CN113782132B - 标签信息的动态更新方法、装置及介质 - Google Patents

标签信息的动态更新方法、装置及介质 Download PDF

Info

Publication number
CN113782132B
CN113782132B CN202111014839.7A CN202111014839A CN113782132B CN 113782132 B CN113782132 B CN 113782132B CN 202111014839 A CN202111014839 A CN 202111014839A CN 113782132 B CN113782132 B CN 113782132B
Authority
CN
China
Prior art keywords
target user
user
target
information
tag
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
Application number
CN202111014839.7A
Other languages
English (en)
Other versions
CN113782132A (zh
Inventor
帅丽丽
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
Shenzhen Ping An Smart Healthcare 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 Shenzhen Ping An Smart Healthcare Technology Co ltd filed Critical Shenzhen Ping An Smart Healthcare Technology Co ltd
Priority to CN202111014839.7A priority Critical patent/CN113782132B/zh
Publication of CN113782132A publication Critical patent/CN113782132A/zh
Application granted granted Critical
Publication of CN113782132B publication Critical patent/CN113782132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例涉及数字医疗技术领域和人工智能技术领域，公开了一种标签信息的动态更新方法、装置及介质。该方法包括：在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据；对医疗行为数据进行特征提取，得到目标用户的多个用户特征；确定多个用户特征中每个用户特征所属的目标标签位；将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。采用本申请实施例能够实现对标签信息的及时动态更新。

Description

标签信息的动态更新方法、装置及介质
技术领域
本申请涉及数字医疗技术领域，尤其涉及一种标签信息的动态更新方法、装置及介质。
背景技术
随着大数据及其相关技术的发展与创新，基于大数据技术的个性化推荐成为了一个重要应用方向。而用户画像是建立在大数据个性化推荐基础之上的用户模型，是产品改进、精准营销等业务场景中不可或缺的重要基础。当前构建用户画像的过程大多是：基于数据仓库，并依据不同模型的需求按照预设的频率周期给不同的用户群标注上各种维度的标签，最后利用标签进行定性或定量的分析。然而，由于标签是按照预设的频率周期来进行标注更新的，导致标签信息的更新往往会出现一定程度的滞后，无法满足医疗等对于信息的及时性要求较高的领域的要求，因此，如何实现标签信息的及时动态更新是一个亟需解决的技术问题。
发明内容
本申请实施例提供了一种标签信息的动态更新方法、装置及存储介质，可实现标签信息的及时动态更新。
一方面，本申请实施例提供一种标签信息的动态更新方法，该方法包括：
在检测到目标用户的医疗行为事件时，获取所述目标用户的医疗行为数据；
对所述医疗行为数据进行特征提取，得到所述目标用户的多个用户特征；
确定所述多个用户特征中每个用户特征所属的目标标签位；
将所述目标用户的标签信息中所述目标标签位的标签值更新为所述每个用户特征，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息。
在一个实施例中，还包括：基于所述多个用户特征中每个用户特征所属的目标标签位，以及所述多个用户特征，确定目标疾病预测模型；
通过所述目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到所述目标用户的疾病预测结果，所述疾病预测结果用于指示所述目标用户所患的疾病。
在一个实施例中，目标用户的更新后的标签信息包括所述目标用户的用户信息，所述方法还包括：基于所述目标用户的用户信息，以及所述目标用户的疾病预测结果，确定所述目标用户针对所述疾病预测结果指示的疾病的医疗服务；生成用于描述所述医疗服务的描述信息，并输出所述描述信息。
在一个实施例中，还包括：在检测到所述目标用户基于所述描述信息产生的疾病诊断事件时，获取所述目标用户的疾病诊断结果；
根据所述疾病诊断结果和所述疾病预测结果，对所述目标疾病预测模型进行优化，得到优化后的目标疾病预测模型。
在一个实施例中，输出描述信息的过程包括：根据所述疾病预测结果和所述医疗服务，确定所述描述信息的输出时间；在到达所述输出时间时输出所述描述信息。
在一个实施例中，还包括：将所述医疗行为数据以及所述目标用户的更新后的标签信息上传至大数据平台，以使推送设备通过所述大数据平台获取所述医疗行为数据以及所述目标用户的更新后的标签信息，所述推送设备基于所述医疗行为数据以及所述目标用户的更新后的标签信息，确定与所述目标用户匹配的推送内容，所述推送设备向所述目标用户推送所述推送内容。
在一个实施例中，还包括：将所述医疗行为数据以及所述目标用户的更新后的标签信息发布至区块链网络，以使所述区块链网络中的推送设备通过所述区块链网络获取所述医疗行为数据以及所述目标用户的更新后的标签信息，所述推送设备基于所述医疗行为数据以及所述目标用户的更新后的标签信息，确定与所述目标用户匹配的推送内容，所述推送设备向所述目标用户推送所述推送内容。
在一个实施例中，确定所述多个用户特征中每个用户特征所属的目标标签位之后，还包括：若所述目标用户的标签信息中不存在所述目标标签位，则在所述目标用户的标签信息中增加所述目标标签位，并将所述每个用户特征确定为所述目标标签位的标签值，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息。
另一方面，本申请实施例提供了一种标签信息的动态更新装置，该标签信息的动态更新装置包括：
获取单元，在检测到目标用户的医疗行为事件时，获取所述目标用户的医疗行为数据；
处理单元，用于对所述医疗行为数据进行特征提取，得到所述目标用户的多个用户特征；
处理单元，还用于确定所述多个用户特征中每个用户特征所属的目标标签位；
处理单元，还用于将所述目标用户的标签信息中所述目标标签位的标签值更新为所述每个用户特征，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息。
