CN115240870A - 未知传染病的预警方法、装置、电子设备及计算机介质 - Google Patents
未知传染病的预警方法、装置、电子设备及计算机介质 Download PDFInfo
- Publication number
- CN115240870A CN115240870A CN202210878048.7A CN202210878048A CN115240870A CN 115240870 A CN115240870 A CN 115240870A CN 202210878048 A CN202210878048 A CN 202210878048A CN 115240870 A CN115240870 A CN 115240870A
- Authority
- CN
- China
- Prior art keywords
- disease
- unknown
- early warning
- historical
- objects
- 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
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 52
- 201000010099 disease Diseases 0.000 claims abstract description 332
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 332
- 208000015181 infectious disease Diseases 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 206010037660 Pyrexia Diseases 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 210000000265 leukocyte Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 208000028659 discharge Diseases 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010003757 Atypical pneumonia Diseases 0.000 description 1
- 241001354243 Corona Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种未知传染病的预警方法、装置、电子设备及计算机可读介质，属于预警技术领域。该方法包括：获取对象的特征数据；根据所述对象的特征数据和预先训练的疾病概率图谱，确定所述对象是否为未知疾病类型；获取预设时间段内所述未知疾病类型的对象数量，并根据所述未知疾病类型的对象数量进行未知传染病的预警。本公开通过获取对象的特征数据，并使用预先训练的疾病概率图谱确定对象的疾病类型，可以提供一种能够对未知传染病进行有效预警的预警方法。
Description
分案说明
本专利申请是申请号为202011411809.5、申请日为2020年12月04日、发明名称为“未知传染病的预警方法、装置、电子设备及计算机介质”的专利申请的分案申请。
技术领域
本公开涉及预警技术领域，具体而言，涉及一种未知传染病的预警方法、未知传染病的预警装置、电子设备及计算机可读介质。
背景技术
对于新发(未知)传染病来说，如新冠肺炎、非典型性肺炎等，传染病的监测和早期预警对于疾病的早期防控有重大作用。
然而，现有技术中只能在新发传染病已经出现爆发现象之后，才能对其进行监控与预警，很难在疫情出现的早期就进行有效的防控。
鉴于此，本领域亟需一种能够对新发传染病进行早期预警的方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种未知传染病的预警方法、未知传染病的预警装置、电子设备及计算机可读介质，进而至少在一定程度上对未知传染病的出现进行有效预警。
根据本公开的第一个方面，提供一种未知传染病的预警方法，包括：
获取对象的特征数据；
根据所述对象的特征数据和预先训练的疾病概率图谱，确定所述对象是否为未知疾病类型；
获取预设时间段内所述未知疾病类型的对象数量，并根据所述未知疾病类型的对象数量进行未知传染病的预警。
在本公开的一种示例性实施例中，所述根据所述对象的特征数据和预先训练的疾病概率图谱，确定所述对象是否为未知疾病类型，包括：
将所述对象的特征数据输入预先训练的疾病概率图谱中，得到所述对象被确定为各种已知疾病类型的概率；
在所述对象被确定为各种已知疾病类型的概率都小于已知疾病概率阈值时，将所述对象确定为未知疾病类型。
在本公开的一种示例性实施例中，所述根据所述未知疾病类型的对象数量进行未知传染病的预警，包括：
根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系，确定未知传染病预警等级；
根据所述未知传染病预警等级进行未知传染病的预警。
在本公开的一种示例性实施例中，所述根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系，确定未知传染病预警等级，包括：
根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系，判断当前所有所述未知疾病类型的对象是否满足预设的多条预警规则，其中，所述预警规则包括对象数量预警规则和对象关联关系预警规则；
在当前所有所述未知疾病类型的对象满足第一数量的预警规则时，将当前预警等级确定为第一预警等级；
在当前所有所述未知疾病类型的对象满足第二数量的预警规则时，将当前预警等级确定为第二预警等级。
在本公开的一种示例性实施例中，判断当前所有所述未知疾病类型的对象是否满足预设的对象数量预警规则，包括：
根据预设历史周期获取每一所述预设历史周期中对应的预设时间段内的未知疾病类型对象的历史数量，并根据多组所述历史数量确定所述未知疾病类型的对象数量阈值；
在当前所述未知疾病类型的对象数量大于或等于所述对象数量阈值时，判定当前所有所述未知疾病类型的对象满足所述对象数量预警规则。
在本公开的一种示例性实施例中，所述疾病概率图谱的训练方法包括：
从历史病例中获取历史对象的特征数据，以及所述历史对象的疾病类型，其中，所述疾病类型包括未知疾病类型和多种已知疾病类型；
根据所述历史对象的特征数据和所述历史对象的疾病类型，确定所述历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率；
以所述历史对象的历史特征数据作为输入数据，以所述历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率作为输出数据，训练所述疾病概率图谱。
在本公开的一种示例性实施例中，所述根据所述历史对象的特征数据和所述历史对象的疾病类型，确定所述历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率，包括：
根据所述历史对象的特征数据确定各个疾病类型的历史对象在患病期间产生每一种特征数据的概率；
根据各个所述疾病类型的历史对象在患病期间产生每一种特征数据的概率，确定所述历史对象被确定为每一种已知疾病类型的概率。
在本公开的一种示例性实施例中，所述根据所述历史对象的特征数据确定各个疾病类型的历史对象在患病期间产生每一种特征数据的概率，包括：
根据所述历史对象的特征数据确定各个疾病类型的历史对象在患病期间，每种所述特征数据对应的历史对象数量；
根据所述各个疾病类型的历史对象在患病期间，每种所述特征数据对应的历史对象数量，以及各个所述疾病类型的历史对象总数，确定各个所述疾病类型的历史对象在患病期间产生每一种特征数据的概率。
在本公开的一种示例性实施例中，所述根据各个所述疾病类型的历史对象在患病期间产生每一种特征数据的概率，确定所述历史对象被确定为每一种已知疾病类型的概率，包括：
根据各个所述疾病类型的历史对象总数，确定各个所述疾病类型的先验发病概率；
根据各个所述疾病类型的先验发病概率，以及各个所述疾病类型的历史对象在患病期间产生每一种特征数据的概率，通过预设概率模型确定所述历史对象被确定为每一种已知疾病类型的概率。
根据本公开的第二方面，提供一种未知传染病的预警装置，包括：
对象数据获取模块，用于获取对象的特征数据；
疾病类型确定模块，用于根据所述对象的特征数据和预先训练的疾病概率图谱，确定所述对象是否为未知疾病类型；
未知传染病预警模块，用于获取预设时间段内所述未知疾病类型的对象数量，并根据所述未知疾病类型的对象数量进行未知传染病的预警。
根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的未知传染病的预警方法。
根据本公开的第四方面，提供一种计算机可读介质，其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的未知传染病的预警方法。
本公开示例性实施例可以具有以下有益效果：
本公开示例实施方式的未知传染病的预警方法中，通过获取对象的特征数据，并基于预先训练的疾病概率图谱，对上述对象的特征数据进行实时监测和动态评估，以确定对象是否为未知的疾病类型，从而可以及时发现未知类型传染病的产生，在未知类型的传染病出现时，能够更加有效地对其进行预警和监测。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，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示出了本公开示例实施方式的未知传染病的预警方法的流程示意图；
图2示出了本公开示例实施方式的确定所述对象是否为未知疾病类型的流程示意图；
图3示出了本公开示例实施方式的根据未知疾病类型的对象数量进行未知传染病预警的流程示意图；
图4示出了本公开示例实施方式的根据未知疾病类型的对象数量和关联关系进行未知传染病预警的流程示意图；
图5示出了本公开示例实施方式的训练疾病概率图谱的流程示意图；
图6示出了本公开示例实施方式的确定每一种已知疾病类型概率的流程示意图；
图7示意性示出了根据本公开的一个具体实施方式的新发传染病预警的流程框图；
图8示出了本公开示例实施方式的未知传染病的预警装置的框图；
图9示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式首先提供了一种未知传染病的预警方法。参考图1所示，上述未知传染病的预警方法可以包括以下步骤：
步骤S110.获取对象的特征数据。
步骤S120.根据对象的特征数据和预先训练的疾病概率图谱，确定对象是否为未知疾病类型。
步骤S130.获取预设时间段内未知疾病类型的对象数量，并根据未知疾病类型的对象数量进行未知传染病的预警。
本公开示例实施方式的未知传染病的预警方法中，通过获取对象的特征数据，并基于预先训练的疾病概率图谱，对上述对象的特征数据进行实时监测和动态评估，以确定对象是否为未知的疾病类型，从而可以及时发现未知类型传染病的产生，在未知类型的传染病出现时，能够更加有效地对其进行预警和监测。
本公开示例实施方式中的未知传染病的预警方法，可以应用于新发(未知)传染病监测和早期预警中。未知传染病监测和早期预警对于疾病的早期防控有重大作用，以新冠的发生举例，如果能够通过对于医疗机构电子病历的实时监测，更早的预警疫情的发生，就能有效减少感染病人数量，及时预防疾病的大规模爆发。
下面，结合图2至图6对本示例实施方式的上述步骤进行更加详细的说明。
在步骤S110中，获取对象的特征数据。
本示例实施方式中，上述对象可以包括住院治疗的患者，对象的特征数据可例如患者在治疗过程中的临床特征数据。
本示例实施方式中，临床特征数据可以包括：
1、患者基本信息。如性别、年龄等；
2、住院时刻症状、基础疾病、影像所见、检验数据等临床表现。如发热、咳嗽；糖尿病；磨玻璃影；白细胞偏低等；
3、住院期间症状、影像所见、检验数据变化及出院、死亡等临床事件。如第2天_白细胞_好转；第3天_发热_消失；第4天_磨玻璃影_消失；第x天_出院；第y天_死亡等临床事件。
其中，住院时刻为住院当天。住院期间的检验数据变化，是通过获取住院时刻的检验数据，将其与检测当天的检验数据进行对比而得到的。例如，第3天_发热_消失，就是通过获取第3天的发热记录，并与住院当天的发热记录进行对比得到的结论；还例如，第2天_白细胞_好转，是通过从第2天的检查报告中获取白细胞数据，并将其与住院当天的白细胞数据进行对比得到的结论。
获取对象的特征数据之后，可以通过预先训练的疾病概率图谱来确定对象的疾病类型。
在步骤S120中，根据对象的特征数据和预先训练的疾病概率图谱，确定对象是否为未知疾病类型。
本示例实施方式中，疾病概率图谱是一种可以用于计算疾病概率的概率知识图谱。例如，可以为发热呼吸道疾病概率图谱、已知传染病概率知识图谱等等。
本示例实施方式中，如图2所示，根据对象的特征数据和预先训练的疾病概率图谱，确定对象是否为未知疾病类型，具体可以包括以下几个步骤：
步骤S210.将对象的特征数据输入预先训练的疾病概率图谱中，得到对象被确定为各种已知疾病类型的概率。
本示例实施方式中，疾病概率图谱是通过历史对象的特征数据预先训练的。其中，历史对象包括之前住院治疗的患者。获取历史对象的特征数据后，可以通过特征提取和逻辑计算等方式对特征数据进行数据的结构化处理，并将其作为输入数据，训练疾病概率图谱。疾病概率图谱在使用时，是通过将当前对象的特征数据输入疾病概率图谱，可以得到将当前对象判定为各种已知疾病类型的概率。
步骤S220.在对象被确定为各种已知疾病类型的概率都小于已知疾病概率阈值时，将对象确定为未知疾病类型。
得到将当前对象判定为各种已知疾病类型的概率之后，通过判断当前对象判定为各种已知疾病类型的概率与疾病概率阈值之间的关系，来确定当前对象是否为未知疾病类型。
具体而言，如果当前对象为各种已知疾病类型的概率都小于预先设定的概率阈值，即已知疾病概率阈值时，则将当前对象确定为未知疾病对象。除此之外，判定当前对象是否为未知疾病对象，除了直接通过程序进行判断以外，还可以将各种概率数据发送给医生端，由医生结合病人的实际情况进行判断，确定其是否为未知疾病。
例如，可以将患者的呼吸道医疗数据与发热呼吸道疾病知识图谱进行匹配，确定对应的匹配度，然后将该匹配度推荐给医生。当收到医生对患者数据的诊断结果不属于常见发热呼吸道疾病时，将这个患者的医疗数据与预设的传染病知识图谱进行匹配，并将匹配结果再次反馈给医生。当医生根据匹配结果和病人的实际情况确定其为一种传染病时，再根据不同状态进行预警。
在步骤S130中，获取预设时间段内未知疾病类型的对象数量，并根据未知疾病类型的对象数量进行未知传染病的预警。
本示例实施方式中，如图3所示，根据未知疾病类型的对象数量进行未知传染病的预警，具体可以包括以下几个步骤：
步骤S310.根据未知疾病类型的对象数量，以及多个未知疾病类型的对象之间的关联关系，确定未知传染病预警等级。
本示例实施方式中，可以根据未知疾病病例的数量，以及多个未知疾病病例之间的关联关系，确定预警等级。例如，可以根据未知疾病病例的数量以及多个未知疾病病例之间的关联关系设定对应的多条预警判定规则，来确定具体的预警状况，当满足一定的预设条件时，触发对应预警等级的报警机制。
本示例实施方式中，如图4所示，根据未知疾病类型的对象数量，以及多个未知疾病类型的对象之间的关联关系，确定未知传染病预警等级，具体可以包括以下几个步骤：
步骤S410.根据未知疾病类型的对象数量，以及多个未知疾病类型的对象之间的关联关系，判断当前所有未知疾病类型的对象是否满足预设的多条预警规则。
预警规则包括对象数量预警规则和对象关联关系预警规则，其中，对象数量预警规则指的是对未知疾病类型的对象数量进行预警的规则，对象关联关系预警规则指的是对未知疾病类型的对象之间的关联关系进行预警的规则。
在判断当前所有未知疾病类型的对象是否满足预设的对象数量预警规则时，需要先根据历史数据确定未知疾病类型的对象数量阈值，具体方法为：根据预设历史周期获取每一预设历史周期中对应的预设时间段内的未知疾病类型对象的历史数量，并根据多组历史数量确定未知疾病类型的对象数量阈值；在当前未知疾病类型的对象数量大于或等于对象数量阈值时，判定当前所有未知疾病类型的对象满足对象数量预警规则。
举例而言，上述预先设置的多条预警规则，具体可以包括如下几条流行病学规则：
(1)在预设时间段内，如近7日内超过X例疑似未知疾病病例，其中，X为病例数量的预警警戒线，X的计算方式可以为以下(a)、(b)任意两种之一：
(a)通过历史周期中对应的7日内疑似未知疾病病历数的P90、P80、P70、P60、P50分位之一，计算预警警戒线X的值，其中，P90、P80、P70、P60、P50指的是多组历史数据中的分位数；
(b)确定一个能划分未知疾病和非未知疾病时间点的7日均值的阈值，作为预警警戒线X的值。例如，一种策略为：设历史数据上真正的发生未知疾病的时间点的7日内病历数的平均值为A，其他日期7日内病历数的平均值为B，则该阈值可以设为A+B/2。
上述确定预警警戒线X取值的方法仅为举例说明，除此之外，还可以通过其他方式确定预警警戒线X，本示例实施方式中不做具体限定。
(2)接治疑似未知疾病类型的患者后，病房工作人员有相似症状发生，证明存在医源性感染。
(3)多名疑似未知疾病类型的患者之间存在关系(包括同事、同学、家人等)。
(4)多名疑似未知疾病类型的患者之间有相似的流行病学史，如职业相同、行踪轨迹有交叉等。
除此之外，还可以设定其他流行病学规则作为预警规则，对预警等级进行判定，本示例实施方式中不做具体限定。
在上述预警规则中，规则(1)为对象数量预警规则，规则(2)、(3)、(4)为对象关联关系预警规则。其中，规则(1)中的预警警戒线X的值即为上述未知疾病类型的对象数量阈值。
步骤S420.在当前所有未知疾病类型的对象满足第一数量的预警规则时，将当前预警等级确定为第一预警等级。
通过上述步骤判断当前未知疾病类型的对象数量，以及多个未知疾病类型的对象之间的关联关系是否满足上述多条预警规则之后，再通过所有未知疾病类型的对象满足的预警规则的数量，来确定当前状况下具体的预警等级。
例如，若第一数量的预警规则为1条，则当所有未知疾病类型的对象满足多条预警规则中的任意一条时，将当前预警等级确定为第一预警等级，比如，可以触发中风险报警。同时，在对应的患者危险因素中增加当前所命中的预警规则。
步骤S430.在当前所有未知疾病类型的对象满足第二数量的预警规则时，将当前预警等级确定为第二预警等级。
若第二数量的预警规则为2条，则当所有未知疾病类型的对象满足多条预警规则中的任意两条时，将当前预警等级确定为第二预警等级，比如，可以触发高风险报警。同时，在对应的患者危险因素中增加当前所命中的预警规则。
步骤S320.根据未知传染病预警等级进行未知传染病的预警。
最后，根据上述步骤中所确定的具体的预警等级，进行未知疾病的预警，以提示相关人员，比如医护人员等，根据当前的预警等级执行对应的预警策略。
除此之外，本示例实施方式中的未知传染病的预警方法，还可以包括疾病概率图谱的训练方法。如图5所示，疾病概率图谱的训练方法具体可以包括以下几个步骤：
步骤S510.从历史病例中获取历史对象的特征数据，以及历史对象的疾病类型，其中，疾病类型包括未知疾病类型和多种已知疾病类型。
首先，对于医疗机构内每份历史住院病历，抽取该份病历的临床特征数据和病例诊断名称，并将历史病历中患者的临床特征数据作为历史对象的特征数据，训练疾病概率图谱。
本示例实施方式中，可以选取出院诊断的主要诊断作为病例诊断名称，并将病例诊断名称作为对象的疾病类型。当然，也可以通过其他方式确定对象的疾病类型，只是一般情况下，以出院诊断的主要诊断作为病例诊断名称，从而确定对象的疾病类型更为准确。
步骤S520.根据历史对象的特征数据和历史对象的疾病类型，确定历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率。
本示例实施方式中，监测周期指的是获取历史对象在患病期间内的特征数据的周期，可以为一天或者两天等。
本示例实施方式中，如图6所示，根据历史对象的特征数据和历史对象的疾病类型，确定历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率，具体可以包括以下几个步骤：
步骤S610.根据历史对象的特征数据确定各个疾病类型的历史对象在患病期间产生每一种特征数据的概率。
具体而言，可以根据历史对象的特征数据确定各个疾病类型的历史对象在患病期间，每种特征数据对应的历史对象数量，再根据各个疾病类型的历史对象在患病期间，每种特征数据对应的历史对象数量，以及各个疾病类型的历史对象总数，确定各个疾病类型的历史对象在患病期间产生每一种特征数据的概率。
步骤S620.根据各个疾病类型的历史对象在患病期间产生每一种特征数据的概率，确定历史对象被确定为每一种已知疾病类型的概率。
具体而言，可以根据各个疾病类型的历史对象总数，确定各个疾病类型的先验发病概率，再根据各个疾病类型的先验发病概率，以及各个疾病类型的历史对象在患病期间产生每一种特征数据的概率，通过预设概率模型确定历史对象被确定为每一种已知疾病类型的概率。
下面，结合一个具体的应用场景，对图6中的各个步骤进行详细的说明。
本示例实施方式中，可以基于历史病历中历史对象的临床特征数据和疾病类型等数据，统计每种疾病类型下各临床特征发生的条件概率。
随着历史对象在住院治疗期间临床特征数据的变化，各个历史对象被判定为某种疾病类型的概率可以定义为：
根据贝叶斯公式，可以得到：
其中，
为历史对象住院第i天的第j个临床特征数据，i＝0为住院时刻。P(Di)为疾病类型Di的先验发病概率，可以通过先验概率确定单元计算得到，定义为：
其中N(Di)为诊断为疾病类型Di的历史对象数量，∑iN(Di)为诊断为各个疾病类型Di的历史对象总数。
其中，
为诊断为疾病类型Di的历史对象中有多少在住院时刻有临床特征
步骤S530.以历史对象的历史特征数据作为输入数据，以历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率作为输出数据，训练疾病概率图谱。
根据上述方法训练得到的疾病概率图谱，通过该概率图谱与当前患者住院期间每个监测周期，比如每天内的临床特征数据进行匹配，并根据匹配结果确定该患者被判定为每种已知疾病的概率。随着住院天数的增加，该概率评估会越来越准。实际中具体操作时可以选择从患者住院开始每天都评估对应的疾病概率，或者还可以从住院的第几天开始评估。
对于第n天的评估结果，如果所有疾病的概率值都低于阈值Tn时，认为该患者为疑似未知疾病病例。其中，已知疾病概率阈值Tn可以由历史特征数据确定。
如图7所示，是根据本公开的一个具体实施方式的新发传染病预警的流程框图，该新发传染病预警的整个过程，就是基于本示例实施方式中的未知传染病的预警方法得到的。
具体地，在如图7所示的新发传染病预警的流程中，先通过电子病历系统701获取历史病历中患者的临床特征数据和疾病类型，并通过临床特征处理模块702对上述特征数据进行结构化处理，结合历史病历中患者在治疗过程中的临床表现的时序特征，通过历史病历中各个患者的临床特征数据和疾病类型，训练用于计算疾病概率的疾病概率知识图谱703，并基于训练好的疾病概率知识图谱703，在单患者未知疾病判定模型704中，对当前患者的临床特征数据进行匹配和动态评估，从而根据匹配结果确定该患者是否为疑似未知疾病病例；再通过基于多患者时空分析的新发传染病预警模型705，根据一段时间内疑似未知疾病类型的病例数量，和各个疑似未知疾病病例之间的关系，确定当前未知疾病类型的预警等级，并向相关人员发送对应等级的预警提醒。
应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
进一步的，本公开还提供了一种未知传染病的预警装置。参考图8所示，该未知传染病的预警装置可以包括对象数据获取模块810、疾病类型确定模块820以及未知传染病预警模块830。其中：
对象数据获取模块810可以用于获取对象的特征数据；
疾病类型确定模块820可以用于根据对象的特征数据和预先训练的疾病概率图谱，确定对象是否为未知疾病类型；
未知传染病预警模块830可以用于获取预设时间段内未知疾病类型的对象数量，并根据未知疾病类型的对象数量进行未知传染病的预警。
在本公开的一些示例性实施例中，疾病类型确定模块820可以包括类型概率确定单元以及未知疾病确定单元。其中：
类型概率确定单元可以用于将对象的特征数据输入预先训练的疾病概率图谱中，得到对象被确定为各种已知疾病类型的概率；
未知疾病确定单元可以用于在对象被确定为各种已知疾病类型的概率都小于已知疾病概率阈值时，将对象确定为未知疾病类型。
在本公开的一些示例性实施例中，未知传染病预警模块830可以包括预警等级确定单元以及传染病预警单元。其中：
预警等级确定单元可以用于根据未知疾病类型的对象数量，以及多个未知疾病类型的对象之间的关联关系，确定未知传染病预警等级；
传染病预警单元可以用于根据未知传染病预警等级进行未知传染病的预警。
在本公开的一些示例性实施例中，预警等级确定单元可以包括预警规则判断单元、第一预警等级确定单元以及第二预警等级确定单元。其中：
预警规则判断单元可以用于根据未知疾病类型的对象数量，以及多个未知疾病类型的对象之间的关联关系，判断当前所有未知疾病类型的对象是否满足预设的多条预警规则，其中，预警规则包括对象数量预警规则和对象关联关系预警规则；
第一预警等级确定单元可以用于在当前所有未知疾病类型的对象满足第一数量的预警规则时，将当前预警等级确定为第一预警等级；
第二预警等级确定单元可以用于在当前所有未知疾病类型的对象满足第二数量的预警规则时，将当前预警等级确定为第二预警等级。
在本公开的一些示例性实施例中，预警规则判断单元可以包括数量阈值确定单元以及对象数量预警单元。其中：
数量阈值确定单元可以用于根据预设历史周期获取每一预设历史周期中对应的预设时间段内的未知疾病类型对象的历史数量，并根据多组历史数量确定未知疾病类型的对象数量阈值；
对象数量预警单元可以用于在当前未知疾病类型的对象数量大于或等于对象数量阈值时，判定当前所有未知疾病类型的对象满足对象数量预警规则。
在本公开的一些示例性实施例中，本公开提供的一种未知传染病的预警装置还可以包括疾病概率图谱训练模块，可以包括历史数据获取单元、疾病概率计算单元以及概率图谱训练单元。其中：
历史数据获取单元可以用于从历史病例中获取历史对象的特征数据，以及历史对象的疾病类型，其中，疾病类型包括未知疾病类型和多种已知疾病类型；
疾病概率计算单元可以用于根据历史对象的特征数据和历史对象的疾病类型，确定历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率；
概率图谱训练单元可以用于以历史对象的历史特征数据作为输入数据，以历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率作为输出数据，训练疾病概率图谱。
在本公开的一些示例性实施例中，疾病概率计算单元可以包括特征概率确定单元以及疾病概率确定单元。其中：
特征概率确定单元可以用于根据历史对象的特征数据确定各个疾病类型的历史对象在患病期间产生每一种特征数据的概率；
疾病概率确定单元可以用于根据各个疾病类型的历史对象在患病期间产生每一种特征数据的概率，确定历史对象被确定为每一种已知疾病类型的概率。
在本公开的一些示例性实施例中，特征概率确定单元可以包括对象数量统计单元以及特征概率计算单元。其中：
对象数量统计单元可以用于根据历史对象的特征数据确定各个疾病类型的历史对象在患病期间，每种特征数据对应的历史对象数量；
特征概率计算单元可以用于根据各个疾病类型的历史对象在患病期间，每种特征数据对应的历史对象数量，以及各个疾病类型的历史对象总数，确定各个疾病类型的历史对象在患病期间产生每一种特征数据的概率。
在本公开的一些示例性实施例中，疾病概率确定单元可以包括先验概率确定单元以及概率模型计算单元。其中：
先验概率确定单元可以用于根据各个疾病类型的历史对象总数，确定各个疾病类型的先验发病概率；
概率模型计算单元可以用于根据各个疾病类型的先验发病概率，以及各个疾病类型的历史对象在患病期间产生每一种特征数据的概率，通过预设概率模型确定历史对象被确定为每一种已知疾病类型的概率。
上述未知传染病的预警装置中各模块/单元的具体细节在相应的方法实施例部分已有详细的说明，此处不再赘述。
图9示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图9示出的电子设备的计算机系统900仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。
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，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种未知传染病的预警方法，其特征在于，包括：
获取对象在患病期间的每个监测周期内的特征数据；
根据所述特征数据和预先训练的疾病概率图谱，得到所述对象在所述患病期间的每个监测周期内被确定为各种已知疾病类型的概率；
在所述对象在所述监测周期内被确定为各种已知疾病类型的概率都小于已知疾病概率阈值时，将所述对象确定为未知疾病类型；
获取预设时间段内所述未知疾病类型的对象数量，并根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系进行未知传染病的预警。
2.根据权利要求1所述的未知传染病的预警方法，其特征在于，所述根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系进行未知传染病的预警，包括：
根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系，确定未知传染病预警等级，其中，所述关联关系包括多个所述未知疾病类型的对象之间的社会关系，以及多个所述未知疾病类型的对象的流行病学史的相似度；
根据所述未知传染病预警等级进行未知传染病的预警。
3.根据权利要求2所述的未知传染病的预警方法，其特征在于，所述根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系，确定未知传染病预警等级，包括：
根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系，判断当前所有所述未知疾病类型的对象是否满足预设的多条预警规则，其中，所述预警规则包括对象数量预警规则和对象关联关系预警规则；
在当前所有所述未知疾病类型的对象满足第一数量的预警规则时，将当前预警等级确定为第一预警等级；
在当前所有所述未知疾病类型的对象满足第二数量的预警规则时，将当前预警等级确定为第二预警等级。
4.根据权利要求3所述的未知传染病的预警方法，其特征在于，判断当前所有所述未知疾病类型的对象是否满足预设的对象数量预警规则，包括：
根据预设历史周期获取每一所述预设历史周期中对应的预设时间段内的未知疾病类型对象的历史数量，并根据多组所述历史数量确定所述未知疾病类型的对象数量阈值；
在当前所述未知疾病类型的对象数量大于或等于所述对象数量阈值时，判定当前所有所述未知疾病类型的对象满足所述对象数量预警规则。
5.根据权利要求1所述的未知传染病的预警方法，其特征在于，所述疾病概率图谱的训练数据是通过统计各个疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率得到的。
6.根据权利要求1所述的未知传染病的预警方法，其特征在于，所述疾病概率图谱的训练方法包括：
从历史病例中获取历史对象的特征数据，以及所述历史对象的疾病类型，其中，所述疾病类型包括未知疾病类型和多种已知疾病类型；
根据所述历史对象的特征数据和所述历史对象的疾病类型，确定所述历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率；
以所述历史对象的历史特征数据作为输入数据，以所述历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率作为输出数据，训练所述疾病概率图谱。
7.根据权利要求6所述的未知传染病的预警方法，其特征在于，所述根据所述历史对象的特征数据和所述历史对象的疾病类型，确定所述历史对象在患病期间的每个监测周期内被确定为每一种已知疾病类型的概率，包括：
根据所述历史对象的特征数据确定各个疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率；
根据各个所述疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率，确定所述历史对象被确定为每一种已知疾病类型的概率。
8.根据权利要求7所述的未知传染病的预警方法，其特征在于，所述根据所述历史对象的特征数据确定各个疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率，包括：
根据所述历史对象的特征数据确定各个疾病类型的历史对象在患病期间，每种所述特征数据对应的历史对象数量；
根据所述各个疾病类型的历史对象在患病期间，每种所述特征数据对应的历史对象数量，以及各个所述疾病类型的历史对象总数，确定各个所述疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率。
9.根据权利要求7所述的未知传染病的预警方法，其特征在于，所述根据各个所述疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率，确定所述历史对象被确定为每一种已知疾病类型的概率，包括：
根据各个所述疾病类型的历史对象总数，确定各个所述疾病类型的先验发病概率；
根据各个所述疾病类型的先验发病概率，以及各个所述疾病类型的历史对象在住院时刻产生相应的特征数据集合的前提下，在患病期间的每个监测周期内产生每一种特征数据的条件概率，通过预设概率模型确定所述历史对象被确定为每一种已知疾病类型的概率。
10.一种未知传染病的预警装置，其特征在于，包括：
对象数据获取模块，用于获取对象在患病期间的每个监测周期内的特征数据；
疾病概率确定模块，用于根据所述特征数据和预先训练的疾病概率图谱，得到所述对象在所述患病期间的每个监测周期内被确定为各种已知疾病类型的概率；
疾病类型确定模块，用于在所述对象在所述监测周期内被确定为各种已知疾病类型的概率都小于已知疾病概率阈值时，将所述对象确定为未知疾病类型；
未知传染病预警模块，用于获取预设时间段内所述未知疾病类型的对象数量，并根据所述未知疾病类型的对象数量，以及多个所述未知疾病类型的对象之间的关联关系进行未知传染病的预警。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至9中任一项所述的未知传染病的预警方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至9中任一项所述的未知传染病的预警方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011066255X | 2020-09-30 | ||
| CN202011066255 | 2020-09-30 | ||
| CN202011411809.5A CN112420211B (zh) | 2020-09-30 | 2020-12-04 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011411809.5A Division CN112420211B (zh) | 2020-09-30 | 2020-12-04 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115240870A true CN115240870A (zh) | 2022-10-25 |
Family
ID=74830367
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011411809.5A Active CN112420211B (zh) | 2020-09-30 | 2020-12-04 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
| CN202210878048.7A Pending CN115240870A (zh) | 2020-09-30 | 2020-12-04 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011411809.5A Active CN112420211B (zh) | 2020-09-30 | 2020-12-04 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN112420211B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115910374A (zh) * | 2022-11-09 | 2023-04-04 | 杭州杏林信息科技有限公司 | 一种医院感染性疾病聚集或爆发时间预警方法及介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758792B (zh) * | 2022-06-14 | 2022-09-02 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于机器学习的未知传染病的预警溯源方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109817329B (zh) * | 2019-01-21 | 2021-06-29 | 暗物智能科技(广州)有限公司 | 一种医疗问诊对话系统以及应用于该系统的强化学习方法 |
| CN109935326A (zh) * | 2019-02-28 | 2019-06-25 | 生活空间(沈阳)数据技术服务有限公司 | 一种患病概率预测装置及存储介质 |
| CN110391021A (zh) * | 2019-07-04 | 2019-10-29 | 北京爱医生智慧医疗科技有限公司 | 一种基于医学知识图谱的疾病推理系统 |
| CN111292848B (zh) * | 2019-12-31 | 2023-05-16 | 同方知网数字出版技术股份有限公司 | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 |
| CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
-
2020
- 2020-12-04 CN CN202011411809.5A patent/CN112420211B/zh active Active
- 2020-12-04 CN CN202210878048.7A patent/CN115240870A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115910374A (zh) * | 2022-11-09 | 2023-04-04 | 杭州杏林信息科技有限公司 | 一种医院感染性疾病聚集或爆发时间预警方法及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112420211B (zh) | 2022-08-16 |
| CN112420211A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3739596B1 (en) | Clinical predictive analytics system | |
| US20240282407A1 (en) | Electronic variant classification | |
| US11923094B2 (en) | Monitoring predictive models | |
| CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
| CN111798988B (zh) | 风险区域预测方法、装置、电子设备及计算机可读介质 | |
| CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
| CN111739658B (zh) | 基于输入病例预测传染病趋势的方法及装置 | |
| CN112420211B (zh) | 未知传染病的预警方法、装置、电子设备及计算机介质 | |
| WO2021184792A1 (zh) | 一种动态平衡评估方法、装置、设备及介质 | |
| WO2023024411A1 (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
| CN114723494A (zh) | 问卷处理结果的有效性判断方法、装置、设备及存储介质 | |
| US20170277853A1 (en) | Data-driven performance based system for adapting advanced event detection algorithms to existing frameworks | |
| CN115966314B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| US20230060794A1 (en) | Diagnostic Tool | |
| Banyal et al. | Technology landscape for epidemiological prediction and diagnosis of covid-19 | |
| CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
| CN111275558B (zh) | 用于确定保险数据的方法和装置 | |
| WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN111554387B (zh) | 医生信息推荐的方法、装置、存储介质及电子设备 | |
| Sundas et al. | Comprehensive Study of Machine Learning-Based Systems for Early Warning of Clinical Deterioration | |
| CN112487195B (zh) | 实体的排序方法、装置、介质及电子设备 | |
| CN113223698B (zh) | 急诊分级处理方法、装置、电子设备以及存储介质 | |
| CN112117015B (zh) | 一种脓毒症的预警设备、方法、装置及存储介质 | |
| Tilbury | Evaluation of lntelligent Medical Systems | |
| Coster et al. | Early detection of prostate gland and breast cancer risk based on routine check-up data using survival analysis trees for left-truncated and right-censored data |
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 |