CN116312926A - 健康路径推荐方法及相关装置、电子设备和存储介质 - Google Patents
健康路径推荐方法及相关装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116312926A CN116312926A CN202211093495.8A CN202211093495A CN116312926A CN 116312926 A CN116312926 A CN 116312926A CN 202211093495 A CN202211093495 A CN 202211093495A CN 116312926 A CN116312926 A CN 116312926A
- Authority
- CN
- China
- Prior art keywords
- target object
- label
- portrait
- path
- health
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种健康路径推荐方法及相关装置、电子设备和存储介质,其中,健康路径推荐方法包括:基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;再基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;在此基础上,基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果。上述方案,能够提高健康路径推荐结果的准确率。
Description
技术领域
本申请涉及健康管理技术领域,特别是涉及一种健康路径推荐方法及相关装置、电子设备和存储介质。
背景技术
随着社会的发展进步,人们越来越认识到身心健康对个人成长、家庭稳定、社会和谐的重要性,因此,人们更加重视个人的身心健康管理。
目前,一般是通过相关工作人员进行随访,进而获取目标对象的相关数据,并通过相关数据确定目标对象的身体状况。但是,这种方式不仅影响目标对象的正常生活,且相关工作人员工作效率较低,进一步地由于采集到目标对象的相关数据的单一性和不确定性等问题,导致健康路径推荐结果的准确率难以保障。有鉴于此,如何提高健康路径推荐结果的准确率成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种健康路径推荐方法及相关装置、电子设备和存储介质,能够提高健康路径推荐结果的准确率。
为了解决上述技术问题,本申请第一方面提供了一种健康路径推荐方法,包括:基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;再基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;在此基础上,基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果。
为了解决上述技术问题,本申请第二方面提供了一种健康路径推荐装置,包括生成模块、匹配模块和预测模块;其中,生成模块用于基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;匹配模块用于基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;确定模块用于基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果。
为了解决上述技术问题,本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,存储器中存储有程序指令,处理器用于执行程序指令以实现上述第一方面中的健康路径推荐方法。
为了解决上述技术问题,本申请第四方面提供了一种计算机可读存储介质,存储有能够被处理器运行的程序指令,程序指令用于实现上述第一方面中的健康路径推荐方法。
上述方案,通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;再基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;在此基础上,基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果,一方面通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像,有助于更加快速地了解目标对象,提高服务转化率,另一方面通过基于个人画像分别与疾病医学相关的第一知识库、科普宣教相关的第二知识库进行匹配,进而得到目标对象的风险干预路径和健康管理路径,最终确定目标对象的健康路径推荐结果,在此过程中,通过个人画像与不同知识库进行匹配,尽可能地避免由于单一匹配导致的不准确性,进而能够提高健康路径推荐结果的准确率。
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,而非限制本申请。
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,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1是本申请健康路径推荐方法一实施例的流程示意图;
图2是本申请健康路径推荐方法一实施例的框架示意图;
图3是本申请健康路径推荐装置一实施例的框架示意图;
图4是本申请电子设备一实施例的框架示意图;
图5是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。“若干”表示至少一个。本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
请参阅图1,图1是本申请健康路径推荐方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像。
在一个实施场景中,目标对象可以是诊后患者、也可以是普通的体检对象;当然,根据目标对象的职业状况,目标对象可以是教师,也可以是工人。目标对象可以根据实际情况进行确定,在此不做具体限定。
在一个实施场景中,与目标对象身心健康相关的各维度数据可以根据目标对象的身心健康状况进行获取,示例性地,目标对象为诊后患者时,可以获取患者的就诊、住院等数据;目标对象为普通体检对象时,可以获取目标对象的体检报告、线上健康咨询等数据。此外,与目标对象身心健康相关的各维度数据还可以与目标对象的职业进行关联,示例性地,目标对象为教师,根据目标对象的身心健康状况获取相关数据之后,还可以进一步获取与视力、咽喉、颈椎等高发职业病相关的身体数据;目标对象为装修工人,根据目标对象的身心健康状况获取相关数据之后,还可以进一步获取与视力、血液、皮肤等高发职业病相关的身体数据。目标对象身心健康相关的各维度数据可以根据实际情况进行确定,在此不做具体限定。
在一个实施场景中,获取各维度数据之后,可以先对各维度数据进行预处理,示例性地,可以通过自然语言处理(Natural Language Processing,NLP)技术对各维度数据进行处理,进而获取数据之间的关联关系和关键信息,当然,对各维度数据是否进行预处理,可以根据获取数据的方式进行确定。示例性地,通过业务系统获取的数据无需进行预处理,具体地,通过业务系统获取的数据为结构化数据,即可以使用关系型数据进行表示和存储,因此无需进行预处理。各维度数据是否需要进行预处理可以根据实际情况进行确定,在此不做具体限定。此外,在数据获取或者数据进行预处理过程中,可以对数据进行全量、定期增量和定期迭代等处理方式进行更新,全量即是对所获取的数据进行重新获取,可以理解的是,全量即为对数据的全部更新,定期增量可以在任意时刻对增加的数据进行更新,定期迭代可以是周期性地对数据进行更新,数据的更新方式可以根据实际情况进行确定,在此不做具体限定。
在一个实施场景中,在获取与目标对象身心健康相关的各维度数据之后,可以通过定义画像标签对数据进行分类。具体地,可以分为主体标签和属性标签,主体标签可以基于确定目标对象的身份和目标对象的身心健康状况进行定义,属性标签可以通过主体标签关联得到。示例性地,主体标签可以包括姓名、性别、年龄、身份证号、身体状况、疾病史等,属性标签可以基于主体标签进行确定,如主体标签为身体状况,则所属的属性标签可以包括开始时间、结束时间、状态等。此外,各画像标签对应有标签值,画像标签的标签值可以根据已有数据进行选择确定。示例性地,主体标签疾病史的标签值为肺结核,属性标签开始时间的标签值为2022年1月1日,属性标签状态的标签值为发热、盗汗、疲倦、食欲减退等。由此,通过若干画像标签和画像标签的标签值生成目标对象的个人画像。
在另一个实施场景中,为了提高个人画像的准确性,可以先定义具有层级关系的若干画像标签;再基于各维度数据,分别对若干画像标签进行数值映射,确定各画像标签的标签值。示例性地,各维度数据包括体征-BMI:31kg/㎡,性别-男性,体征-腰围:102cm。由于医学标准中,症状为肥胖时,BMI>28或者男性腰围>90cm,因此,经过映射可确定画像标签为症状时,该画像标签的标签值为肥胖。需要说明的是,在根据映射得到若干画像标签的标签值的过程中,可以先根据映射规则对样本数据与画像标签之间的映射关系进行存储,进而在确定各画像标签的标签值的过程中可以提高映射的准确率和速率。示例性地,样本数据BMI>28或体征标签腰围>90cm,性别标签为男性均可输出画像标签为症状,画像标签的标签值为肥胖。当然,也可以根据各维度数据,直接与若干画像标签进行映射,确定各画像标签的标签值,具体地,可以基于各维度数据分别进行判断,并基于判断结果确定画像标签,再基于各维度的数值进行映射,确定画像标签的标签值。基于各维度数据对若干画像标签映射,确定画像标签的标签值的方式可以根据实际情况进行确定,在此不做具体限定。在此基础上,再基于各画像标签及其标签值,得到目标对象的个人画像,可以理解的是,个人画像包括若干画像标签,如姓名、性别、症状等,各画像标签的标签值基于各维度数据进行确定。上述方式,通过先定义画像标签,再对画像标签值进行映射,有助于提高个人画像的可读性,并且由于对画像标签进行映射,最终确定画像标签的标签值,进而提高了个人画像的准确性。
在一个具体实施场景中,若干画像标签具有粒度由粗到细的三个层级,获取定义具有层级关系的若干画像标签,包括:获取第一层级画像标签,第一层级画像标签在若干粗粒度定义目标对象,且若干粗粒度包括:基本信息、治疗处置、身心情况中至少一者。可以理解的是,基于第一层级画像标签和画像标签的标签值可以获取个人基础信息,示例性地,第一层级画像标签包括基本信息,基于基本信息的标签值可以确定个人身份。再基于第一层级画像标签,映射得到表征主体粒度的第二层级画像标签,并基于第二层级画像标签,映射得到表征属性粒度的第三层级画像标签,且第三层级画像标签基于第二层级画像标签关联得到。示例性地,请参阅表1,表1为患者个人画像标签示意表,表1是基于目标对象全生命周期数据、构建的个人画像标签体系。当然,个人画像也可以由具有两层、四层等有层级关系的若干画像标签及其标签值得到,可以根据实际情况进行确定,在此不做具体限定。上述方式,通过定义具有层级关系的若干画像标签,可以基于各层级画像标签之间的关系,更加了解个人情况,有助于提高健康路径诊断推荐的准确性。
表1患者个人画像标签示意表
步骤S12:基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径。
在一个实施场景中,在得到目标对象的风险干预路径之前,可以先获取与疾病医学相关的第一知识库。具体地,可以先获取样本数据,样本数据可以基于但不限于疾病指南、诊疗路径、样本病历、药品说明书等进行获取,并基于样本数据进行分类,示例性地,可以将样本数据分为外在因素数据和内在因素数据,外在因素数据可以包括由于外界环境引起的情况,内在因素数据可以包括由于目标对象自身引起的情况,由此,将第一知识库中的数据进行分类。当然,也可以通过定义若干第一标签将第一知识库中的数据,示例性地,第一标签可以包括症状、疾病名称、检查名称等,第一标签也可以由粒度由粗到细进行确定,具体可以参照前述画像标签的定义方式,在此不再赘述。第一知识库的分类方式可以根据实际情况进行确定,在此不做具体限定。此外,第一知识库包含各第一标签的标签值与目标对象的风险因素之间的映射关系,示例性地,第一标签为症状,症状对应的标签值为肥胖,则该第一标签的标签值对应的风险因素可以是冠心病、糖尿病、高血压等。各第一标签的标签值与风险因素之间的映射关系可以根据实际情况进行确定,在此不做具体限定。
在一个实施场景中,为了得到目标对象的风险干预路径,可以基于个人画像和与疾病医学相关的第一知识库进行匹配,具体地,可以基于个人画像与第一知识库中各文本数据进行匹配,得到各文本数据的分值,再判断各分值是否大于预设阈值,当该分值大于预设阈值时,确定该分值对应的文本数据为目标数据,基于目标数据确定目标对象的风险因素。
在另一个实施场景中,为了进一步提高风险干预路径的准确性,可以先从第一知识库提取第一标签,再基于第一标签和从个人画像提取到的画像标签进行分析,得到目标对象的风险因素。具体地,可以响应于第一标签与画像标签含义相同,基于第一标签的标签值和画像标签的标签值进行相似度量,得到第一标签的第一分值,可以理解的是,第一标签与画像标签的含义可以根据标签所表征的内容进行确定,例如,标签为疾病类型和疾病类别,两者为含义相同的标签。在确定第一分值之后,再基于各第一标签的第一分值分别与第一阈值之间的大小关系,选择第一标签作为第一目标标签。需要说明的是,各第一标签的第一分值所对应的第一阈值可以不同,示例性地,第一标签为疾病名称时,第一阈值可以是100%、99%等,第一标签为症状时,第一阈值可以是85%、90%等,且各第一标签的第一分值可以大于第一阈值,也可以不小于第一阈值,具体可以根据实际情况进行确定,最后,将满足第一阈值的第一标签作为第一目标标签。再基于第一目标标签,映射得到目标对象的风险因素,由于第一知识库包含各第一标签的标签值与目标对象的风险因素之间的映射关系,而第一目标标签基于第一标签选择得到,因此,基于第一目标标签的标签值可以直接映射得到目标对象的风险因素。上述方式,通过第一标签与画像标签的标签值进行相似度量,进而确定第一标签的第一分值,并基于第一分值与第一阈值的大小关系,确定第一目标标签,有助于提高确定第一目标标签的准确率,进而映射得到目标对象的风险因素,进一步提高确定风险因素的准确率,提高了健康路径推荐的效率。在此基础上,基于目标对象的风险因素,确定目标对象的风险干预路径。上述方式,通过将第一标签和画像标签进行分析,进而确定目标对象的风险因素,尽可能全面地分析个人画像中各画像标签对风险因素的影响,进而提高目标对象的风险因素,再基于风险因素,确定目标对象的风险干预路径,进一步提高风险干预路径的准确性。
在一个实施场景中,风险干预路径可以仅包括提示处方,也可以仅包括预警处方,当然,风险干预路径还可以包括提示处方和预警处方。具体地,提示处方用于提示目标对象进行身体检查,示例性地,提示处方可以包括:请尽快预约肺部检查,如X光检查、CT检查、磁共振(MRI)等;提示处方也可以包括:请尽快进行术后复诊等。预警处方可以包括:由于目标对象饮食不规律导致胃痉挛性疼痛,请规律饮食等。此外,风险干预路径包括提示处方和预警处方时,提示处方可以先提示目标对象进行相关检查或自检,预警处方可以警示目标对象应如何降低风险因素。提示处方和预警处方的具体内容可以根据实际情况进行确定,风险干预路径也可以根据实际情况进行确定,在此不做具体限定。
在一个具体实施场景中,可以对风险因素进行分类,基于安全性将风险因素分为四类,具体包括重大风险、较大风险、一般风险和低风险,也可以分为生活方式类和非生活方式类,生活方式类即通过生活习惯或自身调节可以降低或去除该风险因素,非生活方式类即自身难以确定该风险因素对身心健康的影响需进行就医,并通过就医降低该风险因素对身心健康的影响。
在一个具体实施场景中,风险干预路径包括提示处方,且在风险因素所属类别为生活方式类的情况下,为了确定目标对象的风险干预路径,可以先基于风险因素,生成问卷评估文档,问卷评估文档包括固定项和变动项,且固定项的属性值基于目标对象的身份信息分析得到,问卷评估文档的固定项即在目标对象确定之后,不会进行变动的信息,示例性地,固定项可以包括姓名、性别、身份证号等;问卷评估文档的变动项即在目标对象确定之后,不仅会随着问卷评估文档的反馈结果进行变动,还可以随着时间的改变而变动,示例性地,变动项可以包括年龄、症状等。在一个具体实施场景中,在为目标对象推送问卷评估文档时,可以将固定项的属性值进行自动填充,即根据目标对象的相关信息,将固定相的属性值进行直接确定,进而提高目标对象的使用体验。需要说明的是,问卷评估文档的内容可以根据风险因素进行确定,具体地,可以将与各风险因素相关的问题生成问卷库,在确定风险因素之后,基于风险因素直接确定问卷库中对应的问题,基于若干问题生成问卷评估文档。再基于固定项的属性值和目标对象对问卷评估文档中变动项反馈的属性值,计算得到目标对象的反馈分值,具体地,不同的风险因素对应的问卷评估文档不同,不同的问卷评估文档中固定项和变动项对应的权重分值也可以不同,因而可以先基于固定项的属性值和变动项的属性值获取各分值,再对各分值进行加权处理,基于加权处理结果得到目标对象的反馈分值。最后,基于反馈分值和目标对象的风险因素,选择至少一个预设提示处方作为目标对象的提示处方。需要说明的是,生活方式类的各风险因素可以基于反馈分值分为若干反馈分值区间,各个反馈分值区间对应至少一个提示处方,基于各风险因素中若干反馈分值区间对应的提示处方,组成预设提示处方。由此,在确定风险因素和反馈分值之后,可以确定该反馈分值的所属区间,进而确定所属区间对应的预设提示处方,最终可以选择一个或者多个预设提示处方作为目标对象的提示处方。上述方式,通过风险因素,生成问卷评估文档,进而获取目标对象当前的若干健康状况和生活习惯,有助于提高与目标对象身心健康相关的各维度数据的准确性,再基于问卷评估文档的反馈结果,选择目标对象的提示处方,进而提高选择到的提示处方的准确性。
在一个具体实施场景中,风险干预路径包括预警处方,且在风险因素所属类别为非生活方式类的情况下,为了确定目标对象的风险干预路径,可以基于目标对象的风险因素,选择至少一个预设预警处方作为目标对象的预警处方。需要说明的是,非生活方式类的各风险因素可以与该风险因素的预警处方构成映射关系,并通过各风险因素所属的预警处方组成预设预警处方。由此,在确定风险因素之后,可以直接确定所属的预设预警处方,最终可以选择一个或者多个预设预警处方作为目标对象的预警处方。上述方式,通过确定风险因素所属类别为非生活方式类之后,通过确定目标对象的预警处方,有助于提示目标对象及时进行就医,尽可能地降低风险状况的发生,进而提升健康管理路径的实用性。
在一个实施场景中,在得到目标对象的健康管理路径之前,可以先获取与科普宣教相关的第二知识库。具体地,可以先获取样本数据,样本数据可以基于但不限于基于疾病指南、诊疗路径、高分文献、药品说明书等专业依据制作医学知识库体系,可以包括文字版疾病科普知识,如概念、临床症状体征、检查检验、治疗方案、预后、预防等、宣教知识,如饮食、运动、睡眠、心理、吸烟饮酒、心理等、生活方式评估问卷,如营养、运动、睡眠、心理、吸烟饮酒、心理等,并基于样本数据进行分类,示例性地,可以将样本数据分为外在因素数据和内在因素数据,外在因素数据可以包括由于外界环境引起的情况,内在因素数据可以包括由于目标对象自身引起的情况,由此,将第二知识库中的数据进行分类。当然,也可以通过定义若干第二标签将第二知识库中的数据,且第二标签规则可以包括但不限于且的关系、或的关系、非的关系、顺序关系。示例性地,第二标签可以包括症状、手术名称等,第二标签也可以由粒度由粗到细进行确定,具体可以参照前述画像标签的定义方式,在此不再赘述。第二知识库的分类方式可以根据实际情况进行确定,在此不做具体限定。此外,第二知识库包含各第二标签的标签值与科普内容之间的映射关系,示例性地,第二标签为手术名称,症状对应的标签值为肥冠状动脉旁路移植术,则该第二标签的标签值对应的科普内容可以是肥冠状动脉旁路移植术术后康复指导,相关注意事项等。各第二标签的标签值与科普内容之间的映射关系可以根据实际情况进行确定,在此不做具体限定。请参阅表2,表2为第二知识库示意表,第二知识库可以基于不同维度获取样本数据,进而使第二知识库与个人画像进行匹配时,尽可能地提升匹配的准确性,进而提升目标对象的使用体验。
表2第二知识库示意表
在一个具体实施场景中,可以对第二知识库中的内容进行重新排版,具体可以包括对文字版科普、宣教知识内容进行排版优化为图片、视频格式,对知识内容进行打标签管理,分组及标识,具体包括知识标签,标签值、标签规则、推送规则等。进一步地,知识标签内容包括:医院、科室、诊断、药品、手术、特殊时期、性别、个人史、知识类型,知识类型还可以进一步细化为科普、饮食、运动、心理、康复指导、注意事项、问卷量表等。此外,在确定健康管理路径之后,需要对目标对象进行推动,推送规则包括:优先级、时间段、标签关系。对第二知识库中的内容进行排版的方式可以根据实际情况进行选择,在此不做具体限定。
在一个实施场景中,为了得到目标对象的健康管理路径,可以基于个人画像和与科普宣教相关的第二知识库进行匹配,具体地,可以基于个人画像与第二知识库中各文本数据进行匹配,得到各文本数据的分值,再判断各分值是否大于预设阈值,当该分值大于预设阈值时,确定该分值对应的文本数据为目标数据,基于目标数据确定目标对象的科普内容。
在另一个实施场景中,健康管理路径包括科普内容,第二知识库包含各第二标签的标签值与科普内容之间的映射关系,为了提高目标对象的健康管理路径的准确性,可以先从第二知识库提取第二标签,再响应于第二标签与从个人画像提取到的画像标签含义相同,对第二标签的标签值和画像标签的标签值进行相似度量,得到第二标签的第二分值;并基于各第二标签的第二分值分别与第二阈值之间的大小关系,选择第二标签作为第二目标标签,具体可以选择第二分值大于第二阈值的第二标签作为第二目标标签。由于第二知识库包含各第二标签的标签值与科普内容之间的映射关系,且第二目标标签基于第二标签选择得到,因此,在确定第二目标标签之后,基于第二目标标签,直接映射得到目标对象的科普内容。上述方式,通过基于第二标签与画像标签含义相同时,对第二标签的标签值与画像标签的标签值进行相似度量,有助于提高度量的准确性,进而提高获取目标对象的科普内容的准确性,提升目标对象的使用体验。
步骤S13:基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果。
在一个实施场景中,在确定风险干预路径和健康管理路径之后,可以选择预警处方、科普内容、提示处方中至少一者作为最终路径,进而确定目标对象的健康路径推荐结果,推荐方式可以通过小程序、微信外呼等触达方式推送给目标对象,具体方式在此不做限定。
在一个实施场景中,可以对与目标对象身心健康相关的各维度数据进行更新,可以周期性地更新,也可以基于目标对象的实际情况进行更新,例如,基于目标对象的复诊数据进行更新、基于目标对象的体验报告进行更新等,获取与目标对象身心健康相关的各维度数据的更新情况,响应于更新情况满足预设条件,基于更新后的各维度数据,重新执行基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像的步骤以及后续步骤。预设条件可以根据实际情况进行确定,示例性地,可以根据各维度数据的变动率,也可以根据各维度数据更新对个人画像的影响等,预设条件可以根据实际情况进行确定,在此不做具体限定。上述方式,通过数据的更新情况,对目标对象的个人画像进行更新,进而重新确定目标对象的健康路径推荐结果,有助于提高健康路径推荐结果的准确性。
上述方案,通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;再基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;在此基础上,基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果,一方面通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像,有助于更加快速地了解目标对象,提高服务转化率,另一方面通过基于个人画像分别与疾病医学相关的第一知识库、科普宣教相关的第二知识库进行匹配,进而得到目标对象的风险干预路径和健康管理路径,最终确定目标对象的健康路径推荐结果,在此过程中,通过个人画像与不同知识库进行匹配,尽可能地避免由于单一匹配导致的不准确性,进而能够提高健康路径推荐结果的准确率。
请参阅图2,图2是本申请健康路径推荐方法一实施例的框架示意图,图2中目标对象为患者,为了获取患者的健康路径推荐结果,先获取与患者身心健康相关的各维度数据,获取的各维度数据可以分为结构化数据和非结构化数据,具体地,结构化数据可以是通过医院业务系统获取的数据,如HIS(HospitalInformationSystem,医院信息系统)、PACS(picture archiving and communication system,影像归档和通信系统)、LIS(Laboratory Information Management System,实验室信息管理系统)、手麻系统等,可以理解的是,通过医院业务系统获取的数据具有明确的字段和对应的值域,且结构化数据可以通过全量、增量、迭代等方式进行同步更新。此外,还可以获取非结构化数据,如量表反馈结果、穿戴设备数据、问答数据、EMR(Electronic Medical Record,计算机化的病案系统),可以理解的是,非结构化数据在实际应用中需要进行相关处理,如问答数据中问题为患者近期饮食量,患者答案包含饮食情况,还包括一日三餐是否规律等信息,因此,可以对非结构化数据通过自然语言处理技术进行处理,进而将非结构化数据转化为结构化数据。患者各维度数据的获取方式可以根据实际情况进行确定,在此不做具体限定。在获取患者的各维度数据之后,基于结构化数据和经过处理的非结构化数据构成临床数据库,为了提高临床数据库中数据的可读性,可以将临床数据库中数据进行分类,示例性地,可以将临床数据库中数据划分为表名、字段和数据,表名可以包括基本信息、就诊信息、诊疗费用、病情信息、治疗手段等;字段可以包括姓名、性别、年龄、诊断、症状、个人史、家族史、既往史、嗜好品信息、体格检查、实验室检查、影像学检查、药物信息等;数据可以包括采集业务系统数据,还可以连接院方各业务系统,如电子病历、PACS、LIS、HIS、手麻系统等。进一步地,基于临床数据库构建个人画像,在构建个人画像过程中,可以根据实际情况定义画像标签,并获取画像标签的标签值,进而生成患者的个人画像。在生成个人画像之后,基于个人画像和与疾病医学相关的第一知识库进行匹配,得到患者的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到患者的健康管理路径,风险干预路径可以包括提示处方、预警处方等,健康管理路径可以包括科普内容。具体匹配过程可以参照前述公开实施例中个人画像与第一知识库或第二知识库的匹配方式,在此不再赘述。在得到患者的风险干预路径和健康管理路径之后,可以基于患者的实际情况确定健康路径推荐结果,示例性地,确定患者的风险干预路径包括提示处方之后,基于患者的更新数据,确定患者已就医,因而可以将科普内容作为患者的健康路径推荐结果,并通过微信、小程序、患者端App、智能外呼等方式将健康路径推荐结果推送给患者,由此,减少医生随访及诊后患者管理工作量,提高工作效率。
上述方案,通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;再基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;在此基础上,基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果,一方面通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像,有助于更加快速地了解目标对象,提高服务转化率,另一方面通过基于个人画像分别与疾病医学相关的第一知识库、科普宣教相关的第二知识库进行匹配,进而得到目标对象的风险干预路径和健康管理路径,最终确定目标对象的健康路径推荐结果,在此过程中,通过个人画像与不同知识库进行匹配,尽可能地避免由于单一匹配导致的不准确性,进而能够提高健康路径推荐结果的准确率。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参阅图3,图3是本申请健康路径推荐装置一实施例的框架示意图。健康路径推荐装置30包括生成模块31、匹配模块32和确定模块33。其中,生成模块31用于基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像;匹配模块32用于基于个人画像和与疾病医学相关的第一知识库进行匹配,得到目标对象的风险干预路径,并基于个人画像和与科普宣教相关的第二知识库进行匹配,得到目标对象的健康管理路径;确定模块33用于基于风险干预路径和健康管理路径,确定目标对象的健康路径推荐结果。
上述方案,一方面通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像,有助于更加快速地了解目标对象,提高服务转化率,另一方面通过基于个人画像分别与疾病医学相关的第一知识库、科普宣教相关的第二知识库进行匹配,进而得到目标对象的风险干预路径和健康管理路径,最终确定目标对象的健康路径推荐结果,在此过程中,通过个人画像与不同知识库进行匹配,尽可能地避免由于单一匹配导致的不准确性,进而能够提高健康路径推荐结果的准确率。
在一些公开实施例中,匹配模块32包括第一提取子模块,第一提取子模块用于从第一知识库提取第一标签;匹配模块32包括标签分析子模块,标签分析子模块用于基于第一标签和从个人画像提取到的画像标签进行分析,得到目标对象的风险因素;匹配模块32还包括路径确定子模块,路径确定子模块用于基于目标对象的风险因素,确定目标对象的风险干预路径。
因此,通过将第一标签和画像标签进行分析,进而确定目标对象的风险因素,尽可能全面地分析个人画像中各画像标签对风险因素的影响,进而提高目标对象的风险因素,再基于风险因素,确定目标对象的风险干预路径,进一步提高风险干预路径的准确性。
在一些公开实施例中,第一知识库包含各第一标签的标签值与目标对象的风险因素之间的映射关系;标签分析子模块包括度量单元,度量单元用于响应于第一标签与画像标签含义相同,基于第一标签的标签值和画像标签的标签值进行相似度量,得到第一标签的第一分值;标签分析子模块包括选择单元,选择单元用于基于各第一标签的第一分值分别与第一阈值之间的大小关系,选择第一标签作为第一目标标签;标签分析子模块还包括映射单元,映射单元用于基于第一目标标签,映射得到目标对象的风险因素。
因此,通过第一标签与画像标签的标签值进行相似度量,进而确定第一标签的第一分值,并基于第一分值与第一阈值的大小关系,确定第一目标标签,有助于提高确定第一目标标签的准确率,进而映射得到目标对象的风险因素,进一步提高确定风险因素的准确率,提高了健康路径推荐的效率。
在一些公开实施例中,风险干预路径包括提示处方,且在风险因素所属类别为生活方式类的情况下,路径确定子模块包括生成单元,生成单元用于基于风险因素,生成问卷评估文档,且问卷评估文档包括固定项和变动项,且固定项的属性值基于目标对象的身份信息分析得到;路径确定子模块包括计算单元,计算单元用于基于固定项的属性值和目标对象对问卷评估文档中变动项反馈的属性值,计算得到目标对象的反馈分值;路径确定子模块包括第一选择单元,第一选择单元用于基于反馈分值和目标对象的风险因素,选择至少一个预设提示处方作为目标对象的提示处方。
因此,通过风险因素,生成问卷评估文档,进而获取目标对象当前的若干健康状况和生活习惯,有助于提高与目标对象身心健康相关的各维度数据的准确性,再基于问卷评估文档的反馈结果,选择目标对象的提示处方,进而提高选择到的提示处方的准确性。
在一些公开实施例中,风险干预路径包括预警处方,且在风险因素所属类别为非生活方式类的情况下,路径确定子模块包括第二选择单元,第二选择单元用于基于目标对象的风险因素,选择至少一个预设预警处方作为目标对象的预警处方。
因此,通过确定风险因素所属类别为非生活方式类之后,通过确定目标对象的预警处方,有助于提示目标对象及时进行就医,尽可能地降低风险状况的发生,进而提升健康管理路径的实用性。
在一些公开实施例中,匹配模块32包括第二提取子模块,第二提取子模块用于从第二知识库提取第二标签;匹配模块32包括相似度量子模块,相似度量子模块用于响应于第二标签与从个人画像提取到的画像标签含义相同,对第二标签的标签值和画像标签的标签值进行相似度量,得到第二标签的第二分值;匹配模块32包括对比选择子模块,对比选择子模块用于基于各第二标签的第二分值分别与第二阈值之间的大小关系,选择第二标签作为第二目标标签;匹配模块32还包括内容映射子模块,内容映射子模块用于基于第二目标标签,映射得到目标对象的科普内容。
因此,通过基于第二标签与画像标签含义相同时,对第二标签的标签值与画像标签的标签值进行相似度量,有助于提高度量的准确性,进而提高获取目标对象的科普内容的准确性,提升目标对象的使用体验。
在一些公开实施例中,生成模块31包括定义子模块,定义子模块用于定义具有层级关系的若干画像标签;生成模块31包括映射子模块,映射子模块用于基于各维度数据,分别对若干画像标签进行数值映射,确定各画像标签的标签值;生成模块31还包括确定子模块,确定子模块用于基于各画像标签及其标签值,得到目标对象的个人画像。
因此,通过先定义画像标签,再对画像标签值进行映射,有助于提高个人画像的可读性,并且由于对画像标签进行映射,最终确定画像标签的标签值,进而提高了个人画像的准确性。
在一些公开实施例中,若干画像标签具有粒度由粗到细的三个层级,定义子模块包括获取单元,获取单元用于获取第一层级画像标签,且第一层级画像标签在若干粗粒度定义目标对象,且若干粗粒度包括:基本信息、治疗处置、身心情况中至少一者;定义子模块还包括映射单元,映射单元用于基于第一层级画像标签,映射得到表征主体粒度的第二层级画像标签,并基于第二层级画像标签,映射得到表征属性粒度的第三层级画像标签,且第三层级画像标签基于第二层级画像标签关联得到。
因此,通过定义具有层级关系的若干画像标签,可以基于各层级画像标签之间的关系,更加了解个人情况,有助于提高健康路径诊断推荐的准确性。
在一些公开实施例中,健康路径推荐装置30包括获取模块,获取模块用于获取与目标对象身心健康相关的各维度数据的更新情况;健康路径推荐装置30还包括更新模块,更新模块用于响应于更新情况满足预设条件,基于更新后的各维度数据,重新执行基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像的步骤以及后续步骤。
因此,通过数据的更新情况,对目标对象的个人画像进行更新,进而重新确定目标对象的健康路径推荐结果,有助于提高健康路径推荐结果的准确性。
请参阅图4,图4是本申请电子设备一实施例的框架示意图。电子设备40包括相互耦接的存储器41和处理器42,存储器41中存储有程序指令,处理器42用于执行程序指令以实现上述任一健康路径推荐方法实施例中的步骤。具体地,电子设备40可以包括但不限于:台式计算机、笔记本电脑、服务器、手机、平板电脑等等,在此不做限定。
具体而言,处理器42用于控制其自身以及存储器41以实现上述任一健康路径推荐方法实施例中的步骤。处理器42还可以称为CPU(Central Processing Unit,中央处理单元)。处理器42可能是一种集成电路芯片,具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,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。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。另外,处理器42可以由集成电路芯片共同实现。
上述方案,一方面通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像,有助于更加快速地了解目标对象,提高服务转化率,另一方面通过基于个人画像分别与疾病医学相关的第一知识库、科普宣教相关的第二知识库进行匹配,进而得到目标对象的风险干预路径和健康管理路径,最终确定目标对象的健康路径推荐结果,在此过程中,通过个人画像与不同知识库进行匹配,尽可能地避免由于单一匹配导致的不准确性,进而能够提高健康路径推荐结果的准确率。
请参阅图5,图5是本申请计算机可读存储介质一实施例的框架示意图。计算机可读存储介质50存储有能够被处理器运行的程序指令51,程序指令51用于实现上述任一健康路径推荐方法实施例中的步骤。
上述方案,一方面通过基于与目标对象身心健康相关的各维度数据,生成目标对象的个人画像,有助于更加快速地了解目标对象,提高服务转化率,另一方面通过基于个人画像分别与疾病医学相关的第一知识库、科普宣教相关的第二知识库进行匹配,进而得到目标对象的风险干预路径和健康管理路径,最终确定目标对象的健康路径推荐结果,在此过程中,通过个人画像与不同知识库进行匹配,尽可能地避免由于单一匹配导致的不准确性,进而能够提高健康路径推荐结果的准确率。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
Claims (12)
1.一种健康路径推荐方法,其特征在于,包括:
基于与目标对象身心健康相关的各维度数据,生成所述目标对象的个人画像;
基于所述个人画像和与疾病医学相关的第一知识库进行匹配,得到所述目标对象的风险干预路径,并基于所述个人画像和与科普宣教相关的第二知识库进行匹配,得到所述目标对象的健康管理路径;
基于所述风险干预路径和所述健康管理路径,确定所述目标对象的健康路径推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述个人画像和与疾病医学相关的第一知识库进行匹配,得到所述目标对象的风险干预路径,包括:
从所述第一知识库提取第一标签;
基于所述第一标签和从所述个人画像提取到的画像标签进行分析,得到所述目标对象的风险因素;
基于所述目标对象的风险因素,确定所述目标对象的风险干预路径。
3.根据权利要求2所述的方法,其特征在于,所述第一知识库包含各所述第一标签的标签值与所述目标对象的风险因素之间的映射关系,所述基于所述第一标签和从所述个人画像提取到的画像标签进行分析,得到所述目标对象的风险因素,包括:
响应于所述第一标签与所述画像标签含义相同,基于所述第一标签的标签值和所述画像标签的标签值进行相似度量,得到所述第一标签的第一分值;
基于各所述第一标签的第一分值分别与第一阈值之间的大小关系,选择所述第一标签作为第一目标标签;
基于所述第一目标标签,映射得到所述目标对象的风险因素。
4.根据权利要求2所述的方法,其特征在于,所述风险干预路径包括提示处方,且在所述风险因素所属类别为生活方式类的情况下,所述基于所述目标对象的风险因素,确定所述目标对象的风险干预路径,包括:
基于所述风险因素,生成问卷评估文档;其中,所述问卷评估文档包括固定项和变动项,且所述固定项的属性值基于所述目标对象的身份信息分析得到;
基于所述固定项的属性值和所述目标对象对所述问卷评估文档中所述变动项反馈的属性值,计算得到所述目标对象的反馈分值;
基于所述反馈分值和所述目标对象的风险因素,选择至少一个预设提示处方作为所述目标对象的提示处方。
5.根据权利要求2所述的方法,其特征在于,所述风险干预路径包括预警处方,且在所述风险因素所属类别为非生活方式类的情况下,所述基于所述目标对象的风险因素,确定所述目标对象的风险干预路径,包括:
基于所述目标对象的风险因素,选择至少一个预设预警处方作为所述目标对象的预警处方。
6.根据权利要求1所述的方法,其特征在于,所述健康管理路径包括科普内容;所述第二知识库包含各第二标签的标签值与科普内容之间的映射关系,所述基于所述个人画像和与科普宣教相关的第二知识库进行匹配,得到所述目标对象的健康管理路径,包括:
从所述第二知识库提取所述第二标签;
响应于所述第二标签与从所述个人画像提取到的画像标签含义相同,对所述第二标签的标签值和所述画像标签的标签值进行相似度量,得到所述第二标签的第二分值;
基于各所述第二标签的第二分值分别与第二阈值之间的大小关系,选择所述第二标签作为第二目标标签;
基于所述第二目标标签,映射得到所述目标对象的科普内容。
7.根据权利要求1所述的方法,其特征在于,所述基于与目标对象身心健康相关的各维度数据,生成所述目标对象的个人画像,包括:
定义具有层级关系的若干画像标签;
基于所述各维度数据,分别对所述若干画像标签进行数值映射,确定各所述画像标签的标签值;
基于各所述画像标签及其标签值,得到所述目标对象的个人画像。
8.根据权利要求7所述的方法,其特征在于,所述若干画像标签具有粒度由粗到细的三个层级,所述获取定义具有层级关系的若干画像标签,包括:
获取第一层级画像标签;其中,所述第一层级画像标签在若干粗粒度定义所述目标对象,且所述若干粗粒度包括:基本信息、治疗处置、身心情况中至少一者;
基于所述第一层级画像标签,映射得到表征主体粒度的第二层级画像标签,并基于所述第二层级画像标签,映射得到表征属性粒度的第三层级画像标签;其中,所述第三层级画像标签基于所述第二层级画像标签关联得到。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取与所述目标对象身心健康相关的各维度数据的更新情况;
响应于所述更新情况满足预设条件,基于更新后的各维度数据,重新执行所述基于与目标对象身心健康相关的各维度数据,生成所述目标对象的个人画像的步骤以及后续步骤。
10.一种健康路径推荐装置,其特征在于,包括:
生成模块,用于基于与目标对象身心健康相关的各维度数据,生成所述目标对象的个人画像;
匹配模块,用于基于所述个人画像和与疾病医学相关的第一知识库进行匹配,得到所述目标对象的风险干预路径,并基于所述个人画像和与科普宣教相关的第二知识库进行匹配,得到所述目标对象的健康管理路径;
确定模块,用于基于所述风险干预路径和所述健康管理路径,确定所述目标对象的健康路径推荐结果。
11.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述存储器中存储有程序指令,所述处理器用于执行所述程序指令以实现权利要求1至9任一项所述的健康路径推荐方法。
12.一种计算机可读存储介质,其特征在于,存储有能够被处理器运行的程序指令,所述程序指令用于实现权利要求1至9任一项所述的健康路径推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093495.8A CN116312926A (zh) | 2022-09-07 | 2022-09-07 | 健康路径推荐方法及相关装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093495.8A CN116312926A (zh) | 2022-09-07 | 2022-09-07 | 健康路径推荐方法及相关装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116312926A true CN116312926A (zh) | 2023-06-23 |
Family
ID=86836421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211093495.8A Pending CN116312926A (zh) | 2022-09-07 | 2022-09-07 | 健康路径推荐方法及相关装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116312926A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631640A (zh) * | 2023-07-14 | 2023-08-22 | 福州康为网络技术有限公司 | 一种孕妇的个性化需求方案的生成方法和平台 |
CN116795896A (zh) * | 2023-08-29 | 2023-09-22 | 中南大学湘雅医院 | 一种基于大数据的康复运动策略生成方法及装置 |
-
2022
- 2022-09-07 CN CN202211093495.8A patent/CN116312926A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631640A (zh) * | 2023-07-14 | 2023-08-22 | 福州康为网络技术有限公司 | 一种孕妇的个性化需求方案的生成方法和平台 |
CN116631640B (zh) * | 2023-07-14 | 2024-05-31 | 福州康为网络技术有限公司 | 一种孕妇的个性化需求方案的生成方法和平台 |
CN116795896A (zh) * | 2023-08-29 | 2023-09-22 | 中南大学湘雅医院 | 一种基于大数据的康复运动策略生成方法及装置 |
CN116795896B (zh) * | 2023-08-29 | 2023-10-27 | 中南大学湘雅医院 | 一种基于大数据的康复运动策略生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
US10846622B2 (en) | Methods and systems for an artificial intelligence support network for behavior modification | |
Cabitza et al. | Unintended consequences of machine learning in medicine | |
US8949082B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
US10067627B2 (en) | Health forecaster | |
Melas et al. | Modeling the acceptance of clinical information systems among hospital medical staff: an extended TAM model | |
US9536052B2 (en) | Clinical predictive and monitoring system and method | |
US9817946B2 (en) | Graphic representations of health-related status | |
US11948668B2 (en) | Individualized health platforms | |
US20170109477A1 (en) | System and Method for Identifying Inconsistent and/or Duplicate Data in Health Records | |
Halamka | Early experiences with big data at an academic medical center | |
US20170061102A1 (en) | Methods and systems for identifying or selecting high value patients | |
JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
US20170091391A1 (en) | Patient Protected Information De-Identification System and Method | |
CN116312926A (zh) | 健康路径推荐方法及相关装置、电子设备和存储介质 | |
Al-Ramahi et al. | Discovering design principles for health behavioral change support systems: A text mining approach | |
US20220358409A1 (en) | Methods and systems for generating a supplement instruction set using artificial intelligence | |
Matney et al. | Standardizing physiologic assessment data to enable big data analytics | |
WO2012090226A2 (en) | Computer implemented system and method for measuring individual wellness index | |
Britt et al. | General practice activity in Australia | |
JP2016018224A (ja) | 健康状態予測診断利用サービスシステム | |
Bellandi et al. | A methodology to engineering continuous monitoring of intrinsic capacity for elderly people | |
Simpson et al. | Health risk appraisals with aging adults: an integrative review | |
US20210133627A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
US11594333B2 (en) | Device and methods of calculating a therapeutic remedy result |
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 |