再一方面，本申请实施例提供一种电子设备，包括处理器、存储装置和通信接口，处理器、存储装置和通信接口相互连接，其中，存储装置用于存储支持终端执行上述方法的计算机程序，计算机程序包括程序指令，处理器被配置用于调用程序指令，执行如下步骤：在检测到目标用户的医疗行为事件时，获取所述目标用户的医疗行为数据；对所述医疗行为数据进行特征提取，得到所述目标用户的多个用户特征；确定所述多个用户特征中每个用户特征所属的目标标签位；将所述目标用户的标签信息中所述目标标签位的标签值更新为所述每个用户特征，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息。
又一方面，本申请实施例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，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行上述数据处理方法。
本申请实施例中，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据；然后对医疗行为数据进行特征提取，得到目标用户的多个用户特征，并确定多个用户特征中每个用户特征所属的目标标签位；最后将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。通过当检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据并进行特征提取，最后将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，可以实现对标签信息的及时动态更新。
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第一种标签信息的动态更新方法的流程示意图；
图2a是本申请实施例提供的一种标签信息链的示意图；
图2b是本申请实施例提供的图2a中的标签信息链更新后的示意图；
图3是本申请实施例提供的第二种标签信息的动态更新方法的流程示意图；
图4是本申请实施例提供的一种确定目标预测模型的示意图；
图5是本申请实施例提供的一种得到疾病预测结果的过程的示意图；
图6是本申请实施例提供的第三种标签信息的动态更新方法的流程示意图；
图7a是本申请实施例提供的另一种标签信息链的示意图；
图7b是本申请实施例提供的图7a中标签信息链更新后的示意图；
图8是本申请实施例提供的一种标签信息的动态更新装置的结构示意图；
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
随着大数据及其相关技术的发展和创新，基于大数据技术的个性化推荐成为了大数据技术的重要应用方向之一，相比传统的线下会员管理、问卷调查和购物车分析等方式，大数据使得企业能够通过互联网便利地获取用户更为广泛的反馈信息，为进一步精准、快速地分析用户行为习惯、消费习惯等重要商业信息，提供了足够的数据基础。而用户画像是建立在数据基础之上的用户模型，是产品改进、精准营销等业务场景中不可或缺的重要基础。当前构建用户画像的过程大多是基于数据仓库依据不同的模型需求，按照预设的频度周期给不同的用户群标注上各种维度的标签，并基于标签进行定性或定量分析，从而得到用户画像。由于目前标注标签的频率周期较长，因此导致对应的标签信息有一定的滞后，无法实现及时动态更新。同时，医疗等领域对于标签信息的及时性要求较高，基于及时动态更新的标签信息，才能实现建设灵活、全面、高效的标签体系，从而做到基于标签体系构建精准的疾病预测模型。此外，由于目前标注标签的方法都是针对新的数据进行重新标注，因此，标签的复用性、时效性及延展性也会受到一定程度上的限制。
基于此，本申请实施例提供一种标签信息的动态更新方法，该标签信息的动态更新方法，第一方面，可以通过检测目标用户的医疗行为事件来获取目标用户的医疗行为数据的变化情况，从而方便后续目标用户的标签信息的及时动态更新；第二方面，还可以基于及时动态更新的标签信息，可以更准确地确定目标用户的目标疾病测模型，从而得到更准确的疾病预测结果；第三方面，还可以基于及时动态更新的标签信息和更准确的疾病预测结果，实现对疾病预测模型的进一步优化，从而构建更精准的疾病预测模型。
需要说明的是，本申请实施例以医疗相关场景为例介绍本申请实施例提及的标签信息的动态更新方案，并不会对本申请实施例起到限定作用，本申请实施例提及的标签信息的动态更新方案还可以运用于对标签信息的动态和及时更新有较高要求的场景，本申请实施例对此不作限定。
请参见图1，图1是本申请实施例提供的一种标签信息的动态更新方法的流程示意图；如图1所示的标签信息的动态更新方案可由电子设备来执行，该方案包括但不限于步骤S101～步骤S104，其中：
S101，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据。
在本申请实施例中，所述医疗行为事件用于表示以治疗、矫正或预防人体疾病、伤害、残缺或保健为目的的诊察及治疗所产生的行为事件，以及基于诊察、诊断结果而以治疗为目的所为之的行为事件。示例性地，治疗高血压时，需要测量病患的血压，“测量血压”就可以作为一个医疗行为事件；治疗高血压时，医生给病患开了A牌降压药，那么“服用A牌降压药”就可以作为一个医疗行为事件。其中，医疗行为的执行主体可以是医生、护理人员、药剂人员等专业医务人员，还可以是用户本人，或者其他能够向目标用户实施医疗行为的人或物，在此不限定。
在本申请实施例中，所述目标用户的医疗行为数据用于表示所述目标用户所产生过的部分或者所有医疗行为事件。具体来说，可以是只获取与检测到的目标用户的医疗行为事件相关的医疗行为数据，还可以是获取所有与目标用户相关的医疗行为数据。示例性地，在检测到目标用户的医疗行为事件时，获取所述目标用户的医疗行为数据指的是，假如检测到目标用户1在医院测量血压，那么“测量血压”作为被检测到的医疗行为事件，此时可以获取目标用户A关于“测量血压”这一医疗行为事件相关的医疗行为数据，如目标用户A的收缩压为143mmHg，舒张压为100mmHg；也可以获取目标用户A所有的医疗行为数据，如目标用户A的医疗行为数据包括测量血压，其中收缩压为143mmHg，舒张压为100mmHg；做过尿液分析，尿蛋白为0.8g/天。通过对目标用户的医疗行为事件的检测，来及时获取目标用户的医疗行为数据的变化情况，从而方便后续做到对标签信息的及时动态更新。优选地，医疗行为数据还可以是个人健康档案、处方和检查报告等，在此不限定。
在一种可能的实现方式中，所述检测目标用户的医疗行为事件的检测方式可以包括以下至少一种：预设传感器检测、终端设备数据检测、医疗系统数据检测。其中，预设传感器检测可以是利用加速度传感器、陀螺仪以及心率传感器等传感器对目标用户进行综合检测。例如，当用户A在户外运动时，如果含有心率传感器的运动手表检测到用户A的心率过高，那么心率过高时的心率值就可以作为用户A的医疗行为事件之一。终端设备数据检测可以是通过对手机、电脑等终端设备的内容数据进行抓取，检测医疗行为事件。例如，用户通过手机在网上挂号，并通过网上问诊得到自己的肠胃不舒服的初步诊断结果为胃酸过多，此时网上挂号和网上问诊都可以作为医疗行为事件。医疗系统数据检测指的是对目标用户在医疗系统里的就诊数据进行检测。例如，当用户来到医院药房取第二个疗程的药，那么用户在医疗系统里的取药次数以及已用药量就会发生变化，那么就可以从中检测到“取第二个疗程的药”这一医疗行为事件。
S102，对医疗行为数据进行特征提取，得到目标用户的多个用户特征。
