数训练顺序列表中的参数集的获取时,已经完成基于训练集对待训练模型在与参数训练顺序列表对应的各个参数的训练更新,因此将所述待训练模型作为所述待验证模型。
在一个实施例中,上述参数训练顺序列表包括:排序序号和参数集;
其中,当排序序号为1时所述参数集包括:树的深度参数和叶子节点的权重总值,当排序序号为2时所述参数集包括:叶子节点进一步分裂所需最小损失量,当排序序号为3时所述参数集包括:样本采样率参数,当排序序号为4时所述参数集包括:列采样率参数,当排序序号为5时所述参数集包括:学习率参数,当排序序号为6时所述参数集包括:树的数量参数,当排序序号为7时所述参数集包括:正则化参数。
本实施例将待训练模型需要更新的参数进行分批设置,从而为实现了对参数进行分批训练提供了基础。
其中,树的深度参数是max_depth,叶子节点的权重总值是min_child_weight,叶子节点进一步分裂所需最小损失量是gamma,样本采样率参数是subsample,列采样率参数是colsample_bytree,负样本数量与正样本数量的比值(也就是负样本数量除以正样本数量)是scale_pos_weight,学习率参数是learning_rate,树的数量参数是n_estimators,随机种子参数是seed。
其中,首先对待训练模型中的树的深度参数和叶子节点的权重总值进行训练更新,通过训练更新不断缩小树的深度参数的范围和叶子节点的权重总值的范围;然后对对待训练模型中的叶子节点进一步分裂所需最小损失量、样本采样率参数、列采样率参数、学习率参数、树的数量参数分批进行训练更新,通过训练更新不断缩小叶子节点进一步分裂所需最小损失量、样本采样率参数、列采样率参数、学习率参数、树的数量参数的范围;最后对待训练模型中的树的正则化参数进行训练更新,以防止过拟合。
在一个实施例中,上述获取训练样本集和待训练模型的步骤之前,还包括:
S2111:获取多个患者各自对应的第一生活及医疗初始数据;
S2112:对每个所述第一生活及医疗初始数据分别进行清洗处理及标准化处理,得到多个第一生活及医疗数据;
S2113:采用预设的标定方法,根据每个第一生活及医疗数据中的所述医生治疗数据进行患病的向量生成,得到每个所述第一生活及医疗数据对应的第一标定数据;
S2114:根据将各个所述第一生活及医疗数据和各个所述第一标定数据进行训练样本生成,得到多个所述负训练样本;
S2115:获取多个健康人各自对应的第二生活及医疗初始数据;
S2116:对每个所述第二生活及医疗初始数据分别进行清洗处理及标准化处理,得到多个第二生活及医疗数据;
S2117:采用预设的标定方法进行未患病的向量生成,得到第二标定数据,其中,所述第二标定数据中的向量元素的值全部为0;
S2118:分别根据每个所述第二生活及医疗数据和所述第二标定数据进行训练样本生成,得到多个所述正训练样本。
本实施例实现了根据多个患者各自对应的第一生活及医疗初始数据生成多个负训练样本,根据个健康人各自对应的第二生活及医疗初始数据生成多个正训练样本,从而为对待训练模型进行基本预测的训练提供了基础,通过负训练样本和正训练样本搭配训练待训练模型,提高了模型训练的效率和准确性。
对于S2111,可以从医院的数据库中获取多个患者各自对应的第一生活及医疗初始数据。
其中,第一生活及医疗初始数据包括:身体初始数据、饮食初始数据、运动初始数据、病例数据和医生治疗初始数据。
对于S2112,对所述第一生活及医疗初始数据分别进行去掉重复数据以及删除超出范围的异常值处理和对同一类参数采用相同的单位以及归一化到0-1的范围内处理,将去掉重复数据以及删除超出范围的异常值处理和对同一类参数采用相同的单位以及归一化到0-1的范围内处理后的所述第一生活及医疗初始数据作为所述第一生活及医疗数据。
对于S2113,从第一生活及医疗数据中的所述医生治疗数据中获取生成第一生活及医疗数据时患者正在患的疾病名称,根据获取的疾病名称采用预设的标定方法生成向量,将生成的向量作为第一标定数据。
比如,生成第一生活及医疗数据时患者正在患的疾病名称为肺炎,肺炎对应第三个分类标签,分类标签的总数为10个,则预设的标定方法是需要生成含有10个向量元素的向量,因此第一标定数据为[0 0 1 0 0 0 0 0 0 0],在此举例不做具体限定。
对于S2114,将目标第一生活及医疗数据作为所述目标第一生活及医疗数据对应的训练样本的患病生活及医疗样本数据,将目标所述第一生活及医疗数据对应的所述第一标定数据作为所述目标第一生活及医疗数据对应的训练样本的患病标定数据,将该训练样本作为目标第一生活及医疗数据对应的负训练样本,其中,目标第一生活及医疗数据是任一个第一生活及医疗数据。
可以理解的是,所述负训练样本与第一生活及医疗初始数据一一对应。
对于S2115,可以从穿戴设备中获取多个健康人各自对应的第二生活及医疗初始数据的身体初始数据、饮食初始数据、运动初始数据、病例数据,从医院的数据库中获取多个健康人各自对应的第二生活及医疗初始数据的医生治疗初始数据。
其中,第二生活及医疗初始数据包括:身体初始数据、饮食初始数据、运动初始数据、病例数据和医生治疗初始数据。
对于S2116,对所述第二生活及医疗初始数据分别进行去掉重复数据以及删除超出范围的异常值处理和对同一类参数采用相同的单位以及归一化到0-1的范围内处理,将去掉重复数据以及删除超出范围的异常值处理和对同一类参数采用相同的单位以及归一化到0-1的范围内处理后的所述第二生活及医疗初始数据作为所述第二生活及医疗数据。
