CN114360732A - 医疗数据分析方法、装置、电子设备及存储介质 - Google Patents
医疗数据分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114360732A CN114360732A CN202210033893.4A CN202210033893A CN114360732A CN 114360732 A CN114360732 A CN 114360732A CN 202210033893 A CN202210033893 A CN 202210033893A CN 114360732 A CN114360732 A CN 114360732A
- Authority
- CN
- China
- Prior art keywords
- target
- disease
- medical data
- factor
- factors
- 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.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 37
- 201000010099 disease Diseases 0.000 claims abstract description 175
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 175
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 238000012360 testing method Methods 0.000 claims abstract description 88
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 102000003712 Complement factor B Human genes 0.000 description 8
- 108090000056 Complement factor B Proteins 0.000 description 8
- 241000208125 Nicotiana Species 0.000 description 7
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000241 respiratory effect Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000000414 obstructive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及智慧医疗，提供一种医疗数据分析方法、装置、电子设备及存储介质。该方法能够确定分析对象，确定与分析对象对应的对象特征，根据所述对象特征生成疾病概率预测模型，提取与对象特征对应的待测因素，将待测因素输入至疾病概率预测模型中，得到患病概率，构建疾病因素集及多个测试因素集，将每个测试因素集中的特征因素输入至疾病概率预测模型中，得到多个测试概率，将与患病概率差值最大的测试概率确定为目标概率，并将与目标概率对应的测试因素集确定为目标因素集，对比疾病因素集与目标因素集，得到目标病因。本发明能够提高医疗数据分析准确率及分析效率。此外，本发明还涉及区块链技术，所述目标病因可存储于区块链中。
Description
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种医疗数据分析方法、装置、电子设备及存储介质。
背景技术
为了更好的防控确诊疾病，通常需要确定出确诊疾病的致病因素。由于导致确诊疾病的患病因素众多，目前需要依赖医生的经验对多项患病因素进行逐一排查分析，这种方式严重依赖于医生的经验，从而导致医疗数据分析不够准确，此外，由于患病因素众多以及医疗数据错综复杂，因此通过人为方式分析医疗数据从而确定出致病因素，降低了分析效率。
发明内容
鉴于以上内容，有必要提供一种医疗数据分析方法、装置、电子设备及存储介质，不仅能够提高医疗数据分析准确率，还能够提高医疗数据分析效率。
一方面，本发明提出一种医疗数据分析方法，所述医疗数据分析方法包括：
当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征；
根据所述对象特征生成疾病概率预测模型；
从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率；
根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素；
将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率；
将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集；
对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
根据本发明优选实施例，所述确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征包括：
解析所述医疗数据分析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取用于指示疾病的信息作为所述分析对象；
获取所述分析对象的对象标识；
从预设特征列表中获取与所述对象标识对应的特征列表作为目标列表；
将所述目标列表中存储的特征确定为所述对象特征。
根据本发明优选实施例，所述根据所述对象特征生成疾病概率预测模型包括：
根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息；
利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型。
根据本发明优选实施例，所述根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息包括：
利用网络爬虫技术获取所述多个样本用户的用户信息；
利用所述对象特征清洗所述用户信息，得到所述多个样本用户的特征信息；
检测所述特征信息中是否存在缺失值；
当检测到所述特征信息中存在所述缺失值时，根据所述用户信息确定与所述缺失值对应的目标缺失信息；
利用所述目标缺失信息填补所述特征信息，得到所述样本信息，并基于所述样本信息生成所述样本数据集。
根据本发明优选实施例，所述利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型包括：
获取预先构建的映射向量表；
根据所述映射向量表对所述样本信息进行向量转换，得到所述样本信息的信息向量；
将所述信息向量输入至所述广义相加模型中，得到目标参数；
融合所述目标参数与所述广义相加模型，得到所述疾病概率预测模型。
根据本发明优选实施例，所述对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因包括：
遍历所述疾病因素集中的待测因素；
检测所述目标因素集中是否存在遍历到的待测因素；
当所述目标因素集中不存在所述遍历到的待测因素时，将所述待测因素确定为所述目标病因。
根据本发明优选实施例，在得到所述分析对象的目标病因后，所述方法还包括：
计算所述目标概率与所述患病概率的差值，得到目标差值；
根据所述目标差值及所述目标病因生成反馈包；
根据所述患病概率确定所述反馈包的反馈等级；
根据所述反馈等级确定所述反馈包的发送方式；
以所述发送方式发送所述反馈包。
另一方面，本发明还提出一种医疗数据分析装置，所述医疗数据分析装置包括：
确定单元，用于当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征；
生成单元，用于根据所述对象特征生成疾病概率预测模型；
输入单元，用于从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率；
构建单元，用于根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素；
所述输入单元，还用于将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率；
所述确定单元，还用于将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集；
对比单元，用于对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述医疗数据分析方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述医疗数据分析方法。
由以上技术方案可以看出，本发明通过所述分析对象能够确定出所述对象特征，进而根据所述对象特征生成与所述分析对象对应的疾病概率预测模型，从而利用所述疾病概率预测模型能够确定出所述患病概率，通过分析每个测试因素集中的所述特征因素能够确定出测试概率，进而利用所述测试概率与所述患病概率的差值进行比较，能够确定出所述医疗数据分析请求中的目标病因。由于所述目标病因无需依赖医生的经验，而是通过所述测试概率与所述患病概率的差值的分析比较，因此，能够提高医疗数据分析准确率，此外，本发明无需人为排查患病因素，而是直接对比确定出的疾病因素集与所述目标因素集的关系即能够准确确定出所述目标病因，提高了所述目标病因的分析效率。本发明应用于智慧医疗，从而推动智慧城市的建设。
附图说明
图1是本发明医疗数据分析方法的较佳实施例的流程图。
图2是本发明医疗数据分析装置的较佳实施例的功能模块图。
图3是本发明实现医疗数据分析方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明医疗数据分析方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述医疗数据分析方法应用于智慧医疗，所述医疗数据分析方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征。
在本发明的至少一个实施例中，所述医疗数据分析请求中包括请求编号、分析对象等。
所述分析对象可以是任意疾病，例如，所述分析对象可以是慢阻肺。
所述对象特征是指与所述分析对象对应的特征。例如，所述分析对象是慢阻肺时，所述对象特征可以包括呼吸道症状、是否使用烟草类等。
在本发明的至少一个实施例中，所述电子设备确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征包括：
解析所述医疗数据分析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取用于指示疾病的信息作为所述分析对象；
获取所述分析对象的对象标识；
从预设特征列表中获取与所述对象标识对应的特征列表作为目标列表；
将所述目标列表中存储的特征确定为所述对象特征。
其中，所述数据信息包括所述分析对象、用于指示疾病的标签等。
所述对象标识用于唯一标识所述分析对象。
所述预设特征列表中存储多个对象标识与特征列表的映射关系。进一步地，每个特征列表中存储多个特征。
通过上述实施方式，由于无需解析整个所述医疗数据分析请求，因此，能够提高所述医疗数据分析请求的解析效率，进而通过确定用于指示疾病的信息作为所述分析对象，能够准确确定出所述医疗数据分析请求中的所述分析对象，通过对象标识与特征列表的映射关系，能够准确确定出所述目标列表，进而通过所述目标列表中存储的特征能够准确确定出所述对象特征。
S11，根据所述对象特征生成疾病概率预测模型。
在本发明的至少一个实施例中，所述疾病概率预测模型用于预测所述分析对象的患病概率。
在本发明的至少一个实施例中，所述电子设备根据所述对象特征生成疾病概率预测模型包括：
根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息；
利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型。
通过所述样本信息训练预先构建的广义相加模型，由于无需搭建所述广义相加模型，因此，能够提高所述疾病概率预测模型的生成效率。
在本发明的至少一个实施例中，所述电子设备根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息包括：
利用网络爬虫技术获取所述多个样本用户的用户信息；
利用所述对象特征清洗所述用户信息，得到所述多个样本用户的特征信息；
检测所述特征信息中是否存在缺失值；
当检测到所述特征信息中存在所述缺失值时，根据所述用户信息确定与所述缺失值对应的目标缺失信息；
利用所述目标缺失信息填补所述特征信息，得到所述样本信息，并基于所述样本信息生成所述样本数据集。
其中，所述缺失值是指由于缺少信息而造成的数据的缺失。
通过上述实施方式，能够使生成的所述样本信息中包含所述对象特征的完整信息。
具体地，所述电子设备分析所述用户信息，进而确定与所述缺失值对应的目标缺失信息。例如，所述用户信息包括用户的呼吸道症状，所述缺失值为是否使用烟草类，所述电子设备分析所述用户的呼吸道症状，进而能够确定出所述用户是否使用烟草类。
在本发明的至少一个实施例中，所述利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型包括：
获取预先构建的映射向量表；
根据所述映射向量表对所述样本信息进行向量转换，得到所述样本信息的信息向量；
将所述信息向量输入至所述广义相加模型中，得到目标参数；
融合所述目标参数与所述广义相加模型，得到所述疾病概率预测模型。
其中，所述映射向量表中存储多个信息与多个向量的映射关系。例如，所述映射向量表包括：{使用烟草类，001}，{没有使用烟草类，000}。
例如，所述广义相加模型为kx＝y，所述信息向量包括x的取值，以及y的取值，经训练，得到所述目标参数k的取值为8，进一步地，所述电子设备将所述目标参数k的取值8与所述广义相加模型kx＝y进行融合，得到所述疾病概率预测模型为8x＝y。
通过所述样本信息的信息向量，能够准确确定出所述目标参数，进而融合所述目标参数与所述广义相加模型，能够快速生成所述疾病概率预测模型。
S12，从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率。
在本发明的至少一个实施例中，所述待测因素包括多个因素。例如，所述待测因素包括，但不限于：生活起居习惯、是否使用烟草等。
在本发明的至少一个实施例中，所述电子设备从所述医疗数据分析请求中提取与所述对象特征对应的待测因素包括：
从所述医疗数据分析请求中提取所有因素；
从所述所有因素中确定出与所述对象特征存在映射关系的因素作为所述待测因素。
其中，所述所有因素包括所述待测因素，以及除所述待测因素外的因素，例如，除所述待测因素外的因素可以包括配偶名字。
通过上述实施方式，能够准确确定出所述待测因素。
在本发明的至少一个实施例中，所述电子设备将所述待测因素输入至所述疾病概率预测模型中，得到患病概率包括：
根据所述映射向量表将所述待测因素转换为因素向量；
将所述因素向量输入至所述疾病概率预测模型中，得到所述分析对象的所述患病概率。
通过预先训练好的所述疾病概率预测模型，能够准确得到所述疾病患病概率。
S13，根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素。
在本发明的至少一个实施例中，所述疾病因素集包括所有待测因素。
在本发明的至少一个实施例中，所述电子设备根据所述待测因素构建疾病因素集包括：
获取配置集合，所述配置集合为空集合；
将所述待测因素输入所述配置集合中，得到所述疾病因素集。
通过上述实施方式，由于无需设置集合，因此，能够提高所述疾病因素集的构建效率。
在本发明的至少一个实施例中，所述电子设备从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括剔除所述任一待测因素的待测因素。
其中，所述多个测试因素集的数量为所述疾病因素集中的待测因素的数量。
例如：所述疾病因素集为{因素A，因素B，因素C}，所述电子设备从所述疾病因素集中剔除所述因素A，得到所述测试因素集为{因素B，因素C}，进一步地，所述电子设备从所述疾病因素集中剔除所述因素B，得到所述测试因素集为{因素A，因素C}，进一步地，所述电子设备从所述疾病因素集中剔除所述因素C，得到所述测试因素集为{因素A，因素B}。
通过上述实施方式，能够快速生成所述多个测试因素集。
S14，将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率。
在本发明的至少一个实施例中，所述电子设备将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型的方式与所述电子设备将所述待测因素输入至所述疾病概率预测模型的方式相同，本发明在此不再赘述。
S15，将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集。
在本发明的至少一个实施例中，所述目标概率是指与所述患病概率相差最大的测试概率，例如，所述患病概率为0.8，所述多个测试概率包括：0.6、0.75、0.55，经确定，所述电子设备将测试概率0.55确定为所述目标概率。
在本发明的至少一个实施例中，所述目标因素集是指与所述目标概率存在映射关系的测试因素集。
S16，对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
需要强调的是，为进一步保证上述目标病因的私密和安全性，上述目标病因还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述目标病因是指所述分析对象关联性较大的待测因素。
在本发明的至少一个实施例中，所述电子设备对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因包括：
遍历所述疾病因素集中的待测因素；
检测所述目标因素集中是否存在遍历到的待测因素；
当所述目标因素集中不存在所述遍历到的待测因素时，将所述待测因素确定为所述目标病因。
通过上述实施方式，由于所述目标因素集是指与所述患病概率差值最大的测试概率对应的测试因素集，因此，将造成所述患病概率差值最大的因素确定为所述目标病因，能够准确确定出所述目标病因。
在本发明的至少一个实施例中，在得到所述分析对象的目标病因后，所述方法还包括：
计算所述目标概率与所述患病概率的差值，得到目标差值；
根据所述目标差值及所述目标病因生成反馈包；
根据所述患病概率确定所述反馈包的反馈等级；
根据所述反馈等级确定所述反馈包的发送方式；
以所述发送方式发送所述反馈包。
其中，所述反馈等级可以包括：等级一、等级二等。
相对应地，所述发送方式包括：电话方式、邮件方式等。
通过上述实施方式，能够在得到所述目标病因后，快速生成所述医疗数据分析请求的反馈包，进而及时将所述反馈包反馈至所述医疗数据分析请求的触发用户，此外，通过确定所述反馈包的反馈等级，能够以合适的发送方式发送所述反馈包。
由以上技术方案可以看出，本发明通过所述分析对象能够确定出所述对象特征，进而根据所述对象特征生成与所述分析对象对应的疾病概率预测模型，从而利用所述疾病概率预测模型能够确定出所述患病概率，通过分析每个测试因素集中的所述特征因素能够确定出测试概率，进而利用所述测试概率与所述患病概率的差值进行比较，能够确定出所述医疗数据分析请求中的目标病因。由于所述目标病因无需依赖医生的经验，而是通过所述测试概率与所述患病概率的差值的分析比较，因此，能够提高医疗数据分析准确率，此外，本发明无需人为排查患病因素，而是直接对比确定出的疾病因素集与所述目标因素集的关系即能够准确确定出所述目标病因，提高了所述目标病因的分析效率。本发明应用于智慧医疗，从而推动智慧城市的建设。
如图2所示，是本发明医疗数据分析装置的较佳实施例的功能模块图。所述医疗数据分析装置11包括确定单元110、生成单元111、输入单元112、构建单元113、对比单元114、计算单元115及发送单元116。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到医疗数据分析请求时，确定单元110确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征。
在本发明的至少一个实施例中，所述医疗数据分析请求中包括请求编号、分析对象等。
所述分析对象可以是任意疾病，例如，所述分析对象可以是慢阻肺。
所述对象特征是指与所述分析对象对应的特征。例如，所述分析对象是慢阻肺时，所述对象特征可以包括呼吸道症状、是否使用烟草类等。
在本发明的至少一个实施例中，所述确定单元110确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征包括：
解析所述医疗数据分析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取用于指示疾病的信息作为所述分析对象；
获取所述分析对象的对象标识；
从预设特征列表中获取与所述对象标识对应的特征列表作为目标列表；
将所述目标列表中存储的特征确定为所述对象特征。
其中，所述数据信息包括所述分析对象、用于指示疾病的标签等。
所述对象标识用于唯一标识所述分析对象。
所述预设特征列表中存储多个对象标识与特征列表的映射关系。进一步地，每个特征列表中存储多个特征。
通过上述实施方式，由于无需解析整个所述医疗数据分析请求，因此，能够提高所述医疗数据分析请求的解析效率，进而通过确定用于指示疾病的信息作为所述分析对象，能够准确确定出所述医疗数据分析请求中的所述分析对象，通过对象标识与特征列表的映射关系，能够准确确定出所述目标列表，进而通过所述目标列表中存储的特征能够准确确定出所述对象特征。
生成单元111根据所述对象特征生成疾病概率预测模型。
在本发明的至少一个实施例中，所述疾病概率预测模型用于预测所述分析对象的患病概率。
在本发明的至少一个实施例中，所述生成单元111根据所述对象特征生成疾病概率预测模型包括：
根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息；
利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型。
通过所述样本信息训练预先构建的广义相加模型，由于无需搭建所述广义相加模型，因此，能够提高所述疾病概率预测模型的生成效率。
在本发明的至少一个实施例中，所述生成单元111根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息包括：
利用网络爬虫技术获取所述多个样本用户的用户信息；
利用所述对象特征清洗所述用户信息，得到所述多个样本用户的特征信息；
检测所述特征信息中是否存在缺失值；
当检测到所述特征信息中存在所述缺失值时，根据所述用户信息确定与所述缺失值对应的目标缺失信息；
利用所述目标缺失信息填补所述特征信息，得到所述样本信息，并基于所述样本信息生成所述样本数据集。
其中，所述缺失值是指由于缺少信息而造成的数据的缺失。
通过上述实施方式，能够使生成的所述样本信息中包含所述对象特征的完整信息。
在本发明的至少一个实施例中，所述生成单元111利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型包括：
获取预先构建的映射向量表；
根据所述映射向量表对所述样本信息进行向量转换，得到所述样本信息的信息向量；
将所述信息向量输入至所述广义相加模型中，得到目标参数；
融合所述目标参数与所述广义相加模型，得到所述疾病概率预测模型。
其中，所述映射向量表中存储多个信息与多个向量的映射关系。
通过所述样本信息的信息向量，能够准确确定出所述目标参数，进而融合所述目标参数与所述广义相加模型，能够快速生成所述疾病概率预测模型。
输入单元112从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率。
在本发明的至少一个实施例中，所述待测因素包括多个因素。
在本发明的至少一个实施例中，所述输入单元112从所述医疗数据分析请求中提取与所述对象特征对应的待测因素包括：
从所述医疗数据分析请求中提取所有因素；
从所述所有因素中确定出与所述对象特征存在映射关系的因素作为所述待测因素。
通过上述实施方式，能够准确确定出所述待测因素。
在本发明的至少一个实施例中，所述输入单元112将所述待测因素输入至所述疾病概率预测模型中，得到患病概率包括：
根据所述映射向量表将所述待测因素转换为因素向量；
将所述因素向量输入至所述疾病概率预测模型中，得到所述分析对象的所述患病概率。
通过预先训练好的所述疾病概率预测模型，能够准确得到所述疾病患病概率。
构建单元113根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素。
在本发明的至少一个实施例中，所述疾病因素集包括所有待测因素。
在本发明的至少一个实施例中，所述构建单元113根据所述待测因素构建疾病因素集包括：
获取配置集合，所述配置集合为空集合；
将所述待测因素输入所述配置集合中，得到所述疾病因素集。
通过上述实施方式，由于无需设置集合，因此，能够提高所述疾病因素集的构建效率。
在本发明的至少一个实施例中，所述构建单元113从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括剔除所述任一待测因素的待测因素。
其中，所述多个测试因素集的数量为所述疾病因素集中的待测因素的数量。
例如：所述疾病因素集为{因素A，因素B，因素C}，所述构建单元113从所述疾病因素集中剔除所述因素A，得到所述测试因素集为{因素B，因素C}，进一步地，所述构建单元113从所述疾病因素集中剔除所述因素B，得到所述测试因素集为{因素A，因素C}，进一步地，所述构建单元113从所述疾病因素集中剔除所述因素C，得到所述测试因素集为{因素A，因素B}。
通过上述实施方式，能够快速生成所述多个测试因素集。
所述输入单元112将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率。
在本发明的至少一个实施例中，所述输入单元112将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型的方式与所述输入单元112将所述待测因素输入至所述疾病概率预测模型的方式相同，本发明在此不再赘述。
所述确定单元110将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集。
在本发明的至少一个实施例中，所述目标概率是指与所述患病概率相差最大的测试概率，例如，所述患病概率为0.8，所述多个测试概率包括：0.6、0.75、0.55，经确定，所述确定单元110将测试概率0.55确定为所述目标概率。
在本发明的至少一个实施例中，所述目标因素集是指与所述目标概率存在映射关系的测试因素集。
对比单元114对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
需要强调的是，为进一步保证上述目标病因的私密和安全性，上述目标病因还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述目标病因是指所述分析对象关联性较大的待测因素。
在本发明的至少一个实施例中，所述对比单元114对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因包括：
遍历所述疾病因素集中的待测因素；
检测所述目标因素集中是否存在遍历到的待测因素；
当所述目标因素集中不存在所述遍历到的待测因素时，将所述待测因素确定为所述目标病因。
通过上述实施方式，能够准确确定出所述目标病因。
在本发明的至少一个实施例中，在得到所述分析对象的目标病因后，所述方法还包括：
计算单元115计算所述目标概率与所述患病概率的差值，得到目标差值；
所述生成单元111根据所述目标差值及所述目标病因生成反馈包；
所述确定单元110根据所述患病概率确定所述反馈包的反馈等级；
所述确定单元110根据所述反馈等级确定所述反馈包的发送方式；
发送单元116以所述发送方式发送所述反馈包。
其中，所述反馈等级可以包括：等级一、等级二等。
相对应地，所述发送方式包括：电话方式、邮件方式等。
通过上述实施方式，能够在得到所述目标病因后，快速生成所述医疗数据分析请求的反馈包，进而及时将所述反馈包反馈至所述医疗数据分析请求的触发用户，此外，通过确定所述反馈包的反馈等级，能够以合适的发送方式发送所述反馈包。
由以上技术方案可以看出，本发明通过所述分析对象能够确定出所述对象特征，进而根据所述对象特征生成与所述分析对象对应的疾病概率预测模型，从而利用所述疾病概率预测模型能够确定出所述患病概率，通过分析每个测试因素集中的所述特征因素能够确定出测试概率，进而利用所述测试概率与所述患病概率的差值进行比较，能够确定出所述医疗数据分析请求中的目标病因。由于所述目标病因无需依赖医生的经验，而是通过所述测试概率与所述患病概率的差值的分析比较，因此，能够提高医疗数据分析准确率，此外，本发明无需人为排查患病因素，而是直接对比确定出的疾病因素集与所述目标因素集的关系即能够准确确定出所述目标病因，提高了所述目标病因的分析效率。本发明应用于智慧医疗，从而推动智慧城市的建设。
如图3所示，是本发明实现医疗数据分析方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如医疗数据分析程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成确定单元110、生成单元111、输入单元112、构建单元113、对比单元114、计算单元115及发送单元116。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种医疗数据分析方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征；
根据所述对象特征生成疾病概率预测模型；
从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率；
根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素；
将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率；
将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集；
对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征；
根据所述对象特征生成疾病概率预测模型；
从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率；
根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素；
将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率；
将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集；
对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医疗数据分析方法，其特征在于，所述医疗数据分析方法包括：
当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征；
根据所述对象特征生成疾病概率预测模型；
从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率；
根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素；
将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率；
将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集；
对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
2.如权利要求1所述的医疗数据分析方法，其特征在于，所述确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征包括：
解析所述医疗数据分析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取用于指示疾病的信息作为所述分析对象；
获取所述分析对象的对象标识；
从预设特征列表中获取与所述对象标识对应的特征列表作为目标列表；
将所述目标列表中存储的特征确定为所述对象特征。
3.如权利要求1所述的医疗数据分析方法，其特征在于，所述根据所述对象特征生成疾病概率预测模型包括：
根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息；
利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型。
4.如权利要求3所述的医疗数据分析方法，其特征在于，所述根据所述对象特征构建样本数据集，所述样本数据集中包括多个样本用户的样本信息包括：
利用网络爬虫技术获取所述多个样本用户的用户信息；
利用所述对象特征清洗所述用户信息，得到所述多个样本用户的特征信息；
检测所述特征信息中是否存在缺失值；
当检测到所述特征信息中存在所述缺失值时，根据所述用户信息确定与所述缺失值对应的目标缺失信息；
利用所述目标缺失信息填补所述特征信息，得到所述样本信息，并基于所述样本信息生成所述样本数据集。
5.如权利要求3所述的医疗数据分析方法，其特征在于，所述利用所述样本数据集中的所述样本信息训练预先构建的广义相加模型，得到所述疾病概率预测模型包括：
获取预先构建的映射向量表；
根据所述映射向量表对所述样本信息进行向量转换，得到所述样本信息的信息向量；
将所述信息向量输入至所述广义相加模型中，得到目标参数；
融合所述目标参数与所述广义相加模型，得到所述疾病概率预测模型。
6.如权利要求1所述的医疗数据分析方法，其特征在于，所述对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因包括：
遍历所述疾病因素集中的待测因素；
检测所述目标因素集中是否存在遍历到的待测因素；
当所述目标因素集中不存在所述遍历到的待测因素时，将所述待测因素确定为所述目标病因。
7.如权利要求1所述的医疗数据分析方法，其特征在于，在得到所述分析对象的目标病因后，所述方法还包括：
计算所述目标概率与所述患病概率的差值，得到目标差值；
根据所述目标差值及所述目标病因生成反馈包；
根据所述患病概率确定所述反馈包的反馈等级；
根据所述反馈等级确定所述反馈包的发送方式；
以所述发送方式发送所述反馈包。
8.一种医疗数据分析装置，其特征在于，所述医疗数据分析装置包括：
确定单元，用于当接收到医疗数据分析请求时，确定所述医疗数据分析请求的分析对象，并确定与所述分析对象对应的对象特征；
生成单元，用于根据所述对象特征生成疾病概率预测模型；
输入单元，用于从所述医疗数据分析请求中提取与所述对象特征对应的待测因素，并将所述待测因素输入至所述疾病概率预测模型中，得到患病概率；
构建单元，用于根据所述待测因素构建疾病因素集，并从所述疾病因素集中剔除任一待测因素，得到多个测试因素集，每个测试因素集中包括特征因素，所述特征因素包括所述任一待测因素外的待测因素；
所述输入单元，还用于将每个测试因素集中的所述特征因素输入至所述疾病概率预测模型中，得到多个测试概率；
所述确定单元，还用于将与所述患病概率差值最大的测试概率确定为目标概率，并将与所述目标概率对应的测试因素集确定为目标因素集；
对比单元，用于对比所述疾病因素集与所述目标因素集，得到所述分析对象的目标病因。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的医疗数据分析方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的医疗数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210033893.4A CN114360732B (zh) | 2022-01-12 | 2022-01-12 | 医疗数据分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210033893.4A CN114360732B (zh) | 2022-01-12 | 2022-01-12 | 医疗数据分析方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114360732A true CN114360732A (zh) | 2022-04-15 |
| CN114360732B CN114360732B (zh) | 2024-04-09 |
Family
ID=81110110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210033893.4A Active CN114360732B (zh) | 2022-01-12 | 2022-01-12 | 医疗数据分析方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114360732B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079825A (zh) * | 2023-06-02 | 2023-11-17 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008067551A2 (en) * | 2006-11-30 | 2008-06-05 | Navigenics Inc. | Genetic analysis systems and methods |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| WO2019136806A1 (zh) * | 2018-01-12 | 2019-07-18 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| CN111985584A (zh) * | 2020-09-30 | 2020-11-24 | 平安科技（深圳）有限公司 | 基于多模态数据的疾病辅助检测设备、方法、装置及介质 |
| KR102230660B1 (ko) * | 2020-08-05 | 2021-03-22 | 주식회사 투비코 | 의료 데이터를 분석하기 위한 방법 |
| WO2021114736A1 (zh) * | 2020-07-07 | 2021-06-17 | 平安科技（深圳）有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
-
2022
- 2022-01-12 CN CN202210033893.4A patent/CN114360732B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008067551A2 (en) * | 2006-11-30 | 2008-06-05 | Navigenics Inc. | Genetic analysis systems and methods |
| WO2019136806A1 (zh) * | 2018-01-12 | 2019-07-18 | 平安科技（深圳）有限公司 | 医疗模型训练方法、医疗识别方法、装置、设备及介质 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| WO2021114736A1 (zh) * | 2020-07-07 | 2021-06-17 | 平安科技（深圳）有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
| KR102230660B1 (ko) * | 2020-08-05 | 2021-03-22 | 주식회사 투비코 | 의료 데이터를 분석하기 위한 방법 |
| CN111985584A (zh) * | 2020-09-30 | 2020-11-24 | 平安科技（深圳）有限公司 | 基于多模态数据的疾病辅助检测设备、方法、装置及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079825A (zh) * | 2023-06-02 | 2023-11-17 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
| CN117079825B (zh) * | 2023-06-02 | 2024-01-19 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114360732B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669138B (zh) | 数据处理方法及相关设备 | |
| CN111901327A (zh) | 云网络漏洞挖掘方法、装置、电子设备及介质 | |
| CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
| CN113283675B (zh) | 指标数据分析方法、装置、设备及存储介质 | |
| CN112465231B (zh) | 地区人口健康状态预测方法、设备和可读存储介质 | |
| CN115237802A (zh) | 基于人工智能的模拟测试方法及相关设备 | |
| CN111679975A (zh) | 单证生成方法、装置、电子设备及介质 | |
| CN113707253A (zh) | 医疗方案推荐方法、装置、设备及介质 | |
| CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
| CN113918467A (zh) | 金融系统测试方法、装置、设备及存储介质 | |
| CN114360732A (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
| CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
| CN114510487A (zh) | 数据表合并方法、装置、设备及存储介质 | |
| CN112819305A (zh) | 业务指标分析方法、装置、设备及存储介质 | |
| CN113283677B (zh) | 指标数据处理方法、装置、设备及存储介质 | |
| CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
| CN112330080B (zh) | 基于连通图的因子筛选方法、装置、设备及介质 | |
| CN114238296A (zh) | 产品指标数据展示方法、装置、设备及存储介质 | |
| CN111986762A (zh) | 异常医疗指标确定方法、装置、电子设备及存储介质 | |
| CN113240325A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN114490262A (zh) | 数据库监控方法、装置、设备及存储介质 | |
| CN112416361A (zh) | 结构化查询语言脚本审查方法及相关设备 | |
| CN114416417A (zh) | 系统异常监测方法、装置、设备及存储介质 | |
| CN113902302A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
| CN112527830A (zh) | 数据查询方法、装置、设备及存储介质 |
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 |