在本申请实施例中，所述特征提取就是从医疗行为数据中提取出目标用户的用户特征。示例性地，目标用户1的医疗数据为：20岁的女性张某，曾测量过血压，其中收缩压为100mmHg，舒张压为70mmHg；做过尿液分析，尿蛋白为0.8g/天，被认定为血压正常；目标用户2的医疗数据为：35岁的男性王某，照过腰部CT和测量过血压，腰4椎节突出，腰3神经收到压迫，收缩压为143mmHg，舒张压为100mmHg，被认定为高血压和腰椎间盘突出。
其中上述目标用户1和目标用户2的用户特征可以如下所示：
1)目标用户1(张某、20、女)：血压正常、收缩压100mmHg，舒张压70mmHg、尿蛋白0.8g/天；
2)目标用户2(王某、35、男)：腰椎间盘突出、腰4椎节突出、腰3神经收到压迫、1级高血压病、血压收缩压143mmHg、舒张压100mmHg。
在本申请实施例中，所述特征提取的方式可以是通过提取关键字或相似关键字的方式进行特征提取，也可以是利用机器学习的相关算法对医疗行为数据进行特征分类或提取。举例来说，目标用户A的医疗行为数据包括：测量过血压，其中收缩压为100mmHg，舒张压为70mmHg；做过尿液分析，尿蛋白为0.8g/天，被认定为血压正常。那么，可以通过提取关键字的方式对目标用户A的医疗行为数据进行特征提取，得到“收缩压100mmHg”、“舒张压70mmHg”、“尿蛋白0.8g/天”和“血压正常”等用户特征。优选地，还可以是特征提取的方式还可以是其他方式，在此不限定。
S103，确定多个用户特征中每个用户特征所属的目标标签位。
在本申请实施例中，标签位用于描述所述用户特征，目标标签位指的是具体某个用户特征所属的标签位。示例性地，目标用户1的医疗数据为：20岁的女性张某，曾测量过血压，其中收缩压为100mmHg，舒张压为70mmHg；做过尿液分析，尿蛋白为0.8g/天，被认定为血压正常；目标用户2的医疗数据为：35岁的男性王某，照过腰部CT和测量过血压，腰4椎节突出，腰3神经收到压迫，收缩压为143mmHg，舒张压为100mmHg，被认定为高血压和腰椎间盘突出。那么，上述目标用户1和目标用户2的标签位可以如下所示：
1)目标用户1(张某、20、女)：高血压病认定结果、收缩压，舒张压、尿蛋白；
2)目标用户2(王某、35、男)：腰椎疾病认定结果、腰椎突出情况、腰神经压迫情况、高血压病认定结果、收缩压、舒张压。
在本申请实施例中，所述确定每个用户特征所属的目标标签位的方式可以是比较用户特征与标签位的相似度进行确定，也可以是利用训练好的机器学习模型对用户特征进行分类，从而确定用户特征所属的标签位。示例性地，目标用户1的收缩压为100mmHg，舒张压为70mmHg，被认定为血压正常，然后通过比较目标用户1的用户特征“收缩压100mmHg”、“舒张压70mmHg”和“血压正常”与目标用户1的标签位“收缩压”、“舒张压”、“尿蛋白”和“高血压病认定结果”的相似度可以得到“收缩压100mmHg”与“收缩压”的相似度最大，“舒张压70mmHg”与“舒张压”的相似度最大，“血压正常”与“高血压病认定结果”的相似度最大，从而完成确定每个用户特征的标签位。此外，确定每个用户特征所属的目标标签位的方式还可以是其他方式，在此不作限定。
S104，将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
在本申请实施例中，目标用户的标签信息中包括标签位和该标签位对应的标签值。其中，标签值可以是具体的数值，该数值可以用如二进制、八进制、十进制等各种记数系统来呈现；标签值也可以是其他能够指向标签位对应信息的标识，在此不作限定。示例性地，请参见附图2a，图中为目标用户1的标签信息所汇集形成的标签信息链，标签值采用十进制的记数系统来呈现，其中A、B、C、D分别表示目标用户1的标签位“高血压病认定结果”、“收缩压”、“舒张压”和“尿蛋白”，其中，0为血压正常，1为1级高血压病，2为2级高血压病，目标用户1被认定血压正常，所以标签位A的标签值为0；目标用户1的收缩压为100mmHg，舒张压为70mmHg，以及尿蛋白为0.8g/天，所以标签位B的标签值为100，标签位C的标签值为70，标签位D的标签值为0.8。
在本申请实施例中，所述对目标用户的标签信息进行更新可以是根据检测到目标用户的医疗行为事件所获取到的医疗行为数据的变化情况，对所述目标用户的标签信息进行更新。示例性地，目标用户1过了一段时间后，再次去医院测量了血压，测量得到收缩压为110mmHg，舒张压为78mmHg，依然被认定为血压正常，此时，将目标用户1的标签信息中目标标签位的标签值进行更新，以做到对目标用户1的标签信息的更新，得到目标用户1的更新后的标签信息如图2b所示，其中A、B、C、D分别表示目标用户1的标签位“高血压病认定结果”、“收缩压”、“舒张压”和“尿蛋白”，对比图2a可知，因为检测到目标用户1再次测量了血压，产生了新的收缩压和舒张压这一医疗行为事件，相应地将标签位B和标签位C的标签值分别更新为110和78，从而做到对目标用户1的标签信息的更新。
本申请实施例中，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据，并对医疗行为数据进行特征提取，得到目标用户的多个用户特征；然后确定多个用户特征中每个用户特征所属的目标标签位，最后将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。本申请实施例通过检测目标用户的医疗行为事件来辅助了解目标用户的医疗行为数据的变化情况，然后通过提取目标用户的医疗行为数据的用户特征，并确定每个用户特征所属的目标标签位，来对目标用户的标签信息进行更新，从而做到能够敏锐感知数据变化，实现标签信息的及时动态更新。此外，通过针对每个用户建立相应的标签信息并更新，可以实现标签信息的多次使用，提高了标签的复用性。
请参见图3，图3是本申请实施例提供的另一种标签信息的动态更新方法的流程示意图；该标签信息的动态更新方案可由电子设备来执行，该方案可包括但不限于步骤S301～步骤S308，其中：
S301，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据。
S302，对医疗行为数据进行特征提取，得到目标用户的多个用户特征。
S303，确定多个用户特征中每个用户特征所属的目标标签位。
S304，将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
需要说明的是，步骤S301-步骤S304的具体实施过程可参见图1所示实施例中步骤S101-步骤S104所示的具体实施过程的相关描述，在此不做赘述。
S305，基于多个用户特征中每个用户特征所属的目标标签位，以及多个用户特征，确定目标疾病预测模型。
本申请实施例中，可以基于人工智能技术中的机器学习等方式对医疗行为数据进行获取和处理。从而得到疾病预测模型。具体来说，可以预先对多个用户的医疗行为数据提取用户特征，确定用户特征所对应的标签(即标签位)，然后将医疗行为数据、标签以及用户患病情况的数据作为训练样本，然后利用该训练样本分别对多个初始化机器学习模型进行训练，得到不同疾病的疾病预测模型。还可以是预先根据医学经验，确定哪些疾病与哪些用户特征相关，确定用户特征所对应的标签(即标签位)，然后将多个用户的医疗行为数据、多个用户患某种疾病情况的数据、该疾病相关的标签作为训练样本，然后利用该训练样本对初始化机器学习模型进行训练，得到该疾病的疾病预测模型。其中，训练样本对初始化机器学习模型进行训练的训练过程为本领域技术人员所惯用的技术手段，在此不赘述。优选地，还可以是其他方式得到疾病预测模型，在此不限定。
