CN113707253B - 医疗方案推荐方法、装置、设备及介质 - Google Patents
医疗方案推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113707253B CN113707253B CN202111007316.XA CN202111007316A CN113707253B CN 113707253 B CN113707253 B CN 113707253B CN 202111007316 A CN202111007316 A CN 202111007316A CN 113707253 B CN113707253 B CN 113707253B
- Authority
- CN
- China
- Prior art keywords
- information
- dimension
- factor
- patient
- factors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
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
- G16H50/30—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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能,提供一种医疗方案推荐方法、装置、设备及介质。该方法能够获取患者用户的用户识别码及监测对象,根据监测对象及用户识别码获取在多个画像维度上的患者信息,患者信息包括生理信息及诊疗信息,根据患者信息分析患者用户在每个画像维度上的目标风险因素,根据生理信息、诊疗信息及目标风险因素生成患者用户对监测对象的目标设定值,接收并分析监测结果,得到分析结果,若分析结果为预设结果,根据监测结果的生成时间采集多个异常因素,解析多个异常因素,得到因素类型,根据多个异常因素及因素类型所对应的类型权值生成医疗推荐方案,从而准确的构建出全局患者信息数据库。此外,本发明还涉及区块链技术及数字医疗领域。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种医疗方案推荐方法、装置、设备及介质。
背景技术
随着人工智能的发展,目前的医疗平台可以支持疾病辅助诊断、健康管理、远程会诊等功能。然而,发明人意识到,在医疗平台实现疾病辅助诊断功能时,由于是直接根据大部分用户对监测对象的正常范围分析系统用户的监测信息,导致无法准确的确定出该系统用户的异常情况,此外,在生成推荐方案时是直接根据监测对象所对应的药物信息与监测信息的关系生成的,造成无法准确的为该系统用户生成适合的医疗推荐方案。
因此,如何准确的生成医疗推荐方案,成了亟需解决的技术问题。
发明内容
鉴于以上内容,有必要提供一种医疗方案推荐方法、装置、设备及介质,能够准确的生成医疗推荐方案。
一方面,本发明提出一种医疗方案推荐方法,所述医疗方案推荐方法包括:
获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标;
根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息及诊疗信息;
根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素;
根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值;
接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果;
若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素;
解析所述多个异常因素,得到所述多个异常因素的因素类型;
根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
根据本发明优选实施例,所述根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息包括:
从对象维度关联库中获取与所述监测对象存在关联关系的维度作为所述多个画像维度;
将所述多个画像维度写入预设请求模板中,得到信息采集请求;
将所述信息采集请求发送至与所述用户识别码绑定的终端设备;
在预设时间间隔后,当接收到所述终端设备发送的采集授权响应时,从所述采集授权响应中提取信息密钥;
从信息存储库中获取与所述用户识别码对应的信息作为信息密文;
基于所述信息密钥对所述信息密文进行解密处理,并将解密成功所得到的信息确定为所述患者信息。
根据本发明优选实施例,所述患者信息包括所述患者用户在每个画像维度上所对应的维度信息,所述根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素包括:
对于每个画像维度,将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值;
获取该画像维度的多个影响风险因素;
对于每个影响风险因素,根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息;
将所述多个调整后的维度信息依次输入至所述维度健康预测模型中,得到与所述多个调整后的维度信息对应的调整分值;
将与所述健康分值差值最大的调整分值所对应的影响风险因素确定为所述目标风险因素。
根据本发明优选实施例,在将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值之前,所述方法还包括:
根据所述多个影响风险因素构建学习器;
获取多个训练用户在所述多个影响风险因素上的风险因素信息及每个训练用户的标注分值;
将所述风险因素信息输入至所述学习器中,得到每个训练用户的预测分值;
基于所述标注分值及所述预测分值计算所述学习器的AUC指标值;
根据所述AUC指标值调整所述学习器的网络参数,直至所述AUC指标值不再增加,得到所述维度健康预测模型。
根据本发明优选实施例,所述根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值包括:
根据所述生理信息从预设网站中获取所述监测对象的正常范围值作为初始范围值;
分析所述诊疗信息的语义信息,并获取所述监测对象的对象症状;
若所述语义信息指示所述患者用户具有所述对象症状,根据所述诊疗信息确定所述对象症状的生成时限;
根据所述生成时限调整所述初始范围值,得到中间范围值;
根据所述健康分值、所述维度信息、所述目标风险因素所对应的调整分值及所述目标风险因素所对应的调整后的维度信息计算所述目标风险因素对所述患者用户的影响程度;
