CN114121301A - 传染病应急预案构建方法、装置、电子设备及存储介质 - Google Patents

传染病应急预案构建方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114121301A
CN114121301A CN202111422595.6A CN202111422595A CN114121301A CN 114121301 A CN114121301 A CN 114121301A CN 202111422595 A CN202111422595 A CN 202111422595A CN 114121301 A CN114121301 A CN 114121301A
Authority
CN
China
Prior art keywords
information
target
basic
emergency plan
diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111422595.6A
Other languages
English (en)
Inventor
辛毅
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.)
Zhongke Maidi Artificial Intelligence Research Institute Suzhou Co ltd
Original Assignee
Zhongke Maidi Artificial Intelligence Research Institute Suzhou 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 Zhongke Maidi Artificial Intelligence Research Institute Suzhou Co ltd filed Critical Zhongke Maidi Artificial Intelligence Research Institute Suzhou Co ltd
Priority to CN202111422595.6A priority Critical patent/CN114121301A/zh
Publication of CN114121301A publication Critical patent/CN114121301A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例公开了一种传染病应急预案构建方法、装置、电子设备及存储介质，该方法包括：获取就诊人员的基本就诊信息；获取就诊人员的行程信息，并确定与行程信息相对应的行程关联信息，根据行程关联信息确定就诊人员的接触人员信息；根据基本就诊信息确定与就诊人员相对应的目标诊疗信息；基于预先训练得到的应急预案推荐模型对基本就诊信息、接触人员信息以及目标诊疗信息进行处理，得到至少一个应急预案。本发明实施例的技术方案，实现了传染病应急预案的自动化快速构建，使最终得到的应急预案更加贴合传染病当前实际传播情况，便于医院对该传染病进行有效遏制。

Description

传染病应急预案构建方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种传染病应急预案构建方法、装置、电子设备及存储介质。
背景技术
目前，针对于患有传染性疾病的患者，医院不仅需要实施对应的收治工作，还要消耗大量的精力针对这种疾病制定相应的应急预案，以防止传染病进一步传播。
现有技术中，医护人员可以基于传染病相关的科研图谱，相关规范以及自身经验制定相应的应急预案。然而，这种方式对医护人员的专业水平具有较高的要求，同时，人工制定应急预案的效率较低，并不能满足应急预案快速制定的实际需求，这就导致医院无法快速落实相关工作，不能对传染病的传播进行有效遏制。
发明内容
本发明提供一种传染病应急预案构建方法、装置、电子设备及存储介质，实现了传染病应急预案的自动化快速构建，使最终得到的应急预案更加贴合传染病当前实际传播情况，便于医院对该传染病进行有效遏制。
第一方面，本发明实施例提供了一种传染病应急预案构建方法，该方法包括：
获取就诊人员的基本就诊信息；
获取所述就诊人员的行程信息，并确定与所述行程信息相对应的行程关联信息，根据所述行程关联信息确定所述就诊人员的接触人员信息；其中，所述行程关联信息中包括：与所述行程信息相关联的操作行为信息、行为地关联信息；
根据所述基本就诊信息确定与所述就诊人员相对应的目标诊疗信息；其中，所述目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项；
基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案。
第二方面，本发明实施例还提供了一种传染病应急预案构建装置，该装置包括：
基本就诊信息获取模块，用于获取就诊人员的基本就诊信息；
接触人员信息确定模块，用于获取所述就诊人员的行程信息，并确定与所述行程信息相对应的行程关联信息，根据所述行程关联信息确定所述就诊人员的接触人员信息；其中，所述行程关联信息中包括：与所述行程信息相关联的操作行为信息、行为地关联信息；
目标诊疗信息确定模块，用于根据所述基本就诊信息确定与所述就诊人员相对应的目标诊疗信息；其中，所述目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项；
应急预案构建模块，用于基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的传染病应急预案构建方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的传染病应急预案构建方法。
