CN114722977B - 一种医疗对象分类方法、装置、电子设备及存储介质 - Google Patents

一种医疗对象分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114722977B
CN114722977B CN202210650811.0A CN202210650811A CN114722977B CN 114722977 B CN114722977 B CN 114722977B CN 202210650811 A CN202210650811 A CN 202210650811A CN 114722977 B CN114722977 B CN 114722977B
Authority
CN
China
Prior art keywords
data
resource consumption
diagnostic
diagnosis
medical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210650811.0A
Other languages
English (en)
Other versions
CN114722977A (zh
Inventor
申文武
杨翠
郑涛
刘万利
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202210650811.0A priority Critical patent/CN114722977B/zh
Publication of CN114722977A publication Critical patent/CN114722977A/zh
Application granted granted Critical
Publication of CN114722977B publication Critical patent/CN114722977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例公开了一种医疗对象分类方法、装置、电子设备及存储介质，该方法包括：获取目标医疗对象的医疗诊断数据及用户画像数据；从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；根据所述诊断资源消耗分值及所述用户画像数据，确定所述目标医疗对象的诊断资源消耗程度；根据所述诊断资源消耗程度，确定所述目标医疗对象的类别，输出目标医疗对象的类别。本申请提升医疗对象分类的可靠性。

Description

一种医疗对象分类方法、装置、电子设备及存储介质
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分类方法、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（即门诊医疗对象、住院医疗对象和急诊医疗对象等）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获取所匹配的医疗项目的问题。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分类可靠性较差的问题。
发明内容
本申请实施例提供一种医疗对象分类方法及相关装置，旨在提升医疗对象分类的可靠性。
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，一种医疗对象分类方法，其包括：获取目标医疗对象的医疗诊断数据及用户画像数据；从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度；根据所述诊断资源消耗程度，确定所述目标医疗对象的类别；输出所述目标医疗对象的类别。
根据本申请的一个实施例，一种医疗对象分类装置，其包括：获取模块，用于获取目标医疗对象的医疗诊断数据及用户画像数据；提取模块，用于从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；评估模块，用于将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；确定模块，用于将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度；分类模块，用于根据所述诊断资源消耗程度，确定所述目标医疗对象的类别；输出模块，用于输出所述目标医疗对象的类别。
在本申请的一些实施例中，所述评估模块，包括：目标模块确定单元，用于确定所述目标医疗对象的分类目标所匹配的消耗评估模型；分值分析单元，用于将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入所述分类目标所匹配的消耗评估模型，得到诊断资源消耗分值。
在本申请的一些实施例中，所述提取模块，包括：属性表确定单元，用于确定所述目标医疗对象的分类目标所匹配的资源消耗属性表；消耗数据提取单元，用于根据所述资源消耗属性表，从所述医疗诊断数据中，提取所述目标医疗对象的诊断资源消耗数据。
在本申请的一些实施例中，所述确定模块，包括：数据获取单元，用于确定采集所述目标医疗对象的医疗诊断数据时的时间段，并获取该时间段内的环境数据及人流量数据；模型分析单元，用于将诊断资源消耗分值、用户画像数据、环境数据及人流量数据，输入所述资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度。
在本申请的一些实施例中，所述医疗对象分类装置还包括：查询表获取，用于获取所述用户画像数据所匹配的诊断资源消耗程度查询表；消耗程度查询单元，用于根据所述诊断资源消耗分值，从所述诊断资源消耗程度查询表中查询所述目标医疗对象的诊断资源消耗程度；最大确定单元，用于将查询得到的诊断资源消耗程度及所述资源消耗评估模型输出的诊断资源消耗程度中，最大的诊断资源消耗程度确定为所述目标医疗对象的诊断资源消耗程度。
在本申请的一些实施例中，所述分类模块，包括：规模确定单元，用于获取所述目标医疗对象所在的医疗主体的规模大小；匹配单元，用于获取与所述规模大小匹配的类别查询表；类别查询单元，用于根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的类别。
在本申请的一些实施例中，所述类别查询表中包含有多个医疗资源分配类别，每个所述类别对应一个诊断资源消耗程度；所述类别查询单元，用于：根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的医疗资源分配类别。
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。
本申请实施例获取目标医疗对象的医疗诊断数据及用户画像数据；从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度；根据诊断资源消耗程度，确定目标医疗对象的类别。
以这种方式，对于目标医疗对象，从医疗诊断数据中的诊断资源消耗数据的数据角度出发，具体使用诊断轨迹数据、诊断花费数据及诊断耗时数据，采用预设的消耗评估模型，实现基于人工智能的诊断资源消耗分值可靠评估，最后结合用户画像数据，确定出目标医疗对象的诊断资源消耗程度，并依此确定目标医疗对象的类别，可以简单有效地评估目标医疗对象对于后续医疗资源的需求类别，进而有效提升医疗对象分类的可靠性。
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分类方法的流程图。
图3示出了根据本申请的一个实施例的提取诊断资源消耗数据的方法的流程图。
图4示出了根据本申请的一个实施例的获取诊断资源消耗分值的方法的流程图。
图5示出了根据本申请的一个实施例的确定诊断资源消耗程度的方法的流程图。
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分类装置的框图。
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可以获取目标医疗对象的医疗诊断数据及用户画像数据；从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度；根据诊断资源消耗程度，确定目标医疗对象的类别。
图2示意性示出了根据本申请的一个实施例的医疗对象分类方法的流程图。该医疗对象分类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，该医疗对象分类方法可以包括步骤S210至步骤S250。
步骤S210，获取目标医疗对象的医疗诊断数据及用户画像数据；步骤S220，从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；步骤S230，将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；步骤S240，根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度；
步骤S250，根据诊断资源消耗程度，确定目标医疗对象的类别。
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，获取目标医疗对象的医疗诊断数据及用户画像数据。
本示例的实施方式中，目标医疗对象即医疗对象，例如患者。医疗诊断数据为采集的目标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。
医疗诊断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，诊断项即目标医疗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；消耗项即目标医疗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。
用户画像数据为目标医疗对象的画像数据，可以包括目标医疗对象的性别、年龄及地域、饮食喜好等各类画像数据。一个示例中，用户画像数据包括目标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目标医疗对象的身份属性信息加上目标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。
采集用户画像数据以及医疗诊断数据，可以对目标医疗对象在诊断全流程中，通过诊断医生所管理的终端，可实时上传目标医疗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，也可以通过目标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医疗对象的数据，例如目标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医疗对象的画像数据（例如某购物平台对于该目标医疗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），目标医疗对象在诊断全流程中，可以随机经过图6所示位置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，将医疗数据包括疾病诊断数据以及诊断资源消耗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，可以在目标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，触发对该目标医疗对象的记录，在诊断结束时上报对应科室的诊断数据。
触发对该目标医疗对象的记录后，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目标医疗对象的对象，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。获取到的医疗诊断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，从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据。
本示例的实施方式中，从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，以在后续步骤中从诊断资源消耗角度对目标医疗对象进行分析，具体地，提取的诊断资源消耗数据包括诊断轨迹数据（可以是按照每个诊断位置及诊断位置对应的顺序及时刻点形成的轨迹数据）、诊断花费数据（可以包括每个诊断项对应的诊断花费数据，例如诊断用药量及诊断用药价格等数据）及诊断耗时数据（可以包括每个诊断项对应的诊断时长数据，例如从开始诊断到诊断结束的时长数据）。
一种实施例中，诊断资源消耗数据以诊断资源消耗数据表的形式保存，可以从诊断资源消耗数据表中提取出所有诊断轨迹数据得到诊断轨迹数据表，从诊断资源消耗数据表中提取出所有诊断花费数据得到诊断花费数据表，从诊断资源消耗数据表中提取出所有诊断耗时数据得到诊断耗时数据表。
可以理解，诊断轨迹数据、诊断花费数据及诊断耗时数据也可以通过文本文件或者其他格式的文件保存。
申请人发现根据这几个数据（包括诊断轨迹数据、诊断花费数据及诊断耗时数据）可以高效准确地在后续步骤中进行目标医疗对象的分类，特别可以用于可靠地确定目标医疗对象的医疗资源分配类别。
其中，从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据的方式可以包括下述实施例的提取方式。
一种实施例中，参阅图3，步骤S220，从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，包括：
步骤S310，确定目标医疗对象的分类目标所匹配的资源消耗属性表。
分类目标即对目标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。
资源消耗属性表中保存有匹配的分类目标下所需要的诊断资源消耗数据的消耗项名称，例如，分类目标为根据分类进行医疗资源分配时，资源消耗属性表中包括对应于诊断轨迹数据的诊断位置、诊断顺序及诊断时刻点等轨迹项名称，对应于诊断花费数据的诊断花费、用药量及用药价格等花费项名称，对应于诊断耗时数据的诊断时长、总时长及路程时长等耗时项名称。
一种实施例中，分类目标为根据分类进行医疗资源分配时，相对于分类目标为根据分类进行医疗项目指引时，所对应的资源消耗属性表中的消耗项的数量少，即医疗项目指引目标所匹配的资源消耗属性表中的消耗项的数量，比医疗资源分配目标所匹配的资源消耗属性表中的消耗项的数量多，这样可以为医疗项目指引做出更为细致的分析。可以理解，分类目标可以根据需求设置其他的分类目标，并对应设置资源消耗属性表。
一种实施例中，资源消耗属性表可以包括诊断轨迹属性表、诊断花费属性表及诊断耗时属性表；诊断轨迹属性表中包含有各轨迹项的标识，诊断花费属性表中包含有各花费项的标识，诊断耗时属性表中包含有各耗时项的标识。
步骤S320，根据资源消耗属性表，从医疗诊断数据中，提取目标医疗对象的诊断资源消耗数据。
根据资源消耗属性表，可以确定本次需要的消耗项，进而从医疗诊断数据中（例如医疗诊断数据表），根据资源消耗属性表中的消耗项，直接提取各消耗项所对应的消耗项数据，例如诊断位置项对应的诊断位置坐标数据或者诊断开始时刻点项对应的具体诊断开始时刻点数据。
在步骤S230，将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值。
本示例的实施方式中，预设的消耗评估模型为预先训练好的机器学习模型，该机器学习模型可以是任意现有的评分模型。消耗评估模型的训练方法包括对于多个样本数据组成的训练集，每个样本数据包括一个医疗对象的诊断轨迹数据、诊断花费数据及诊断耗时数据，以及每个样本数据由专家标定医疗对象的诊断资源消耗分值；然后，将训练集中样本数据作为消耗评估模型的输入数据，以及每个样本数据由专家标定医疗对象的诊断资源消耗分值作为消耗评估模型的期望输出，训练消耗评估模型，直至消耗评估模型的误差小于等于预定阈值。这样可以基于消耗评估模型可靠搞笑分析目标医疗对象对应的诊断资源消耗分值。
一种实施例中，参阅图4，步骤S230，将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值，包括：
步骤S410，确定目标医疗对象的分类目标所匹配的消耗评估模型。
分类目标即对目标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。
分类目标所匹配的消耗评估模型即训练的对应于分类目标的消耗评估模型，例如，分类目标为根据分类进行医疗资源分配时，所匹配的消耗评估模型可称为医疗资源分配消耗评估模型，分类目标为根据分类进行医疗项目指引时，所匹配的消耗评估模型可称为医疗项目指引消耗评估模型。
步骤S420，将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入分类目标所匹配的消耗评估模型，得到诊断资源消耗分值。
以这种方式，可以根据分类目标，利用对应的诊断轨迹数据、诊断花费数据及诊断耗时数据，利用分类目标所匹配的消耗评估模型，对目标医疗对象的诊断资源消耗进行准确评分，得到诊断资源消耗分值。
在步骤S240，将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度。
本示例的实施方式中，基于诊断资源消耗分值可以以统一标准的形式，对每个目标医疗对象进行诊断资源消耗评分，训练统一标准的资源消耗评估模型适用性广同时训练过程简单。
用户画像数据可以反映目标医疗对象本身的特征，例如年龄大会导致诊断耗时过长等。结合诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度，可以在统一标准的基础上实现个性化评估诊断资源消耗的程度。可以理解，一种实施例中，直接将诊断资源消耗分值作为目标医疗对象的诊断资源消耗程度。
根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度的方法可以包括如下实施例的方式。
将诊断资源消耗分值及用户画像数据，输入资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度。
资源消耗评估模型为预先训练的机器学习模型，该机器学习模型可以是现有的任意可以实现分类评估的模型，例如决策树模型，可以训练决策树模型作为资源消耗评估模型，利用诊断资源消耗分值及用户画像数据对目标医疗对象的诊断资源消耗程度进行决策。
资源消耗评估模型的训练方法包括对于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分值及用户画像数据，以及每个样本数据由专家标定医疗对象的诊断资源消耗程度标签；然后，将训练集中样本数据作为资源消耗评估模型的输入数据，以及每个样本数据由专家标定医疗对象的诊断资源消耗程度标签作为资源消耗评估模型的期望输出，训练资源消耗评估模型，直至资源消耗评估模型的误差小于等于预定阈值。这样可以基于资源消耗评估模型可靠高效评估目标医疗对象对应的个性化诊断资源消耗程度。
一种实施例中，资源消耗评估模型包括与分类目标相匹配的子资源消耗评估模型，可以将诊断资源消耗分值及用户画像数据，输入与分类目标相匹配的子资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度，分类目标可以包括医疗资源需求类别确定及医疗项目指引类别确定。
一种实施例中，预设的消耗评估模型输出的诊断资源消耗分值包括诊断轨迹分值、诊断花费分值及诊断耗时分值，步骤S240，将诊断资源消耗分值及用户画像数据，输入资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度，包括：将诊断轨迹分值、诊断花费分值、诊断耗时分值及用户画像数据，输入资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度。
一种实施例中，参阅图5，步骤S240，将诊断资源消耗分值及用户画像数据，输入资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度，包括：步骤S510，确定采集该目标医疗对象的医疗诊断数据时的时间段，并获取该时间段内的环境数据及人流量数据；步骤S520，将诊断资源消耗分值、用户画像数据、环境数据及人流量数据，输入资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度。
其中环境数据可以包括是否下雨及温度等，人流量数据即目标医疗对象进行诊断时医院的人流量数据。
这样可以进一步保证诊断资源消耗程度的评估准确性。本实施例中，资源消耗评估模型的训练方法包括对于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分值及用户画像数据及环境数据及人流量数据，以及每个样本数据由专家标定医疗对象的诊断资源消耗程度标签；然后，将训练集中样本数据作为资源消耗评估模型的输入数据，以及每个样本数据由专家标定医疗对象的诊断资源消耗程度标签作为资源消耗评估模型的期望输出，训练资源消耗评估模型，直至资源消耗评估模型的误差小于等于预定阈值。这样可以基于资源消耗评估模型可靠高效评估目标医疗对象对应的个性化诊断资源消耗程度。
一种实施例中，分类方法还包括：获取用户画像数据所匹配的诊断资源消耗程度查询表；根据诊断资源消耗分值，从诊断资源消耗程度查询表中查询目标医疗对象的诊断资源消耗程度；将查询得到的诊断资源消耗程度及资源消耗评估模型输出的诊断资源消耗程度中，最大的诊断资源消耗程度确定为目标医疗对象的诊断资源消耗程度。
获取用户画像数据所匹配的诊断资源消耗程度查询表，可以根据目标医疗对象的用户画像数据查询到对应的诊断资源消耗程度查询表，例如，用户画像数据通常包括用户年龄、性别及地域等画像数据，通过目标医疗对象的用户画像数据与数据库中的用户画像数据样本进行匹配，可以查找到匹配的用户画像数据样本，进而得到用户画像数据样本关联的诊断资源消耗程度查询表。
诊断资源消耗程度查询表为预设的经验表，其中包含有诊断资源消耗分值与诊断资源消耗程度的对应关系，该诊断资源消耗程度查询表对应于用户画像数据，可以根据诊断资源消耗分值，从诊断资源消耗程度查询表中查询到符合目标医疗对象的个性化情况（由用户画像数据反映）的诊断资源消耗程度。
诊断资源消耗程度查询表中可以包含有诊断资源消耗分值段与诊断资源消耗程度的对应关系，诊断资源消耗分值段例如分值段：100-80，分值段：80-60等分值段，诊断资源消耗程度例如一级、二级等，其中，分值段100-80对应一级，当诊断资源消耗分值为90时，可以查询到目标医疗对象的诊断资源消耗程度为一级。
最后，将查询得到的诊断资源消耗程度及资源消耗评估模型输出的诊断资源消耗程度中，最大的诊断资源消耗程度确定为目标医疗对象的诊断资源消耗程度。例如，查询得到的诊断资源消耗程度为第五级，资源消耗评估模型输出的诊断资源消耗程度为第六级，则将第六级确定为目标医疗对象的诊断资源消耗程度，这样可以极大的保证后续步骤中根据确定出的类别为医疗对象进行医疗资源分配或者医疗项目指引的可靠性。
一种实施例中，预设的消耗评估模型输出的诊断资源消耗分值包括诊断轨迹分值、诊断花费分值及诊断耗时分值，根据诊断资源消耗分值，从诊断资源消耗程度查询表中查询目标医疗对象的诊断资源消耗程度，包括：
从诊断资源消耗程度查询表中查询诊断轨迹分值所在的第一分值段、诊断花费分值所在的第二分值段以及诊断耗时分值所在的第三分值段，将诊断资源消耗程度查询表中同时匹配第一分值段、第二分值段及第三分值段的诊断资源消耗程度，确定为目标医疗对象的诊断资源消耗程度。
本实施例中，诊断资源消耗程度查询表中可以包含有诊断轨迹分值段、诊断花费分值段及诊断耗时分值段与诊断资源消耗程度的对应关系，例如，诊断轨迹分值段：100-80，诊断花费分值段：80-60，诊断耗时分值段：75-85，这三个分值段的组合与诊断资源消耗程度例如一级对应；当第一分值段为：100-80，第二分值段为：80-60，第三分值段为：75-85时，可以查询到目标医疗对象的诊断资源消耗程度为一级。
一种实施例中，根据诊断资源消耗分值，从诊断资源消耗程度查询表中查询目标医疗对象的诊断资源消耗程度，包括：
确定采集该目标医疗对象的医疗诊断数据时的时间段，并获取该时间段内的环境数据及人流量数据；根据环境数据及人流量数据对诊断资源消耗分值进行调整，得到调整后的诊断资源消耗分值；根据调整后的诊断资源消耗分值，从诊断资源消耗程度查询表中查询目标医疗对象的诊断资源消耗程度。
其中，根据环境数据及人流量数据对诊断资源消耗分值进行调整，得到调整后的诊断资源消耗分值，可以包括：根据环境数据及人流量数据确定分值调整系数，将该调整系数与诊断资源消耗分值的乘积作为调整后的诊断资源消耗分值。其中，根据环境数据及人流量数据确定分值调整系数，可以预设环境系数公式（例如公式：第一系数=温度C/月份L）利用环境数据计算出第一系数，然后，计算该第一系数与人流量数据的乘积后，将该乘积归一化处理为范围为0-1.5之间的调整系数。
一种实施例中，基于资源消耗评估模型评估目标医疗对象的诊断资源消耗程度时对应的用户画像数据的范围，比基于诊断资源消耗程度查询表评估目标医疗对象的诊断资源消耗程度时对应的用户画像数据的范围广，例如，基于资源消耗评估模型评估目标医疗对象的诊断资源消耗程度时对应的用户画像数据的范围可以包括用户购物喜好及饮食喜好等范围更广的用户画像数据，可以进一步发挥资源消耗评估模型的优势，进一步提升资源消耗程度评估准确性。其中用户画像数据可以基于用户在互联网平台的相关数据画像得到，医院可以从相关平台通过协议获取用户画像数据。
在步骤S250，根据诊断资源消耗程度，确定目标医疗对象的类别。
本示例的实施方式中，诊断资源消耗程度可以有效反映目标医疗对象所需的医疗资源类别或者医疗项目的需求类别（例如急需类或者非急需类），进而反映出目标医疗对象的类别，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）。避免现有技术中简单分类导致的医疗对象医疗不及时或者医疗资源分配不合理问题，在有效的医疗资源的情况下，实现目标医疗对象的有效分类。
根据诊断资源消耗程度，确定目标医疗对象的类别可按照如下实施例的方式进行。
一种实施例中，步骤S250，根据诊断资源消耗程度，确定目标医疗对象的类别，包括：获取目标医疗对象所在的医疗主体的规模大小；
获取与规模大小匹配的类别查询表；根据诊断资源消耗程度，从类别查询表中查找目标医疗对象的类别。
医疗主体的规模大小可以医院的面积大小或者可容纳人数等规模大小，本示例中为可容纳人数。规模大小匹配的类别查询表包含有预设的诊断资源消耗程度与类别的对应关系，可以从中查询到匹配目标医疗对象的诊断资源消耗程度的类别，该类别进一步与目标医疗对象所在的医疗主体的规模大小匹配，进一步保证分类的可靠性。
例如，规模大小可以包括1500-2000人或者1000-1500人两个规模，1500-2000人的规模对应第一类别查询表，1000-1500人的规模对应第二查询表。
一种实施例中，类别查询表中包含有多个医疗资源分配类别，每个类别对应一个诊断资源消耗程度；步骤S250，根据诊断资源消耗程度，从类别查询表中查找目标医疗对象的类别，包括：根据诊断资源消耗程度，从类别查询表中查找目标医疗对象的医疗资源分配类别。
医疗资源分配类别可以是分配医疗资源的级别，例如一级或者二级等；每个类别对应一个诊断资源消耗程度，例如一级对应高诊断资源消耗程度，二级对应低诊断资源消耗程度。这样可以基于类别查询表快速查询到目标医疗对象的医疗资源分配类别。
可以理解，其他实施例中可以包括其他类别查询表，该其他类别查询表中包含有多个医疗项目指引类别，每个类别对应一个诊断资源消耗程度，可以用于根据诊断资源消耗程度，查找目标医疗对象对应的医疗项目指引类别。
在步骤S260，输出目标医疗对象的类别。
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。
以这种方式，基于步骤S210-步骤S260，对于目标医疗对象，从医疗诊断数据中的诊断资源消耗数据的数据角度出发，具体使用诊断轨迹数据、诊断花费数据及诊断耗时数据，采用预设的消耗评估模型，实现基于人工智能的诊断资源消耗分值可靠评估，最后结合用户画像数据，确定出目标医疗对象的诊断资源消耗程度，并依此确定目标医疗对象的类别，可以简单有效地评估目标医疗对象对于后续医疗资源或者医疗项目的需求类别，进而有效提升医疗对象分类的可靠性。
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）。
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，获取目标医疗对象的医疗诊断数据及用户画像数据；
从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度；根据诊断资源消耗程度，确定目标医疗对象的类别。
步骤S610中具体实施方式可以依据前述医疗对象分类方法的实施例中的任意实施方式。
例如，将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值，可以包括：确定目标医疗对象的分类目标所匹配的消耗评估模型；将诊断轨迹数据、诊断花费数据及诊断耗时数据，输入分类目标所匹配的消耗评估模型，得到诊断资源消耗分值。
从医疗诊断数据中提取目标医疗对象的诊断资源消耗数据，可以包括：确定目标医疗对象的分类目标所匹配的资源消耗属性表；根据资源消耗属性表，从医疗诊断数据中，提取目标医疗对象的诊断资源消耗数据。
根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度，可以包括：将诊断资源消耗分值及用户画像数据，输入资源消耗评估模型，得到目标医疗对象的诊断资源消耗程度。
根据诊断资源消耗分值及用户画像数据，确定目标医疗对象的诊断资源消耗程度，可以包括：获取用户画像数据所匹配的诊断资源消耗程度查询表；根据诊断资源消耗分值，从诊断资源消耗程度查询表中查询目标医疗对象的诊断资源消耗程度。
根据诊断资源消耗程度，确定目标医疗对象的类别，可以包括：获取目标医疗对象所在的医疗主体的规模大小；获取与规模大小匹配的类别查询表；根据诊断资源消耗程度，从类别查询表中查找目标医疗对象的类别。
类别查询表中包含有多个医疗资源分配类别，每个类别对应一个诊断资源消耗程度；根据诊断资源消耗程度，从类别查询表中查找目标医疗对象的类别，可以包括：根据诊断资源消耗程度，从类别查询表中查找目标医疗对象的医疗资源分配类别。
其中，获取目标医疗对象的医疗诊断数据及用户画像数据，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），目标医疗对象在诊断全流程中，可以随机经过图6所示位置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的终端，将目标医疗对象的医疗诊断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，可以在目标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，触发对该目标医疗对象的记录，在诊断结束时上报对应科室的诊断数据。
触发对该目标医疗对象的记录后，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目标医疗对象的对象，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，根据医疗资源分配类别，为目标医疗对象分配匹配医疗资源分配类别的医疗资源。
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诊断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分类装置的框图。
如图7所示，医疗对象分类装置700中可以包括获取模块710、提取模块720、评估模块730、确定模块740、分类模块750及输出模块760。获取模块710可以用于获取目标医疗对象的医疗诊断数据及用户画像数据；提取模块720可以用于从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；评估模块730可以用于将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；确定模块740可以用于将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度；分类模块750可以用于根据所述诊断资源消耗程度，确定所述目标医疗对象的类别，输出模块760可以用于输出所述目标医疗对象的类别。
在本申请的一些实施例中，所述评估模块，包括：目标模块确定单元，用于确定所述目标医疗对象的分类目标所匹配的消耗评估模型；分值分析单元，用于将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入所述分类目标所匹配的消耗评估模型，得到诊断资源消耗分值。
在本申请的一些实施例中，所述提取模块，包括：属性表确定单元，用于确定所述目标医疗对象的分类目标所匹配的资源消耗属性表；消耗数据提取单元，用于根据所述资源消耗属性表，从所述医疗诊断数据中，提取所述目标医疗对象的诊断资源消耗数据。
在本申请的一些实施例中，所述确定模块，包括：数据获取单元，用于确定采集所述目标医疗对象的医疗诊断数据时的时间段，并获取该时间段内的环境数据及人流量数据；模型分析单元，用于将诊断资源消耗分值、用户画像数据、环境数据及人流量数据，输入所述资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度。
在本申请的一些实施例中，所述医疗对象分类装置还包括：查询表获取，用于获取所述用户画像数据所匹配的诊断资源消耗程度查询表；消耗程度查询单元，用于根据所述诊断资源消耗分值，从所述诊断资源消耗程度查询表中查询所述目标医疗对象的诊断资源消耗程度；最大确定单元，用于将查询得到的诊断资源消耗程度及所述资源消耗评估模型输出的诊断资源消耗程度中，最大的诊断资源消耗程度确定为所述目标医疗对象的诊断资源消耗程度。
在本申请的一些实施例中，所述分类模块，包括：规模确定单元，用于获取所述目标医疗对象所在的医疗主体的规模大小；匹配单元，用于获取与所述规模大小匹配的类别查询表；类别查询单元，用于根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的类别。
在本申请的一些实施例中，所述类别查询表中包含有多个医疗资源分配类别，每个所述类别对应一个诊断资源消耗程度；所述类别查询单元，用于：根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的医疗资源分配类别。
以这种方式，基于医疗对象分类装置700，对于目标医疗对象，从医疗诊断数据中的诊断资源消耗数据的数据角度出发，具体使用诊断轨迹数据、诊断花费数据及诊断耗时数据，采用预设的消耗评估模型，实现基于人工智能的诊断资源消耗分值可靠评估，最后结合用户画像数据，确定出目标医疗对象的诊断资源消耗程度，并依此确定目标医疗对象的类别，可以简单有效地评估目标医疗对象对于后续医疗资源或者医疗项目的需求类别，进而有效提升医疗对象分类的可靠性。
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：获取目标医疗对象的医疗诊断数据及用户画像数据；从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度；根据所述诊断资源消耗程度，确定所述目标医疗对象的类别；输出所述目标医疗对象的类别。
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 (10)

1.一种医疗对象分类方法，其特征在于，包括：
获取目标医疗对象的医疗诊断数据及用户画像数据；
从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；
将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；
将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度；
根据所述诊断资源消耗程度，确定所述目标医疗对象的类别；
输出所述目标医疗对象的类别。
2.根据权利要求1所述的医疗对象分类方法，其特征在于，所述将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值，包括：
确定所述目标医疗对象的分类目标所匹配的消耗评估模型；
将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入所述分类目标所匹配的消耗评估模型，得到诊断资源消耗分值。
3.根据权利要求1所述的医疗对象分类方法，其特征在于，所述从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，包括：
确定所述目标医疗对象的分类目标所匹配的资源消耗属性表；
根据所述资源消耗属性表，从所述医疗诊断数据中，提取所述目标医疗对象的诊断资源消耗数据。
4.根据权利要求1所述的医疗对象分类方法，其特征在于，所述将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度，包括：
确定采集所述目标医疗对象的医疗诊断数据时的时间段，并获取该时间段内的环境数据及人流量数据；
将诊断资源消耗分值、用户画像数据、环境数据及人流量数据，输入所述资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度。
5.根据权利要求1-4任一项所述的医疗对象分类方法，其特征在于，所述医疗对象分类方法还包括：
获取所述用户画像数据所匹配的诊断资源消耗程度查询表；
根据所述诊断资源消耗分值，从所述诊断资源消耗程度查询表中查询所述目标医疗对象的诊断资源消耗程度；
将查询得到的诊断资源消耗程度及所述资源消耗评估模型输出的诊断资源消耗程度中，最大的诊断资源消耗程度确定为所述目标医疗对象的诊断资源消耗程度。
6.根据权利要求1所述的医疗对象分类方法，其特征在于，所述根据所述诊断资源消耗程度，确定所述目标医疗对象的类别，包括：
获取所述目标医疗对象所在的医疗主体的规模大小；
获取与所述规模大小匹配的类别查询表；
根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的类别。
7.根据权利要求6所述的医疗对象分类方法，其特征在于，所述类别查询表中包含有多个医疗资源分配类别，每个所述类别对应一个诊断资源消耗程度；所述根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的类别，包括：
根据所述诊断资源消耗程度，从所述类别查询表中查找所述目标医疗对象的医疗资源分配类别。
8.一种医疗对象分类装置，其特征在于，包括：
获取模块，用于获取目标医疗对象的医疗诊断数据及用户画像数据；
提取模块，用于从所述医疗诊断数据中提取所述目标医疗对象的诊断资源消耗数据，所述诊断资源消耗数据包括诊断轨迹数据、诊断花费数据及诊断耗时数据；
评估模块，用于将所述诊断轨迹数据、所述诊断花费数据及所述诊断耗时数据，输入预设的消耗评估模型，得到诊断资源消耗分值；
确定模块，用于将所述诊断资源消耗分值及所述用户画像数据，输入资源消耗评估模型，得到所述目标医疗对象的诊断资源消耗程度；
分类模块，用于根据所述诊断资源消耗程度，确定所述目标医疗对象的类别；
输出模块，用于输出所述目标医疗对象的类别。
9.一种电子设备，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1-7任一项所述的方法。
10.一种存储介质，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1-7任一项所述的方法。
CN202210650811.0A 2022-06-10 2022-06-10 一种医疗对象分类方法、装置、电子设备及存储介质 Active CN114722977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210650811.0A CN114722977B (zh) 2022-06-10 2022-06-10 一种医疗对象分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210650811.0A CN114722977B (zh) 2022-06-10 2022-06-10 一种医疗对象分类方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114722977A CN114722977A (zh) 2022-07-08
CN114722977B true CN114722977B (zh) 2022-09-02

Family

ID=82232632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210650811.0A Active CN114722977B (zh) 2022-06-10 2022-06-10 一种医疗对象分类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114722977B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法
CN111161880A (zh) * 2019-12-23 2020-05-15 平安医疗健康管理股份有限公司 基于分类模型的医疗信息分类方法、装置和计算机设备
CN112967789A (zh) * 2021-03-04 2021-06-15 上海市口腔病防治院 一种口腔类专科病种的资源消耗计算测定方法
CN113283500A (zh) * 2021-05-24 2021-08-20 康键信息技术（深圳）有限公司 医疗问诊数据的处理方法、装置、设备及存储介质
CN114334169A (zh) * 2022-03-07 2022-04-12 四川大学 医疗对象的类别决策方法、装置、电子设备及存储介质
CN114579626A (zh) * 2022-03-09 2022-06-03 北京百度网讯科技有限公司 数据处理方法、数据处理装置、电子设备和介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170351822A1 (en) * 2016-06-07 2017-12-07 hMetrix LLC Method and system for analyzing and displaying optimization of medical resource utilization
US11969266B2 (en) * 2020-02-14 2024-04-30 Northeastern University Embedded networked deep learning for implanted medical devices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109411082A (zh) * 2018-11-08 2019-03-01 西华大学 一种医疗质量评价及就诊推荐方法
CN111161880A (zh) * 2019-12-23 2020-05-15 平安医疗健康管理股份有限公司 基于分类模型的医疗信息分类方法、装置和计算机设备
CN112967789A (zh) * 2021-03-04 2021-06-15 上海市口腔病防治院 一种口腔类专科病种的资源消耗计算测定方法
CN113283500A (zh) * 2021-05-24 2021-08-20 康键信息技术（深圳）有限公司 医疗问诊数据的处理方法、装置、设备及存储介质
CN114334169A (zh) * 2022-03-07 2022-04-12 四川大学 医疗对象的类别决策方法、装置、电子设备及存储介质
CN114579626A (zh) * 2022-03-09 2022-06-03 北京百度网讯科技有限公司 数据处理方法、数据处理装置、电子设备和介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Integrated medical resource consumption stratification in hospitalized patients: an Auto Triage Management model based on accurate risk, cost and length of stay prediction;Qin Zhong等;《Sci China Life Sci.》;20211008;第65卷(第5期);988-999 *
Patient classification systems used to classify nursing intensity and assess nursing staffing resources in home health care: A scoping review;Jill Flo等;《International Journal of Nursing Studies》;20191231;第99卷(第2期);1-12 *
某医院2型糖尿病患者住院费用的疾病诊断相关分组研;许志隆等;《中国卫生资源》;20200720;第23卷(第04期);第373-377、399页 *

Also Published As

Publication number Publication date
CN114722977A (zh) 2022-07-08

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
CN113592345B (zh) 基于聚类模型的医疗分诊方法、系统、设备及存储介质
CN108461110B (zh) 医疗信息处理方法、装置及设备
CN112614578B (zh) 医生智能推荐方法、装置、电子设备及存储介质
CN111986744B (zh) 医疗机构的患者界面生成方法、装置、电子设备及介质
CN110210194A (zh) 电子合同显示方法、装置、电子设备及存储介质
CN111797756A (zh) 基于人工智能的视频分析方法、设备及介质
CN108461130B (zh) 就诊任务智能调度方法及系统
KR20200128241A (ko) 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법
CN112634889A (zh) 基于人工智能的电子病例录入方法、装置、终端及介质
CN114862520A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
CN114722977B (zh) 一种医疗对象分类方法、装置、电子设备及存储介质
CN116433391A (zh) 理赔信息处理方法、装置、电子设备及存储介质
CN113241134B (zh) 在线问诊医生分配方法和系统、存储介质
CN116313086A (zh) 一种亚健康预测模型构建方法、装置、设备及存储介质
CN116150690A (zh) DRGs决策树构建方法及装置、电子设备、存储介质
CN114373541A (zh) 基于分布式的智能中医诊断方法、系统及存储介质
CN112328752B (zh) 基于搜索内容的课程推荐方法、装置、计算机设备及介质
CN114913986B (zh) 一种医疗对象聚类方法、装置、电子设备及存储介质
CN114049637A (zh) 一种目标识别模型的建立方法、系统、电子设备及介质
CN113409918B (zh) 基于智能手环的食谱推荐方法、装置、电子设备及介质
CN115187805B (zh) 一种征象识别方法、装置、电子设备和存储介质
CN118352083A (zh) 一种孕期心理健康ai辅助评估方法及系统
US20220019583A1 (en) Server and information processing method

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