本申请公开一种信息识别方法、装置、计算机设备及存储介质，包括：将目标患者的N次诊疗信息依次输入第一学习模型，N次诊疗信息的每次诊疗信息中包括至少一个信息，第一学习模型为非监督类学习模型；利用第一学习模型，获取N次诊疗信息对应的N个输出向量，N个输出向量用于表征N次诊疗信息的诊疗结果数据；利用预设算法，拼接N次诊疗信息和N个输出向量，获取拼接向量；将拼接向量输入第二学习模型处理，第二学习模型为监督类学习模型；在拼接向量满足预定条件的情况下，确定目标患者为异常患者。如此，可以更加准确地确定异常患者，提高确定异常患者的效率。异常患者的效率。异常患者的效率。
【技术实现步骤摘要】
信息识别方法、装置、计算机设备及存储介质
[0001]本专利技术实施例涉及信息领域，尤其是一种信息识别方法、装置、计算机设备及存储介质。
技术介绍
[0002]目前，随着电子设备技术和大数据技术的快速发展，医疗质量控制越来越精准。
[0003]由于患者就诊的过程可以通过电子就诊系统进行记录，在收集到患者一定数量的就诊数据后，在后续患者就诊过程中，可以对就诊患者的就诊质量进行监控，其中，异常患者的识别是医疗质量控制的重要任务之一。在相关技术中，主要通过对患者的基本信息(例如，年龄、性别、身高、体重等)进行分析，从这些基本信息的统计值进行异常患者的识别，例如，部分患者通过伪造诊疗数据骗取保险，该部分患者为异常患者。
[0004]然而，由于获取的信息较为局限，因此上述识别异常患者方式的识别能力也有限，进而降低了识别异常患者的效率和准确性。
技术实现思路
[0005]本专利技术实施例提供一种能够高提高信息识别的广泛性、准确性和及时性的信息识别方法、装置、计算机设备及存储介质。
[0006]为解决上述技术问题，本专利技术创造的实施例采用的一个技术方案是：提供一种信息识别方法，包括：将目标患者的N次诊疗信息依次输入第一学习模型，上述N次诊疗信息的每次诊疗信息中包括至少一个信息，上述第一学习模型为非监督类学习模型；利用上述第一学习模型，获取上述N次诊疗信息对应的N个输出向量，上述N个输出向量用于表征N次诊疗信息的诊疗结果数据；利用预设算法，拼接上述N次诊疗信息和上述N个输出向量，获取拼接向量；将上述拼接向量输入上述第二学习模型处理，上述第二学习模型为监督类学习模型；在上述拼接向量满足预定条件的情况下，确定上述目标患者为异常患者。
[0007]可选地，上述将目标患者的N次诊疗信息依次输入第一学习模型中，本专利技术实施例提供的信息识别方法可以包括：将上述目标患者的N次诊疗信息中每次诊疗信息对应的诊疗子信息输入上述第一学习模型，上述每次诊疗信息对应的诊疗子信息包括至少一个信息。
[0008]可选地，上述诊疗子信息包括：项目名称信息、项目类型信息，项目价格信息。
[0009]可选地，上述在上述拼接向量满足预定条件的情况下，确定上述目标患者为异常患者中，本专利技术实施例提供的信息识别方法可以包括：利用上述第二学习模型识别上述拼接向量，获取目标识别值；在上述目标识别值对应的输出值满足预定阈值的情况下，确定上述目标患者为异常患者。
[0010]可选地，上述将目标患者的N次诊疗信息依次输入第一学习模型，本专利技术实施例提供的信息识别方法可以包括：将目标患者的N次诊疗信息依次输入第一学习模型，并对上述第一学习模型中的第一个向量位置填充占位标记。
[0011]可选地，本专利技术实施例提供的信息识别方法中，本专利技术实施例提供的信息识别方法可以包括：上述第一学习模型包括M个向量位置和X层向量处理编码器，且M个向量位置中包括随机向量值，上述M个向量位置中的每个向量位置用于填充上述N次诊疗信息中每次诊疗信息对应的诊疗子信息，上述X层向量处理编码器用于处理上述M个向量位置中已填充的诊疗子信息，M、X为正整数。
[0012]可选地，上述将目标患者的N次诊疗信息依次输入第一学习模型，本专利技术实施例提供的信息识别方法可以包括：将上述目标患者的N次诊疗信息从上述第一学习模型的第二个向量位置处起始，依次输入第一学习模型。
[0013]可选地，上述利用上述第一学习模型，获取上述N次诊疗信息对应的N个输出向量，包括：利用上述第一学习模型的上述X层向量处理编码器依次学习上述N次诊疗信息，依次获取上述N次诊疗信息中每次诊疗信息对应的输出向量。
[0014]为解决上述技术问题，本专利技术实施例还提供一种信息识别装置，包括：输入模块，用于将目标患者的N次诊疗信息依次输入第一学习模型，上述N次诊疗信息的每次诊疗信息中包括至少一个信息，上述第一学习模型为非监督类学习模型；获取模块，用于利用上述第一学习模型，获取上述N次诊疗信息对应的N个输出向量，上述N个输出向量用于表征N次诊疗信息的诊疗结果数据；拼接模块，用于利用预设算法，拼接上述N次诊疗信息和上述N个输出向量，获取拼接向量；上述输入模块，还用于将上述拼接向量输入上述第二学习模型处理，上述第二学习模型为监督类学习模型；确定模块，用于在上述拼接向量满足预定条件的情况下，确定上述目标患者为异常患者。