本申请实施例中，所述基于多个用户特征中每个用户特征所属的目标标签位，以及多个用户特征，确定目标疾病预测模型的方式可以为：预先根据医学经验，明确哪些疾病可能由哪些因素引起，可能与哪些因素的变化有关，等等，也就是明确哪些疾病与哪些用户特征有关，根据疾病与用户特征的关系，用户特征与标签位的关系，可以建立疾病预测模型与标签位的对应关系；然后确定每个目标标签位对应的疾病预测模型，一个目标标签位可能对应一个或多个疾病预测模型，当确定完成所有目标标签位对应的疾病预测模型后，将对应的目标标签位最多的疾病预测模型，确定为目标疾病预测模型。优选地，确定目标疾病预测模型的方式还可以是其他方式，在此不限定。
举例来说，请参见附图4，图中为目标用户2的标签信息所汇集形成的标签信息链，标签值采用十进制的记数系统来呈现，其中B、C、D、E、F分别表示目标用户2的标签位“收缩压”、“舒张压”、“尿蛋白”、“肾功能检查”和“肝脏功能检查”，目标用户2此次来医院测量了血压、做了肾功能检查和肝脏功能检查，并分别更新了对应的标签位B、标签位C、标签位E和标签位F的标签值，其中，标签位E中的标签值“1”表示肾功能轻微损害，标签位F的标签值“0”表示肝脏功能正常；因此，此次目标用户2的目标标签位为B、C、E、F，其中，标签位B和标签位C与高血压病、心脏病、糖尿病等疾病的疾病预测模型相关，标签位E与高血压病、肾炎、糖尿病等疾病的疾病预测模型相关，标签F与高血压病、感染性疾病、免疫性疾病等疾病的疾病预测模型相关；可见，高血压病与所有目标标签位都相关，因此，如图4所示，确定高血压病预测模型为目标疾病预测模型。优选地，目标疾病预测模型还可以是多个，比如可以人为或系统设定一个相关性阈值，将超过该相关性阈值的疾病预测模型都确定为目标疾病预测模型。示例性地，上述标签位B、C、E均与糖尿病预测模型有关，因此可以将糖尿病预测模型作为目标疾病预测模型之一。
S306，通过目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到目标用户的疾病预测结果，疾病预测结果用于指示目标用户所患的疾病。
具体来说，通过目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到目标用户的疾病预测结果的方式可以为：确定与目标疾病预测模型相关的所有标签位，将相关的所有标签位以及标签位对应的标签值输入目标疾病预测模型，目标疾病预测模型输出目标用户的疾病预测结果。
举例来说，请参见附图5，图中为目标用户3的标签信息所汇集形成的标签信息链，标签值采用十进制的记数系统来呈现，其中B、C、D、E、F、G、H分别表示目标用户3的标签位“收缩压”、“舒张压”、“尿蛋白”、“肾功能检查”、“肝脏功能检查”、“腰椎神经压迫情况”和“腰椎突出情况”，目标用户3测量了血压，以及做了肾功能检查和肝脏功能检查之后，根据目标用户3的医疗行为数据和用户特征，可以确定目标用户3的目标标签位为标签位B、C、E、F，并根据用户特征对目标用户3的标签信息发生了相应的更新，如图5所示，标签位B、C、E的标签值都发生了变化，然后根据所有目标标签位确定目标疾病预测模型为高血压病预测模型，最后将于高血压并相关的所有标签位B、C、D、E、F以及这些标签位对应的标签值输入高血压病预测模型，得到高血压病的预测结果为“患有1级高血压病的概率为90％”。
S307，基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务。
本申请实施例中，所述医疗服务包括卫生技术人员遵照执业技术规范提供的照护生命、诊治疾病的健康促进服务，以及为实现这些服务提供的药品、医疗器械、救助运输、病房住宿等服务。优选地，所述医疗服务还可以是借助互联网、虚拟现实等技术手段实现的可见的或者不可见的医疗服务，比如远程手术、心理健康测试等，在此不作限定。示例性地，所述医疗服务可以是针对目标用户所形成的一体化、产品式的服务，比如，推荐并预约某个医院的某个科室的某个医生，为用户提供挂号服务；以及在确定疾病之后提供有助于疾病恢复的菜单和营养品，为用户提供健康管理服务，等等。通过为目标用户订制医疗服务，可以实现更及时、更精准地对患者或潜在患者的全程监测和服务。
具体来说，基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务可以是：目标用户A为一名54岁的男性，预测患有轻度白内障，用户信息为54岁和男性，疾病预测结果为轻度白内障，那么对应的医疗服务可以为去中心医院的眼科进行眼球检查，以及建议使用xx眼药水；目标用户B为一名60岁的男性，预测患有重度白内障，用户信息为60岁和男性，疾病预测结果为重度白内障，那么对应的医疗服务可以为去中心医院的眼科进行眼球检查，并推荐眼科杨主任的白内障手术。
在一种可能的实现方式中，所述标签信息中还可以包括目标用户的用户信息，用户信息包括用户姓名、年龄、性别、身高等客观基础信息。示例性地，目标用户1的医疗数据为：20岁的女性张某，曾测量过血压，其中收缩压为100mmHg，舒张压为70mmHg；做过尿液分析，尿蛋白为0.8g/天，被认定为血压正常，那么目标用户1的标签信息可以如表1所示：
表1
在一种可能的实现方式中，还可以记录每个标签位的标签值的更新时间，然后在时间快到时主动提示用户进行相关医疗行为，并给出相关医疗行为的注意事项和前期服务。示例性地，用户A在2021年2月10日测量了血压，因为用户A是高血压患者，所以需要两周测量一次血压，那么可以在2021年2月23日提示用户A明日需要进行血压测量，并提示用户A测量高血压前不要剧烈运动，同时测量前30分钟禁止抽烟、喝咖啡、喝茶等，此外还可以为用户A预约测量血压的时间。
S308，生成用于描述医疗服务的描述信息，并输出描述信息。
本申请实施例中，输出描述信息的时间可以是根据所述疾病预测结果和医疗服务来确定的，然后在到达输出时间时再输出描述信息。示例性地，目标用户A为一名54岁的男性，预测患有轻度白内障，用户信息为54岁和男性，疾病预测结果为轻度白内障，那么对应的医疗服务可以为去中心医院的眼科进行眼球检查，以及建议使用X牌眼药水；此外，由于白内障是一个会随着年纪增长而加重的疾病，因此，目标用户A对应的医疗服务还包括每年去W医院检查一次眼睛，而“每年去W医院检查一次眼睛”这一个医疗服务的触发条件可以是用户A确诊了轻度白内障之后，在之后的每一年的相近的时间提示用户A去W医院检查眼睛。
在一种可能的实现方式中，可以将医疗行为数据以及目标用户的更新后的标签信息上传至大数据平台，以使推送设备通过大数据平台获取医疗行为数据以及目标用户的更新后的标签信息，推送设备基于医疗行为数据以及目标用户的更新后的标签信息，确定与目标用户匹配的推送内容，推送设备向目标用户推送内容。优选地，还可以是将医疗行为数据以及目标用户的更新后的标签信息发布至区块链网络，以使区块链网络中的推送设备通过区块链网络获取医疗行为数据以及目标用户的更新后的标签信息，推送设备基于医疗行为数据以及目标用户的更新后的标签信息，确定与目标用户匹配的推送内容，推送设备向目标用户推送内容。示例性地，将用户A做过腿部手术的医疗行为数据上传至大数据平台或者发布至区块链网络，那么大数据平台或者区块链网络中的其他推送设备，例如开心购物网，就会为用户A推送适合做过相关腿部手术的人的鞋子，从而做到精确推送。通过大数据平台或者区块链网络，可以实现数据共享，从而做到驱动医疗服务的智能化发展。此外，还可以在将医疗行为数据以及目标用户的更新后的标签信息上传至大数据平台后，形成医疗云(Medical cloud)。
本申请实施例中，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据，并对医疗行为数据进行特征提取，得到目标用户的多个用户特征；然后确定多个用户特征中每个用户特征所属的目标标签位，并将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息；之后通过目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到目标用户的疾病预测结果；最后基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务，并生成用于描述医疗服务的描述信息，并输出描述信息。本申请实施例基于目标用户及时动态更新的标签信息，可以得到更准确的疾病预测结果，同时基于用户信息和疾病预测结果，可以做到为目标用户有针对性地订制医疗服务，从而实现更及时、更精准地对患者或潜在患者的全程监测和服务。
请参见图6，图6是本申请实施例提供的另一种标签信息的动态更新方法的流程示意图；该标签信息的动态更新方案可由电子设备来执行，该方案可包括但不限于步骤S601～步骤S612，其中：
S601，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据。
S602，对医疗行为数据进行特征提取，得到目标用户的多个用户特征。
S603，确定多个用户特征中每个用户特征所属的目标标签位。
需要说明的是，步骤S601-步骤S603的具体实施过程可参见图1所示实施例中步骤S101-步骤S103所示的具体实施过程的相关描述，在此不做赘述。
S604，判断目标用户的标签信息中是否存在目标标签位。
若是，则直接执行步骤S606；若否，则先执行步骤S605，再执行步骤S606。
S605，在目标用户的标签信息中增加目标标签位。
S606，将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
具体来说，步骤S604～步骤S606用于判断目标用户的标签信息中是否已经存在着所提取的目标用户的用户特征相关的标签位，如果没有，就增加该标签位，然后根据用户特征更新该标签位的标签值。
举例来说，目标用户1的医疗数据为：20岁的女性张某，曾测量过血压，其中收缩压为100mmHg，舒张压为70mmHg；做过尿液分析，尿蛋白为0.8g/天，被认定为血压正常；因此目标用户1对应的标签信息如附图7a所示，其中，a对应标签位“姓名”，将姓名张某化为对应的标签值1，这个1指向的是张某，例如目标用户2的姓名可以是2，这个2指向的是张某；b对应标签位“年龄”，标签值为20；c对应标签位“性别”，性别有男女，男性的标签值为1，女性的标签值0；d对应标签位“高血压病认定结果”，其中，0为血压正常，1为1级高血压病，2为2级高血压病；e对应标签位“收缩压”，标签值为100mmHg，f对应标签位“舒张压”，标签值为70mmHg；g对应标签位“尿蛋白”，标签值为0.8g/天。过了一段时间，目标用户1再次测量了血压，其中收缩压为110mmHg，舒张压为78mmHg；并做了一个血常规检查，血常规检查中的红细胞的数量为3.34x1012/L，血小板数量为200x109/L，血红蛋白数量为106g/L，白细胞数量为8x109/L，目标用户1被认定为血压正常和轻度贫血；此时目标用户1的更新后的标签信息附图7b所示，其中，h对应标签位“贫血病认定结果”，标签值为1，其中，0表示不贫血，1表示轻度贫血，2表示中度贫血，3表示重度贫血；i对应标签位“红细胞”，标签值为3.34，单位为1012/L；j对应标签位“血小板”，标签值为200，单位为109/L；k对应标签位“血红蛋白”，标签值为106，单位为g/L；k对应标签位“白细胞”，标签值为8，单位为109/L。
S607，基于多个用户特征中每个用户特征所属的目标标签位，以及多个用户特征，确定目标疾病预测模型。
S608，通过目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到目标用户的疾病预测结果，疾病预测结果用于指示目标用户所患的疾病。
S609，基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务。
S610，生成用于描述医疗服务的描述信息，并输出描述信息。
需要说明的是，步骤S607-步骤S610的具体实施过程可参见图3所示实施例中步骤S305-步骤S308所示的具体实施过程的相关描述，在此不做赘述。
S611，在检测到目标用户基于描述信息产生的疾病诊断事件时，获取目标用户的疾病诊断结果。
S612，根据疾病诊断结果和疾病预测结果，对目标疾病预测模型进行优化，得到优化后的目标疾病预测模型。
本申请实施例中，所述疾病诊断事件用于指示能够帮助得到疾病诊断结果的事件。示例性地，疾病诊断事件可以是医生进行诊断，也可以是利用CT、b超等仪器的检查结果进行诊断。此外，所述根据疾病诊断结果和疾病预测结果，对目标疾病预测模型进行优化，得到优化后的目标疾病预测模型的方式可以是，基于疾病诊断结果和疾病预测结果建立针对目标疾病预测模型的损失函数，基于该损失函数对目标疾病预测模型进行优化训练，最终得到优化后的目标疾病预测模型。其中，损失函数对目标疾病预测模型进行优化训练的方式为本领域技术人员惯用的技术手段，在此不赘述。优选地，还可以是基于疾病诊断结果和疾病预测结果的其他方式对目标疾病预测模型进行优化，在此不限定。
在一种可能的实现方式中，目标用户在产生的疾病诊断事件的过程中，或者在得到疾病预测结果之后，产生疾病诊断事件之前，可以选择与医生或者其他疾病诊断事件相关的人或设备共享自己的医疗行为数据和目标疾病预测结果，从而使得沟通更高效，以及诊治更精准。例如，一般情况下，医生在给患者开青霉素相关的药之前，都会问患者有没有做过皮试，从而确定该患者能否用青霉素相关的药，但是很多患者往往记不清楚自己是否做过相关测试；如果此时患者与医生共享自己的医疗行为数据，那么通过对医疗行为数据的查询，就可以很方便地知道患者是否做过皮试。
本申请实施例中，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据，并对医疗行为数据进行特征提取，得到目标用户的多个用户特征；然后确定多个用户特征中每个用户特征所属的目标标签位，并通过判断标签信息中是否存在目标标签位去选择是否需要增加新的标签位，然后对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息；之后通过目标疾病预测模型得到目标用户的疾病预测结果，并基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务，并生成用于描述医疗服务的描述信息；最后可以基于疾病诊断结果和疾病预测结果对目标疾病模型进行优化。本申请实施例基于判断用户特征所属的标签位是否在标签信息中存在，去选择是否增加新的标签位，可以在实现对目标用户的标签位的标签值的更新的同时，做到对目标用户的标签位的更新，从而做到在实现标签信息的及时动态更新、以及增强标签信息的复用性的同时，提高标签信息的延展性。此外，基于疾病诊断结果和疾病预测结果对目标疾病模型进行优化，有利于提升目标疾病预测模型的预测结果的准确性。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有程序指令，该程序指令被执行时，用于实现上述实施例中描述的相应方法。
