CN114334169B - 医疗对象的类别决策方法、装置、电子设备及存储介质 - Google Patents
医疗对象的类别决策方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114334169B CN114334169B CN202210214901.5A CN202210214901A CN114334169B CN 114334169 B CN114334169 B CN 114334169B CN 202210214901 A CN202210214901 A CN 202210214901A CN 114334169 B CN114334169 B CN 114334169B
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- diagnosis
- independent
- resource consumption
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种医疗对象的类别决策方法、装置、电子设备及存储介质,该方法包括:采集医疗对象的用户画像数据以及在历史时间段的医疗数据,医疗数据包括疾病诊断数据以及诊断资源消耗数据;根据用户画像数据确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息;根据第一关联信息对疾病诊断数据中独立的特征数据进行标记,以及根据第二关联信息对诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;基于标记后疾病诊断数据和标记后诊断资源消耗数据,采用预设医疗对象分类模型生成医疗对象的类别。本申请可以提升医疗对象的类别决策的可靠性。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种医疗对象的类别决策方法、装置、电子设备及存储介质。
背景技术
在现行的医疗对象分类方式中,医院根据不同的医疗对象来源(即门诊患者、住院患者和急诊患者等)的标准对医疗对象进行分类,然后根据对应的分类进行后续安排。
但是,仅仅依靠医疗对象来源的标准并不能很好的反映医疗对象的真实情况,从而存在使得医疗对象等待时间过长而不能及时就诊的问题。另外,由于医疗资源有限的情况下,医疗资源不能与医疗对象很好的匹配起来,例如,导致病情紧急/严重的医疗对象不能及时获得优质的治疗资源,从而丧失最佳的诊疗时机。因此,现有技术中存在医疗对象的类别决策可靠性较差的问题。
发明内容
本申请实施例提供一种医疗对象的类别决策方法及相关装置,旨在提升医疗对象的类别决策的可靠性。
为解决上述技术问题,本申请实施例提供以下技术方案:
根据本申请的一个实施例,一种医疗对象的类别决策方法,包括:采集医疗对象的用户画像数据以及在历史时间段的医疗数据,所述医疗数据包括疾病诊断数据以及诊断资源消耗数据;根据所述用户画像数据,确定所述疾病诊断数据中特征数据之间的第一关联信息,以及确定所述诊断资源消耗数据中特征数据之间的第二关联信息;根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,以及根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;输出所述医疗对象所属的类别。
根据本申请的一个实施例,一种医疗对象的类别决策装置,包括:采集模块,用于采集医疗对象的用户画像数据以及在历史时间段的医疗数据,所述医疗数据包括疾病诊断数据以及诊断资源消耗数据;确定模块,用于根据所述用户画像数据,确定所述疾病诊断数据中特征数据之间的第一关联信息,以及确定所述诊断资源消耗数据中特征数据之间的第二关联信息;标记模块,用于根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,以及根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;分类模块,用于将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;输出模块,用于输出所述医疗对象所属的类别。
在本申请的一些实施例中,所述疾病诊断数据中特征数据包括诊断项数据;所述确定模块包括:独立关系分析单元,用于将所述疾病诊断数据及所述用户画像数据输入第一关联分析模型,得到所述疾病诊断数据中所包含的诊断项数据之间的独立关系;第一生成单元,用于根据所述独立关系,生成独立的诊断项数据之间的独立标签,作为所述第一关联信息。
在本申请的一些实施例中,所述标记模块,包括:独立标记单元,用于利用所述独立的诊断项数据之间的独立标签,对所述疾病诊断数据中独立的诊断项数据进行标记。
在本申请的一些实施例中,所述诊断资源消耗数据中特征数据包括消耗项数据;所述确定模块包括:关联关系分析单元,用于将所述诊断资源消耗数据及所述用户画像数据输入第二关联分析模型,得到所述诊断资源消耗数据中所包含的消耗项数据之间的关联关系;第二生成单元,用于根据所述关联关系,生成关联的消耗项数据之间的关联标签,作为所述第二关联信息。
在本申请的一些实施例中,所述标记模块,包括:关联标记单元,用于利用所述关联的消耗项数据之间的关联标签,对所述诊断资源消耗数据中关联的特征数据进行标记。
在本申请的一些实施例中,所述分类模块,包括:目标确定单元,用于确定所述医疗对象对应的分类目标;模型获取单元,用于获取所述分类目标所对应的预设医疗对象分类模型;医疗对象分类单元,用于将所述标记后疾病诊断数据和标记后诊断资源消耗数据,输入所述分类目标所对应的预设医疗对象分类模型,得到所述医疗对象所属的类别。
在本申请的一些实施例中,所述分类目标包括医疗资源分配目标及医疗项目指引目标,所述装置还包括:第一匹配模块,用于当所述分类目标为医疗资源分配目标时,确定匹配所述医疗对象所属的类别的医疗资源,将所述医疗资源分配给所述医疗对象;第二匹配模块,用于当所述分类目标为医疗项目指引目标时,确定匹配所述医疗对象所属的类别的医疗项目,将所述医疗项目分配给所述医疗对象。
根据本申请的另一实施例,一种电子设备可以包括:存储器,存储有计算机可读指令;处理器,读取存储器存储的计算机可读指令,以执行本申请实施例所述的方法。
根据本申请的另一实施例,一种存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行本申请实施例所述的方法。
