CN116864090A - 一种医疗大数据智能辅助方法和系统 - Google Patents
一种医疗大数据智能辅助方法和系统 Download PDFInfo
- Publication number
- CN116864090A CN116864090A CN202310770519.7A CN202310770519A CN116864090A CN 116864090 A CN116864090 A CN 116864090A CN 202310770519 A CN202310770519 A CN 202310770519A CN 116864090 A CN116864090 A CN 116864090A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- data
- auxiliary
- user data
- big data
- 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 42
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 33
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 40
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 22
- 239000000725 suspension Substances 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 102100039385 Histone deacetylase 11 Human genes 0.000 description 2
- 108700038332 Histone deacetylase 11 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种医疗大数据智能辅助方法和系统，所述方法包括：基于历史用户数据和大数据信息确定当前用户数据的预测数据以覆盖人工智能模型的输入数据集；将整理后的输入数据集输入到人工智能模型中以得到辅助输出信息，排序并呈现智能输出信息；本发明在综合利用用户自身历史数据和大数据资源的基础上，充分利用可用的各种人工智能模型，得到层次化辅助决策结构，进一步提供量化数据支撑的优化结果呈现，提高了大数据智能辅助体验。
Description
【技术领域】
本发明属于智慧医疗技术领域，尤其涉及一种医疗大数据智能辅助方法和系统。
【背景技术】
大数据是指规模巨大、类型多样、价值密度低、时效性强的数据集合，以及对这些数据进行采集、存储、管理、分析和应用的技术、方法和工具。大数据作为一种重要的战略资产，已经不同程度地渗透到每个行业领域和部门，其深度应用不仅有助于企业经营活动，还有利于推动国民经济发展。它对于推动信息产业创新、大数据存储管理挑战、改变经济社会管理面貌等方面也意义重大。
基于大数据的智慧医疗是通过运用物联网技术来应用于医疗行业，并且借助数字化、可视化模式，能让有限医疗资源共享给更多人使用。医疗大数据行业持续升温，数据应用逐渐实现商业化落地，行业前景呈现出向好的局面，未来几年医疗大数据在信息化建设、智能医疗应用及商业变现的细分机会正逐步凸显。对于医疗大数据企业来说，增强数据集成和标准化是医疗信息化平台竞争的关键，也是挖掘医疗数据价值的核心能力。数字医疗产业将重塑未来的医疗格局，加速医疗资源的优化配置，提高医疗效率和质量，成为推动全球产业经济发展的新引擎。目前，智慧医疗的应用场景非常广泛，主要包括远程会诊、远程手术、远程超声、应急救援等远程医疗应用；此外还有智慧导诊、智慧院区管理、移动医护、大数据辅助等应用场景。
由于医疗大数据呈爆炸式增长，医疗大数据已经成为新发明和新技术的源泉。医疗行业正是大数据应用的重要领域。无论是疾病治疗、临床实效研究、新药物研发,还是基础医学、医药卫生等,都涉及对数据的获取、管理和分析。如何高效地利用现代医学信息手段获得人们所需要的数据，如何更好地开发和利用庞大的医疗大数据，是决定现代医药学研究成败的关键。目前已有将数据挖掘与机器学习技术，特别是深度学习，应用于医疗数据分析的尝试，能够挖掘出其中的非线性关系以及隐藏关系所表达出的有用信息。
但是，从数据输入来说，医疗大数据存在数据源不全、数据匹配使用难、用户数据个体差异大、结果偏差较大的问题；从数据分析来说，运用医疗大数据的人工智能模型往往是为了专门的目的和特定样本进行有针对性的重复训练，兼容性和复用性很差，从数据结果来说，分析结果缺乏层次性，辅助和借鉴预期不明。因此，如何从这三个角度出发，有效的利用医疗大数据和现有人工智能模型，提高智能辅助效果，是待解决的技术问题。本发明在综合利用用户自身历史数据和大数据资源的基础上，充分利用可用的各种人工智能模型，得到层次化辅助决策结构，进一步提供量化数据支撑的优化结果呈现，提高了大数据智能辅助体验。
【发明内容】
为了解决现有技术中的上述问题，本发明提出了一种医疗大数据智能辅助方法和系统，所述方法包含：
