CN113764061B - 基于多维度数据分析的用药检测方法及相关设备 - Google Patents
基于多维度数据分析的用药检测方法及相关设备 Download PDFInfo
- Publication number
- CN113764061B CN113764061B CN202111056631.1A CN202111056631A CN113764061B CN 113764061 B CN113764061 B CN 113764061B CN 202111056631 A CN202111056631 A CN 202111056631A CN 113764061 B CN113764061 B CN 113764061B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- dimension
- instance
- value
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 98
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 229940079593 drug Drugs 0.000 title claims abstract description 93
- 238000007405 data analysis Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 266
- 238000011282 treatment Methods 0.000 claims abstract description 213
- 239000013598 vector Substances 0.000 claims abstract description 106
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 53
- 238000002372 labelling Methods 0.000 claims description 19
- 238000013139 quantization Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000000034 method Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013507 mapping Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229940124350 antibacterial drug Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Toxicology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能,提供一种基于多维度数据分析的用药检测方法及相关设备。该方法能够根据用药检测请求确定诊疗实例,根据诊疗实例获取多个诊疗维度的维度信息,对维度信息进行向量化处理,得到多个诊疗维度的特征向量,分析多个诊疗维度所属的维度类型,根据维度类型及特征向量生成维度信息的融合量化值,根据融合量化值筛选诊疗实例的多个匹配实例,获取多个匹配实例的就诊反馈数据,根据就诊反馈数据生成多个匹配实例的多个实例属性值,分析多个实例属性值,得到诊疗实例的诊疗属性值,根据诊疗属性值及预设属性阈值确定诊疗实例的检测结果,从而提高用药检测的检测效率及检测准确性。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,尤其涉及一种基于多维度数据分析的用药检测方法及相关设备。
背景技术
目前,部分医疗机构的医师水平参差不齐,主要体现在医师受自己的知识水平和行医经验所限往往会出现不合理的用药情况,例如,抗菌药泛滥、静脉输液泛滥情况等。然而,目前无法准确的实现用药的合理性监管。
发明内容
鉴于以上内容,有必要提供一种基于多维度数据分析的用药检测方法及相关设备,能够提高用药检测的检测效率及检测准确性。
一方面,本发明提出一种基于多维度数据分析的用药检测方法,所述基于多维度数据分析的用药检测方法包括:
当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息;
基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量;
分析所述多个诊疗维度所属的维度类型;
根据所述维度类型及所述特征向量生成所述维度信息的融合量化值;
根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例;
获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值;
分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值;
根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
根据本发明优选实施例,所述诊疗实例包括用户识别码,所述根据所述诊疗实例获取多个诊疗维度的维度信息包括:
从预设医疗平台中获取与所述用户识别码对应的用户密文信息;
从配置库中获取与所述用户识别码对应的私钥;
根据所述私钥对所述用户密文信息进行解密处理,得到所述维度信息。
根据本发明优选实施例,所述分析所述多个诊疗维度所属的维度类型包括:
获取多个训练用户在所述多个诊疗维度上的用户信息,并获取每个训练用户的标注结果;
对所述用户信息进行离散化处理,得到训练信息值;
对于每个诊疗维度,根据所述训练信息值与所述标注结果生成分布曲线;
计算所述分布曲线与预设曲线的相似度;