本发明实施例的技术方案，先获取就诊人员的基本就诊信息以及就诊人员的行程信息，确定与行程信息相对应的行程关联信息，根据行程关联信息确定就诊人员的接触人员信息，即确定出与行程信息相关联的操作行为信息、行为地关联信息；进一步的，根据基本就诊信息确定与就诊人员相对应的目标诊疗信息，即确定出目标诊疗人员、医疗配置资源以及初步决策信息中的至少一项；最后基于预先训练得到的应急预案推荐模型对基本就诊信息、接触人员信息以及目标诊疗信息进行处理，得到至少一个应急预案，实现了传染病应急预案的自动化快速构建，避免了人工制定方案效率较低的问题，同时，在构建应急预案的过程中融合了多维度的信息，使最终得到的应急预案更加贴合传染病当前实际传播情况，便于医院对该传染病进行有效遏制。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种传染病应急预案构建方法的流程示意图；
图2为本发明实施例二所提供的一种传染病应急预案构建方法的流程示意图；
图3为本发明实施例三所提供的一种传染病应急预案构建方法的流程图；
图4为本发明实施例四所提供的一种传染病应急预案构建装置的结构框图；
图5为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种传染病应急预案构建方法的流程示意图，本实施例可适用于医院在收治患有传染性疾病的就诊人员时，自动制定出对应的传染病应急预案的情况，该方法可以由传染病应急预案构建装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，如移动终端、PC端或服务器等。
如图1所示，该方法具体包括如下步骤：
S110、获取就诊人员的基本就诊信息。
其中，就诊人员可以是医院收治的患有传染性疾病的人员，对应的，基本就诊信息可以包括就诊人员的姓名、性别、年龄等就诊人员的信息，还可以包括就诊人员的病情，如，就诊人员所患传染病标识、就诊人员的症状、生理指标以及造影图像等。本领域技术人员应当理解，基本就诊信息可以是与就诊人员相关联的多个维度的信息，这些信息的获取规则和方式也可以根据就诊人员的实际病情或传染病对应的风险等级来确定，本公开实施例对此不做具体的限定。
在本实施例中，当医疗系统获取到就诊人员的基本就诊信息后，可以将上述信息存储于医疗系统特定的服务器中，同时，在如本实施例的方案针对该传染病制定对应的应急预案时，还可以对已存储的基本就诊信息进行实时调用。
S120、获取就诊人员的行程信息，并确定与行程信息相对应的行程关联信息，根据行程关联信息确定就诊人员的接触人员信息。
在本实施例中，为了确定就诊人员所患传染病在当前时段的传播态势，在获取就诊人员基本就诊信息的同时，还需要获取就诊人员的行程信息。其中，就诊人员行程信息即是反映就诊人员在特定时间段内所处区域以及行踪路径的信息，例如，就诊人员的行程信息可以是“11月3日，处于A小区内；11月4日，从A小区步行至B商场购物后返回”。在实际应用过程中，就诊人员的行程信息可以以人工询问记录的方式来获取，也可以以从就诊人员关联的记录有其行程信息的移动设备中导出的方式来获取。
在确定出就诊人员的行程信息后，进一步的，可以确定出与行程信息相对应的行程关联信息，其中，行程关联信息中包括：与行程信息相关联的操作行为信息、行为地关联信息。具体来说，操作行为信息即是用户在各区域内所生成的事件信息，例如“在B商场一层和二层购物”的操作行为信息；对应的，行为地关联信息则是与就诊人员生成事件信息的地点所关联的信息，例如“商场一层和二层的商户名称、标识”。
在本实施例中，确定出行程信息关联的操作行为信息以及行为地关联信息后，可以将上述信息进行整合，从而确定出就诊人员的接触人员信息。具体来说，接触人员包括与就诊人员在相同时段处于同一地点的人员，还包括与就诊人员生成的事件所对应的人员。例如，接触人员可以是与就诊人员在11月3日同处于A小区的人员，还可以是当就诊人员在11月4日上午于商场B购物，在11月4日下午同样进入商场B购物的人员。可以理解，在确定出就诊人员的接触人员后，即可确定出接触人员信息，至少包括接触人员的基本信息，以及根据就诊人员所患传染病对接触人员进行检测后所得到的检测结果。
在本实施例中，通过利用就诊人员的行程关联信息确定接触人员信息，有利于确定出与就诊人员存在接触的、可能被传染上相关疾病的人员，从而实现对传染病传播态势的精准把控。
S130、根据基本就诊信息确定与就诊人员相对应的目标诊疗信息。
在本实施例中，在确定就诊人员的接触人员信息的同时，为了确定出医院内部对相关传染病的防护方案，还需要根据基本就诊信息确定与就诊人员相对应的目标诊疗信息，其中，目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项。
具体来说，目标诊疗人员可以是医院针对就诊人员所分配的医护人员，例如，具备处理该传染病相关经验的医生、护士以及专家学者等；医疗配置资源可以是医院为就诊人员安排的就诊区域、诊疗物资以及安保设备等，例如，医疗配置资源可以是医院一号楼A区域，以及针对于该传染病的诊疗器械单和诊疗药物单；初步决策信息可以是医护人员为就诊人员初步开具的诊疗方案，需要说明的是，当应急预案推荐模型中初步决策信息对应的权重较大时，初步开具的诊疗方案也会对最终得到的应急预案产生较大影响。
S140、基于预先训练得到的应急预案推荐模型对基本就诊信息、接触人员信息以及目标诊疗信息进行处理，得到至少一个应急预案。
在本实施例中，应急预案推荐模型可以是预先训练好的神经网络模型，其输入为基本就诊信息、接触人员信息以及目标诊疗信息，输出为与就诊人员所患传染病相对应的应急预案。具体来说，应急预案推荐模型可以预先存储于医疗系统相关服务器中，例如，存储于与医院数据系统相关联的云端服务器中，对应的，模型所确定的应急预案则可以反馈至医院数据系统中，并在特定的页面内进行显示。
在本实施例中，模型输出的应急预案可以理解为应急管理指挥计划，如针对于就诊人员所患传染病所制定的综合应急预案、专项应急预案或现场处置方案等。同时，本领域技术人员应当理解，模型输出的应急预案的数量可以根据实际情况进行设置。示例性的，由于输入中不仅包括就诊人员的基本就诊信息，还包括就诊人员的接触人员信息，因此，在所确定的应急预案中，不仅包括对就诊人员的诊疗方案，还包括对传染病当前传播态势以及传播风险预测。当医院得到至少一个应急预案后，即可从中确定出最终的应急预案，并基于该预案对院内人力物力进行调动，从而对就诊人员所患的传染性疾病进行有效遏制。