本申请实施例采集医疗对象的用户画像数据以及在历史时间段的医疗数据,医疗数据包括疾病诊断数据以及诊断资源消耗数据;根据用户画像数据,确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息;根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,以及根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对关联的特征数据进行关联决策,生成医疗对象所属的类别;输出医疗对象所属的类别。
以这种方式,对于医疗对象,综合疾病诊断数据以及诊断资源消耗数据两个数据角度,采用预设医疗对象分类模型,基于人工智能进行可靠分类,而且,对于疾病诊断数据以及诊断资源消耗数据,根据用户画像数据,确定对应的第一关联信息及第二关联信息,分别进行独立的特征数据与关联的特征数据的标记,分别从两个数据角度进行特征数据关系的指引,使得采用预设医疗对象分类模型进行分类时,保证分类准确性,进一步提升医疗对象的类别决策的可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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示出了可以应用本申请实施例的系统的示意图。
图2示出了根据本申请的一个实施例的医疗对象的类别决策方法的流程图。
图3示出了根据本申请的一个实施例的确定第一关联信息的方法的流程图。
图4示出了根据本申请的一个实施例的确定第二关联信息的方法的流程图。
图5示出了根据本申请的一个实施例的生成医疗对象所属的类别的方法的流程图。
图6示出了应用本申请的实施例的一种场景下医疗对象分类的流程图。
图7示出了根据本申请的一个实施例的医疗对象的类别决策装置的框图。
图8示出了根据本申请的一个实施例的电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
图1示出了可以应用本申请实施例的系统100的示意图。如图1所示,系统100可以包括服务器101及终端102,服务器101上可以存储医疗数据,用户可以通过终端102上保存医疗数据。
服务器101可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,例如,服务器101为医院中设置的用于存储医疗数据的服务器。终端102可以是边缘设备,例如智能手机,电脑等,例如,终端102为归属于某个科室或某个医生的电脑。
其中,终端102和服务器101可以通过无线通信方式进行直接或间接地连接,本申请在此不做特殊限制。
本示例的一种实施方式中,终端102可以采集医疗对象的用户画像数据以及在历史时间段的医疗数据,医疗数据包括疾病诊断数据以及诊断资源消耗数据;根据用户画像数据,确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息;根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,以及根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对关联的特征数据进行关联决策,生成医疗对象所属的类别;输出医疗对象所属的类别。
图2示意性示出了根据本申请的一个实施例的医疗对象的类别决策方法的流程图。该医疗对象的类别决策方法的执行主体可以是具有计算处理功能的电子设备,比如图1中所示的服务器101或者终端102。
如图2所示,该医疗对象的类别决策方法可以包括步骤S210至步骤S250。
步骤S210,采集医疗对象的用户画像数据以及在历史时间段的医疗数据,医疗数据包括疾病诊断数据以及诊断资源消耗数据;
步骤S220,根据用户画像数据,确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息;
步骤S230,根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,以及根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;
步骤S240,将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;
步骤S250,输出所述医疗对象所属的类别。
下面描述医疗对象分类时,所进行的各步骤的具体过程。
在步骤S210,采集医疗对象的用户画像数据以及在历史时间段的医疗数据,医疗数据包括疾病诊断数据以及诊断资源消耗数据。
本示例的实施方式中,医疗对象即医疗对象,例如患者。医疗诊断数据为采集的医疗对象的相关医疗数据,例如疾病诊断信息、医嘱信息、全程所涉及的医疗服务项目信息。
医疗数据可以包括疾病诊断数据以及诊断资源消耗数据,疾病诊断数据可以包括多个诊断项对应的诊断项数据,诊断资源消耗数据可以包括多个消耗项对应的消耗项数据。其中,诊断项即目标对象参与的诊断项目,例如视力诊断项、腹部诊断项等,视力诊断项对应的诊断项数据包括诊断结果数据;消耗项即目标对象诊断过程中诊断资源消耗项,例如诊断用时项、总诊断项数量及诊断花费项等,某项诊断用时时长对应的消耗项数据包括具体时长数据。
历史时间段可以是医疗对象对应的诊断时间段,该诊断时间段位于术前产能资源分配阶段之前,获取该历史时间段的数据可以为术前产能资源分配阶段进行医疗对象的分类,为术前产能资源的合理分配提供有效保障。
用户画像数据为医疗对象的画像数据,可以包括医疗对象的性别、年龄及地域、饮食喜好等各类画像数据。一个示例中,用户画像数据包括医疗对象的身份属性信息,例如年龄、性别及地域等身份属性信息,基于该示例,可以高效进行医疗对象的分类且在一定程度上保证分类准确性;一个示例中用户画像数据包括医疗对象的身份属性信息加上医疗对象在合作平台中的生活习惯画像数据,基于该示例的方式可以更加精准的对对象进行分类。
采集医疗对象的用户画像数据以及在历史时间段的医疗数据,可以对医疗对象在诊断全流程中,通过诊断医生所管理的终端,可实时上传目标对象的医疗诊断数据至服务器,例如诊断项、诊断结果数据、诊断耗时数据、诊断过程中产生的所有诊断花费数据及诊断地点(即诊断轨迹数据)等,也可以通过医疗对象随身的终端(例如手机等)从诊断开始实时采集用户的诊断轨迹数据。
用户画像数据可以是通过信息采集终端采集的目标对象的数据,例如医疗对象在进入医院时进行采集其身份属性信息,也可以是服务器中历史上采集的其用户画像数据;也可以是从目标合作平台的数据库中获取的目标对象的画像数据(例如某购物平台对于该目标对象的饮食喜好等画像的数据等)。
例如,位置1、位置2、位置3及位置4区域为医院内的科室,每个科室内设置由归属于对应科室的终端(例如电脑),医疗对象在诊断全流程中,可以随机经过位置1、位置2、位置3及位置4所对应的科室进行诊断,诊断医生可通过对应科室内容终端,将医疗数据及用户画像数据上传至医院的服务器。