步骤S1：采集当前时刻的用户数据以构成当前用户数据集；所述当前用户数据集是按照预设采集间隔在当前时刻能够采集到的各种类型用户数据所构成的用户数据集；当前时刻是指对于每种数据类型来说最近的一个数据采集间隔采集到的用户数据；
步骤S2：确定智能辅助类型，基于所述智能辅助类型获取对应的所有人工智能模型；所述人工智能模型的输入是其对应的输入数据集，输出是和所述智能辅助类型对应的辅助输出信息；其中：所述输入数据集中包括各种类型的用户数据；
步骤S3：获取一未处理人工智能模型，判断当前用户数据集是否能够覆盖所述未处理人工智能模型的输入数据集；如果是，则进入步骤S5；否则，进入步骤S4；
步骤S4：基于当前用户的历史数据确定当前用户数据的预测数据，将预测数据和当前用户数据进行融合以得到第一混合用户数据集，记录融合方式为第一融合方式，若第一混合用户数据集能够覆盖所述未处理人工智能模型的输入数据集，则进入步骤S5；否则，将大数据和第一混合用户数据进行融合以得到第二混合用户数据集，记录融合方式为第二融合方式，并进入步骤S5；其中：所述第一融合方式包括预测数据和当前用户数据的融合比例、位置、类型中的一个或多个；所述第二融合方式包括大数据和当前用户数据的融合比例、位置、类型中的一个或多个；
步骤S5：基于人工智能模型输入数据集的输入格式整理所述当前用户数据集、第一混合用户数据集或第二混合用户数据集；将整理后的得到的输入数据集输入到所述未处理人工智能模型中以得到辅助输出信息；判断是否所有人工智能模型均处理完毕，如果是，则进入下一步骤，否则，返回步骤S3；
步骤S6：基于第k人工智能模型的准确度ACCk和第一融合方式和/或第二融合方式计算每个辅助输出信息的辅助度ASDk，并按照辅助度将对应的辅助输出信息按照辅助度的大小从大到小排序。
进一步的，所述人工智能模型是神经网络模型。
进一步的，所述人工智能模型是反馈神经网络模型。
进一步的，将辅助输出信息和其对应的辅助度关联呈现。
进一步的，不同的人工智能模型的输入数据集是相同或不同的。
一种用于实现上述方法的医疗大数据智能辅助系统，其特征在于，所述系统包含：医疗终端、智能辅助服务器；所述移动终端用于发送智能辅助请求到智能辅助服务器，所述智能辅助服务器用于执行上述的医疗大数据智能辅助方法，并将得到的辅助输出信息按照辅助度排序后发送给医疗终端；所述医疗终端用于呈现按照辅助度排序呈现辅助输出信息。
进一步的，所述智能辅助服务器上存储用于各种智能辅助类型的人工智能模型。
一种大数据分析服务器，所述服务器用于运行程序，其中，所述服务器用于实现上述的医疗大数据智能辅助方法。
一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的医疗大数据智能辅助方法。
一种智能辅助服务器，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的医疗大数据智能辅助方法。
本发明的有益效果包括：
(1)本发明在综合利用用户自身历史数据和大数据资源的基础上，充分利用可用的各种人工智能模型，得到层次化辅助决策结构，进一步提供量化数据支撑的优化结果呈现，提高了大数据智能辅助体验；
(2)在历史数据和大数据两个层次上，对用于数据预测的历史矩阵悬空位置作尽可能准确填充，从而为用户数据预测值提供充分有效的数据基础，形成可靠的输入数据集供后续的辅助预测；进一步的，在数据基础矩阵的支持下，通过数据类型之间以及时间之间的关系进行预测值得计算，避免使用人工智能模型等复杂低效的预测方式，在保障预测准确性的基础上提高了智能辅助效率。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1为本发明的医疗大数据智能辅助方法示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定通过
如附图1所述，本发明提出一种医疗大数据智能辅助方法，所述方法包括：
步骤S1：采集当前时刻的用户数据以构成当前用户数据集；所述当前用户数据集是按照预设采集间隔在当前时刻能够采集到的各种类型用户数据所构成的用户数据集；
优选的：所述用户数据集包括用户属性数据和医疗数据；其中：所述用户属性数据不会发生改变的用户属性；用户属性包括，性别、年龄等；
优选的：每个数据类型采用其预设的采集间隔进行数据采集，而对于当前用户数据集来说，当前时刻是指对于每种数据类型来说最近的一个数据采集间隔采集到的用户数据；
步骤S2：确定智能辅助类型，基于所述智能辅助类型获取对应的所有人工智能模型；所述人工智能模型的输入是其对应的输入数据集，输出是和所述智能辅助类型对应的辅助输出信息；其中：所述输入数据集中包括各种类型的用户数据；
优选的：不同的人工智能模型的输入数据集是相同或不同的，取决于其当时训练和设置目的；所述人工智能模型为一个或多个；
优选的：大数据分析服务器搜索本地或者其他大数据分析服务器以获取和所述智能辅助类型对应的人工智能模型；
优选的：所述智能辅助类型包括辅助决策对应的疾病类型，健康指导类型等；
步骤S3：获取一未处理人工智能模型，判断当前用户数据集是否能够覆盖所述未处理人工智能模型的输入数据集；如果是，则进入步骤S5；否则，进入步骤S4；
由于每个人工智能模型的输入数据集所需要的数据类型是不同的，而当前用户数据集中不仅数据类型可能和模型输入数据集之间存在不匹配，还有可能因为没有采集到而存在缺失；
本发明在历史数据和大数据两个层次上，对用于数据预测的历史矩阵悬空位置作尽可能准确填充，从而为用户数据预测值提供有效数据基础，形成可靠的输入数据集供后续的辅助预测；
步骤S4：基于当前用户的历史数据确定当前用户数据的预测数据，将预测数据和当前用户数据进行融合以得到第一混合用户数据集，记录融合方式为第一融合方式，若第一混合用户数据集能够覆盖所述未处理人工智能模型的输入数据集，则进入步骤S5；否则，将大数据和第一混合用户数据进行融合以得到第二混合用户数据集，记录融合方式为第二融合方式，并进入步骤S5；其中：所述第一融合方式包括预测数据和当前用户数据的融合比例、位置、类型中的一个或多个；所述第二融合方式包括大数据和当前用户数据的融合比例、位置、类型中的一个或多个；
优选的：所述大数据为除当前用户数据外的其它用户数据构成的；
所述步骤S4具体包括如下步骤：
步骤S41：基于当前用户的历史数据确定当前用户数据的预测数据；将预测数据和当前用户数据进行融合以得到第一混合用户数据集；
所述步骤S41具体包括如下步骤：
步骤S411：获取不包括当前时刻的当前用户数据集在内的过去的0～N个时间间隔的历史用户数据；从中筛选输入数据集所涉及的M个用户数据类型；
优选的：所述N-1是历史用户数据的最大长度；
步骤S411：构建0～N个时间间隔对应的(N+1)×M的历史数据矩阵HD1+1＝[Hd1n,m]；构建1～N个时间间隔对应的N×M的历史数据矩阵HD0＝[Hd0n,m]；HD是的HD+1子矩阵；若第n时间间隔的历史用户数据包含m数据类型，则将其填入历史数据矩阵中相应(m,n)位置，否则，将(m,n)位置设置为悬空；
步骤S412：获取矩阵HD1+1和HD0的一未处理可预测悬空位置；所述可预测悬空位置为和所述悬空位置时间相邻的位置均为非悬空；时间相邻也就是行相邻；
步骤S413：基于时间相邻的位置的数据值确定所述未处理可预测悬空位置的数据预测值pdl，并用数据预测值填写相应位置；其中；dlup1、dlup2分别为时间上向前相邻1、2个时间间隔的位置；dldn1、dldn2分别为时间上向后相邻1、2个时间间隔的位置；
其中：α1和α2是调整系数；
优选的：α1＝0.7；α2＝0.1；α3＝0.2；
步骤S414：判断是否所有可预测悬空位置均处理完毕，如果是，则进入下一步骤，否则，返回步骤S412；随着预测值的不断填入，为处理可预测悬空位置会增加，并随之减少；
步骤S415：判断未处理可预测悬空位置是否均填写完毕，如果是，则进入下一步骤；否则，结束；
步骤S425：基于(N+1)×M的历史数据矩阵HD+1＝[Hd1n,m]和N×M的历史数据矩阵HD0＝[Hd0n,m]确定当前用户数据集的预测值；填写预测值并得到第一混合用户数据集；
所述步骤S425具体为：截取(N+1)×M的历史数据矩阵HD1+1＝[Hd1n,m]中的前N行得到截取矩阵HD11+1-1＝[Hd11n,m]；计算HD11+1-1和HD0之间差分矩阵HDSB；HDSB＝HD0-HD11+1-1＝[Hdsbn,m]；获取历史数据矩阵HD1+1中和当前用户数据中已采集用户数据之间最相似的数据行；将数据行中和未采集用户数据类型对应位置的数据值作为基准数据；基于差分矩阵和基准数据确定未采集到的用户数据类型的预测值；
所述基于差分矩阵和基准数据确定未采集到的用户数据类型的预测值；具体包括如下步骤：
步骤S425A1：针对一未采集用户数据类型p获取其基准数据bsp；
步骤S425A2：基于差分矩阵和基准数据计算当前用户数据类型p的预测值bsp；
优选的：采用下式计算预测值bsp；
psp＝(β1×bsp+β2×HdsbN,p+β2×HdsbN-1,p)×(1+∑n＝1～NHdsbn,p)/∑n＝1～N|Hdsbn,p|)；
其中：β1和β2是调整系数；
优选的：β1＝0.6；β2＝0.2；
步骤S425A3：判断是否所有预测值可计算的未采集用户数据类型p均处理完毕；如果否，则返回步骤S425A1；如果是，记录融合方式为第一融合方式，若第一混合用户数据集能够覆盖所述未处理人工智能模型的输入数据集，则进入步骤S5；否则，进入下一步骤；
步骤S42：将大数据和第一混合用户数据进行融合以得到第二混合用户数据集，记录融合方式为第二融合方式；此时，第一混合用户数据集能够覆盖所述未处理人工智能模型的输入数据集；
所述步骤S42具体包括如下步骤：
步骤S421：获取经步骤S41处理得到的(N+1)×M的历史数据矩阵HD1+1＝[Hd1n,m]和N×M的历史数据矩阵HD0＝[Hd0n,m]；
步骤S422：获取矩阵HD1+1和HD0中的一未处理最优悬空位置；所述最优悬空位置为相邻位置的悬空数量最少的位置；
可替换的：所述相邻为8相邻；这里4,8相邻均是指行列相邻；
优选的：所述大数据包括除当前用户外的其他用户的用户数据；
步骤S423：确定所述未处理最优悬空位置的数据预测值，并用数据预测值填写相应位置；
步骤S424：判断是否所有最优悬空位置均处理完毕，如果是，则进入下一步骤，否则，返回步骤S422；
步骤S425：基于N×M的历史数据矩阵HD0＝[Hd0n,m]确定并填写当前用户数据集中未采集到的用户数据类型的预测值，并得到第二混合用户数据集；记录融合方式为第二融合方式，并进入步骤S5；
所述步骤S425具体包括如下步骤：
步骤S4251：获取一未采集到的用户数据类型m；
步骤S4252：针对每行n，n∈1～N，从大数据基础中筛选和所述行中数据相同或相似的目标大数据；其中：大数据基础是和当前用户的用户属性相同用户的用户数据；确定该行中除数据Hd0n,m外的第一其他数据以及目标大数据中除用户数据类型m外的第二其他数据，与所述数据Hd0n,m和目标大数据中除用户数据类型m之间的第一关系Hd0n,m；
Hd0n,m＝f1n(Hd0n,m,...Hd0n,m-1,...Hd0n,m+1,...Hd0n,M)；确定n行的第一关系是否存在一致性，若存在一致性，则确定符合所述一致性的第一关系为主要第一关系fM1()；若不存在一致性，则确定主要第一关系fM1()＝1；确定第m列中所有数据和时间的第二关系f2(t)；基于主要第一关系和第二关系确定用户数据类型m的预测值；其中：UD1～UDM是用户数据集中第1～M数据类型的数据值；
优选的：采用下式确定用户数据类型m的预测值UDm；
UDm＝f2(t)×fM1(UD1,...UDm-1,...UDm+1,...UDM)；
优选的：若多数第一关系是相同或相似的，则所述第一关系中存在一致性，且所述多数第一关系为主要第一关系；
优选的：所述第一关系可以是变化趋势关系，也就是数据A伴随数据B增长，无序量化具体的伴随增长数值；从而可以更进一步在f2(t)的基础上对进行调整UDm；此外，当fM1中存在必要输入数据缺失时，可以用第N时间间隔的同类型用户数据替代；若仍旧不存在可以依次类推；
步骤S4253：判断是否所有未采集到的用户数据类型均处理完毕，如果是，则进入以下步骤，否则，返回步骤S4251；
步骤S5：基于人工智能模型输入数据集的输入格式整理所述当前用户数据集、第一混合用户数据集或第二混合用户数据集；将整理后的得到的输入数据集输入到所述未处理人工智能模型中以得到辅助输出信息；判断是否所有人工智能模型均处理完毕，如果是，则进入下一步骤，否则，返回步骤S3；
优选的：所述人工智能模型是神经网络模型；
优选的：所述人工智能模型是反馈神经网络模型；
优选的：所述人工智能模型是深度神经网络模型；
步骤S6：基于第k人工智能模型的准确度ACCk和第一融合方式和/或第二融合方式计算每个辅助输出信息的辅助度ASDk，并按照辅助度将对应的辅助输出信息按照辅助度的大小从大到小排序；
优选的：采用下式计算辅助度ASDk；其中：M1k是采用第一融合方式时第一混合用户数据集中预测值数量；M2k是采用第二融合方式时第二混合用户数据集中预测值数量；
可替换的：采用下式计算辅助度ASDk；其中：HM1k是采用第一融合方式时历史数据矩阵HD0中填写的预测值数量；HM2k是是采用第二融合方式时历史数据矩阵HD0中填写的预测值数量；
本发明在综合利用用户自身历史数据和大数据资源的基础上，充分利用可用的各种人工智能模型，得到层次化辅助决策结构，进一步提供量化数据支撑的优化结果呈现，提高了大数据智能辅助体验；
基于相同的发明构思，本发明提出一种医疗大数据智能辅助系统，所述系统包括：医疗终端、智能辅助服务器；
所述移动终端用于发送智能辅助请求到智能辅助服务器，所述智能辅助服务器用于执行上述的医疗大数据智能辅助方法，并将得到的辅助输出信息按照辅助度排序后发送给医疗终端；所述医疗终端用于呈现按照辅助度排序呈现辅助输出信息；
优选的：所述智能辅助服务器上存储用于各种智能辅助类型的人工智能模型；这些人工智能模型的智能辅助类型是相同或者不同的；针对同一智能辅助类型的多个人工智能模型的输入数据集是相同或不同的；
优选的：所述智能辅助服务器是大数据服务器；
可替换的：所述智能辅助服务器是云计算服务器；所述云计算服务器是多个且对医疗终端透明；
术语“医疗终端”、“云计算服务器”、“智能辅助服务器”或“大数据服务器”包涵用于处理数据的所有种类的装置、设备和机器，举例包括可编程处理器、计算机、片上系统、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件，所述装置还可以包括代码，创建用于所述计算机程序的执行环境，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施，诸如web服务、分布式计算、和网格计算基础设施。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写，包括汇编或解释语言、说明或过程性语言，且其可以以任何形式部署，包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中，在专用于所述程序的单个文件中，或者在多个协同文件中(例如，存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种医疗大数据智能辅助方法，其特征在于，包括：
步骤S1：采集当前时刻的用户数据以构成当前用户数据集；所述当前用户数据集是按照预设采集间隔在当前时刻能够采集到的各种类型用户数据所构成的用户数据集；当前时刻是指对于每种数据类型来说最近的一个数据采集间隔采集到的用户数据；
步骤S2：确定智能辅助类型，基于所述智能辅助类型获取对应的所有人工智能模型；所述人工智能模型的输入是其对应的输入数据集，输出是和所述智能辅助类型对应的辅助输出信息；其中：所述输入数据集中包括各种类型的用户数据；
步骤S3：获取一未处理人工智能模型，判断当前用户数据集是否能够覆盖所述未处理人工智能模型的输入数据集；如果是，则进入步骤S5；否则，进入步骤S4；
步骤S4：基于当前用户的历史数据确定当前用户数据的预测数据，将预测数据和当前用户数据进行融合以得到第一混合用户数据集，记录融合方式为第一融合方式，若第一混合用户数据集能够覆盖所述未处理人工智能模型的输入数据集，则进入步骤S5；否则，将大数据和第一混合用户数据进行融合以得到第二混合用户数据集，记录融合方式为第二融合方式，并进入步骤S5；其中：所述第一融合方式包括预测数据和当前用户数据的融合比例、位置、类型中的一个或多个；所述第二融合方式包括大数据和当前用户数据的融合比例、位置、类型中的一个或多个；
步骤S5：基于人工智能模型输入数据集的输入格式整理所述当前用户数据集、第一混合用户数据集或第二混合用户数据集；将整理后的得到的输入数据集输入到所述未处理人工智能模型中以得到辅助输出信息；判断是否所有人工智能模型均处理完毕，如果是，则进入下一步骤，否则，返回步骤S3；
步骤S6：基于第k人工智能模型的准确度ACCk和第一融合方式和/或第二融合方式计算每个辅助输出信息的辅助度ASDk，并按照辅助度将对应的辅助输出信息按照辅助度的大小从大到小排序。
2.根据权利要求1所述的医疗大数据智能辅助方法，其特征在于，所述人工智能模型是神经网络模型。
3.根据权利要求2所述的医疗大数据智能辅助方法，其特征在于，所述人工智能模型是反馈神经网络模型。
4.根据权利要求3所述的医疗大数据智能辅助方法，其特征在于，将辅助输出信息和其对应的辅助度关联呈现。
5.根据权利要求4所述的医疗大数据智能辅助方法，其特征在于，不同的人工智能模型的输入数据集是相同或不同的。
6.一种用于实现上述权利要求1-5中任一项所述方法的医疗大数据智能辅助系统，其特征在于，所述系统包含：医疗终端、智能辅助服务器；所述移动终端用于发送智能辅助请求到智能辅助服务器，所述智能辅助服务器用于执行上述的医疗大数据智能辅助方法，并将得到的辅助输出信息按照辅助度排序后发送给医疗终端；所述医疗终端用于呈现按照辅助度排序呈现辅助输出信息。
7.根据权利要求6所述的医疗大数据智能辅助系统，其特征在于，所述智能辅助服务器上存储用于各种智能辅助类型的人工智能模型。
8.一种大数据分析服务器，其特征在于，所述服务器用于运行程序，其中，所述服务器用于实现权利要求1-5中任一项所述的医疗大数据智能辅助方法。
9.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-5中任一项所述的医疗大数据智能辅助方法。
10.一种智能辅助服务器，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的医疗大数据智能辅助方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770519.7A CN116864090A (zh) | 2023-06-28 | 2023-06-28 | 一种医疗大数据智能辅助方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310770519.7A CN116864090A (zh) | 2023-06-28 | 2023-06-28 | 一种医疗大数据智能辅助方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116864090A true CN116864090A (zh) | 2023-10-10 |
Family
ID=88227812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310770519.7A Pending CN116864090A (zh) | 2023-06-28 | 2023-06-28 | 一种医疗大数据智能辅助方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116864090A (zh) |
-
2023
- 2023-06-28 CN CN202310770519.7A patent/CN116864090A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Santos et al. | INTCare-Multi-agent Approach for Real-time Intelligent Decision Support in Intensive Medicine. | |
| Raj et al. | High-performance big-data analytics | |
| Erraissi et al. | Digging into hadoop-based big data architectures | |
| Gharibi et al. | Automated end-to-end management of the modeling lifecycle in deep learning | |
| Selvi et al. | Modelling the map reduce based optimal gradient boosted tree classification algorithm for diabetes mellitus diagnosis system | |
| CN110246590A (zh) | 一种血液病知识图谱数据库的构建方法 | |
| Narayanan et al. | Verification of cloud based information integration architecture using colored petri nets | |
| Holzinger et al. | Human-in-the-loop integration with domain-knowledge graphs for explainable federated deep learning | |
| Education | Data science | |
| Psarras et al. | A change management approach with the support of the balanced scorecard and the utilization of artificial neural networks | |
| Shahin et al. | Artificial intelligence: from buzzword to useful tool in clinical pharmacology | |
| CN111680798A (zh) | 联合学习模型系统和方法、装置和计算机可读存储介质 | |
| CN117316409A (zh) | 一种基于大数据的医院信息管理方法及系统 | |
| Kim et al. | DiPLIP: distributed parallel processing platform for stream image processing based on deep learning model inference | |
| CN116864090A (zh) | 一种医疗大数据智能辅助方法和系统 | |
| Guedria et al. | R2D2: A scalable deep learning toolkit for medical imaging segmentation | |
| Shoaip et al. | Alzheimer's Disease Integrated Ontology (ADIO) | |
| Mukasheva et al. | DEVELOPING A SYSTEM FOR DIAGNOSING DIABETES MELLITUS USING BIGDATA. | |
| Carnevale et al. | Big data his of the irccs-me future: The osmotic computing infrastructure | |
| Kong et al. | Disease-specific data processing: An intelligent digital platform for diabetes based on model prediction and data analysis utilizing big data technology | |
| CN113782225A (zh) | 一种多学科会诊方法和系统 | |
| Houghton et al. | Feral information systems creation as sensemaking | |
| Mosavi et al. | Characteristics of the intelligent decision support system for precision medicine (IDSS4PM) | |
| Shai et al. | Branching into brains | |
| Melnykova et al. | The special ways of application of neural networks for medical information processing |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cao Lei Inventor after: Liu Yihan Inventor before: Liu Yihan |