若所述相似度大于第一预设相似阈值,将该诊疗维度的维度类型确定为正态分布类型;
若所述相似度小于第二预设相似阈值,计算所述训练信息值与所述标注结果的协方差,得到维度特征,所述第一预设相似阈值大于所述第二预设相似阈值;
若所述维度特征大于预设值,将该诊疗维度的维度类型确定为正相关类型;或者
若所述维度特征小于所述预设值,将该诊疗维度的维度类型确定为负相关类型。
根据本发明优选实施例,所述根据所述维度类型及所述特征向量生成所述维度信息的融合量化值包括:
将所述维度类型为所述正相关类型的特征向量确定为第一特征向量,并将所述维度类型为所述负相关类型的特征向量确定为第二特征向量;
将所述维度类型为所述正态分布类型的特征向量确定为第三特征向量,并统计所述特征向量的总量,得到维度数量;
根据下列公式计算所述第一特征向量、所述第二特征向量、所述第三特征向量及所述维度数量,得到所述融合量化值:
根据本发明优选实施例,所述根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例包括:
从预设实例库中获取多个训练实例的融合量化值作为目标量化值;
计算所述融合量化值与所述目标量化值的差值,得到所述诊疗实例与每个训练实例的实例距离;
根据所述实例距离从小至大的顺序,从所述多个训练实例中提取数量为配置值的实例作为所述多个匹配实例。
根据本发明优选实施例,所述就诊反馈数据包括用药品种数量、用药量及好转时间,所述根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值包括:
对于每个匹配实例,根据下列公式基于所述就诊反馈数据计算所述实例属性值:
根据本发明优选实施例,所述分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值包括:
从所述多个实例属性值中筛选取值相等的属性值作为待处理属性值;
合并所述待处理属性值,得到合并属性值及所述合并属性值的合并次数;
将所述合并次数最大的合并属性值确定为所述诊疗属性值。
另一方面,本发明还提出一种基于多维度数据分析的用药检测装置,所述基于多维度数据分析的用药检测装置包括:
获取单元,用于当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息;
处理单元,用于基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量;
分析单元,用于分析所述多个诊疗维度所属的维度类型;
生成单元,用于根据所述维度类型及所述特征向量生成所述维度信息的融合量化值;
筛选单元,用于根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例;
所述生成单元,还用于获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值;
所述分析单元,还用于分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值;
确定单元,用于根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
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基于多维度数据分析的用药检测方法。
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基于多维度数据分析的用药检测方法。
由以上技术方案可以看出,本发明根据所述多个诊疗维度对所述维度信息进行向量化处理,由于不同诊疗维度所对应的表征信息有所不同,因此通过所述多个诊疗维度能够提高所述特征向量的生成准确性,通过所述维度类型的确定,能够根据所述维度信息所在的维度类型准确的对所述维度信息分析,提高所述融合量化值的准确性,进而根据所述融合量化值能够从所述预设实例库中快速获取到所述多个匹配实例,从而提高所述就诊反馈数据的获取效率,以提高所述检测结果的生成效率,通过分析所述就诊反馈数据能够准确的确定出所述诊疗属性值,提高所述检测结果的生成准确性。
附图说明
图1是本发明基于多维度数据分析的用药检测方法的较佳实施例的流程图。
图2是本发明基于多维度数据分析的用药检测装置的较佳实施例的功能模块图。
图3是本发明实现基于多维度数据分析的用药检测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,是本发明基于多维度数据分析的用药检测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。
所述基于多维度数据分析的用药检测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。
所述基于多维度数据分析的用药检测方法应用于智慧医疗,从而推动智慧城市的发展。所述基于多维度数据分析的用药检测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 SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,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,当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息。
在本发明的至少一个实施例中,所述用药检测请求可以在医护人员给患者用户开处方后触发生成,所述用药检测请求也可以由患者用户触发生成。
所述用药检测请求中携带的信息包括,但不限于:所述患者用户及就诊时间等。所述诊疗实例是指与所述患者用户及所述就诊时间对应的就诊案例。
所述维度信息是指所述患者用户在所述多个诊疗维度上的相关信息,其中,所述多个诊疗维度包括病历信息维度,例如,诊疗情况、药品名称、规格、用法用量等;患者信息维度,例如:年龄、身高体重、疾病史、过敏史等;诊断医师信息维度,例如,执业范围、职称、医师资质等。