对于S2117,采用预设的标定方法进行未患病的向量生成,将生成的向量作为所述第二标定数据。所述第二标定数据中的向量元素的值全部为0,意味着没有患病。
比如,分类标签的总数为10个,采用预设的标定方法进行未患病的向量生成是需要生成含有10个向量元素的向量,因此第二标定数据为[0 0 0 0 0 0 0 0 0 0],在此举例不做具体限定。
对于S2118,将目标第二生活及医疗数据作为所述目标第二生活及医疗数据对应的训练样本的未患病生活及医疗样本数据,将第二标定数据作为所述目标第二生活及医疗数据对应的训练样本的未患病标定数据,将生成的训练样本作为目标第二生活及医疗数据对应的正训练样本,其中,目标第二生活及医疗数据是任一个第二生活及医疗数据。
可以理解的是,所述正训练样本与第二生活及医疗初始数据一一对应。
在一个实施例中,上述获取训练样本集和待训练模型的步骤之前,包括:
S2121:将XGBOOST模型作为初始模型;
S2122:获取预设参数初始值集,其中,所述预设参数初始值集包括:树的深度参数的初始值为5、叶子节点的权重总值的初始值为1、叶子节点进一步分裂所需最小损失量的初始值为0、样本采样率参数的初始值为0.8、列采样率参数的初始值为0.8、负样本数量与正样本数量的比值的初始值为1、学习率参数的初始值为0.1、树的数量参数的初始值为20、随机种子参数的初始值为27;
S2123:采用所述预设参数初始值集对所述初始模型进行初始化;
S2124:将初始化后的所述初始模型作为所述待训练模型。
本实施例先采用预设参数初始值集对所述初始模型进行初始化,将初始化后的所述初始模型作为所述待训练模型,从而先大致圈定了模型的各个参数的范围,有利于进一步提高模型训练的效率。
对于S2121,将XGBOOST模型直接作为初始模型。
对于S2122,可以从数据库中获取预设参数初始值集,也可以获取预设参数初始值集,还可以获取用户输入的预设参数初始值集,还可以从第三方应用系统中获取预设参数初始值集。
所述预设参数初始值集包括:树的深度参数的初始值为5、叶子节点的权重总值的初始值为1、叶子节点进一步分裂所需最小损失量的初始值为0、样本采样率参数的初始值为0.8、列采样率参数的初始值为0.8、负样本数量与正样本数量的比值的初始值为1、学习率参数的初始值为0.1、树的数量参数的初始值为20、随机种子参数的初始值为27,从而得到了初始模型的各个参数的准确值的大致范围。
对于S2123,采用所述预设参数初始值集中的各个初始值对所述初始模型的参数进行初始化。
比如,将所述预设参数初始值集中的树的深度参数的初始值5更新到所述初始模型的树的深度参数,在此举例不做具体限定。
对于S2124,初始化后的所述初始模型中的需要更新的参数已经被初始化到准确值的大致范围,因此将初始化后的所述初始模型作为所述待训练模型。
在一个实施例中,上述根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果的步骤,包括:
S51:将所述目标疾病概率集合中的每个疾病概率对应的每个疾病名称作为目标疾病名称;
S52:将所述目标疾病名称,在所述保养及预防患病方案库中进行所述保养及预防患病方案的匹配,得到目标保养及预防患病方案;
S53:将各个所述目标保养及预防患病方案作为所述保养及预防患病方案推荐结果。
本实施例实现了先根据目标疾病概率集合确定目标疾病名称,然后根据目标疾病名称确定目标保养及预防患病方案,最后根据目标保养及预防患病方案进行保养及预防患病方案的推荐,实现了在生病前提供保养及预防患病的帮助。
对于S51,将所述目标疾病概率集合中的每个疾病概率对应的每个分类标签作为目标分类标签,将目标分类标签对应的疾病名称作为目标疾病名称。可以理解的是,目标疾病名称的数量和所述目标疾病概率集合中的疾病概率的数量相同。
对于S52,将所述目标疾病名称,在所述保养及预防患病方案库中的各个疾病名称中进行查找,将在所述保养及预防患病方案库中查找到的疾病名称对应的保养及预防患病方案作为目标保养及预防患病方案。
参照图2,本申请还提出了一种保养及预防患病方案的推荐装置,所述装置包括:
第一数据获取模块100,用于获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;
疾病概率预测结果确定模块200,用于将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;
目标疾病概率集合确定模块300,用于获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;
第二数据获取模块400,用于获取保养及预防患病方案库;
保养及预防患病方案推荐结果确定模块500,用于根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
本实施例首先根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到目标生活及医疗数据,然后将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合,最后根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果,从而实现根据身体数据、饮食数据、运动数据、病例数据和医生治疗数据进行准确的保养及预防患病方案的推荐,在生病前提供保养及预防患病的帮助。
