数据处理方法、装置及计算设备制造方法及图纸

本申请实施例提供一种数据处理方法、装置及计算设备。其中，所述方法包括：获取对象的医疗数据；根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别。本申请实施例提供的技术方案提高了疾病检测效率。提供的技术方案提高了疾病检测效率。提供的技术方案提高了疾病检测效率。

【技术实现步骤摘要】
数据处理方法、装置及计算设备


[0001]本申请实施例涉及计算机应用
，尤其涉及一种数据处理方法、装置及计算设备。

技术介绍

[0002]目前，在一些流行性疾病或者传染性疾病的检测界定上，通常是以病毒检查结果为准，以流行性感冒(简称：流感)为例，患者的流感病毒检测结果为阳性时，才被检测为感染流感。
[0003]但是，传统的病毒检测方式较慢，不利于疾病的筛查和统计。

技术实现思路

[0004]本申请实施例提供一种数据处理方法、装置及计算设备，用以解决现有技术中疾病检测效率低的技术问题。
[0005]第一方面，本申请实施例中提供了一种数据处理方法，包括：
[0006]获取对象的医疗数据；
[0007]根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别。
[0008]第二方面，本申请实施例中提供了一种数据处理方法，包括：
[0009]根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别属于目标疾病类别的目标对象；
[0010]按照第一时间间隔统计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取对象的医疗数据；根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别。2.根据权利要求1所述的方法，其特征在于，所述根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别包括：从所述医疗数据中提取至少一个特征类型对应的特征数据；基于所述至少一个特征类型的特征数据，利用识别模型识别所述对象所属的疾病类别。3.根据权利要求2所述的方法，其特征在于，所述基于所述至少一个特征类型的特征数据，利用识别模型识别所述对象所属的疾病类别包括：将所述至少一个特征类型的特征数据进行融合，获得融合特征；将所述融合特征输入识别模型，获得所述对象所属疾病类别。4.根据权利要求2所述的方法，其特征在于，从所述医疗数据中提取至少一个特征类型对应的特征数据包括：从所述医疗数据中确定至少一个特征类型分别对应的至少一个文本；针对任一个特征类型，分别提取其对应的至少一个文本中与所述特征类型相关的关键词，获得至少一个关键词；将所述至少一个关键词分别转换为特征向量，获得至少一个特征向量；基于所述至少一个特征向量，确定所述特征类型对应的特征数据。5.根据权利要求1所述的方法，其特征在于，所述识别模型基于不同疾病类别分别对应的样本对象的医疗样本数据训练获得。6.根据权利要求1所述的方法，其特征在于，所述识别模型基于目标疾病类别对应的正样本对象的医疗正样本数据以及负样本对象的医疗负样本数据训练获得；所述根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别包括：根据所述对象的医疗数据，利用识别模型识别所述对象是否属于所述目标疾病类别。7.根据权利要求1所述的方法，其特征在于，所述根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别之后，所述方法还包括：判断所述对象所属疾病类别是否为预定疾病类别；基于判断结果，确定是否对所述对象进行医学检查。8.根据权利要求1所述的方法，其特征在于，所述获取对象的医疗数据包括：获取属于目标地点的对象的医疗数据；所述根据所述对象的医疗数据，利用识别模型识别所述对象所属的疾病类别之后，所述方法还包括：根据所述目标地点对应的不同对象的识别结果，统计属于目标疾病类别的目标对象的对象数量。9.一种数据处理方法，其特征在于，包括：根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别属于目标疾病类别的目标对象；按照第一时间间隔统计所述目标地点对应的目标对象数量，构建第一时间序列数据；
利用所述第一时间序列数据，预测所述目标地点在预定时间范围内对应的目标对象预测数量。10.根据权利要求9所述的方法，其特征在于，所述按照第一时间间隔，统计所述目标地点对应的目标对象数量，构建第一时间序列数据包括：按照第一时间间隔，将当前时刻之前的第一时间段划分为多个时间步长；统计所述目标地点在所述多个时间步长内分别对应的目标对象数量；将所述多个时间步长对应的目标对象数量，按照时间先后顺序排列形成第一时间序列数据。11.根据权利要求10所述的方法，其特征在于，所述利用所述第一时间序列数据，预测所述目标地点在预定时间范围内的目标对象预测数量包括：利用所述第一时间序列数据，预测所述目标地点在当前时间步长内对应的目标对象预测数量。12.根据权利要求11所述的方法，其特征在于，所述利用所述第一时间序列数据，预测所述目标地点在当前时间步长内的目标对象预测数量包括：利用所述第一时间序列数据，训练预测模型；基于所述目标地点在当前时间步长之前的前N个时间步长内分别对应的目标对象数量，利用所述预测模型预测所述目标地点在当前时间步长内对应的目标对象预测数量；其中，N为大于等于1的整数。13.根据权利要求12所述的方法，其特征在于，所述利用所述第一时间序列数据，训练预测模型包括：从所述第一时间序列中，选择第t个时间步长的目标对象数量及第t个时间步长之前的前M个时间步长对应的目标对象数量形成训练数据集；其中，t＝M+1、M+2,
……
，M为大于等于1的整数；利用所述训练数据集，训练预测模型。14.根据权利要求10所述的方法，其特征在于，所述根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别目标疾病类别的目标对象包括：针对目标地点在当前时刻之前每个单位时间内对应的历史医疗记录，获取不同对象的医疗数据；基于不同对象的医疗数据，利用识别模型识别每个单位时间对应的属于目标疾病类别的目标对象，并统计所述目标地点在每个单位时间内对应的目标对象数量。15.根据权利要求14所述的方法，其特征在于，所述统计所述目标地点在所述多个时间步长内分别对应的目标对象数量包括：根据所述目标地点在每个时间步长中的每个单位时间对应的目标对象数量，统计获得所述目标地点在每个时间步长内对应的目标对象数量。16.根据权利要求9所述的方法，其特征在于，所述根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别属于目标疾病类别的目标对象包括：确定目标地点对应的历史医疗记录中不同对象的医疗数据；针对任一个对象的医疗数据，基于所述医疗数据利用识别模型识别所述对象是否属于目标疾病类别。
17.根据权利要求16所述的方法，其特征在于，所述基于所述医疗数据利用识别模型识别所述对象是否属于目标疾病类别包括：从所述医疗数据中提取至少一个特征类型对应的特征数据；基于所述至少一个特征类型的特征数据，利用识别模型识别所述对象是否属于目标疾病类别。18.根据权利要求17所述的方法，其特征在于，所述基于所述至少一个特征类型的特征数据，利用识别模型识别所述对象是否属于目标疾病类别包括：将所述至少一个特征类型的特征数据进行融合，获得融合特征；将所述融合特征输入识别模型，识别所述对象是否属于目标疾病类别。19.根据权利要求17所述的方法，其特征在于，所述从所述医疗数据中提取至少一个特征类型对应的特征数据包括：从所述医疗数据中确定至少一个特征类型分别对应的至少一个文本；针对任一个特征类型，分别提取其对应的至少一个文本中与所述特征类型相关的关键词，获得至少一个关键词；将所述至少一个关键词分别转换为特征向量，获得至少一个特征向量；基于所述至少一个特征向量，确定所述特征类型对应的特征数据。20.根据权利要求9所述的方法，其特征在于，所述根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别属于目标疾病类别的目标对象包括：根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别不同对象属于目标疾病类别的概率值；确定概率值大于第一概率阈值的确诊对象，及概率值小于所述第一概率阈值且大于第二概率阈值的疑似对象；将所述确诊对象或所述疑似对象作为目标对象。21.一种数据处理方法，其特征在于，包括：根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别属于目标疾病类别的目标对象；按照第一时间间隔统计所述目标地点对应的目标对象数量，构建第一时间序列数据；利用所述第一时间序列数据，训练预测模型；其中，所述预测模型用于预测所述目标地点在预定时间范围内的目标对象预测数量。22.一种数据处理方法，其特征在于，包括：根据目标地点对应的历史医疗记录中不同对象的医疗数据，利用识别模型识别属于目标疾病类别的目标对象；按...

【专利技术属性】
技术研发人员：周益锋，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：