在本发明的至少一个实施例中,所述电子设备根据所述用药检测请求确定诊疗实例包括:
解析所述用药检测请求的报文,得到所述报文携带的数据信息;
从所述数据信息中获取与预设标签对应的信息作为实例编码;
将所述实例编码所对应的实例确定为所述诊疗实例。
其中,所述数据信息中包括,但不限于:所述实例编码等。
所述预设标签与所述实例编码存在相应的映射关系。所述实例编码用于唯一指示实例。例如,所述预设标签可以是num,所述实例编码可以是213。
通过所述预设标签能够准确的获取到所述实例编码,从而能够提高所述诊疗实例的确定准确性。
在本发明的至少一个实施例中,所述诊疗实例包括用户识别码,所述电子设备根据所述诊疗实例获取多个诊疗维度的维度信息包括:
从预设医疗平台中获取与所述用户识别码对应的用户密文信息;
从配置库中获取与所述用户识别码对应的私钥;
根据所述私钥对所述用户密文信息进行解密处理,得到所述维度信息。
其中,所述预设医疗平台中存储有多个用户的密文信息。所述用户密文信息是指基于公钥对诊疗信息进行加密处理后的信息。
所述配置库中可以是所述电子设备中的数据库。所述配置库中存储有多个用户的私钥。
通过从所述预设医疗平台中筛选所述用户密文信息,能够避免所述私钥对所述预设医疗平台中的多个用户的信息进行处理,提高所述维度信息的获取效率。
S11,基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量。
在本发明的至少一个实施例中,所述特征向量用于对所述维度信息的表征。
在本发明的至少一个实施例中,所述电子设备基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量包括:
获取每个诊疗维度所对应的向量映射表;
根据所述向量映射表对所述维度信息进行映射处理,得到所述特征向量。
其中,所述向量映射表中存储有相应诊疗维度中维度数据与向量的映射关系,例如,所述向量映射表中存储有,医师职称维度:初级职称:(0,1,0,0,0),医师职称维度:中级职称:(0,0,1,0,0)等。
通过所述多个诊疗维度对所述维度信息进行向量化处理,由于不同诊疗维度所对应的表征信息有所不同,因此通过所述多个诊疗维度能够提高所述特征向量的生成准确性,通过对所述维度信息进行向量化处理,有利于所述融合量化值的生成。
S12,分析所述多个诊疗维度所属的维度类型。
在本发明的至少一个实施例中,所述维度类型包括正相关类型、负相关类型及正态分布类型。
在本发明的至少一个实施例中,所述电子设备分析所述多个诊疗维度所属的维度类型包括:
获取多个训练用户在所述多个诊疗维度上的用户信息,并获取每个训练用户的标注结果;
对所述用户信息进行离散化处理,得到训练信息值;
对于每个诊疗维度,根据所述训练信息值与所述标注结果生成分布曲线;
计算所述分布曲线与预设曲线的相似度;
若所述相似度大于第一预设相似阈值,将该诊疗维度的维度类型确定为正态分布类型;
若所述相似度小于第二预设相似阈值,计算所述训练信息值与所述标注结果的协方差,得到维度特征,所述第一预设相似阈值大于所述第二预设相似阈值;
若所述维度特征大于预设值,将该诊疗维度的维度类型确定为正相关类型;或者
若所述维度特征小于所述预设值,将该诊疗维度的维度类型确定为负相关类型。
其中,所述用户信息包括所述训练用户在某次就诊时在所述多个诊疗维度上所对应的信息,所述标注结果包括合理及不合理。一般情况下,不合理用0表征,合理用1表征。
所述训练信息值是指对所述用户信息进行离散化后所得到的离散数据,例如,医师职称,初级,则所述医师职称所对应的训练信息值可以是2。
所述预设曲线设置为正态分布曲线。所述预设值通常设定为0。
通过对所述用户信息进行离散化处理,能够便于所述分布曲线的生成,通过所述相似度分别与所述第一预设相似阈值及所述第二预设相似阈值的比较,能够准确的确定出诊疗维度的维度类型是否为正态分布类型,进而通过所述训练信息值与所述标注结果的协方差,能够准确的确定出正相关类型及负相关类型。
S13,根据所述维度类型及所述特征向量生成所述维度信息的融合量化值。
在本发明的至少一个实施例中,所述融合量化值是指融合所述维度信息后所生成的数据,所述融合量化值能够用于表征所述维度信息。
在本发明的至少一个实施例中,所述电子设备根据所述维度类型及所述特征向量生成所述维度信息的融合量化值包括:
将所述维度类型为所述正相关类型的特征向量确定为第一特征向量,并将所述维度类型为所述负相关类型的特征向量确定为第二特征向量;
将所述维度类型为所述正态分布类型的特征向量确定为第三特征向量,并统计所述特征向量的总量,得到维度数量;
根据下列公式计算所述第一特征向量、所述第二特征向量、所述第三特征向量及所述维度数量,得到所述融合量化值:
通过所述维度类型的确定,能够根据所述维度信息所在的维度类型准确的对所述维度信息分析,提高所述融合量化值的准确性。
S14,根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例。
在本发明的至少一个实施例中,所述预设实例库中存储有多个训练实例、就诊反馈数据及目标量化值的映射关系。
所述多个匹配实例是指与所述融合量化值的实例距离最小的N个训练实例。其中,N可以根据实际需求设定。
在本发明的至少一个实施例中,所述电子设备根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例包括:
从预设实例库中获取多个训练实例的融合量化值作为目标量化值;
计算所述融合量化值与所述目标量化值的差值,得到所述诊疗实例与每个训练实例的实例距离;
根据所述实例距离从小至大的顺序,从所述多个训练实例中提取数量为配置值的实例作为所述多个匹配实例。
其中,所述目标量化值的生成方式与所述融合量化值的生成方式相同,本发明对所述目标量化值的生成方式不再赘述。
