基于机器学习的医疗风险信息推送方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113724878A(43)申请公布日2021.11.30(21)申请号202111017430.0G06N20/00(2019.01)(22)申请日2021.08.31(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田街道福安社区益田路5033号平安金融中心23楼(72)发明人李映雪熊昊李响(74)专利代理机构北京中强智尚知识产权代理有限公司11448代理人黄耀威(51)Int.Cl.G16H50/50(2018.01)G16H50/70(2018.01)G16H50/30(2018.01)G16H10/60(2018.01)G06K9/62(2006.01)权利要求书2页说明书11页附图2页(54)发明名称基于机器学习的医疗风险信息推送方法及装置(57)摘要本申请提供了一种基于机器学习的医疗风险信息推送方法及装置，涉及人工智能及数字医疗领域，主要目的在于改善现有患病风险发生率升高，以及就医数据处理准确性降低的问题。包括：获取预设采集设备的全部位点信息；基于筛选处理模型从全部位点信息中筛选目标测试位点，提取与目标测试位点匹配的医疗检测数据；基于已完成模型训练的风险预测模型对医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息；若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与第一过程信息的相似度超过预设相似度阈值，则获取用户画像数据中与医疗预测结果匹配的医疗风险信息，并进行推送。CN113724878ACN113724878A权利要求书1/2页1.一种基于机器学习的医疗风险信息推送方法，其特征在于，包括：获取预设采集设备的全部位点信息；基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。2.根据权利要求1所述的方法，其特征在于，所述获取预设采集设备的全部位点信息之前，所述方法还包括：获取位点样本测试特征集，确定第一预置个数的主成分特征；通过各个主成分特征的系数绝对值进行大小顺序排序，筛选第二预置个数的位点信息，并基于所述位点样本测试特征集计算模型评估指标；通过所述模型评估指标配置调整模型超参数，并结合筛选出的所述位点信息与所述模型超参数对筛选处理模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述获取位点样本测试特征集，确定第一预置个数的主成分特征包括：提取位点样本测试集中至少一个位点位置信息，以及用于标记位点信息完整性的位点标识；依次按照行、列单位选取从所述位点样本测试集中的至少两个所述位点标识对应的位点位置信息，并统计选取的所述位点位置信息的个数；基于所述个数与所述预设采集设备的采集长度单位数之比，确定为第一预置个数，并将所述第一预置个数所对应的位点位置信息确定为主成分特征。4.根据权利要求1所述的方法，其特征在于，所述基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理之前，所述方法还包括：构建卷积神经网络模型，并基于医疗检测数据样本集对卷积神经网络模型进行模型训练，得到所述风险预测模型，其中，所述风险预先模型为基于所述医疗检测数据样本集中的测试位点样本数配置所述卷积神经网络模型的层级权值完成迭代训练的。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取用户医疗数据库中与目标病症匹配的用户基础数据以及与所述目标病症关联的病症时间、就诊时间、医疗阶段；基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库。6.根据权利要求5所述的方法，其特征在于，所述基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库之后，所述方法还包括：获取所述目标病症用户画像数据库中各用户就诊过程中产生的诊断信息、以及与所述2CN113724878A权利要求书2/2页诊断信息匹配的当前症状信息、预期症状信息；结合所述诊断信息、所述当前症状信息、所述预期症状信息生成与不同医疗预测结果匹配的医疗风险信息。7.根据权利要求1‑6任一项所述的方法，其特征在于，所述获