[0015]可选地，上述输入模块，具体用于将上述目标患者的N次诊疗信息中每次诊疗信息对应的诊疗子信息输入上述第一学习模型，上述每次诊疗信息对应的诊疗子信息包括至少一个信息。
[0016]可选地，上述诊疗子信息包括：项目名称信息、项目类型信息，项目价格信息。
[0017]可选地，上述信息识别装置中还包括：获取模块，用于利用上述第二学习模型识别上述拼接向量，获取目标识别值；上述确定模块，具体用于在上述目标识别值对应的输出值满足预定阈值的情况下，确定上述目标患者为异常患者。
[0018]可选地，上述输入模块，具体用于将目标患者的N次诊疗信息依次输入第一学习模型，并对上述第一学习模型中的第一个向量位置填充占位标记。
[0019]可选地，上述第一学习模型包括M个向量位置和X层向量处理编码器，且M个向量位置中包括随机向量值，上述M个向量位置中的每个向量位置用于填充上述N次诊疗信息中每次诊疗信息对应的诊疗子信息，上述X层向量处理编码器用于处理上述M个向量位置中已填充的诊疗子信息，M、X为正整数。
[0020]可选地，输入模块，具体用于将上述目标患者的N次诊疗信息从上述第一学习模型的第二个向量位置处起始，依次输入第一学习模型。
[0021]可选地，上述获取模块，具体用于利用所述第一学习模型的所述X层向量处理编码器依次学习所述N次诊疗信息，依次获取所述N次诊疗信息中每次诊疗信息对应的输出向量。
[0022]为解决上述技术问题本专利技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得
所述处理器执行上述所述信息识别方法的步骤。
[0023]为解决上述技术问题本专利技术实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述信息识别方法的步骤。
[0024]本专利技术实施例的有益效果是：将目标患者的N次诊疗信息依次输入第一学习模型后(N次诊疗信息的每次诊疗信息中包括至少一个信息，所述第一学习模型为非监督类学习模型)，利用第一学习模型，获取上述N次诊疗信息对应的N个输出向量(N个输出向量用户表征N次诊疗信息的诊疗结果数据)，之后，利用预设算法，拼接上述N次诊疗信息和N个输出向量，获取拼接向量，最后，将上述拼接向量输入第二学习模型进行处理，在满足预定条件的情况下，确定该目标患者为异常患者。如此，打破了此前通过患者个人基础信息判定异常患者的局限，通过获取患者诊疗信息的N次诊疗信息，即获取患者的长期诊疗信息，从而利用长期本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信息识别方法，其特征在于，包括：将目标患者的N次诊疗信息依次输入第一学习模型，所述N次诊疗信息的每次诊疗信息中包括至少一个信息，所述第一学习模型为非监督类学习模型；利用所述第一学习模型，获取所述N次诊疗信息对应的N个输出向量，所述N个输出向量用于表征N次诊疗信息的诊疗结果数据；利用预设算法，拼接所述N次诊疗信息和所述N个输出向量，获取拼接向量；将所述拼接向量输入所述第二学习模型处理，所述第二学习模型为监督类学习模型；在所述拼接向量满足预定条件的情况下，确定所述目标患者为异常患者。2.根据权利要求1所述的方法，其特征在于，所述将目标患者的N次诊疗信息依次输入第一学习模型中，包括：将所述目标患者的N次诊疗信息中每次诊疗信息对应的诊疗子信息输入所述第一学习模型，所述每次诊疗信息对应的诊疗子信息包括至少一个信息。3.根据权利要求2所述的方法，其特征在于，所述诊疗子信息包括：项目名称信息、项目类型信息，项目价格信息。4.根据权利要求1所述的方法，其特征在于，所述在所述拼接向量满足预定条件的情况下，确定所述目标患者为异常患者，包括：利用所述第二学习模型识别所述拼接向量，获取目标识别值；在所述目标识别值对应的输出值满足预定阈值的情况下，确定所述目标患者为异常患者。5.根据权利要求1所述的方法，其特征在于，所述将目标患者的N次诊疗信息依次输入第一学习模型，包括：将目标患者的N次诊疗信息依次输入第一学习模型，并对所述第一学习模型中的第一个向量位置填充占位标记。6.根据权利要求1至5任一项所述的方法，其特征在于，所述第一学习模型包括M个向量位置和X层向量处理编码器，且M个向量位置中包括随机向量值，所述M个向量位置中的每个向量位置用于填充所述N次诊疗信息中每次诊疗信息对应的诊疗子...
【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。