本申请实施例属于人工智能领域，应用于医疗领域中，涉及一种患病持续时长预测方法，包括获取用户的个人信息，根据深度学习网络对个人信息进行编码，得到第一编码信息；获取历史就诊信息，基于双向编码器网络分别对历史就诊信息中的检验检查名称、检验检查取值和就诊次序编码得到第二编码信息；对第一编码信息和第二编码信息进行拼接得到目标向量；输入目标向量至预测模型，根据预测模型对目标向量进行计算得到预测时长向量，对预测时长向量进行计算得到预测持续时长。本申请还提供一种患病持续时长预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，预测持续时长可存储于区块链中。本申请实现了对患者患病持续时长的精确预测。精确预测。精确预测。
【技术实现步骤摘要】
患病持续时长预测方法、装置、计算机设备及存储介质
[0001]本申请涉及人工智能
，尤其涉及一种患病持续时长预测方法、装置、计算机设备及存储介质。
技术介绍
[0002]随着人们生活水平的提高，现代的人们患病的概率也逐渐升高。而在对患者的患病持续时间进行判断时，往往是依据医生的经验，可能会导致对患者某一患病状态对应持续时间的错误判断。例如，糖尿病是一种以高血糖为特征的代谢性疾病。由糖尿病带来的并发症往往威胁着患者的生命，如心脏病、中风、糖尿病足、糖尿病肾病等，会导致患者失能、乃至失去生命，给患者及其家属带来很大的健康担负。因此，糖尿病的持续治疗至关重要。
[0003]根据国际糖尿病联合会的统计，Ⅰ型糖尿病患者约占糖尿病患者的10％左右。一些患者在被诊断为Ⅰ型糖尿病之后会进入蜜月期，这些患者在蜜月期阶段，血糖趋于正常水平，只需要少量甚至不需要胰岛素治疗。医生往往会对蜜月期诊断的患者进行特殊的治疗方式，以延长患者的蜜月期持续时长，使其血糖保持正常水平。然而，对于刚刚被诊断为蜜月期的Ⅰ型糖尿病患者，往往无法对其糖尿病蜜月期的持续时长进行精确预测，导致后续治疗不能及时调整的问题。
技术实现思路
[0004]本申请实施例的目的在于提出一种患病持续时长预测方法、装置、计算机设备及存储介质，以解决患病持续时长预测不够精确的技术问题。
[0005]为了解决上述技术问题，本申请实施例提供一种患病持续时长预测方法，采用了如下所述的技术方案：
[0006]获取用户的个人信息，根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息；
[0007]获取所述用户的历史就诊信息，其中，所述历史就诊信息包括检验检查名称、检验检查取值和就诊次序，基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息；
[0008]对所述第一编码信息和所述第二编码信息进行拼接，得到目标向量；
[0009]输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长。
[0010]进一步的，所述基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息的步骤包括：
[0011]对所述检验检查名称按照所述就诊次序从低到高进行编码，得到第一特征向量；
[0012]对所述检验检查取值按照所述就诊次序从低到高进行编码，得到第二特征向量；
[0013]对所述就诊次序进行编码，得到第三特征向量；
[0014]根据所述双向编码器网络对所述第一特征向量、所述第二特征向量和所述第三特征向量进行编码转换，得到所述用户的第二编码信息。
[0015]进一步的，所述根据所述双向编码器网络对所述第一特征向量、所述第二特征向量和所述第三特征向量进行编码转换，得到所述用户的第二编码信息的步骤包括：
[0016]对所述第一特征向量、所述第二特征向量和所述第三特征向量进行求和，计算得到总编码信息；
[0017]基于所述双向编码器网络对所述总编码信息进行编码转换，得到所述用户的第二编码信息。
[0018]进一步的，所述基于所述双向编码器网络对所述总编码信息进行编码转换，得到所述用户的第二编码信息的步骤包括：
[0019]基于所述双向编码器网络对所述总编码信息进行位置编码、嵌入编码和分割编码，得到特征向量，选取所述特征向量的第一个向量作为所述用户的第二编码信息。
[0020]进一步的，所述根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息的步骤包括：
[0021]获取所述个人信息的高维稀疏向量；
[0022]将所述高维稀疏向量输入至所述深度学习网络中，选取根据所述深度学习网络中计算得到的最低维度的密实向量作为所述用户的第一编码信息。
[0023]进一步的，在所述输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长的步骤之前还包括：
[0024]构建基础预测模型，并采集多组用户的历史检验数据和真实时长数据作为所述基础编码器网络的训练数据和验证数据；
[0025]根据所述训练数据对所述基础预测模型的参数进行调整，在调整后的所述基础预测模型对所述验证数据的验证通过率大于等于预设阈值时，确定调整后的所述基础预测模型为所述预设的预测模型。
[0026]进一步的，所述根据所述训练数据对所述基础预测模型的参数进行调整的步骤包括：
[0027]输入所述训练数据中的历史检验数据至所述基础预测模型，通过所述基础预测模型对所述历史检验数据的输出结果进行预测，得到预测结果；
[0028]根据所述预测结果和所述真实时长数据的计算损失函数，根据所述损失函数对所述基础预测模型的参数进行调整。
[0029]为了解决上述技术问题，本申请实施例还提供一种患病持续时长预测装置，采用了如下所述的技术方案：
[0030]第一编码模块，用于获取用户的个人信息，根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息；
[0031]第二编码模块，用于获取所述用户的历史就诊信息，其中，所述历史就诊信息包括检验检查名称、检验检查取值和就诊次序，基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息；
[0032]拼接模块，用于对所述第一编码信息和所述第二编码信息进行拼接，得到目标向
量；
[0033]计算模块，用于输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长。
[0034]为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0035]获取用户的个人信息，根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息；
[0036]获取所述用户的历史就诊信息，其中，所述历史就诊信息包括检验检查名称、检验检查取值和就诊次序，基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息；
[0037]对所述第一编码信息和所述第二编码信息进行拼接，得到目标向量；
[0038]输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长。
[0039]为了解决上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种患病持续时长预测方法，其特征在于，包括下述步骤：获取用户的个人信息，根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息；获取所述用户的历史就诊信息，其中，所述历史就诊信息包括检验检查名称、检验检查取值和就诊次序，基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息；对所述第一编码信息和所述第二编码信息进行拼接，得到目标向量；输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长。2.根据权利要求1所述的患病持续时长预测方法，其特征在于，所述基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息的步骤包括：对所述检验检查名称按照所述就诊次序从低到高进行编码，得到第一特征向量；对所述检验检查取值按照所述就诊次序从低到高进行编码，得到第二特征向量；对所述就诊次序进行编码，得到第三特征向量；根据所述双向编码器网络对所述第一特征向量、所述第二特征向量和所述第三特征向量进行编码转换，得到所述用户的第二编码信息。3.根据权利要求2所述的患病持续时长预测方法，其特征在于，所述根据所述双向编码器网络对所述第一特征向量、所述第二特征向量和所述第三特征向量进行编码转换，得到所述用户的第二编码信息的步骤包括：对所述第一特征向量、所述第二特征向量和所述第三特征向量进行求和，计算得到总编码信息；基于所述双向编码器网络对所述总编码信息进行编码转换，得到所述用户的第二编码信息。4.根据权利要求3所述的患病持续时长预测方法，其特征在于，所述基于所述双向编码器网络对所述总编码信息进行编码转换，得到所述用户的第二编码信息的步骤包括：基于所述双向编码器网络对所述总编码信息进行位置编码、嵌入编码和分割编码，得到特征向量，选取所述特征向量的第一个向量作为所述用户的第二编码信息。5.根据权利要求1所述的患病持续时长预测方法，其特征在于，所述根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息的步骤包括：获取所述个人信息的高维稀疏向量；将所述高维稀疏向量输入至所述深度学习网络中，选取根据所述深度学习网络中计算...
【专利技术属性】
技术研发人员：唐蕊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。