参照图3,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3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储存保养及预防患病方案的推荐方法等数据。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一种保养及预防患病方案的推荐方法。所述保养及预防患病方案的推荐方法,包括:获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;获取保养及预防患病方案库;根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
本实施例首先根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到目标生活及医疗数据,然后将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合,最后根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果,从而实现根据身体数据、饮食数据、运动数据、病例数据和医生治疗数据进行准确的保养及预防患病方案的推荐,在生病前提供保养及预防患病的帮助。
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一种保养及预防患病方案的推荐方法,包括步骤:获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;获取保养及预防患病方案库;根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
上述执行的保养及预防患病方案的推荐方法,首先根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到目标生活及医疗数据,然后将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合,最后根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果,从而实现根据身体数据、饮食数据、运动数据、病例数据和医生治疗数据进行准确的保养及预防患病方案的推荐,在生病前提供保养及预防患病的帮助。
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,所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 (10)
1.一种保养及预防患病方案的推荐方法,其特征在于,所述方法包括:
获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;
将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;
获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;
获取保养及预防患病方案库;
根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
2.根据权利要求1所述的保养及预防患病方案的推荐方法,其特征在于,所述将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果的步骤之前,还包括:
获取训练样本集和待训练模型,所述训练样本集包括:多个正训练样本和多个负训练样本,每个所述正训练样本包括:未患病生活及医疗样本数据和未患病标定数据,每个所述负训练样本包括:患病生活及医疗样本数据和患病标定数据,所述待训练模型是基于XGBOOST模型得到的模型;
对所述训练样本集进行划分,得到训练集和验证集;
获取参数训练顺序列表和计数器,将所述计数器初始化为1;
基于所述参数训练顺序列表和所述计数器,根据所述训练集对所述待训练模型进行训练,将训练结束的所述待训练模型作为待验证模型;
采用所述验证集对所述待验证模型进行验证,得到模型验证结果;
当所述模型验证结果为不通过时,将所述待验证模型作为所述待训练模型,重复执行所述对所述训练样本集进行划分,得到训练集和验证集的步骤,直至所述模型验证结果为通过;
将为通过的所述模型验证结果对应的所述待验证模型作为所述目标疾病分类预测模型。
3.根据权利要求2所述的保养及预防患病方案的推荐方法,其特征在于,所述基于所述参数训练顺序列表和所述计数器,根据所述训练集对所述待训练模型进行训练,将训练结束的所述待训练模型作为待验证模型的步骤,包括:
根据所述计数器从所述参数训练顺序列表中获取参数集,得到目标参数集;
基于仅更新所述目标参数集对应的参数的方法,根据所述训练集对所述待训练模型进行训练,直至达到模型训练结束条件;
将所述计数器加1,重复执行所述根据所述计数器从所述参数训练顺序列表中获取参数集,得到目标参数集的步骤,直至完成所述参数训练顺序列表中的参数集的获取,将所述待训练模型作为所述待验证模型。
4.根据权利要求2所述的保养及预防患病方案的推荐方法,其特征在于,所述参数训练顺序列表包括:排序序号和参数集;
