CN116403720A - 外部干预行为的干预结果预测方法、装置和计算机设备 - Google Patents
外部干预行为的干预结果预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116403720A CN116403720A CN202310243837.8A CN202310243837A CN116403720A CN 116403720 A CN116403720 A CN 116403720A CN 202310243837 A CN202310243837 A CN 202310243837A CN 116403720 A CN116403720 A CN 116403720A
- Authority
- CN
- China
- Prior art keywords
- influence
- intervention
- score
- target
- group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 162
- 238000004590 computer program Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 108010014173 Factor X Proteins 0.000 description 22
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001850 reproductive effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 210000002458 fetal heart Anatomy 0.000 description 2
- 210000001667 gestational sac Anatomy 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- 208000000509 infertility Diseases 0.000 description 2
- 231100000535 infertility Toxicity 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000001325 yolk sac Anatomy 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 102000003712 Complement factor B Human genes 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种外部干预行为的干预结果预测方法、装置和计算机设备。所述方法包括:根据历史数据确定外部干预行为的影响因素;确定与影响因素匹配的目标历史数据、目标历史数据对外部干预行为的影响程度;对影响因素的数据取值范围进行分组,确定每一分组的评分;基于目标历史数据所属分组的评分,确定历史对象在影响因素下的风险评分;累加得到历史对象的总风险评分并输入概率预测模型,得到干预结果预测概率;基于不同历史对象的总风险评分和干预结果预测概率,构建对应关系,以按照目标对象的总风险评分,得到目标对象的干预结果预测概率。采用本方法能够在计算能力相对较弱的数据分析场景下,快速、准确地得到针对外部干预行为的预测结果。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种外部干预行为的干预结果预测方法、装置和计算机设备。
背景技术
在许多领域,存在自然发展趋势不符合预期的情况,为了达到预期结果,常常需要引入外部干预行为。例如,在辅助生殖领域,在自然妊娠行为的发展趋势不符合预期情况时,一般会引入IVF(in vitro fertilization,体外受精)或ICSI(IntracytoplasmicSperm Injection,卵胞浆内单精子注射)等外部干预行为。
现有技术中,对于计算机而言,为了对外部干预行为进行干预结果预测,需要结合历史数据进行复杂的分析过程才能得到预测结果,但是复杂的处理过程依赖于计算机的强大算力,在计算能力相对较弱的数据分析场景下,无法快速、准确地得到针对外部干预行为的预测结果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在计算能力相对较弱的数据分析场景下,快速、准确地得到针对外部干预行为的预测结果的外部干预行为的干预结果预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种外部干预行为的干预结果预测方法。所述方法包括:
根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度;
根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关;
基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分;
累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;
基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
在其中一个实施例中,确定每一分组的评分之前,包括:
针对影响因素对应的每一分组,根据分组对应的数据取值范围内各取值对外部干预行为的影响程度,从各取值中选取出分组的分组参考值;
根据每一分组的分组参考值对外部干预行为的影响程度,从多个分组参考值中选取出影响因素的标准参考值;
确定每一分组的评分,包括:
针对影响因素对应的每一分组,根据分组的分组参考值与影响因素的标准参考值,确定分组的评分。
在其中一个实施例中,针对影响因素对应的每一分组,根据分组的分组参考值与影响因素的标准参考值,确定分组的评分,包括:
基于影响因素的回归系数,获取分组的分组参考值与影响因素的标准参考值之间的加权差值;回归系数是对各影响因素进行二元逻辑回归处理得到的;
基于分组对应的加权差值与影响因素的计分步长,得到分组的评分;计分步长是基于影响因素所对应数据的数值增长程度对外部干预行为的影响程度确定的。
在其中一个实施例中,概率预测模型的构建过程包括:
基于每一历史对象在多个影响因素影响下的总风险评分、每一影响因素对应的回归系数、每一影响因素所对应分组的分组参考值、以及基于各影响因素所对应计分步长与回归系数确定的标准风险系数,构建概率预测公式;
基于概率预测公式,构建概率预测模型;概率预测公式用于确定与总风险评分匹配的干预结果预测概率。
在其中一个实施例中,目标对象的总风险评分的获取过程包括:
获取目标对象在外部干预行为影响下产生的实际数据;
针对每一影响因素,确定与影响因素匹配的目标实际数据;
确定影响因素所对应目标实际数据所属的分组以及所属分组的评分,得到目标对象在影响因素下的风险评分;
累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分。
在其中一个实施例中,累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分之后,包括:
获取总风险评分与干预结果预测概率之间的对应关系;
从对应关系中,查找得到与目标对象的总风险评分对应的干预结果预测概率;
基于所得的干预结果预测概率,确定目标对象的当前外部干预行为的调整建议。
第二方面,本申请还提供了一种外部干预行为的干预结果预测装置。所述装置包括:
影响因素确定模块,用于根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
目标历史数据确定模块,用于针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度;
分组模块,用于根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关;
风险评分确定模块,用于基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分;
风险评分累加模块,用于累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;
预测概率获得模块,用于基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度;
根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关;
基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分;
累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;
基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,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以下步骤:
根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度;
根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关;
基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分;
累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;
基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度;
根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关;
基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分;
累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;
基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
上述外部干预行为的干预结果预测方法、装置、计算机设备、存储介质和计算机程序产品,根据历史对象在外部干预行为下的历史数据,确定接近实际情况的、外部干预行为的影响因素,针对每一影响因素,确定相匹配的目标历史数据、目标历史数据对外部干预行为的影响程度,再对影响因素的数据取值范围进行分组,确定每一分组与影响程度相关的评分,即确定了影响因素的分组划分规则、分组的评分确定规则,从而基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象的总风险评分,并将其输入概率预测模型,得到干预结果预测概率,再基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率的对应关系,以针对目标对象时,可以根据影响因素的分组划分规则、分组的评分确定规则,快速、准确地确定目标对象在不同影响因素下的各类数据所属的分组以及所属分组的评分,进而快速、准确地确定目标对象的总风险评分,能够在计算能力相对较弱的数据分析场景下,按照目标对象的总风险评分,查询总风险评分与干预结果预测概率的对应关系,快速、准确地得到针对目标对象的外部干预行为的预测结果。
附图说明
图1为一个实施例中外部干预行为的干预结果预测方法的应用环境图;
图2为一个实施例中外部干预行为的干预结果预测方法的流程示意图;
图3为另一个实施例中外部干预行为的干预结果预测方法的流程示意图;
图4为一个实施例中外部干预行为的干预结果预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的外部干预行为的干预结果预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104可以根据历史对象在外部干预行为影响下产生的、存储于终端102中的历史数据,确定外部干预行为的影响因素,针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度,再根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组与影响程度相关的评分,并基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分,累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率,最后,基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系,以便可以按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。其中,终端102可以但不限于是各种存储有多个历史对象在外部干预行为影响下产生的历史数据的计算机、笔记本电脑、智能手机、平板电脑、物联网设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种外部干预行为的干预结果预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素。
其中,外部干预行为的影响因素具体为:对外部干预行为的干预结果影响较大的因素。历史对象与影响因素的数量均为多个。
可选地,服务器可以先按照预设的纳入标准和排除标准,筛选确定多个历史对象,再获取多个历史对象各自在外部干预行为影响下产生的历史数据,根据历史数据中各项因素对外部干预行为的影响程度,再结合与外部干预行为相关的临床资料/参考文献,从历史数据中确定对外部干预行为影响较大的多个影响因素。其中,历史对象的纳入标准具体可以为:(1)允许服务器获取外部干预行为相关数据的对象;(2)符合外部干预行为操作条件的对象等。历史对象的排除标准具体可以为:(1)不满足外部干预行为正常进行的对象;(2)无法提供外部干预行为反馈数据的对象等。
步骤204,针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度。
可选地,针对每一影响因素,对于每一历史对象,服务器可以从历史对象的历史数据中,确定与影响因素匹配的目标历史数据,服务器还可以将所有历史对象在各种影响因素下的目标历史数据输入二元逻辑回归模型,得到每一影响因素的回归系数,并根据与目标历史数据匹配的影响因素的回归系数,确定每一目标历史数据对外部干预行为的影响程度。其中,二元逻辑回归是一种影响因素分析方法,可以用于分析自变量对于因变量的影响程度,二元逻辑回归模型输出的回归系数是用于表征自变量对因变量影响大小的参数,回归系数越大表示自变量对因变量影响越大。
示例性地,以第i个影响因素Xi为例进行说明,假设,影响因素Xi对应的回归系数为βi,在历史对象s的历史数据中,与影响因素Xi匹配的目标历史数据为Si,则服务器可以根据影响因素Xi的回归系数βi,确定目标历史数据Si对外部干预行为的影响程度。
步骤206,根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关。
可选地,针对每一影响因素,服务器可以结合与外部干预行为相关的历史数据、临床资料以及参考文献,根据影响因素对应的不同数据取值范围内各取值对外部干预行为的影响程度,对该影响因素的数据取值范围进行分组,得到每一影响因素对应的分组划分规则,并基于每一分组内的各取值对外部干预行为的影响程度,确定每一分组的评分,得到每一分组的评分确定规则,从而获得每一影响因素所对应多个分组各自的评分。
示例性地,服务器可以将所得的每一影响因素对应的分组划分规则、每一分组的评分确定规则存储于数据库中,以便随时查找。
步骤208,基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分。
可选地,针对每一历史对象,在从历史对象的历史数据中,确定每一影响因素各自对应的目标历史数据后,针对每一影响因素对应的目标历史数据,服务器可以根据影响因素所对应多个分组的数值取值范围,确定目标历史数据属于哪一个分组,并将目标历史数据所属分组的评分,作为历史对象在该影响因素影响下的风险评分。基于同样的方式,针对每一历史对象,服务器可以确定历史对象在多种影响因素影响下的风险评分。
步骤210,累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率。
其中,概率预测模型可以用于基于历史对象的总风险评分,确定历史对象所对应干预结果的成功率或失败率。
可选地,针对每一历史对象,服务器可以通过累加历史对象在每一影响因素影响下的风险评分,得到历史对象的总风险评分,并将总风险评分输入预先构建的概率预测模型,得到与总风险评分匹配的干预结果预测概率。基于同样的方式,服务器可以得到不同历史对象各自的总风险评分,以及与总风险评分匹配的干预结果预测概率。
步骤212,基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
其中,目标对象具体为:当前需要对所接受的外部干预行为的干预结果进行预测的对象。
可选地,服务器可以基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系。在需要针对目标对象的外部干预行为的干预结果进行预测时,服务器可以在根据预先确定的各影响因素对应的分组划分规则、以及预先确定的每一分组的评分确定规则,快速、准确地得到目标对象的总风险评分,再通过总风险评分与干预结果预测概率之间的对应关系,快速、准确地确定与目标对象的总风险评分匹配的干预结果预测概率。
上述外部干预行为的干预结果预测方法中,根据历史对象在外部干预行为下的历史数据,确定接近实际情况的、外部干预行为的影响因素,针对每一影响因素,确定相匹配的目标历史数据、目标历史数据对外部干预行为的影响程度,再对影响因素的数据取值范围进行分组,确定每一分组与影响程度相关的评分,即确定了影响因素的分组划分规则、分组的评分确定规则,从而基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象的总风险评分,并将其输入概率预测模型,得到干预结果预测概率,再基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率的对应关系,以针对目标对象时,可以根据影响因素的分组划分规则、分组的评分确定规则,快速、准确地确定目标对象在不同影响因素下的各类数据所属的分组以及所属分组的评分,进而快速、准确地确定目标对象的总风险评分,能够在计算能力相对较弱的数据分析场景下,按照目标对象的总风险评分,查询总风险评分与干预结果预测概率的对应关系,快速、准确地得到针对目标对象的外部干预行为的预测结果。
在一个实施例中,确定每一分组的评分之前,包括:
针对影响因素对应的每一分组,根据分组对应的数据取值范围内各取值对外部干预行为的影响程度,从各取值中选取出分组的分组参考值;
根据每一分组的分组参考值对外部干预行为的影响程度,从多个分组参考值中选取出影响因素的标准参考值;
确定每一分组的评分,包括:
针对影响因素对应的每一分组,根据分组的分组参考值与影响因素的标准参考值,确定分组的评分。
其中,每一分组的分组参考值均需要根据实际应用场景选取,以从分组所对应数据取值范围内的各取值中,选取一个能表征分组内各取值对外部干预行为影响程度的典型值,作为分组的分组参考值。通常可以将分组所对应数据取值范围的中值作为分组的分组参考值,也可以将分组内出现次数最多的取值作为分组的分组参考值。
其中,影响因素的标准参考值具体可以为影响因素所对应多个分组的分组参考值中,对外部干预行为无明显正/负面影响的一个分组参考值,使得当分组参考值小于或大于标准参考值时,均会对外部干预行为的干预结果造成较为明显的正/负面影响。
可选地,针对每一影响因素,对于影响因素对应的每一分组,服务器可以根据分组对应的数据取值范围内各取值对外部干预行为的影响程度,从各取值中选取出分组的分组参考值,再根据每一分组的分组参考值对外部干预行为的影响程度,从多个分组参考值中选取一个分组参考值,作为影响因素的标准参考值,然后,根据每一分组的分组参考值与影响因素的标准参考值,确定每一分组的评分,从而得到影响因素所对应多个分组各自的评分。
示例性地,以第i个影响因素Xi为例进行说明,影响因素Xi可以对应N个分组,得到N个分组组成的分组集合{xij}(j∈1,2,3,...,N),因每一分组均有各自对应的分组参考值,因此影响因素Xi还可以对应有分组参考值集合{wij}(j∈1,2,3,...,N)。针对影响因素Xi,服务器可以根据各分组参考值对外部干预行为的影响程度,从影响因素Xi所对应的分组参考值集合中,筛选出一个分组参考值作为影响因素Xi的标准参考值wiref。其中,i∈1,2,3,...,n,n为影响因素的个数。
本实施例中,针对每一分组,均通过分组所对应数据取值范围内各取值对外部干预行为的影响程度,确定分组的评分,能够确保所确定的每一分组的评分确定规则符合实际应用场景,有利于提高基于分组评分所确定的总风险评分的准确性。
在其中一个实施例中,针对影响因素对应的每一分组,根据分组的分组参考值与影响因素的标准参考值,确定分组的评分,包括:
基于影响因素的回归系数,获取分组的分组参考值与影响因素的标准参考值之间的加权差值;回归系数是对各影响因素进行二元逻辑回归处理得到的;
基于分组对应的加权差值与影响因素的计分步长,得到分组的评分;计分步长是基于影响因素所对应数据的数值增长程度对外部干预行为的影响程度确定的。
其中,影响因素的计分步长的确定过程具体可以为:结合与外部干预行为相关的历史数据、临床资料以及参考文献,确定影响因素所对应数据的数值,每按照某一固定数值增长一次,影响因素所对应数据对干预结果的影响将会得到显著增强,将所确定的固定数值,作为该影响因素的计分步长。不同影响因素各自的计分步长可以根据实际应用场景确定。
可选地,针对每一影响因素,对于影响因素对应的每一分组,服务器可以先获取分组的分组参考值与影响因素的标准参考值之间的差值,将所得差值与影响因素的回归系数的乘积,作为分组的分组参考值与影响因素的标准参考值之间的加权差值,然后,基于分组对应的加权差值与影响因素的计分步长,得到分组的评分。
示例性地,以第i个影响因素Xi对应的第j个分组xij为例进行说明,假设分组xij对应的分组参考值为wij,从影响因素Xi所对应多个分组的分组参考值中选取出的标准参考值为wiref,影响因素Xi的回归系数为βi,影响因素Xi的计分步长为bi,则服务器具体可以通过公式(1)得到分组xij的评分Pointij:
其中,“(wij-wiref)·βi”为分组xij的分组参考值wij与影响因素Xi的标准参考值wiref之间的加权差值,影响因素的计分步长bi与回归系数βi的乘积“bi.βi”表示影响因素Xi的风险系数Bi。
其中,影响因素的回归系数是预先基于二元逻辑回归确定的,表示影响因素对外部干预行为的影响程度(影响权重),每一影响因素的计分步长,也是预先基于影响因素所对应数据的数值增长程度对外部干预行为的影响程度确定的,因此,针对每一影响因素,其回归系数与计分步长均为预先确定的固定值,由于影响因素的风险系数是影响因素的计分步长与回归系数的乘积,因此,每一影响因素的风险系数也是预先确定的固定值,每一影响因素均有各自对应的风险系数,多个影响因素的各自对应的风险系数构成风险系数集合{Bi}(i∈1,2,3,...,n)。
本实施例中,一方面是根据分组内数据对外部干预行为的影响程度、以及每一影响因素的回归系数,确定分组的评分,能够充分考虑不同影响因素、不同分组内取值对干预结果的影响程度的差别,能够使得所确定的每一分组的评分更符合实际应用场景,能够提高基于分组评分所确定的总风险评分的准确性。另一方面,通过确定每一分组的评分确定规则,能够达到快速、准确地确定目标对象在各种影响因素影响下的风险评分的目的。
在一个实施例中,概率预测模型的构建过程包括:
基于每一历史对象在多个影响因素影响下的总风险评分、每一影响因素对应的回归系数、每一影响因素所对应分组的分组参考值、以及基于各影响因素所对应计分步长与回归系数确定的标准风险系数,构建概率预测公式;
基于概率预测公式,构建概率预测模型;概率预测公式用于确定与总风险评分匹配的干预结果预测概率。
其中,影响因素的风险系数具体可以为:影响因素的计分步长与回归系数的乘积。标准风险系数的确定过程具体可以为:根据各影响因素对外部干预行为的影响程度,如是否具备长期影响,从各影响因素各自对应的风险系数中,选取一个作为标准风险系数。例如,在辅助生殖领域,根据与外部干预行为相关的历史数据、临床资料、参考文献,可以确定年龄这一影响因素对外部干预行为具备长期影响,从而可以将年龄对应的风险系数作为标准风险系数。
可选地,服务器可以先确定每一历史对象在多个影响因素影响下的总风险评分、每一影响因素对应的回归系数、每一影响因素所对应分组的分组参考值、以及标准风险系数之间的关联关系,并基于所确定的关联关系,构建指数函数,再基于所构建的指数函数,构建概率预测公式,并基于概率预测公式,构建概率预测模型。
可选地,在基于概率预测公式构建初步模型之后,服务器可以将多个历史对象的历史数据,按照70%和30%的比例,随机分为训练样本与验证样本,基于训练样本训练初步模型,得到训练后的模型,再基于验证样本验证训练后的模型,直至得到符合预测需求的概率预测模型。
示例性地,以将符合预测需求的概率预测模型应用于历史对象s为例进行说明,假设历史对象s的历史数据中,与第i个影响因素Xi匹配的目标历史数据Si属于影响因素Xi对应的第j个分组xij,则服务器可以基于预先确定的每一分组的分组参考值与每一分组的评分确定规则,得到分组xij对应的分组参考值wij、分组xij对应的评分Pointij,服务器具体可以通过公式(2)获得历史对象s的干预结果预测概率
其中,R为模型训练过程中配置的常数项,作为所构建的指数函数exp(·)的截距。“βi·wij”表示与影响因素Xi匹配的目标历史数据Si所属分组的分组参考值wij与影响因素Xi的回归系数βi的乘积,表示乘积之和,i∈1,2,3,...,n,n为影响因素的个数。B表示从多个影响因素各自对应的风险系数中选取出的标准风险系数,即根据风险系数所对应影响因素对外部干预行为的影响程度,从风险系数集合{Bi}(i∈1,2,3,...,n)中选取一个风险系数,作为标准风险系数B。Pointij表示与影响因素Xi匹配的目标历史数据Si所属分组的分组评分,也表示历史对象在影响因素Xi影响下的风险评分。/>表示对历史对象在各影响因素影响下的风险评分进行累加,即历史对象的总风险评分。
可选地,基于上述概率预测模型,针对每一历史对象,服务器均可以得到历史对象的干预结果预测概率,并构建总风险评分与干预结果预测概率之间的对应的关系,例如,当总风险评分为T时,对应的干预结果预测概率值大概率为T0,则在所构建的对应关系中,总风险评分T与干预结果预测概率值T0对应。
本实施例中,通过众多历史对象的各项数据与外部干预行为之间的关联关系,构建概率预测公式,从而搭建、训练得到概率预测模型,能够使得训练得到的概率预测模型输出的概率值更加准确,从而确保所构建的总风险评分与干预结果预测概率值之间的对应关系更为准确。
在其中一个实施例中,目标对象的总风险评分的获取过程包括:
获取目标对象在外部干预行为影响下产生的实际数据;
针对每一影响因素,确定与影响因素匹配的目标实际数据;
确定影响因素所对应目标实际数据所属的分组以及所属分组的评分,得到目标对象在影响因素下的风险评分;
累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分。
可选地,在获取目标对象的总风险评分之前,服务器可以先获取每一影响因素对应的分组划分规则、以及每一分组的评分确定规则,以便针对目标对象时,在获取目标对象在外部干预行为影响下产生的实际数据,且针对每一影响因素,确定与影响因素匹配的目标实际数据后,可以根据影响因素对应的分组划分规则,以及影响因素所对应目标实际数据的取值范围,快速确定影响因素所对应目标实际数据所属的分组,还可以根据每一分组的评分确定规则,快速确定目标实际数据所属分组的评分,并将目标实际数据所属分组的评分,作为目标对象在与目标实际数据匹配的影响因素影响下的风险评分,累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分。
本实施例中,在从确定目标对象的实际数据中,确定与每一影响因素匹配的目标实际数据后,可以通过预先确定的每一影响因素的分组划分规则、每一分组的评分确定规则,通过对照规则,快速、准确地确定每一目标实际数据所属的分组以及所属分组的评分,从而快速、准确地得到目标对象的风险总评分,无需对目标对象的各项数据进行复杂计算。
在其中一个实施例中,累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分之后,包括:
获取总风险评分与干预结果预测概率之间的对应关系;
从对应关系中,查找得到与目标对象的总风险评分对应的干预结果预测概率;
基于所得的干预结果预测概率,确定目标对象的当前外部干预行为的调整建议。
可选地,在得到目标对象的总风险评分后,服务器可以获取总风险评分与干预结果预测概率之间的对应关系,从对应关系中,查找得到与目标对象的总风险评分对应的干预结果预测概率,基于所得的干预结果预测概率,确定目标对象的当前外部干预行为的调整建议。
本实施例中,在确定目标对象的总风险评分后,可以通过预先确定的总风险评分与干预结果预测概率之间的对应关系,通过对照,快速、准确地确定与目标对象的风险总评分匹配的干预结果预测概率,无需对目标对象的各项数据进行复杂计算。
在一个实施例中,以将上述外部干预行为的干预结果预测方法应用于辅助生殖领域为例进行说明:
示例性地,在辅助生殖领域,外部干预行为具体可以为IVF(in vitrofertilization,体外受精)或ICSI(Intracytoplasmic Sperm Injection,卵胞浆内单精子注射),且在外部干预行为影响下产生的数据包括但不限定于以下几种:孕囊直径、卵黄囊直径、胚芽长、胎心率、年龄、移植日内膜厚度、身高、体重、不孕类型、不孕年限、干预行为结果等。外部干预行为的影响因素包括但不限定于以下几种:年龄(MA)、孕囊直径(GSD)、胚芽长(CRL)、胎心率(EHR)、卵黄囊直径(YSD)、移植日内膜厚度(EM)等。
示例性地,在根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,并得到每一分组的评分的过程中,以辅助生殖领域所对应影响因素中的年龄为例进行说明,服务器可以根据各历史对象的历史数据中年龄所对应的目标历史数据,确定年龄这一影响因素所对应的数据取值范围内各取值对外部干预行为的影响程度,并结合不同数据取值范围的历史数据、临床资料以及参考文献,对年龄对应的数据取值范围进行分组,并基于不同分组内的取值对外部干预行为的影响程度,确定每一分组的评分。例如,服务器可以结合年龄的不同取值对外部干预行为的影响程度,将年龄对应的数据取值范围划分为“≤29”、“30~39”、“≥40”三组(单位:岁),从而进一步基于不同分组内的取值对外部干预行为的影响程度,确定年龄所对应分组“≤29”、“30~39”、“≥40”各自的评分。
进一步的,以获取历史对象在年龄影响下的风险评分为例进行说明,服务器可以先确定年龄对应的分组划分规则、每一分组的评分确定规则。假设年龄对应的分组为“≤29”、“30~39”、“≥40”,服务器可以将“24.5”作为分组“≤29”的分组参考值,将“34.5”作为分组“30~39”的分组参考值,将“44.5”作为分组“≥40”的分组参考值,并根据多个分组参考值对外部干预行为的影响程度,选取出年龄对应的标准参考值,例如,选取“34.5”作为年龄对应的标准参考值。
然后,将“(24.5-34.5)*年龄对应的回归系数”作为分组“≤29”加权差值,将“(34.5-34.5)*年龄对应的回归系数”作为分组“34.5”加权差值,将“(44.5-34.5)*年龄对应的回归系数”作为分组“34.5”加权差值。同时,服务器还可以根据历史数据、临床资料以及参考文献,结合年龄所对应的增长数值对外部干预行为的影响程度,确定年龄这一影响因素对应的计分步长。
以所确定的计分步长为“5”为例进行说明(例如,年龄每增长5岁,对外部干预行为的影响程度明显增加),则服务器可以基于以下公式得到年龄所对应各分组的评分:
其中,辅助生殖领域中各影响因素的分组划分规则、每一分组的评分确定规则、计分步长确定方式,包括但不限定于上述所例举的方式,本实施例中以年龄这一影响因素为例,仅为进行举例说明,不对此进行限定。
示例性地,服务器可以得到辅助生殖领域每一影响因素所对应的分组划分规则、每一分组的评分确定规则,辅助生殖领域所对应的影响因素的种类包括但不限定于表1所示的几种:
表1辅助生殖领域的分组划分规则、分组的评分确定规则的对照表
其中,当表1中的评分不为整数时,可以进行取整处理。
示例性地,在基于各影响因素对应的分组划分规则、每一分组的评分确定规则,获得各历史对象各自的总风险评分,并基于概率预测模型得到各历史对象各自的干预结果预测概率之后,服务器可以构建总风险评分与概率预测模型之间的对应关系,以表1中记载的内容为例进行说明,总风险评分与概率预测模型之间的对应关系包括但不限定于表2所示的几种:
表2辅助生殖领域的总风险评分与干预结果预测概率的对照表
示例性地,在辅助生殖领域中,上述表1与表2可以应用于计算能力相对较弱的数据分析场景下,具体可以用于预测目标对象的外部干预行为的失败率。
例如,在对接受了外部干预行为的目标对象进行第一次常规超声检测后,可以从检测所得的目标对象在外部干预行为影响下产生的实际数据中,提取出目标对象在每一影响因素下的目标实际数据,并根据每一目标实际数据所属的分组,通过对照表1,快速、准确地得到目标对象在每一影响因素下的风险评分,从而得到目标对象的总风险评分,再通过对照表2,快速、准确地确定目标对象的干预结果预测概率,即目标对象的外部干预行为的失败率,实现在计算能力相对较弱的数据分析场景下,也可以快速、准确地基于所确定的目标对象的外部干预行为失败率,向目标对象提供合适的针对当前外部干预行为的调整建议。
可选地,在一些在计算能力相对较弱的数据分析场景下,可以将存储有每一影响因素的分组划分规则、每一分组的评分确定规则、总风险评分与干预结果预测概率之间的对应关系的对照表打印张贴,便于查询、对照。
本实施例中,将上述的外部干预行为的干预结果预测方法应用于辅助生殖领域,先基于众多历史对象的历史数据,确定多种影响因素、每一影响因素的分组划分规则、以及每一分组的评分确定规则,以便在计算能力相对较弱的数据分析场景下,可以直观、简便地参考预先确定的分组划分规则与评分确定规则,快速、准确地得到目标对象的外部干预行为的总风险评分,再直观、简便地参考预先确定的总风险评分与干预结果预测概率之间的对应关系,快速、准确地得到目标对象的干预结果预测概率。与现有技术中通过复杂模型对每一目标对象的干预结果进行预测相比,更为便捷,能有快速、有效地为针对目标对象外部干预行为的调整建议提供参考数据,还可以降低时间和经济成本,可以让目标对象快速、便捷地了解到当前的干预结果预测概率,而不用多次往返进行检测。
在一个实施例中,如图3所示,提供了另一种外部干预行为的干预结果预测方法的流程示意图,主要包括以下步骤:
步骤302,根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
步骤304,针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度,根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组;
步骤306,针对影响因素对应的每一分组,根据分组对应的数据取值范围内各取值对外部干预行为的影响程度,从各取值中选取出分组参考值,并根据每一分组参考值对外部干预行为的影响程度,从多个分组参考值中选取影响因素的标准参考值;
步骤308,基于影响因素的回归系数,获取分组的分组参考值与影响因素的标准参考值之间的加权差值,基于分组对应的加权差值与影响因素的计分步长,得到分组的评分;回归系数是对各影响因素进行二元逻辑回归处理得到的;计分步长是基于影响因素所对应数据的数值增长程度对外部干预行为的影响程度确定的;
步骤310,基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分,累加历史对象在每一影响因素影响下的风险评分;
步骤312,基于每一历史对象在多个影响因素影响下的总风险评分、每一影响因素对应的回归系数、每一影响因素所对应分组的分组参考值、以及基于各影响因素所对应计分步长与回归系数确定的标准风险系数,构建概率预测公式;
步骤314,基于概率预测公式,构建概率预测模型,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;概率预测公式用于确定与总风险评分匹配的干预结果预测概率,
步骤316,基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;
步骤318,获取目标对象在外部干预行为影响下产生的实际数据,针对每一影响因素,确定与影响因素匹配的目标实际数据;
步骤320,确定影响因素所对应目标实际数据所属的分组以及所属分组的评分,得到目标对象在影响因素下的风险评分,累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分;
步骤322,获取总风险评分与干预结果预测概率之间的对应关系,从对应关系中,查找得到与目标对象的总风险评分对应的干预结果预测概率,基于所得的干预结果预测概率,确定目标对象的当前外部干预行为的调整建议。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的外部干预行为的干预结果预测方法的外部干预行为的干预结果预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个外部干预行为的干预结果预测装置实施例中的具体限定可以参见上文中对于外部干预行为的干预结果预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种外部干预行为的干预结果预测装置,包括:影响因素确定模块402、目标历史数据确定模块404、分组模块406、风险评分确定模块408、风险评分累加模块410和预测概率获得模块412,其中:
影响因素确定模块,用于根据历史对象在外部干预行为影响下产生的历史数据,确定外部干预行为的影响因素;
目标历史数据确定模块,用于针对每一影响因素,确定与影响因素匹配的目标历史数据、以及每一目标历史数据对外部干预行为的影响程度;
分组模块,用于根据影响因素的数据取值范围内各取值对外部干预行为的影响程度,对数据取值范围进行分组,确定每一分组的评分,评分与影响程度相关;
风险评分确定模块,用于基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象在影响因素影响下的风险评分;
风险评分累加模块,用于累加历史对象在每一影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与总风险评分匹配的干预结果预测概率;
预测概率获得模块,用于基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;对应关系,用于针对目标对象,按照目标对象的实际数据对应的总风险评分,得到目标对象的干预结果预测概率。
上述外部干预行为的干预结果预测装置中,根据历史对象在外部干预行为下的历史数据,确定接近实际情况的、外部干预行为的影响因素,针对每一影响因素,确定相匹配的目标历史数据、目标历史数据对外部干预行为的影响程度,再对影响因素的数据取值范围进行分组,确定每一分组与影响程度相关的评分,即确定了影响因素的分组划分规则、分组的评分确定规则,从而基于每一目标历史数据各自所属的分组和所属分组的评分,确定历史对象的总风险评分,并将其输入概率预测模型,得到干预结果预测概率,再基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率的对应关系,以针对目标对象时,可以根据影响因素的分组划分规则、分组的评分确定规则,快速、准确地确定目标对象在不同影响因素下的各类数据所属的分组以及所属分组的评分,进而快速、准确地确定目标对象的总风险评分,能够在计算能力相对较弱的数据分析场景下,按照目标对象的总风险评分,查询总风险评分与干预结果预测概率的对应关系,快速、准确地得到针对目标对象的外部干预行为的预测结果。
在一个实施例中,外部干预行为的干预结果预测装置中还包括第一分组评分获得模块,第一分组评分获得模块用于针对影响因素对应的每一分组,根据分组对应的数据取值范围内各取值对外部干预行为的影响程度,从各取值中选取出分组的分组参考值,再根据每一分组的分组参考值对外部干预行为的影响程度,从多个分组参考值中选取出影响因素的标准参考值,从而针对影响因素对应的每一分组,根据分组的分组参考值与影响因素的标准参考值,确定分组的评分。
在一个实施例中,外部干预行为的干预结果预测装置中还包括第二分组评分获得模块,第二分组评分获得模块用于基于影响因素的回归系数,获取分组的分组参考值与影响因素的标准参考值之间的加权差值,再基于分组对应的加权差值与影响因素的计分步长,得到分组的评分。
在一个实施例中,外部干预行为的干预结果预测装置中还包括概率预测模型构建模块,概率预测模型构建模块用于基于每一历史对象在多个影响因素影响下的总风险评分、每一影响因素对应的回归系数、每一影响因素所对应分组的分组参考值、以及基于各影响因素所对应计分步长与回归系数确定的标准风险系数,构建概率预测公式,基于概率预测公式,构建概率预测模型。
在一个实施例中,外部干预行为的干预结果预测装置中还包括目标对象总风险评分获得模块,目标对象总风险评分获得模块用于获取目标对象在外部干预行为影响下产生的实际数据,针对每一影响因素,确定与影响因素匹配的目标实际数据,再确定影响因素所对应目标实际数据所属的分组以及所属分组的评分,得到目标对象在影响因素下的风险评分,累加目标对象在每一影响因素下的风险评分,得到目标对象的总风险评分。
在一个实施例中,外部干预行为的干预结果预测装置中还包括调整建议确定模块,调整建议确定模块用于从对应关系中,查找得到与目标对象的总风险评分对应的干预结果预测概率,基于所得的干预结果预测概率,确定目标对象的当前外部干预行为的调整建议。
上述外部干预行为的干预结果预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种外部干预行为的干预结果预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种外部干预行为的干预结果预测方法,其特征在于,所述方法包括:
根据历史对象在外部干预行为影响下产生的历史数据,确定所述外部干预行为的影响因素;
针对每一所述影响因素,确定与所述影响因素匹配的目标历史数据、以及每一所述目标历史数据对所述外部干预行为的影响程度;
根据所述影响因素的数据取值范围内各取值对所述外部干预行为的影响程度,对所述数据取值范围进行分组,确定每一分组的评分,所述评分与所述影响程度相关;
基于每一所述目标历史数据各自所属的分组和所属分组的评分,确定所述历史对象在所述影响因素影响下的风险评分;
累加所述历史对象在每一所述影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与所述总风险评分匹配的干预结果预测概率;
基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;所述对应关系,用于针对目标对象,按照所述目标对象的实际数据对应的总风险评分,得到所述目标对象的干预结果预测概率。
2.根据权利要求1所述的方法,其特征在于,所述确定每一分组的评分之前,包括:
针对所述影响因素对应的每一分组,根据所述分组对应的数据取值范围内各取值对所述外部干预行为的影响程度,从各所述取值中选取出所述分组的分组参考值;
根据每一分组的所述分组参考值对所述外部干预行为的影响程度,从多个所述分组参考值中选取出所述影响因素的标准参考值;
所述确定每一分组的评分,包括:
针对所述影响因素对应的每一分组,根据所述分组的分组参考值与所述影响因素的标准参考值,确定所述分组的评分。
3.根据权利要求2所述的方法,其特征在于,所述针对所述影响因素对应的每一分组,根据所述分组的分组参考值与所述影响因素的标准参考值,确定所述分组的评分,包括:
基于所述影响因素的回归系数,获取所述分组的分组参考值与所述影响因素的标准参考值之间的加权差值;所述回归系数是对各所述影响因素进行二元逻辑回归处理得到的;
基于所述分组对应的加权差值与所述影响因素的计分步长,得到所述分组的评分;所述计分步长是基于所述影响因素所对应数据的数值增长程度对所述外部干预行为的影响程度确定的。
4.根据权利要求1所述的方法,其特征在于,所述概率预测模型的构建过程包括:
基于每一所述历史对象在多个所述影响因素影响下的总风险评分、每一所述影响因素对应的回归系数、每一所述影响因素所对应分组的分组参考值、以及基于各所述影响因素所对应计分步长与回归系数确定的标准风险系数,构建概率预测公式;
基于所述概率预测公式,构建所述概率预测模型;所述概率预测公式用于确定与总风险评分匹配的干预结果预测概率。
5.根据权利要求1所述的方法,其特征在于,所述目标对象的总风险评分的获取过程包括:
获取所述目标对象在外部干预行为影响下产生的实际数据;
针对每一所述影响因素,确定与所述影响因素匹配的目标实际数据;
确定所述影响因素所对应目标实际数据所属的分组以及所属分组的评分,得到所述目标对象在所述影响因素下的风险评分;
累加所述目标对象在每一所述影响因素下的风险评分,得到所述目标对象的总风险评分。
6.根据权利要求5所述的方法,其特征在于,所述累加所述目标对象在每一所述影响因素下的风险评分,得到所述目标对象的总风险评分之后,包括:
获取总风险评分与干预结果预测概率之间的对应关系;
从所述对应关系中,查找得到与所述目标对象的总风险评分对应的干预结果预测概率;
基于所得的干预结果预测概率,确定所述目标对象的当前外部干预行为的调整建议。
7.一种外部干预行为的干预结果预测装置,其特征在于,所述装置包括:
影响因素确定模块,用于根据历史对象在外部干预行为影响下产生的历史数据,确定所述外部干预行为的影响因素;
目标历史数据确定模块,用于针对每一所述影响因素,确定与所述影响因素匹配的目标历史数据、以及每一所述目标历史数据对所述外部干预行为的影响程度;
分组模块,用于根据所述影响因素的数据取值范围内各取值对所述外部干预行为的影响程度,对所述数据取值范围进行分组,确定每一分组的评分,所述评分与所述影响程度相关;
风险评分确定模块,用于基于每一所述目标历史数据各自所属的分组和所属分组的评分,确定所述历史对象在所述影响因素影响下的风险评分;
风险评分累加模块,用于累加所述历史对象在每一所述影响因素影响下的风险评分,将累加得到的总风险评分输入概率预测模型,得到与所述总风险评分匹配的干预结果预测概率;
预测概率获得模块,用于基于不同历史对象各自的总风险评分和干预结果预测概率,构建总风险评分与干预结果预测概率之间的对应关系;所述对应关系,用于针对目标对象,按照所述目标对象的实际数据对应的总风险评分,得到所述目标对象的干预结果预测概率。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310243837.8A CN116403720A (zh) | 2023-03-14 | 2023-03-14 | 外部干预行为的干预结果预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310243837.8A CN116403720A (zh) | 2023-03-14 | 2023-03-14 | 外部干预行为的干预结果预测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116403720A true CN116403720A (zh) | 2023-07-07 |
Family
ID=87008267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310243837.8A Pending CN116403720A (zh) | 2023-03-14 | 2023-03-14 | 外部干预行为的干预结果预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403720A (zh) |
-
2023
- 2023-03-14 CN CN202310243837.8A patent/CN116403720A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Johnson et al. | A new severity of illness scale using a subset of acute physiology and chronic health evaluation data elements shows comparable predictive accuracy | |
US20200372472A1 (en) | Multi-level ranking for mitigating machine learning model bias | |
WO2021017306A1 (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
Sparapani et al. | Nonparametric competing risks analysis using Bayesian additive regression trees | |
US20200372304A1 (en) | Quantifying bias in machine learning models | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
WO2020034801A1 (zh) | 医疗特征筛选方法、装置、计算机设备和存储介质 | |
Cevik et al. | Using active learning for speeding up calibration in simulation models | |
US10445341B2 (en) | Methods and systems for analyzing datasets | |
Rahaman Khan et al. | Variable selection for accelerated lifetime models with synthesized estimation techniques | |
de Andrade Silva et al. | An experimental study on the use of nearest neighbor-based imputation algorithms for classification tasks | |
Lian et al. | Identification of partially linear structure in additive models with an application to gene expression prediction from sequences | |
Margaris et al. | Improving collaborative filtering's rating prediction coverage in sparse datasets by exploiting the'friend of a friend'concept | |
JP7213890B2 (ja) | 高速化された大規模な類似度計算 | |
CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
CN116403720A (zh) | 外部干预行为的干预结果预测方法、装置和计算机设备 | |
CN115391666A (zh) | 医院在线推荐方法、装置、计算机设备和存储介质 | |
He et al. | Rank-based greedy model averaging for high-dimensional survival data | |
Li et al. | Semiparametric isotonic regression analysis for risk assessment under nested case-control and case-cohort designs | |
Rong et al. | Exploring network behavior using cluster analysis | |
WO2019236338A1 (en) | Computerized relevance scoring engine for identifying potential investors for a new business entity | |
CN111078945A (zh) | 视频推送方法及装置 | |
Escudeiro et al. | Approximate confidence intervals for a linear combination of binomial proportions: a new variant | |
Wang et al. | Variable selection for multivariate generalized linear models | |
Braekers et al. | Cox's regression model under partially informative censoring |
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 |