本实施例的技术方案，先获取就诊人员的基本就诊信息以及就诊人员的行程信息，确定与行程信息相对应的行程关联信息，根据行程关联信息确定就诊人员的接触人员信息，即确定出与行程信息相关联的操作行为信息、行为地关联信息；进一步的，根据基本就诊信息确定与就诊人员相对应的目标诊疗信息，即确定出目标诊疗人员、医疗配置资源以及初步决策信息中的至少一项；最后基于预先训练得到的应急预案推荐模型对基本就诊信息、接触人员信息以及目标诊疗信息进行处理，得到至少一个应急预案，实现了传染病应急预案的自动化快速构建，避免了人工制定方案效率较低的问题，同时，在构建应急预案的过程中融合了多维度的信息，使最终得到的应急预案更加贴合传染病当前实际传播情况，便于医院对该传染病进行有效遏制。
实施例二
图2为本发明实施例二所提供的一种传染病应急预案构建方法的流程示意图，在前述实施例的基础上，在获取基本就诊信息时，还可以确定出禁忌信息，进而得到应急预案中的风险信息；利用预先设置的模板对信息中的冗余部分进行筛选，实现了对信息的模板化整理；基于节点相似度子模型对目标待处理矩阵进行降维处理，并将得到的待处理特征序列输入至预先训练好的GAT模型中，从而得到更加贴合传染病当前实际传播情况的应急预案。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示，该方法具体包括如下步骤：
S210、获取就诊人员的基本就诊信息。
在获取就诊人员基本就诊信息的过程中，由于不同维度的信息在数据类型、数据格式以及数据存储、传输方式上存在差异，其对应的获取方式也不相同。其中，基本就诊信息包括就诊人员的目标基础信息、至少一个待处理器官信息以及目标历史诊疗信息。可选的，获取与就诊人员相对应的待处理基础参数，从待处理基础参数中提取与预设字段相对应的目标基础信息；获取就诊人员相对应的目标病灶的待处理视图，基于图像识别算法从待处理视图中确定出至少一个待处理器官信息；根据预先建立的诊疗知识图谱，在历史诊疗信息库中确定出与目标病灶相关联的目标历史诊疗信息。
具体来说，目标用户对应的待处理基础参数中包括就诊人员的基本信息，如年龄信息、性别信息、家族信息等，还可以包括就诊人员的生理指标信息，如患者的体温、心率以及血压等具体数据，还可以包括对就诊人员的症状信息，如患者在特定时间段内的心电图、体温变化曲线以及血压变化曲线等。可以理解，上述信息可以通过对应的信息采集模块来获取。进一步的，获取到包含上述信息的待处理基础参数后，可以按照预先设定的字段提取规则，从中提取出确定传染病应急预案所需要的部分作为目标基础信息，从而实现对冗余数据的剔除。
在本实施例中，待处理器官信息至少包括目标病灶的造影筛查信息以及相似病例信息。示例性的，当确定传染病病毒已感染就诊人员肺部时，即确定出就诊人员的目标病灶，进一步的，将该就诊人员肺部的扫描或造影图像作为待处理器官信息，与生理指标信息以及症状信息相似，扫描图像或造影图像同样可以从对应的扫描设备或成像设备中来提取。同时，从医疗系统的影像数据库中，可以筛选出其他肺部相关传染病信息，进而将这些信息进行整理，构建出对应的集合作为相似病例信息。
在本实施例中，为了确定出确定应急预案所需的基本就诊信息，还需要基于诊疗知识图谱在历史诊疗信息库中确定出与目标病灶相关联的目标历史诊疗信息，具体的，目标历史诊疗信息可以通过对造影筛查信息以及相似病例信息进行信息抽取后，基于诊疗知识图谱在目标历史信息库中确定出来。
其中，知识图谱即是通过将数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法相结合，并利用可视化的图谱形象展示学科核心结构、发展历史、前沿领域以及整体知识架构以达到多学科融合的现代理论。基于此可以理解，诊疗知识图谱是指将流行病学的相关信息以可视化的形式构建出的映射地图，即，是一种显示诊疗知识发展进程与结构关系的结构化图形，诊疗知识图谱作为历史诊疗信息的载体，至少能够用于描述、挖掘、分析传染病应急预案制定过程中所涉及的各种信息之间的关联关系。
可选的，基本就诊信息还包括与就诊人员相对应的禁忌信息。根据预先建立的禁忌知识图谱，确定与目标基础信息相对应的禁忌信息，以根据禁忌信息确定至少一个应急预案中的风险信息。
其中，禁忌信息即是在治疗目标病灶过程中需要避免的操作以及不能选用的药物信息。与诊疗知识图谱相似，在确定目标病灶的禁忌信息时也可以利用对应的禁忌知识图谱，本公开实施例在此不再赘述。
在本实施例中，通过确定就诊人员的禁忌信息，使模型输出的应急预案更加贴合就诊人员的实际情况，增强了传染病应急预案构建方案的智能度。
S220、获取就诊人员的行程信息，并确定与行程信息相对应的行程关联信息，根据行程关联信息确定就诊人员的接触人员信息。
S230、根据基本就诊信息确定与就诊人员相对应的目标诊疗信息。
S240、将基本就诊信息、接触人员信息以及目标诊疗信息进行拼接，构建出目标待处理矩阵。
在本实施例中，确定出就诊人员的基本就诊信息、接触人员信息以及目标诊疗信息后，为了得到模型的输入，还需要确定出上述信息对应的目标待处理矩阵。可选的，将基本就诊信息、接触人员信息以及目标诊疗信息进行拼接，构建出目标待处理矩阵。
具体来说，由于基本就诊信息、接触人员信息以及目标诊疗信息的具体内容涉及就诊人员以及相似病例多个维度的宏观信息(如就诊人员以及相似病例的基本信息)和微观信息(如就诊人员以及相似病例的造影图像、生理指标信息)，因此可以利用预先设置的模板对上述信息中的冗余信息进行筛选，从而实现信息的模板化整理。
进一步的，将上述信息整理完毕后，为了便于将数据输入至神经网络算法模型中，可以先将多维度的信息打包成符合资源描述框架(Resource Description Framework，RDF)的三元组或多元组。其中，RDF是一种使用XML语法来表示的资料模型(Datamodel)，至少用于描述Web资源的特性以及资源与资源之间的关联关系。可以理解为，RDF提供了一种用于表达能够被相关应用程序处理的、使其能够在应用程序间交换而不丧失语义的通用框架。本领域技术人员应当理解，对于多维度的信息来说，可以利用RDF解析器对数据进行打包，本公开实施例在此不再赘述。进一步的，将上述多维度的信息进行打包处理后，即可得到对应的目标待处理矩阵。
