用于基于用户选择的因素来训练机器学习模型的系统和方法技术方案

在某些实施例中，可以呈现关键性能指标的风险调整因素的图形表示，并且可以接收对因素子集的用户选择。可以向机器学习模型提供训练信息作为输入，以预测针对所选择的因素子集的关键性能指标的值。训练信息可以指示与提供者相关联的因素子集的值。然后可以向机器学习模型提供参考反馈，所述参考反馈包括基于与提供者相关联的因素子集的值的针对提供者的关键性能指标的历史值。机器学习模型然后可以基于参考反馈来更新机器学习模型的部分。然后可以将因素子集的值提供给经更新的机器学习模型，以获得关键性能指标的预测值。以获得关键性能指标的预测值。以获得关键性能指标的预测值。

【技术实现步骤摘要】
【国外来华专利技术】用于基于用户选择的因素来训练机器学习模型的系统和方法


[0001]本专利申请公开了涉及基于用户选择的因素来促进对预测模型的训练或配置的各种系统和方法。
[0002]相关领域的描述

技术介绍

[0003]已知用于基于关键性能指标来评价性能的系统和方法。目前的专利申请在此类系统中提供了改进。

技术实现思路

[0004]本专利技术的各个方面涉及用于基于用户选择的因素来促进对机器学习模型的训练的方法或系统。例如，可以对机器模型进行训练，使得机器学习模型能够基于用户选择的因素的值来预测一个或多个关键性能指标的值。
[0005]在一些实施例中，可以呈现用于调节KPI值的因素的图形表示。例如，因素组(例如，人口统计学、慢性病或健康的社会决定因素)可以影响某些提供者的KPI值。在一些实施例中，可以接收用户基于图形表示对因素子集的选择。然后可以向机器学习模型提供训练信息作为输入以预测针对所选择的因素子集的KPI值。在一些实施例中，训练信息可以指示与提供者相关联的因素子集的值。然后可以将参考反馈提供给机器学习模型。在一些实施例中，参考反馈可以包括针对提供者的基于与提供者相关联的因素子集的历史KPI值(例如，上一年的值)。在一些实施例中，机器学习模型可以基于参考反馈来更新机器学习模型的一个或多个部分。一旦机器学习模型更新了这些部分，就可以将因素子集的值提供给机器学习模型以获得预测KPI值。随后可以将预测KPI值与实际KPI值进行比较，以确定风险调整后的KPI值。
[0006]在权利要求中，括号内的任何附图标记不应被解释为限制权利要求。词语“包括”或“包含”不排除权利要求中列出的那些元件或步骤之外的元件或步骤存在。在列举若干单元的装置型权利要求中，这些单元中的若干可以具体实现为一个相同的硬件项。元件前的词语“一”或“一个”不排除存在多个这样的元件。虽然特定元件被记载在互不相同的从属权利要求中，但是这并不指示这些元件不能被组合使用。
[0007]在参考附图考虑以下描述和权利要求书的情况下，本公开内容的这些和其他目的、特征和特性，以及操作方法和有关的结构元件和零件组合的功能和制造的经济性将变得更加明显，所有附图均形成本说明书的部分，其中，在各幅附图中同样的附图标记指代对应的部分。然而，应当明确理解，附图仅是出于图示和描述的目的，并非旨在作为对本公开内容的限制的定义。
附图说明
[0008]图1示出了根据各个实施例的用于促进对预测模型的训练或配置的示例性系统；
[0009]图2示出了根据各个实施例的图形用户接口和基于对图形用户接口的选择的数据集；
[0010]图3示出了根据各个实施例的各种因素对所选择的关键性能指标的影响的图形；
[0011]图4示出了根据各个实施例的针对各个提供者的风险调整后的关键性能指标值；并且
[0012]图5示出了根据各个实施例的基于用户选择的与关键性能指标有关的因素来促进对机器学习模型的训练的方法。
具体实施方式
[0013]在本文中所使用的“一”、“一个”和“该”的单数形式包括复数引用，除非上下文另有明确指示。在本文中所使用的术语“或”意指“和/或”，除非上下文另有明确指示。在本文中所使用的术语“数值”应当意指一或大于一的整数(即，多个)。
[0014]图1示出了根据各个实施例的用于促进对预测模型的训练或配置的示例性系统100。在一些实施例中，系统100包括客户端设备110、计算机系统120(例如，一个或多个服务器或其他计算机系统)、机器学习模型130、(一个或多个)数据库140和(一个或多个)网络150。虽然仅图示了一个客户端设备110，但是系统100也可以包括多个与客户端设备110相同或相似的客户端设备。客户端设备110、计算机系统120、机器学习模型130和(一个或多个)数据库140被配置为彼此操作性耦合，使得客户端设备110、计算机系统120、机器学习模型130和(一个或多个)数据库140中的每项都能够经由网络150相互通信或者与其他部件、设备和系统进行通信。例如，系统100的任何部件都能够使用传输控制协议和互联网协议(“TCP/IP”)(例如，在各个TCP/IP层中的每个TCP/IP层中使用的协议中的任一种协议)、超文本传输协议(“HTTP”)、WebRTC、SIP和无线应用程序协议(“WAP”)来访问网络150。在一个实施例中，网络150经由使用HTTP的网络浏览器来促进系统100的部件或其他部件彼此之间的通信。用于促进系统100的部件之间的通信的各种额外通信协议包括但不限于Wi
‑
Fi、蓝牙、射频系统(例如，900MHz、1.4GHz和5.6GHz通信系统)、蜂窝网络(例如，GSM、AMPS、GPRS、CDMA、EV
‑
DO、EDGE、3GSM、DECT、IS
‑
136/TDMA、iDen、LTE或任何其他合适的蜂窝网络协议)、红外、BitTorrent、FTP、RTP、RTSP、SSH或VOIP。
[0015]应当注意，虽然在本文中关于机器学习模型描述了一些实施例，但是在其他实施例中也可以使用其他预测模型(例如，统计模型或其他分析模型)作为机器学习模型的替代方案或补充方案(例如，在一个或多个实施例中，统计模型代替机器学习模型并且非统计模型代替非机器学习模型)。
[0016]客户端设备110可以包括任何类型的移动终端、固定终端或其他设备。举例来说，客户端设备110可以包括台式电脑、笔记本电脑、平板电脑、智能手机、可穿戴设备或其他客户端设备。例如，用户可以使用一个或多个用于彼此交互的客户端设备110、一个或多个服务器或系统100的其他部件。客户端设备110能够额外地或替代地包括：短距离无线通信模块(例如，低功率2.4GHz无线通信设备)、惯性传感器(例如，加速度计和/或陀螺仪传感器)、输入框(例如，触摸屏)、处理器或可充电电池。客户端设备110可以包括例如在显示器(例如，阴极射线管(CRT)或液晶显示器(LCD)监视器)上呈现的图形用户接口、指针设备(例如，计算机鼠标或轨迹球)、键盘、按键、触摸板、扫描设备、语音识别设备、手势识别设备、打印
机、音频扬声器、麦克风、相机等。客户端设备110可以从远程位置连接到计算机系统120，并且可以经由网络150连接到计算机系统120。应当注意，虽然一个或多个操作在本文中被描述为是由计算机系统120的特定部件执行的，但是在一些实施例中，这些操作也可以由计算机系统120的其他部件或系统100的其他部件来执行。例如，虽然一个或多个操作在本文中被描述为是由计算机系统120的部件执行的，但在一些实施例中，这些操作也可以由客户端设备110的部件来执行，并且反之亦然。
[0017]数据库140包括一个或多个患者数据库142、一个或多个训练数据库144、一个或多个参考数据库146和/或一个或多个其他数据库。在一些实施例中，患者数据库142包含关于患者的信息。在一些实施例中，患者数据库142包含关于提供者的信息。在一些实本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于基于用户选择的与关键性能指标有关的因素来促进对机器学习模型的训练的系统，所述系统包括：计算机系统，其包括利用计算机程序指令编程的一个或多个处理器，所述计算机程序指令在被运行时使所述计算机系统执行以下操作：经由用户接口呈现关键性能指标的风险调整因素的图形表示和所述因素中的每种因素对提供者的所述关键性能指标的影响的量；经由所述用户接口基于所述图形表示的所述呈现来接收对所述因素的因素子集的用户选择；基于对所述因素子集的所述用户选择来获得针对所述因素子集中的每种因素的训练信息，所述训练信息包括指示所述因素子集中与所述提供者相关联的每种因素的值的数据集；向机器学习模型提供所述训练信息作为输入以预测针对所述因素子集中的每种因素的所述关键性能指标的值；向所述机器学习模型提供参考反馈，所述参考反馈包括与和所述提供者相关联的所述因素子集的所述值有关地发生的针对所述提供者的所述关键性能指标的历史值，所述机器学习模型基于所述参考反馈来评估所述关键性能指标的预测值，并且基于对所述机器学习模型的所述评估来更新所述机器学习模型的一个或多个部分；并且在对所述机器学习模型的所述更新之后，向所述机器学习模型提供所述因素子集的第一值，以获得针对所述提供者的第一预测关键性能指标值。2.根据权利要求1所述的系统，其中，还使所述计算机系统执行以下操作：向所述机器学习模型提供所述因素子集的第二值，以获得第二预测关键性能指标值；并且基于所述第一预测关键性能指标值和所述第二预测关键性能指标值来计算平均预测关键性能指标值。3.根据权利要求2所述的系统，其中，还使所述计算机系统执行以下操作：基于针对所述因素子集的第一实际关键性能指标值和针对所述因素子集的第二实际关键性能指标值来获得平均实际关键性能指标值；将所述平均预测关键性能指标值与所述平均实际关键性能指标值进行比较；并且基于所述比较来确定针对所述因素子集的风险调整后的关键性能指标值。4.根据权利要求1所述的系统，其中，还使所述计算机系统接收指示所述关键性能指标和所述关键性能指标的所述风险调整因素的选择，并且其中，所述图形表示是基于所接收的选择来呈现的。5.一种由一个或多个处理器实施的方法，所述一个或多个处理器运行计算机程序指令，所述计算机程序指令在被运行时执行所述方法，所述方法包括：经由用户接口呈现关键性能指标的风险调整因素的图形表示；经由所述用户接口基于所述图形表示来接收对所述因素的因素子集的用户选择；向机器学习模型提供训练信息作为输入以预测针对所述因素子集的所述关键性能指标的值，所述训练信息指示与提供者相关联的所述因素子集的值；向所述机器学习模型提供参考反馈，所述参考反馈包括基于与所述提供者相关联的所
述因素子集的所述值的针对所述提供者的历史关键性能指标值，所述机器学习模型基于所述参考反馈来更新所述机器学习模型的一个或多个部分；在对所述机器学习模型的所述更新之后，向所述机器学习模型提供与所述提供者相关联的所述因素子集的所述值，以获得针对所述提供者的预测关键性能指标值。6.根据权利要求5所述的方法，还包括：获得针对所述因素子集的实际关键性能指标值；将所述实际关键性能指标值的平均值与针对所述因素子集的所述预测关键性能指标值的平均值进行比较；并且基于所述比较来确定风险调整后的关键性能指标值。7.根据权利要求6所述的方法，其中，将...

【专利技术属性】
技术研发人员：E，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：