其中,当排序序号为1时所述参数集包括:树的深度参数和叶子节点的权重总值,当排序序号为2时所述参数集包括:叶子节点进一步分裂所需最小损失量,当排序序号为3时所述参数集包括:样本采样率参数,当排序序号为4时所述参数集包括:列采样率参数,当排序序号为5时所述参数集包括:学习率参数,当排序序号为6时所述参数集包括:树的数量参数,当排序序号为7时所述参数集包括:正则化参数。
5.根据权利要求2所述的保养及预防患病方案的推荐方法,其特征在于,述获取训练样本集和待训练模型的步骤之前,还包括:
获取多个患者各自对应的第一生活及医疗初始数据;
对每个所述第一生活及医疗初始数据分别进行清洗处理及标准化处理,得到多个第一生活及医疗数据;
采用预设的标定方法,根据每个第一生活及医疗数据中的所述医生治疗数据进行患病的向量生成,得到每个所述第一生活及医疗数据对应的第一标定数据;
根据将各个所述第一生活及医疗数据和各个所述第一标定数据进行训练样本生成,得到多个所述负训练样本;
获取多个健康人各自对应的第二生活及医疗初始数据;
对每个所述第二生活及医疗初始数据分别进行清洗处理及标准化处理,得到多个第二生活及医疗数据;
采用预设的标定方法进行未患病的向量生成,得到第二标定数据,其中,所述第二标定数据中的向量元素的值全部为0;
分别根据每个所述第二生活及医疗数据和所述第二标定数据进行训练样本生成,得到多个所述正训练样本。
6.根据权利要求2所述的保养及预防患病方案的推荐方法,其特征在于,所述获取训练样本集和待训练模型的步骤之前,包括:
将XGBOOST模型作为初始模型;
获取预设参数初始值集,其中,所述预设参数初始值集包括:树的深度参数的初始值为5、叶子节点的权重总值的初始值为1、叶子节点进一步分裂所需最小损失量的初始值为0、样本采样率参数的初始值为0.8、列采样率参数的初始值为0.8、负样本数量与正样本数量的比值的初始值为1、学习率参数的初始值为0.1、树的数量参数的初始值为20、随机种子参数的初始值为27;
采用所述预设参数初始值集对所述初始模型进行初始化;
将初始化后的所述初始模型作为所述待训练模型。
7.根据权利要求1所述的保养及预防患病方案的推荐方法,其特征在于,所述根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果的步骤,包括:
将所述目标疾病概率集合中的每个疾病概率对应的每个疾病名称作为目标疾病名称;
将所述目标疾病名称,在所述保养及预防患病方案库中进行所述保养及预防患病方案的匹配,得到目标保养及预防患病方案;
将各个所述目标保养及预防患病方案作为所述保养及预防患病方案推荐结果。
8.一种保养及预防患病方案的推荐装置,其特征在于,所述装置包括:
第一数据获取模块,用于获取目标生活及医疗数据,所述目标生活及医疗数据是根据目标对象的身体数据、饮食数据、运动数据、病例数据和医生治疗数据得到的数据;
疾病概率预测结果确定模块,用于将所述目标生活及医疗数据输入目标疾病分类预测模型进行疾病概率预测,得到疾病概率预测结果;
目标疾病概率集合确定模块,用于获取预设概率阈值,从所述疾病概率预测结果中找出大于所述预设概率阈值的疾病概率,得到目标疾病概率集合;
第二数据获取模块,用于获取保养及预防患病方案库;
保养及预防患病方案推荐结果确定模块,用于根据所述目标疾病概率集合和所述保养及预防患病方案库进行保养及预防患病方案的推荐,得到保养及预防患病方案推荐结果。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975587.8A CN113689928B (zh) | 2021-08-24 | 2021-08-24 | 保养及预防患病方案的推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975587.8A CN113689928B (zh) | 2021-08-24 | 2021-08-24 | 保养及预防患病方案的推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689928A true CN113689928A (zh) | 2021-11-23 |
CN113689928B CN113689928B (zh) | 2023-06-20 |
Family
ID=78581947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975587.8A Active CN113689928B (zh) | 2021-08-24 | 2021-08-24 | 保养及预防患病方案的推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689928B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293291A (zh) * | 2022-08-31 | 2022-11-04 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308545A (zh) * | 2018-08-21 | 2019-02-05 | 中国平安人寿保险股份有限公司 | 预测患糖尿病几率的方法、装置、计算机设备及存储介质 |
