一种基于智能决策的疾病预测方法和装置制造方法及图纸

本发明专利技术实施例公开了一种基于智能决策的疾病预测方法和装置，其中基于智能决策的疾病预测方法包括：从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据治疗数据建立时序数据矩阵；根据时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型；根据时间序列模型对患者的疾病进行预测，获得患者的疾病预测结果。采用本发明专利技术，通过对患者医疗数据进行处理，选取适合的时间序列模型，最后根据医疗数据和时间序列模型，对患者进行疾病预测，提升疾病预测准确度，对患者的疾病预防和治疗提供指导。

A Method and Device for Disease Prediction Based on Intelligent Decision Making

The embodiment of the present invention discloses a disease prediction method and device based on Intelligent decision-making, in which the disease prediction method based on intelligent decision-making includes: obtaining the treatment data corresponding to the unique codes of the desensitized patients from the medical database, establishing a time series data matrix according to the treatment data, and selecting a time series model for Disease prediction according to the data characteristics of the time series data matrix. According to the time series model, the disease of patients was predicted, and the disease prediction results were obtained. According to the present invention, the patient's medical data are processed, and the suitable time series model is selected. Finally, according to the medical data and time series model, the patient's disease is predicted, the accuracy of disease prediction is improved, and the guidance for disease prevention and treatment is provided.

【技术实现步骤摘要】
一种基于智能决策的疾病预测方法和装置
本专利技术涉及数据处理领域，具体涉及一种基于智能决策的疾病预测方法和装置。
技术介绍
现代的医疗方法是通过早期干预来预防疾病而不是在诊断后进行治疗，这样可以很大程度上将患者从疾病中解放出来。传统上，医师或医生使用风险计算器来评估疾病发展的可能性，具体包括使用人口统计学、医疗条件、生活常规等基本信息来计算发展某种疾病的可能性。这个评估过程只考虑很少的变量，如年龄、体重、身高、性别等，但是疾病预测过程中，所涉及到的变量远远不止这些变量。因此，传统的预测方法使得疾病预测的准确率十分低，并且不能表现出疾病与时间的密切关系，进而对医疗预防提供指导。如何全方位考虑疾病发展过程中涉及到的多种变量，并将这些变量运用到疾病预测过程中，获得高准确度的疾病预测结果，是亟待解决的问题。
技术实现思路
本专利技术实施例提供一种基于智能决策的疾病预测方法和装置，能够通过对患者医疗数据进行处理，选取适合的时间序列模型，最后根据医疗数据和时间序列模型，对患者进行疾病预测，能够提升疾病预测准确度，对患者的疾病预防和治疗提供指导。本专利技术实施例的第一方面提供了一种基于智能决策的疾病预测方法，所述基于智能决策的疾病预测方法包括：从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据所述治疗数据建立时序数据矩阵；根据所述时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型；根据所述时间序列模型对所述患者的疾病进行预测，获得所述患者的疾病预测结果。在可选的情况下，所述根据所述时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型，包括：确定所述时序数据矩阵是否平稳；若否，则对所述时序数据矩阵进行预处理，获得平稳化的时序数据矩阵；根据所述平稳化的时序数据矩阵的特点确定其对应阶数；采用特定的ARIMA模型与所述平稳化的时序数据矩阵进行模型拟合；获得最佳ARIMA模型。在可选的情况下，在所述根据所述时间序列模型对所述患者的疾病进行预测之前，所述方法还包括：获得用于测试和验证的治疗数据，建立测试集时序数据矩阵和验证集时序数据矩阵；将所述测试集时序数据矩阵导入所述最佳ARIMA模型中，获得预测结果；将所述预测结果与所述验证集时序数据矩阵进行对比，获得模型预测偏差，所述模型预测偏差包括决定系数或贝叶斯信息准则；若所述模型预测偏差小于预设偏差阈值，则确定使用所述最佳ARIMA模型。在可选的情况下，所述根据所述治疗数据建立时序数据矩阵，包括：将所述治疗数据进行特征提取，获得其中的患者身体状况信息；将所述患者身体状况信息按照时间进行记录，获得时序数据；获取所述患者身体状况信息对应的医生治疗信息，结合所述时序数据，获得时序数据矩阵。在可选情况下，所述将所述患者身体状况按照时间进行记录，包括：将所述患者身体状况信息与多种疾病信息中的每种疾病信息进行匹配，获得与所述每种疾病信息的匹配相似度；若所述匹配相似度大于第一预设阈值，则判定患者有该种疾病的患病倾向；若所述患者的具有患病倾向的疾病种类超过预设种类数，则将所述患者身体状况信息按照短期时间间隔进行记录，所述短期时间间隔为小于一星期的时间间隔。在可选的情况下，所述根据所述时间序列模型对所述患者的疾病进行预测，获得所述患者的疾病预测结果包括：根据所述时间序列模型结合患者的时序数据矩阵，获得所述患者的疾病预测结果，所述疾病预测结果包括所述患者可能患病的时间、类型以及概率。在可选的情况下，所述方法还包括：若预测到所述患者针对第一类疾病的患病概率大于第二预设阈值，则减小记录所述患者身体信息的时间间隔，获得新的时序数据矩阵；将所述新的时序数据矩阵结合所述最佳ARIMA模型对所述患者的疾病进行预测，获得新的疾病预测结果；若所述新的疾病预测结果也表征所述患者针对第一类疾病的患病概率大于第二预设阈值，则确定所述患者具有患第一类疾病的风险；针对第一类疾病对所述患者进行预防治疗。本专利技术实施例的第二方面提供了一种疾病预测装置，所述疾病预测装置包括：建立单元，用于从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据所述治疗数据建立时序数据矩阵；选取单元，用于根据所述时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型；预测单元，用于根据所述时间序列模型对所述患者的疾病进行预测，获得所述患者的疾病预测结果。本专利技术实施例第三方面提供了一种电子装置，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行第一方面任一方法中的步骤的指令。本专利技术实施例第四方面提供了一种计算机可读存储介质，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第一方面任一方法所述的步骤的指令。可见，本专利技术实施例所描述的基于智能决策的疾病预测方法中，首先从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据治疗数据建立时序数据矩阵，然后根据时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型，最后根据时间序列模型对患者的疾病进行预测，获得患者的疾病预测结果。在这个过程中，通过对医疗数据的处理，建立时序数据矩阵，使得疾病预测与时间建立联系，然后根据时序数据矩阵的数据特点选取恰当的时间序列模型，获得疾病预测结果，提升了疾病预测结果的准确度，对患者的疾病预防和治疗提供指导。附图说明为了更清楚地说明本专利技术实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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是本专利技术实施例提供的一种基于智能决策的疾病预测方法流程示意图；图2是本专利技术实施例提供的另一种基于智能决策的疾病预测方法的流程示意图；图3是本专利技术实施例提供的另一种基于智能决策的疾病预测方法的流程示意图；图4是本专利技术实施例提供的另一种基于智能决策的疾病预测方法的流程示意图；图5是本专利技术实施例提供的一种电子装置的结构示意图；图6是本专利技术实施例提供的一种疾病预测装置的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本专利技术的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。下面对本专利技术实施例进行详细介绍。请参阅图1，图1为本专利技术实施例中一种基于智能决策的疾病预测方法流程示意图，如图1所示，所述基于智能决策的疾病预测方法包括：101、从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据所述治疗数据建立时序数据矩阵。在互联网社会，患者的健康数据，包括预约挂号、诊中数据、支付数据或健康体检等，都能够通过互联网进行记录或存储。根据这些医疗大数据建立库本文档来自技高网...

【技术保护点】
1.一种基于智能决策的疾病预测方法，其特征在于，所述方法包括：从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据所述治疗数据建立时序数据矩阵；根据所述时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型；根据所述时间序列模型对所述患者的疾病进行预测，获得所述患者的疾病预测结果。

【技术特征摘要】
1.一种基于智能决策的疾病预测方法，其特征在于，所述方法包括：从医疗数据库获取脱敏后的患者唯一编码对应的治疗数据，并根据所述治疗数据建立时序数据矩阵；根据所述时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型；根据所述时间序列模型对所述患者的疾病进行预测，获得所述患者的疾病预测结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述时序数据矩阵的数据特点，选取用于疾病预测的时间序列模型，包括：确定所述时序数据矩阵是否平稳；若否，则对所述时序数据矩阵进行预处理，获得平稳化的时序数据矩阵；根据所述平稳化的时序数据矩阵的特点确定其对应阶数；采用特定的ARIMA模型与所述平稳化的时序数据矩阵进行模型拟合，获得最佳ARIMA模型，作为用于疾病预测的时间序列模型。3.根据权利要求2所述的方法，其特征在于，在所述根据所述时间序列模型对所述患者的疾病进行预测之前，所述方法还包括：获得用于测试和验证的治疗数据，建立测试集时序数据矩阵和验证集时序数据矩阵；将所述测试集时序数据矩阵导入所述最佳ARIMA模型中，获得预测结果；将所述预测结果与所述验证集时序数据矩阵进行对比，获得模型预测偏差，所述模型预测偏差包括决定系数或贝叶斯信息准则；若所述模型预测偏差小于预设偏差阈值，则确定使用所述最佳ARIMA模型作为用于疾病预测的时间序列模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述治疗数据建立时序数据矩阵，包括：将所述治疗数据进行特征提取，获得其中的患者身体状况信息；将所述患者身体状况信息按照时间进行记录，获得时序数据；获取所述患者身体状况信息对应的医生治疗信息，结合所述时序数据，获得时序数据矩阵。5.根据权利要求4所述的方法，其特征在于，所述将所述患者身体状况按照时间进行记录，包括：将所述患者身体状况信息与多种疾病信息中的每种疾病信息进行匹配，获得与所述每...

【专利技术属性】
技术研发人员：王伟，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44