CN118039163A - 基于大模型和蚁群算法的临床风险管理方法及装置 - Google Patents
基于大模型和蚁群算法的临床风险管理方法及装置 Download PDFInfo
- Publication number
- CN118039163A CN118039163A CN202410406928.3A CN202410406928A CN118039163A CN 118039163 A CN118039163 A CN 118039163A CN 202410406928 A CN202410406928 A CN 202410406928A CN 118039163 A CN118039163 A CN 118039163A
- Authority
- CN
- China
- Prior art keywords
- ant
- optimal solution
- colony algorithm
- text data
- diagnosis
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title abstract description 53
- 238000011282 treatment Methods 0.000 claims abstract description 147
- 238000003745 diagnosis Methods 0.000 claims abstract description 136
- 239000003016 pheromone Substances 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000013178 mathematical model Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 67
- 230000006399 behavior Effects 0.000 claims description 52
- 241000257303 Hymenoptera Species 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 206010067484 Adverse reaction Diseases 0.000 description 2
- 230000006838 adverse reaction Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于大模型和蚁群算法的临床风险管理方法及装置，该方法包括：获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本。调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成诊疗方案，以动态评估当前临床风险问题。将临床风险问题建模成适配蚁群算法的数学模型，并通过蚁群算法对当前病历文本数据进行表示。对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素。通过更新蚂蚁路径上的信息素获取蚁群算法的最优解，并调用医学大模型对最优解进行处理，以对最优解进行评估。
Description
技术领域
本发明涉及医疗技术领域，特别是涉及一种基于大模型和蚁群算法的临床风险管理方法及装置。
背景技术
蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚂蚁群体寻找食物过程的群体智能优化算法。这一算法最早是由意大利计算机科学家Marco Dorigo在1992年提出，灵感来自蚂蚁在寻找食物时的协作行为。因该算法可以用于解决复杂的优化问题，所以蚁群算法目前被广泛应用于各个领域。比如被应用于应急电源管理系统及智能巡查、拓扑优化方法及系统以及基于蚁群算法优化医技管理等。
首先，现有的基于蚁群算法的应急电源管理系统的智能巡查主要采用一种基于蚁群算法的应急电源管理系统，包括监控主机和多个灯具单元，每一个灯具单元包括一个电源节点。每一个电源节点包括一个灯具控制器和一个对应的电源信息采集模块，灯具控制器用于接收监控主机发送的控制信息，控制电源信息采集模块。电源信息采集模块用于采集电源数据信息，然后将采集到的电源数据信息通过CAN总线上传至监控主机。监控主机用于对电源节点采用基于蚁群算法的智能巡查并分析电源节点的荷电状态，并在用户界面上进行显示。监控主机基于蚁群算法采用主动巡查方式结合周期性定时巡查方式确定电源节点的巡查路径，并根据电源节点上传的电源数据信息分析电源节点的荷电状态，并在用户界面上进行显示。
其次，现有的基于蚁群算法的拓扑优化方法及系统主要根据工程需要确定初始有限元结构，构建以离散密度为设计变量的拓扑优化模型，根据蚁群算法的节点转换规则构建拓扑结构的单元转换规则，确定拓扑优化模型中的各个单元密度，得到优化的拓扑结构。
再次，现有的基于蚁群算法的医技管理技术通过获取目标医疗技术的医疗手术名称和目标监控点，根据医疗手术名称和预设蚁群算法模型确定医疗技术核心点的监控深度。根据监控深度、所述医疗手术名称以及预设蚁群算法模型确定目标监控点的监控路径，根据监控路径和监控深度完成对目标医疗技术的管理。
但是，上述三种现有技术对蚁群算法本身的智能水平依赖性较强，因此上述三种方法对模型设计要求较高，目标函数、约束条件以及决策变量的选择会直接影响最终的结果。然而，在医疗领域，临床实践频繁发生，医院管理者迫切需要相应的技术手段来降低风险事件的发生概率，现有技术中仅依赖于对蚁群算法本身的智能水平难以满足医疗领域的需求。
发明内容
基于此，有必要针对上述技术问题，提供一种将蚁群算法与大模型相结合来提高蚁群算法的智能水平的基于大模型和蚁群算法的临床风险管理方法及装置。
本发明提供了一种大模型和蚁群算法的临床风险管理方法，所述方法包括：
获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，所述医学大模型为开源的大模型基于历史医学文本进行微调得到的；
调用AI识别技术识别出当前病历文本数据中的所述诊疗行为文本，并调用蚁群算法基于所述诊疗行为文本生成与所述当前病历文本数据匹配的诊疗方案，所述诊疗方案用于动态评估所述当前病历文本数据的临床风险问题；
将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示；
基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，所述蚂蚁路径为不同的诊疗方案；
通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，所述最优解或近似最优解包括最佳诊疗方案。
在其中一个实施例中，所述获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，之前包括：
获取所述历史医学文本，并基于所述历史医学文本构建开源的大模型的训练数据集；
通过所述训练数据集对所述开源的大模型进行训练，以对所述开源的大模型进行微调，得到所述医学大模型。
在其中一个实施例中，所述将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示，包括：
将所述临床风险问题建模成适配所述蚁群算法的数学模型，所述数学模型包括所述目标函数、约束条件以及决策变量，所述目标函数包括患者的最小化诊疗风险，所述约束条件包括患者的身体状况以及诊疗资源的可用性；
调用所述蚁群算法对所述当前病历文本数据进行图形表示，所述图形包括节点和边线，所述节点用于表征诊疗方案，所述边线用于表征不同诊疗方案之间的关系。
在其中一个实施例中，所述基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，包括：
对所述蚁群算法进行参数配置，所述参数配置至少包括所述蚁群算法中的蚂蚁数量、信息素挥发率以及启发函数；
通过蚂蚁根据所述启发函数和信息素浓度对所述蚂蚁路径进行选择，获取所述蚁群算法基于当前病历文本数据的当前解，并调用所述医学大模型对所述当前解进行评估，得到评估结果。
在其中一个实施例中，所述基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，还包括：
当所述评估结果不满足设定预期时，对所述蚂蚁路径进行调整，并通过所述蚁群算法根据启发函数和信息素浓度再次对所述蚂蚁路径进行选择，以引导蚂蚁寻找所述最优解或近似最优解；
通过所述蚁群算法根据启发函数和信息素浓度多次迭代对所述蚂蚁路径进行选择，获取所述蚁群算法基于所述当前病历文本数据的最优解或近似最优解，所述医学大模型基于所述最优解或近似最优解满足的评估所述设定预期。
在其中一个实施例中，所述通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，包括：
调用所述医学大模型对所述当前医学文本数据进行分析，以获取所述当前医学文本数据中的诊疗行为文本；
通过所述医学大模型以所述诊疗行为文本为基线对所述最优解或近似最优解进行评估，得到最优解模型评估结果。
在其中一个实施例中，所述方法还包括：
通过AI识别技术对所述当前医学文本数据进行识别，以获取所述当前医学文本数据的临床风险事件以及患者满意度；
基于所述临床风险事件和患者满意度对所述最优解或近似最优解进行评估，得到最优解AI评估结果。
本发明还提供了一种基于大模型和蚁群算法的临床风险管理装置，所述装置包括：
模型处理模块，用于获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，所述医学大模型为开源的大模型基于历史医学文本进行微调得到的；
AI识别模块，用于调用AI识别技术识别出当前病历文本数据中的所述诊疗行为文本，并调用蚁群算法基于所述诊疗行为文本生成与所述当前病历文本数据匹配的诊疗方案，所述诊疗方案用于动态评估所述当前病历文本数据的临床风险问题；
数学建模模块，用于将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示；
信息素更新模块，用于基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，所述蚂蚁路径为不同的诊疗方案；
最优解评估模块，用于通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，所述最优解或近似最优解包括最佳诊疗方案。
本发明还提供了一种电子设备，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如上述任一种所述的基于大模型和蚁群算法的临床风险管理方法。
本发明还提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于大模型和蚁群算法的临床风险管理方法。
本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于大模型和蚁群算法的临床风险管理方法。
上述基于大模型和蚁群算法的临床风险管理方法及装置，通过获取医学文本数据，并调用微调好的医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本。随后，调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，以动态评估当前病历文本数据的临床风险问题。然后，将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示。再对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案。最后，通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估。该方法将蚁群算法用在临床风险管理复杂的业务场景中，能够充分挖掘蚁群算法的优势，定制适配各个诊疗场景的诊疗路径，通过诊疗路径约束临床医生的诊疗行为，从而确保临床风险控制在较小的范围内。同时将大模型技术融合进蚁群算法的优化流程，相比现有的蚁群算法，能够比较显著提升算法效果，使得蚁群算法更加精准识别和解决诊疗场景中的临床风险，从而为管控临床风险提供强有力的技术基础。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之一；
图2为本发明提供的具体实施例中基于大模型和蚁群算法的临床风险管理方法的临床风险管理整体流程示意图；
图3为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之二；
图4为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之三；
图5为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之四；
图6为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之五；
图7为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之六；
图8为本发明提供的基于大模型和蚁群算法的临床风险管理方法流程示意图之七；
图9为本发明提供的基于大模型和蚁群算法的临床风险管理装置结构示意图；
图10为本发明提供的计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图10描述本发明的基于大模型和蚁群算法的临床风险管理方法及装置。
如图1所示，在一个实施例中，一种基于大模型和蚁群算法的临床风险管理方法，包括以下步骤：
步骤S110，获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本，医学大模型为开源的大模型基于历史医学文本进行微调得到的。
具体的，服务器获取医学文本数据，并调用开源大模型基于大量历史医学文本进行训练微调得到的医学大模型对该医学文本数据进行处理，来完成医学文本数据中诊疗行为文本的提取。
结合图所示，在具体的实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，首先，基于大模型临床路径抽取：基于开源的大模型，微调出效果较好的医学领域大模型，通过领域大模型，抽取指南文献/高质量病历中目标临床问题的诊疗路径/诊疗方案，作为后续评估蚁群算法模型效果的基线。
步骤S120，调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，诊疗方案用于动态评估当前病历文本数据的临床风险问题。
具体的，服务器调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于该诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，该诊疗方案用于动态评估当前病历文本数据的临床风险问题。
结合图2所示，在具体的实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，在进行问题定义的过程中，明确定义需要解决的临床风险问题，如主要解决的是诊疗不规范所导致的风险问题，可基于AI技术识别当前病历医生的诊疗行为，根据蚁群算法来生成适配的诊疗方案，动态评估诊疗风险。例如，根据患者的病史、症状、生活方式等信息，为患者设计个性化的治疗方案。
步骤S130，将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示。
具体的，服务器将临床风险问题建模成适配蚁群算法的数学模型，以此来确定临床风险问题在数学模型中的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示。
结合图2所示，在具体的实施例中，建模过程中，将临床问题建模成适合蚁群算法的数学模型，确定问题的目标函数、约束条件和决策变量。例如，目标函数可能是最小化患者的治疗风险，约束条件可能包括患者的身体状况、治疗资源的可用性等。信息表示时，将患者的信息以适合蚁群算法的方式进行表示。可以使用图形表示，其中节点代表可能的治疗决策，边表示不同决策之间的关系。
在本实施例中，还需要进行蚁群算法参数适配，即设置蚁群算法的参数，包括蚂蚁数量、信息素挥发率、启发函数等，这些参数的配置取决于具体的临床问题和数据。其中，蚂蚁数量的配置逻辑为：如果是复杂的诊疗问题，增加蚂蚁数量可能有助于更全面地探索解空间，但也需要更多的计算资源，在简单的场景下，选择较少的蚂蚁数量，因为少量蚂蚁可能已经足够快速地搜索解空间。挥发系数配置：低复杂度场景，较低的挥发系数有助于保持较长时间的信息传递，更容易收敛到较优解。在高复杂度场景中，即在较复杂的问题中，适度提高挥发系数有助于防止过早陷入局部最优，更鼓励蚂蚁探索新的路径。
步骤S140，基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案。
具体的，服务器基于步骤S130中基于蚁群算法对当前病历文本数据的表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，该蚂蚁路径为不同的诊疗方案。
结合图2所示，在具体的实施例中，在蚁群算法初始化过程中，需要初始化蚂蚁的位置和路径，结合上下文中，路径可以代表不同的治疗方案，蚂蚁根据启发函数和信息素浓度选择路径，并更新路径上的信息素。还可以通过更新路径上信息素的方式进行迭代优化，通过多次迭代，蚁群算法不断更新信息素并调整蚂蚁的路径选择，逐步优化问题的解。在每次迭代中，评估当前解的质量，更新信息素，可以引导蚂蚁寻找更优解。
步骤S150，通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估，最优解或近似最优解包括最佳诊疗方案。
具体的，服务器通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对该最优解或近似最优解进行处理，以对该最优解或近似最优解进行评估，该最优解或近似最优解即为最佳诊疗方案。
结合图2所示，在具体的实施例中，在结果评估的过程中，分析蚁群算法得到的最优解或近似最优解，评估治疗方案的质量，包括风险降低、患者满意度等方面。通过医学大模型得到的诊疗路径/方案，用来给蚁群算法最佳治疗方案做评估。同时也可以通过AI技术识别病历中，风险事件和患者的满意度情况，比如治疗的不良反应情况等，来评估蚁群算法治疗方案的效果。另外，还可以根据实际应用中的反馈，对相关参数和模型进行调整，来提高蚁群算法的性能和适应性。