CN109345397A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 智能分保方法、服务器及存储介质 |
WO2019070200A1 (en) * | 2017-10-05 | 2019-04-11 | Integral Technologies (S) Pte. Ltd. | HEALTH CARE INFORMATION MANAGEMENT SYSTEM |
US20190130069A1 (en) * | 2017-10-30 | 2019-05-02 | International Business Machines Corporation | Facilitating health intervention suggestion for disease mitigation and/or prevention |
CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
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 |
CN111161880A (zh) * | 2019-12-23 | 2020-05-15 | 平安医疗健康管理股份有限公司 | 基于分类模型的医疗信息分类方法、装置和计算机设备 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN111695593A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 基于XGBoost的数据分类方法、装置、计算机设备及存储介质 |
CN112036750A (zh) * | 2020-08-31 | 2020-12-04 | 平安医疗健康管理股份有限公司 | 适用于医疗风控的异常识别方法、装置、设备及存储介质 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112700838A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于大数据的用药方案推荐方法、装置及相关设备 |
CN112801224A (zh) * | 2021-03-26 | 2021-05-14 | 平安科技(深圳)有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
-
2021
- 2021-08-24 CN CN202110975587.8A patent/CN113689928B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019070200A1 (en) * | 2017-10-05 | 2019-04-11 | Integral Technologies (S) Pte. Ltd. | HEALTH CARE INFORMATION MANAGEMENT SYSTEM |
US20190130069A1 (en) * | 2017-10-30 | 2019-05-02 | International Business Machines Corporation | Facilitating health intervention suggestion for disease mitigation and/or prevention |
CN109308545A (zh) * | 2018-08-21 | 2019-02-05 | 中国平安人寿保险股份有限公司 | 预测患糖尿病几率的方法、装置、计算机设备及存储介质 |
CN109345397A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 智能分保方法、服务器及存储介质 |
CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
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 |
CN111161880A (zh) * | 2019-12-23 | 2020-05-15 | 平安医疗健康管理股份有限公司 | 基于分类模型的医疗信息分类方法、装置和计算机设备 |
CN111695593A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 基于XGBoost的数据分类方法、装置、计算机设备及存储介质 |
CN112036750A (zh) * | 2020-08-31 | 2020-12-04 | 平安医疗健康管理股份有限公司 | 适用于医疗风控的异常识别方法、装置、设备及存储介质 |
CN112700838A (zh) * | 2020-12-30 | 2021-04-23 | 平安科技(深圳)有限公司 | 基于大数据的用药方案推荐方法、装置及相关设备 |
CN112801224A (zh) * | 2021-03-26 | 2021-05-14 | 平安科技(深圳)有限公司 | 糖尿病的分型概率预测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293291A (zh) * | 2022-08-31 | 2022-11-04 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
