CN114334175B - 医院疫情监测方法、装置、计算机设备及存储介质 - Google Patents
医院疫情监测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114334175B CN114334175B CN202210082155.9A CN202210082155A CN114334175B CN 114334175 B CN114334175 B CN 114334175B CN 202210082155 A CN202210082155 A CN 202210082155A CN 114334175 B CN114334175 B CN 114334175B
- Authority
- CN
- China
- Prior art keywords
- early warning
- preset
- warning signal
- syndrome
- early
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 71
- 208000011580 syndromic disease Diseases 0.000 claims abstract description 190
- 208000024891 symptom Diseases 0.000 claims abstract description 96
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013178 mathematical model Methods 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 description 26
- 230000000241 respiratory effect Effects 0.000 description 18
- 229940079593 drug Drugs 0.000 description 10
- 238000007689 inspection Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 206010011224 Cough Diseases 0.000 description 8
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 208000000059 Dyspnea Diseases 0.000 description 6
- 206010013975 Dyspnoeas Diseases 0.000 description 6
- 206010037660 Pyrexia Diseases 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 4
- 108010048233 Procalcitonin Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000017574 dry cough Diseases 0.000 description 4
- 238000004868 gas analysis Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 description 4
- 208000013220 shortness of breath Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 206010011703 Cyanosis Diseases 0.000 description 2
- 238000001134 F-test Methods 0.000 description 2
- 208000000616 Hemoptysis Diseases 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 208000006083 Hypokinesia Diseases 0.000 description 2
- 206010062717 Increased upper airway secretion Diseases 0.000 description 2
- 208000001705 Mouth breathing Diseases 0.000 description 2
- 208000000112 Myalgia Diseases 0.000 description 2
- 206010028748 Nasal obstruction Diseases 0.000 description 2
- 206010068319 Oropharyngeal pain Diseases 0.000 description 2
- 201000007100 Pharyngitis Diseases 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 206010047924 Wheezing Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 208000008784 apnea Diseases 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 208000001780 epistaxis Diseases 0.000 description 2
- 206010022000 influenza Diseases 0.000 description 2
- 208000015001 muscle soreness Diseases 0.000 description 2
- 208000010753 nasal discharge Diseases 0.000 description 2
- 229960003752 oseltamivir Drugs 0.000 description 2
- VSZGPKBBMSAYNT-RRFJBIMHSA-N oseltamivir Chemical compound CCOC(=O)C1=C[C@@H](OC(CC)CC)[C@H](NC(C)=O)[C@@H](N)C1 VSZGPKBBMSAYNT-RRFJBIMHSA-N 0.000 description 2
- 229960005489 paracetamol Drugs 0.000 description 2
- 208000026435 phlegm Diseases 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 229960001028 zanamivir Drugs 0.000 description 2
- ARAIBEBZBOPLMB-UFGQHTETSA-N zanamivir Chemical compound CC(=O)N[C@@H]1[C@@H](N=C(N)N)C=C(C(O)=O)O[C@H]1[C@H](O)[C@H](O)CO ARAIBEBZBOPLMB-UFGQHTETSA-N 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction 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
- 201000008827 tuberculosis Diseases 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及人工智能技术，提供一种医院疫情监测方法、装置、计算机设备与存储介质，包括：处理目标文本中的症状信息与属性信息，得到结构化的病例数据；确定病例数据对应的目标症候群；将病例数据与预设症候群的病例定义进行关键词匹配，确定目标症候群；分别获取第一预警信号间的第一相关性以及第二预警信号的第二相关性，筛选第一预警信号集，得到第一综合预警信号，并筛选第二预警信号集，得到第二综合预警信号；将第一综合预警信号输入目标症候群预警模型，得到第一预警结果，将第二综合预警信号输入关联因素预警模型，得到第二预警结果；根据第一与第二预警结果进行综合预警。本申请能够提高症状监测的准确性，促进智慧城市的快速发展。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种医院疫情监测方法、装置、计算机设备及存储介质。
背景技术
公共卫生是关系到一国或一个地区人民大众健康的公共事业。公共卫生的重要工作之一是对重大疾病尤其是传染病(如结核、艾滋病、SARS、新冠肺炎等)的预防、监控和治疗。通常是在哨点医院或卫生防疫站等地点按周收集相应的病例数据，然后进行统计分析，获得相应病例的流行形势数据。流感流行形势数据可提供给相关疾控专家或医生等进行参考，从而进行流感的防控。
在实现本申请的过程中，发明人发现现有技术存在如下技术问题：现有的症状监测方法大多是将收集的病例数据与历史设置的症候群病例数据进行比较实现监测，而在监测过程中，仅是针对症候群本身的数据进行监测，监测数据来源单一，无法保证症状监测的准确性。
因此，有必要提供一种症状监测方法，能够提高症状监测的准确性。
发明内容
鉴于以上内容，有必要提出一种医院疫情监测方法、医院疫情监测装置、计算机设备及存储介质，能够提高症状监测的准确性。
本申请实施例第一方面提供一种医院疫情监测方法，所述医院疫情监测方法包括：
调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据；
将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群；
获取所述目标症候群的关联因素，并分别调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集；
分别获取所述第一预警信号集中每一第一预警信号间的第一相关性以及所述第二预警信号集中每一第二预警信号的第二相关性，根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号；
将所述第一综合预警信号输入至预先训练好的目标症候群预警模型中，得到第一预警结果，并将所述第二综合预警信号输入至预先训练好的关联因素预警模型中，得到第二预警结果；
根据所述第一预警结果与所述第二预警结果进行综合预警。
进一步地，在本申请实施例提供的上述医院疫情监测方法中，所述调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据包括：
获取患者对应的目标文本；
获取所述目标文本中的第一预设关键词与第二预设关键词，并调用预设症状抽取工具抽取所述第一预设关键词对应的症状信息与所述第二预设关键词对应的属性信息；
按照预设数据格式组合所述症状信息以及所述属性信息，得到结构化的病例数据。
进一步地，在本申请实施例提供的上述医院疫情监测方法中，所述将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群包括：
获取所述病例数据中的第一关键词，并向量化处理所述第一关键词，得到第一关键词向量；
获取所述病例定义中的第二关键词，并向量化处理所述第二关键词，得到第二关键词向量；
计算所述第一关键词向量与所述第二关键词向量间的距离，并获取所述距离超过预设距离阈值的症候群作为与所述病例数据对应的目标症候群。
进一步地，在本申请实施例提供的上述医院疫情监测方法中，所述获取所述第一预警信号集中每一第一预警信号间的第一相关性包括：
计算所述第一预警信号集中任意两个第一预警信号间的相关性系数；
检测所述相关性系数是否超过预设相关性阈值；
当检测结果为所述相关性系数超过所述预设相关性阈值时，移除其中任意一个第一预警信号，得到第一综合预警信号。
进一步地，在本申请实施例提供的上述医院疫情监测方法中，所述目标症候群预警模型的训练过程包括：
获取历史第一综合预警信号以及所述历史第一综合预警信号对应的历史第一预警结果；
以所述历史第一综合预警信号为输入向量，所述历史第一预警结果为输出向量作为训练样本，并将所述训练样本拆分为训练数据与测试数据；
调用所述训练数据训练神经网络模型，得到初始目标症候群预警模型；
调用所述测试数据获取所述初始目标症候群预警模型的准确性，并检测所述准确性是否超过预设准确性阈值；
当检测结果为所述准确性超过所述预设准确性阈值时，确定所述目标症候群预警模型构建完成。进一步地，在本申请实施例提供的上述医院疫情监测方法中，所述调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集包括：
确定所述目标症候群对应的第一预设数学模型，并获取所述第一预设数学模型对应的第一变量数据；
调用所述第一预设数学模型处理所述第一变量数据得到第一预警信号集；
确定所述关联因素对应的第二预设数学模型，并获取所述第二预设数学模型对应的第二变量数据；
调用所述第二预设数学模型处理所述第二变量数据得到第二预警信号集。
进一步地，在本申请实施例提供的上述医院疫情监测方法中，所述根据所述第一预警结果与所述第二预警结果进行综合预警包括：
获取所述目标症候群预警模型的第一预警结果；
获取所述关联因素预警模型的第二预警结果；
计算所述第一预警结果与所述第二预警结果中超过预设风险阈值的数量；
检测所述数量是否超过预设数量阈值；
当检测结果为所述数量超过所述预设数量阈值时，确定疫情风险等级为高级；
当检测结果为所述数量未超过所述预设数量阈值时，确定疫情风险等级为低级。
本申请实施例第二方面还提供一种医院疫情监测装置，所述医院疫情监测装置包括：
信息调用模块，用于调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据；
病例匹配模块，用于将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群；
关联确定模块，用于获取所述目标症候群的关联因素，并分别调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集；
信号获取模块，用于分别获取所述第一预警信号集中每一第一预警信号间的第一相关性以及所述第二预警信号集中每一第二预警信号的第二相关性，根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号；
模型输入模块，用于将所述第一综合预警信号输入至预先训练好的目标症候群预警模型中，得到第一预警结果，并将所述第二综合预警信号输入至预先训练好的关联因素预警模型中，得到第二预警结果；
综合预警模块，用于根据所述第一预警结果与所述第二预警结果进行综合预警。
本申请实施例第三方面还提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述医院疫情监测方法。
本申请实施例第四方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述医院疫情监测方法。
本申请实施例提供的上述医院疫情监测方法、医院疫情监测装置、计算机设备以及计算机可读存储介质，在利用多个预警信号构建预设症候群预警模型时，对多个预警信号进行相关性筛选从而避免预警信号之间相关性较强对预设症候群预警模型结果的影响，提高模型构建的准确性，继而提高症状监测的准确性；且本申请结合与预设症候群相关联的关联因素预警模型，辅助基于症状的预设症候群预警模型，从不同的数据来源对症候群进行预警，保证症状监测的准确性，提升预警的精度。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的医院疫情监测模块等，能够促进智慧城市的快速发展。
附图说明
图1是本申请实施例一提供的医院疫情监测方法的流程图。
图2是本申请实施例二提供的医院疫情监测装置的结构图。
图3是本申请实施例三提供的计算机设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
本申请实施例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。
本发明实施例提供的医院疫情监测方法由计算机设备执行，相应地，医院疫情监测装置运行于计算机设备中。图1是本申请实施例一提供的医院疫情监测方法的流程图。如图1所示，所述医院疫情监测方法可以包括如下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略：
S11，调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据。
在本申请的至少一实施例中，所述目标文本可以为患者与医生在移动终端(例如，手机端)关于病情的初始病情沟通信息，也可以是患者与医生在线下沟通时(例如，在医院就诊)，由医生记录在移动终端(例如，电脑端)的初始病情沟通信息。
调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据。其中，所述预设数据格式为预先设置的用于结构化所述症状信息与所述属性信息的格式。所述症状信息可以为发热、咳嗽、干咳、呼吸急促、打喷嚏等信息，所述属性信息可以为症状发生的部位、持续时间、严重程度等信息。
可选地，所述调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据包括：
获取患者对应的目标文本；
获取所述目标文本中的第一预设关键词与第二预设关键词，并调用预设症状抽取工具抽取所述第一预设关键词对应的症状信息与所述第二预设关键词对应的属性信息；
按照预设数据格式组合所述症状信息以及所述属性信息，得到结构化的病例数据。
其中，所述目标文本包含较多口语化的词语，需要对所述目标文本进行结构化处理，得到预设数据格式的病例数据，便于症状信息的快速确认，能够提高症状监测的效率。所述第一预设关键词为系统预先设置的用于标识症状信息的关键词，所述第二预设关键词为系统预先设置的用于标识属性信息的关键词。
S12，将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群。
在本申请的至少一实施例中，所述预设症候群是指预先设置好的症候群，所述预设症候群的数量为多个，所述预设症候群可以包括发热呼吸道症候群等，在此不做限制。所述预设症候群的病例定义可以是指所述预设症候群的病例特征，以所述预设症候群为发热呼吸道症候群为例，所述病例定义包括发热、咳嗽、干咳、呼吸急促、打喷嚏、鼻塞、流涕、咽痛、乏力、肌肉酸痛、鼻出血、咽喉出血、咯血、浓痰、喉鸣音、喘息、喘鸣、张口呼吸、口唇紫绀、叹气样呼吸、呼吸暂停、呼吸困难、喘憋、嗅觉异常等。
在一实施例中，根据关键词匹配技术，将患者的病例数据对应的关键词和预设症候群的病例定义进行匹配，将匹配成功的患者标记为目标症候群病例。在其他实施例中，对没有匹配成功的患者，将从患者的病例数据中抽取的结构化信息表示的向量和预设症候群的病例定义表示的向量进行模糊匹配，将匹配得分较高的患者标记为目标症候群病例，其中，模糊匹配算法为现有技术，在此不做赘述。本申请通过模糊匹配的方式避免由于症状存在多个同义词造成关键词匹配不成功从而带来的误差。
可选地，所述将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群包括：
获取所述病例数据中的第一关键词，并向量化处理所述第一关键词，得到第一关键词向量；
获取所述病例定义中的第二关键词，并向量化处理所述第二关键词，得到第二关键词向量；
计算所述第一关键词向量与所述第二关键词向量间的距离，并获取所述距离超过预设距离阈值的症候群作为与所述病例数据对应的目标症候群。
其中，所述第一关键词是指从所述病例数据中抽取的预设属性对应的信息，所述第二关键词是指从所述病例定义中抽取的所述预设属性对应的信息。所述预设属性为系统人员预先设置的用于进行数据匹配的属性信息，例如，所述预设属性可以为症状信息、症状发生的部位、持续时间以及严重程度等信息。所述距离可以为欧氏距离，通过计算两个向量间的欧氏距离，可以确定两个向量间的相近程度。所述预设距离阈值为预先设置的用于评价两个向量相近程度的阈值。
S13，获取所述目标症候群的关联因素，并分别调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集。
在本申请的至少一实施例中，所述关联因素是指与所述目标症候群相关的、可同时用于症状监测的因素，通过获取所述目标症候群的关联因素，并针对症候群以及所述关联因素对应的数据同时进行监测，使得监测数据来源全面，能够保证症状监测的准确性。在一实施例中，所述目标症候群的关联因素可以包括但不限于校验检查项目和药品项目。基于知识图谱构建目标症候群相关联的检验检查项目和药品项目。示例性地，当所述目标症候群为发热呼吸道症候群时，所述发热呼吸道症候群关联的检验检查名称，例如，所述检验检查名称可以包括血常规、降钙素原、动脉血气分析、鼻拭子等检验检查名称；所述发热呼吸道症候群关联的药品通用名，例如，所述药品通用名可以包括奥司他韦、扎那米韦、对乙酰氨基酚等药品通用名。
可选地，所述获取所述目标症候群的关联因素包括：
确定所述目标症候群对应的目标知识图谱；
从所述目标知识图谱中筛选所述目标症候群对应的关联因素。
其中，对于每一个目标症候群，均存在与之对应的目标知识图谱，所述目标知识图谱中包含的子图谱数量可以为1个，也可以为多个。在一实施例中，所述子图谱可以为检验检查项目子图谱和药品项目子图谱。对于每一个子图谱，均包含若干个关联子因素，示例性地，对于检验检查项目子图谱，其对应的关联子因素可以包括血常规、降钙素原、动脉血气分析、鼻拭子等关联子因素。
在一实施例中，从时间和指标两个维度并基于统计方法构造第一预警信号集与第二预警信号集，以便从不同的数据维度对目标症候群进行预警。其中，基于时间的维度考虑天、周和月，基于指标的维度考虑同比、环比、历史百分位和增长率。示例性地，预警信号可以包括但不限于：“天-增长率”、“天-历史百分位”、“周-环比”以及“月-同比”。预警信号“天-增长率”是指根据当天的监测值和过去N天的监测值计算增长率；预警信号“天-历史百分位”是指根据前一天的监测值和去年整年的监测值计算历史百分位；预警信号“周-环比”是指根据过去14天的监测值计算环比值；预警信号“月-同比”是指根据过去30天的监测值和去年同期月的监测值计算同比值。其中，所述监测值是指预设症候群的病例数。
可选地，所述调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集包括：
确定所述目标症候群对应的第一预设数学模型，并获取所述第一预设数学模型对应的第一变量数据；
调用所述第一预设数学模型处理所述第一变量数据得到第一预警信号集；
确定所述关联因素对应的第二预设数学模型，并获取所述第二预设数学模型对应的第二变量数据；
调用所述第二预设数学模型处理所述第二变量数据得到第二预警信号集。
其中，所述第一预警信号集中包含若干第一预警信号，所述第一预警信号可以是所述目标症候群对应的“天-增长率”、“天-历史百分位”、“周-环比”以及“月-同比”等信号；所述第二预警信号集中包含若干第二预警信号，所述第二预警信号可以是所述关联因素对应的“天-增长率”、“天-历史百分位”、“周-环比”以及“月-同比”等信号。每一预警信号均存在相应的预设数学模型，对于所述目标症候群的预警信号来说，存在相应的第一预设数学模型，对于所述关联因素对应的预警信号来说，存在相应的第二预设数学模型。所述第一预设数学模型与所述第二预设数学模型可以相同，也可以不同。示例性地，对于所述目标症候群对应的“天-增长率”的预警信号，其存在与之对应的第一预设数学模型；对于所述目标症候群对应的“天-历史百分位”的预警信号，其也存在与之对应的第一预设数学模型，在此不做赘述，两个预警信号对应的第一预设数学模型并不相同。所述预设数学模型包含相应的变量数据(例如，监测值)，将变量数据输入至所述预设数学模型中，通过所述预设数学模型可以获取所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集，所述预设数学模型为系统人员预先设置的模型，在此不做限制。
S14，分别获取所述第一预警信号集中每一第一预警信号间的第一相关性以及所述第二预警信号集中每一第二预警信号的第二相关性，根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号。
在本申请的至少一实施例中，从时间和指标两个维度构建的预警信号集中的预警信号间可能存在较强的相关性，在利用预警信号构建相关模型(症候群预警模型或者关联因素预警模型)时，如果预警信号之间存在较强的相关性，即相关性较强的预警信号的变化波动曲线相似，会对预警结果产生影响。为了避免预警信号之间的相关性较强对预警结果的影响，需要对多个预警信号进行相关性校验。相关性校验方法可以包括卡方检验、F检验和互信息等方法。应用相关性检验方法(例如卡方检验、F检验和互信息等方法)对任意两个预警信号之间计算相关性系数；然后，基于相关性系数阈值(一般设为0.3，相关性系数为0.3及以下表示无相关性或相关性较弱)进行预警信号筛选，如果两个预警信号的相关性系数超过阈值，只保留其中一个预警信号，移除另一个预警信号；最后，经筛选用于构建预警模型的预警信号，其互相之间的相关性都不超过阈值。
可选地，所述获取所述第一预警信号集中每一第一预警信号间的第一相关性包括：
计算所述第一预警信号集中任意两个第一预警信号间的相关性系数；
检测所述相关性系数是否超过预设相关性阈值；
当检测结果为所述相关性系数超过所述预设相关性阈值时，移除其中任意一个第一预警信号，得到第一综合预警信号。
其中，所述预设相关性阈值为系统人员预先设置的用于评估两个预警信号间相关性的阈值。同理，可以利用上述相关性校验方法所述第二预警信号集中每一第二预警信号的第二相关性，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号，在此不做赘述。
S15，将所述第一综合预警信号输入至预先训练好的目标症候群预警模型中，得到第一预警结果，并将所述第二综合预警信号输入至预先训练好的关联因素预警模型中，得到第二预警结果。
在本申请的至少一实施例中，当所述预设症候群为发热呼吸道症候群时，发热呼吸道症候群的关联因素包括校验检查项目和药品项目，也即构建检验检查预警模型与药品预警模型，也即所述关联因素预警模型可以为检验检查预警模型与药品预警模型。所述第一预警结果是指调用所述目标症候群预警模型处理所述第一综合预警信号后得到的模型输出结果，所述第一预警结果可以为预警风险等级。所述第二预警结果是指调用所述关联因素预警模型处理所述第二综合预警信号后得到的模型输出结果，所述第二预警结果可以为预警风险等级。
为了从不同的维度捕获预警信息，设计从时间(如天、周、月等)和指标(如同比、环比、历史百分位、增长率等)两个维度构建预警信号进行预警。然后，将多个预警信号综合起来应用机器学习方法训练预警模型进行预警，具体地，应用历史数据，将多个预警信号作为特征，历史预警结果作为标签，应用机器学习方法，训练疾病预警模型，对疾病预警的风险等级进行评估。用于评估风险等级的阈值可以根据各候选阈值在历史数据中的表现设定。
在一实施例中，建立预设症候群相关检验检查预警模型的步骤如下：从预先构建的预设症候群的知识图谱中确定相关联的检验检查项目；以天作为单位统计每天进行的相关联的检验检查病例数；根据相关联的检验检查病例数计算若干预警信号，并对若干预警信号进行相关性筛选；将筛选后的预警信号作为模型输入，对应的预警结果作为模型输出构建相关联的检验检查预警模型。
在一实施例中，建立预设症候群相关药品预警模型的步骤如下：从预先构建的预设症候群的知识图谱中确定相关联的药品项目；以天作为单位统计每天开具了相关联的药品病例数；根据相关联的药品病例数计算若干预警信号，并对若干预警信号进行相关性筛选；将筛选后的预警信号作为模型输入，对应的预警结果作为模型输出构建相关联的药品预警模型。
可选地，所述目标症候群预警模型的训练过程包括：
获取历史第一综合预警信号以及所述历史第一综合预警信号对应的历史第一预警结果；
以所述历史第一综合预警信号为输入向量，所述历史第一预警结果为输出向量作为训练样本，并将所述训练样本拆分为训练数据与测试数据；
调用所述训练数据训练神经网络模型，得到初始目标症候群预警模型；
调用所述测试数据获取所述初始目标症候群预警模型的准确性，并检测所述准确性是否超过预设准确性阈值；
当检测结果为所述准确性超过所述预设准确性阈值时，确定所述目标症候群预警模型构建完成。
其中，所述训练数据与所述测试数据按照预设拆分比例进行拆分，例如，所述预设拆分比例可以为8:2，在此不做限制。所述预设准确性阈值为系统人员预先设置的用于评估模型准确性的阈值，例如，所述预设准确性阈值可以为95％，在此不做限制。同样地，通过上述方法可以构建关联因素预警模型，在此不做赘述。
S16，根据所述第一预警结果与所述第二预警结果进行综合预警。
在本申请的至少一实施例中，当所述预设症候群为发热呼吸道症候群时，结合发热呼吸道症候群相关联的检验检查预警模型、药品预警模型，辅助基于症状的发热症候群预警模型，从不同的数据来源对症候群进行预警，提升预警的精度。
在一实施例中，对预设症候群建立两层预警机制，包括第一层预警与第二层预警，其中，所述第一层预警是针对每个预警信号而言，具体地，对每个预警信号设置不同的阈值，阈值由预警信号的历史值的百分比确定。如果一个预警信号值超过其阈值，则对该预警信号进行预警。所述第二层预警是针对综合多个预警信号值进行预警而言，具体地，按照如下规则进行预警触发：低风险：所有预警信号值都在阈值以内，显示低风险；中风险：出现一个预警信号超过阈值，触发中风险，并将这个超过阈值的预警信号以及其值作为预警信息显示；高风险：出现两个及以上预警信号超过阈值，触发高风险，并将所有超过阈值的预警信号以及其值作为预警信息显示。
可选地，所述根据所述第一预警结果与所述第二预警结果进行综合预警包括：
获取所述目标症候群预警模型的第一预警结果；
获取所述关联因素预警模型的第二预警结果；
计算所述第一预警结果与所述第二预警结果中超过预设风险阈值的数量；
检测所述数量是否超过预设数量阈值；
当检测结果为所述数量超过所述预设数量阈值时，确定疫情风险等级为高级；
当检测结果为所述数量未超过所述预设数量阈值时，确定疫情风险等级为低级。
其中，所述第一预警结果是指组合所述目标症候群预警模型对应的第一层预警与第二层预警得到的预警结果，所述第一层预警与所述第二层预警按照一定格式进行组合；所述第二预警结果是指组合所述关联因素预警模型对应的第一层预警与第二层预警得到的预警结果。所述预设风险阈值为系统人员预先设置的用于评估疫情风险等级的阈值，所述预设数量阈值为系统人员预先设置的用于确定疫情风险等级的阈值。
本申请实施例提供的上述医院疫情监测方法，在利用多个预警信号构建预设症候群预警模型时，对多个预警信号进行相关性筛选从而避免预警信号之间相关性较强对预设症候群预警模型结果的影响，提高模型构建的准确性，继而提高症状监测的准确性；且本申请结合与预设症候群相关联的关联因素预警模型，辅助基于症状的预设症候群预警模型，从不同的数据来源对症候群进行预警，提升预警的精度。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的医院疫情监测模块等，能够促进智慧城市的快速发展。
图2是本申请实施例二提供的医院疫情监测装置的结构图。
在一些实施例中，所述医院疫情监测装置20可以包括多个由计算机程序段所组成的功能模块。所述医院疫情监测装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)医院疫情监测的功能。
本实施例中，所述医院疫情监测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：信息调用模块201、病例匹配模块202、关联确定模块203、信号获取模块204、模型输入模块205以及综合预警模块206。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述信息调用模块201用于调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据。
在本申请的至少一实施例中，所述目标文本可以为患者与医生在移动终端(例如，手机端)关于病情的初始病情沟通信息，也可以是患者与医生在线下沟通时(例如，在医院就诊)，由医生记录在移动终端(例如，电脑端)的初始病情沟通信息。
调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据。其中，所述预设数据格式为预先设置的用于结构化所述症状信息与所述属性信息的格式。所述症状信息可以为发热、咳嗽、干咳、呼吸急促、打喷嚏等信息，所述属性信息可以为症状发生的部位、持续时间、严重程度等信息。
可选地，所述调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据包括：
获取患者对应的目标文本；
获取所述目标文本中的第一预设关键词与第二预设关键词，并调用预设症状抽取工具抽取所述第一预设关键词对应的症状信息与所述第二预设关键词对应的属性信息；
按照预设数据格式组合所述症状信息以及所述属性信息，得到结构化的病例数据。
其中，所述目标文本包含较多口语化的词语，需要对所述目标文本进行结构化处理，得到预设数据格式的病例数据，便于症状信息的快速确认，能够提高症状监测的效率。所述第一预设关键词为系统预先设置的用于标识症状信息的关键词，所述第二预设关键词为系统预先设置的用于标识属性信息的关键词。
所述病例匹配模块202用于将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群。
在本申请的至少一实施例中，所述预设症候群是指预先设置好的症候群，所述预设症候群的数量为多个，所述预设症候群可以包括发热呼吸道症候群等，在此不做限制。所述预设症候群的病例定义可以是指所述预设症候群的病例特征，以所述预设症候群为发热呼吸道症候群为例，所述病例定义包括发热、咳嗽、干咳、呼吸急促、打喷嚏、鼻塞、流涕、咽痛、乏力、肌肉酸痛、鼻出血、咽喉出血、咯血、浓痰、喉鸣音、喘息、喘鸣、张口呼吸、口唇紫绀、叹气样呼吸、呼吸暂停、呼吸困难、喘憋、嗅觉异常等。
在一实施例中，根据关键词匹配技术，将患者的病例数据对应的关键词和预设症候群的病例定义进行匹配，将匹配成功的患者标记为目标症候群病例。在其他实施例中，对没有匹配成功的患者，将从患者的病例数据中抽取的结构化信息表示的向量和预设症候群的病例定义表示的向量进行模糊匹配，将匹配得分较高的患者标记为目标症候群病例，其中，模糊匹配算法为现有技术，在此不做赘述。本申请通过模糊匹配的方式避免由于症状存在多个同义词造成关键词匹配不成功从而带来的误差。
可选地，所述将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群包括：
获取所述病例数据中的第一关键词，并向量化处理所述第一关键词，得到第一关键词向量；
获取所述病例定义中的第二关键词，并向量化处理所述第二关键词，得到第二关键词向量；
计算所述第一关键词向量与所述第二关键词向量间的距离，并获取所述距离超过预设距离阈值的症候群作为与所述病例数据对应的目标症候群。
其中，所述第一关键词是指从所述病例数据中抽取的预设属性对应的信息，所述第二关键词是指从所述病例定义中抽取的所述预设属性对应的信息。所述预设属性为系统人员预先设置的用于进行数据匹配的属性信息，例如，所述预设属性可以为症状信息、症状发生的部位、持续时间以及严重程度等信息。所述距离可以为欧氏距离，通过计算两个向量间的欧氏距离，可以确定两个向量间的相近程度。所述预设距离阈值为预先设置的用于评价两个向量相近程度的阈值。
所述关联确定模块203用于获取所述目标症候群的关联因素，并分别调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集。
在本申请的至少一实施例中，所述关联因素是指与所述目标症候群相关的、可同时用于症状监测的因素，通过获取所述目标症候群的关联因素，并针对症候群以及所述关联因素对应的数据同时进行监测，使得监测数据来源全面，能够保证症状监测的准确性。在一实施例中，所述目标症候群的关联因素可以包括但不限于校验检查项目和药品项目。基于知识图谱构建目标症候群相关联的检验检查项目和药品项目。示例性地，当所述目标症候群为发热呼吸道症候群时，所述发热呼吸道症候群关联的检验检查名称，例如，所述检验检查名称可以包括血常规、降钙素原、动脉血气分析、鼻拭子等检验检查名称；所述发热呼吸道症候群关联的药品通用名，例如，所述药品通用名可以包括奥司他韦、扎那米韦、对乙酰氨基酚等药品通用名。
可选地，所述获取所述目标症候群的关联因素包括：
确定所述目标症候群对应的目标知识图谱；
从所述目标知识图谱中筛选所述目标症候群对应的关联因素。
其中，对于每一个目标症候群，均存在与之对应的目标知识图谱，所述目标知识图谱中包含的子图谱数量可以为1个，也可以为多个。在一实施例中，所述子图谱可以为检验检查项目子图谱和药品项目子图谱。对于每一个子图谱，均包含若干个关联子因素，示例性地，对于检验检查项目子图谱，其对应的关联子因素可以包括血常规、降钙素原、动脉血气分析、鼻拭子等关联子因素。
在一实施例中，从时间和指标两个维度并基于统计方法构造第一预警信号集与第二预警信号集，以便从不同的数据维度对目标症候群进行预警。其中，基于时间的维度考虑天、周和月，基于指标的维度考虑同比、环比、历史百分位和增长率。示例性地，预警信号可以包括但不限于：“天-增长率”、“天-历史百分位”、“周-环比”以及“月-同比”。预警信号“天-增长率”是指根据当天的监测值和过去N天的监测值计算增长率；预警信号“天-历史百分位”是指根据前一天的监测值和去年整年的监测值计算历史百分位；预警信号“周-环比”是指根据过去14天的监测值计算环比值；预警信号“月-同比”是指根据过去30天的监测值和去年同期月的监测值计算同比值。其中，所述监测值是指预设症候群的病例数。
可选地，所述调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集包括：
确定所述目标症候群对应的第一预设数学模型，并获取所述第一预设数学模型对应的第一变量数据；
调用所述第一预设数学模型处理所述第一变量数据得到第一预警信号集；
确定所述关联因素对应的第二预设数学模型，并获取所述第二预设数学模型对应的第二变量数据；
调用所述第二预设数学模型处理所述第二变量数据得到第二预警信号集。
其中，所述第一预警信号集中包含若干第一预警信号，所述第一预警信号可以是所述目标症候群对应的“天-增长率”、“天-历史百分位”、“周-环比”以及“月-同比”等信号；所述第二预警信号集中包含若干第二预警信号，所述第二预警信号可以是所述关联因素对应的“天-增长率”、“天-历史百分位”、“周-环比”以及“月-同比”等信号。每一预警信号均存在相应的预设数学模型，对于所述目标症候群的预警信号来说，存在相应的第一预设数学模型，对于所述关联因素对应的预警信号来说，存在相应的第二预设数学模型。所述第一预设数学模型与所述第二预设数学模型可以相同，也可以不同。示例性地，对于所述目标症候群对应的“天-增长率”的预警信号，其存在与之对应的第一预设数学模型；对于所述目标症候群对应的“天-历史百分位”的预警信号，其也存在与之对应的第一预设数学模型，在此不做赘述，两个预警信号对应的第一预设数学模型并不相同。所述预设数学模型包含相应的变量数据(例如，监测值)，将变量数据输入至所述预设数学模型中，通过所述预设数学模型可以获取所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集，所述预设数学模型为系统人员预先设置的模型，在此不做限制。
所述信号获取模块204用于分别获取所述第一预警信号集中每一第一预警信号间的第一相关性以及所述第二预警信号集中每一第二预警信号的第二相关性，根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号。
在本申请的至少一实施例中，从时间和指标两个维度构建的预警信号集中的预警信号间可能存在较强的相关性，在利用预警信号构建相关模型(症候群预警模型或者关联因素预警模型)时，如果预警信号之间存在较强的相关性，即相关性较强的预警信号的变化波动曲线相似，会对预警结果产生影响。为了避免预警信号之间的相关性较强对预警结果的影响，需要对多个预警信号进行相关性校验。相关性校验方法可以包括卡方检验、F检验和互信息等方法。应用相关性检验方法(例如卡方检验、F检验和互信息等方法)对任意两个预警信号之间计算相关性系数；然后，基于相关性系数阈值(一般设为0.3，相关性系数为0.3及以下表示无相关性或相关性较弱)进行预警信号筛选，如果两个预警信号的相关性系数超过阈值，只保留其中一个预警信号，移除另一个预警信号；最后，经筛选用于构建预警模型的预警信号，其互相之间的相关性都不超过阈值。
可选地，所述获取所述第一预警信号集中每一第一预警信号间的第一相关性包括：
计算所述第一预警信号集中任意两个第一预警信号间的相关性系数；
检测所述相关性系数是否超过预设相关性阈值；
当检测结果为所述相关性系数超过所述预设相关性阈值时，移除其中任意一个第一预警信号，得到第一综合预警信号。
其中，所述预设相关性阈值为系统人员预先设置的用于评估两个预警信号间相关性的阈值。同理，可以利用上述相关性校验方法所述第二预警信号集中每一第二预警信号的第二相关性，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号，在此不做赘述。
所述模型输入模块205用于将所述第一综合预警信号输入至预先训练好的目标症候群预警模型中，得到第一预警结果，并将所述第二综合预警信号输入至预先训练好的关联因素预警模型中，得到第二预警结果。
在本申请的至少一实施例中，当所述预设症候群为发热呼吸道症候群时，发热呼吸道症候群的关联因素包括校验检查项目和药品项目，也即构建检验检查预警模型与药品预警模型，也即所述关联因素预警模型可以为检验检查预警模型与药品预警模型。所述第一预警结果是指调用所述目标症候群预警模型处理所述第一综合预警信号后得到的模型输出结果，所述第一预警结果可以为预警风险等级。所述第二预警结果是指调用所述关联因素预警模型处理所述第二综合预警信号后得到的模型输出结果，所述第二预警结果可以为预警风险等级。
为了从不同的维度捕获预警信息，设计从时间(如天、周、月等)和指标(如同比、环比、历史百分位、增长率等)的维度构建疾病预警信号进行预警。然后，将多个预警信号综合起来应用机器学习方法训练预警模型进行预警，具体地，应用历史数据，将多个预警信号作为特征，历史预警结果作为标签，应用机器学习方法，训练疾病预警模型，对疾病预警的风险等级进行评估。用于评估风险等级的阈值可以根据各候选阈值在历史数据中的表现设定。
在一实施例中，建立预设症候群相关检验检查预警模型的步骤如下：从预先构建的预设症候群的知识图谱中确定相关联的检验检查项目；以天作为单位统计每天进行的相关联的检验检查病例数；根据相关联的检验检查病例数计算若干预警信号，并对若干预警信号进行相关性筛选；将筛选后的预警信号作为模型输入，对应的预警结果作为模型输出构建相关联的检验检查预警模型。
在一实施例中，建立预设症候群相关药品预警模型的步骤如下：从预先构建的预设症候群的知识图谱中确定相关联的药品项目；以天作为单位统计每天开具了相关联的药品病例数；根据相关联的药品病例数计算若干预警信号，并对若干预警信号进行相关性筛选；将筛选后的预警信号作为模型输入，对应的预警结果作为模型输出构建相关联的药品预警模型。
可选地，所述目标症候群预警模型的训练过程包括：
获取历史第一综合预警信号以及所述历史第一综合预警信号对应的历史第一预警结果；
以所述历史第一综合预警信号为输入向量，所述历史第一预警结果为输出向量作为训练样本，并将所述训练样本拆分为训练数据与测试数据；
调用所述训练数据训练神经网络模型，得到初始目标症候群预警模型；
调用所述测试数据获取所述初始目标症候群预警模型的准确性，并检测所述准确性是否超过预设准确性阈值；
当检测结果为所述准确性超过所述预设准确性阈值时，确定所述目标症候群预警模型构建完成。
其中，所述训练数据与所述测试数据按照预设拆分比例进行拆分，例如，所述预设拆分比例可以为8:2，在此不做限制。所述预设准确性阈值为系统人员预先设置的用于评估模型准确性的阈值，例如，所述预设准确性阈值可以为95％，在此不做限制。同样地，通过上述方法可以构建关联因素预警模型，在此不做赘述。
所述综合预警模块206用于根据所述第一预警结果与所述第二预警结果进行综合预警。
在本申请的至少一实施例中，当所述预设症候群为发热呼吸道症候群时，结合发热呼吸道症候群相关联的检验检查预警模型、药品预警模型，辅助基于症状的发热症候群预警模型，从不同的数据来源对症候群进行预警，提升预警的精度。
在一实施例中，对预设症候群建立两层预警机制，包括第一层预警与第二层预警，其中，所述第一层预警是针对每个预警信号而言，具体地，对每个预警信号设置不同的阈值，阈值由预警信号的历史值的百分比确定。如果一个预警信号值超过其阈值，则对该预警信号进行预警。所述第二层预警是针对综合多个预警信号值进行预警而言，具体地，按照如下规则进行预警触发：低风险：所有预警信号值都在阈值以内，显示低风险；中风险：出现一个预警信号超过阈值，触发中风险，并将这个超过阈值的预警信号以及其值作为预警信息显示；高风险：出现两个及以上预警信号超过阈值，触发高风险，并将所有超过阈值的预警信号以及其值作为预警信息显示。
可选地，所述根据所述第一预警结果与所述第二预警结果进行综合预警包括：
获取所述目标症候群预警模型的第一预警结果；
获取所述关联因素预警模型的第二预警结果；
计算所述第一预警结果与所述第二预警结果中超过预设风险阈值的数量；
检测所述数量是否超过预设数量阈值；
当检测结果为所述数量超过所述预设数量阈值时，确定疫情风险等级为高级；
当检测结果为所述数量未超过所述预设数量阈值时，确定疫情风险等级为低级。
其中，所述第一预警结果是指组合所述目标症候群预警模型对应的第一层预警与第二层预警得到的预警结果，所述第一层预警与所述第二层预警按照一定格式进行组合；所述第二预警结果是指组合所述关联因素预警模型对应的第一层预警与第二层预警得到的预警结果。所述预设风险阈值为系统人员预先设置的用于评估疫情风险等级的阈值，所述预设数量阈值为系统人员预先设置的用于确定疫情风险等级的阈值。
参阅图3所示，为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，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、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式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、数码相机等。
需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的医院疫情监测方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述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。
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。
在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的医院疫情监测方法的全部或者部分步骤；或者实现医院疫情监测装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、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。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，既可以位于一个地方，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，在本申请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。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。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，本申请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申请内。不应将权利要求中的任何附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，单数不排除复数。说明书中陈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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。
Claims (8)
1.一种医院疫情监测方法，其特征在于，所述医院疫情监测方法包括：
调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据；
将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群；
获取所述目标症候群的关联因素；
分别调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集，包括：确定所述目标症候群对应的第一预设数学模型，并获取所述第一预设数学模型对应的第一变量数据；调用所述第一预设数学模型处理所述第一变量数据得到第一预警信号集；确定所述关联因素对应的第二预设数学模型，并获取所述第二预设数学模型对应的第二变量数据；调用所述第二预设数学模型处理所述第二变量数据得到第二预警信号集；
分别获取所述第一预警信号集中每一第一预警信号间的第一相关性以及所述第二预警信号集中每一第二预警信号的第二相关性，根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号；
将所述第一综合预警信号输入至预先训练好的目标症候群预警模型中，得到第一预警结果，并将所述第二综合预警信号输入至预先训练好的关联因素预警模型中，得到第二预警结果；
根据所述第一预警结果与所述第二预警结果进行综合预警，包括：获取所述目标症候群预警模型的第一预警结果；获取所述关联因素预警模型的第二预警结果；计算所述第一预警结果与所述第二预警结果中超过预设风险阈值的数量；检测所述数量是否超过预设数量阈值；当检测结果为所述数量超过所述预设数量阈值时，确定疫情风险等级为高级；当检测结果为所述数量未超过所述预设数量阈值时，确定疫情风险等级为低级。
2.根据权利要求1所述的医院疫情监测方法，其特征在于，所述调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据包括：
获取患者对应的目标文本；
获取所述目标文本中的第一预设关键词与第二预设关键词，并调用预设症状抽取工具抽取所述第一预设关键词对应的症状信息与所述第二预设关键词对应的属性信息；
按照预设数据格式组合所述症状信息以及所述属性信息，得到结构化的病例数据。
3.根据权利要求1所述的医院疫情监测方法，其特征在于，所述将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群包括：
获取所述病例数据中的第一关键词，并向量化处理所述第一关键词，得到第一关键词向量；
获取所述病例定义中的第二关键词，并向量化处理所述第二关键词，得到第二关键词向量；
计算所述第一关键词向量与所述第二关键词向量间的距离，并获取所述距离超过预设距离阈值的症候群作为与所述病例数据对应的目标症候群。
4.根据权利要求1所述的医院疫情监测方法，其特征在于，所述根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号包括：
计算所述第一预警信号集中任意两个第一预警信号间的相关性系数；
检测所述相关性系数是否超过预设相关性阈值；
当检测结果为所述相关性系数超过所述预设相关性阈值时，移除其中任意一个第一预警信号，得到第一综合预警信号。
5.根据权利要求1所述的医院疫情监测方法，其特征在于，所述目标症候群预警模型的训练过程包括：
获取历史第一综合预警信号以及所述历史第一综合预警信号对应的历史第一预警结果；
以所述历史第一综合预警信号为输入向量，所述历史第一预警结果为输出向量作为训练样本，并将所述训练样本拆分为训练数据与测试数据；
调用所述训练数据训练神经网络模型，得到初始目标症候群预警模型；
调用所述测试数据获取所述初始目标症候群预警模型的准确性，并检测所述准确性是否超过预设准确性阈值；
当检测结果为所述准确性超过所述预设准确性阈值时，确定所述目标症候群预警模型构建完成。
6.一种医院疫情监测装置，用于实现如权利要求1至5中任意一项所述的医院疫情监测方法，其特征在于，所述医院疫情监测装置包括：
信息调用模块，用于调用预设症状抽取工具识别目标文本中的症状信息以及所述症状信息对应的属性信息，并按照预设数据格式处理所述症状信息与所述属性信息，得到结构化的病例数据；
病例匹配模块，用于将所述病例数据与预设症候群的病例定义进行关键词匹配，确定所述病例数据对应的目标症候群；
关联确定模块，用于获取所述目标症候群的关联因素，并分别调用预设数学模型确定所述目标症候群对应的第一预警信号集以及所述关联因素对应的第二预警信号集；
信号获取模块，用于分别获取所述第一预警信号集中每一第一预警信号间的第一相关性以及所述第二预警信号集中每一第二预警信号的第二相关性，根据所述第一相关性筛选所述第一预警信号集，得到第一综合预警信号，并根据所述第二相关性筛选所述第二预警信号集，得到第二综合预警信号；
模型输入模块，用于将所述第一综合预警信号输入至预先训练好的目标症候群预警模型中，得到第一预警结果，并将所述第二综合预警信号输入至预先训练好的关联因素预警模型中，得到第二预警结果；
综合预警模块，用于根据所述第一预警结果与所述第二预警结果进行综合预警。
7.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5中任意一项所述医院疫情监测方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述医院疫情监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082155.9A CN114334175B (zh) | 2022-01-24 | 2022-01-24 | 医院疫情监测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082155.9A CN114334175B (zh) | 2022-01-24 | 2022-01-24 | 医院疫情监测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114334175A CN114334175A (zh) | 2022-04-12 |
| CN114334175B true CN114334175B (zh) | 2024-07-05 |
Family
ID=81029565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210082155.9A Active CN114334175B (zh) | 2022-01-24 | 2022-01-24 | 医院疫情监测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114334175B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115148373A (zh) * | 2022-07-28 | 2022-10-04 | 深圳市腾云数据系统有限公司 | 一种基于症状监测的疫情监测方法及系统 |
| CN115862897B (zh) * | 2023-02-21 | 2023-05-23 | 江西曼荼罗软件有限公司 | 一种基于临床数据的症候群监测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112786205A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云（北京）技术有限公司 | 基于数据模型的症候群预警方法、装置、介质及设备 |
| CN112951443A (zh) * | 2021-04-16 | 2021-06-11 | 平安科技（深圳）有限公司 | 症候群监测预警方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364694B (zh) * | 2018-03-09 | 2022-04-01 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
-
2022
- 2022-01-24 CN CN202210082155.9A patent/CN114334175B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112786205A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云（北京）技术有限公司 | 基于数据模型的症候群预警方法、装置、介质及设备 |
| CN112951443A (zh) * | 2021-04-16 | 2021-06-11 | 平安科技（深圳）有限公司 | 症候群监测预警方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114334175A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114334175B (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
| CN107408143A (zh) | 适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置 | |
| CN113345577B (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
| CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
| CN112216402A (zh) | 基于人工智能的疫情预测方法、装置、计算机设备及介质 | |
| CN112634889B (zh) | 基于人工智能的电子病例录入方法、装置、终端及介质 | |
| CN111933237A (zh) | 慢病处理方法、装置及相关设备 | |
| Banerji et al. | Natural language processing combined with ICD-9-CM codes as a novel method to study the epidemiology of allergic drug reactions | |
| CN114781805B (zh) | 基于大数据的护理人员护理技能评估方法、系统及装置 | |
| CN113782125B (zh) | 基于人工智能的诊所评分方法、装置、电子设备及介质 | |
| Cruz-Correia et al. | Data quality and integration issues in electronic health records | |
| CN112614578A (zh) | 医生智能推荐方法、装置、电子设备及存储介质 | |
| CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
| Al-Mualemi et al. | A deep learning-based sepsis estimation scheme | |
| CN112562808A (zh) | 患者画像的生成方法、装置、电子设备及存储介质 | |
| CN111329459A (zh) | 一种改良的患者生命体征监测预警评分方法 | |
| CN110532367A (zh) | 一种信息提示方法及系统 | |
| CN113870974A (zh) | 基于人工智能的风险预测方法、装置、电子设备及介质 | |
| Ribeiro et al. | A machine learning early warning system: multicenter validation in Brazilian hospitals | |
| CN113611401A (zh) | 一种围术期血液管理的系统和方法 | |
| WO2021240275A1 (en) | Real-time method of bio big data automatic collection for personalized lifespan prediction | |
| CN113963413B (zh) | 基于人工智能的疫情排查方法、装置、电子设备及介质 | |
| Xue et al. | Differential diagnosis of heart disease in emergency departments using decision tree and medical knowledge | |
| CN113724891A (zh) | 医院疫情监测方法、装置及相关设备 | |
| CN115658858A (zh) | 基于人工智能的对话推荐方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220923 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. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |