CN117409916A - 基于人工智能的数据管理方法、装置、电子设备及介质 - Google Patents
基于人工智能的数据管理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117409916A CN117409916A CN202311481083.6A CN202311481083A CN117409916A CN 117409916 A CN117409916 A CN 117409916A CN 202311481083 A CN202311481083 A CN 202311481083A CN 117409916 A CN117409916 A CN 117409916A
- Authority
- CN
- China
- Prior art keywords
- information
- feature
- attention
- display
- determining
- 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 61
- 238000013523 data management Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000011282 treatment Methods 0.000 claims description 35
- 238000002360 preparation method Methods 0.000 claims description 32
- 238000003745 diagnosis Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 238000005192 partition Methods 0.000 description 9
- 230000036772 blood pressure Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009535 clinical urine test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06F16/248—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及数据管理技术领域,尤其是涉及一种基于人工智能的数据管理方法、装置、电子设备及介质,方法包括获取调取需求信息,并根据调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,基于此确定至少一个关注特征,并根据至少一个关注特征,筛选就诊信息得到关注信息;根据关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比;基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个展示象限,将每个关注特征对应的子关注信息写入预设展示模型中,得到数据展示模型;将数据展示模型反馈至相关调取人员对应的终端设备。本申请能够提高数据管理工作过程中的效率。
Description
技术领域
本申请涉及数据管理技术领域,尤其是涉及一种基于人工智能的数据管理方法、装置、电子设备及介质。
背景技术
医院在日常运作过程中会产生大量关于患者的就诊信息,例如病患的个人身份信息、病历信息数据以及身体检查信息数据等,这些就诊信息对诊断病患的病情具有重要的作用,因此均需要进行保护和存储。在治疗阶段,相关医护人员可能需要从存储有所有患者就诊信息的数据库中调取与患者相关的就诊信息,以便于对患者的病情进行监督和治疗。
但是由于患者在就诊过程中产生的就诊信息较为繁杂,相关调取人员在调取到信息后可能需要对调取信息进行筛选,以得到需要查看的内容,在相关技术中,一般会通过人工对调取出的相关就诊信息进行筛选和分类后再使用,但是由于医院内部每天就诊患者数据量较大,且每个患者对应的相关就诊信息也较为复杂,因此,对就诊信息进行人工筛选和分类时,可能会增大相关工作人员的工作负担,从而可能会导致相关工作人员在进行数据筛选和分类等管理工作时工作效率较低。
发明内容
为了提高数据管理工作过程中的效率,本申请提供一种基于人工智能的数据管理方法、装置、电子设备及介质。
第一方面,本申请提供一种基于人工智能的数据管理方法,采用如下的技术方案:
一种基于人工智能的数据管理方法,包括:
获取调取需求信息,并根据所述调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,所述调取人员类型包括医护人员和患者;
根据所述调取人员类型和调取阶段,确定至少一个关注特征,并根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息,关注信息中包含每个关注特征对应的子关注信息;从所述关注信息中识别每个关注特征对应的关注值,并根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比,差值百分比用于表征关注值与对应预设标准规则之间的偏差程度;
基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个关注特征对应的展示象限,将每个关注特征对应的子关注信息写入所述预设展示模型中,得到数据展示模型;
将所述数据展示模型反馈至相关调取人员对应的终端设备。
通过采用上述技术方案,由于调取人员的身份不同、调取阶段不同时,需要查看的信息也不同,因此通过调取人员类型和调取阶段对患者的就诊信息进行筛选,以便于提升调取信息的精确度,而不是将该患者所有的就诊信息进行反馈,另外通过信息筛选便于减少调取信息对应的数据量,从而便于提升调取信息过程中的效率,另外,由于患者的就诊信息较为繁杂,通过预设展示模型对关注信息进行展示,便于相关调取人员更深入且直观地了解关注信息,并且通过关注特征对应的差值百分比确定关注信息在预设展示模型中的展示位置,以对关注信息进行重要等级划分,通过反馈的预设数据展示模型即可对需要关注内进行查看,而不需要进行人工筛选、分类等管理工作,减轻了相关工作人员的工作负担,并且提高了数据管理工作过程中的工作效率。
在一种可能实现的方式中,所述根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值差百分比,包括:
识别每个关注特征对应的预设标准规则中的标准值类型,所述标准值类型包括数值类型和数值范围类型;
根据每个关注特征对应的关注值、标准值类型和差值百分比公式,确定每个关注值与对应预设标准规则之间的差值差百分比,其中,差值百分比公式为:
其中,Y用于表征差值百分比;
x用于表征关注特征对应的关注值;
a用于表征预设标准规则中的标准数值;
a1和a2用于表征预设标准规则中标准数值范围对应的限值。
通过采用上述技术方案,通过确定出每个关注特征值与对应标准之间的差距,便于对该关注特征是否存在异常进行判断,由于不同的关注特征对应的预设标准规则不同,因此通过将每个关注特征值与对应标准之间的差距转换成差值百分比,以实现对不同关注特征值与对应标准之间的差距进行归一化处理,由于不同类型的数据往往具有不同的度量单位和量纲,通过归一化处理,可以将不同类型的数据映射到相同的尺度上,消除不同量纲对数据分析的影响,能够确保不同类型的数据之间具有可比性。
在一种可能实现的方式中,基于关注特征对应的差值百分比,确定关注特征在预设展示模型中的展示象限,包括:
获取所述预设展示模型中每个展示象限的范围百分比,根据关注特征对应的差值百分比和每个展示象限的范围百分比,确定关注特征对应的初始展示象限;
获取历史就诊信息,根据所述历史就诊信息确定关注特征对应的历史均值百分比,所述历史均值百分比用于表征关注特征对应的历史均值与预设标准规则之间的偏差程度;
根据所述历史均值百分比和所述差值百分比确定间隔百分比,并根据间隔百分比确定象限调整量;
根据所述象限调整量调整所述初始展示象限,得到关注特征在所述预设展示模型中的展示象限。
通过采用上述技术方案,由于预设展示模型中不同的展示象限对应的重要程度不同,因此通过关注值与对应预设标准规则之间的偏差程度,从预设展示模型中进行初步筛选,以确保与预设标准规则之间的偏差程度较大的信息能够展示在较为重要的展示象限,从而便于相关人员能够快速定位异常,再通过历史均值与预设标准规则之间的偏差程度对初始展示象限进行优化调整,以提升展示象限与关注特征的匹配程度。
在一种可能实现的方式中,每个关注特征对应一个子关注信息,每个子关注信息中包含至少一个信息类型,所述将每个关注特征对应的子关注信息写入所述预设展示模型中,包括:
根据每个关注特征对应的子关注信息,确定每个子关注信息的象限展示区域,每个关注特征的象限展示区域为每个关注特征对应展示象限中的区域;
根据每个子关注信息中包含的信息类型将子关注信息进行分割,得到至少一个分割信息,每个分割信息对应一个信息类型;
确定每个分割信息的分割信息量,并基于每个分割信息对应的分割信息量确定每个分割信息的写入区域,每个分割信息的写入区域是由对应子关注信息的展示象限展示区域分割得到的;基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内。
通过采用上述技术方案,在将子关注信息写入预设展示模型时,不是将所有的子关注信息一并进行存储,而是将子关注信息进行分割后,再写入展示象限区域内的对应区域,以便于直观展示每个子关注信息。
在一种可能实现的方式中,所述基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内,包括:
为每个分割信息分配对应的展示节点,识别每个分割信息中的关键特征,将每个分割信息中的关键特征进行匹配得到关键特征匹配值,并根据每个关键特征匹配值确定每个分割信息对应展示节点之间的关联边长;
识别每个分割信息的数据量,根据分割量确定每个分割信息对应展示节点的大小;
根据关联边长和展示节点和大小,连接每个展示节点得到信息关系式,将所述信息关系式写入至预设展示模型内。
通过采用上述技术方案,通过将分割信息以展示节点的形式进行展示,并使用关联边长展示分割信息之间的关联程度,以及使用展示节点的大小展示分割信息的信息量,便于向相关人员提供更直观的关联关系,并且通过信息关系式的形式将分割信息进行展示,而不是采用文字描述,便于相关人员更好地理解和解读分割信息。
在一种可能实现的方式中,根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息,包括:
对每个关注特征进行分词预处理,得到每个关注特征对应的至少一个特征词;
将每个关注特征对应的至少一个特征词转换为词向量,得到对应的至少一个词向量;
根据每个关注特征对应的至少一个词向量,对所述就诊信息进行筛选得到每个关注特征对应的子关注信息。
通过采用上述技术方案,通过特征词向量对就诊信息进行筛选,可以快速判断就诊信息中是否包含了与关注特征相关的关键词或短语,相比于逐个阅读或搜索所有就诊信息而言,通过特征词向量进行筛选可以大大提高筛选过程中的效率和准确率。
在一种可能实现的方式中,该方法还包括:
当监测到检查引导请求时,获取患者的检查清单,所述检查清单包括待检查项目和每个待检查项目对应的排位号码;
实时获取每个待检查项目的当前检查号码,根据每个待检查项目的当前检查号码和对应的排位号码,确定每个待检查项目对应的检查状态,所述检查状态包括准备状态和等待状态;当检查项目对应的检查状态为准备状态时,获取所述患者的当前位置,并根据所述患者的当前位置,判断所述患者是否位于预设准备区域;
若否,则判断所述患者是否满足预设条件,若符合则生成提醒信息,并将所述提醒信息反馈至所述患者的终端设备,其中,预设条件包括:
患者在非检查区域;
患者在检查区域,并且患者的排位号码与当前所在区域的检查号码之间的号码差值大于与准备状态的区域之间的号码差值。
通过采用上述技术方案,患者可以提前了解到自己的检查状态和预计等待时间,有助于患者在等待检查时做出相应的安排和决策,同时,通过反馈提醒信息,可以帮助患者及时获取相关信息,避免长时间的等待。
第二方面,本申请提供一种基于人工智能的数据管理装置,采用如下的技术方案:
一种基于人工智能的数据管理装置,包括:
获取需求信息模块,用于获取调取需求信息,并根据所述调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,所述调取人员类型包括医护人员和患者;
信息筛选模块,用于根据所述调取人员类型和调取阶段,确定至少一个关注特征,并根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息,关注信息中包含每个关注特征对应的子关注信息;
确定差值百分比模块,用于从所述关注信息中识别每个关注特征对应的关注值,并根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比,差值百分比用于表征关注值与对应预设标准规则之间的偏差程度;
确定展示象限模块,用于基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个关注特征对应的展示象限,将每个关注特征对应的子关注信息写入所述预设展示模型中,得到数据展示模型;
模型反馈模块,用于将所述数据展示模型反馈至相关调取人员对应的终端设备。
通过采用上述技术方案,由于调取人员的身份不同、调取阶段不同时,需要查看的信息也不同,因此通过调取人员类型和调取阶段对患者的就诊信息进行筛选,以便于提升调取信息的精确度,而不是将该患者所有的就诊信息进行反馈,另外通过信息筛选便于减少调取信息对应的数据量,从而便于提升调取信息过程中的效率,另外,由于患者的就诊信息较为繁杂,通过预设展示模型对关注信息进行展示,便于相关调取人员更深入且直观地了解关注信息,并且通过关注特征对应的差值百分比确定关注信息在预设展示模型中的展示位置,以对关注信息进行重要等级划分,通过反馈的预设数据展示模型即可对需要关注内进行查看,而不需要进行人工筛选、分类等管理工作,减轻了相关工作人员的工作负担,并且提高了数据管理工作过程中的工作效率。
在一种可能实现的方式中,确定差值百分比模块在根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值差百分比时,具体用于:
识别每个关注特征对应的预设标准规则中的标准值类型,所述标准值类型包括数值类型和数值范围类型;
根据每个关注特征对应的关注值、标准值类型和差值百分比公式,确定每个关注值与对应预设标准规则之间的差值差百分比,其中,差值百分比公式为:
其中,Y用于表征差值百分比;
x用于表征关注特征对应的关注值;
a用于表征预设标准规则中的标准数值;
a1和a2用于表征预设标准规则中标准数值范围对应的限值。
在一种可能实现的方式中,确定展示象限模块在基于关注特征对应的差值百分比,确定关注特征在预设展示模型中的展示象限时,具体用于:
获取所述预设展示模型中每个展示象限的范围百分比,根据关注特征对应的差值百分比和每个展示象限的范围百分比,确定关注特征对应的初始展示象限;
获取历史就诊信息,根据所述历史就诊信息确定关注特征对应的历史均值百分比,所述历史均值百分比用于表征关注特征对应的历史均值与预设标准规则之间的偏差程度;
根据所述历史均值百分比和所述差值百分比确定间隔百分比,并根据间隔百分比确定象限调整量;
根据所述象限调整量调整所述初始展示象限,得到关注特征在所述预设展示模型中的展示象限。
在一种可能实现的方式中,每个关注特征对应一个子关注信息,每个子关注信息中包含至少一个信息类型,确定展示象限模块在将每个关注特征对应的子关注信息写入所述预设展示模型中时,具体用于:
根据每个关注特征对应的子关注信息,确定每个子关注信息的象限展示区域,每个关注特征的象限展示区域为每个关注特征对应展示象限中的区域;
根据每个子关注信息中包含的信息类型将子关注信息进行分割,得到至少一个分割信息,每个分割信息对应一个信息类型;
确定每个分割信息的分割信息量,并基于每个分割信息对应的分割信息量确定每个分割信息的写入区域,每个分割信息的写入区域是由对应子关注信息的展示象限展示区域分割得到的;基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内。
在一种可能实现的方式中,确定展示象限模块在基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内时,具体用于:
为每个分割信息分配对应的展示节点,识别每个分割信息中的关键特征,将每个分割信息中的关键特征进行匹配得到关键特征匹配值,并根据每个关键特征匹配值确定每个分割信息对应展示节点之间的关联边长;
识别每个分割信息的数据量,根据分割量确定每个分割信息对应展示节点的大小;
根据关联边长和展示节点和大小,连接每个展示节点得到信息关系式,将所述信息关系式写入至预设展示模型内。
在一种可能实现的方式中,信息筛选模块在根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息时,具体用于:
对每个关注特征进行分词预处理,得到每个关注特征对应的至少一个特征词;
将每个关注特征对应的至少一个特征词转换为词向量,得到对应的至少一个词向量;
根据每个关注特征对应的至少一个词向量,对所述就诊信息进行筛选得到每个关注特征对应的子关注信息。
在一种可能实现的方式中,该装置还包括:
获取检查清单模块,用于当监测到检查引导请求时,获取患者的检查清单,所述检查清单包括待检查项目和每个待检查项目对应的排位号码;
确定检查状态模块,用于实时获取每个待检查项目的当前检查号码,根据每个待检查项目的当前检查号码和对应的排位号码,确定每个待检查项目对应的检查状态,所述检查状态包括准备状态和等待状态;
区域判断模块,用于当检查项目对应的检查状态为准备状态时,获取所述患者的当前位置,并根据所述患者的当前位置,判断所述患者是否位于预设准备区域;
条件判断模块,用于若否,则判断所述患者是否满足预设条件,若符合则生成提醒信息,并将所述提醒信息反馈至所述患者的终端设备,其中,预设条件包括:
患者在非检查区域;
患者在检查区域,并且患者的排位号码与当前所在区域的检查号码之间的号码差值大于与准备状态的区域之间的号码差值。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述基于人工智能的数据管理方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述基于人工智能的数据管理方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.由于调取人员的身份不同、调取阶段不同时,需要查看的信息也不同,因此通过调取人员类型和调取阶段对患者的就诊信息进行筛选,以便于提升调取信息的精确度,而不是将该患者所有的就诊信息进行反馈,另外通过信息筛选便于减少调取信息对应的数据量,从而便于提升调取信息过程中的效率,另外,由于患者的就诊信息较为繁杂,通过预设展示模型对关注信息进行展示,便于相关调取人员更深入且直观地了解关注信息,并且通过关注特征对应的差值百分比确定关注信息在预设展示模型中的展示位置,以对关注信息进行重要等级划分,通过反馈的预设数据展示模型即可对需要关注内进行查看,而不需要进行人工筛选、分类等管理工作,减轻了相关工作人员的工作负担,并且提高了数据管理工作过程中的工作效率。
2.由于预设展示模型中不同的展示象限对应的重要程度不同,因此通过关注值与对应预设标准规则之间的偏差程度,从预设展示模型中进行初步筛选,以确保与预设标准规则之间的偏差程度较大的信息能够展示在较为重要的展示象限,从而便于相关人员能够快速定位异常,再通过历史均值与预设标准规则之间的偏差程度对初始展示象限进行优化调整,以提升展示象限与关注特征的匹配程度。
附图说明
图1是本申请实施例中一种基于人工智能的数据管理方法的流程示意图;
图2是本申请实施例中一种展示模型示例图;
图3是本申请实施例中一种展示象限确定方法的流程示意图;
图4是本申请实施例中一种信息展示的示意图;
图5是本申请实施例中一种基于人工智能的数据管理装置的结构示意图;
图6是本申请实施例中一种电子设备的结构示意图。
具体实施方式
以下结合附图1-6对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
具体的,本申请实施例提供了一种基于人工智能的数据管理方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
参考图1,图1是本申请实施例中一种基于人工智能的数据管理方法的流程示意图,该方法包括步骤S110-步骤S150,其中:
步骤S110:获取调取需求信息,并根据调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,调取人员类型包括医护人员和患者。
具体的,调取需求信息可由调取人员通过对应的终端设备发送至电子设备,其中调取人员可以为医护人员也可以为患者,医护人员和患者在关注信息方面有一些相似之处,但也有一些差异之处,医护人员更专注于患者的病情、诊断和治疗方案,因此医护人员在调取信息时调取患者的病史、体征、实验室检查结果等医学数据的概率较大,而患者关注的信息可能更多涉及疾病的症状、治疗方法、康复进程等与自身健康有关的问题,因此,在接收到调取需求信息时,需要对调取需求信息对应的调取人员类型进行识别和确定。
就诊信息中一般包括患者个人信息,如姓名、年龄、性别、联系方式等;就诊时间,如记录患者首次就诊或每次就诊的具体日期和时间;患者主诉信息,如患者自述的主要症状或就医目的;患者病史,如个人病史、家族病史、过敏史等;患者体格检查,如对患者进行的血压、体温、心率等测量检查结果;实验室检查数据,如血液检查、尿液检查、影像学检查等;诊断结果,如主治医生根据患者症状、检查结果等判断出的疾病或诊断结果;治疗方案,如药物治疗、手术治疗、物理治疗等具体措施,随着患者治疗阶段的变化,就诊信息也会随之发生变化。调取阶段用于表征患者的治疗阶段,分为治疗前期、治疗中期以及治疗后期,不同的调取阶段对应的关注信息也可能不同。
就诊信息、调取人员类型和调取阶段在调取需求信息中的存放标识不同,通过各自对应的存放标识,从调取需求信息中进行遍历能够识别出就诊信息、调取人员类型和调取阶段,从调取需求信息中确定出对应的就诊信息、调取人员类型和调取阶段的方式在本申请实施例中不做具体限定,只要能够识别出来即可。
步骤S120:根据调取人员类型和调取阶段,确定至少一个关注特征,并根据至少一个关注特征,对就诊信息进行筛选得到关注信息,关注信息中包含每个关注特征对应的子关注信息。
具体的,由于患者在诊断过程中产生的就诊信息内容繁杂,若检测到调取需求信息后便将所有的就诊信息进行反馈,调取人员难以从大量的就诊信息中找到真正关注的内容,因此可能需要花费较多的时间和精力来浏览和筛选大量就诊信息,为提升调取人员在调取就诊信息时的体验感,可以对繁杂的就诊信息进行分类管理,根据调取人员的需求进行反馈。但是,由于不同的调取人员类型需要关注的内容不同,不同的调取阶段需要关注的内容也不同,因此根据调取人员类型和调取阶段一同确定需要关注的内容,便于提升确定关注特征时的准确性。根据调取人员类型和调取阶段确定关注特征时,可根据人员类型和第一预设对应关系确定出人员类型对应的第一初始关注特征,其中,第一初始关注特征的数量可以为一个,也可以为多个;根据调取阶段和第二预设对应关系确定出调取阶段对应的第二初始关注特征,其中第二初始关注特征的数量可以为一个,也可以为多个,最后根据第一初始关注特征和第二关注特征共同确定出至少一个关注特征,其中,第一预设对应关系为不同的调取人员类型与关注特征的对应关系,第二预设对应关系为不同的调取阶段与关注特征的对应关系,其中,具体的第一预设对应关系和第二预设对应关系在本申请实施例中不做具体限定,可由相关技术人员进行设定。