根据所述影响程度调整所述中间范围值,得到所述目标设定值。
根据本发明优选实施例,所述根据所述监测结果的生成时间采集多个异常因素包括:
根据所述用户识别码获取所述患者用户在多个用药时刻上的用药记录;
从所述用药记录中获取距离所述生成时间最小的用药时刻所对应的信息作为目标记录,并将与所述目标记录所对应的用药时刻确定为目标时刻;
将所述生成时间、所述目标时刻及所述目标记录确定为待检测信息;
检测所述待检测信息是否符合预设需求,并将不符合所述预设需求的待检测信息确定为所述多个异常因素。
根据本发明优选实施例,所述根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案包括:
从预设方案库中获取与所述多个异常因素匹配的多个因素方案;
根据所述类型权值生成每个异常因素的因素权值;
根据所述因素权值处理所述因素方案,得到所述医疗推荐方案。
另一方面,本发明还提出一种医疗方案推荐装置,所述医疗方案推荐装置包括:
获取单元,用于获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标;
所述获取单元,还用于根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息及诊疗信息;
分析单元,用于根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素;
生成单元,用于根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值;
所述分析单元,还用于接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果;
采集单元,用于若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素;
解析单元,用于解析所述多个异常因素,得到所述多个异常因素的因素类型;
所述生成单元,还用于根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述医疗方案推荐方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述医疗方案推荐方法。
由以上技术方案可以看出,本发明通过所述患者信息能够准确的分析出所述患者用户在每个画像维度上的目标风险因素,进而结合所述生理信息、所述诊疗信息及所述目标风险因素能够准确的为所述患者用户生成个性化的目标设定值,从而提高对所述监测结果的分析准确性,本发明进一步通过所述监测结果的生成时间能够全面的获取到所述多个异常因素,进而通过对所述多个异常因素的因素类型的划分,有利于确定所述类型权值,从而提高所述医疗推荐方案的生成准确性。
附图说明
图1是本发明医疗方案推荐方法的较佳实施例的流程图。
图2是本发明医疗方案推荐装置的较佳实施例的功能模块图。
图3是本发明实现医疗方案推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明医疗方案推荐方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述医疗方案推荐方法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。
所述医疗方案推荐方法应用于智慧医疗,从而推动智慧城市的发展。所述医疗方案推荐方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标。
在本发明的至少一个实施例中,所述患者用户是指需要进行医疗方案推荐的用户。所述用户识别码是指能够唯一识别出所述患者用户的编码。
所述监测对象是指能够反映某一疾病的患病情况的医疗指标,例如,所述监测对象可以为血糖指标。
在本发明的至少一个实施例中,所述电子设备获取患者用户的用户识别码及监测对象包括:
接收医疗推荐方案请求,并解析所述医疗推荐方案请求,得到所述医疗推荐方案请求携带的数据信息;
从所述数据信息中获取所述用户识别码及对象识别码;
将所述对象识别码所对应的对象确定为所述监测对象。
S11,根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息及诊疗信息。
在本发明的至少一个实施例中,所述多个画像维度是指与所述监测对象存在关联关系的维度。例如,所述监测对象可以为血糖指标,所述多个画像维度可以为:人口学信息维度、疾病健康画像维度、血糖管理健康画像维度、生活方式健康画像维度、知识水平健康画像维度。
在本发明的至少一个实施例中,所述生理信息是指所述患者用户的基础信息,所述基础信息可以包括,但不限于:性别、年龄、体重、腰围等。
所述诊疗信息是指医护人员对所述患者用户的诊断结果,所述诊疗信息可以包括,但不限于:糖尿病患病类型、胰岛素敏感度、糖尿病患病年限、已患有的并发症与合并症等。
在本发明的至少一个实施例中,所述电子设备根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息包括:
从对象维度关联库中获取与所述监测对象存在关联关系的维度作为所述多个画像维度;
将所述多个画像维度写入预设请求模板中,得到信息采集请求;
将所述信息采集请求发送至与所述用户识别码绑定的终端设备;
在预设时间间隔后,当接收到所述终端设备发送的采集授权响应时,从所述采集授权响应中提取信息密钥;
从信息存储库中获取与所述用户识别码对应的信息作为信息密文;
基于所述信息密钥对所述信息密文进行解密处理,并将解密成功所得到的信息确定为所述患者信息。
其中,所述对象维度关联库中存储有多个对象与多个维度之间的关联关系。每个维度上所对应的信息对关联对象有一定影响。
所述预设请求模板是指请求对象为空的请求报文。
所述信息密钥是指用于对所述多个画像维度所对应的密文进行解密的密钥。
所述信息存储库中存储有每个用户在多个信息维度上的密文,所述多个信息维度是指多个疾病对象所关联的维度。可以理解的是,所述信息密文中存储有多个信息维度上的密文信息。
通过所述对象维度关联库能够准确并全面的获取到所述多个画像维度,从而根据所述多个画像维度能够准确并全面的获取到所述患者信息,不仅避免获取到所述患者用户的多余信息,以避免造成对所述目标设定值的生成效率的影响,通过全面获取到的患者信息还有利于提高所述目标设定值的准确性,通过向所述终端设备发送所述信息采集请求,能够确保所述患者信息的采集合法性。
S12,根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素。
在本发明的至少一个实施例中,所述目标风险因素是指影响健康分值变动的关键因素。