通过位置1、位置2、位置3及位置4的终端,可以在医疗对象进入目标位置的科室时,开始记录,通过预设的数据上报界面上的触发按钮,触发对该医疗对象的记录,在诊断结束时上报对应科室的诊断数据。
触发对该医疗对象的记录后,可以由医生通过数据上报界面实时记录诊断数据,例如诊断项及诊断结果数据等;也可以由终端通过语音识别功能实时记录医生与医疗对象的对象,然后,通过将语音转换为文本,进行关键词检索的方式实现数据记录;可以理解,手动记录与语音识别的两种记录方式,可以进行相互辅助,实现医疗数据的可靠记录。
获取到的医疗数据及用户画像数据可以通过数据表的形式存储于医院服务器,在后续步骤中按需获取。
在步骤S220,根据用户画像数据,确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息。
本示例的实施方式中,特征数据为特征所对应数据,特征可以包括诊断项、消耗项等特征项,每个特征对应有特征数据,例如诊断项对应有诊断项数据。某个特征没有采集到对应的数据时,该特征对应的特征数据为零。
疾病诊断数据可以包括多个诊断项对应的诊断项数据,诊断资源消耗数据可以包括多个消耗项对应的消耗项数据。其中,诊断项即目标对象参与的诊断项目,例如视力诊断项、腹部诊断项等,视力诊断项对应的诊断项数据包括诊断结果数据;消耗项即目标对象诊断过程中诊断资源消耗项,例如诊断用时项、总诊断项数量及诊断花费项等,某项诊断用时时长对应的消耗项数据包括具体时长数据。
第一关联信息为疾病诊断数据中特征数据之间的关联信息,例如,某两个诊断项数据之间没有关联关系,互相独立,在分析过程中体现为信息隔离状态。第二关联信息为诊断资源消耗数据中特征数据之间的关联信息,例如,某几个消耗项数据之间互相关联,在分析过程中提现为信息联合状态。
其中,用户画像数据可以有效反应用户个人状态,根据用户画像数据可以获得符合医疗对象状态的第一关联信息及第二关联信息,有效保证后续分析的准确性。获取第一关联信息及第二关联信息的方式可以包括如下实施例中的实施方式。
一种实施例中,参阅图3,疾病诊断数据中特征数据包括诊断项数据;步骤S220中,确定疾病诊断数据中特征数据之间的第一关联信息,包括:
步骤S310,将疾病诊断数据及用户画像数据输入第一关联分析模型,得到疾病诊断数据中所包含的诊断项数据之间的独立关系。
第一关联分析模型是预先训练好的机器学习模型,其训练方法可以包括收集多个诊断样本数据组成的训练集,每个诊断样本数据包括一个医疗对象的疾病诊断数据及用户画像数据,以及每个样本数据由专家标定疾病诊断数据中所包含的诊断项数据之间的独立关系;然后,将训练集中样本数据作为第一关联分析模型的输入数据,以及每个样本数据由专家标定疾病诊断数据中所包含的诊断项数据之间的独立关系作为第一关联分析模型的期望输出,训练第一关联分析模型,直至第一关联分析模型的误差小于等于预定阈值。
这样可以基于第一关联分析模型可靠高效评估疾病诊断数据中所包含的诊断项数据之间的独立关系。
步骤S320,根据独立关系,生成独立的诊断项数据之间的独立标签,作为第一关联信息。
独立关系可以是一张独立特征数据对应表,该表中每一行中的特征数据互相独立。进而可以根据独立关系,生成独立的诊断项数据之间的独立标签,可以通过为每一行中的诊断项数据分配相同的独立标识,生成独立的诊断项数据之间的独立标签。
一种实施例中,参阅图4,诊断资源消耗数据中特征数据包括消耗项数据;步骤S220中,确定诊断资源消耗数据中特征数据之间的第二关联信息,包括:
步骤S410,将诊断资源消耗数据及用户画像数据输入第二关联分析模型,得到诊断资源消耗数据中所包含的消耗项数据之间的关联关系。
第二关联分析模型也是预先训练好的机器学习模型,其训练方法可以包括收集多个消耗样本数据组成的训练集,每个消耗样本数据包括一个医疗对象的诊断资源消耗数据及用户画像数据,以及每个样本数据由专家标定诊断资源消耗数据中所包含的消耗项数据之间的关联关系;然后,将训练集中样本数据作为第二关联分析模型的输入数据,以及每个样本数据由专家标定的诊断资源消耗数据中所包含的消耗项数据之间的关联关系作为第二关联分析模型的期望输出,训练第二关联分析模型,直至第二关联分析模型的误差小于等于预定阈值。这样可以基于第二关联分析模型可靠高效评估诊断资源消耗数据中所包含的消耗项数据之间的关联关系。
步骤S420,根据关联关系,生成关联的消耗项数据之间的关联标签,作为第二关联信息。
关联关系可以是一张关联特征数据对应表,该表中每一行中的特征数据互相关联。进而可以根据关联关系,生成关联的诊消耗项数据之间的关联标签,可以通过对关联特征数据对应表每一行中的消耗项数据分配相同的关联标识,生成关联的诊消耗项数据之间的关联标签。
一种实施例中,第一关联信息及第二关联信息为诊断专家事先指定的关联关系,形成关联关系标准,不同年龄段分别对应一个第一关联信息及第二关联信息。
根据用户画像数据,确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息,可以直接根据用户画像数据中的年龄获取对应年龄段的第一关联信息及第二关联信息。
在步骤S230,根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,以及根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据。
本示例的实施方式中,第一关联信息为诊断项数据之间的独立标签,第二关联信息为诊消耗项数据之间的关联标签。可以将独立标签串联至对应的诊断项数据之后或者之前,将关联标签串联至对应的消耗项数据之后或者之前,得到标记后疾病诊断数据和标记后诊断资源消耗数据。
通过获取标记后疾病诊断数据和标记后诊断资源消耗数据的方式,在输入模型之前提前进行数据关系标注,数据关系标记灵活、动态可调,一方面,可以在后续步骤中的提高基于预设医疗对象分类模型进行医疗对象分类的准确性的同时便于预设医疗对象分类模型(有监督的机器学习模型)的训练,另一方面,在预设医疗对象分类模型为无监督的聚类模型,医疗对象为多个时,可以为聚类模型进行特征数据关系的指引,提升聚类模型对医疗对象聚类的可靠性。
一种实施例中,步骤S230,根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,包括:利用独立的诊断项数据之间的独立标签,对疾病诊断数据中独立的诊断项数据进行标记。
对疾病诊断数据中独立的诊断项数据标记相同的独立标签,例如,在疾病诊断数据中独立的诊断项数据之后串联相同的独立标签。