所述配置值可以根据实际需求设定。
通过所述融合量化值与所述目标量化值的差值运算,能够快速从所述多个训练实例中筛选出与所述诊疗实例相匹配的多个匹配实例。
S15,获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值。
在本发明的至少一个实施例中,所述就诊反馈数据是指所述多个匹配实例中用户对就诊案例的反馈情况。
所述多个实例属性值用于指示所述多个匹配实例的合理性。
在本发明的至少一个实施例中,所述电子设备可以根据所述多个匹配实例所对应的编码从所述预设医疗平台中的用户反馈模块中获取所述就诊反馈数据。
其中,所述用户反馈模板中包含有多个用户对相应实例的反馈信息。
在本发明的至少一个实施例中,所述就诊反馈数据包括用药品种数量、用药量及好转时间,所述电子设备根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值包括:
对于每个匹配实例,根据下列公式基于所述就诊反馈数据计算所述实例属性值:
其中,所述用药品种数量是指所述就诊反馈数据中所有药品的总量,所述用药量是指每个药品的用药量度,所述诊疗对象是指疾病症状,例如,咳嗽。
通过分析所述就诊反馈数据能够准确的生成所述实例属性值。
S16,分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值。
在本发明的至少一个实施例中,所述诊疗属性值用于指示所述诊疗实例的用药合理程度。
在本发明的至少一个实施例中,所述电子设备分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值包括:
从所述多个实例属性值中筛选取值相等的属性值作为待处理属性值;
合并所述待处理属性值,得到合并属性值及所述合并属性值的合并次数;
将所述合并次数最大的合并属性值确定为所述诊疗属性值。
其中,所述合并次数是指所述多个实例属性值中所述待处理属性值的数量。
通过所述待处理属性值在所述多个实例属性值中的分布情况,能够准确的确定出所述诊疗属性值。
S17,根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
在本发明的至少一个实施例中,所述预设属性阈值是可以根据对用药合理性分析的监管力度确定。
所述检测结果是指所述诊疗实例是否合理的结果,所述检测结果包括:合理及不合理。
需要强调的是,为进一步保证上述检测结果的私密和安全性,上述检测结果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,所述电子设备根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果包括:
将所述诊疗属性值与所述预设属性阈值进行比较;
若所述诊疗属性值大于或者等于所述预设属性阈值,将所述检测结果确定为合理;或者
若所述诊疗属性值小于所述预设属性阈值,将所述检测结果确定为不合理。
通过所述诊疗属性值与所述预审属性阈值的比较,能够快速的确定出所述检测结果。
由以上技术方案可以看出,本发明根据所述多个诊疗维度对所述维度信息进行向量化处理,由于不同诊疗维度所对应的表征信息有所不同,因此通过所述多个诊疗维度能够提高所述特征向量的生成准确性,通过所述维度类型的确定,能够根据所述维度信息所在的维度类型准确的对所述维度信息分析,提高所述融合量化值的准确性,进而根据所述融合量化值能够从所述预设实例库中快速获取到所述多个匹配实例,从而提高所述就诊反馈数据的获取效率,以提高所述检测结果的生成效率,通过分析所述就诊反馈数据能够准确的确定出所述诊疗属性值,提高所述检测结果的生成准确性。
如图2所示,是本发明基于多维度数据分析的用药检测装置的较佳实施例的功能模块图。所述基于多维度数据分析的用药检测装置11包括获取单元110、处理单元111、分析单元112、生成单元113、筛选单元114及确定单元115。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。
当接收到用药检测请求时,获取单元110根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息。
在本发明的至少一个实施例中,所述用药检测请求可以在医护人员给患者用户开处方后触发生成,所述用药检测请求也可以由患者用户触发生成。
所述用药检测请求中携带的信息包括,但不限于:所述患者用户及就诊时间等。所述诊疗实例是指与所述患者用户及所述就诊时间对应的就诊案例。
所述维度信息是指所述患者用户在所述多个诊疗维度上的相关信息,其中,所述多个诊疗维度包括病历信息维度,例如,诊疗情况、药品名称、规格、用法用量等;患者信息维度,例如:年龄、身高体重、疾病史、过敏史等;诊断医师信息维度,例如,执业范围、职称、医师资质等。
在本发明的至少一个实施例中,所述获取单元110根据所述用药检测请求确定诊疗实例包括:
解析所述用药检测请求的报文,得到所述报文携带的数据信息;
从所述数据信息中获取与预设标签对应的信息作为实例编码;
将所述实例编码所对应的实例确定为所述诊疗实例。
其中,所述数据信息中包括,但不限于:所述实例编码等。
所述预设标签与所述实例编码存在相应的映射关系。所述实例编码用于唯一指示实例。例如,所述预设标签可以是num,所述实例编码可以是213。
通过所述预设标签能够准确的获取到所述实例编码,从而能够提高所述诊疗实例的确定准确性。
在本发明的至少一个实施例中,所述诊疗实例包括用户识别码,所述获取单元110根据所述诊疗实例获取多个诊疗维度的维度信息包括:
从预设医疗平台中获取与所述用户识别码对应的用户密文信息;
从配置库中获取与所述用户识别码对应的私钥;
根据所述私钥对所述用户密文信息进行解密处理,得到所述维度信息。
其中,所述预设医疗平台中存储有多个用户的密文信息。所述用户密文信息是指基于公钥对诊疗信息进行加密处理后的信息。
所述配置库中可以是所述电子设备中的数据库。所述配置库中存储有多个用户的私钥。
通过从所述预设医疗平台中筛选所述用户密文信息,能够避免所述私钥对所述预设医疗平台中的多个用户的信息进行处理,提高所述维度信息的获取效率。
处理单元111基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量。
在本发明的至少一个实施例中,所述特征向量用于对所述维度信息的表征。
在本发明的至少一个实施例中,所述处理单元111基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量包括:
获取每个诊疗维度所对应的向量映射表;
根据所述向量映射表对所述维度信息进行映射处理,得到所述特征向量。
其中,所述向量映射表中存储有相应诊疗维度中维度数据与向量的映射关系,例如,所述向量映射表中存储有,医师职称维度:初级职称:(0,1,0,0,0),医师职称维度:中级职称:(0,0,1,0,0)等。
通过所述多个诊疗维度对所述维度信息进行向量化处理,由于不同诊疗维度所对应的表征信息有所不同,因此通过所述多个诊疗维度能够提高所述特征向量的生成准确性,通过对所述维度信息进行向量化处理,有利于所述融合量化值的生成。
分析单元112分析所述多个诊疗维度所属的维度类型。
在本发明的至少一个实施例中,所述维度类型包括正相关类型、负相关类型及正态分布类型。
在本发明的至少一个实施例中,所述分析单元112分析所述多个诊疗维度所属的维度类型包括:
获取多个训练用户在所述多个诊疗维度上的用户信息,并获取每个训练用户的标注结果;
对所述用户信息进行离散化处理,得到训练信息值;
对于每个诊疗维度,根据所述训练信息值与所述标注结果生成分布曲线;
计算所述分布曲线与预设曲线的相似度;
若所述相似度大于第一预设相似阈值,将该诊疗维度的维度类型确定为正态分布类型;
若所述相似度小于第二预设相似阈值,计算所述训练信息值与所述标注结果的协方差,得到维度特征,所述第一预设相似阈值大于所述第二预设相似阈值;
若所述维度特征大于预设值,将该诊疗维度的维度类型确定为正相关类型;或者
若所述维度特征小于所述预设值,将该诊疗维度的维度类型确定为负相关类型。
其中,所述用户信息包括所述训练用户在某次就诊时在所述多个诊疗维度上所对应的信息,所述标注结果包括合理及不合理。一般情况下,不合理用0表征,合理用1表征。
所述训练信息值是指对所述用户信息进行离散化后所得到的离散数据,例如,医师职称,初级,则所述医师职称所对应的训练信息值可以是2。
所述预设曲线设置为正态分布曲线。所述预设值通常设定为0。
通过对所述用户信息进行离散化处理,能够便于所述分布曲线的生成,通过所述相似度分别与所述第一预设相似阈值及所述第二预设相似阈值的比较,能够准确的确定出诊疗维度的维度类型是否为正态分布类型,进而通过所述训练信息值与所述标注结果的协方差,能够准确的确定出正相关类型及负相关类型。
生成单元113根据所述维度类型及所述特征向量生成所述维度信息的融合量化值。
在本发明的至少一个实施例中,所述融合量化值是指融合所述维度信息后所生成的数据,所述融合量化值能够用于表征所述维度信息。
在本发明的至少一个实施例中,所述生成单元113根据所述维度类型及所述特征向量生成所述维度信息的融合量化值包括:
将所述维度类型为所述正相关类型的特征向量确定为第一特征向量,并将所述维度类型为所述负相关类型的特征向量确定为第二特征向量;
将所述维度类型为所述正态分布类型的特征向量确定为第三特征向量,并统计所述特征向量的总量,得到维度数量;
根据下列公式计算所述第一特征向量、所述第二特征向量、所述第三特征向量及所述维度数量,得到所述融合量化值:
通过所述维度类型的确定,能够根据所述维度信息所在的维度类型准确的对所述维度信息分析,提高所述融合量化值的准确性。
筛选单元114根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例。
在本发明的至少一个实施例中,所述预设实例库中存储有多个训练实例、就诊反馈数据及目标量化值的映射关系。
所述多个匹配实例是指与所述融合量化值的实例距离最小的N个训练实例。其中,N可以根据实际需求设定。
在本发明的至少一个实施例中,所述筛选单元114根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例包括:
从预设实例库中获取多个训练实例的融合量化值作为目标量化值;
计算所述融合量化值与所述目标量化值的差值,得到所述诊疗实例与每个训练实例的实例距离;
根据所述实例距离从小至大的顺序,从所述多个训练实例中提取数量为配置值的实例作为所述多个匹配实例。
其中,所述目标量化值的生成方式与所述融合量化值的生成方式相同,本发明对所述目标量化值的生成方式不再赘述。
所述配置值可以根据实际需求设定。
通过所述融合量化值与所述目标量化值的差值运算,能够快速从所述多个训练实例中筛选出与所述诊疗实例相匹配的多个匹配实例。
所述生成单元113获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值。
在本发明的至少一个实施例中,所述就诊反馈数据是指所述多个匹配实例中用户对就诊案例的反馈情况。
所述多个实例属性值用于指示所述多个匹配实例的合理性。
在本发明的至少一个实施例中,所述生成单元113可以根据所述多个匹配实例所对应的编码从所述预设医疗平台中的用户反馈模块中获取所述就诊反馈数据。
其中,所述用户反馈模板中包含有多个用户对相应实例的反馈信息。
在本发明的至少一个实施例中,所述就诊反馈数据包括用药品种数量、用药量及好转时间,所述生成单元113根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值包括:
对于每个匹配实例,根据下列公式基于所述就诊反馈数据计算所述实例属性值:
其中,所述用药品种数量是指所述就诊反馈数据中所有药品的总量,所述用药量是指每个药品的用药量度,所述诊疗对象是指疾病症状,例如,咳嗽。
通过分析所述就诊反馈数据能够准确的生成所述实例属性值。
所述分析单元112分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值。
在本发明的至少一个实施例中,所述诊疗属性值用于指示所述诊疗实例的用药合理程度。
在本发明的至少一个实施例中,所述分析单元112分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值包括:
从所述多个实例属性值中筛选取值相等的属性值作为待处理属性值;
合并所述待处理属性值,得到合并属性值及所述合并属性值的合并次数;
将所述合并次数最大的合并属性值确定为所述诊疗属性值。
其中,所述合并次数是指所述多个实例属性值中所述待处理属性值的数量。
通过所述待处理属性值在所述多个实例属性值中的分布情况,能够准确的确定出所述诊疗属性值。
确定单元115根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
在本发明的至少一个实施例中,所述预设属性阈值是可以根据对用药合理性分析的监管力度确定。
所述检测结果是指所述诊疗实例是否合理的结果,所述检测结果包括:合理及不合理。
需要强调的是,为进一步保证上述检测结果的私密和安全性,上述检测结果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,所述确定单元115根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果包括:
将所述诊疗属性值与所述预设属性阈值进行比较;
若所述诊疗属性值大于或者等于所述预设属性阈值,将所述检测结果确定为合理;或者
若所述诊疗属性值小于所述预设属性阈值,将所述检测结果确定为不合理。
通过所述诊疗属性值与所述预审属性阈值的比较,能够快速的确定出所述检测结果。
由以上技术方案可以看出,本发明根据所述多个诊疗维度对所述维度信息进行向量化处理,由于不同诊疗维度所对应的表征信息有所不同,因此通过所述多个诊疗维度能够提高所述特征向量的生成准确性,通过所述维度类型的确定,能够根据所述维度信息所在的维度类型准确的对所述维度信息分析,提高所述融合量化值的准确性,进而根据所述融合量化值能够从所述预设实例库中快速获取到所述多个匹配实例,从而提高所述就诊反馈数据的获取效率,以提高所述检测结果的生成效率,通过分析所述就诊反馈数据能够准确的确定出所述诊疗属性值,提高所述检测结果的生成准确性。
如图3所示,是本发明实现基于多维度数据分析的用药检测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,例如基于多维度数据分析的用药检测程序。
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、处理单元111、分析单元112、生成单元113、筛选单元114及确定单元115。
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基于多维度数据分析的用药检测方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息;
基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量;
分析所述多个诊疗维度所属的维度类型;
根据所述维度类型及所述特征向量生成所述维度信息的融合量化值;
根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例;
获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值;
分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值;
根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
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:
当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息;
基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量;
分析所述多个诊疗维度所属的维度类型;
根据所述维度类型及所述特征向量生成所述维度信息的融合量化值;
根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例;
获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值;
分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值;
根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
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 (8)
1.一种基于多维度数据分析的用药检测方法,其特征在于,所述基于多维度数据分析的用药检测方法包括:
当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息;
基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量;
分析所述多个诊疗维度所属的维度类型,包括:获取多个训练用户在所述多个诊疗维度上的用户信息,并获取每个训练用户的标注结果;对所述用户信息进行离散化处理,得到训练信息值;对于每个诊疗维度,根据所述训练信息值与所述标注结果生成分布曲线;计算所述分布曲线与预设曲线的相似度;若所述相似度大于第一预设相似阈值,将该诊疗维度的维度类型确定为正态分布类型;若所述相似度小于第二预设相似阈值,计算所述训练信息值与所述标注结果的协方差,得到维度特征,所述第一预设相似阈值大于所述第二预设相似阈值;若所述维度特征大于预设值,将该诊疗维度的维度类型确定为正相关类型;或者若所述维度特征小于所述预设值,将该诊疗维度的维度类型确定为负相关类型;
根据所述维度类型及所述特征向量生成所述维度信息的融合量化值,包括:将所述维度类型为所述正相关类型的特征向量确定为第一特征向量,并将所述维度类型为所述负相关类型的特征向量确定为第二特征向量;将所述维度类型为所述正态分布类型的特征向量确定为第三特征向量,并统计所述特征向量的总量,得到维度数量;根据下列公式计算所述第一特征向量、所述第二特征向量、所述第三特征向量及所述维度数量,得到所述融合量化值:;其中,/>是指所述融合量化值,/>分别是指所述第一特征向量,/>是指所述维度数量,/>分别是指所述第二特征向量,/>,分别是指所述第三特征向量;
根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例;
获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值;
分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值;
根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
2.如权利要求1所述的基于多维度数据分析的用药检测方法,其特征在于,所述诊疗实例包括用户识别码,所述根据所述诊疗实例获取多个诊疗维度的维度信息包括:
从预设医疗平台中获取与所述用户识别码对应的用户密文信息;
从配置库中获取与所述用户识别码对应的私钥;
根据所述私钥对所述用户密文信息进行解密处理,得到所述维度信息。
3.如权利要求1所述的基于多维度数据分析的用药检测方法,其特征在于,所述根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例包括:
从预设实例库中获取多个训练实例的融合量化值作为目标量化值;
计算所述融合量化值与所述目标量化值的差值,得到所述诊疗实例与每个训练实例的实例距离;
根据所述实例距离从小至大的顺序,从所述多个训练实例中提取数量为配置值的实例作为所述多个匹配实例。
5.如权利要求1所述的基于多维度数据分析的用药检测方法,其特征在于,所述分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值包括:
从所述多个实例属性值中筛选取值相等的属性值作为待处理属性值;
合并所述待处理属性值,得到合并属性值及所述合并属性值的合并次数;
将所述合并次数最大的合并属性值确定为所述诊疗属性值。
6.一种基于多维度数据分析的用药检测装置,其特征在于,所述基于多维度数据分析的用药检测装置包括:
获取单元,用于当接收到用药检测请求时,根据所述用药检测请求确定诊疗实例,并根据所述诊疗实例获取多个诊疗维度的维度信息;
处理单元,用于基于所述多个诊疗维度对所述维度信息进行向量化处理,得到所述多个诊疗维度的特征向量;
分析单元,用于分析所述多个诊疗维度所属的维度类型,包括:获取多个训练用户在所述多个诊疗维度上的用户信息,并获取每个训练用户的标注结果;对所述用户信息进行离散化处理,得到训练信息值;对于每个诊疗维度,根据所述训练信息值与所述标注结果生成分布曲线;计算所述分布曲线与预设曲线的相似度;若所述相似度大于第一预设相似阈值,将该诊疗维度的维度类型确定为正态分布类型;若所述相似度小于第二预设相似阈值,计算所述训练信息值与所述标注结果的协方差,得到维度特征,所述第一预设相似阈值大于所述第二预设相似阈值;若所述维度特征大于预设值,将该诊疗维度的维度类型确定为正相关类型;或者若所述维度特征小于所述预设值,将该诊疗维度的维度类型确定为负相关类型;
生成单元,用于根据所述维度类型及所述特征向量生成所述维度信息的融合量化值,包括:将所述维度类型为所述正相关类型的特征向量确定为第一特征向量,并将所述维度类型为所述负相关类型的特征向量确定为第二特征向量;将所述维度类型为所述正态分布类型的特征向量确定为第三特征向量,并统计所述特征向量的总量,得到维度数量;根据下列公式计算所述第一特征向量、所述第二特征向量、所述第三特征向量及所述维度数量,得到所述融合量化值:;其中,/>是指所述融合量化值,/>分别是指所述第一特征向量,/>是指所述维度数量,/>分别是指所述第二特征向量,/>,/>分别是指所述第三特征向量;/>
筛选单元,用于根据所述融合量化值从预设实例库中筛选所述诊疗实例的多个匹配实例;
所述生成单元,还用于获取所述多个匹配实例的就诊反馈数据,并根据所述就诊反馈数据生成所述多个匹配实例的多个实例属性值;
所述分析单元,还用于分析所述多个实例属性值,得到所述诊疗实例的诊疗属性值;
确定单元,用于根据所述诊疗属性值及预设属性阈值确定所述诊疗实例的检测结果。
7. 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5中任意一项所述的基于多维度数据分析的用药检测方法。
8.一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5中任意一项所述的基于多维度数据分析的用药检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111056631.1A CN113764061B (zh) | 2021-09-09 | 2021-09-09 | 基于多维度数据分析的用药检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111056631.1A CN113764061B (zh) | 2021-09-09 | 2021-09-09 | 基于多维度数据分析的用药检测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113764061A CN113764061A (zh) | 2021-12-07 |
CN113764061B true CN113764061B (zh) | 2023-06-02 |
Family
ID=78794346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111056631.1A Active CN113764061B (zh) | 2021-09-09 | 2021-09-09 | 基于多维度数据分析的用药检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113764061B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104487972A (zh) * | 2014-09-29 | 2015-04-01 | 曹庆恒 | 一种多维度用药信息处理方法、系统和设备 |
WO2019166006A1 (zh) * | 2018-03-02 | 2019-09-06 | 华为技术有限公司 | 图像识别方法、图像呈现时间的调整方法及设备 |
CN111783903A (zh) * | 2020-08-05 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 文本处理方法、文本模型的处理方法及装置、计算机设备 |
-
2021
- 2021-09-09 CN CN202111056631.1A patent/CN113764061B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104487972A (zh) * | 2014-09-29 | 2015-04-01 | 曹庆恒 | 一种多维度用药信息处理方法、系统和设备 |
WO2019166006A1 (zh) * | 2018-03-02 | 2019-09-06 | 华为技术有限公司 | 图像识别方法、图像呈现时间的调整方法及设备 |
CN111783903A (zh) * | 2020-08-05 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 文本处理方法、文本模型的处理方法及装置、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113764061A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105115A1 (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN111985241B (zh) | 医学信息查询方法、装置、电子设备及介质 | |
CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
CN113707253B (zh) | 医疗方案推荐方法、装置、设备及介质 | |
CN112214588B (zh) | 多意图识别方法、装置、电子设备及存储介质 | |
US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
Ahmed et al. | Query expansion based on top-ranked images for content-based medical image retrieval | |
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 | |
CN112199494B (zh) | 医疗信息搜索方法、装置、电子设备及存储介质 | |
CN113656601A (zh) | 医患匹配方法、装置、设备及存储介质 | |
CN113065947A (zh) | 数据处理方法、装置、设备及存储介质 | |
Markatou et al. | Case-based reasoning in comparative effectiveness research | |
CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
CN113764061B (zh) | 基于多维度数据分析的用药检测方法及相关设备 | |
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 | |
CN114238296A (zh) | 产品指标数据展示方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN116150185A (zh) | 基于人工智能的数据标准提取方法、装置、设备及介质 | |
CN111933241B (zh) | 医疗数据解析方法、装置、电子设备及存储介质 | |
Mathur et al. | A review on blockchain for DNA sequence: security issues, application in DNA classification, challenges and future trends | |
CN113688119B (zh) | 基于人工智能的医疗数据库构建方法及相关设备 |
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: 20220928 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 |