关注特征可以为检测数值,例如血压值、血糖值、血脂值,还可以为频率,例如就诊频率、手术频率、发病频率等,具体的关注特征在本申请实施例中不做具体限定,可由相关技术人员进行设定。
根据确定出的至少一个关注特征对就诊信息进行筛选时,可以使用自然语言处理技术对就诊信息进行文本匹配,以找出包含关注特征的文本片段,最后将所有关注特征对应的文本片段确定为关注信息,其中,对就诊信息进行文本匹配时可以应用文本匹配算法,如字符串匹配、正则表达式或基于机器学习的文本分类方法,如文本分类模型,在本申请实施例中不做具体限定,只要能从就诊信息中确定出关注信息即可。
步骤S130:从关注信息中识别每个关注特征对应的关注值,并根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比,差值百分比用于表征关注值与对应预设标准规则之间的偏差程度。
具体的,由于每个关注特征对应有一个关注信息,例如,当关注特征为血压时,对应的关注信息中包含该患者每次测量血压时的时间,以及每次测量血压时的血压值,关注值为关注特征对应的数值,若调取阶段内包含有多个数值,例如,在某调查阶段患者A进行了4次血压测量,此时可将4次血压测量结果中最后一次测量对应的血压值确定为关注值。从关注信息中识别关注特征对应的关注值时,可将关注值作为关键字,根据关键字从关注信息中进行遍历,确定出包含有关键字的内容,再对包含有关键字的内容进行文本识别。
由于不同的关注特征对应的关注值不同,因此,每个关注特征均对应有一个预设标准规则,预设标准规则可能是关注特征对应的标准范围,也可能是一个阈值,具体的在本申请实施例中不做具体限定,可由相关技术人员根据实际需求进行修改和调整。差值百分比为每个关注值与对应预设标准规则之间的差值,与标准值的比值,通过差值百分比能够确定出关注值与对应预设标准规则之间的偏差程度。由于不同的关注特征对应的预设标准规则不同,因此通过将每个关注特征值与对应标准之间的差距转换成差值百分比,以实现对不同关注特征值与对应标准之间的差距进行归一化处理。
进一步地,根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值差百分比,具体包括:
识别每个关注特征对应的预设标准规则中的标准值类型,标准值类型包括数值类型和数值范围类型;根据每个关注特征对应的关注值、标准值类型和差值百分比公式,确定每个关注值与对应预设标准规则之间的差值差百分比,其中,差值百分比公式为:
其中,Y用于表征差值百分比;x用于表征关注特征对应的关注值;a用于表征预设标准规则中的标准数值;a1和a2用于表征预设标准规则中标准数值范围对应的限值。
具体的,由于不同的关注特征对应的预设标准规则不同,不同的预设标准规则采用的计算公式也不同,因此在计算差值百分比之前需要先识别关注特征对应的预设标准规则中的标准值类型,再确定每个关注特征对应的计算公式,其中,不同的标准值类型对应的关键特征不同,例如,当标准值类型为数值范围类型时,预设标准规则中一般包含有范围特征,当识别到预设标准规则中包含有范围特征时,可确定出该预设标准规则的数值范围类型为数值范围类型,其中范围特征可以为连字符、波浪号等,范围特征的具体内容在本申请实施例中不做具体限定,只要能够用于表征数据范围即可。
例如,当某关注特征对应的关注值为65,且该关注特征对应的预设标准规则为80-100时,根据预设标准规则确定出该关注特征对应的标准值类型为数据范围类型,即可以确定出该关注特征对应的差值百分比公式为:
其中根据预设标准规则可以确定出,a1为80,a2为100,将x=65、a1=80以及a2=100导入差值百分比公式中得到/>差值百分比越接近100%,表征该关注特征与对应预设标准规则之间的偏差程度越小。
步骤S140:基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个关注特征对应的展示象限,将每个关注特征对应的子关注信息写入预设展示模型中,得到数据展示模型。
步骤S150:将数据展示模型反馈至相关调取人员对应的终端设备。
具体的,预设展示模型为立体数据展示模型,立体数据展示模型可以以三维形式展现写入的关注信息,相比于传统的平面展示方式而言,将关注特征对应的关注信息以三维的形式进行展示能够为调取人员提供更具立体感和深度感的视觉效果,有助于调取人员更好地理解和感知关注信息之间的空间关系。预设展示模型可由相关技术人员提前输入至电子设备内,并且可根据实际需求对预设展示模型进行修改和调整,具体的预设展示模型在本申请实施例中不做具体限定。
将预设展示模型导入预设三维坐标系后,可将预设展示模型划分为8个象限,如图2所示,不同的象限对应的展示方位不同,因此不同象限对应的重要级也不同。在本申请实施例中第一象限对应的重要等级最高,第二象限对应的重要等级次之,依次类推,第八象限对应的重要等级最低。
进一步地,为了提升展示象限与关注特征的匹配程度,基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,具体包括步骤S1401-步骤S1404,如图3所示,其中:
步骤S1401:获取预设展示模型中每个展示象限的范围百分比,根据关注特征对应的差值百分比和每个展示象限的范围百分比,确定关注特征对应的初始展示象限。
具体的,由于差值百分比越接近100%,表征该关注特征与对应预设标准规则之间的偏差程度越小,因此,当差值百分比与100%之间的差距越大,表征该关注特征出现异常或需要被关注的概率越大,因此可为不同的象限设置对应的写入标准,就每个象限对应有一个范围百分比,将每个关注特征对应的差值百分比与每个象限对应的范围百分比进行比较,以确定每个关注特征的写入象限,具体的范围百分比可以为当关注特征对应的差值百分比位于95%-105%之间时,确定关注特征的初始展示象限为第八象限;当关注特征对应的差值百分比位于85%-95%,或105%-115%之间时,确定关注特征的初始展示象限为第七象限;当关注特征对应的差值百分比位于75%-85%,或115%-125%之间时,确定关注特征的初始展示象限为第六象限;当关注特征对应的差值百分比位于65%-75%,或125%-135%之间时,确定关注特征的初始展示象限为第五象限;当关注特征对应的差值百分比位于55%-65%,或135%-145%之间时,确定关注特征的初始展示象限为四象限;依次类推,当关注特征对应的差值百分比低于25%或大于165%时,确定关注特征的初始展示象限为第一象限。
步骤S1402:获取历史就诊信息,根据历史就诊信息确定关注特征对应的历史均值百分比,历史均值百分比用于表征关注特征对应的历史均值与预设标准规则之间的偏差程度。
具体的,历史就诊信息为其他患者的历史就诊信息,通过对其他患者的历史就诊信息进行分析并确定出历史均值百分比,能够实现横向比较就诊信息,通过横向比较,可以为相关医护人员提供参考依据,帮助他们判断一个患者的病情是否正常或符合预期,另外,通过比较患者之间的治疗结果、疾病进展、病理特征等可以为相关医护人员提供更全面的信息,辅助他们制定个体化的治疗方案,为了对患者的安全隐私进行保障,获取历史就诊信息时需要进行安全身份验证,只有身份验证通过后才能对历史就诊信息进行访问,不同的历史就诊信息对应的安全等级不同,因此每个历史就诊信息对应的安全身份验证方式也不同,具体的身份验证方式在本申请实施例中不作具体限定,可以为人脸识别,也可以为短信识别。