CN115293291B (zh) * | 2022-08-31 | 2023-09-12 | 北京百度网讯科技有限公司 | 排序模型的训练方法、排序方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113689928B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874643B (zh) | 基于词向量自动构建知识库实现辅助诊疗的方法和系统 | |
CN110459324B (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
US20190013093A1 (en) | Systems and methods for analyzing healthcare data | |
KR20200022106A (ko) | 한방 진단 처방 서비스 시스템 및 방법 | |
KR20200022113A (ko) | 한방 진단 처방 및 건강 코디네이터 서비스 시스템 및 방법 | |
CN114628001B (zh) | 基于神经网络的处方推荐方法、系统、设备及存储介质 | |
KR20210143635A (ko) | 병원 리소스에 대한 환자 니즈 예측 방법 및 시스템 | |
CN113689928A (zh) | 保养及预防患病方案的推荐方法、装置、设备及存储介质 | |
CN116612852B (zh) | 一种实现药物推荐的方法、装置和计算机设备 | |
KR20200022110A (ko) | 한의학 임상데이터 수집 및 딥러닝 기반 데이터 분석 시스템 | |
Zhang et al. | Disease-pertinent knowledge extraction in online health communities using GRU based on a double attention mechanism | |
CN115579153A (zh) | 问诊评价方法、问诊评价装置、电子设备和可读存储介质 | |
CN114627993A (zh) | 信息预测方法、装置、存储介质及计算机设备 | |
CN113066531A (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
Rautiainen et al. | Utilizing the International Classification of Functioning, Disability and Health (ICF) in forming a personal health index | |
Zaitoun et al. | Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations? | |
Chauhan et al. | Disease prediction using machine learning | |
Al-Ash et al. | Indonesian protected health information removal using named entity recognition | |
Manjunathan et al. | Cardiovascular disease prediction using enhanced support vector machine algorithm | |
CN111241084A (zh) | 医疗信息清洗方法、装置、计算机设备和存储介质 | |
KR20200022109A (ko) | 한방 데이터의 온톨로지 정보체계 구축 시스템 및 방법 | |
Sivarajkumar et al. | Mining Clinical Notes for Physical Rehabilitation Exercise Information: Natural Language Processing Algorithm Development and Validation Study | |
CN115910308B (zh) | Drg制度下的费用精细化控制方法、装置、电子设备 | |
CN111243758B (zh) | 一种应用于具有多次反馈调节特点场景的建模方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221011 Address after: 518000 Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Liwan Community, Nanshan Street, Nanshan District, Shenzhen, Guangdong, China 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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |