基于人工智能的异常患者识别方法及相关设备技术

本申请应用于数字医疗领域，涉及人工智能技术领域，揭示了一种基于人工智能的异常患者识别方法及相关设备，其中方法包括：分别将每个患者嵌入向量集合输入目标患者行为学习模型得到多个患者嵌入向量集合各自对应的患者行为向量，目标患者行为学习模型包括：输入层、12层编码器、输出层；根据标识符号位置，分别对每个患者行为向量进行单个收费项目的向量提取，得到多个患者嵌入向量集合各自对应的待聚类的行为向量；采用DBSCAN聚类算法对所有待聚类的行为向量进行聚类得到多个患者行为向量聚类集合，根据多个患者行为向量聚类集合进行异常患者检测并确定异常患者集合。实现了对患者的行为进行深度挖掘，提高了异常患者识别的准确性。

【技术实现步骤摘要】
基于人工智能的异常患者识别方法及相关设备
本申请涉及到人工智能
，特别是涉及到一种基于人工智能的异常患者识别方法及相关设备。
技术介绍
医疗质量控制，是指在医疗活动中，对于现有和潜在的风险进行识别、分析、评估和处理，有计划和有组织地减少和消除风险的发生，降低风险事件造成的不利影响和经济损失。在医疗质量控制领域中，对异常患者的识别是重要的任务之一。现有的异常患者识别方法主要是对患者的基本信息(例如年龄、性别、身高、体重等)进行分析，从统计值出发对患者进行异常识别，然而这种方法较为基础，进行异常患者识别的能力有限，降低了异常患者识别的准确性。
技术实现思路
本申请的主要目的为提供一种基于人工智能的异常患者识别方法、装置、设备及存储介质，旨在解决现有技术中异常患者识别方法主要是对患者的基本信息进行分析，从统计值出发对患者进行异常识别的能力有限，降低了异常患者识别的准确性的技术问题。为了实现上述专利技术目的，本申请提出一种基于人工智能的异常患者识别方法，所述方法包括：获取多个患者嵌入向量集合，所述患者嵌本文档来自技高网...

【技术保护点】
1.一种基于人工智能的异常患者识别方法，其特征在于，所述方法包括：/n获取多个患者嵌入向量集合，所述患者嵌入向量集合包括：一个患者的多个收费项目对应的收费项目名称嵌入向量、收费项目类型嵌入向量和收费项目费用嵌入向量；/n分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量，所述目标患者行为学习模型包括：输入层、12层编码器、输出层；/n获取标识符号位置，根据所述标识符号位置，分别对每个所述患者行为向量进行向量提取，得到所述多个患者嵌入向量集合各自对应的待聚类的行为向量；/n采用DBSCAN聚类算法，对所有所述待聚类的行为向量...

【技术特征摘要】
1.一种基于人工智能的异常患者识别方法，其特征在于，所述方法包括：
获取多个患者嵌入向量集合，所述患者嵌入向量集合包括：一个患者的多个收费项目对应的收费项目名称嵌入向量、收费项目类型嵌入向量和收费项目费用嵌入向量；
分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量，所述目标患者行为学习模型包括：输入层、12层编码器、输出层；
获取标识符号位置，根据所述标识符号位置，分别对每个所述患者行为向量进行向量提取，得到所述多个患者嵌入向量集合各自对应的待聚类的行为向量；
采用DBSCAN聚类算法，对所有所述待聚类的行为向量进行聚类，得到多个患者行为向量聚类集合，根据所述多个患者行为向量聚类集合进行异常患者检测，得到异常患者行为向量集合；
根据所述异常患者行为向量集合进行异常患者确定，得到异常患者集合。


2.根据权利要求1所述的基于人工智能的异常患者识别方法，其特征在于，所述分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量的步骤之前，还包括：
获取多个患者训练样本，所述患者训练样本包括：患者嵌入向量样本数据、患者行为标定向量和总费用分类标定向量；
从所述多个患者训练样本中提取一个所述患者训练样本，作为目标患者训练样本；
采用随机算法和预设比例，根据所述目标患者训练样本进行隐藏的所述收费项目的确定，得到隐藏收费项目集合；
针对所述目标患者训练样本的所述患者嵌入向量样本数据，进行所述隐藏收费项目集合中的每个所述收费项目对应的嵌入向量隐藏，得到隐藏后的患者嵌入向量样本数据；
根据所述目标患者训练样本的所述患者行为标定向量，进行所述隐藏收费项目集合中的每个所述收费项目对应的标定向量提取，得到目标标定向量；
采用未隐藏的所有所述收费项目的嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和待训练的患者行为学习模型进行患者行为学习，得到第一训练向量；
采用与隐藏的所述收费项目的类型相同的所有所述收费项目的样本嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和所述待训练的患者行为学习模型进行患者行为学习，确定第二训练向量；
根据所述标识符号位置、所述隐藏后的患者嵌入向量样本数据、所述待训练的患者行为学习模型、全连接层和softmax层进行总费用分类预测，得到总费用分类概率训练向量；
将所述目标标定向量、所述第一训练向量、所述第二训练向量、所述总费用分类概率训练向量、所述目标患者训练样本的所述总费用分类标定向量输入损失函数进行计算，得到目标损失值，根据所述目标损失值，更新所述待训练的患者行为学习模型、所述全连接层和所述softmax层的参数，将更新后的所述待训练的患者行为学习模型被用于下一次计算所述第一训练向量、所述第二训练向量，将更新后的所述待训练的患者行为学习模型、所述全连接层和所述softmax层被用于下一次计算所述总费用分类概率训练向量；
重复执行所述从所述多个患者训练样本中提取一个所述患者训练样本，作为目标患者训练样本的步骤，直至所述目标损失值达到第一收敛条件或迭代次数达到第二收敛条件，将所述目标损失值达到所述第一收敛条件或迭代次数达到所述第二收敛条件的所述待训练的患者行为学习模型，确定为所述目标患者行为学习模型。


3.根据权利要求2所述的基于人工智能的异常患者识别方法，其特征在于，所述采用未隐藏的所有所述收费项目的嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和待训练的患者行为学习模型进行患者行为学习，得到第一训练向量，采用与隐藏的所述收费项目的类型相同的所有所述收费项目的样本嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和所述待训练的患者行为学习模型进行患者行为学习，确定第二训练向量，根据所述标识符号位置、所述隐藏后的患者嵌入向量样本数据、所述待训练的患者行为学习模型、全连接层和softmax层进行总费用分类预测，得到总费用分类概率训练向量的步骤，包括：
将所述隐藏后的患者嵌入向量样本数据输入所述待训练的患者行为学习模型进行患者行为学习，得到待分析的患者行为训练向量；
从所述待分析的患者行为训练向量中，进行所述隐藏收费项目集合中的每个所述收费项目对应的训练向量提取，得到所述第一训练向量；
从所述隐藏收费项目集合中提取一个所述收费项目，作为待学习的收费项目；
针对所述隐藏后的患者嵌入向量样本数据，进行与所述待学习的收费项目的类型不相同的所有所述收费项目的嵌入向量隐藏，得到待分析患者嵌入向量样本数据；
将所述待分析患者嵌入向量样本数据输入所述待训练的患者行为学习模型进行患者行为学习，得到同类预测患者行为训练向量；
从所述同类预测患者行为训练向量中，提取出所述待学习的收费项目对应的训练向量，得到所述待学习的收费项目对应的待计算训练向量；
重复执行所述从所述隐藏收费项目集合中提取一个所述收费项目，作为待学习的收费项目的步骤，直至确定所述隐藏收费项目集合中所有所述收费项目各自对应的所述待计算训练向量；
将所有所述待计算训练向量，作为所述第二训练向量；
从所述待分析的患者行为训练向量中，进行所述标识符号位置对应的训练向量提取，得到标识符号训练向量；
将所述标识符号训练向量依次输入所述全连接层和所述softmax层进行总费用分类预测，得到所述总费用分类概率训练向量。


4.根据权利要求2所述的基于人工智能的异常...

【专利技术属性】
技术研发人员：唐蕊，蒋雪涵，孙行智，
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