再请参见图8，图8是本申请实施例的提供一种标签信息的动态更新装置的结构示意图。
本申请实施例的装置的一个实现方式中，装置包括如下结构。
获取单元801，用于在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据；
处理单元802，用于对医疗行为数据进行特征提取，得到目标用户的多个用户特征；
处理单元802，还用于确定多个用户特征中每个用户特征所属的目标标签位；
处理单元802，还用于将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
在一个实施例中，处理单元802还用于基于多个用户特征中每个用户特征所属的目标标签位，以及多个用户特征，确定目标疾病预测模型；
处理单元802还用于通过目标疾病预测模型对目标用户的更新后的标签信息进行分析处理，得到目标用户的疾病预测结果，疾病预测结果用于指示目标用户所患的疾病。
在一个实施例中，目标用户的更新后的标签信息可以包括目标用户的用户信息，处理单元802还用于基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务；
处理单元802还用于生成用于描述医疗服务的描述信息，并输出描述信息。
在一个实施例中，处理单元802还用于在检测到目标用户基于描述信息产生的疾病诊断事件时，获取目标用户的疾病诊断结果；
处理单元802还用于根据疾病诊断结果和疾病预测结果，对目标疾病预测模型进行优化，得到优化后的目标疾病预测模型。
在一个实施例中，处理单元802还用于：
根据疾病预测结果和医疗服务，确定描述信息的输出时间；
在到达输出时间时输出描述信息。
在一个实施例中，处理单元802还用于将医疗行为数据以及目标用户的更新后的标签信息上传至大数据平台，以使推送设备通过大数据平台获取医疗行为数据以及目标用户的更新后的标签信息，推送设备基于医疗行为数据以及目标用户的更新后的标签信息，确定与目标用户匹配的推送内容，推送设备向目标用户推送内容。
在一个实施例中，处理单元802还用于将医疗行为数据以及目标用户的更新后的标签信息发布至区块链网络，以使区块链网络中的推送设备通过区块链网络获取医疗行为数据以及目标用户的更新后的标签信息，推送设备基于医疗行为数据以及目标用户的更新后的标签信息，确定与目标用户匹配的推送内容，推送设备向目标用户推送内容。
在一个实施例中，在确定多个用户特征中每个用户特征所属的目标标签位之后，若目标用户的标签信息中不存在目标标签位，则处理单元802还用于在目标用户的标签信息中增加目标标签位，并将每个用户特征确定为目标标签位的标签值，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
本申请实施例中，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据，并通过对医疗行为数据进行特征提取，得到目标用户的多个用户特征；然后确定多个用户特征中每个用户特征所属的目标标签位，最后将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。本申请实施例通过检测目标用户的医疗行为事件来辅助了解目标用户的医疗行为数据的变化情况，然后通过提取目标用户的医疗行为数据的用户特征，并确定每个用户特征所属的目标标签位，来对目标用户的标签信息进行更新，从而做到能够敏锐感知数据变化，实现标签信息的及时动态更新。此外，通过针对每个用户建立相应的标签信息并更新，可以实现标签信息的多次使用，提高了标签的复用性。
再请参见图9，图9是本申请实施例提供的一种电子设备的结构示意图，本申请实施例的电子设备包括供电模块等结构，并包括处理器901、存储装置902以及通信接口903。处理器901、存储装置902以及通信接口903之间可以交互数据，由处理器901实现相应的标签信息的动态更新方案。
存储装置902可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储装置902也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，固态硬盘(solid-state drive，SSD)等；存储装置902还可以包括上述种类的存储器的组合。
处理器901可以是中央处理器901(central processing unit，CPU)。处理器901也可以是由CPU和GPU的组合。在电子设备中，可以根据需要包括多个CPU和GPU进行相应的数据处理。在一个实施例中，存储装置902用于存储程序指令。处理器901可以调用程序指令，实现如本申请实施例中上述涉及的各种方法。
在第一个可能的实施方式中，电子设备的处理器901，调用存储装置902中存储的程序指令，用于在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据；对医疗行为数据进行特征提取，得到目标用户的多个用户特征；确定多个用户特征中每个用户特征所属的目标标签位；将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
在一个实施例中，处理器901还用于：
基于多个用户特征中每个用户特征所属的目标标签位，以及多个用户特征，确定目标疾病预测模型；
通过目标疾病预测模型对目标用户的更新后的标签信息进行分析处理，得到目标用户的疾病预测结果，疾病预测结果用于指示目标用户所患的疾病。
在一个实施例中，目标用户的更新后的标签信息可以包括目标用户的用户信息，处理器901还用于：
基于目标用户的用户信息，以及目标用户的疾病预测结果，确定目标用户针对疾病预测结果指示的疾病的医疗服务；
生成用于描述医疗服务的描述信息，并输出描述信息。
在一个实施例中，处理器901还用于：
在检测到目标用户基于描述信息产生的疾病诊断事件时，获取目标用户的疾病诊断结果；
根据疾病诊断结果和疾病预测结果，对目标疾病预测模型进行优化，得到优化后的目标疾病预测模型。
在一个实施例中，处理器901还用于：
根据疾病预测结果和医疗服务，确定描述信息的输出时间，在到达输出时间时输出描述信息；
在到达输出时间时输出描述信息。
在一个实施例中，处理器901还用于：将医疗行为数据以及目标用户的更新后的标签信息上传至大数据平台，以使推送设备通过大数据平台获取医疗行为数据以及目标用户的更新后的标签信息，推送设备基于医疗行为数据以及目标用户的更新后的标签信息，确定与目标用户匹配的推送内容，推送设备向目标用户推送内容。
在一个实施例中，处理器901还用于：将医疗行为数据以及目标用户的更新后的标签信息发布至区块链网络，以使区块链网络中的推送设备通过区块链网络获取医疗行为数据以及目标用户的更新后的标签信息，推送设备基于医疗行为数据以及目标用户的更新后的标签信息，确定与目标用户匹配的推送内容，推送设备向目标用户推送内容。
在一个实施例中，在确定多个用户特征中每个用户特征所属的目标标签位之后，若目标用户的标签信息中不存在目标标签位，则处理器901还用于：在目标用户的标签信息中增加目标标签位，并将每个用户特征确定为目标标签位的标签值，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。