在本发明的至少一个实施例中,所述患者信息包括所述患者用户在每个画像维度上所对应的维度信息,所述电子设备根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素包括:
对于每个画像维度,将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值;
获取该画像维度的多个影响风险因素;
对于每个影响风险因素,根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息;
将所述多个调整后的维度信息依次输入至所述维度健康预测模型中,得到与所述多个调整后的维度信息对应的调整分值;
将与所述健康分值差值最大的调整分值所对应的影响风险因素确定为所述目标风险因素。
其中,所述维度健康预测模型用于预测所述维度信息所对应的健康程度分值。
所述多个影响风险因素是指能够影响所述健康分值变动的因素。
通过每个影响风险因素对所述维度信息的调整,进而基于所述健康分值与所述调整分值的比对结果,能够准确的确定出每个画像维度的目标风险因素。
具体地,在将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值之前,所述方法还包括:
根据所述多个影响风险因素构建学习器;
获取多个训练用户在所述多个影响风险因素上的风险因素信息及每个训练用户的标注分值;
将所述风险因素信息输入至所述学习器中,得到每个训练用户的预测分值;
基于所述标注分值及所述预测分值计算所述学习器的AUC指标值;
根据所述AUC指标值调整所述学习器的网络参数,直至所述AUC指标值不再增加,得到所述维度健康预测模型。
通过所述AUC指标值控制对所述网络参数的调整,能够避免正反样本不均衡导致所述维度健康预测模型的预测能力低下,从而提高了所述维度健康预测模型的预测准确性。
具体地,所述电子设备根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息。
例如,在疾病健康画像维度中的高血压维度信息中,对于影响风险因素:每天饮酒饮酒量800ml,经调整,得到调整后的维度信息可以是:每天饮酒饮酒量900ml等。
S13,根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值。
在本发明的至少一个实施例中,所述目标设定值是指根据所述患者信息为所述患者用户确定的数值。
在本发明的至少一个实施例中,所述电子设备根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值包括:
根据所述生理信息从预设网站中获取所述监测对象的正常范围值作为初始范围值;
分析所述诊疗信息的语义信息,并获取所述监测对象的对象症状;
若所述语义信息指示所述患者用户具有所述对象症状,根据所述诊疗信息确定所述对象症状的生成时限;
根据所述生成时限调整所述初始范围值,得到中间范围值;
根据所述健康分值、所述维度信息、所述目标风险因素所对应的调整分值及调整后的维度信息计算所述目标风险因素对所述患者用户的影响程度;
根据所述影响程度调整所述中间范围值,得到所述目标设定值。
其中,所述预设网站可以是与医疗相关的平台所对应的网站。
所述对象症状是指所述患者用户患有监测疾病的症状,所述监测疾病是指与所述监测对象所对应的疾病,例如,所述监测对象为血糖,则所述监测疾病可以是糖尿病。
所述生成时限是指所述对象症状的生成时刻距离当前时刻的时间差。
所述中间范围值的区间大于所述初始范围值的区间。例如,所述初始范围值为[5,7],所述生成时限为2,则所述中间范围值为[3,9]。
所述影响程度是指所述调整后的维度信息与所述维度信息的差值在所述调整分值与所述健康分值的差值上的比值。
通过所述生理信息能够快速获取到所述初始范围值,根据对所述诊疗信息的分析,能够准确的确定出所述对象症状的生成时限,进而根据所述生成时限能够对所述初始范围值进行适当的调整,通过根据所述目标风险因素的影响程度对所述中间范围值进一步进行调整,提高所述目标设定值的合理性。
具体地,所述电子设备分析所述诊疗信息的语义信息包括:
将所述诊疗信息输入至预先训练好的语义检测模型中,得到所述语义信息。
其中,所述语义检测模型是根据自然语言处理算法及神经网络算法生成的。
S14,接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果。
在本发明的至少一个实施例中,所述预设监测仪器是指能够用于监测所述监测对象的仪器。例如,所述监测对象为血糖,则所述预设监测仪器是指血糖仪。
所述分析结果包括所述监测结果异常、所述监测结果正常。
在本发明的至少一个实施例中,若所述监测结果不处于所述目标设定值,将所述分析结果确定为异常,若所述监测结果处于所述目标设定值,将所述分析结果确定为正常。
S15,若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素。
在本发明的至少一个实施例中,所述预设结果是指异常结果。
所述生成时间是指所述预设监测仪器测量所述监测对象的时刻。
所述多个异常因素是指影响导致所述监测结果异常的因素。所述多个异常因素包括:所述监测结果的测量时间、所述患者用户的用药时间及用药量等。
在本发明的至少一个实施例中,所述电子设备根据所述监测结果的生成时间采集多个异常因素包括:
根据所述用户识别码获取所述患者用户在多个用药时刻上的用药记录;
从所述用药记录中获取距离所述生成时间最小的用药时刻所对应的信息作为目标记录,并将与所述目标记录所对应的用药时刻确定为目标时刻;
将所述生成时间、所述目标时刻及所述目标记录确定为待检测信息;
检测所述待检测信息是否符合预设需求,并将不符合所述预设需求的待检测信息确定为所述多个异常因素。
其中,所述用药记录是指所述患者用户在所述多个用药时刻上的用药剂量。
所述预设需求包括,但不限于:测量推荐时段、所述患者用户的推荐用药时段、所述患者用户的推荐用药量。所述预设需求可以根据医护人员针对所述诊疗信息的医嘱信息生成。
通过所述生成时间能够准确的提取出所述目标记录及所述目标时刻,有利于结合所述预设需求对所述目标记录、所述目标时刻及所述生成时间进行检测,提高所述多个异常因素的采集全面性。
S16,解析所述多个异常因素,得到所述多个异常因素的因素类型。
在本发明的至少一个实施例中,所述因素类型包括必要类型及次要类型等。
在本发明的至少一个实施例中,所述电子设备解析所述多个异常因素,得到所述多个异常因素的因素类型包括:
将每个异常因素与预设必要原因库中的必要因素进行匹配,并将与所述必要因素匹配成功的异常因素所对应的因素类型确定为必要类型;
将与所述必要因素匹配失败的异常因素确定为待测因素;
将所述待测因素与预设次要原因库中的次要因素进行匹配,并将与所述次要因素匹配成功的待测因素所对应的因素类型确定为次要类型。
其中,所述预设必要原因库中存储有影响所述监测对象变化的必要因素。所述预设次要原因库中存储有影响所述监测对象变化的次要因素。所述必要因素对所述监测对象的影响力度大于所述次要因素对所述监测对象的影响力度。
通过将与所述必要因素匹配失败的异常因素确定为待测因素,并将所述待测因素与所述次要因素进行匹配,由于无需将所述因素类型为所述必要类型的异常因素与所述次要因素进行匹配,因此,能够提高所述多个异常因素的类型划分效率。
具体地,所述预设必要原因库及所述预设次要原因库是基于强化学习算法构建生成的。
S17,根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
需要强调的是,为进一步保证上述医疗推荐方案的私密和安全性,上述医疗推荐方案还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述类型权值是根据所述因素类型中的类型因素对所述监测对象的影响力度确定的。
所述医疗推荐方案可以包括,但不限于:用药时间、用药剂量及运动量等。
在本发明的至少一个实施例中,所述电子设备根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案包括:
从预设方案库中获取与所述多个异常因素匹配的多个因素方案;
根据所述类型权值生成每个异常因素的因素权值;
根据所述因素权值处理所述因素方案,得到所述医疗推荐方案。
其中,所述预设方案库中存储有每个异常因素所对应的处理方案,基于该处理方案,能够避免所述处理方案所对应的异常因素的生成。
所述因素权值是指每个异常因素对所述监测结果的影响力度。
例如,获取到三个因素方案:异常因素甲所对应的因素方案A:每天饮酒量不得高于500ml,异常因素乙所对应的因素方案B:每天饮酒量不得高于400ml,异常因素丙所对应的因素方案C:每天饮酒量不得高于300ml,异常因素甲所对应的类型权值为0.8,异常因素乙所对应的类型权值为0.6,异常因素丙所对应的类型权值为0.6,经处理,异常因素甲所对应的类型权值为0.4,异常因素乙所对应的类型权值为0.3,异常因素丙所对应的类型权值为0.3,因此,根据所述异常因素甲所对应的因素权值、所述异常因素乙所对应的因素权值、所述异常因素丙所对应的因素权值处理所述因素方案A、所述因素方案B及所述因素方案C,得到医疗推荐方案为:每天饮酒量不得高于410ml。
通过所述类型权值能够获取到每个异常因素所对应的因素权值,进而根据所述因素权值生成所述医疗推荐方案,提高所述医疗推荐方案的合理性。
由以上技术方案可以看出,本发明通过所述患者信息能够准确的分析出所述患者用户在每个画像维度上的目标风险因素,进而结合所述生理信息、所述诊疗信息及所述目标风险因素能够准确的为所述患者用户生成个性化的目标设定值,从而提高对所述监测结果的分析准确性,本发明进一步通过所述监测结果的生成时间能够全面的获取到所述多个异常因素,进而通过对所述多个异常因素的因素类型的划分,有利于确定所述类型权值,从而提高所述医疗推荐方案的生成准确性。
如图2所示,是本发明医疗方案推荐装置的较佳实施例的功能模块图。所述医疗方案推荐装置11包括获取单元110、分析单元111、生成单元112、采集单元113、解析单元114、构建单元115、输入单元116、计算单元117及调整单元118。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标。
在本发明的至少一个实施例中,所述患者用户是指需要进行医疗方案推荐的用户。所述用户识别码是指能够唯一识别出所述患者用户的编码。
所述监测对象是指能够反映某一疾病的患病情况的医疗指标,例如,所述监测对象可以为血糖指标。
在本发明的至少一个实施例中,所述获取单元110获取患者用户的用户识别码及监测对象包括:
接收医疗推荐方案请求,并解析所述医疗推荐方案请求,得到所述医疗推荐方案请求携带的数据信息;
从所述数据信息中获取所述用户识别码及对象识别码;
将所述对象识别码所对应的对象确定为所述监测对象。
所述获取单元110根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息及诊疗信息。
在本发明的至少一个实施例中,所述多个画像维度是指与所述监测对象存在关联关系的维度。例如,所述监测对象可以为血糖指标,所述多个画像维度可以为:人口学信息维度、疾病健康画像维度、血糖管理健康画像维度、生活方式健康画像维度、知识水平健康画像维度。
在本发明的至少一个实施例中,所述生理信息是指所述患者用户的基础信息,所述基础信息可以包括,但不限于:性别、年龄、体重、腰围等。
所述诊疗信息是指医护人员对所述患者用户的诊断结果,所述诊疗信息可以包括,但不限于:糖尿病患病类型、胰岛素敏感度、糖尿病患病年限、已患有的并发症与合并症等。
在本发明的至少一个实施例中,所述获取单元110根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息包括:
从对象维度关联库中获取与所述监测对象存在关联关系的维度作为所述多个画像维度;
将所述多个画像维度写入预设请求模板中,得到信息采集请求;
将所述信息采集请求发送至与所述用户识别码绑定的终端设备;
在预设时间间隔后,当接收到所述终端设备发送的采集授权响应时,从所述采集授权响应中提取信息密钥;
从信息存储库中获取与所述用户识别码对应的信息作为信息密文;
基于所述信息密钥对所述信息密文进行解密处理,并将解密成功所得到的信息确定为所述患者信息。
其中,所述对象维度关联库中存储有多个对象与多个维度之间的关联关系。每个维度上所对应的信息对关联对象有一定影响。
所述预设请求模板是指请求对象为空的请求报文。
所述信息密钥是指用于对所述多个画像维度所对应的密文进行解密的密钥。
所述信息存储库中存储有每个用户在多个信息维度上的密文,所述多个信息维度是指多个疾病对象所关联的维度。可以理解的是,所述信息密文中存储有多个信息维度上的密文信息。
通过所述对象维度关联库能够准确并全面的获取到所述多个画像维度,从而根据所述多个画像维度能够准确并全面的获取到所述患者信息,不仅避免获取到所述患者用户的多余信息,以避免造成对所述目标设定值的生成效率的影响,通过全面获取到的患者信息还有利于提高所述目标设定值的准确性,通过向所述终端设备发送所述信息采集请求,能够确保所述患者信息的采集合法性。
分析单元111根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素。
在本发明的至少一个实施例中,所述目标风险因素是指影响健康分值变动的关键因素。
在本发明的至少一个实施例中,所述患者信息包括所述患者用户在每个画像维度上所对应的维度信息,所述分析单元111根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素包括:
对于每个画像维度,将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值;
获取该画像维度的多个影响风险因素;
对于每个影响风险因素,根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息;
将所述多个调整后的维度信息依次输入至所述维度健康预测模型中,得到与所述多个调整后的维度信息对应的调整分值;
将与所述健康分值差值最大的调整分值所对应的影响风险因素确定为所述目标风险因素。
其中,所述维度健康预测模型用于预测所述维度信息所对应的健康程度分值。
所述多个影响风险因素是指能够影响所述健康分值变动的因素。
通过每个影响风险因素对所述维度信息的调整,进而基于所述健康分值与所述调整分值的比对结果,能够准确的确定出每个画像维度的目标风险因素。
具体地,在将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值之前,构建单元115根据所述多个影响风险因素构建学习器;
所述获取单元110获取多个训练用户在所述多个影响风险因素上的风险因素信息及每个训练用户的标注分值;
输入单元116将所述风险因素信息输入至所述学习器中,得到每个训练用户的预测分值;
计算单元117基于所述标注分值及所述预测分值计算所述学习器的AUC指标值;
调整单元118根据所述AUC指标值调整所述学习器的网络参数,直至所述AUC指标值不再增加,得到所述维度健康预测模型。
通过所述AUC指标值控制对所述网络参数的调整,能够避免正反样本不均衡导致所述维度健康预测模型的预测能力低下,从而提高了所述维度健康预测模型的预测准确性。
具体地,所述分析单元111根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息。
例如,在疾病健康画像维度中的高血压维度信息中,对于影响风险因素:每天饮酒饮酒量800ml,经调整,得到调整后的维度信息可以是:每天饮酒饮酒量900ml等。
生成单元112根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值。
在本发明的至少一个实施例中,所述目标设定值是指根据所述患者信息为所述患者用户确定的数值。
在本发明的至少一个实施例中,所述生成单元112根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值包括:
根据所述生理信息从预设网站中获取所述监测对象的正常范围值作为初始范围值;
分析所述诊疗信息的语义信息,并获取所述监测对象的对象症状;
若所述语义信息指示所述患者用户具有所述对象症状,根据所述诊疗信息确定所述对象症状的生成时限;
根据所述生成时限调整所述初始范围值,得到中间范围值;
根据所述健康分值、所述维度信息、所述目标风险因素所对应的调整分值及调整后的维度信息计算所述目标风险因素对所述患者用户的影响程度;
根据所述影响程度调整所述中间范围值,得到所述目标设定值。
其中,所述预设网站可以是与医疗相关的平台所对应的网站。
所述对象症状是指所述患者用户患有监测疾病的症状,所述监测疾病是指与所述监测对象所对应的疾病,例如,所述监测对象为血糖,则所述监测疾病可以是糖尿病。
所述生成时限是指所述对象症状的生成时刻距离当前时刻的时间差。
所述中间范围值的区间大于所述初始范围值的区间。例如,所述初始范围值为[5,7],所述生成时限为2,则所述中间范围值为[3,9]。
所述影响程度是指所述调整后的维度信息与所述维度信息的差值在所述调整分值与所述健康分值的差值上的比值。
通过所述生理信息能够快速获取到所述初始范围值,根据对所述诊疗信息的分析,能够准确的确定出所述对象症状的生成时限,进而根据所述生成时限能够对所述初始范围值进行适当的调整,通过根据所述目标风险因素的影响程度对所述中间范围值进一步进行调整,提高所述目标设定值的合理性。
具体地,所述生成单元112分析所述诊疗信息的语义信息包括:
将所述诊疗信息输入至预先训练好的语义检测模型中,得到所述语义信息。
其中,所述语义检测模型是根据自然语言处理算法及神经网络算法生成的。
所述分析单元111接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果。
在本发明的至少一个实施例中,所述预设监测仪器是指能够用于监测所述监测对象的仪器。例如,所述监测对象为血糖,则所述预设监测仪器是指血糖仪。
所述分析结果包括所述监测结果异常、所述监测结果正常。
在本发明的至少一个实施例中,若所述监测结果不处于所述目标设定值,将所述分析结果确定为异常,若所述监测结果处于所述目标设定值,将所述分析结果确定为正常。
若所述分析结果为预设结果,采集单元113根据所述监测结果的生成时间采集多个异常因素。
在本发明的至少一个实施例中,所述预设结果是指异常结果。
所述生成时间是指所述预设监测仪器测量所述监测对象的时刻。
所述多个异常因素是指影响导致所述监测结果异常的因素。所述多个异常因素包括:所述监测结果的测量时间、所述患者用户的用药时间及用药量等。
在本发明的至少一个实施例中,所述采集单元113根据所述监测结果的生成时间采集多个异常因素包括:
根据所述用户识别码获取所述患者用户在多个用药时刻上的用药记录;
从所述用药记录中获取距离所述生成时间最小的用药时刻所对应的信息作为目标记录,并将与所述目标记录所对应的用药时刻确定为目标时刻;
将所述生成时间、所述目标时刻及所述目标记录确定为待检测信息;
检测所述待检测信息是否符合预设需求,并将不符合所述预设需求的待检测信息确定为所述多个异常因素。
其中,所述用药记录是指所述患者用户在所述多个用药时刻上的用药剂量。
所述预设需求包括,但不限于:测量推荐时段、所述患者用户的推荐用药时段、所述患者用户的推荐用药量。所述预设需求可以根据医护人员针对所述诊疗信息的医嘱信息生成。
通过所述生成时间能够准确的提取出所述目标记录及所述目标时刻,有利于结合所述预设需求对所述目标记录、所述目标时刻及所述生成时间进行检测,提高所述多个异常因素的采集全面性。
解析单元114解析所述多个异常因素,得到所述多个异常因素的因素类型。
在本发明的至少一个实施例中,所述因素类型包括必要类型及次要类型等。
在本发明的至少一个实施例中,所述解析单元114解析所述多个异常因素,得到所述多个异常因素的因素类型包括:
将每个异常因素与预设必要原因库中的必要因素进行匹配,并将与所述必要因素匹配成功的异常因素所对应的因素类型确定为必要类型;
将与所述必要因素匹配失败的异常因素确定为待测因素;
将所述待测因素与预设次要原因库中的次要因素进行匹配,并将与所述次要因素匹配成功的待测因素所对应的因素类型确定为次要类型。
其中,所述预设必要原因库中存储有影响所述监测对象变化的必要因素。所述预设次要原因库中存储有影响所述监测对象变化的次要因素。所述必要因素对所述监测对象的影响力度大于所述次要因素对所述监测对象的影响力度。
通过将与所述必要因素匹配失败的异常因素确定为待测因素,并将所述待测因素与所述次要因素进行匹配,由于无需将所述因素类型为所述必要类型的异常因素与所述次要因素进行匹配,因此,能够提高所述多个异常因素的类型划分效率。
具体地,所述预设必要原因库及所述预设次要原因库是基于强化学习算法构建生成的。
所述生成单元112根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
需要强调的是,为进一步保证上述医疗推荐方案的私密和安全性,上述医疗推荐方案还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述类型权值是根据所述因素类型中的类型因素对所述监测对象的影响力度确定的。
所述医疗推荐方案可以包括,但不限于:用药时间、用药剂量及运动量等。
在本发明的至少一个实施例中,所述生成单元112根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案包括:
从预设方案库中获取与所述多个异常因素匹配的多个因素方案;
根据所述类型权值生成每个异常因素的因素权值;
根据所述因素权值处理所述因素方案,得到所述医疗推荐方案。
其中,所述预设方案库中存储有每个异常因素所对应的处理方案,基于该处理方案,能够避免所述处理方案所对应的异常因素的生成。
所述因素权值是指每个异常因素对所述监测结果的影响力度。
例如,获取到三个因素方案:异常因素甲所对应的因素方案A:每天饮酒量不得高于500ml,异常因素乙所对应的因素方案B:每天饮酒量不得高于400ml,异常因素丙所对应的因素方案C:每天饮酒量不得高于300ml,异常因素甲所对应的类型权值为0.8,异常因素乙所对应的类型权值为0.6,异常因素丙所对应的类型权值为0.6,经处理,异常因素甲所对应的类型权值为0.4,异常因素乙所对应的类型权值为0.3,异常因素丙所对应的类型权值为0.3,因此,根据所述异常因素甲所对应的因素权值、所述异常因素乙所对应的因素权值、所述异常因素丙所对应的因素权值处理所述因素方案A、所述因素方案B及所述因素方案C,得到医疗推荐方案为:每天饮酒量不得高于410ml。
通过所述类型权值能够获取到每个异常因素所对应的因素权值,进而根据所述因素权值生成所述医疗推荐方案,提高所述医疗推荐方案的合理性。
由以上技术方案可以看出,本发明通过所述患者信息能够准确的分析出所述患者用户在每个画像维度上的目标风险因素,进而结合所述生理信息、所述诊疗信息及所述目标风险因素能够准确的为所述患者用户生成个性化的目标设定值,从而提高对所述监测结果的分析准确性,本发明进一步通过所述监测结果的生成时间能够全面的获取到所述多个异常因素,进而通过对所述多个异常因素的因素类型的划分,有利于确定所述类型权值,从而提高所述医疗推荐方案的生成准确性。
如图3所示,是本发明实现医疗方案推荐方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如医疗方案推荐程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、分析单元111、生成单元112、采集单元113、解析单元114、构建单元115、输入单元116、计算单元117及调整单元118。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种医疗方案推荐方法,所述处理器13可执行所述计算机可读指令从而实现:
获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标;
根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息及诊疗信息;
根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素;
根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值;
接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果;
若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素;
解析所述多个异常因素,得到所述多个异常因素的因素类型;
根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标;
根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息及诊疗信息;
根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素;
根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值;
接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果;
若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素;
解析所述多个异常因素,得到所述多个异常因素的因素类型;
根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种医疗方案推荐方法,其特征在于,所述医疗方案推荐方法包括:
获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标;
根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息、诊疗信息及所述患者用户在每个画像维度上所对应的维度信息;
根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素,包括:对于每个画像维度,将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值;获取该画像维度的多个影响风险因素;对于每个影响风险因素,根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息;将所述多个调整后的维度信息依次输入至所述维度健康预测模型中,得到与所述多个调整后的维度信息对应的调整分值;将与所述健康分值差值最大的调整分值所对应的影响风险因素确定为所述目标风险因素;
根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值;
接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果;
若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素;
解析所述多个异常因素,得到所述多个异常因素的因素类型;
根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
2.如权利要求1所述的医疗方案推荐方法,其特征在于,所述根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息包括:
从对象维度关联库中获取与所述监测对象存在关联关系的维度作为所述多个画像维度;
将所述多个画像维度写入预设请求模板中,得到信息采集请求;
将所述信息采集请求发送至与所述用户识别码绑定的终端设备;
在预设时间间隔后,当接收到所述终端设备发送的采集授权响应时,从所述采集授权响应中提取信息密钥;
从信息存储库中获取与所述用户识别码对应的信息作为信息密文;
基于所述信息密钥对所述信息密文进行解密处理,并将解密成功所得到的信息确定为所述患者信息。
3.如权利要求1所述的医疗方案推荐方法,其特征在于,在将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值之前,所述方法还包括:
根据所述多个影响风险因素构建学习器;
获取多个训练用户在所述多个影响风险因素上的风险因素信息及每个训练用户的标注分值;
将所述风险因素信息输入至所述学习器中,得到每个训练用户的预测分值;
基于所述标注分值及所述预测分值计算所述学习器的AUC指标值;
根据所述AUC指标值调整所述学习器的网络参数,直至所述AUC指标值不再增加,得到所述维度健康预测模型。
4.如权利要求1所述的医疗方案推荐方法,其特征在于,所述根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值包括:
根据所述生理信息从预设网站中获取所述监测对象的正常范围值作为初始范围值;
分析所述诊疗信息的语义信息,并获取所述监测对象的对象症状;
若所述语义信息指示所述患者用户具有所述对象症状,根据所述诊疗信息确定所述对象症状的生成时限;
根据所述生成时限调整所述初始范围值,得到中间范围值;
根据所述健康分值、所述维度信息、所述目标风险因素所对应的调整分值及所述目标风险因素所对应的调整后的维度信息计算所述目标风险因素对所述患者用户的影响程度;
根据所述影响程度调整所述中间范围值,得到所述目标设定值。
5.如权利要求1所述的医疗方案推荐方法,其特征在于,所述根据所述监测结果的生成时间采集多个异常因素包括:
根据所述用户识别码获取所述患者用户在多个用药时刻上的用药记录;
从所述用药记录中获取距离所述生成时间最小的用药时刻所对应的信息作为目标记录,并将与所述目标记录所对应的用药时刻确定为目标时刻;
将所述生成时间、所述目标时刻及所述目标记录确定为待检测信息;
检测所述待检测信息是否符合预设需求,并将不符合所述预设需求的待检测信息确定为所述多个异常因素。
6.如权利要求1所述的医疗方案推荐方法,其特征在于,所述根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案包括:
从预设方案库中获取与所述多个异常因素匹配的多个因素方案;
根据所述类型权值生成每个异常因素的因素权值;
根据所述因素权值处理所述因素方案,得到所述医疗推荐方案。
7.一种医疗方案推荐装置,其特征在于,所述医疗方案推荐装置包括:
获取单元,用于获取患者用户的用户识别码及监测对象,所述监测对象是指医疗指标;
所述获取单元,还用于根据所述监测对象及所述用户识别码获取所述患者用户在多个画像维度上的患者信息,所述患者信息包括生理信息、诊疗信息及所述患者用户在每个画像维度上所对应的维度信息;
分析单元,用于根据所述患者信息分析所述患者用户在每个画像维度上的目标风险因素,包括:对于每个画像维度,将所述维度信息输入至预先训练好的维度健康预测模型中,得到所述患者用户在每个画像维度上的健康分值;获取该画像维度的多个影响风险因素;对于每个影响风险因素,根据所述维度信息调整所述患者用户在每个影响风险因素上的因素信息,得到多个调整后的维度信息;将所述多个调整后的维度信息依次输入至所述维度健康预测模型中,得到与所述多个调整后的维度信息对应的调整分值;将与所述健康分值差值最大的调整分值所对应的影响风险因素确定为所述目标风险因素;
生成单元,用于根据所述生理信息、所述诊疗信息及所述目标风险因素生成所述患者用户对所述监测对象的目标设定值;
所述分析单元,还用于接收预设监测仪器生成的监测结果,并根据所述目标设定值分析所述监测结果,得到分析结果;
采集单元,用于若所述分析结果为预设结果,根据所述监测结果的生成时间采集多个异常因素;
解析单元,用于解析所述多个异常因素,得到所述多个异常因素的因素类型;
所述生成单元,还用于根据所述多个异常因素及所述因素类型所对应的类型权值生成医疗推荐方案。
8. 一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至6中任意一项所述的医疗方案推荐方法。
9.一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可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的医疗方案推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007316.XA CN113707253B (zh) | 2021-08-30 | 2021-08-30 | 医疗方案推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007316.XA CN113707253B (zh) | 2021-08-30 | 2021-08-30 | 医疗方案推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113707253A CN113707253A (zh) | 2021-11-26 |
CN113707253B true CN113707253B (zh) | 2023-06-27 |
Family
ID=78657068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111007316.XA Active CN113707253B (zh) | 2021-08-30 | 2021-08-30 | 医疗方案推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113707253B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118879B (zh) * | 2022-01-25 | 2022-04-29 | 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 |