S250、基于预先训练得到的应急预案推荐模型对基本就诊信息、接触人员信息以及目标诊疗信息进行处理，得到至少一个应急预案。
在本实施例中，应急预案推荐模型包括节点相似度子模型以及图注意力网络(Graph Attention Network，GAT)子模型。可以理解为，在利用GAT模型对数据进行处理并确定出对应的传染病应急预案之前，首先需要利用节点相似度子模型对目标待处理矩阵进行降维处理。可选的，基于节点相似度子模型将目标待处理矩阵进行降维处理，得到对应的待处理特征序列。
在本实施例中，在介绍节点相似度子模型之前，可以先对方案所涉及的图嵌入(Graph embedding)处理过程进行说明。当数据包括高维矩阵时，在将数据输入至对应的机器学习模型的过程中可能会出现输入以及运算十分缓慢的问题，而图嵌入则是一种将图数据(通常为高维稠密的矩阵，如本实施例中基本就诊信息、接触人员信息以及目标诊疗信息相对应的目标待处理矩阵)映射为低维稠密向量的过程，通过图嵌入的过程，可以解决图数据难以高效输入机器学习算法的问题。在本实施例中，通过利用节点相似度子模型对目标待处理矩阵进行降维处理，即可基于信息对应的数据完成上述图嵌入的过程，便于后续的GAT模型对数据进行处理。
传统的图嵌入方法如Deepwalk，Line，SDNE等都是基于近邻相似假设的，即，两个顶点的共同邻居越多则表明两个顶点越相似，而在很多场景中，两个不是近邻的顶点也可能拥有很高的相似性，例如，在本实施例中，就诊人员与相似病例都关联有多个维度的信息，这些节点在邻域中的角色相似。因此，在实际应用过程中，可以选择struc2vec模型作为节点相似度子模型执行上述图嵌入的过程。
具体来说，struc2vec为针对捕捉节点的结构化角色相似度(structural roleproximity)提出的模型。在利用该子模型将目标待处理矩阵进行降维处理的过程中，首先根据不同距离的邻居信息，分别计算节点对的结构相似度，再构造多层带权有向图，其中，每层都是带权无向图，仅在层与层之间是有向的；进一步的，在多层带权有向图中随机游走，在目标待处理矩阵中构造出上下文的序列，最后基于skip-gram训练序列，得到每个节点的低维向量表示。
在对目标待处理矩阵进行降维处理得到的待处理特征序列中，各特征序列反应的内容与信息中各个维度的内容相对应。具体来说，就诊人员的基本信息对应的待处理特征序列可以是P[b]＝{a，s，f，...}，其中，a表示就诊人员的年龄特征，s表示就诊人员的性别特征，f表示就诊人员的家族信息特征；就诊人员的生理指标对应的待处理特征序列可以是P[x]＝{x1，x2，...}；就诊人员的症状信息对应的待处理特征序列可以是P[c]＝{c1，c2，...}；相似病例信息对应的待处理特征序列可以是P[r]＝{r1，r2，...}；基于已确定的目标基础信息以及禁忌知识图谱确定出来的目标禁忌信息对应的待处理特征序列可以是D＝f(∑P[b]，∑P[c]，∑P[r])；就诊人员的行踪轨迹对应的待处理特征序列可以是P[mp]；就诊人员的行为信息对应的待处理特征序列可以是P[at]；就诊人员密切接触物品的信息对应的待处理特征序列可以是P[th]；就诊人员的活动场所信息对应的待处理特征序列可以是P[sp]；就诊人员的行程信息对应的待处理特征序列则可以是M＝f(∑P[mp]，∑P[at]，∑P[th]，∑P[sp])。
需要说明的是，在确定上述信息对应的待处理特征序列的过程中，还可以基于传染病的症状知识图谱、治疗知识图谱、防护知识图谱、传染级别知识图谱以及病毒/细菌变异性知识图谱确定出传染病相关信息，进一步的，将这些信息按照上述方式进行转换，即可得到就诊人员所患传染病对应的待处理特征序列，本公开实施例在此不再赘述。
进一步的，基于预先训练好的图注意力网络子模型对待处理特征序列进行处理，得到目标特征序列，并根据目标特征序列构建至少一个应急预案。可选的，将待处理特征序列输入至预先训练好的图注意力网络子模型中，分别得到待处理特征序列中各元素的注意力系数；根据各注意力系数和相应元素，确定目标特征序列。
由于在图数据中通常包含顶点和边的关系，同时，每个顶点还拥有自己的特征(即待处理特征序列)，而基于传统的GCN模型对数据进行处理时，不仅无法实现对动态图的处理，在处理过程中也不便于分配不同的学习权重给不同的邻域。因此，在本实施例中采用GAT模型对待处理特征序列进行处理，在处理过程中，每个顶点都可以对图上任意顶点进行注意力系数的运算，完全不依赖于图的结构，可以理解为，相比于其他模型，GAT模型无需使用特征值分解等复杂的矩阵运算。下面对基于GAT模型的处理过程进行说明。
当利用GAT模型对待处理特征序列进行处理时，首先需要针对顶点计算各邻居节点与该顶点之间的相似系数eij，具体的，利用一个共享参数的线性映射对顶点的特征进行增维，例如，对就诊人员的基本就诊信息对应的待处理特征序列进行增维，进一步的，将拼接后得到的高维特征映射到一个实数上，即可得到相似系数eij。
在确定出邻居节点与该顶点之间的相似系数后，可以利用一个softmax函数计算出注意力系数aij。其中，softmax作为机器学习尤其是深度学习中的函数，能够将一些输入映射为0～1之间的实数，并且归一化保证和为1。最后，根据计算得到的注意力系数，将特征加权求和即可确定出与待处理特征序列对应的目标特征序列。示例性的，当待处理特征序列为
Figure BDA0003377983660000151
时，对应的，GAT模型输出的目标特征序列即为
Figure BDA0003377983660000152
需要说明的是，在基于应急预案推荐模型对目标待处理矩阵进行处理之前，还需要对模型进行训练。可选的，获取训练样本集；将每个训练样本中的基本就诊信息、接触人员信息、目标诊疗信息作为待训练应急预案推荐模型的输入，将实际应急预案作为待训练应急预案推荐模型的输出，对待训练应急预案推荐模型进行训练；将待训练应急预案推荐模型中的损失收敛作为训练目标，训练得到应急预案推荐模型。
其中，训练样本集包括多个训练样本，每个训练样本中包括：与历史就诊人员相关联的基本就诊信息、接触人员信息、目标诊疗信息以及实际应急预案。而损失函数则是预先设置的，基于该损失函数可以修正待训练应急预案推荐模型中的参数。可以理解为，在利用训练集中的信息对待训练应急预案推荐模型进行训练后，可以将损失函数的训练误差，即损失参数作为检测损失函数当前是否达到收敛的条件，比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定，或者当前的迭代次数是否等于预设次数。若检测达到收敛条件，比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定，表明待训练应急预案推荐模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，可以进一步获取其他训练集中的信息对模型进行训练，直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时，即可将训练完成的模型作为应急预案推荐模型，即，此时将与基本就诊信息、接触人员信息、目标诊疗信息相关联的目标待处理矩阵输入至训练好的应急预案推荐模型中后，即可得到对应的目标特征序列。
在本实施例中，确定出目标特征序列后，医疗系统即可基于目标特征序列确定出与就诊人员所患传染性疾病相对应的至少一个应急预案。其中，至少一个应急预案包括就诊人员相关联的传染病的风险信息、传播范围信息、趋势预测以及防治方案中的至少一项。可以理解为，所确定的应急预案中包括对就诊人员所患传染病的风险预测信息(如病毒/细菌类似性以及致死率预测)，就诊人员与接触人员之间的关系排查结果，对传染病传播时间和发病时间的预测信息，以及医院针对该传染病的人员调度信息、诊疗区域划分信息、就诊人员的推荐诊疗方案等。
本实施例的技术方案，在获取基本就诊信息时，还可以确定出禁忌信息，进而得到应急预案中的风险信息；利用预先设置的模板对信息中的冗余部分进行筛选，实现了对信息的模板化整理；基于节点相似度子模型对目标待处理矩阵进行降维处理，并将得到的待处理特征序列输入至预先训练好的GAT模型中，从而得到更加贴合传染病当前实际传播情况的应急预案。
实施例三
作为上述实施例的一可选实施例，图3为本发明实施例三所提供的一种传染病应急预案构建方法的流程图。为了清楚的介绍本实施例技术方案，可以以应用场景是医院在收治患有传染性疾病的就诊人员时，自动制定出对应的传染病应急预案的情形为例来介绍，但是不局限于上述场景，可以适用于各种需要针对传染病构建相应的应急预案的场景中。
参见图3，在实际应用的过程中，为了确定出针对于就诊人员所患传染病的应急预案，首先需要获取多维度的信息，至少包括病人信息、轨迹信息、决策信息、医护信息、安保信息以及场地物资等信息。其中，病人信息包括病人的基本信息、生理指标、症状信息、相似病例、禁忌风险以及关联人员，在实际应用过程中，禁忌风险信息是从上述前四种信息中经过信息抽取后，通过在知识图谱中进行筛选匹配所确定出来的；轨迹信息包括病人的行踪轨迹、行为信息、物品信息以及场地信息。需要说明的是，关联人员信息是基于对上述轨迹信息以及医护信息、安保信息进行信息抽取后，基于对应的知识图谱确定出来的。进一步的，将病人信息、轨迹信息、决策信息、医护信息、安保信息以及场地物资等信息进行结合，即可得就诊人员关联的信息。
继续参见图3，在确定出就诊人员关联的信息的同时，基于传染病的症状知识图谱、治疗知识图谱、防护知识图谱、传染级别知识图谱以及病毒/细菌变异性知识图谱确定出该传染病的相关信息，包括该传染病的症状、理论治疗方案、理论防护方案、传染病级别、病毒/细菌变异性，进一步的，将传染病的相关信息与就诊人员关联的信息进行结合，即得到模型所需的数据基础。
继续参见图3，在确定出传染病的相关信息与就诊人员关联的信息后，可以基于语义分割技术对上述信息进行模板化处理，从而实现对信息中的无效、冗余信息的剔除。进一步的，将信息打包为RDF三元组或多元组，利用struc2vec模型进行图嵌入处理，即，将高维矩阵转化为低维特征序列，以便于将数据输入至算法模型中。
继续参见图3，在确定出待处理特征序列后，可以将其输入至预先训练好的GAT模型中，进而得到目标特征序列，医疗系统基于目标特征序列即可确定出与就诊人员所患传染性疾病相对应的至少一个应急预案。具体来说，应急预案中包括针对于传染病的风险预测信息、关系排查结果、传播时间预测以及推荐诊疗方案。
上述技术方案的有益效果为：实现了传染病应急预案的自动化快速构建，避免了人工制定方案效率较低的问题，同时，在构建应急预案的过程中融合了多维度的信息，使最终得到的应急预案更加贴合传染病当前实际传播情况，便于医院对该传染病进行有效遏制。
实施例四
图4为本发明实施例四所提供的一种传染病应急预案构建装置的结构框图，可执行本发明任意实施例所提供的传染病应急预案构建方法，具备执行方法相应的功能模块和有益效果。如图4所示，该装置具体包括：基本就诊信息获取模块310、接触人员信息确定模块320、目标诊疗信息确定模块330以及应急预案构建模块340。
基本就诊信息获取模块310，用于获取就诊人员的基本就诊信息。
接触人员信息确定模块320，用于获取所述就诊人员的行程信息，并确定与所述行程信息相对应的行程关联信息，根据所述行程关联信息确定所述就诊人员的接触人员信息；其中，所述行程关联信息中包括：与所述行程信息相关联的操作行为信息、行为地关联信。
目标诊疗信息确定模块330，用于根据所述基本就诊信息确定与所述就诊人员相对应的目标诊疗信息；其中，所述目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项。
应急预案构建模块340，用于基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案。
在上述各技术方案的基础上，所述基本就诊信息包括所述就诊人员的目标基础信息、至少一个待处理器官信息以及目标历史诊疗信息。
在上述各技术方案的基础上，基本就诊信息获取模块310包括目标基础信息确定单元、待处理器官信息确定单元以及目标历史诊疗信息确定单元。