本申请实施例中，在检测到目标用户的医疗行为事件时，获取目标用户的医疗行为数据，并通过对医疗行为数据进行特征提取，得到目标用户的多个用户特征；然后确定多个用户特征中每个用户特征所属的目标标签位，最后将目标用户的标签信息中目标标签位的标签值更新为每个用户特征，以对目标用户的标签信息进行更新，得到目标用户的更新后的标签信息。本申请实施例通过检测目标用户的医疗行为事件来辅助了解目标用户的医疗行为数据的变化情况，然后通过提取目标用户的医疗行为数据的用户特征，并确定每个用户特征所属的目标标签位，来对目标用户的标签信息进行更新，从而做到能够敏锐感知数据变化，实现标签信息的及时动态更新。此外，通过针对每个用户建立相应的标签信息并更新，可以实现标签信息的多次使用，提高了标签的复用性。
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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。所述的计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请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。
其中，本申请所指的医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云能够提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
其中，本申请所指的人工智能技术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。
以上所揭露的仅为本申请的部分实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (9)

1.一种标签信息的动态更新方法，其特征在于，包括：
在检测到目标用户的医疗行为事件时，获取所述目标用户的医疗行为数据；
对所述医疗行为数据进行特征提取，得到所述目标用户的多个用户特征；
确定所述多个用户特征中每个用户特征所属的目标标签位；
将所述目标用户的标签信息中所述目标标签位的标签值更新为所述每个用户特征，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息；
根据疾病与用户特征的关系，以及用户特征与标签位的关系，建立疾病预测模型与标签位的对应关系；
根据所述疾病预测模型与标签位的对应关系，确定每个目标标签位对应的疾病预测模型；
将对应的目标标签位最多的疾病预测模型，确定为目标疾病预测模型；
通过所述目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到所述目标用户的疾病预测结果，所述疾病预测结果用于指示所述目标用户所患的疾病。
2.根据权利要求1所述的方法，其特征在于，所述目标用户的更新后的标签信息包括所述目标用户的用户信息，所述方法还包括：
基于所述目标用户的用户信息，以及所述目标用户的疾病预测结果，确定所述目标用户针对所述疾病预测结果指示的疾病的医疗服务；
生成用于描述所述医疗服务的描述信息，并输出所述描述信息。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在检测到所述目标用户基于所述描述信息产生的疾病诊断事件时，获取所述目标用户的疾病诊断结果；
根据所述疾病诊断结果和所述疾病预测结果，对所述目标疾病预测模型进行优化，得到优化后的目标疾病预测模型。
4.根据权利要求2所述的方法，其特征在于，所述输出所述描述信息，包括：
根据所述疾病预测结果和所述医疗服务，确定所述描述信息的输出时间；
在到达所述输出时间时输出所述描述信息。
5.根据权利要求1所述的方法，其特征在于，还包括：
将所述医疗行为数据以及所述目标用户的更新后的标签信息上传至大数据平台，以使推送设备通过所述大数据平台获取所述医疗行为数据以及所述目标用户的更新后的标签信息，所述推送设备基于所述医疗行为数据以及所述目标用户的更新后的标签信息，确定与所述目标用户匹配的推送内容，所述推送设备向所述目标用户推送所述推送内容。
6.根据权利要求1所述的方法，其特征在于，还包括：
将所述医疗行为数据以及所述目标用户的更新后的标签信息发布至区块链网络，以使所述区块链网络中的推送设备通过所述区块链网络获取所述医疗行为数据以及所述目标用户的更新后的标签信息，所述推送设备基于所述医疗行为数据以及所述目标用户的更新后的标签信息，确定与所述目标用户匹配的推送内容，所述推送设备向所述目标用户推送所述推送内容。
7.根据权利要求1所述的方法，其特征在于，所述确定所述多个用户特征中每个用户特征所属的目标标签位之后，还包括：
若所述目标用户的标签信息中不存在所述目标标签位，则在所述目标用户的标签信息中增加所述目标标签位，并将所述每个用户特征确定为所述目标标签位的标签值，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息。
8.一种标签信息的动态更新装置，其特征在于，所述装置包括：
获取单元，在检测到目标用户的医疗行为事件时，获取所述目标用户的医疗行为数据；
处理单元，用于对所述医疗行为数据进行特征提取，得到所述目标用户的多个用户特征；
所述处理单元，还用于确定所述多个用户特征中每个用户特征所属的目标标签位；
所述处理单元，还用于将所述目标用户的标签信息中所述目标标签位的标签值更新为所述每个用户特征，以对所述目标用户的标签信息进行更新，得到所述目标用户的更新后的标签信息；
所述处理单元，还用于根据疾病与用户特征的关系，以及用户特征与标签位的关系，建立疾病预测模型与标签位的对应关系；根据所述疾病预测模型与标签位的对应关系，确定每个目标标签位对应的疾病预测模型；将对应的目标标签位最多的疾病预测模型，确定为目标疾病预测模型；
所述处理单元，还用于通过所述目标疾病预测模型对所述目标用户的更新后的标签信息进行分析处理，得到所述目标用户的疾病预测结果，所述疾病预测结果用于指示所述目标用户所患的疾病。
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程序指令，所述计算机程序指令被处理器执行时，用于执行如权利要求1-7任一项所述的标签信息的动态更新方法。
CN202111014839.7A 2021-08-31 2021-08-31 标签信息的动态更新方法、装置及介质 Active CN113782132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111014839.7A CN113782132B (zh) 2021-08-31 2021-08-31 标签信息的动态更新方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111014839.7A CN113782132B (zh) 2021-08-31 2021-08-31 标签信息的动态更新方法、装置及介质

Publications (2)

Publication Number Publication Date
CN113782132A CN113782132A (zh) 2021-12-10
CN113782132B true CN113782132B (zh) 2024-04-09

Family

ID=78840560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111014839.7A Active CN113782132B (zh) 2021-08-31 2021-08-31 标签信息的动态更新方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113782132B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108091373A (zh) * 2016-11-21 2018-05-29 医渡云（北京）技术有限公司 医疗数据处理方法及装置
CN111581300A (zh) * 2020-05-09 2020-08-25 山东健康医疗大数据有限公司 一种基于健康医疗数据的标签矩阵构建及更新方法
CN112185561A (zh) * 2020-09-28 2021-01-05 平安医疗健康管理股份有限公司 用户画像的生成方法、装置和计算机设备
CN112699303A (zh) * 2021-01-08 2021-04-23 广州启生信息技术有限公司 一种基于5g消息的医疗信息智能推送系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108091373A (zh) * 2016-11-21 2018-05-29 医渡云（北京）技术有限公司 医疗数据处理方法及装置
CN111581300A (zh) * 2020-05-09 2020-08-25 山东健康医疗大数据有限公司 一种基于健康医疗数据的标签矩阵构建及更新方法
CN112185561A (zh) * 2020-09-28 2021-01-05 平安医疗健康管理股份有限公司 用户画像的生成方法、装置和计算机设备
CN112699303A (zh) * 2021-01-08 2021-04-23 广州启生信息技术有限公司 一种基于5g消息的医疗信息智能推送系统和方法

Also Published As

Publication number Publication date
CN113782132A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
KR102558021B1 (ko) 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
Murakami et al. Accuracy of wearable devices for estimating total energy expenditure: comparison with metabolic chamber and doubly labeled water method
CN111326224B (zh) 用于医疗记录处理的方法和系统以及计算机可读介质
US20220246299A1 (en) Electronic patient advisor and healthcare system for remote management of chronic conditions
Bravata et al. Using pedometers to increase physical activity and improve health: a systematic review
Bachiri et al. Mobile personal health records for pregnancy monitoring functionalities: Analysis and potential
KR20200023931A (ko) 블록체인을 활용한 헬스 케어 서비스 제공 방법 및 시스템
JP6912840B1 (ja) 情報処理方法、診断支援装置及びコンピュータプログラム
US20210183486A1 (en) Biological information processing method, biological information processing apparatus, and biological information processing system
CN113168919A (zh) 一种利用个性化指标进行健康分析的系统及其使用方法
US20190392952A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
US20180211730A1 (en) Health information (data) medical collection, processing and feedback continuum systems and methods
US20220192556A1 (en) Predictive, diagnostic and therapeutic applications of wearables for mental health
US20230245779A1 (en) System and method for peri-anaesthetic risk evaluation
KR20200113954A (ko) 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법
Reiber et al. Therapeutic Footwear in Patients With Diabetes—Reply
Ahmed An intelligent healthcare service to monitor vital signs in daily life–a case study on health-iot
Kelly et al. Feasibility of sensor technology for balance assessment in home rehabilitation settings
TW202202123A (zh) 用藥提醒與回報系統及其實施方法
CN113782132B (zh) 标签信息的动态更新方法、装置及介质
Gomes et al. A Proposal to Incorporate Digital Auscultation and Its Processing into an Existing Electronic Health Record.
Schmitz-Grosz Changes in Medical Processes Due to Digitalization: Examples from Telemedicine
Bąkała et al. Mobile applications as a tool supporting healthcare management
Tsumoto et al. Healthcare IT: Integration of consumer healthcare data and electronic medical records for chronic disease management
WO2021152710A1 (ja) 情報伝達装置および情報伝達方法

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: 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.

GR01 Patent grant
GR01 Patent grant