一种实施例中,步骤S230,根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,包括:利用关联的消耗项数据之间的关联标签,对诊断资源消耗数据中关联的消耗项数据进行标记。
对疾病诊断数据中关联的消耗项数据标记相同的关联标签,例如,在疾病诊断数据中关联的消耗项数据之后串联相同的关联标签。
在步骤S240,将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别。
本示例的实施方式中,一个示例中,预设医疗对象分类模型为无监督的聚类模型,例如K-means聚类模型或者DBSCAN聚类模型,医疗对象包括多个,通过聚类模型利用多个医疗对象对应的标记后疾病诊断数据和标记后诊断资源消耗数据,对医疗对象进行划分聚类簇的方式分类,每个聚类簇对应一个类别。
对于无监督的聚类模型,通过步骤S230的标记,可以为聚类模型提供特征数据之间独立关系(疾病诊断数据中独立的诊断项数据之间为独立关系)及关联关系(诊断资源消耗数据中关联的特征数据之间为关联关系)的指引,聚类模型可以根据指引,决策划分医疗对象的聚类簇,鉴于医疗数据中特征数据之间关系的复杂性,可以有效提升聚类模型的聚类可靠性。
以K-means聚类模型为例,决策划分医疗对象的聚类簇的过程可以包括:首先确定聚类簇的簇数k;然后,K-means聚类模型从数据集(多个医疗对象对应的标记后疾病诊断数据和标记后诊断资源消耗数据)中随机选取 k 个医疗对象作为质心;然后,对集合中每一个其他医疗对象(即除去 k 个医疗对象之外的其他医疗对象),决策计算每一个其他医疗对象与每一个质心的距离,将每个其他医疗对象划分到距离最小的质心所在的簇,得到k个聚类簇。
其中,决策计算每一个其他医疗对象与每一个质心的距离的过程可以包括:对于标记后疾病诊断数据中标记的独立的特征数据进行独立决策计算,对于标记后诊断资源消耗数据中标记的关联的特征数据进行关联决策计算。
具体地,对于标记后疾病诊断数据中两个独立的特征数据,用于独立进行两个对象之间距离的决策计算,例如A对象具有n个特征数据X1、X2、X3...Xn,质心具有n个特征数据X1、X2、X3...Xn,A对象的特征数据X1和X2为独立的特征数据,此时,决策计算A对象和质心之间的相似度时,会独立决策得到两个特征相似度度量(包括A对象的第一组特征X1、X3...Xn与质心的第一相似度度量以及A对象的第二组特征X2、X3...Xn与质心的第二相似度度量,即第一组特征数据中不包括X2,第二组特征数据中不包括X1)。对于标记后诊断资源消耗数据中的关联的特征数据,用于关联进行两个对象之间距离的决策计算,例如B对象具有n个特征数据M1、M2、M3...Mn,质心具有n个特征数据M1、M2、M3...Mn,B对象的特征数据M1、M2、M3为第一组关联的特征数据,M4...Mn为第二组关联的特征数据,此时,决策计算B对象和质心之间的相似度时,会关联决策得到两个独立的特征相似度度量(包括B对象的第一组特征与质心的第一相似度度量以及B对象的第二组特征数据与质心的第二相似度度量)。然后,确定与对象距离最小的质心时,首先确定每组特征数据对应的权重(可以是每组特征数据中所包含的特征数据的个数),然后,利用每组特征数据对应的权重及相似度求加权和,将与对象之间的加权和最大的质心决策为与对象距离最小的质心。
然后,对于每个聚类簇重新计算簇中新的质心,并计算新的质心与原来质心的距离,当该距离小于等于预定阈值时,则该簇划分合理,否则,基于新的质心重新对数据集进行划分k个簇,直至所有簇划分合理。
一个示例中,预设医疗对象分类模型为预先训练好的有监督的分类模型,预设医疗对象分类模型的训练方法包括收集多个对象样本数据组成的训练集,每个对象样本数据包括一个医疗对象的标记后疾病诊断数据和标记后诊断资源消耗数据,以及每个样本数据由专家标定对应医疗对象的类别;然后,将训练集中样本数据作为预设医疗对象分类模型的输入数据,以及每个样本数据由专家标定的医疗对象的类别作为预设医疗对象分类模型的期望输出,训练预设医疗对象分类模型,直至预设医疗对象分类模型的误差小于等于预定阈值。
预设医疗对象分类模型可以是决策树模型,训练决策树模型时,可以训练决策树模型将独立的特征数据决策划分至决策树的不同分枝,将关联的特征数据决策划分至决策树的相同分枝,进而,决策出医疗对象的类别。
这样基于标记后疾病诊断数据和标记后诊断资源消耗数据,采用预设医疗对象分类模型,可以可靠地对独立的特征数据进行独立决策,并对关联的特征数据进行关联决策,生成医疗对象所属的类别,对医疗对象进行分类,得到医疗对象的类别。
一种实施例中,参阅图5,步骤S240中,将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,包括:
步骤S510,确定医疗对象对应的分类目标;
步骤S520,获取分类目标所对应的预设医疗对象分类模型;
步骤S530,将标记后疾病诊断数据和标记后诊断资源消耗数据,输入分类目标所对应的预设医疗对象分类模型。
分类目标即对医疗对象进行分类的目标,本示例中,分类目标为根据分类进行医疗资源分配,另一个示例中,分类目标为根据分类进行医疗项目指引。
分类目标所匹配的预设医疗对象分类模型即训练的对应于分类目标的预设医疗对象分类模型,例如,分类目标为根据分类进行医疗资源分配时,所匹配的预设医疗对象分类模型可称为医疗资源分配医疗对象分类模型,分类目标为根据分类进行医疗项目指引时,所匹配的预设医疗对象分类模型可称为医疗项目指引医疗对象分类模型。
这样将标记后疾病诊断数据和标记后诊断资源消耗数据,输入分类目标所对应的预设医疗对象分类模型,得到医疗对象所属的类别,该类别与分类目标相匹配。
一种实施例中,分类目标包括医疗资源分配目标及医疗项目指引目标,医疗对象的类别决策方法还包括:
当分类目标为医疗资源分配目标时,确定匹配医疗对象所属的类别的医疗资源,将医疗资源分配给医疗对象;
当分类目标为医疗项目指引目标时,确定匹配医疗对象所属的类别的医疗项目,将医疗项目分配给医疗对象。
这样可以根据医疗对象所属的类别对医疗对象进行可靠地医疗资源分配或者医疗项目指引。
在步骤S250,输出所述医疗对象所属的类别。
其中,输出目标医疗对象的类别可以是将目标医疗对象的类别输出至目标终端设备,例如医疗对象的手机或者医疗资源管理者的终端。需要说明的是确定出的目标医疗对象的类别不是疾病类别,而是需求类别(即可以反映医疗资源需求紧急程度或者医疗项目需求紧急程度的需求类别)。