CN114496264B (zh) * | 2022-04-14 | 2022-07-19 | 深圳市瑞安医疗服务有限公司 | 基于多维数据的健康指数分析方法、装置、设备及介质 |
CN114996536B (zh) * | 2022-08-08 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 维修方案查询方法、装置、设备及计算机可读存储介质 |
CN116246776B (zh) * | 2023-04-04 | 2023-11-07 | 曜立科技(北京)有限公司 | 一种辅助脑卒中诊断决策的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899070A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 处方推荐生成方法、装置、计算机设备和存储介质 |
CN111667890A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于人工智能的用药推荐方法、装置、设备及存储介质 |
CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、系统、设备及可读存储介质 |
CN113035317A (zh) * | 2021-03-16 | 2021-06-25 | 北京懿医云科技有限公司 | 用户画像生成方法及装置、存储介质、电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075219A1 (en) * | 2015-04-02 | 2018-03-15 | Click Therapeutics, Inc. | Therapeutic system and remote patient monitoring device |
-
2021
- 2021-08-30 CN CN202111007316.XA patent/CN113707253B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899070A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 处方推荐生成方法、装置、计算机设备和存储介质 |
CN111667890A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于人工智能的用药推荐方法、装置、设备及存储介质 |
CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、系统、设备及可读存储介质 |
CN113035317A (zh) * | 2021-03-16 | 2021-06-25 | 北京懿医云科技有限公司 | 用户画像生成方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113707253A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113707253B (zh) | 医疗方案推荐方法、装置、设备及介质 | |
CN112700838B (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
US20210193320A1 (en) | Machine-learning based query construction and pattern identification for hereditary angioedema | |
CN111986770B (zh) | 药方用药审核方法、装置、设备及存储介质 | |
Aada et al. | Predicting diabetes in medical datasets using machine learning techniques | |
WO2022267678A1 (zh) | 视频问诊方法、装置、设备及存储介质 | |
CN113724848A (zh) | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 | |
WO2021120688A1 (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
CN111933291A (zh) | 医疗信息推荐装置、方法、系统、设备及可读存储介质 | |
CN112216402A (zh) | 基于人工智能的疫情预测方法、装置、计算机设备及介质 | |
US20090119130A1 (en) | Method and apparatus for interpreting data | |
CN111933237A (zh) | 慢病处理方法、装置及相关设备 | |
CN114416967A (zh) | 智能推荐医生的方法、装置、设备及存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN116246762B (zh) | 基于人工智能的处方剂量优化方法、装置、设备及介质 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
CN116130072A (zh) | 科室推荐方法、装置、设备及存储介质 | |
CN111933241B (zh) | 医疗数据解析方法、装置、电子设备及存储介质 | |
CN115146179A (zh) | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 | |
CN114743647A (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
CN113688319B (zh) | 医疗产品推荐方法及相关设备 |
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: 20220921 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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |