CN116313019B - 一种基于人工智能的医疗护理数据处理方法及系统 - Google Patents
一种基于人工智能的医疗护理数据处理方法及系统 Download PDFInfo
- Publication number
- CN116313019B CN116313019B CN202310565788.XA CN202310565788A CN116313019B CN 116313019 B CN116313019 B CN 116313019B CN 202310565788 A CN202310565788 A CN 202310565788A CN 116313019 B CN116313019 B CN 116313019B
- Authority
- CN
- China
- Prior art keywords
- medical care
- data
- value
- medical
- care
- 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
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 102
- 230000000474 nursing effect Effects 0.000 claims abstract description 84
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 90
- 238000004422 calculation algorithm Methods 0.000 claims description 75
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000005548 health behavior Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000015946 suckling behavior Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能技术领域，揭露了一种基于人工智能的医疗护理数据处理方法及系统，包括：对医疗护理数据进行数据增强处理，得到增强医疗护理数据；对每个医疗护理阶段的增强医疗护理数据进行数据融合，得到融合医疗护理数据；提取融合医疗护理数据的融合特征，根据融合特征对融合医疗护理数据进行分类，得到分类护理数据；提取分类护理数据的分类特征，根据分类特征及医疗护理阶段对医疗护理数据进行护理评估，得到医疗护理评分值；根据医疗护理评分值及医疗护理阶段生成可视化医疗护理数据，根据可视化医疗护理数据生成医疗护理数据对应的医疗护理策略。本发明可以提高医疗护理数据处理时的准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的医疗护理数据处理方法及系统。
背景技术
随着电子病历信息建设的不断深入，依托大数据、人工智能技术提升专业照护服务效率和质量成为健康医疗领域日益关注的焦点，但为了提升医疗护理过程的护理质量，需要对不断增加的医疗护理数据进行分析处理，挖掘出医疗护理数据中有质量的医疗数据，以生成医疗护理策略。
现有的医疗护理数据处理方法是通过数据仓库将全部的医疗护理数据进行数据分析处理，进而生成医疗护理策略。实际应用中，对全部医疗护理数据进行分析，可能导致处理较为复杂，不能准确的对医疗护理数据进行分类，从而使进行医疗护理数据处理时的准确度较低。
发明内容
本发明提供一种基于人工智能的医疗护理数据处理方法及系统，其主要目的在于解决进行医疗护理数据处理时的准确度较低的问题。
为实现上述目的，本发明提供的一种基于人工智能的医疗护理数据处理方法，包括：
S1、获取医疗护理阶段的医疗护理数据，利用预设的数据增强算法对所述医疗护理数据进行数据增强处理，得到增强医疗护理数据；
S2、利用预设的数据融合算法对每个医疗护理阶段的所述增强医疗护理数据进行数据融合，得到融合医疗护理数据；
S3、利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征，利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据；
S4、利用预设的数据特征提取算法提取所述分类护理数据的分类特征，利用预设的护理评估算法根据所述分类特征及所述医疗护理阶段对所述医疗护理数据进行护理评估，得到医疗护理评分值；
S5、根据所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，其中所述根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，包括：
S51、利用预设的优化值算法计算所述可视化医疗护理数据的优化值，其中所述优化值算法为：
；
其中，为第/>个医疗护理阶段的优化值，/>为优化修正因子，/>为医疗护理阶段标识，/>为第/>个医疗护理阶段的医疗护理评分值，/>为医疗护理阶段的数量，/>为指数常数，/>为医疗护理数据的变化数；
S52、根据所述优化值及所述医疗护理数据对每个医疗护理阶段的初始护理阶段策略进行优化，得到优化护理阶段策略；
S53、汇集所述优化护理阶段策略为所述医疗护理策略。
可选地，所述利用预设的数据增强算法对所述医疗护理数据进行数据增强处理，得到增强医疗护理数据，包括：
对所述医疗护理数据进行缺失值处理，得到第一医疗护理数据；
对所述第一医疗护理数据进行异常值检测，得到第二医疗护理数据；
对所述第二医疗护理数据进行归一化处理，得到归一化医疗护理数据；
对所述归一化医疗护理数据进行数据格式转换，得到增强医疗护理数据。
可选地，所述对所述第一医疗护理数据进行异常值检测，得到第二医疗护理数据，包括：
将所述第一医疗护理数据进行序列化，得到序列医疗护理数据；
利用如下的误差值计算公式计算所述序列医疗护理数据中的误差值：
；
其中，为所述序列医疗护理数据中第/>个医疗护理数据的误差值，/>为所述序列医疗护理数据中第/>个医疗护理数据的真实值，/>为所有医疗护理数据的均值，/>为医疗数据距离因子，/>为所有医疗护理数据的方差；
当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据进行删除，得到第二医疗护理数据。
可选地，所述利用预设的数据融合算法对每个医疗护理阶段的所述增强医疗护理数据进行数据融合，得到融合医疗护理数据，包括：
将每个医疗护理阶段的所述增强医疗护理数据生成医疗护理子树；
利用预设的节点权值计算公式计算每个所述医疗护理子树的根节点的权值，其中所述节点权值计算公式为：
；
其中，为第/>个医疗护理子树的根节点的权值，/>为第/>个医疗护理子树的距离因子，/>为第/>个医疗护理子树的根节点的能量值，/>为所有医疗护理子树的平均能量值，/>为能量修正因子；
利用所述数据融合算法选取所述权值中最大的医疗护理子树与预设的主根节点进行融合，得到融合医疗护理树；
当存在所述医疗护理子树未被选取时，返回至所述利用所述数据融合算法选取所述权值中最大的医疗护理子树预设的主根节点进行融合，得到融合医疗护理树的步骤，直至所述医疗护理子树均被选取，将所述融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据。
可选地，所述利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征，包括：
根据每个医疗护理阶段将所述融合医疗护理数据进行向量转换，得到融合医疗护理向量；
将所述融合医疗护理向量进行向量统一化，得到统一化医疗护理向量；
利用所述数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征，其中所述数据特征提取算法为：
；
其中，为所述融合特征，/>为第/>个医疗护理阶段的统一化医疗护理向量。
可选地，在所述利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据之前，还包括：
获取待训练医疗护理数据集，利用预设的标准决策树对所述待训练医疗护理数据集进行训练，得到医疗护理得分集；
根据所述医疗护理得分集及预设的损失函数计算所述标准决策树的损失值；
根据所述损失值对所述标准决策树进行优化，得到优化决策树，直至所述损失值小于预设的损失阈值时，将所述优化决策树作为所述护理分类模型。
可选地，所述利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据，包括：
逐一将所述融合特征中的统一化医疗向量与所述护理分类模型中的护理分类向量进行对比，得到对比向量集；
根据所述对比向量集选取概率最大的护理分类向量作为融合分类护理向量；
汇集所述融合分类护理向量为分类护理数据。
可选地，所述利用预设的护理评估算法根据所述分类特征及所述医疗护理阶段对所述医疗护理数据进行护理评估，得到医疗护理评分值，包括：
获取所述医疗护理数据的护理评估的历史评分值；
利用预设的层次分析法确定所述分类特征的第一权重，利用所述层次分析法确定所述医疗护理阶段的第二权重；
利用所述护理评估算法根据所述历史评分值、所述第一权重及所述第二权重计算所述医疗护理评分值，其中所述护理评估算法为：
；
其中，为第/>个医疗护理阶段的医疗护理评分值，/>为所述历史评分值，/>为第/>个分类特征的第一权重，/>为第/>个医疗护理阶段的第二权重，/>为分类特征的数量，/>为医疗护理阶段的数量，/>为置信度，/>为指数常数，/>为时间衰减因子，/>为实时时间戳，/>为评分时间戳。
可选地，所述根据所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，包括：
根据所述医疗护理阶段及所述医疗护理评分值生成二维对应关系；
根据所述二维对应关系生成医疗护理二维图；
将所述医疗护理二维图转换为所述可视化医疗护理数据。
为了解决上述问题，本发明还提供一种基于人工智能的医疗护理数据处理系统，所述系统包括：
数据增强模块，用于获取医疗护理阶段的医疗护理数据，利用预设的数据增强算法对所述医疗护理数据进行数据增强处理，得到增强医疗护理数据；
数据融合模块，用于利用预设的数据融合算法对每个医疗护理阶段的所述增强医疗护理数据进行数据融合，得到融合医疗护理数据；
数据分类模块，用于利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征，利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据；
评分值计算模块，用于利用预设的数据特征提取算法提取所述分类护理数据的分类特征，利用预设的护理评估算法根据所述分类特征及所述医疗护理阶段对所述医疗护理数据进行护理评估，得到医疗护理评分值；
医疗护理策略生成模块，用于根据所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略。
本发明实施例通过对医疗护理数据进行数据增强，有利于提高医疗护理数据的质量，方便后续更容易进行医疗护理数据的挖掘；进而根据增强医疗护理数据进行数据融合，以使更准确的实现对每个医疗护理数据在护理过程中的精确评分；利用预先构建的护理分类模型根据融合医疗护理数据的融合特征进行护理数据分类，得到分类护理数据，进而根据分类护理数据对医疗护理数据进行护理评估，得到每个医疗护理阶段的医疗护理评分值，并将医疗护理评分值及对应的医疗护理阶段生成可视化医疗护理数据，可以更直观的展示医疗护理数据所带来的护理效果，以便根据护理效果对护理过程做出更好的改善；进而根据可视化医疗护理数据生成医疗护理策略，便于根据医疗护理策略完成对患者更为高质量的护理。因此本发明提出的基于人工智能的医疗护理数据处理方法及系统，可以解决进行医疗护理数据处理时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于人工智能的医疗护理数据处理方法的流程示意图；
图2为本发明一实施例提供的数据增强的流程示意图；
图3为本发明一实施例提供的数据融合的流程示意图；
图4为本发明一实施例提供的基于人工智能的医疗护理数据处理系统的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于人工智能的医疗护理数据处理方法。所述基于人工智能的医疗护理数据处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的医疗护理数据处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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(ContentDelivery Network，CDN)、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。
参照图1所示，为本发明一实施例提供的基于人工智能的医疗护理数据处理方法的流程示意图。在本实施例中，所述基于人工智能的医疗护理数据处理方法包括：
S1、获取医疗护理阶段的医疗护理数据，利用预设的数据增强算法对所述医疗护理数据进行数据增强处理，得到增强医疗护理数据。
本发明实施例中，所述医疗护理数据是指在不同的护理阶段产生的护理数据，包括护理评估类数据、护理诊断类数据、护理计划类数据、护理措施类数据、护理活动类数据等，如护理评估类数据中评估属性包括评估类名称、大类、功能最小分级、目录、数量等；护理计划类数据中包括患者ID、护理分级、科室、护理评估、护理敏感性结局（结局指标、基线得分、实施护理措施及活动后得分）。
详细地，可利用具有数据抓取功能的计算机语句（如java语句、python语句等）从预先确定的存储区域抓取存储的医疗护理数据，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
进一步地，为了提高医疗护理数据的质量，保证医疗护理数据在后续能更加容易地进行数据挖掘，因此，需要对医疗护理数据进行数据增强处理，从而提高医疗护理数据的质量。
本发明实施例中，所述数据增强算法包括数据缺失值处理、数据异常值的检测、数据归一化操作、数据格式的转换，以提高医疗护理数据的数据质量。
本发明实施例中，参图2所示，所述利用预设的数据增强算法对所述医疗护理数据进行数据增强处理，得到增强医疗护理数据，包括：
S21、对所述医疗护理数据进行缺失值处理，得到第一医疗护理数据；
S22、对所述第一医疗护理数据进行异常值检测，得到第二医疗护理数据；
S23、对所述第二医疗护理数据进行归一化处理，得到归一化医疗护理数据；
S24、对所述归一化医疗护理数据进行数据格式转换，得到增强医疗护理数据。
详细地，缺失值是数据集中一种常见的不完整的一种典型，缺失值不能用来做比较、分类和算数，所以，要删除掉或者补充医疗护理数据中的缺失值，得到第一医疗护理数据，则第一医疗护理数据是指将医疗护理数据中的缺失值删除掉所得到的，其中可通过的数据来表示缺失、统计信息、预测属性值和分配所有的可能值以补充医疗护理数据中的缺失值。
具体地，在对医疗护理数据进行缺失值处理后，得到第一医疗护理数据，而在第一医疗护理数据中还存在异常值，因此，需要对异常值进行检测，以消除第一医疗护理数据中的异常值，得到第二医疗护理数据。
本发明实施例中，所述对所述第一医疗护理数据进行异常值检测，得到第二医疗护理数据，包括：
将所述第一医疗护理数据进行序列化，得到序列医疗护理数据；
利用如下的误差值计算公式计算所述序列医疗护理数据中的误差值：
；
其中，为所述序列医疗护理数据中第/>个医疗护理数据的误差值，/>为所述序列医疗护理数据中第/>个医疗护理数据的真实值，/>为所有医疗护理数据的均值，/>为医疗数据距离因子，/>为所有医疗护理数据的方差；
当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据进行删除，得到第二医疗护理数据。
详细地，将所述第一医疗护理数据中每个护理数据进行序列化，可得到序列医疗护理数据,而序列医疗护理数据中每个医疗护理数据进行量化之后得到的医疗护理数据的真实值，进而利用误差值计算公式将医疗护理数据的真实值与所有医疗护理数据的均值进行计算，得到每个医疗护理数据的误差值，其中所述误差值计算公式中的医疗数据距离因子/>是选取医疗护理数据中距离值最小的值作为医疗数据距离因子，进而将医疗数据距离因子与医疗护理数据的方差进行相减，可以进一步提高医疗护理数据误差值计算的准确性，使序列医疗护理数据中的误差值更加具有真实性。
具体地，当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据中的护理数据进行删除，得到第二医疗护理数据。在第二医疗护理数据中不同的属性用的单位制也不同，它们的平均值就会有差距也会有误差，造成数值上会有较大差异，因此，需要将第二医疗护理数据进行归一化，降低数据误差率，得到归一化医疗护理数据，而在归一化医疗护理数据中数据表示不同的形式，有的数据分类，有的数据不分类，也会导致数据质量较低，因此，需要将归一化医疗护理数据中的数据格式进行统一的转换，以得到增强医疗护理数据。
进一步地，对医疗护理数据进行数据增强，以提高医疗护理数据的数据质量，但为了更准确的对后续护理阶段的评估，需要将医疗护理数据进行融合，进而增强数据的多样性。
S2、利用预设的数据融合算法对每个医疗护理阶段的所述增强医疗护理数据进行数据融合，得到融合医疗护理数据。
本发明实施例中，所述融合医疗护理数据是指将每个医疗护理阶段产生的医疗护理数据进行融合，形成一个医疗护理数据集，其中医疗护理阶段包括护理评估阶段、护理诊断阶段、护理计划阶段、护理措施阶段、护理活动阶段，而医疗护理数据集是将每个医疗护理阶段的护理数据进行融合。
本发明实施例中，参图3所示，所述利用预设的数据融合算法对每个医疗护理阶段的所述增强医疗护理数据进行数据融合，得到融合医疗护理数据，包括：
S31、将每个医疗护理阶段的所述增强医疗护理数据生成医疗护理子树；
S32、利用预设的节点权值计算公式计算每个所述医疗护理子树的根节点的权值，其中所述节点权值计算公式为：
；
其中，为第/>个医疗护理子树的根节点的权值，/>为第/>个医疗护理子树的距离因子，/>为第/>个医疗护理子树的根节点的能量值，/>为所有医疗护理子树的平均能量值，/>为能量修正因子；
S33、利用所述数据融合算法选取所述权值中最大的医疗护理子树与预设的主根节点进行融合，得到融合医疗护理树；
S34、当存在所述医疗护理子树未被选取时，返回至所述利用所述数据融合算法选取所述权值中最大的医疗护理子树预设的主根节点进行融合，得到融合医疗护理树的步骤，直至所述医疗护理子树均被选取，将所述融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据。
详细地，将所述增强医疗护理数据按照每个医疗护理阶段进行划分，得到每个医疗护理阶段对应的增强医疗护理数据，将每个医疗护理阶段中具有的数据属性生成多个医疗护理子树，进而根据阶段权重计算公式计算每个医疗护理子树的根节点的权值，其中所述节点权重计算公式中的是每个医疗护理子树根节点的能量值，则能量值是将医疗护理子树中每个数据属性的量化值的平均值作为医疗护理子树中根节点的能量值，/>为能量修正因子是指在医疗护理子树根节点的能量值存在异常值，如数据属性的量化值为负值或者为零时，得到的能量值存在异常值，需要使用能量修正因子对能量值进行修正，一般能量修正因子取值为0.5，而医疗护理子树的距离因子/>是将每个医疗护理子树的路径进行路径条数的均值，作为每个医疗护理子树的距离因子。
具体地，所述数据融合算法是指采用层次结构的数据融合，基于拓扑结构的数据融合算法是将每个医疗护理树分为若干个子树区域，每个子树区域有自己的根节点，可以用于连续性的数据监测问题，提高了数据融合的效率。则通过所述数据融合算法选取医疗护理子树中根节点权重最大的医疗护理子树首先进行融合，得到第一融合医疗护理树，再将根节点权重次大的医疗护理子树进行融合，直至所有的医疗护理子树均被选取，得到融合医疗护理树，进而将融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据。
进一步地，根据所述融合医疗护理数据对所有的医疗护理数据进行分类，以实现对每个医疗护理数据的精确评分。
S3、利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征，利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据。
本发明实施例中，所述融合特征是指融合医疗护理数据用向量表示，其融合特征，进而根据融合特征可以构建护理分类模型，对融合医疗护理数据进行分类。
本发明实施例中，所述利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征，包括：
根据每个医疗护理阶段将所述融合医疗护理数据进行向量转换，得到融合医疗护理向量；
将所述融合医疗护理向量进行向量统一化，得到统一化医疗护理向量；
利用所述数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征，其中所述数据特征提取算法为：
；
其中，为所述融合特征，/>为第/>个医疗护理阶段的统一化医疗护理向量。
详细地，按照每个医疗护理阶段所对应的融合医疗护理数据进行向量转换，其中可通过预设的向量转换模型对所述融合医疗护理数据进行向量转换，得到融合医疗护理向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。
具体地，所述融合医疗护理向量可能存在长度不统一，为了便于后续对于融合医疗护理向量的使用，需要将融合医疗护理向量进行统一化，得到统一化医疗护理向量，如融合医疗护理向量中向量A为{3,8,16}，向量B为{6，18}，则向量A与向量B的维度不同，因此将向量B扩展为{6,18,0}，以使向量A与向量B的维度相同，得到统一化医疗护理向量，进而根据数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征。
进一步地，通过所述融合特征将所述融合医疗护理数据进行分类，从而确定融合医疗护理数据所属的类别，进而根据医疗护理数据对医疗护理过程进行评分，从而在护理过程中做出更好的改善。
本发明实施例中，在对医疗护理数据进行分类之前，需要预先构建护理分类模型，以实现对医疗数据所属类别的分类，其中所述护理分类模型是基于决策树模型构建的，通过决策树对医疗护理数据集进行训练，从而训练出护理分类模型，用于对医疗护理数据的准确分类。
本发明实施例中，在所述利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据之前，还包括：
获取待训练医疗护理数据集，利用预设的标准决策树对所述待训练医疗护理数据集进行训练，得到医疗护理得分集；
根据所述医疗护理得分集及预设的损失函数计算所述标准决策树的损失值；
根据所述损失值对所述标准决策树进行优化，得到优化决策树，直至所述损失值小于预设的损失阈值时，将所述优化决策树作为所述护理分类模型。
详细地，所述待训练医疗护理数据集是从大量数据集中的提取的，包括电子病历、药品信息、放射学信息、设备传感等产生的数据，其中可利用具有数据抓取功能的计算机语句（如java语句、python语句等）从预先确定的存储区域抓取存储的待训练医疗护理数据集，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
具体地，通过预设的标准决策树对待训练医疗护理数据集进行训练，即通过标准决策树对待训练医疗护理数据集进行训练分类，得到每个类别的医疗护理得分集，进而根据医疗护理得分集及预设的损失函数计算所述标准决策树的损失值，进而根据损失值对标准决策树不断进行优化，直至损失值小于预设的损失阈值时，将优化决策树作为所述护理分类模型，其中所述损失函数包括但不限于均方误差损失函数、交叉熵损失函数。
进一步地，根据所述护理分类模型实现对融合医疗护理数据的分类，以更好的评估每个分类护理数据在护理过程中的重要性。
本发明实施例中，所述分类护理数据包括生理数据、心理数据、功能数据及健康行为数据，则生理数据包括肠/胃、呼吸、代谢、皮肤完整性等；心理数据包括认知、角色关系、自我概念等；功能数据包括活动、体液容积、营养、感官等；健康行为数据包括药物、安全、健康行为等。
本发明实施例中，所述利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据，包括：
逐一将所述融合特征中的统一化医疗向量与所述护理分类模型中的护理分类向量进行对比，得到对比向量集；
根据所述对比向量集选取概率最大的护理分类向量作为融合分类护理向量；
汇集所述融合分类护理向量为分类护理数据。
详细地，逐一将每个医疗护理阶段的融合特征中的统一化医疗向量与护理分类模型中的分类之后的护理分类向量进行相比，得到对比向量集，如第一个医疗护理阶段的融合特征为，而护理分类模型中进行分类之后的护理分类向量集为/>，而每个护理分类向量对应的分类概率为/>，则将融合特征/>与护理分类向量集/>逐一进行比较，则所述对比向量集为/>，若/>对应的/>分类概率最大，则选取护理分类向量/>作为融合分类护理向量，以此类推，将融合特征/>、/>、/>逐一与护理分类向量集/>进行比较，可得到不同的融合分类护理向量，若/>对应的/>分类概率最大，则选取护理分类向量/>作为融合分类护理向量，则汇集/>与/>为一个分类护理数据。
进一步地，通过所述分类护理数据对每个医疗护理过程进行评估，从而根据医疗护理数据确定医疗护理行为的可行性。
S4、利用预设的数据特征提取算法提取所述分类护理数据的分类特征，利用预设的护理评估算法根据所述分类特征及所述医疗护理阶段对所述医疗护理数据进行护理评估，得到医疗护理评分值。
本发明实施例中，所述分类特征是指分类护理数据用向量表示，进而根据分类特征进行护理评估，确定医疗护理行为的可行性及改善护理措施。
详细地，所述利用预设的数据特征提取算法提取所述分类护理数据的分类特征与S3中利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征步骤一致，在此不再赘述。
进一步地，利用所述护理评估算法对医疗护理阶段产生的护理数据进行评估，以确定医疗护理行为的可行性。
本发明实施例中，所述利用预设的护理评估算法根据所述分类特征及所述医疗护理阶段对所述医疗护理数据进行护理评估，得到医疗护理评分值，包括：
获取所述医疗护理数据的护理评估的历史评分值；
利用预设的层次分析法确定所述分类特征的第一权重，利用所述层次分析法确定所述医疗护理阶段的第二权重；
利用所述护理评估算法根据所述历史评分值、所述第一权重及所述第二权重计算所述医疗护理评分值，其中所述护理评估算法为：
；
其中，为第/>个医疗护理阶段的医疗护理评分值，/>为所述历史评分值，/>为第/>个分类特征的第一权重，/>为第/>个医疗护理阶段的第二权重，/>为分类特征的数量，/>为医疗护理阶段的数量，/>为置信度，/>为指数常数，/>为时间衰减因子，/>为实时时间戳，/>为评分时间戳。
详细地，所述历史评分值是针对医疗护理数据的护理评估所作出的之前评分值，其中历史评分值是人为自定义评分，不具有准确性，可通过数据抓取功能的计算机语句获取历史评分值。利用所述层次分析法确定分类特征的第一权重，以及确定医疗护理阶段的第二权重，则所述层次分析法是一种应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层（供决策的方案、措施等）相对于最高层（总目标）的相对重要权值的确定或相对优劣次序的排定，则所述分类特征通过分类准确率、分类误差率等指标自定义确定其分类特征的第一权重；以及所述医疗护理阶段通过护理阶段的护理成效、护理满意度、护理患者生命特征等指标自定义确定其医疗护理阶段的第二权重。
具体地，所述护理评估算法中的置信度是通过分类特征权重的均值与医疗护理阶段权重的均值进行平均之后所得到的，用来减少分类特征权重与医疗护理阶段权重的误差，保证计算的准确性，时间衰减因子/>是表示在医疗护理评分的过程中医疗护理数据可能是不断增加的，则时间衰减因子是防止在数据增加特别多的情况下，可以适当控制数据的增长，以提高数据处理的效率；实时时间戳/>是指当前时间戳下的医疗护理数据量，评分时间戳/>是在当前医疗护理数据数据量下进行护理数据评分的时间点，假设在评分时间戳下医疗护理数据是不再增加的，从而得到当前时间戳下的医疗护理评分值，因此，根据所述护理评估算法可以在医疗护理数据不断增加的过程中更为准确的确定医疗护理阶段的医疗护理评分值，保证医疗护理评分值的真实性。
进一步地，为了更直观的观察医疗护理数据所产生的护理效果，需要将所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，以进行更直观的效果展示。
S5、根据所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略。
本发明实施例中，所述可视化医疗护理数据所述医疗护理阶段及所述医疗护理评分值的图表展示，能够直观的展示医疗护理数据所带来的护理效果，以对护理效果做出更好的改善。
本发明实施例中，所述根据所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，包括：
根据所述医疗护理阶段及所述医疗护理评分值生成二维对应关系；
根据所述二维对应关系生成医疗护理二维图；
将所述医疗护理二维图转换为所述可视化医疗护理数据。
详细地，所述二维对应关系是指每个医疗护理阶段与所述医疗护理评分值的对应关系，即第一个医疗护理阶段对应医疗护理评分值中的第一个评分值，第二个医疗护理阶段对应医疗护理评分值中的第二个评分值等，进而根据二维对应关系生成医疗护理阶段与医疗护理评分值相对应的医疗护理二维折线图，通过所述医疗护理二维图即可作为可视化医疗护理数据。
进一步地，复杂的数据通过图形化的手段进行有效表达，准确高效、简洁全面地传递某种信息，甚至可以发现某种规律和特征，挖掘数据背后的价值，因此，可以根据可视化医疗护理生成更有针对性的医疗护理策略，帮助患者进行更好的医疗护理。
本发明实施例中，所述医疗护理策略是针对不同患者的特点和病况，对患者在医疗过程中护理措施，以提高护理质量。
本发明实施例中，所述根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，包括：
利用预设的优化值算法计算所述可视化医疗护理数据的优化值，其中所述优化值算法为：
；
其中，为第/>个医疗护理阶段的优化值，/>为优化修正因子，/>为医疗护理阶段标识，/>为第/>个医疗护理阶段的医疗护理评分值，/>为医疗护理阶段的数量，/>为指数常数，/>为医疗护理数据的变化数；
根据所述优化值及所述医疗护理数据对每个医疗护理阶段的初始护理阶段策略进行优化，得到优化护理阶段策略；
汇集所述优化护理阶段策略为所述医疗护理策略。
详细地，根据所述可视化医疗护理数据中每个医疗护理阶段的医疗护理评分值，确定每个医疗护理阶段可以根据医疗护理评分值进行优化的优化值，其中所述优化值算法中优化修正因子是防止根据医疗护理评分值进行优化值计算的过程中，出现优化值为零时或者为负值时做出的修正，可根据实际情况进行自定义设置；/>为医疗护理数据的变化数是指医疗护理数据是可以不断增加或者是减少的，根据设定时间区间确定医疗护理数据的变化数，因此，根据所述优化值算法可以更加准确的计算每个医疗护理阶段的优化值。
具体地，根据所述优化值及所述医疗护理数据重新对每个医疗护理阶段的初始护理阶段策略进行优化，直至优化之后的医疗护理评分值大于所述优化值，得到优化护理阶段策略，将所有医疗护理阶段的优化护理阶段策略进行汇集，得到整体的医疗护理策略，进而根据医疗护理策略完成对患者更为高质量的护理。其中所述初始护理阶段是根据初始情况进行自定义设定的。
本发明实施例通过对医疗护理数据进行数据增强，有利于提高医疗护理数据的质量，方便后续更容易进行医疗护理数据的挖掘；进而根据增强医疗护理数据进行数据融合，以使更准确的实现对每个医疗护理数据在护理过程中的精确评分；利用预先构建的护理分类模型根据融合医疗护理数据的融合特征进行护理数据分类，得到分类护理数据，进而根据分类护理数据对医疗护理数据进行护理评估，得到每个医疗护理阶段的医疗护理评分值，并将医疗护理评分值及对应的医疗护理阶段生成可视化医疗护理数据，可以更直观的展示医疗护理数据所带来的护理效果，以便根据护理效果对护理过程做出更好的改善；进而根据可视化医疗护理数据生成医疗护理策略，便于根据医疗护理策略完成对患者更为高质量的护理。因此本发明提出的基于人工智能的医疗护理数据处理方法及系统，可以解决进行医疗护理数据处理时的准确度较低的问题。
如图4所示，是本发明一实施例提供的基于人工智能的医疗护理数据处理系统的功能模块图。
本发明所述基于人工智能的医疗护理数据处理系统100可以安装于电子设备中。根据实现的功能，所述基于人工智能的医疗护理数据处理系统100可以包括数据增强模块101、数据融合模块102、数据分类模块103、评分值计算模块104及医疗护理策略生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据增强模块101，用于获取医疗护理阶段的医疗护理数据，利用预设的数据增强算法对所述医疗护理数据进行数据增强处理，得到增强医疗护理数据；
所述数据融合模块102，用于利用预设的数据融合算法对每个医疗护理阶段的所述增强医疗护理数据进行数据融合，得到融合医疗护理数据；
所述数据分类模块103，用于利用预设的数据特征提取算法提取所述融合医疗护理数据的融合特征，利用预先构建的护理分类模型根据所述融合特征对所述融合医疗护理数据进行分类，得到分类护理数据；
所述评分值计算模块104，用于利用预设的数据特征提取算法提取所述分类护理数据的分类特征，利用预设的护理评估算法根据所述分类特征及所述医疗护理阶段对所述医疗护理数据进行护理评估，得到医疗护理评分值；
所述医疗护理策略生成模块105，用于根据所述医疗护理评分值及所述医疗护理阶段生成可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略。
详细地，本发明实施例中所述基于人工智能的医疗护理数据处理系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于人工智能的医疗护理数据处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)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、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (2)
1.一种基于人工智能的医疗护理数据处理方法，其特征在于，所述方法包括：
S1、获取医疗护理阶段的医疗护理数据，对所述医疗护理数据进行缺失值处理，得到第一医疗护理数据，将所述第一医疗护理数据进行序列化，得到序列医疗护理数据，利用如下的误差值计算公式计算所述序列医疗护理数据中的误差值：
；
其中，为所述序列医疗护理数据中第/>个医疗护理数据的误差值，/>为所述序列医疗护理数据中第/>个医疗护理数据的真实值，/>为所有医疗护理数据的均值，/>为医疗数据距离因子，/>为所有医疗护理数据的方差，当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据进行删除，得到第二医疗护理数据，对所述第二医疗护理数据进行归一化处理，得到归一化医疗护理数据，对所述归一化医疗护理数据进行数据格式转换，得到增强医疗护理数据；
S2、将每个医疗护理阶段的所述增强医疗护理数据生成医疗护理子树，利用预设的节点权值计算公式计算每个所述医疗护理子树的根节点的权值，其中所述节点权值计算公式为：
；
其中，为第/>个医疗护理子树的根节点的权值，/>为第/>个医疗护理子树的距离因子，为第/>个医疗护理子树的根节点的能量值，/>为所有医疗护理子树的平均能量值，/>为能量修正因子，利用所述数据融合算法选取所述权值中最大的医疗护理子树与预设的主根节点进行融合，得到融合医疗护理树，当存在所述医疗护理子树未被选取时，返回至所述利用所述数据融合算法选取所述权值中最大的医疗护理子树预设的主根节点进行融合，得到融合医疗护理树的步骤，直至所述医疗护理子树均被选取，将所述融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据；
S3、根据每个医疗护理阶段将所述融合医疗护理数据进行向量转换，得到融合医疗护理向量，将所述融合医疗护理向量进行向量统一化，得到统一化医疗护理向量，利用所述数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征，其中所述数据特征提取算法为：
；
其中，为所述融合特征，/>为第/>个医疗护理阶段的统一化医疗护理向量，获取待训练医疗护理数据集，利用预设的标准决策树对所述待训练医疗护理数据集进行训练，得到医疗护理得分集，根据所述医疗护理得分集及预设的损失函数计算所述标准决策树的损失值，根据所述损失值对所述标准决策树进行优化，得到优化决策树，直至所述损失值小于预设的损失阈值时，将所述优化决策树作为护理分类模型，逐一将所述融合特征中的统一化医疗向量与所述护理分类模型中的护理分类向量进行对比，得到对比向量集，根据所述对比向量集选取概率最大的护理分类向量作为融合分类护理向量，汇集所述融合分类护理向量为分类护理数据；
S4、利用预设的数据特征提取算法提取所述分类护理数据的分类特征，获取所述医疗护理数据的护理评估的历史评分值，利用预设的层次分析法确定所述分类特征的第一权重，利用所述层次分析法确定所述医疗护理阶段的第二权重，利用所述护理评估算法根据所述历史评分值、所述第一权重及所述第二权重计算所述医疗护理评分值，其中所述护理评估算法为：
；
其中，为第/>个医疗护理阶段的医疗护理评分值，/>为所述历史评分值，/>为第/>个分类特征的第一权重，/>为第/>个医疗护理阶段的第二权重，/>为分类特征的数量，/>为医疗护理阶段的数量，/>为置信度，/>为指数常数，/>为时间衰减因子，/>为实时时间戳，/>为评分时间戳；
S5、根据所述医疗护理阶段及所述医疗护理评分值生成二维对应关系，根据所述二维对应关系生成医疗护理二维图，将所述医疗护理二维图转换为所述可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，其中所述根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，包括：
S51、利用预设的优化值算法计算所述可视化医疗护理数据的优化值，其中所述优化值算法为：
；
其中，为第/>个医疗护理阶段的优化值，/>为优化修正因子，/>为医疗护理阶段标识，为第/>个医疗护理阶段的医疗护理评分值，/>为医疗护理阶段的数量，/>为指数常数，/>为医疗护理数据的变化数；
S52、根据所述优化值及所述医疗护理数据对每个医疗护理阶段的初始护理阶段策略进行优化，得到优化护理阶段策略；
S53、汇集所述优化护理阶段策略为所述医疗护理策略。
2.一种基于人工智能的医疗护理数据处理系统，其特征在于，用于执行如权利要求1所述的基于人工智能的医疗护理数据处理方法，所述系统包括：
数据增强模块，用于获取医疗护理阶段的医疗护理数据，对所述医疗护理数据进行缺失值处理，得到第一医疗护理数据，将所述第一医疗护理数据进行序列化，得到序列医疗护理数据，利用如下的误差值计算公式计算所述序列医疗护理数据中的误差值：
；
其中，为所述序列医疗护理数据中第/>个医疗护理数据的误差值，/>为所述序列医疗护理数据中第/>个医疗护理数据的真实值，/>为所有医疗护理数据的均值，/>为医疗数据距离因子，/>为所有医疗护理数据的方差，当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据进行删除，得到第二医疗护理数据，对所述第二医疗护理数据进行归一化处理，得到归一化医疗护理数据，对所述归一化医疗护理数据进行数据格式转换，得到增强医疗护理数据；
数据融合模块，用于将每个医疗护理阶段的所述增强医疗护理数据生成医疗护理子树，利用预设的节点权值计算公式计算每个所述医疗护理子树的根节点的权值，其中所述节点权值计算公式为：
；
其中，为第/>个医疗护理子树的根节点的权值，/>为第/>个医疗护理子树的距离因子，为第/>个医疗护理子树的根节点的能量值，/>为所有医疗护理子树的平均能量值，/>为能量修正因子，利用所述数据融合算法选取所述权值中最大的医疗护理子树与预设的主根节点进行融合，得到融合医疗护理树，当存在所述医疗护理子树未被选取时，返回至所述利用所述数据融合算法选取所述权值中最大的医疗护理子树预设的主根节点进行融合，得到融合医疗护理树的步骤，直至所述医疗护理子树均被选取，将所述融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据；
数据分类模块，用于根据每个医疗护理阶段将所述融合医疗护理数据进行向量转换，得到融合医疗护理向量，将所述融合医疗护理向量进行向量统一化，得到统一化医疗护理向量，利用所述数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征，其中所述数据特征提取算法为：
；
其中，为所述融合特征，/>为第/>个医疗护理阶段的统一化医疗护理向量，获取待训练医疗护理数据集，利用预设的标准决策树对所述待训练医疗护理数据集进行训练，得到医疗护理得分集，根据所述医疗护理得分集及预设的损失函数计算所述标准决策树的损失值，根据所述损失值对所述标准决策树进行优化，得到优化决策树，直至所述损失值小于预设的损失阈值时，将所述优化决策树作为护理分类模型，逐一将所述融合特征中的统一化医疗向量与所述护理分类模型中的护理分类向量进行对比，得到对比向量集，根据所述对比向量集选取概率最大的护理分类向量作为融合分类护理向量，汇集所述融合分类护理向量为分类护理数据；
评分值计算模块，用于利用预设的数据特征提取算法提取所述分类护理数据的分类特征，获取所述医疗护理数据的护理评估的历史评分值，利用预设的层次分析法确定所述分类特征的第一权重，利用所述层次分析法确定所述医疗护理阶段的第二权重，利用所述护理评估算法根据所述历史评分值、所述第一权重及所述第二权重计算所述医疗护理评分值，其中所述护理评估算法为：
；
其中，为第/>个医疗护理阶段的医疗护理评分值，/>为所述历史评分值，/>为第/>个分类特征的第一权重，/>为第/>个医疗护理阶段的第二权重，/>为分类特征的数量，/>为医疗护理阶段的数量，/>为置信度，/>为指数常数，/>为时间衰减因子，/>为实时时间戳，/>为评分时间戳；
医疗护理策略生成模块，用于根据所述医疗护理阶段及所述医疗护理评分值生成二维对应关系，根据所述二维对应关系生成医疗护理二维图；将所述医疗护理二维图转换为所述可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略其中所述根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，包括：
利用预设的优化值算法计算所述可视化医疗护理数据的优化值，其中所述优化值算法为：
；
其中，为第/>个医疗护理阶段的优化值，/>为优化修正因子，/>为医疗护理阶段标识，为第/>个医疗护理阶段的医疗护理评分值，/>为医疗护理阶段的数量，/>为指数常数，/>为医疗护理数据的变化数；
根据所述优化值及所述医疗护理数据对每个医疗护理阶段的初始护理阶段策略进行优化，得到优化护理阶段策略；
汇集所述优化护理阶段策略为所述医疗护理策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565788.XA CN116313019B (zh) | 2023-05-19 | 2023-05-19 | 一种基于人工智能的医疗护理数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565788.XA CN116313019B (zh) | 2023-05-19 | 2023-05-19 | 一种基于人工智能的医疗护理数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116313019A CN116313019A (zh) | 2023-06-23 |
| CN116313019B true CN116313019B (zh) | 2023-08-11 |
Family
ID=86801751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565788.XA Active CN116313019B (zh) | 2023-05-19 | 2023-05-19 | 一种基于人工智能的医疗护理数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116313019B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102256434B1 (ko) * | 2020-08-14 | 2021-05-25 | 목포대학교 산학협력단 | 다수의 분산 에너지저장시스템 통합제어 장치 |
| CN113707286A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
| CN113782125A (zh) * | 2021-09-17 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的诊所评分方法、装置、电子设备及介质 |
| CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
| WO2022100417A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云（北京）技术有限公司 | 医疗辅助决策模型解释方法及装置、存储介质、电子设备 |
| CN114550946A (zh) * | 2022-02-28 | 2022-05-27 | 京东方科技集团股份有限公司 | 医疗数据处理方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087765A1 (en) * | 2017-09-20 | 2019-03-21 | International Business Machines Corporation | Method and system for value assessment of a medical care provider |
-
2023
- 2023-05-19 CN CN202310565788.XA patent/CN116313019B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102256434B1 (ko) * | 2020-08-14 | 2021-05-25 | 목포대학교 산학협력단 | 다수의 분산 에너지저장시스템 통합제어 장치 |
| WO2022100417A1 (zh) * | 2020-11-12 | 2022-05-19 | 医渡云（北京）技术有限公司 | 医疗辅助决策模型解释方法及装置、存储介质、电子设备 |
| CN113707286A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 基于决策树的问诊分配方法、装置、设备及存储介质 |
| CN113782125A (zh) * | 2021-09-17 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的诊所评分方法、装置、电子设备及介质 |
| CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
| CN114550946A (zh) * | 2022-02-28 | 2022-05-27 | 京东方科技集团股份有限公司 | 医疗数据处理方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据挖掘技术的医疗数据信息提取仿真;刘欢;冉昊;;计算机仿真(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116313019A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108447534A (zh) | 一种基于nlp的电子病历数据质量管理方法 | |
| US20200250554A1 (en) | Method and storage medium for predicting the dosage based on human physiological parameters | |
| CN111403048A (zh) | 一种未知传染病预警及追溯方法 | |
| Smys | Survey on accuracy of predictive big data analytics in healthcare | |
| US11379685B2 (en) | Machine learning classification system | |
| WO2023029347A1 (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| CN110910991A (zh) | 一种医用自动图像处理系统 | |
| Huamaní et al. | Analysis and prediction of recorded COVID-19 infections in the constitutional departments of Peru using specialized machine learning techniques | |
| CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
| CN109871866B (zh) | 用于医院内感染预测的模型训练方法、装置、设备及介质 | |
| CN117831701A (zh) | 一种基于规则引擎的电子病例质控方法 | |
| Sudharson et al. | Performance analysis of enhanced adaboost framework in multifacet medical dataset | |
| CN113674846A (zh) | 基于lstm网络的医院智慧服务舆情监控平台 | |
| CN116313019B (zh) | 一种基于人工智能的医疗护理数据处理方法及系统 | |
| CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
| CN116504401A (zh) | 一种智能体检项目推荐方法和装置 | |
| US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation | |
| CN112732690B (zh) | 一种用于慢病检测及风险评估的稳定系统及方法 | |
| CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
| CN116013508A (zh) | 一种用于眼科的数据采集系统及方法 | |
| CN112768090A (zh) | 一种用于慢病检测及风险评估的过滤系统及方法 | |
| Abhinav et al. | Multi-Class Prediction of Suicide Behavior of Adolescents Using Machine Learning Approach | |
| CN117911930B (zh) | 一种基于智能视频监控的数据安全预警方法及装置 | |
| CN107680685A (zh) | 一种疾病预警方法及系统 |
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 |