目标基础信息确定单元，用于获取与所述就诊人员相对应的待处理基础参数，从所述待处理基础参数中提取与预设字段相对应的目标基础信息。
待处理器官信息确定单元，用于获取所述就诊人员相对应的目标病灶的待处理视图，基于图像识别算法从所述待处理视图中确定出所述至少一个待处理器官信息。
目标历史诊疗信息确定单元，用于根据预先建立的诊疗知识图谱，在历史诊疗信息库中确定出与所述目标病灶相关联的目标历史诊疗信息。
在上述各技术方案的基础上，所述基本就诊信息还包括与所述就诊人员相对应的禁忌信息。
可选的，基本就诊信息获取模块310还用于根据预先建立的禁忌知识图谱，确定与所述目标基础信息相对应的禁忌信息，以根据所述禁忌信息确定所述至少一个应急预案中的风险信息。
在上述各技术方案的基础上，传染病应急预案构建装置还包括目标待处理矩阵确定模块。
目标待处理矩阵确定模块，用于将所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行拼接，构建出目标待处理矩阵。
在上述各技术方案的基础上，所述应急预案推荐模型包括节点相似度子模型以及图注意力网络子模型。
在上述各技术方案的基础上，应急预案构建模块340包括待处理特征序列确定单元以及应急预案构建单元。
待处理特征序列确定单元，用于基于所述节点相似度子模型将所述目标待处理矩阵进行降维处理，得到对应的待处理特征序列。
应急预案构建单元，用于基于预先训练好的图注意力网络子模型对所述待处理特征序列进行处理，得到目标特征序列，并根据所述目标特征序列构建所述至少一个应急预案；其中，所述至少一个应急预案包括所述就诊人员相关联的传染病的风险信息、传播范围信息、趋势预测以及防治方案中的至少一项。
可选的，应急预案构建单元，还用于将所述待处理特征序列输入至预先训练好的图注意力网络子模型中，分别得到所述待处理特征序列中各元素的注意力系数；根据各注意力系数和相应元素，确定目标特征序列。
在上述各技术方案的基础上，传染病应急预案构建装置还包括模型训练模块。
模型训练模块，用于获取训练样本集；其中，所述训练样本集包括多个训练样本，每个训练样本中包括：与历史就诊人员相关联的基本就诊信息、接触人员信息、目标诊疗信息以及实际应急预案；将每个训练样本中的基本就诊信息、接触人员信息、目标诊疗信息作为待训练应急预案推荐模型的输入，将所述实际应急预案作为所述待训练应急预案推荐模型的输出，对所述待训练应急预案推荐模型进行训练；将所述待训练应急预案推荐模型中的损失收敛作为训练目标，训练得到所述应急预案推荐模型。
本实施例所提供的技术方案，先获取就诊人员的基本就诊信息以及就诊人员的行程信息，确定与行程信息相对应的行程关联信息，根据行程关联信息确定就诊人员的接触人员信息，即确定出与行程信息相关联的操作行为信息、行为地关联信息；进一步的，根据基本就诊信息确定与就诊人员相对应的目标诊疗信息，即确定出目标诊疗人员、医疗配置资源以及初步决策信息中的至少一项；最后基于预先训练得到的应急预案推荐模型对基本就诊信息、接触人员信息以及目标诊疗信息进行处理，得到至少一个应急预案，实现了传染病应急预案的自动化快速构建，避免了人工制定方案效率较低的问题，同时，在构建应急预案的过程中融合了多维度的信息，使最终得到的应急预案更加贴合传染病当前实际传播情况，便于医院对该传染病进行有效遏制。
本发明实施例所提供的传染病应急预案构建装置可执行本发明任意实施例所提供的传染病应急预案构建方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
图5为本发明实施例五所提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图5显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的传染病应急预案构建方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行传染病应急预案构建方法。
该方法包括：
获取就诊人员的基本就诊信息；
获取所述就诊人员的行程信息，并确定与所述行程信息相对应的行程关联信息，根据所述行程关联信息确定所述就诊人员的接触人员信息；其中，所述行程关联信息中包括：与所述行程信息相关联的操作行为信息、行为地关联信息；
根据所述基本就诊信息确定与所述就诊人员相对应的目标诊疗信息；其中，所述目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项；
基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的项目代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的项目代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机项目代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。项目代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种传染病应急预案构建方法，其特征在于，包括：
获取就诊人员的基本就诊信息；
获取所述就诊人员的行程信息，并确定与所述行程信息相对应的行程关联信息，根据所述行程关联信息确定所述就诊人员的接触人员信息；其中，所述行程关联信息中包括：与所述行程信息相关联的操作行为信息、行为地关联信息；
根据所述基本就诊信息确定与所述就诊人员相对应的目标诊疗信息；其中，所述目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项；
基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案。
2.根据权利要求1所述的方法，其特征在于，所述基本就诊信息包括所述就诊人员的目标基础信息、至少一个待处理器官信息以及目标历史诊疗信息，所述获取就诊人员的基本就诊信息，包括：
获取与所述就诊人员相对应的待处理基础参数，从所述待处理基础参数中提取与预设字段相对应的目标基础信息；