在本实施例中，临床风险管理中的个性化治疗方案制定可能涉及多个因素，包括患者的健康状况、病史、生活方式、基因信息等。蚁群算法通过模拟蚂蚁在搜索最优路径时的集体智能，综合考虑这些复杂的因素，并生成个性化的治疗方案。然而，在实际应用中，需要与临床专业人员密切合作，确保算法生成的治疗方案是符合医学标准和实际患者需求的，所以该方法能够对诊疗场景中的风险事件进行识别，并以质控的方式在医生工作站进行提醒，让医生进行确认，也可以提供交互的界面，让医生对风险提醒效果进行评论，用以进行后续的效果优化。
上述基于大模型和蚁群算法的临床风险管理方法，通过获取医学文本数据，并调用微调好的医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本。随后，调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，以动态评估当前病历文本数据的临床风险问题。然后，将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示。再对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案。最后，通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估。该方法将蚁群算法用在临床风险管理复杂的业务场景中，能够充分挖掘蚁群算法的优势，定制适配各个诊疗场景的诊疗路径，通过诊疗路径约束临床医生的诊疗行为，从而确保临床风险控制在较小的范围内。同时将大模型技术融合进蚁群算法的优化流程，相比现有的蚁群算法，能够比较显著提升算法效果，使得蚁群算法更加精准识别和解决诊疗场景中的临床风险，从而为管控临床风险提供强有力的技术基础。
如图3所示，在一个实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本，之前包括以下步骤：
步骤S310，获取历史医学文本，并基于历史医学文本构建开源的大模型的训练数据集。
具体的，服务器获取大量的历史医学文本，并基于该历史医学文本构建开源大模型的训练数据集。
步骤S320，通过训练数据集对开源的大模型进行训练，以对开源的大模型进行微调，得到医学大模型。
具体的，服务器通过步骤S310中构建的训练数据集对开源的大模型进行训练，来对开源的大模型进行微调，使得开源的大模型学习理解应用领域和不同的医学场景，得到微调好的医学大模型。
如图4所示，在一个实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示，具体包括以下步骤：
步骤S132，将临床风险问题建模成适配蚁群算法的数学模型，数学模型包括目标函数、约束条件以及决策变量，目标函数包括患者的最小化诊疗风险，约束条件包括患者的身体状况以及诊疗资源的可用性。
具体的，服务器将临床风险问题建模成适配蚁群算法的数学模型，该数学模型包括目标函数、约束条件以及决策变量，目标函数包括患者的最小化诊疗风险，该约束条件包括患者的身体状况以及诊疗资源的可用性。
步骤S134，调用蚁群算法对当前病历文本数据进行图形表示，图形包括节点和边线，节点用于表征诊疗方案，边线用于表征不同诊疗方案之间的关系。
具体的，服务器调用蚁群算法对当前病历文本数据进行图形表示，图形包括节点和边线，该节点用于表征诊疗方案，边线用于表征不同诊疗方案之间的关系。
如图5所示，在一个实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，具体包括以下步骤：
步骤S142，对蚁群算法进行参数配置，参数配置至少包括蚁群算法中的蚂蚁数量、信息素挥发率以及启发函数。
具体的，服务器对蚁群算法进行参数配置，参数配置至少包括蚁群算法中的蚂蚁数量、信息素挥发率以及启发函数。
步骤S144，通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，获取蚁群算法基于当前病历文本数据的当前解，并调用医学大模型对当前解进行评估，得到评估结果。
具体的，服务器通过蚁群算法中的蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，获取蚁群算法基于当前病历文本数据的当前解，并调用医学大模型对当前解进行评估，得到相应的评估结果。
如图6所示，在一个实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，具体还包括以下步骤：
步骤S146，当评估结果不满足设定预期时，对蚂蚁路径进行调整，并通过蚁群算法根据启发函数和信息素浓度再次对蚂蚁路径进行选择，以引导蚂蚁寻找最优解或近似最优解。
具体的，在当前解的评估结果不满足设定预期时，服务器会对蚂蚁路径进行调整，并通过蚁群算法根据启发函数和信息素浓度再次对蚂蚁路径进行选择，以引导蚂蚁寻找最优解或近似最优解。
步骤S148，通过蚁群算法根据启发函数和信息素浓度多次迭代对蚂蚁路径进行选择，获取蚁群算法基于当前病历文本数据的最优解或近似最优解，医学大模型基于最优解或近似最优解满足的评估设定预期。
具体的，服务器通过蚁群算法根据启发函数和信息素浓度多次迭代对蚂蚁路径进行选择，引导蚂蚁寻找最优解，进而获取蚁群算法基于当前病历文本数据的最优解或近似最优解，医学大模型基于最优解或近似最优解满足的评估设定预期。
如图7所示，在一个实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估，具体包括以下步骤：
步骤S152，调用医学大模型对当前医学文本数据进行分析，以获取当前医学文本数据中的诊疗行为文本。
具体的，服务器调用医学大模型对当前医学文本数据进行分析，以获取当前医学文本数据中的诊疗行为文本。
步骤S154，通过医学大模型以诊疗行为文本为基线对最优解或近似最优解进行评估，得到最优解模型评估结果。
具体的，服务器通过医学大模型以诊疗行为文本为基线对最优解或近似最优解进行评估，得到相应的最优解模型评估结果。
如图8所示，在一个实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理方法，还包括以下步骤：
步骤S810，通过AI识别技术对当前医学文本数据进行识别，以获取当前医学文本数据的临床风险事件以及患者满意度。
具体的，服务器通过AI识别技术对当前医学文本数据进行识别，以获取当前医学文本数据的临床风险事件以及患者满意度，其中临床风险事件包括患者在治疗过程中的不良反应。
步骤S820，基于临床风险事件和患者满意度对最优解或近似最优解进行评估，得到最优解AI评估结果。
具体的，服务器基于步骤S810中得到的临床风险事件和患者满意度对最优解或近似最优解进行评估，得到最优解AI评估结果。
下面对本发明提供的基于大模型和蚁群算法的临床风险管理装置进行描述，下文描述的基于大模型和蚁群算法的临床风险管理装置与上文描述的基于大模型和蚁群算法的临床风险管理方法可相互对应参照。
如图9所示，在一个实施例中，一种基于大模型和蚁群算法的临床风险管理装置，包括模型处理模块910、AI识别模块920、数学建模模块930、信息素更新模块940以及最优解评估模块950。
模型处理模块910用于获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本，医学大模型为开源的大模型基于历史医学文本进行微调得到的。
AI识别模块920用于调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，诊疗方案用于动态评估当前病历文本数据的临床风险问题。
数学建模模块930用于将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示。
信息素更新模块940用于基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案。
最优解评估模块950用于通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估，最优解或近似最优解包括最佳诊疗方案。
在本实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理装置，还包括模型微调模块，用于：
获取历史医学文本，并基于历史医学文本构建开源的大模型的训练数据集。
通过训练数据集对开源的大模型进行训练，以对开源的大模型进行微调，得到医学大模型。
在本实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理装置，数学建模模块具体用于：
将临床风险问题建模成适配蚁群算法的数学模型，数学模型包括目标函数、约束条件以及决策变量，目标函数包括患者的最小化诊疗风险，约束条件包括患者的身体状况以及诊疗资源的可用性。
调用蚁群算法对当前病历文本数据进行图形表示，图形包括节点和边线，节点用于表征诊疗方案，边线用于表征不同诊疗方案之间的关系。
在本实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理装置，信息素更新模块具体用于：
对蚁群算法进行参数配置，参数配置至少包括蚁群算法中的蚂蚁数量、信息素挥发率以及启发函数。
通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，获取蚁群算法基于当前病历文本数据的当前解，并调用医学大模型对当前解进行评估，得到评估结果。
在本实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理装置，信息素更新模块具体还用于：
当评估结果不满足设定预期时，对蚂蚁路径进行调整，并通过蚁群算法根据启发函数和信息素浓度再次对蚂蚁路径进行选择，以引导蚂蚁寻找最优解或近似最优解。
通过蚁群算法根据启发函数和信息素浓度多次迭代对蚂蚁路径进行选择，获取蚁群算法基于当前病历文本数据的最优解或近似最优解，医学大模型基于最优解或近似最优解满足的评估设定预期。
在本实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理装置，最优解评估模块具体用于：
调用医学大模型对当前医学文本数据进行分析，以获取当前医学文本数据中的诊疗行为文本。
通过医学大模型以诊疗行为文本为基线对最优解或近似最优解进行评估，得到最优解模型评估结果。
在本实施例中，本发明提供的基于大模型和蚁群算法的临床风险管理装置，还包括最优解评估子模块，用于：
通过AI识别技术对当前医学文本数据进行识别，以获取当前医学文本数据的临床风险事件以及患者满意度。
基于临床风险事件和患者满意度对最优解或近似最优解进行评估，得到最优解AI评估结果。
图10示例了一种电子设备的实体结构示意图，该电子设备可以是智能终端，其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、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。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于大模型和蚁群算法的临床风险管理方法，该方法包括：
获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本，医学大模型为开源的大模型基于历史医学文本进行微调得到的；
调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，诊疗方案用于动态评估当前病历文本数据的临床风险问题；
将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示；
基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案；
通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估，最优解或近似最优解包括最佳诊疗方案。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的电子设备的限定，具体的电子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。
另一方面，本发明还提供了一种计算机存储介质，存储有计算机程序，计算机程序被处理器执行时实现基于大模型和蚁群算法的临床风险管理方法，该方法包括：
获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本，医学大模型为开源的大模型基于历史医学文本进行微调得到的；
调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，诊疗方案用于动态评估当前病历文本数据的临床风险问题；
将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示；
基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案；
通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估，最优解或近似最优解包括最佳诊疗方案。
又一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令时实现基于大模型和蚁群算法的临床风险管理方法，该方法包括：
获取医学文本数据，并调用医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本，医学大模型为开源的大模型基于历史医学文本进行微调得到的；
调用AI识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，诊疗方案用于动态评估当前病历文本数据的临床风险问题；
将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示；
基于通过蚁群算法对当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案；
通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估，最优解或近似最优解包括最佳诊疗方案。
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，该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，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。
作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述方法包括：
获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，所述医学大模型为开源的大模型基于历史医学文本进行微调得到的；
调用AI识别技术识别出当前病历文本数据中的所述诊疗行为文本，并调用蚁群算法基于所述诊疗行为文本生成与所述当前病历文本数据匹配的诊疗方案，所述诊疗方案用于动态评估所述当前病历文本数据的临床风险问题；
将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示；
基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，所述蚂蚁路径为不同的诊疗方案；
通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，所述最优解或近似最优解包括最佳诊疗方案。
2.根据权利要求1所述的基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，之前包括：
获取所述历史医学文本，并基于所述历史医学文本构建开源的大模型的训练数据集；
通过所述训练数据集对所述开源的大模型进行训练，以对所述开源的大模型进行微调，得到所述医学大模型。
3.根据权利要求1所述的基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示，包括：
将所述临床风险问题建模成适配所述蚁群算法的数学模型，所述数学模型包括所述目标函数、约束条件以及决策变量，所述目标函数包括患者的最小化诊疗风险，所述约束条件包括患者的身体状况以及诊疗资源的可用性；
调用所述蚁群算法对所述当前病历文本数据进行图形表示，所述图形包括节点和边线，所述节点用于表征诊疗方案，所述边线用于表征不同诊疗方案之间的关系。
4.根据权利要求1所述的基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，包括：
对所述蚁群算法进行参数配置，所述参数配置至少包括所述蚁群算法中的蚂蚁数量、信息素挥发率以及启发函数；
通过蚂蚁根据所述启发函数和信息素浓度对所述蚂蚁路径进行选择，获取所述蚁群算法基于当前病历文本数据的当前解，并调用所述医学大模型对所述当前解进行评估，得到评估结果。
5.根据权利要求4所述的基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，还包括：
当所述评估结果不满足设定预期时，对所述蚂蚁路径进行调整，并通过所述蚁群算法根据启发函数和信息素浓度再次对所述蚂蚁路径进行选择，以引导蚂蚁寻找所述最优解或近似最优解；
通过所述蚁群算法根据启发函数和信息素浓度多次迭代对所述蚂蚁路径进行选择，获取所述蚁群算法基于所述当前病历文本数据的最优解或近似最优解，所述医学大模型基于所述最优解或近似最优解满足的评估所述设定预期。
6.根据权利要求1所述的基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，包括：
调用所述医学大模型对所述当前病历文本数据进行分析，以获取所述当前病历文本数据中的诊疗行为文本；
通过所述医学大模型以所述诊疗行为文本为基线对所述最优解或近似最优解进行评估，得到最优解模型评估结果。
7.根据权利要求1至6任一项所述的基于大模型和蚁群算法的临床风险管理方法，其特征在于，所述方法还包括：
通过AI识别技术对所述当前病历文本数据进行识别，以获取所述当前病历文本数据的临床风险事件以及患者满意度；
基于所述临床风险事件和患者满意度对所述最优解或近似最优解进行评估，得到最优解AI评估结果。
8.一种基于大模型和蚁群算法的临床风险管理装置，其特征在于，所述装置包括：
模型处理模块，用于获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，所述医学大模型为开源的大模型基于历史医学文本进行微调得到的；
AI识别模块，用于调用AI识别技术识别出当前病历文本数据中的所述诊疗行为文本，并调用蚁群算法基于所述诊疗行为文本生成与所述当前病历文本数据匹配的诊疗方案，所述诊疗方案用于动态评估所述当前病历文本数据的临床风险问题；
数学建模模块，用于将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示；
信息素更新模块，用于基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，所述蚂蚁路径为不同的诊疗方案；
最优解评估模块，用于通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，所述最优解或近似最优解包括最佳诊疗方案。
9.一种电子设备，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7中任一项所述的方法的步骤。
10.一种计算机存储介质，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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410406928.3A CN118039163B (zh) | 2024-04-07 | 2024-04-07 | 基于大模型和蚁群算法的临床风险管理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410406928.3A CN118039163B (zh) | 2024-04-07 | 2024-04-07 | 基于大模型和蚁群算法的临床风险管理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118039163A true CN118039163A (zh) | 2024-05-14 |
| CN118039163B CN118039163B (zh) | 2024-06-25 |
Family
ID=90991572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410406928.3A Active CN118039163B (zh) | 2024-04-07 | 2024-04-07 | 基于大模型和蚁群算法的临床风险管理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118039163B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030088320A1 (en) * | 2000-06-10 | 2003-05-08 | Sale Mark Edward | Unsupervised machine learning-based mathematical model selection |
| CN103246811A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于蚁群优化的医疗系统入院调度方法 |
| WO2017117183A1 (en) * | 2015-12-28 | 2017-07-06 | The University Of North Carolina At Chapel Hill | Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake form submaximal exercise intensities |
| CN107528850A (zh) * | 2017-09-05 | 2017-12-29 | 西北大学 | 一种基于改进蚁群算法的最优防护策略分析系统及方法 |
| CN115496303A (zh) * | 2022-11-16 | 2022-12-20 | 成都宏恒信息科技有限公司 | 一种单局部优化与蚁群算法融合的网格员调度方法 |
| CN115526098A (zh) * | 2022-09-14 | 2022-12-27 | 国家能源投资集团有限责任公司 | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 |
| CN116741388A (zh) * | 2023-08-14 | 2023-09-12 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
| CN117453897A (zh) * | 2023-12-25 | 2024-01-26 | 浩鲸云计算科技股份有限公司 | 一种基于大模型和遗传算法的文档问答方法及系统 |
| CN117558460A (zh) * | 2024-01-11 | 2024-02-13 | 卓世未来(天津)科技有限公司 | 基于小样本学习和大语言模型的慢性病管理方法及系统 |
| CN117670005A (zh) * | 2023-11-30 | 2024-03-08 | 山东省计算中心（国家超级计算济南中心） | 基于蚁群算法的超算互联网多目标工作流优化方法及系统 |
-
2024
- 2024-04-07 CN CN202410406928.3A patent/CN118039163B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030088320A1 (en) * | 2000-06-10 | 2003-05-08 | Sale Mark Edward | Unsupervised machine learning-based mathematical model selection |
| CN103246811A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于蚁群优化的医疗系统入院调度方法 |
| WO2017117183A1 (en) * | 2015-12-28 | 2017-07-06 | The University Of North Carolina At Chapel Hill | Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake form submaximal exercise intensities |
| CN107528850A (zh) * | 2017-09-05 | 2017-12-29 | 西北大学 | 一种基于改进蚁群算法的最优防护策略分析系统及方法 |
| CN115526098A (zh) * | 2022-09-14 | 2022-12-27 | 国家能源投资集团有限责任公司 | 一种矿区地表植被叶面积指数遥感计算方法及电子设备 |
| CN115496303A (zh) * | 2022-11-16 | 2022-12-20 | 成都宏恒信息科技有限公司 | 一种单局部优化与蚁群算法融合的网格员调度方法 |
| CN116741388A (zh) * | 2023-08-14 | 2023-09-12 | 中国人民解放军总医院 | 基于联邦学习构建心血管急危重症大模型的方法 |
| CN117670005A (zh) * | 2023-11-30 | 2024-03-08 | 山东省计算中心（国家超级计算济南中心） | 基于蚁群算法的超算互联网多目标工作流优化方法及系统 |
| CN117453897A (zh) * | 2023-12-25 | 2024-01-26 | 浩鲸云计算科技股份有限公司 | 一种基于大模型和遗传算法的文档问答方法及系统 |
| CN117558460A (zh) * | 2024-01-11 | 2024-02-13 | 卓世未来(天津)科技有限公司 | 基于小样本学习和大语言模型的慢性病管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118039163B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11436428B2 (en) | System and method for increasing data quality in a machine learning process | |
| US9942085B2 (en) | Early warning and recommendation system for the proactive management of wireless broadband networks | |
| Russo et al. | An information-theoretic analysis of thompson sampling | |
| CN113196314B (zh) | 适配预测模型 | |
| US9405427B2 (en) | Adaptive user interface using machine learning model | |
| US7272586B2 (en) | Method and apparatus for data analysis | |
| WO2022022233A1 (zh) | Ai模型更新的方法、装置、计算设备和存储介质 | |
| KR102491285B1 (ko) | 메타버스 기술로 고인의 장례를 온라인으로 진행 가능하며 인공지능 기반으로 장례식 진행 프로세스와 조문객 접객 서비스가 제공되는 플랫폼의 운영방법 | |
| CN115240843A (zh) | 基于结构因果模型的公平性预测系统 | |
| JPH0876955A (ja) | 選択事項表示システムおよび方法 | |
| CN118039163B (zh) | 基于大模型和蚁群算法的临床风险管理方法及装置 | |
| WO2021205136A1 (en) | System and method for medical triage through deep q-learning | |
| US20230367922A1 (en) | Systems and methods for generating an extensible digital formulation network model and implementing an intelligent formulation using the formulation network model | |
| CN117316332A (zh) | 药物响应预测方法、电子设备及存储介质 | |
| Zhou et al. | Deep generative survival analysis: Nonparametric estimation of conditional survival function | |
| CN111723872B (zh) | 行人属性识别方法及装置、存储介质、电子装置 | |
| US20210327578A1 (en) | System and Method for Medical Triage Through Deep Q-Learning | |
| US11676050B2 (en) | Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes | |
| US12079697B2 (en) | Systems and methods for diversity-enhanced adaptive experimentation in a machine learning-based formulation platform | |
| CN113051445A (zh) | 工业生产数据处理方法、装置、计算机设备和存储介质 | |
| Zhang et al. | DA-LSTM: A long short-term memory with depth adaptive to non-uniform information flow in sequential data | |
| US12111884B2 (en) | Optimal sequential decision making with changing action space | |
| US20240177060A1 (en) | Learning device, learning method and recording medium | |
| CN112017790B (zh) | 基于对抗网络的电子病历筛查方法、装置、设备及介质 | |
| WO2021210543A1 (en) | Device and method for model estimation |
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 |