根据历史就诊信息确定关注特征对应的历史均值百分比时,可先根据关注特征从历史就诊信息中筛选出该关注特征对应的子历史就诊信息,再从子历史就诊信息中确定出该关注特征对应的历史差值百分比,根据多个的患者各自对应的历史差值百分比进行均值计算,得到关注特征的历史均值百分比,其中,从子历史就诊信息中确定出该关注特征对应的历史差值百分比的方式,可参考上述确定差值百分比的实施例,在此不做赘述。
步骤S1403:根据历史均值百分比和差值百分比确定间隔百分比,并根据间隔百分比确定象限调整量。
步骤S1404:根据象限调整量调整初始展示象限,得到关注特征在预设展示模型中的展示象限。
具体的,间隔百分比为历史均值百分比与差值百分比之间的差值,间隔百分比越大,表征历史均值百分比与差值百分比之间的差距越大,例如,若历史均值百分比为86%,差值百分比为100%,则间隔百分比为14%。
由于差值百分比与关注特征的重要等级相关,若历史均值百分比与差值百分比之间的间隔百分比差距较大,则该患者的关注特征对应的重要等级可能需要进行调整,以免重要信息被忽略。不同的间隔百分比对应不同的象限调整量,确定间隔百分比对应的象限调整量时,可根据差值百分比与调整量之间的对应关系进行确定,其中,差值百分比与调整量之间的对应关系可以为当间隔百分比为0-5%时,调整值为一个象限;5-10%时,调整值为两个象限,依次类推,具体的对应关系在本申请实施例中不做具体限定,可由相关技术人员进行设定。象限调整量可以为调整一个象限值,也可以为调整多个象限值,调整类型包括上调或下调,例如,当某关注特征对应的差值百分比为126%时,对应的初始象限为第五象限,但是该关注特征对应的历史均值百分比为146%,可以确定出间隔百分比为20%,根据差值百分比与调整量之间的对应关系可以确定出该关注特征对应的象限调整量为四个象限。
确定调整类型时,可将历史均值百分比与差值百分比进行比较,若历史均值百分比高于差值百分比,则确定调整类型为上调;若历史均值百分比不高于差值百分比,则确定调整类型为下调。根据象限调整量调整初始展示象限时,只需要按照调整类型在初始展示象限的基础上进行调整即可,例如,初始展示象限为展示象限,象限调整量为四个象限,调整类型为上调,则调整后确定出的展示象限为第一象限。
每个展示象限均设有展示区域,根据每个关注特征对应的展示象限可将每个关注特征对应的子关注信息写入,其中,一个展示象限内可以写入一个关注特征对应的子关注信息,也可以写入多个关注特征各自对应的子关注信息,展示象限内写入的子关注信息的数量在本申请实施例中不做具体限定,由于展示象限内的展示区域有限,因此当展示区域全面被占满后,根据写入时间的前后顺序可对已经写入的数据进行覆盖。
进一步地,每个关注特征对应一个子关注信息,每个子关注信息中包含至少一个信息类型,为了便于相关调取人员可以直观查看每个子关注信息,将每个关注特征对应的子关注信息写入预设展示模型中,包括:
根据每个关注特征对应的子关注信息,确定每个子关注信息的象限展示区域,每个关注特征的象限展示区域为每个关注特征对应展示象限中的区域;根据每个子关注信息中包含的信息类型将子关注信息进行分割,得到至少一个分割信息,每个分割信息对应一个信息类型;确定每个分割信息的分割信息量,并基于每个分割信息对应的分割信息量确定每个分割信息的写入区域,每个分割信息的写入区域是由对应子关注信息的展示象限展示区域分割得到的;基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内。
具体的,象限展示区域为子关注信息在对应展示象限内的区域,其中,不同的子关注信息对应的象限展示区域不同,确定子关注信息对应的象限展示区域时,可先通过对子关注信息进行数据量识别,再根据识别到的数据量确定出初始象限展示区域。在将关注特征对应的子关注信息写入初始象限展示区域时,可直接以折线图或统计表的形式写入,也可以对子关注信息划分后写入。对子关注信息进行数据量识别时,可通过统计子关注信息中字符的数量,以初步估计子关注信息的大小,每个字符通常占用一个字节的存储空间,因此可以将字符数作为近似的数据量指标;还可以通过统计子关注信息中单词的数量,以更精细地估计子关注信息的大小,每个单词通常由几个字符组成,所以可以将单词数乘以每个单词的平均字符数来得到一个估计的数据量,具体的识别方式在本申请实施例中不做具体限定,只要能够识别出子关注信息对应的数据量即可。
其中,在对子关注信息划分后写入时,可以对子关注信息进行进一步特征识别,并根据识别结果对子关注信息进行划分得到分割信息,确定分割信息对应写入区域的方式可参考上述确定每一子关注区域的象限展示区域的方式,在此不做赘述。将每个分割信息写入至对应的写入区域的方式,可参考上述将子关注信息写入初始象限展示区域的方式,在此不做赘述。通过将每个子关注信息对应的分割信息写入对应的写入区域,以实现将每个关注特征对应的子关注信息写入预设展示模型。
对于本申请实施例,由于调取人员的身份不同、调取阶段不同时,需要查看的信息也不同,因此通过调取人员类型和调取阶段对患者的就诊信息进行筛选,以便于提升调取信息的精确度,而不是将该患者所有的就诊信息进行反馈,另外通过信息筛选便于减少调取信息对应的数据量,从而便于提升调取信息过程中的效率,另外,由于患者的就诊信息较为繁杂,通过预设展示模型对关注信息进行展示,便于相关调取人员更深入且直观地了解关注信息,并且通过关注特征对应的差值百分比确定关注信息在预设展示模型中的展示位置,以对关注信息进行重要等级划分,通过反馈的预设数据展示模型即可对需要关注内进行查看,而不需要进行人工筛选、分类等管理工作,减轻了相关工作人员的工作负担,并且提高了数据管理工作过程中的工作效率。
进一步地,为了便于相关人员更好地理解和解读分割信息,基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内时,具体包括:
为每个分割信息分配对应的展示节点,识别每个分割信息中的关键特征,将每个分割信息中的关键特征进行匹配得到关键特征匹配值,并根据每个关键特征匹配值确定每个分割信息对应展示节点之间的关联边长;识别每个分割信息的数据量,根据分割量确定每个分割信息对应展示节点的大小;根据关联边长和展示节点和大小,连接每个展示节点得到信息关系式,将信息关系式写入至预设展示模型内。
具体的,展示节点为写入区域内的节点,为每个分割信息分配展示节点,即不同的分割信息在写入区域内的展示位置是独立的,若不同的分割信息之间存在关联关系,可将不同的展示节点之间进行连接,如图4所示,不同分割信息之间的关键特征匹配值越高,两个分割信息对应展示节点之间的距离越近,其中,分割信息中的关键特征可以为分割信息中出现频率最高的内容,也可以为分割信息的中心句,关键特征的具体形式在本申请实施例中不做具体限定,可通过语义识别的方法识别分割信息中的关键特征,语义识别方法可以为基于向量空间模型的词袋模型和主题模型,以及基于深度学习的词嵌入模型,如Word2Vec、GloVe和语言模型,如BERT、GPT等,具体的语义识别方法在本申请实施例中不做具体限定。
识别分割信息的数据量的方式可参考上述确定子关注信息的数据量的方式,在此不做赘述,不同的数据量对应展示节点的大小不同,数据量越大展示节点越大。根据每个分割信息对应展示节点的大小,与关联边长将每个展示节点进行连接,生成每个子关注信息对应的信息关系式,如图4所示。通过将分割信息以展示节点的形式进行展示,并使用关联边长展示分割信息之间的关联程度,以及使用展示节点的大小展示分割信息的信息量,便于向相关人员提供更直观的关联关系。
进一步地,为了提高筛选过程中的效率和准确率,根据至少一个关注特征,对就诊信息进行筛选得到关注信息,包括:
对每个关注特征进行分词预处理,得到每个关注特征对应的至少一个特征词;将每个关注特征对应的至少一个特征词转换为词向量,得到对应的至少一个词向量;根据每个关注特征对应的至少一个词向量,对就诊信息进行筛选得到每个关注特征对应的子关注信息。
具体的,对关注特征进行分词预处理的方式至少包括以下任一种:jieba(结巴)库、NLP(自然语言处理)中文分词,具体的分词处理方式在本申请实施例中不做具体限定,例如,当对关注特征进行分词预处理时,采用的是jieba库,jieba库有三种分词模式,分别为精准模式、全模式、搜索引擎模式,在本申请实施例中采用的为精准模式,精准模式即将一段文本精确地切成若干个中文单词,若干个中文单词之间经过组合,就精准地还原为之前的文本,其中不存在冗余单词。
将每个关注特征对应的至少一个特征词转换为词向量时,可对每个特征词进行word2vec词向量训练,以得到每个特征词对应的词向量,其中,可通过计算每个词向量与就诊信息中部分信息的相似度,以评估就诊信息与每个词向量之间的相关性,常用的相似度计算方法有余弦相似度、欧氏距离等,根据相似度的阈值,将相似度高于阈值的部分信息视为与关注特征相关的子关注信息。
进一步地,本申请实施例提供的方法还包括:
当监测到检查引导请求时,获取患者的检查清单,检查清单包括待检查项目和每个待检查项目对应的排位号码;实时获取每个待检查项目的当前检查号码,根据每个待检查项目的当前检查号码和对应的排位号码,确定每个待检查项目对应的检查状态,检查状态包括准备状态和等待状态;当检查项目对应的检查状态为准备状态时,获取患者的当前位置,并根据患者的当前位置,判断患者是否位于预设准备区域;若否,则判断患者是否满足预设条件,若符合则生成提醒信息,并将提醒信息反馈至患者的终端设备,其中,预设条件包括:患者在非检查区域;患者在检查区域,并且患者的排位号码与当前所在区域的检查号码之间的号码差值大于与准备状态的区域之间的号码差值。
具体的,检查引导请求可由患者通过终端设备发送至电子设备,当检测到患者或患者家属发出的检查引导请求时,表征该患者有正在进行中的检查项目,或准备进行的检查项目。获取患者的检查清单时,可通过检查引导请求识别患者标识,再根据患者标识从数据库中调取患者的检查清单,患者的检查清单中包含每个待检查项目和对应的序号。
获取待检查项目的当前检查号码时,可通过待检查项目对应的工作日志进行获取,确定每个待检查项目对应的检查状态时,可根据待检查项目的当前检查号码与患者排位号码之间的号码差值进行确定,若待检查项目的当前检查号码与患者的排位号码之间的号码差值低于预设号码阈值,则确定该待检查项目对应的检查状态为准备状态;若待检查项目的当前检查号码与患者的排位号码之间的号码差值不低于预设号码阈值,则确定该待检查项目对应的检查状态为等待状态。预设号码阈值可以为1个,也可以为2个,具体的预设号码阈值在本申请实施例中不做具体限定,可由相关技术人员进行设定。
当检查状态为准备状态时,表征该患者会在短时间内接受检查,此时需要识别该患者是否位于检查项目对应的预设准备区域内,若识别到该患者没有位于预设准区域内,则该患者可能会错过本次检查机会,预设准备区域为检查项目对应的排位区域,识别患者是否位于预设准备区域内时,可在确定出该患者对应的检查状态为准备状态时,获取对应检查项目的排位区域图像,并识别排位区域图像中包含的人脸特征,并判断识别到的人脸特征中是否包含有患者的人脸特征,若是,则表征患者位于预设准备区域;若否,则表征该患者没有位于预设准备区域。
若患者未位于预设准备区域,可直接向该患者或患者家属发送提醒信息以提醒该患者及时抵达预设准备区域;还可以在患者满足预设条件后生成提醒信息,其中,非检查区域为非预设准备区域,即表征患者此时没有进行任何检查项目的排队,若在所有待检测项目对应的预设准备区域均为监测到患者,则确定该患者符合预设条件,此时可生成提醒信息;当患者需要进行多个检查项目分别为项目a、项目b以及项目c时,患者可能先去其中一个项目对应的预设准备区域排队等候,但是由于不同的检查项目对应的检查时长不同,因此,不同的检查项目需要等待的时长也不同,当项目a对应的检查状态为准备状态,且在项目a对应的预设准备区域内未识别到患者时,需判断该患者是否在项目b或项目c的预设准备区域,若患者在项目b对应的预设准备区域,则需根据项目a对应的工作日志确定患者的排位号码与项目a的当前检查号码之间的第一号码差值,根据项目b对应的工作日志确定患者的排位号码与项目b的当前检查号码之间的第二号码差值,当第二号码差值大于第一号码差值时,生成提醒信息。通过反馈提醒信息,可以帮助患者及时获取相关信息,避免长时间的等待。
上述实施例从方法流程的角度介绍一种基于人工智能的数据管理方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于人工智能的数据管理装置,具体详见下述实施例。
本申请实施例提供一种基于人工智能的数据管理装置,如图5所示,该装置具体可以包括获取需求信息模块510、信息筛选模块520、确定差值百分比模块530、确定展示象限模块540以及模型反馈模块550,其中:
获取需求信息模块510,用于获取调取需求信息,并根据调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,调取人员类型包括医护人员和患者;
信息筛选模块520,用于根据调取人员类型和调取阶段,确定至少一个关注特征,并根据至少一个关注特征,对就诊信息进行筛选得到关注信息,关注信息中包含每个关注特征对应的子关注信息;
确定差值百分比模块530,用于从关注信息中识别每个关注特征对应的关注值,并根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比,差值百分比用于表征关注值与对应预设标准规则之间的偏差程度;
确定展示象限模块540,用于基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个关注特征对应的展示象限,将每个关注特征对应的子关注信息写入预设展示模型中,得到数据展示模型;
模型反馈模块550,用于将数据展示模型反馈至相关调取人员对应的终端设备。
在一种可能实现的方式中,确定差值百分比模块530在根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值差百分比时,具体用于:
识别每个关注特征对应的预设标准规则中的标准值类型,标准值类型包括数值类型和数值范围类型;
根据每个关注特征对应的关注值、标准值类型和差值百分比公式,确定每个关注值与对应预设标准规则之间的差值差百分比,其中,差值百分比公式为:
其中,Y用于表征差值百分比;
x用于表征关注特征对应的关注值;
a用于表征预设标准规则中的标准数值;
a1和a2用于表征预设标准规则中标准数值范围对应的限值。
在一种可能实现的方式中,确定展示象限模块540在基于关注特征对应的差值百分比,确定关注特征在预设展示模型中的展示象限时,具体用于:
获取预设展示模型中每个展示象限的范围百分比,根据关注特征对应的差值百分比和每个展示象限的范围百分比,确定关注特征对应的初始展示象限;
获取历史就诊信息,根据历史就诊信息确定关注特征对应的历史均值百分比,历史均值百分比用于表征关注特征对应的历史均值与预设标准规则之间的偏差程度;
根据历史均值百分比和差值百分比确定间隔百分比,并根据间隔百分比确定象限调整量;
根据象限调整量调整初始展示象限,得到关注特征在预设展示模型中的展示象限。
在一种可能实现的方式中,每个关注特征对应一个子关注信息,每个子关注信息中包含至少一个信息类型,确定展示象限模块540在将每个关注特征对应的子关注信息写入预设展示模型中时,具体用于:
根据每个关注特征对应的子关注信息,确定每个子关注信息的象限展示区域,每个关注特征的象限展示区域为每个关注特征对应展示象限中的区域;
根据每个子关注信息中包含的信息类型将子关注信息进行分割,得到至少一个分割信息,每个分割信息对应一个信息类型;
确定每个分割信息的分割信息量,并基于每个分割信息对应的分割信息量确定每个分割信息的写入区域,每个分割信息的写入区域是由对应子关注信息的展示象限展示区域分割得到的;基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内。
在一种可能实现的方式中,确定展示象限模块540在基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内时,具体用于:
为每个分割信息分配对应的展示节点,识别每个分割信息中的关键特征,将每个分割信息中的关键特征进行匹配得到关键特征匹配值,并根据每个关键特征匹配值确定每个分割信息对应展示节点之间的关联边长;
识别每个分割信息的数据量,根据分割量确定每个分割信息对应展示节点的大小;
根据关联边长和展示节点和大小,连接每个展示节点得到信息关系式,将信息关系式写入至预设展示模型内。
在一种可能实现的方式中,信息筛选模块520在根据至少一个关注特征,对就诊信息进行筛选得到关注信息时,具体用于:
对每个关注特征进行分词预处理,得到每个关注特征对应的至少一个特征词;
将每个关注特征对应的至少一个特征词转换为词向量,得到对应的至少一个词向量;
根据每个关注特征对应的至少一个词向量,对就诊信息进行筛选得到每个关注特征对应的子关注信息。
在一种可能实现的方式中,该装置还包括:
获取检查清单模块,用于当监测到检查引导请求时,获取患者的检查清单,检查清单包括待检查项目和每个待检查项目对应的排位号码;
确定检查状态模块,用于实时获取每个待检查项目的当前检查号码,根据每个待检查项目的当前检查号码和对应的排位号码,确定每个待检查项目对应的检查状态,检查状态包括准备状态和等待状态;
区域判断模块,用于当检查项目对应的检查状态为准备状态时,获取患者的当前位置,并根据患者的当前位置,判断患者是否位于预设准备区域;
条件判断模块,用于若否,则判断患者是否满足预设条件,若符合则生成提醒信息,并将提醒信息反馈至患者的终端设备,其中,预设条件包括:
患者在非检查区域;
患者在检查区域,并且患者的排位号码与当前所在区域的检查号码之间的号码差值大于与准备状态的区域之间的号码差值。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的基于人工智能的数据管理装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图6所示,图6所示的电子设备600包括:处理器601和存储器603。其中,处理器601和存储器603相连,如通过总线602相连。可选地,电子设备600还可以包括收发器604。需要说明的是,实际应用中收发器604不限于一个,该电子设备600的结构并不构成对本申请实施例的限定。
处理器601可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器601也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线602可包括一通路,在上述组件之间传送信息。总线602可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器603可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器603用于存储执行本申请方案的应用程序代码,并由处理器601来控制执行。处理器601用于执行存储器603中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于人工智能的数据管理方法,其特征在于,包括:
获取调取需求信息,并根据所述调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,所述调取人员类型包括医护人员和患者;
根据所述调取人员类型和调取阶段,确定至少一个关注特征,并根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息,关注信息中包含每个关注特征对应的子关注信息;从所述关注信息中识别每个关注特征对应的关注值,并根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比,差值百分比用于表征关注值与对应预设标准规则之间的偏差程度;
基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个关注特征对应的展示象限,将每个关注特征对应的子关注信息写入所述预设展示模型中,得到数据展示模型;
将所述数据展示模型反馈至相关调取人员对应的终端设备。
2.根据权利要求1所述的一种基于人工智能的数据管理方法,其特征在于,所述根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值差百分比,包括:
识别每个关注特征对应的预设标准规则中的标准值类型,所述标准值类型包括数值类型和数值范围类型;
根据每个关注特征对应的关注值、标准值类型和差值百分比公式,确定每个关注值与对应预设标准规则之间的差值差百分比,其中,差值百分比公式为:
其中,Y用于表征差值百分比;
x用于表征关注特征对应的关注值;
a用于表征预设标准规则中的标准数值;
a1和a2用于表征预设标准规则中标准数值范围对应的限值。
3.根据权利要求1所述的一种基于人工智能的数据管理方法,其特征在于,其特征在于,基于关注特征对应的差值百分比,确定关注特征在预设展示模型中的展示象限,包括:
获取所述预设展示模型中每个展示象限的范围百分比,根据关注特征对应的差值百分比和每个展示象限的范围百分比,确定关注特征对应的初始展示象限;
获取历史就诊信息,根据所述历史就诊信息确定关注特征对应的历史均值百分比,所述历史均值百分比用于表征关注特征对应的历史均值与预设标准规则之间的偏差程度;
根据所述历史均值百分比和所述差值百分比确定间隔百分比,并根据间隔百分比确定象限调整量;
根据所述象限调整量调整所述初始展示象限,得到关注特征在所述预设展示模型中的展示象限。
4.根据权利要求1所述的一种基于人工智能的数据管理方法,其特征在于,其特征在于,每个关注特征对应一个子关注信息,每个子关注信息中包含至少一个信息类型,所述将每个关注特征对应的子关注信息写入所述预设展示模型中,包括:
根据每个关注特征对应的子关注信息,确定每个子关注信息的象限展示区域,每个关注特征的象限展示区域为每个关注特征对应展示象限中的区域;
根据每个子关注信息中包含的信息类型将子关注信息进行分割,得到至少一个分割信息,每个分割信息对应一个信息类型;
确定每个分割信息的分割信息量,并基于每个分割信息对应的分割信息量确定每个分割信息的写入区域,每个分割信息的写入区域是由对应子关注信息的展示象限展示区域分割得到的;基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内。
5.根据权利要求4所述的一种基于人工智能的数据管理方法,其特征在于,所述基于每个分割信息对应的写入区域将每个分割信息写入至预设展示模型内,包括:
为每个分割信息分配对应的展示节点,识别每个分割信息中的关键特征,将每个分割信息中的关键特征进行匹配得到关键特征匹配值,并根据每个关键特征匹配值确定每个分割信息对应展示节点之间的关联边长;
识别每个分割信息的数据量,根据分割量确定每个分割信息对应展示节点的大小;
根据关联边长和展示节点和大小,连接每个展示节点得到信息关系式,将所述信息关系式写入至预设展示模型内。
6.根据权利要求1所述的一种基于人工智能的数据管理方法,其特征在于,根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息,包括:
对每个关注特征进行分词预处理,得到每个关注特征对应的至少一个特征词;
将每个关注特征对应的至少一个特征词转换为词向量,得到对应的至少一个词向量;
根据每个关注特征对应的至少一个词向量,对所述就诊信息进行筛选得到每个关注特征对应的子关注信息。
7.根据权利要求1所述的一种基于人工智能的数据管理方法,其特征在于,还包括:
当监测到检查引导请求时,获取患者的检查清单,所述检查清单包括待检查项目和每个待检查项目对应的排位号码;
实时获取每个待检查项目的当前检查号码,根据每个待检查项目的当前检查号码和对应的排位号码,确定每个待检查项目对应的检查状态,所述检查状态包括准备状态和等待状态;
当检查项目对应的检查状态为准备状态时,获取所述患者的当前位置,并根据所述患者的当前位置,判断所述患者是否位于预设准备区域;
若否,则判断所述患者是否满足预设条件,若符合则生成提醒信息,并将所述提醒信息反馈至所述患者的终端设备,其中,预设条件包括:
患者在非检查区域;
患者在检查区域,并且患者的排位号码与当前所在区域的检查号码之间的号码差值大于与准备状态的区域之间的号码差值。
8.一种基于人工智能的数据管理装置,其特征在于,包括:
获取需求信息模块,用于获取调取需求信息,并根据所述调取需求信息确定对应的就诊信息、调取人员类型以及调取阶段,所述调取人员类型包括医护人员和患者;
信息筛选模块,用于根据所述调取人员类型和调取阶段,确定至少一个关注特征,并根据所述至少一个关注特征,对所述就诊信息进行筛选得到关注信息,关注信息中包含每个关注特征对应的子关注信息;
确定差值百分比模块,用于从所述关注信息中识别每个关注特征对应的关注值,并根据每个关注特征对应的预设标准规则,确定每个关注值与对应预设标准规则之间的差值百分比,差值百分比用于表征关注值与对应预设标准规则之间的偏差程度;
确定展示象限模块,用于基于每个关注特征对应的差值百分比,确定每个关注特征在预设展示模型中的展示象限,并根据每个关注特征对应的展示象限,将每个关注特征对应的子关注信息写入所述预设展示模型中,得到数据展示模型;
模型反馈模块,用于将所述数据展示模型反馈至相关调取人员对应的终端设备。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1-7中任一项所述的一种基于人工智能的数据管理方法。
10.一种计算机可读存储介质,其特征在于,包括:存储有能够被处理器加载并执行如权利要求1-7中任一种所述的一种基于人工智能的数据管理方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481083.6A CN117409916A (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的数据管理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481083.6A CN117409916A (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的数据管理方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117409916A true CN117409916A (zh) | 2024-01-16 |
Family
ID=89488885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481083.6A Pending CN117409916A (zh) | 2023-11-08 | 2023-11-08 | 基于人工智能的数据管理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409916A (zh) |
-
2023
- 2023-11-08 CN CN202311481083.6A patent/CN117409916A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220044812A1 (en) | Automated generation of structured patient data record | |
US9965548B2 (en) | Analyzing natural language questions to determine missing information in order to improve accuracy of answers | |
US9146987B2 (en) | Clustering based question set generation for training and testing of a question and answer system | |
US9230009B2 (en) | Routing of questions to appropriately trained question and answer system pipelines using clustering | |
US20140344274A1 (en) | Information structuring system | |
CN112562807B (zh) | 医疗数据分析方法、装置、设备、存储介质和程序产品 | |
US20200020423A1 (en) | A method and system for matching subjects to clinical trials | |
US20190237200A1 (en) | Recording medium recording similar case retrieval program, information processing apparatus, and similar case retrieval method | |
US20150227714A1 (en) | Medical information analysis apparatus and medical information analysis method | |
CN113345577A (zh) | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 | |
CN111627512A (zh) | 一种相似病历的推荐方法、装置,电子设备及存储介质 | |
CN111061835B (zh) | 查询方法及装置、电子设备和计算机可读存储介质 | |
US11848100B2 (en) | Automatic clinical report generation | |
CN112115697A (zh) | 用于确定目标文本的方法、装置、服务器以及存储介质 | |
CN111755090A (zh) | 病历查找方法、病历查找装置、存储介质与电子设备 | |
CN113314207A (zh) | 一种对象推荐方法、装置、存储介质及电子设备 | |
CN115620886B (zh) | 一种数据审核方法和装置 | |
CN111126034A (zh) | 医学变量关系的处理方法及装置、计算机介质和电子设备 | |
CN114201613B (zh) | 试题生成方法、试题生成装置、电子设备以及存储介质 | |
CN116153496A (zh) | 神经网络模型训练方法和抑郁情绪检测方法 | |
CN117409916A (zh) | 基于人工智能的数据管理方法、装置、电子设备及介质 | |
US20230072155A1 (en) | Method and system for incorporating patient information | |
CN113990514A (zh) | 医师诊疗行为的异常检测装置、计算机设备及存储介质 | |
Kefeli et al. | TCGA-Reports: A machine-readable pathology report resource for benchmarking text-based AI models | |
CN111383725A (zh) | 不良反应数据鉴别方法、装置、电子设备及可读介质 |
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 |