获取所述就诊人员相对应的目标病灶的待处理视图，基于图像识别算法从所述待处理视图中确定出所述至少一个待处理器官信息；
根据预先建立的诊疗知识图谱，在历史诊疗信息库中确定出与所述目标病灶相关联的目标历史诊疗信息。
3.根据权利要求2所述的方法，其特征在于，所述基本就诊信息还包括与所述就诊人员相对应的禁忌信息，从所述待处理基础参数中提取与预设字段相对应的目标基础信息之后，还包括：
根据预先建立的禁忌知识图谱，确定与所述目标基础信息相对应的禁忌信息，以根据所述禁忌信息确定所述至少一个应急预案中的风险信息。
4.根据权利要求1所述的方法，其特征在于，在所述基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理之前，还包括：
将所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行拼接，构建出目标待处理矩阵。
5.根据权利要求4所述的方法，其特征在于，所述应急预案推荐模型包括节点相似度子模型以及图注意力网络子模型，所述基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案，包括：
基于所述节点相似度子模型将所述目标待处理矩阵进行降维处理，得到对应的待处理特征序列；
基于预先训练好的图注意力网络子模型对所述待处理特征序列进行处理，得到目标特征序列，并根据所述目标特征序列构建所述至少一个应急预案；
其中，所述至少一个应急预案包括所述就诊人员相关联的传染病的风险信息、传播范围信息、趋势预测以及防治方案中的至少一项。
6.根据权利要求5所述的方法，其特征在于，所述基于预先训练好的图注意力网络子模型对所述待处理特征序列进行处理，得到目标特征序列，包括：
将所述待处理特征序列输入至预先训练好的图注意力网络子模型中，分别得到所述待处理特征序列中各元素的注意力系数；
根据各注意力系数和相应元素，确定目标特征序列。
7.根据权利要求1所述的方法，其特征在于，在所述基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理之前，还包括：
获取训练样本集；其中，所述训练样本集包括多个训练样本，每个训练样本中包括：与历史就诊人员相关联的基本就诊信息、接触人员信息、目标诊疗信息以及实际应急预案；
将每个训练样本中的基本就诊信息、接触人员信息、目标诊疗信息作为待训练应急预案推荐模型的输入，将所述实际应急预案作为所述待训练应急预案推荐模型的输出，对所述待训练应急预案推荐模型进行训练；
将所述待训练应急预案推荐模型中的损失收敛作为训练目标，训练得到所述应急预案推荐模型。
8.一种传染病应急预案构建装置，其特征在于，包括：
基本就诊信息获取模块，用于获取就诊人员的基本就诊信息；
接触人员信息确定模块，用于获取所述就诊人员的行程信息，并确定与所述行程信息相对应的行程关联信息，根据所述行程关联信息确定所述就诊人员的接触人员信息；其中，所述行程关联信息中包括：与所述行程信息相关联的操作行为信息、行为地关联信息；
目标诊疗信息确定模块，用于根据所述基本就诊信息确定与所述就诊人员相对应的目标诊疗信息；其中，所述目标诊疗信息包括目标诊疗人员、医疗资源配置以及初步决策信息中的至少一项；
应急预案构建模块，用于基于预先训练得到的应急预案推荐模型对所述基本就诊信息、所述接触人员信息以及所述目标诊疗信息进行处理，得到至少一个应急预案。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的传染病应急预案构建方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的传染病应急预案构建方法。
CN202111422595.6A 2021-11-26 2021-11-26 传染病应急预案构建方法、装置、电子设备及存储介质 Pending CN114121301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422595.6A CN114121301A (zh) 2021-11-26 2021-11-26 传染病应急预案构建方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422595.6A CN114121301A (zh) 2021-11-26 2021-11-26 传染病应急预案构建方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114121301A true CN114121301A (zh) 2022-03-01

Family

ID=80370234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422595.6A Pending CN114121301A (zh) 2021-11-26 2021-11-26 传染病应急预案构建方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114121301A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107591203A (zh) * 2017-10-25 2018-01-16 湖南网数科技有限公司 一种基于知识库的疾病预警方法及系统
CN111477337A (zh) * 2020-04-07 2020-07-31 中南大学 基于个体自适应传播网络的传染病预警方法、系统及介质
CN111522962A (zh) * 2020-04-09 2020-08-11 苏州大学 序列推荐方法、装置及计算机可读存储介质
US20200294680A1 (en) * 2017-05-01 2020-09-17 Health Solutions Research, Inc. Advanced smart pandemic and infectious disease response engine
CN111785380A (zh) * 2020-07-01 2020-10-16 医渡云（北京）技术有限公司 传染性疾病患病风险等级的预测方法及装置、介质、设备
CN112086195A (zh) * 2020-09-16 2020-12-15 电子科技大学 一种基于自适应集成学习模型的再入院风险预测方法
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200294680A1 (en) * 2017-05-01 2020-09-17 Health Solutions Research, Inc. Advanced smart pandemic and infectious disease response engine
CN107591203A (zh) * 2017-10-25 2018-01-16 湖南网数科技有限公司 一种基于知识库的疾病预警方法及系统
CN111477337A (zh) * 2020-04-07 2020-07-31 中南大学 基于个体自适应传播网络的传染病预警方法、系统及介质
CN111522962A (zh) * 2020-04-09 2020-08-11 苏州大学 序列推荐方法、装置及计算机可读存储介质
CN111785380A (zh) * 2020-07-01 2020-10-16 医渡云（北京）技术有限公司 传染性疾病患病风险等级的预测方法及装置、介质、设备
CN112086195A (zh) * 2020-09-16 2020-12-15 电子科技大学 一种基于自适应集成学习模型的再入院风险预测方法
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法

Similar Documents

Publication Publication Date Title
WO2022116430A1 (zh) 基于大数据挖掘的模型部署方法、装置、设备及存储介质
CN117235630B (zh) 智慧病区可视化管理系统及其方法
CN111666477A (zh) 一种数据处理方法、装置、智能设备及介质
CN102405473A (zh) 医护点动作医疗系统和方法
Wan et al. Development and Evaluation of Intelligent Medical Decision Support Systems
CN116383413A (zh) 基于医疗数据提取的知识图谱更新方法和系统
Chen Smart health and wellbeing [Trends & Controversies]
Zhang et al. DBNet: a novel deep learning framework for mechanical ventilation prediction using electronic health records
Tarannum et al. Prioritizing severity level of COVID-19 using correlation coefficient and intuitionistic fuzzy logic
JP7473314B2 (ja) 医療情報管理装置及び医療レポートのメタデータ付加方法
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
Basha et al. Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis
CN114121213A (zh) 麻醉用药信息复核方法、装置、电子设备及存储介质
CN114121218A (zh) 应用于手术的虚拟场景构建方法、装置、设备及介质
Sachdeva Standard-based personalized healthcare delivery for kidney illness using deep learning
Wang A multi-modal knowledge graph platform based on medical data lake
CN114121301A (zh) 传染病应急预案构建方法、装置、电子设备及存储介质
US20140278481A1 (en) Large scale identification and analysis of population health risks
Afzal et al. Redesign of clinical decision systems to support precision medicine
CN115700789A (zh) 一种基于多模态医学数据的肺炎预检分诊系统
Permanasari et al. A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm
Shvetsova et al. Artificial Intelligence Application for Healthcare Industry: Cases of Developed and Emerging Markets
Zhang et al. Application and Development Prospect of Artificial Intelligence and Big Data in Medical and Health Field
Hamadneh et al. An IoMT-Based Healthcare Model to Monitor Elderly People Using Transfer Learning
Haroon et al. Improving the healthcare and public health critical infrastructure by soft computing: An overview

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