以这种方式,基于步骤S210至步骤S250,对于医疗对象,综合疾病诊断数据以及诊断资源消耗数据两个数据角度,采用预设医疗对象分类模型,基于人工智能进行可靠分类,而且,对于疾病诊断数据以及诊断资源消耗数据,根据用户画像数据,确定对应的第一关联信息及第二关联信息,分别进行独立的特征数据与关联的特征数据的标记,分别从两个数据角度进行特征数据关系的指引,使得采用预设医疗对象分类模型进行分类时,保证分类准确性,进一步提升分类的可靠性。
以下结合具体地场景进一步描述本申请的实施例,图6示出了应用本申请的实施例的一种场景下医疗对象分类的流程图。该场景为一医院对医疗对象进行分类并分配医疗资源的场景。
如图6所示,该场景下主要包括步骤S610和步骤S620。在步骤S610基于前述医疗对象分类的实施例对目标医疗对象进行分类,根据该目标医疗对象在术前诊断阶段的相关医疗诊断数据进行分类;在步骤S620为该目标医疗对象分配与其类别匹配的医疗资源,该医疗资源包括术前检查阶段的各项医疗资源(可以包括医院的设施、人力和设备等医疗资源)。
目前,医院在术前检查阶段由于产能有限,经常出现医疗资源难以有效分配的情况,在医院方出现例如检查科室排队堆积等情况,在患者方同样面临严重患者等待时间过长等,不能准确确定患者实际所需,进而可能会耽误进一步的手术阶段相关安排。
基于步骤S610和步骤S620,可以实现医疗资源的可靠分配,进而保证后续步骤中术前检查及手术过程的进行。
其中,在步骤S610,采集目标医疗对象的用户画像数据以及在历史时间段的医疗数据,医疗数据包括疾病诊断数据以及诊断资源消耗数据;根据用户画像数据,确定疾病诊断数据中特征数据之间的第一关联信息,以及确定诊断资源消耗数据中特征数据之间的第二关联信息;根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,以及根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;基于标记后疾病诊断数据和标记后诊断资源消耗数据,采用预设医疗对象分类模型生成目标医疗对象所属的类别。
步骤S610中具体实施方式可以依据前述医疗对象的类别决策方法的实施例中的任意实施方式。
例如,疾病诊断数据中特征数据包括诊断项数据;确定疾病诊断数据中特征数据之间的第一关联信息,可以包括:将疾病诊断数据及用户画像数据输入第一关联分析模型,得到疾病诊断数据中所包含的诊断项数据之间的独立关系;根据独立关系,生成独立的诊断项数据之间的独立标签,作为第一关联信息。
根据第一关联信息,对疾病诊断数据中独立的特征数据进行标记,可以包括:利用独立的诊断项数据之间的独立标签,对疾病诊断数据中独立的诊断项数据进行标记。
诊断资源消耗数据中特征数据包括消耗项数据;确定诊断资源消耗数据中特征数据之间的第二关联信息,可以包括:将诊断资源消耗数据及用户画像数据输入第二关联分析模型,得到诊断资源消耗数据中所包含的消耗项数据之间的关联关系;根据关联关系,生成关联的消耗项数据之间的关联标签,作为第二关联信息。
根据第二关联信息,对诊断资源消耗数据中关联的特征数据进行标记,可以包括:利用关联的消耗项数据之间的关联标签,对诊断资源消耗数据中关联的消耗项数据进行标记。
基于标记后疾病诊断数据和标记后诊断资源消耗数据,采用预设医疗对象分类模型生成目标医疗对象所属的类别,可以包括:确定所述目标医疗对象对应的分类目标;获取所述分类目标所对应的预设医疗对象分类模型;将标记后疾病诊断数据和标记后诊断资源消耗数据,输入分类目标所对应的预设医疗对象分类模型,得到目标医疗对象所属的类别。
其中,采集目标医疗对象的用户画像数据以及在历史时间段的医疗数据,例如,在如图6所示的位置1、位置2、位置3及位置4区域为医院内的科室,每个科室内设置由归属于对应科室的终端(例如电脑),医疗对象在诊断全流程中,可以随机经过位置1、位置2、位置3及位置4所对应的科室进行诊断,诊断医生可通过对应科室内容终端,将医疗数据及用户画像数据上传至医院的服务器。
通过位置1、位置2、位置3及位置4的终端,可以在医疗对象进入目标位置的科室时,开始记录,通过预设的数据上报界面上的触发按钮,触发对该医疗对象的记录,在诊断结束时上报对应科室的诊断数据。
触发对该医疗对象的记录后,可以由医生通过数据上报界面实时记录诊断数据,例如诊断项及诊断结果数据等;也可以由终端通过语音识别功能实时记录医生与医疗对象的对象,然后,通过将语音转换为文本,进行关键词检索的方式实现数据记录;可以理解,手动记录与语音识别的两种记录方式,可以进行相互辅助,实现医疗数据的可靠记录。
在步骤S620,分类目标包括医疗资源分配目标,确定匹配目标医疗对象所属的类别的医疗资源,将匹配目标医疗对象所属的类别的医疗资源分配给目标医疗对象。
确定目标医疗对象所属的类别后,如果目标医疗对象想要继续进行术前检查,一个示例中,目标医疗对象可以通过客户端申请术前检查项目,进而系统在接收到目标医疗对象的申请后,可以根据目标医疗对象所属的医疗资源分配类别,为目标医疗对象分配匹配医疗资源分配类别的医疗资源;一个示例中,系统可以自动向目标医疗对象发送匹配医疗资源分配类别的医疗资源的相关信息。
例如,目标医疗对象所属的类别为急需类;术前检查阶段的各项医疗资源(可以包括医院的设施、人力和设备等医疗资源)划分为六类,该六类包括第一类医疗资源(可以包括医院的部分设施、人力和设备等医疗资源)、第二类医疗资源(可以包括医院的部分设施、人力和设备等医疗资源)、...、第六类医疗资源(可以包括医院的部分设施、人力和设备等医疗资源),从第一类到第六类短缺程度依次降低。
确定匹配目标医疗对象所属的类别的医疗资源为第二类医疗资源,则根据第二类医疗资源对应的医疗资源目录,为目标医疗对象分配该医疗资源目录中的术前检查资源。
进而实现根据医疗对象的医疗数据准确确定患者实际所需,对于大型医院的医疗资源分配及医疗资源的有效利用提供保障,同时有效保障进一步的手术阶段相关安排。
图7示出了根据本申请的一个实施例的医疗对象的类别决策装置的框图。
如图7所示,医疗对象的类别决策装置700中可以包括采集模块710、确定模块720、标记模块730、分类模块740及输出模块750。
采集模块710可以用于采集医疗对象的用户画像数据以及在历史时间段的医疗数据,所述医疗数据包括疾病诊断数据以及诊断资源消耗数据;确定模块720可以用于根据所述用户画像数据,确定所述疾病诊断数据中特征数据之间的第一关联信息,以及确定所述诊断资源消耗数据中特征数据之间的第二关联信息;标记模块730可以用于根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,以及根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;分类模块740可以用于将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;输出模块750可以用于输出所述医疗对象所属的类别。
