CN115116602A - 疾病的预警方法、装置、设备、存储介质及程序产品 - Google Patents
疾病的预警方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN115116602A CN115116602A CN202210518060.7A CN202210518060A CN115116602A CN 115116602 A CN115116602 A CN 115116602A CN 202210518060 A CN202210518060 A CN 202210518060A CN 115116602 A CN115116602 A CN 115116602A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- treatment
- target
- early warning
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种疾病的预警方法、装置、设备、存储介质及计算机程序产品,可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景;方法包括:针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息;分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征;从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征;基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度;当所述关联程度达到程度阈值时,输出对应所述诊疗对象的疾病预警信息;通过本申请,能够提高诊疗对象与目标疾病的关联程度的准确性,且能够针对关联程度达到程度阈值的诊疗对象实现提前预警的效果。
Description
技术领域
本申请涉及信息处理技术领域,尤其涉及一种疾病的预警方法、装置、设备、存储介质及计算机程序产品。
背景技术
人工智能(AI,Artificial Intelligence)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、方法和技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术也逐渐应用于疾病的预警。
相关技术中,通常通过医务人员根据诊疗对象的检验指标的值是否异常来确定诊疗对象和疾病的关联程度,对检验指标的实时性依赖较大,而诊疗对象无法做到实时检测指标,使得诊疗对象和疾病的关联程度识别不准确。
发明内容
本申请实施例提供一种疾病的预警方法、装置、设备、存储介质及计算机程序产品,能够提高诊疗对象与目标疾病的关联程度的准确性,且能够针对关联程度达到程度阈值的诊疗对象,及时输出相应的疾病预警信息,达到提前预警的效果。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种疾病的预警方法,包括:
针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息;
分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征;
从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征;
基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度;
当所述关联程度达到程度阈值时,输出对应所述诊疗对象的疾病预警信息。
本申请实施例还提供一种疾病的预警装置,包括:
获取模块,用于针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息;
第一特征提取模块,用于分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征;
第二特征提取模块,用于从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征;
确定模块,用于基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度;
输出模块,用于当所述关联程度达到程度阈值时,输出对应所述诊疗对象的疾病预警信息。
上述方案中,所述获取模块,还用于呈现所述诊疗信息的类型配置界面;基于所述类型配置界面,接收针对所述目标疾病配置的诊疗信息的所述至少两种类型。
上述方案中,所述获取模块,还用于呈现所述目标疾病的预警配置界面;基于所述预警配置界面,接收针对所述目标疾病配置的所述影响指标和所述程度阈值。
上述方案中,所述获取模块,还用于接收基于所述预警配置界面配置的预警信息输出策略;其中,所述预警信息输出策略包括以下至少之一:预警频率、预警次数、预警接收对象、预警时间、预警级别、以及预警途径;所述输出模块,还用于按照所述预警信息输出策略,输出对应所述诊疗对象的疾病预警信息。
上述方案中,所述影响指标关联有指标值异常范围,所述获取模块,还用于从所述诊疗信息中,获取所述影响指标的指标值;所述输出模块,还用于当所述指标值处于所述指标值异常范围内时,输出对应所述诊疗对象的目标疾病预警信息。
上述方案中,所述输出模块,还用于获取目标对象针对所述目标疾病的预警信息的订阅状态;当所述订阅状态表征所述目标对象已订阅所述预警信息时,向所述目标对象输出对应所述诊疗对象的疾病预警信息。
上述方案中,所述获取模块,还用于获取所述诊疗对象的、以下类型中至少两种类型的诊疗信息:症状描述信息类型、药物使用信息类型、以及生理检查信息类型。
上述方案中,所述获取模块,还用于对所述诊疗对象的诊疗信息的信息变更事件进行订阅;所述获取模块,还用于当针对所述诊疗对象,接收到订阅的所述信息变更事件时,获取所述诊疗对象的至少两种类型的诊疗信息。
上述方案中,所述第一特征提取模块,还用于针对各所述类型的所述诊疗信息,分别执行如下处理:对所述诊疗信息中的文本信息进行文本特征提取,得到相应的文本诊疗特征,并对所述诊疗信息中的图像信息进行图像特征提取,得到相应的图像诊疗特征;将所述文本诊疗特征和所述图像诊疗特征,作为所述诊疗特征。
上述方案中,所述确定模块,还用于获取用于预测待诊疗对象和所述目标疾病的关联程度的机器学习模型;基于所述目标诊疗特征,调用所述机器学习模型进行预测,得到所述诊疗对象与所述目标疾病的关联程度。
上述方案中,所述确定模块,还用于基于所述目标诊疗特征,确定所述影响指标的指标值;获取所述目标疾病对应的所述影响指标的至少一个指标值异常范围;确定所述指标值所处的目标指标值异常范围,并确定所述目标指标值异常范围对应的目标关联程度,为所述诊疗对象与所述目标疾病的关联程度。
上述方案中,所述第二特征提取模块,还用于当所述诊疗特征的特征类型为多个时,获取各所述特征类型对应的接口;针对各所述特征类型,通过所述特征类型对应的接口调用特征加载服务;通过所述特征加载服务,从具有所述特征类型的诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征。
本申请实施例还提供一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的疾病的预警方法。
本申请实施例还提供一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时,实现本申请实施例提供的疾病的预警方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序或指令,所述计算机程序或指令被处理器执行时,实现本申请实施例提供的疾病的预警方法。
本申请实施例具有以下有益效果:
针对待进行目标疾病诊疗的诊疗对象,首先获取诊疗对象的至少两种类型的诊疗信息,然后分别对各类型的诊疗信息进行特征提取,得到相应的诊疗特征,并从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征,再基于目标诊疗特征,确定诊疗对象与目标疾病的关联程度,从而当关联程度达到程度阈值时,输出对应诊疗对象的疾病预警信息。
如此,通过诊疗对象的至少两种类型的诊疗信息,能够得到与目标疾病的影响指标关联的目标诊疗特征,进而基于目标诊疗特征确定诊疗对象与目标疾病的关联程度,提高了所确定的诊疗对象与目标疾病的关联程度的准确性,且能够针对关联程度达到程度阈值的诊疗对象,及时输出相应的疾病预警信息,达到提前预警的效果。
附图说明
图1是本申请实施例提供的疾病的预警系统100的架构示意图;
图2是本申请实施例提供的实施疾病的预警方法的电子设备500的结构示意图;
图3是本申请实施例提供的疾病的预警方法的流程示意图;
图4是本申请实施例提供的类型配置界面的显示示意图;
图5是本申请实施例提供的预警配置界面的显示示意图;
图6是本申请实施例提供的疾病的预警流程示意图;
图7是本申请实施例提供的疾病的预警流程示意图;
图8是本申请实施例提供的疾病的预警系统的架构示意图;
图9是本申请实施例提供的疾病的预警系统的应用示意图;
图10是本申请实施例提供的疾病的预警方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
本申请提供了一种疾病的预警方法、装置、设备、存储介质及计算机程序产品,能够提高诊疗对象与目标疾病的关联程度的准确性,且能够针对关联程度达到程度阈值的诊疗对象,及时输出相应的疾病预警信息,达到提前预警的效果。接下来分别进行说明。
下面说明本申请实施例提供的疾病的预警方法的实施场景。参见图1,图1是本申请实施例提供的疾病的预警系统100的架构示意图,为实现支撑一个示例性应用,终端400通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合,使用无线或有线链路实现数据传输。
终端400(可以设置有支持诊疗信息处理的应用程序),用于响应于诊疗信息处理指令,发送诊疗信息处理请求至服务器200,该诊疗信息处理请求携带待进行目标疾病诊疗的诊疗对象的对象标识;
服务器200,用于接收诊疗信息处理请求;响应于诊疗信息处理请求,基于诊疗对象的对象标识,获取诊疗对象的至少两种类型的诊疗信息;分别对各类型的诊疗信息进行特征提取,得到相应的诊疗特征;从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征;基于目标诊疗特征,确定诊疗对象与目标疾病的关联程度,并将确定的关联程度返回至终端400;
终端400,用于接收并显示诊疗对象与目标疾病的关联程度;同时,当关联程度达到程度阈值时,输出对应诊疗对象的疾病预警信息,以实现针对诊疗对象的疾病预警。
在一些实施例中,本申请实施例提供的疾病的预警方法可以由各种电子设备实施,例如,可以由终端单独实施,也可以由服务器单独实施,也可以由终端和服务器协同实施。本申请实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。在实际应用中,实施本申请实施例提供的疾病的预警方法的电子设备可以是各种类型的终端设备或服务器。
在一些实施例中,本申请实施例提供的疾病的预警方法可以借助于云技术(CloudTechnology)实现,云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、以及应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源。作为示例,服务器(例如服务器200)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,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。
作为示例,终端(例如终端400)可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备(例如智能音箱)、智能家电(例如智能电视)、智能手表、车载终端等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例对此不做限制。
在一些实施例中,终端或服务器可以通过运行计算机程序来实现本申请实施例提供的疾病的预警方法,举例来说,计算机程序可以是操作系统中的原生程序或软件模块;可以是本地(Native)应用程序(APP,Application),即需要在操作系统中安装才能运行的程序;也可以是小程序,即只需要下载到浏览器环境中就可以运行的程序;还可以是能够嵌入至任意APP中的小程序。总而言之,上述计算机程序可以是任意形式的应用程序、模块或插件。
在一些实施例中,多个服务器可组成为一区块链,而服务器为区块链上的节点,区块链中的每个节点之间可以存在信息连接,节点之间可以通过上述信息连接进行信息传输。其中,本申请实施例提供的疾病的预警方法所相关的数据(例如诊疗信息、诊疗对象和目标疾病的关联程度)可保存于区块链上。
下面说明本申请实施例提供的实施疾病的预警方法的电子设备。参见图2,图2是本申请实施例提供的实施疾病的预警方法的电子设备500的结构示意图。以电子设备500为图1所示的终端为例,本申请实施例提供的实施疾病的预警方法的电子设备500包括:至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可理解,总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统540。
处理器510可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),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,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器550可以是可移除的,不可移除的或其组合。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。存储器550包括易失性存储器或非易失性存储器,也可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random AccessMemory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。
在一些实施例中,存储器550能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统551,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块552,用于经由一个或多个(有线或无线)网络接口520到达其他计算设备,示例性的网络接口520包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
在一些实施例中,本申请实施例提供的疾病的预警装置可以采用软件方式实现,图2示出了存储在存储器550中的疾病的预警装置553,其可以是程序和插件等形式的软件,包括以下软件模块:获取模块5531、第一特征提取模块5532、第二特征提取模块5533、确定模块5534和输出模块5535,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分,将在下文中说明各个模块的功能。
下面说明本申请实施例提供的疾病的预警方法。在一些实施例中,本申请实施例提供的疾病的预警方法可以由各种电子设备实施,例如,可以由终端单独实施,也可以由服务器单独实施,也可以由终端和服务器协同实施。以终端实施为例,参见图3,图3是本申请实施例提供的疾病的预警方法的流程示意图,本申请实施例提供的疾病的预警方法包括:
步骤101:终端针对待进行目标疾病诊疗的诊疗对象,获取诊疗对象的至少两种类型的诊疗信息。
在实际应用中,该终端可以为医务人员使用的终端,该终端可以安装和运行有应用程序,比如支持诊疗信息处理的应用程序。当需要对诊疗对象进行目标疾病的诊疗时,可以通过运行该应用程序实现。具体地,终端针对待进行目标疾病诊疗的诊疗对象,获取诊疗对象的至少两种类型的诊疗信息。
在实际实施时,该诊疗信息可以存储于数据库中,该数据库可以是本地数据库,也可以是云端数据库,针对数据库中存储的各个诊疗对象,可以对每个诊疗对象,均自动执行该诊疗对象的疾病的预警过程,以得到各个诊疗对象与目标疾病的关联程度,从而在关联程度达到程度阈值时,及时输出相应的疾病预警信息,给医务人员以参考,辅助医务人员进行医疗服务。
在一些实施例中,终端可通过如下方式获取诊疗对象的至少两种类型的诊疗信息:获取诊疗对象的、以下类型中至少两种类型的诊疗信息:症状描述信息类型、药物使用信息类型、以及生理检查信息类型。
在实际应用中,该至少两种类型为以下类型中的至少两种:症状描述信息类型、药物使用信息类型、以及生理检查信息类型。其中,症状描述信息类型的诊疗信息,可以是医务人员针对该诊疗对象的生理症状的描述数据,比如头疼、流涕等;药物使用信息类型的诊疗信息,可以是医务人员针对该诊疗对象给出的用药指导数据,比如服用A药品、药品用法用量等;生理检查信息类型的诊疗信息,可以是针对该诊疗对象进行生理特征检测得到的检测结果数据,比如血液检测结果、拍摄的病理图像等。
在一些实施例中,终端可通过如下方式对待获取诊疗信息的类型进行配置:呈现诊疗信息的类型配置界面;基于类型配置界面,接收针对目标疾病配置的诊疗信息的至少两种类型。
在实际应用中,诊疗信息的类型可以是预先配置的,比如可以是医院信息技术人员预先配置的,也可以是医务人员根据需要预先配置的。在实际实施时,可以提供用于进行类型配置的类型配置界面。参见图4,图4是本申请实施例提供的类型配置界面的显示示意图,这里,该类型配置界面中可以用于配置诊疗信息的数据来源的数据源stamap、数据表t_app、以及字段name,其中,字段name即为诊疗信息的类型。该类型配置界面中可以包括用于设置类型的类型功能项(如图4所示的下拉按钮),响应于针对类型功能项的触发操作,可以显示供选择的多个候选类型,用户可以根据需要选择需要的类型。在实际实施时,用户还可以通过图4所示的“+”继续添加待获取诊疗信息的数据源、数据表以及字段等,也还可以通过图4所示的“-”删除已添加的待获取诊疗信息的数据源、数据表以及字段等。
当基于该类型配置界面,接收到针对目标疾病配置的诊疗信息的至少两种类型时,则在对诊疗对象进行目标疾病的诊疗时,获取诊疗对象的至少两种类型的诊疗信息。
在一些实施例中,终端可通过如下方式检测待处理的诊疗信息是否更新:对诊疗对象的诊疗信息的信息变更事件进行订阅;相应的,终端可通过如下方式获取诊疗对象的至少两种类型的诊疗信息:当针对诊疗对象,接收到订阅的信息变更事件时,获取诊疗对象的至少两种类型的诊疗信息。
在实际应用中,可以对诊疗对象的诊疗信息的信息变更事件进行订阅,比如可以通过Kafka存储更新的诊疗信息,并订阅Kafka的信息变更事件,如此可以及时关注诊疗对象的诊疗信息的更新,以及时对诊疗对象进行相应诊疗信息的获取,从而及时对诊疗信息进行处理,得到诊疗对象和目标疾病的关联程度,从而在关联程度达到程度阈值时,及时输出相应的疾病预警信息,给医务人员以参考,辅助医务人员进行医疗服务;同时,降低诊疗对象的疾病风险。
在对诊疗对象的诊疗信息的信息变更事件进行订阅后,若诊疗对象的诊疗信息发生更新,则会发送信息变更事件至终端。当终端针对诊疗对象,接收到订阅的信息变更事件时,获取诊疗对象的至少两种类型的诊疗信息。
在一些实施例中,终端可通过如下方式进行影响指标和程度阈值的配置:呈现目标疾病的预警配置界面;基于预警配置界面,接收针对目标疾病配置的影响指标和程度阈值。
在实际应用中,目标疾病的影响指标和程度阈值也可以是预先配置的,比如可以是医院信息技术人员根据目标疾病预先配置的,也可以是医务人员根据目标疾病预先配置的。在实际实施时,可以提供用于进行配置的预警配置界面。在该预警配置界面中,可以提供用于配置影响指标的第一配置功能项、以及用于配置程度阈值的第二配置功能项。在实际实施时,终端呈现目标疾病的预警配置界面,从而基于该预警配置界面,接收针对目标疾病配置的影响指标和程度阈值。
在本申请实施例中,该目标疾病的影响指标的值大小,用于指示诊疗对象与目标疾病的关联程度的高低。比如,该目标疾病为急性肾损伤(Acute Kidne y injury,AKI),该影响指标则可以是血清肌酐和尿量。该程度阈值用于确定是否输入针对诊疗对象的疾病预警信息,在实际实施时,当确定诊疗对象和目标疾病间的关联程度达到程度阈值时,则输出对应诊疗对象的疾病预警信息,给医务人员以参考,辅助医务人员对诊疗对象进行目标疾病的诊疗。
在一些实施例中,影响指标关联有指标值异常范围,终端可通过如下方式进行疾病的预警:从诊疗信息中,获取影响指标的指标值;当指标值处于指标值异常范围内时,输出对应诊疗对象的目标疾病预警信息。
在实际应用中,该影响指标可以关联有指标值异常范围,即当诊疗对象的影响指标的指标值处于指标值异常范围时,则确定诊疗对象和目标疾病的关联程度达到程度阈值。因此,在获取诊疗对象的诊疗信息后,可以首先从诊疗信息中提取影响指标的指标值,以通过该影响指标的指标值确定诊疗对象和目标疾病的关联程度是否达到程度阈值;然后获取目标疾病对应的影响指标的指标值异常范围;当确定指标值处于指标值异常范围内时,则确定诊疗对象和目标疾病的关联程度达到程度阈值,此时输出对应诊疗对象的目标疾病预警信息,给医务人员以参考,辅助医务人员及时了解诊疗对象与目标疾病的关联程度。
步骤102:分别对各类型的诊疗信息进行特征提取,得到相应的诊疗特征。
在实际应用中,当终端获取了诊疗对象的至少两种类型的诊疗信息之后,则可以对各类型的诊疗信息进行特征提取,得到相应的诊疗特征。在实际实施时,可以首先对诊疗信息进行数据预处理,包括数据清理,数据集成,数据变换等,得到第一诊疗数据;然后对第一诊疗数据进行数据挖掘,包括数据探索、数据分析、数据筛选等,得到第二诊疗数据,从而对第二诊疗数据进行特征提取,得到相应的诊疗特征。
在一些实施例中,终端可通过如下方式分别对各类型的诊疗信息进行特征提取,得到相应的诊疗特征:针对各类型的诊疗信息,分别执行如下处理:对诊疗信息中的文本信息进行文本特征提取,得到相应的文本诊疗特征,并对诊疗信息中的图像信息进行图像特征提取,得到相应的图像诊疗特征;将文本诊疗特征和图像诊疗特征,作为诊疗特征。
在实际应用中,诊疗信息可以包括文本信息,如症状描述信息类型的诊疗信息、药物使用信息类型的诊疗信息、生理检查信息类型的文本诊疗信息(如文本检测结果);诊疗信息还可以包括图像信息,如生理检查信息类型的图像诊疗信息(如诊疗对象的病理图像等)。因此,则可以针对各类型的诊疗信息,分别执行如下处理:对诊疗信息中的文本信息进行文本特征提取,得到相应的文本诊疗特征,并对诊疗信息中的图像信息进行图像特征提取,得到相应的图像诊疗特征;将文本诊疗特征和图像诊疗特征,作为诊疗特征。
步骤103:从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征。
在实际应用中,当从各类型的诊疗信息中提取到诊疗特征后,则可以进一步从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征,从而更加精确的确定目标疾病和诊疗对象的关联程度,同时还较少关联程度计算时的计算量,提高计算效率以及关联程度的确定效率。
在一些实施例中,终端可通过如下方式从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征:当诊疗特征的特征类型为多个时,获取各特征类型对应的接口;针对各特征类型,通过特征类型对应的接口调用特征加载服务;通过特征加载服务,从具有特征类型的诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征。
在实际应用中,当诊疗特征的特征类型为多个时,获取各特征类型对应的API接口,然后针对各特征类型,分别执行如下处理:过特征类型对应的接口调用特征加载服务,然后通过特征加载服务,从具有该特征类型的诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征。
步骤104:基于目标诊疗特征,确定诊疗对象与目标疾病的关联程度。
在实际应用中,当提取到目标诊疗特征后,基于目标诊疗特征,确定诊疗对象与目标疾病的关联程度,该关联程度可以用于指示诊疗对象患有目标疾病的概率。
在一些实施例中,基于目标诊疗特征,终端可通过如下方式确定诊疗对象与目标疾病的关联程度:获取用于预测待诊疗对象和目标疾病的关联程度的机器学习模型;基于目标诊疗特征,调用机器学习模型进行预测,得到诊疗对象与目标疾病的关联程度。
在实际应用中,可以预先训练得到用于预测待诊疗对象和目标疾病的关联程度的机器学习模型。在实际实施时,该机器学习模型可以是基于卷积神经网络、深度神经网络、循环神经网络等建立的,然后以诊疗信息样本为训练数据、以及该诊疗信息样本对应的样本对象和目标疾病的关联程度为标签,对建立的机器学习模型训练得到的。从而可以通过调用该训练完成的机器学习模型,基于目标诊疗特征进行预测,得到诊疗对象与目标疾病的关联程度。
在实际实施时,本申请实施例提供的疾病的预警方法还能够与云技术相结合,例如,将上述机器学习模型部署在云端服务器。其中,云技术中的医疗云(Medical Cloud)是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上,结合医疗技术,使用“云计算”来创建医疗健康服务云平台,实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用与结合,医疗云提高了医疗机构的效率,方便居民就医。医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。示例性的,本申请实施例提供的机器学习模型可以部署在医疗健康服务云平台上。
在一些实施例中,基于目标诊疗特征,终端可通过如下方式确定诊疗对象与目标疾病的关联程度:基于目标诊疗特征,确定影响指标的指标值;获取目标疾病对应的影响指标的至少一个指标值异常范围;确定指标值所处的目标指标值异常范围,并确定目标指标值异常范围对应的目标关联程度,为诊疗对象与目标疾病的关联程度。
在实际应用中,还可以基于目标诊疗特征确定影响指标的指标值,比如,可以通过用于基于目标诊疗特征预测目标疾病的影响指标的指标值的机器学习模型,对该诊疗对象的目标诊疗特征进行预测,得到目标疾病的影响指标的指标值。然后获取目标疾病对应的影响指标的至少一个指标值异常范围,每个指标值异常范围对应设置有相应的目标关联程度。再确定指标值所处的目标指标值异常范围,从而将目标指标值异常范围对应的目标关联程度,作为诊疗对象与目标疾病的关联程度。
步骤105:当关联程度达到程度阈值时,输出对应诊疗对象的疾病预警信息。
在实际应用中,当关联程度达到程度阈值时,则输出对应诊疗对象的疾病预警信息,该疾病预警信息可以包括该关联程度,以给医务人员以参考,辅助医务人员进行医疗服务。该输出的疾病预警信息的类型可以为文本类型、音频类型、振动类型等等。
在一些实施例中,终端可通过如下方式进行预警信息输出策略的配置:接收基于预警配置界面配置的预警信息输出策略;其中,预警信息输出策略包括以下至少之一:预警频率、预警次数、预警接收对象、预警时间、预警级别、以及预警途径;相应的,终端可通过如下方式输出对应诊疗对象的疾病预警信息:按照预警信息输出策略,输出对应诊疗对象的疾病预警信息。
在实际应用中,预警配置界面还支持配置预警信息输出策略,该预警信息输出策略包括以下至少之一:预警频率、预警次数、预警接收对象、预警时间、预警级别(如严重、中度、轻度)、以及预警途径(如通过客户端发送、通过公众号发送、通过即时通信消息发送、通过短信发送等等)。
参见图5,图5是本申请实施例提供的预警配置界面的显示示意图。这里,该预警配置界面可以支持预警频率、预警接收对象、预警途径(即接收方式)、预警时间(即推送时间段)、预警推送内容、预警次数等的配置。
基于此,当基于预警配置界面配置完成预警信息输出策略后,终端按照预警信息输出策略,输出对应诊疗对象的疾病预警信息。
在一些实施例中,终端可通过如下方式输出对应诊疗对象的疾病预警信息:获取目标对象针对目标疾病的预警信息的订阅状态;当订阅状态表征目标对象已订阅预警信息时,向目标对象输出对应诊疗对象的疾病预警信息。
在实际应用中,终端在输出对应诊疗对象的疾病预警信息时,还可以获取目标对象针对目标疾病的预警信息的订阅状态,该目标对象可以为诊疗对象的医护人员,当订阅状态表征目标对象已订阅预警信息时,则向目标对象输出对应诊疗对象的疾病预警信息。该预警信息可以通过服务号或者公众号或者即时通信消息的方式发送至目标对象,便于目标对象快速了解诊疗对象关于目标疾病的情况,及时采取相应的预防和治疗措施。
应用本申请上述实施例,针对待进行目标疾病诊疗的诊疗对象,首先获取诊疗对象的至少两种类型的诊疗信息,然后分别对各类型的诊疗信息进行特征提取,得到相应的诊疗特征,并从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征,再基于目标诊疗特征,确定诊疗对象与目标疾病的关联程度,从而当关联程度达到程度阈值时,输出对应诊疗对象的疾病预警信息。
如此,通过诊疗对象的至少两种类型的诊疗信息,能够得到与目标疾病的影响指标关联的目标诊疗特征,进而基于目标诊疗特征确定诊疗对象与目标疾病的关联程度,提高了所确定的诊疗对象与目标疾病的关联程度的准确性,且能够针对关联程度达到程度阈值的诊疗对象,及时输出相应的疾病预警信息,达到提前预警的效果。
下面将说明本申请实施例在一个实际的应用场景中的示例性应用。接下来首先对本申请实施例涉及的名词进行解释,包括:
1)急性肾损伤(Acute Kidney injury,AKI):指各种病因引起短时间内肾功能快速减退而导致的临床综合征。
2)ETL(Extract-Transform-Load):用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。
3)预测模型标记语言(Predictive Model Markup Language,PMML):一种可以呈现预测分析模型(即机器学习模型)的事实标准语言。
4)Flink:批处理和流处理结合的统一计算框架,其核心是一个提供数据分发以及并行化计算的流数据处理引擎。
5)CDC(Change Data Capture):Flink的新增特性,Flink CDC可以从数据库中获取到binlog以供下游进行业务计算分析(如目标疾病和诊疗对象的关联程度的计算分析),实现mysql数据的同步。
相关技术中,通过医务人员根据诊疗对象的检验指标是否异常来确定诊疗对象和疾病的关联程度,对检验指标的实时性依赖较大,当诊疗对象无法动态实时地检测该检验指标时,则容易发生疾病漏诊的情况,导致疾病风险识别不准确或者延迟识别。
基于此,本申请实施例提供一种诊疗信息(即诊疗数据)的处理方法,以至少解决上述存在的问题。本申请实施例提供的疾病的预警方法可以应用于医疗领域场景,结合目标疾病的临床诊疗数据,确定诊疗对象和目标疾病的关联程度,并当确定的关联程度达到程度阈值时进行提前预警,提高医疗服务水平。在实际应用中,本申请实施例提供的疾病的预警方法通过疾病的预警系统实现,本申请实施例提供的疾病的预警系统包括:
1)特征抽取和数据探索子模块:当诊疗数据接入并经过数据预处理后,可以对诊疗数据进行充分的数据探索和数据挖掘,提取与目标疾病的影响指标相关的诊疗特征,从而调用机器学习模型,预测诊疗对象和目标疾病的关联程度,以根据关联程度提前进行患病风险预估,并予以预警;2)规则引擎与策略子模块:提供丰富的规则运算模板,可视化web配置界面(如图5所示的预警配置界面)支持配置策略模板的加载以及自定义策略计算,同时可以设置定时预警任务或者自定义策略的上线、下线;3)AI模型服务子模块:可以支持机器学习模型的训练,并提供机器学习模型的调用服务,基于特征抽取和数据探索子模块挖掘出的目标诊疗特征,结合机器学习模型预测得到诊疗对象和目标疾病的关联程度,联合规则引擎与策略子模块配置的程度阈值,可以对关联程度高于程度阈值的诊疗对象进行疾病预警。
本申请实施例提供的疾病的预警系统部署完成之后,可以接入医院系统现有的数据库,然后(如信息技术人员、医护人员等用户)通过规则引擎与策略子模块,配置诊疗数据的规则数据集,即配置诊疗数据的数据源、数据表以及相应的字段(即诊疗信息的类型,如药物使用信息类型),如图4所示。再进行预警规则(即目标疾病的影响指标、程度阈值)和预警信息输出策略的配置,如图5所示。
下面进一步说明特征抽取和数据探索子模块。1)数据探索子模块提供了对诊疗数据进行初步分析的能力,通过对诊疗数据进行统计分析和探索挖掘,为后续特征抽取提供数据基础。2)特征抽取主要由特征管理以及特征加载服务两部分组成,其中,特征管理主要用于配置功能,特征加载服务主要用于特征数据查询。在实际应用中,a)特征配置需要按类型来维护,并将配置好的特征保存到特征数据库中,特征配置的具体类型包括:离线特征、实时特征、上下文特征和自定义特征。其中,离线特征保存于mysql库表字段和其他关系型数据库表;实时特征保存于Redis,数据结构为(key,value);上下文特征为请求(如诊疗信息处理请求)和消息中的附加信息;自定义特征可通过插件自行实现指定接口。b)特征加载服务由系统统一制定接口,不同类型的特征需分别实现相应的接口,进而通过各类型特征对应的接口获取相应类型的特征。
下面进一步说明规则引擎与策略子模块。参见图6,图6是本申请实施例提供的疾病的预警流程示意图。1)用户可以通过前端的规则配置界面(即上述类型配置界面和预警配置界面)配置规则。规则可以包括自定义规则数据集(即上述诊疗信息的数据源、数据表、字段等)、预警规则(即上述预警信息输出策略、影响指标和程度阈值)、以及特征(可以包括诊疗数据的离线特征、实时特征等)。2)为了可重复利用基于规则配置界面所配置的规则,可以将规则持久化存储到配置数据库中。3)当诊疗数据接入后,首先,通过拉取并加载配置数据库中的规则,若规则涉及特征,还需从特征数据库中加载相应的特征;然后,对诊疗数据进行基于规则和机器学习模型的疾病预警处理,确定是否进行疾病预警信息的推送以实现疾病预警。在实际实施时,可以基于Drools或者Flink CEP实现基于规则和机器学习模型的疾病预警处理,在最大程度上提升数据实时性和处理性能。
下面进一步说明AI模型服务子模块。参见图7,图7是本申请实施例提供的疾病的预警流程示意图。这里,1)AI模型服务子模块可以联合机器学习平台提供的离线模型训练能力及serving服务能力,将训练完成的机器学习模型通过统一的PMML语言集成。2)当诊疗数据接入后,通过拉取并加载配置数据库中的规则,若规则涉及特征,还需从特征数据库中加载相应的特征。3)通过加载机器学习模型,对诊疗数据进行基于规则和机器学习模型的疾病预警处理,预测得到诊疗对象和目标疾病的关联程度。4)根据预测的关联程度和在引擎与策略子模块设定的程度阈值的关系,确定是否进行疾病预警信息的推送以实现疾病预警。5)在实际应用中,还可获取疾病预警信息对应的接入方式(即用户针对疾病的预警系统的接入方式),当接入方式为同步接入时,则疾病的预警系统确定需要推送疾病预警信息时,则实时推送至用户端,当接入方式为异步接入时,则疾病的预警系统确定需要推送疾病预警信息时,将疾病预警信息推送至消息队列中,用户端通过订阅消息队列来获取疾病预警信息。
参见图8,图8是本申请实施例提供的疾病的预警系统的架构示意图,本申请实施例提供的疾病的预警系统包括:数据处理层、在线特征层、核心逻辑层以及接入层。其中,数据处理层和在线特征层,对应上述特征抽取和数据探索子模块;核心逻辑层,对应上述规则引擎与策略子模块、以及AI模型服务子模块;接入层,用于供用户接入疾病的预警系统,以获取疾病预警信息。下面对本申请实施例提供的疾病的预警系统的应用进行说明。
步骤1:针对待进行目标疾病诊疗的诊疗对象,获取诊疗对象的诊疗数据。
这里,该诊疗数据包括诊疗对象的历史诊疗数据和实时诊疗数据。
步骤2:通过数据处理层,对诊疗数据进行数据预处理,得到第一诊疗数据,以作为在线特征层的数据输入。
这里,数据处理层与诊疗数据打通,支持离线ETL以及流式ETL,对诊疗数据进行初步的质控以及数据预处理,为在线特征层提供数据输入。其中,数据预处理可以包括数据清理,数据集成,数据变换等。
步骤3:通过在线特征层,对第一诊疗数据进行数据挖掘,得到第二诊疗数据,并对第二诊疗数据进行特征处理,得到与目标疾病的影响指标相关联的目标诊疗特征。
这里,在线特征层可以对第一诊疗数据进一步进行数据挖掘,包括数据分析、数据探索、数据筛选等,得到第二诊疗数据。然后,通过提供的特征服务,对第二诊疗数据进行特征处理,包括特征转换、特征筛选以及特征抽取,得到与目标疾病的影响指标相关联的目标诊疗特征。
步骤4:通过核心逻辑层,基于目标诊疗特征,对诊疗对象和目标疾病的关联程度进行预测,得到预测结果,并基于预测结果所表征的关联程度和所配置的程度阈值间的大小关系,确定是否进行疾病预警信息的推送。
这里,核心逻辑层包含了疾病的预警系统的核心功能,主要包括AI模型服务(即上述AI模型服务子模块)的加载及调用、规则服务(即上述规则引擎与策略子模块)的加载及调用、第三方API服务的加载及调用。
在实际应用中,AI模型服务可以通过第三方API服务调用机器学习平台的模型能力,即预先训练得到的用于预测待诊疗对象和目标疾病的关联程度的机器学习模型;然后通过调用的机器学习模型,基于目标诊疗特征,对诊疗对象和目标疾病的关联程度进行预测,得到预测结果;最后,通过规则服务,确定预测结果所表征的关联程度和所配置的程度阈值间的大小关系,并基于配置的预警规则,确定是否进行疾病预警信息的推送,在实际实施时,可以利用开源aviator框架运行规则表达式来处理。
步骤5:当预测结果所表征的关联程度达到程度阈值时,通过接入层,对诊疗对象的疾病预警信息进行推送。
这里,接入层支持同步接入以及异步接入两种方式。当接入方式为同步接入时,若疾病的预警系统确定需要推送疾病预警信息,则实时推送至用户端,当接入方式为异步接入时,若疾病的预警系统确定需要推送疾病预警信息,则将疾病预警信息推送至消息队列中,用户端通过订阅消息队列来获取疾病预警信息。
下面说明本申请实施例提供的疾病的预警方法的应用。参见图9和图10,图9是本申请实施例提供的疾病的预警方法的应用示意图,图10是本申请实施例提供的疾病的预警方法的流程示意图。
以目标疾病为AKI为例。在实际应用中,血清肌酐值和尿量两项指标是判断AKI是否发生和分期的主要参考指标,相关技术中AKI预警系统主要根据血清肌酐值是否处于参考值内来判断患者是否发生AKI。然而血清肌酐通常在肾脏受到损伤48~72h之后才会明显升高,对于反映是否发生AKI具有延迟性,而尿量的影响因素众多,无法做到准确反映AKI的发生。基于此,本申请实施例提供一种疾病的预警方法,以至少解决相关技术中存在的问题。在实际应用中,通过本申请实施例,可以通过调研分析AKI的影响指标,结合生理检验信息、药物使用信息、症状描述信息等诊疗数据,通过AI模型预测得到诊疗对象和目标疾病的关联程度,从而根据预测的关联程度和在引擎与策略子模块设定的程度阈值的关系,确定是否进行疾病预警信息的推送,以实现AKI预警。
参见图9,1)离线诊疗数据的处理流程:通过ETL将诊疗对象的对象信息和离线诊疗数据(包括生理检验信息、药物使用信息以及症状描述信息)同步到Hive库中;通过Sparkdatapipeline将离线诊疗数据处理为离线特征,并将离线特征存储至TDSQL特征库。2)实时诊疗数据的处理流程:通过Flink CDC获取实时新增的实时诊疗数据(包括生理检验信息、药物使用信息以及症状描述信息),并将实时诊疗数据写入Kafka中;通过Sparkdatapipeline将实时诊疗数据处理为实时特征,并将实时特征存储至TDSQL特征库。3)疾病的预警事件的处理流程:订阅Kafka中的诊疗数据更新事件,当触发诊疗数据更新事件后,从TDSQL特征库中加载AKI对应的目标诊疗特征,基于目标诊疗特征调用机器学习模型,预测得到诊疗对象和目标疾病(AKI)的关联程度,将关联程度达到程度阈值的诊疗对象的疾病预警信息推送至相应的医护人员或者管理人员,以实现疾病预警。
下面继续对本申请实施例提供的疾病的预警流程进行说明。参见图10,本申请实施例提供的疾病的预警方法包括:
步骤201:获取诊疗对象的住院信息记录。
在实际应用中,医院的数据库中存储有诊疗对象的住院信息记录,在对诊疗对象进行疾病预警的过程中,可以从数据库中获取诊疗对象的住院信息记录。
步骤202:根据主索引号,从住院信息记录查找诊疗对象的就诊信息。
在实际应用中,每个诊疗对象对应有相应的主索引号,根据主索引号可以从获取的住院信息记录中,查找到该诊疗对象的就诊信息,该就诊信息中可以包括症状描述信息、药物使用信息、以及生理检查信息等诊疗数据。
步骤203:从就诊信息中提取诊疗对象的诊疗数据。
在实际应用中,当查找到诊疗对象的就诊信息后,从就诊信息中提取诊疗对象的诊疗数据,包括症状描述信息、药物使用信息、以及生理检查信息。
步骤204:对诊疗数据进行特征提取,得到与目标疾病的影响指标相关联的目标诊疗特征。
在实际应用中,可以对诊疗数据进行特征提取,得到诊疗特征,具体可以包括文本特征提取和图像特征提取,例如,可以对诊疗数据中的文本诊疗数据(如药品名称、诊断名称、症状描述等)进行文本特征提取;再例如,可以对诊疗数据中的图像诊疗数据(如检查得到的病理图像)进行图像特征提取。当得到诊疗特征后,还可以从诊疗特征中筛选得到与目标疾病的影响指标相关联的目标诊疗特征。
步骤205:基于目标诊疗特征,调用机器学习模型进行预测,得到诊疗对象与目标疾病的关联程度。
在实际应用中,可以预先训练得到用于预测待诊疗对象和目标疾病的关联程度的机器学习模型。在实际实施时,该机器学习模型可以是基于卷积神经网络、深度神经网络、循环神经网络等建立的,然后以诊疗信息样本为训练数据、以及该诊疗信息样本对应的样本对象和目标疾病的关联程度为标签,对建立的机器学习模型训练得到的。从而可以通过调用该训练完成的机器学习模型,基于目标诊疗特征进行预测,得到诊疗对象与目标疾病的关联程度。
步骤206:分析预测得到的关联程度和程度阈值的关系,进行疾病预警。
在实际应用中,当预测得到诊疗对象与目标疾病的关联程度后,确定关联程度是否达到程度阈值。当确定关联程度达到程度阈值时,输出对应诊疗对象的疾病预警信息,以对诊疗对象进行疾病预警。该疾病预警信息可以包括该关联程度,以给医务人员以参考,辅助医务人员进行疾病的预警。该输出的疾病预警信息的类型可以为文本类型、音频类型、振动类型等等。
应用本申请上述实施例,1)基于特征抽取和数据探索子模块、规则引擎与策略子模块以及AI模型服务子模块相结合的疾病的预警系统,支持自定义预警规则,满足疾病的影响指标的危急值预警需求;充分利用诊疗数据,支持对诊疗数据依次进行数据探索、数据特征提取以及AI模型预测,预测得到诊疗对象和疾病的关联程度,可以更加准确地对诊疗对象给予疾病预警和提前干预,为医护人员提供准确且及时地临床支持。2)提供基于上述疾病的预警系统的临床应用,即AKI的预警系统,支持自定义AKI预警规则,结合诊疗对象的生理检验信息、药物使用信息、症状描述信息、以及个人信息等诊疗数据,通过数据探索、数据特征提取以及AI模型预测等处理流程,实现AKI的预警,从而便于医护人员根据AKI疾病预警信息发起多学科会诊,以及时采取正确的抢救治疗措施,降低诊疗对象的死亡率,减少AKI及其他脏器损伤的发病率。3)实现智能化的临床决策指导,为医疗质量提供保障,通过数据、AI模型等辅助完成临床决策,将临床观察与医疗知识联系起来,为医护人员进行疾病风险的提前预警,提高医疗服务的质量和效果。
可以理解的是,在本申请实施例中,涉及到用户信息(如诊疗信息、诊疗对象与目标疾病的关联程度)等相关的数据,当本申请实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面继续说明本申请实施例提供的疾病的预警装置553的实施为软件模块的示例性结构,在一些实施例中,如图2所示,存储在存储器550的疾病的预警装置553中的软件模块可以包括:获取模块5531,用于针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息;第一特征提取模块5532,用于分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征;第二特征提取模块5533,用于从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征;确定模块5534,用于基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度;输出模块5535,用于当所述关联程度达到程度阈值时,输出对应所述诊疗对象的疾病预警信息。
在一些实施例中,所述获取模块5531,还用于呈现所述诊疗信息的类型配置界面;基于所述类型配置界面,接收针对所述目标疾病配置的诊疗信息的所述至少两种类型。
在一些实施例中,所述获取模块5531,还用于呈现所述目标疾病的预警配置界面;基于所述预警配置界面,接收针对所述目标疾病配置的所述影响指标和所述程度阈值。
在一些实施例中,所述获取模块5531,还用于接收基于所述预警配置界面配置的预警信息输出策略;其中,所述预警信息输出策略包括以下至少之一:预警频率、预警次数、预警接收对象、预警时间、预警级别、以及预警途径;所述输出模块5535,还用于按照所述预警信息输出策略,输出对应所述诊疗对象的疾病预警信息。
在一些实施例中,所述影响指标关联有指标值异常范围,所述获取模块5531,还用于从所述诊疗信息中,获取所述影响指标的指标值;所述输出模块5535,还用于当所述指标值处于所述指标值异常范围内时,输出对应所述诊疗对象的目标疾病预警信息。
在一些实施例中,所述输出模块5535,还用于获取目标对象针对所述目标疾病的预警信息的订阅状态;当所述订阅状态表征所述目标对象已订阅所述预警信息时,向所述目标对象输出对应所述诊疗对象的疾病预警信息。
在一些实施例中,所述获取模块5531,还用于获取所述诊疗对象的、以下类型中至少两种类型的诊疗信息:症状描述信息类型、药物使用信息类型、以及生理检查信息类型。
在一些实施例中,所述获取模块5531,还用于对所述诊疗对象的诊疗信息的信息变更事件进行订阅;所述获取模块5531,还用于当针对所述诊疗对象,接收到订阅的所述信息变更事件时,获取所述诊疗对象的至少两种类型的诊疗信息。
在一些实施例中,所述第一特征提取模块5532,还用于针对各所述类型的所述诊疗信息,分别执行如下处理:对所述诊疗信息中的文本信息进行文本特征提取,得到相应的文本诊疗特征,并对所述诊疗信息中的图像信息进行图像特征提取,得到相应的图像诊疗特征;将所述文本诊疗特征和所述图像诊疗特征,作为所述诊疗特征。
在一些实施例中,所述确定模块5534,还用于获取用于预测待诊疗对象和所述目标疾病的关联程度的机器学习模型;基于所述目标诊疗特征,调用所述机器学习模型进行预测,得到所述诊疗对象与所述目标疾病的关联程度。
在一些实施例中,所述确定模块5534,还用于基于所述目标诊疗特征,确定所述影响指标的指标值;获取所述目标疾病对应的所述影响指标的至少一个指标值异常范围;确定所述指标值所处的目标指标值异常范围,并确定所述目标指标值异常范围对应的目标关联程度,为所述诊疗对象与所述目标疾病的关联程度。
在一些实施例中,所述第二特征提取模块5533,还用于当所述诊疗特征的特征类型为多个时,获取各所述特征类型对应的接口;针对各所述特征类型,通过所述特征类型对应的接口调用特征加载服务;通过所述特征加载服务,从具有所述特征类型的诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征。
应用本申请上述实施例,针对待进行目标疾病诊疗的诊疗对象,首先获取诊疗对象的至少两种类型的诊疗信息,然后分别对各类型的诊疗信息进行特征提取,得到相应的诊疗特征,并从诊疗特征中,提取与目标疾病的影响指标关联的目标诊疗特征,再基于目标诊疗特征,确定诊疗对象与目标疾病的关联程度,从而当关联程度达到程度阈值时,输出对应诊疗对象的疾病预警信息。
如此,通过诊疗对象的至少两种类型的诊疗信息,能够得到与目标疾病的影响指标关联的目标诊疗特征,进而基于目标诊疗特征确定诊疗对象与目标疾病的关联程度,提高了所确定的诊疗对象与目标疾病的关联程度的准确性,且能够针对关联程度达到程度阈值的诊疗对象,及时输出相应的疾病预警信息,达到提前预警的效果。
本申请实施例还提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例提供的疾病的预警方法。
本申请实施例还提供一种计算机可读存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的疾病的预警方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (15)
1.一种疾病的预警方法,其特征在于,所述方法包括:
针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息;
分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征;
从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征;
基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度;
当所述关联程度达到程度阈值时,输出对应所述诊疗对象的疾病预警信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述诊疗对象的诊疗信息的信息变更事件进行订阅;
所述获取所述诊疗对象的至少两种类型的诊疗信息,包括:
当针对所述诊疗对象,接收到订阅的所述信息变更事件时,获取所述诊疗对象的至少两种类型的诊疗信息。
3.如权利要求1所述的方法,其特征在于,所述基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度,包括:
获取用于预测待诊疗对象和所述目标疾病的关联程度的机器学习模型;
基于所述目标诊疗特征,调用所述机器学习模型进行预测,得到所述诊疗对象与所述目标疾病的关联程度。
4.如权利要求1所述的方法,其特征在于,所述基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度,包括:
基于所述目标诊疗特征,确定所述影响指标的指标值;
获取所述目标疾病对应的所述影响指标的至少一个指标值异常范围;
确定所述指标值所处的目标指标值异常范围,并确定所述目标指标值异常范围对应的目标关联程度,为所述诊疗对象与所述目标疾病的关联程度。
5.如权利要求1所述的方法,其特征在于,所述分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征,包括:
针对各所述类型的所述诊疗信息,分别执行如下处理:
对所述诊疗信息中的文本信息进行文本特征提取,得到相应的文本诊疗特征,并对所述诊疗信息中的图像信息进行图像特征提取,得到相应的图像诊疗特征;
将所述文本诊疗特征和所述图像诊疗特征,作为所述诊疗特征。
6.如权利要求1所述的方法,其特征在于,所述从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征,包括:
当所述诊疗特征的特征类型为多个时,获取各所述特征类型对应的接口;
针对各所述特征类型,通过所述特征类型对应的接口调用特征加载服务;
通过所述特征加载服务,从具有所述特征类型的诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征。
7.如权利要求1所述的方法,其特征在于,所述针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息之前,所述方法还包括:
呈现所述诊疗信息的类型配置界面;
基于所述类型配置界面,接收针对所述目标疾病配置的所述诊疗信息的所述至少两种类型。
8.如权利要求1所述的方法,其特征在于,所述针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息之前,所述方法还包括:
呈现所述目标疾病的预警配置界面;
基于所述预警配置界面,接收针对所述目标疾病配置的所述影响指标和所述程度阈值。
9.如权利要求8所述的方法,其特征在于,所述方法还包括:
接收基于所述预警配置界面配置的预警信息输出策略;
其中,所述预警信息输出策略包括以下至少之一:预警频率、预警次数、预警接收对象、预警时间、预警级别、以及预警途径;
所述输出对应所述诊疗对象的疾病预警信息,包括:
按照所述预警信息输出策略,输出对应所述诊疗对象的疾病预警信息。
10.如权利要求8所述的方法,其特征在于,所述影响指标关联有指标值异常范围,所述分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征之前,所述方法还包括:
从所述诊疗信息中,获取所述影响指标的指标值;
当所述指标值处于所述指标值异常范围内时,输出对应所述诊疗对象的目标疾病预警信息。
11.如权利要求1所述的方法,其特征在于,所述输出对应所述诊疗对象的疾病预警信息,包括:
获取目标对象针对所述目标疾病的预警信息的订阅状态;
当所述订阅状态表征所述目标对象已订阅所述预警信息时,向所述目标对象输出对应所述诊疗对象的疾病预警信息。
12.一种疾病的预警装置,其特征在于,所述装置包括:
获取模块,用于针对待进行目标疾病诊疗的诊疗对象,获取所述诊疗对象的至少两种类型的诊疗信息;
第一特征提取模块,用于分别对各类型的所述诊疗信息进行特征提取,得到相应的诊疗特征;
第二特征提取模块,用于从所述诊疗特征中,提取与所述目标疾病的影响指标关联的目标诊疗特征;
确定模块,用于基于所述目标诊疗特征,确定所述诊疗对象与所述目标疾病的关联程度;
输出模块,用于当所述关联程度达到程度阈值时,输出对应所述诊疗对象的疾病预警信息。
13.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至11任一项所述的疾病的预警方法。
14.一种计算机可读存储介质,存储有可执行指令,其特征在于,所述可执行指令被处理器执行时,实现权利要求1至11任一项所述的疾病的预警方法。
15.一种计算机程序产品,包括计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时,实现权利要求1至11任一项所述的疾病的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518060.7A CN115116602A (zh) | 2022-05-12 | 2022-05-12 | 疾病的预警方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518060.7A CN115116602A (zh) | 2022-05-12 | 2022-05-12 | 疾病的预警方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115116602A true CN115116602A (zh) | 2022-09-27 |
Family
ID=83325571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210518060.7A Pending CN115116602A (zh) | 2022-05-12 | 2022-05-12 | 疾病的预警方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116602A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386799A (zh) * | 2023-06-05 | 2023-07-04 | 数据空间研究院 | 一种医疗数据采集与标准转换方法及系统 |
-
2022
- 2022-05-12 CN CN202210518060.7A patent/CN115116602A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386799A (zh) * | 2023-06-05 | 2023-07-04 | 数据空间研究院 | 一种医疗数据采集与标准转换方法及系统 |
CN116386799B (zh) * | 2023-06-05 | 2023-08-18 | 数据空间研究院 | 一种医疗数据采集与标准转换方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11302424B2 (en) | Predicting clinical trial eligibility based on cohort trends | |
US10592837B2 (en) | Identifying security risks via analysis of multi-level analytical records | |
CN111341456B (zh) | 糖尿病足知识图谱生成方法、装置及可读存储介质 | |
US11250951B2 (en) | Feature engineering method, apparatus, and system | |
CN109165053B (zh) | 应用软件菜单配置方法、移动终端及计算机可读存储介质 | |
US10262759B2 (en) | Personal health operating system | |
CN111383754B (zh) | 医疗决策方法、医疗决策装置、电子设备及存储介质 | |
CN111144658A (zh) | 医疗风险预测方法、装置、系统、存储介质与电子设备 | |
Post et al. | Protempa: A method for specifying and identifying temporal sequences in retrospective data for patient selection | |
US9959193B2 (en) | Increasing accuracy of traceability links and structured data | |
CN114649074A (zh) | 一种病历数据处理方法、平台和装置 | |
US11158402B2 (en) | Intelligent ranking of clinical trials for a patient | |
CN115116602A (zh) | 疾病的预警方法、装置、设备、存储介质及程序产品 | |
US20130073554A1 (en) | Methods and systems for acquiring and processing veterinary-related information to facilitate differential diagnosis | |
CN110471941B (zh) | 自动定位判断依据的方法、装置及电子设备 | |
CN113130086A (zh) | 健康医疗大数据平台 | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
CN111916202A (zh) | 基于强化学习的临床决策支持设备及方法 | |
CN111126034A (zh) | 医学变量关系的处理方法及装置、计算机介质和电子设备 | |
CN113779337B (zh) | 监管数据上传方法、装置、设备及存储介质 | |
US11901075B2 (en) | Method and apparatus for generating medical information of object | |
CN113626028B (zh) | 一种页面元素的映射方法及装置 | |
US20210217522A1 (en) | Machine learning model for surfacing supporting evidence | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
US11302423B2 (en) | Predicting patients who can benefit from a clinical trial |
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 |