在本申请的一些实施例中,所述疾病诊断数据中特征数据包括诊断项数据;所述确定模块包括:独立关系分析单元,用于将所述疾病诊断数据及所述用户画像数据输入第一关联分析模型,得到所述疾病诊断数据中所包含的诊断项数据之间的独立关系;第一生成单元,用于根据所述独立关系,生成独立的诊断项数据之间的独立标签,作为所述第一关联信息。
在本申请的一些实施例中,所述标记模块,包括:独立标记单元,用于利用所述独立的诊断项数据之间的独立标签,对所述疾病诊断数据中独立的诊断项数据进行标记。
在本申请的一些实施例中,所述诊断资源消耗数据中特征数据包括消耗项数据;所述确定模块包括:关联关系分析单元,用于将所述诊断资源消耗数据及所述用户画像数据输入第二关联分析模型,得到所述诊断资源消耗数据中所包含的消耗项数据之间的关联关系;第二生成单元,用于根据所述关联关系,生成关联的消耗项数据之间的关联标签,作为所述第二关联信息。
在本申请的一些实施例中,所述标记模块,包括:关联标记单元,用于利用所述关联的消耗项数据之间的关联标签,对所述诊断资源消耗数据中关联的特征数据进行标记。
在本申请的一些实施例中,所述分类模块,包括:目标确定单元,用于确定所述医疗对象对应的分类目标;模型获取单元,用于获取所述分类目标所对应的预设医疗对象分类模型;医疗对象分类单元,用于将所述标记后疾病诊断数据和标记后诊断资源消耗数据,输入所述分类目标所对应的预设医疗对象分类模型,得到所述医疗对象所属的类别。
在本申请的一些实施例中,所述分类目标包括医疗资源分配目标及医疗项目指引目标,所述装置还包括:第一匹配模块,用于当所述分类目标为医疗资源分配目标时,确定匹配所述医疗对象所属的类别的医疗资源,将所述医疗资源分配给所述医疗对象;第二匹配模块,用于当所述分类目标为医疗项目指引目标时,确定匹配所述医疗对象所属的类别的医疗项目,将所述医疗项目分配给所述医疗对象。
以这种方式,基于医疗对象的类别决策装置700,对于医疗对象,综合疾病诊断数据以及诊断资源消耗数据两个数据角度,采用预设医疗对象分类模型,基于人工智能进行可靠分类,而且,对于疾病诊断数据以及诊断资源消耗数据,根据用户画像数据,确定对应的第一关联信息及第二关联信息,分别进行独立的特征数据与关联的特征数据的标记,分别从两个数据角度进行特征数据关系的指引,使得采用预设医疗对象分类模型进行分类时,保证分类准确性,进一步提升分类的可靠性。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,本申请实施例还提供一种电子设备,该电子设备可以为终端或者服务器,如图8所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解,图8中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器801是该电子设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器802内的软件程序和/或模块,以及调用存储在存储器802内的数据,执行计算机设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器801可包括一个或多个处理核心;优选的,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户页面和应用程序等,调制解调处理器主要处理无线通讯。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块,处理器801通过运行存储在存储器802的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器802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计算机设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器802还可以包括存储器控制器,以提供处理器801对存储器802的访问。
电子设备还包括给各个部件供电的电源803,优选的,电源803可以通过电源管理系统与处理器801逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元804,该输入单元804可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器801会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中,并由处理器801来运行存储在存储器802中的应用程序,从而实现本申请前述实施例中各种功能。如处理器801可以实现:采集医疗对象的用户画像数据以及在历史时间段的医疗数据,所述医疗数据包括疾病诊断数据以及诊断资源消耗数据;根据所述用户画像数据,确定所述疾病诊断数据中特征数据之间的第一关联信息,以及确定所述诊断资源消耗数据中特征数据之间的第二关联信息;根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,以及根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;输出所述医疗对象所属的类别。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例还提供一种存储介质,其中存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种方法中的步骤。其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种方法中的步骤,因此,可以实现本申请实施例所提供的方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的实施例,而可以在不脱离其范围的情况下进行各种修改和改变。
Claims (6)
1.一种医疗对象的类别决策方法,其特征在于,包括:
采集医疗对象的用户画像数据以及在历史时间段的医疗数据,所述医疗数据包括疾病诊断数据以及诊断资源消耗数据;
根据所述用户画像数据,确定所述疾病诊断数据中特征数据之间的第一关联信息,以及确定所述诊断资源消耗数据中特征数据之间的第二关联信息;
根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,以及根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;
将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;
输出所述医疗对象所属的类别;
所述疾病诊断数据中特征数据包括诊断项数据;所述确定所述疾病诊断数据中特征数据之间的第一关联信息,包括:
将所述疾病诊断数据及所述用户画像数据输入第一关联分析模型,得到所述疾病诊断数据中所包含的诊断项数据之间的独立关系;
根据所述独立关系,生成独立的诊断项数据之间的独立标签,作为所述第一关联信息;
所述诊断资源消耗数据中特征数据包括消耗项数据;所述确定所述诊断资源消耗数据中特征数据之间的第二关联信息,包括:
将所述诊断资源消耗数据及所述用户画像数据输入第二关联分析模型,得到所述诊断资源消耗数据中所包含的消耗项数据之间的关联关系;
根据所述关联关系,生成关联的消耗项数据之间的关联标签,作为所述第二关联信息;
所述根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,包括:
利用所述独立的诊断项数据之间的独立标签,对所述疾病诊断数据中独立的诊断项数据进行标记;
所述根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,包括:
利用所述关联的消耗项数据之间的关联标签,对所述诊断资源消耗数据中关联的特征数据进行标记。
2.根据权利要求1所述的医疗对象的类别决策方法,其特征在于,所述将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,包括:
确定所述医疗对象对应的分类目标;
获取所述分类目标所对应的预设医疗对象分类模型;
将所述标记后疾病诊断数据和标记后诊断资源消耗数据,输入所述分类目标所对应的预设医疗对象分类模型。
3.根据权利要求2所述的医疗对象的类别决策方法,其特征在于,所述分类目标包括医疗资源分配目标及医疗项目指引目标,所述方法还包括:
当所述分类目标为医疗资源分配目标时,确定匹配所述医疗对象所属的类别的医疗资源,将所述医疗资源分配给所述医疗对象;
当所述分类目标为医疗项目指引目标时,确定匹配所述医疗对象所属的类别的医疗项目,将所述医疗项目分配给所述医疗对象。
4.一种医疗对象的类别决策装置,其特征在于,包括:
采集模块,用于采集医疗对象的用户画像数据以及在历史时间段的医疗数据,所述医疗数据包括疾病诊断数据以及诊断资源消耗数据;
确定模块,用于根据所述用户画像数据,确定所述疾病诊断数据中特征数据之间的第一关联信息,以及确定所述诊断资源消耗数据中特征数据之间的第二关联信息,所述疾病诊断数据中特征数据包括诊断项数据,所述诊断资源消耗数据中特征数据包括消耗项数据;所述确定模块包括:独立关系分析单元,用于将所述疾病诊断数据及所述用户画像数据输入第一关联分析模型,得到所述疾病诊断数据中所包含的诊断项数据之间的独立关系;第一生成单元,用于根据所述独立关系,生成独立的诊断项数据之间的独立标签,作为所述第一关联信息;关联关系分析单元,用于将所述诊断资源消耗数据及所述用户画像数据输入第二关联分析模型,得到所述诊断资源消耗数据中所包含的消耗项数据之间的关联关系;第二生成单元,用于根据所述关联关系,生成关联的消耗项数据之间的关联标签,作为所述第二关联信息;
标记模块,用于根据所述第一关联信息,对所述疾病诊断数据中独立的特征数据进行标记,以及根据所述第二关联信息,对所述诊断资源消耗数据中关联的特征数据进行标记,得到标记后疾病诊断数据和标记后诊断资源消耗数据;所述标记模块,包括:独立标记单元,用于利用所述独立的诊断项数据之间的独立标签,对所述疾病诊断数据中独立的诊断项数据进行标记;关联标记单元,用于利用所述关联的消耗项数据之间的关联标签,对所述诊断资源消耗数据中关联的特征数据进行标记;
分类模块,用于将标记后疾病诊断数据和标记后诊断资源消耗数据,输入预设医疗对象分类模型,以使得所述预设医疗对象分类模型对所述独立的特征数据进行独立决策,并对所述关联的特征数据进行关联决策,生成医疗对象所属的类别;
输出模块,用于输出所述医疗对象所属的类别。
5.一种电子设备,其特征在于,包括:存储器,存储有计算机可读指令;处理器,读取存储器存储的计算机可读指令,以执行权利要求1-3任一项所述的方法。
6.一种存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214901.5A CN114334169B (zh) | 2022-03-07 | 2022-03-07 | 医疗对象的类别决策方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214901.5A CN114334169B (zh) | 2022-03-07 | 2022-03-07 | 医疗对象的类别决策方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114334169A CN114334169A (zh) | 2022-04-12 |
CN114334169B true CN114334169B (zh) | 2022-06-10 |
Family
ID=81030941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210214901.5A Active CN114334169B (zh) | 2022-03-07 | 2022-03-07 | 医疗对象的类别决策方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114334169B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722977B (zh) * | 2022-06-10 | 2022-09-02 | 四川大学 | 一种医疗对象分类方法、装置、电子设备及存储介质 |
CN114913986B (zh) * | 2022-07-15 | 2022-10-14 | 四川大学华西医院 | 一种医疗对象聚类方法、装置、电子设备及存储介质 |
CN116110602B (zh) * | 2023-04-13 | 2023-06-20 | 云南医无界医疗网络科技有限公司 | 一种应用于医共体的信息处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101926646A (zh) * | 2003-07-01 | 2010-12-29 | 卡迪尔马格成像公司 | 使用机器学习来进行心磁图分类 |
CN111524570A (zh) * | 2020-05-06 | 2020-08-11 | 万达信息股份有限公司 | 一种基于机器学习的超声随访患者筛选方法 |
CN113222001A (zh) * | 2021-05-07 | 2021-08-06 | 天津医科大学 | 神经影像标记物形态学融合分类指数的构建方法及应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7062322B2 (en) * | 2001-12-18 | 2006-06-13 | Medtronic, Inc. | Rhythm-based transition to discriminatory arrhythmia classification |
US7596485B2 (en) * | 2004-06-30 | 2009-09-29 | Microsoft Corporation | Module for creating a language neutral syntax representation using a language particular syntax tree |
-
2022
- 2022-03-07 CN CN202210214901.5A patent/CN114334169B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101926646A (zh) * | 2003-07-01 | 2010-12-29 | 卡迪尔马格成像公司 | 使用机器学习来进行心磁图分类 |
CN111524570A (zh) * | 2020-05-06 | 2020-08-11 | 万达信息股份有限公司 | 一种基于机器学习的超声随访患者筛选方法 |
CN113222001A (zh) * | 2021-05-07 | 2021-08-06 | 天津医科大学 | 神经影像标记物形态学融合分类指数的构建方法及应用 |
Non-Patent Citations (4)
Title |
---|
Ensemble of Label Specific Features for Multi-Label Classification;Xiaoya Wei等;《2018 IEEE International Conference on Multimedia and Expo(ICME)》;20181011;第1-6页 * |
Multi-Label Learning with Label-Specific Features via Clustering Ensemble;Wang Zhan等;《2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA)》;20180118;第129-135页 * |
多标记分类学习研究——从标记独立到标记关联增强;魏晓雅;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20220115;第I140-280页 * |
多标记学习分类算法研究;冯新营;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20130815;第I138-750页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114334169A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114334169B (zh) | 医疗对象的类别决策方法、装置、电子设备及存储介质 | |
US11948298B2 (en) | System to collect and identify medical conditions from images and expert knowledge | |
CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
CN112634889A (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
CN108461130A (zh) | 就诊任务智能调度方法及系统 | |
CN113744845A (zh) | 基于人工智能的医学影像处理方法、装置、设备及介质 | |
CN115579104A (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
CN113901764A (zh) | 一种内容排版方法、装置、电子设备和存储介质 | |
CN113469291B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113903433B (zh) | 一种图像处理方法、装置和电子设备 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN114722977B (zh) | 一种医疗对象分类方法、装置、电子设备及存储介质 | |
CN114913986B (zh) | 一种医疗对象聚类方法、装置、电子设备及存储介质 | |
US11783165B1 (en) | Generating vectors from data | |
CN114003599A (zh) | 海量医疗图像的处理系统、系统训练方法及图像标注方法 | |
CN113570286A (zh) | 基于人工智能的资源分配方法、装置、电子设备及介质 | |
CN112568911A (zh) | 心电数据的分类方法、设备及具有存储功能的装置 | |
CN113688854A (zh) | 数据处理方法、装置及计算设备 | |
CN115187805B (zh) | 一种征象识别方法、装置、电子设备和存储介质 | |
CN114549078B (zh) | 基于时序的客户行为处理方法、装置及相关设备 | |
CN116484881A (zh) | 对话生成模型的训练方法、装置、存储介质及计算机设备 | |
CN113159460A (zh) | 一种用户数据处理的方法、装置、计算机设备及存储介质 | |
CN116453026A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN116709988A (zh) | 使用一般内容脑反应模型对特定于学科的内容进行分类 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |