信息及医疗诊断的分类方法、计算设备及存储介质技术

本申请实施例提供一种信息及医疗诊断的分类方法、计算设备及存储介质。在本申请实施例中，获取待分类病人的病例信息；将病例信息输入至预置分类模型中，通过预置分类模型的第一子神经网络模型对病例信息中的时间信息进行第一特征提取；通过预置分类模型的公共层，对病例信息中的其它信息以及第一特征进行第二特征提取，并进行DRGs的分类。由于时间信息对于决定病例信息的分类情况是很重要的，所以通过加强对时间信息的关注和侧重，能够更加精准地进行病例信息的分类。准地进行病例信息的分类。准地进行病例信息的分类。

【技术实现步骤摘要】
信息及医疗诊断的分类方法、计算设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种信息的分类方法、模型的结构、模型的生成方法、医疗诊断的分类方法、计算设备及存储介质。

技术介绍

[0002]DRGs(Diagnosis Related Groups，诊断相关分类)是当今世界的先进支付方式之一，其指导思想是：通过统一的疾病诊断分类定额支付标准的制定，达到医疗资源利用标准化。有助于激励医院加强医疗质量管理，迫使医院为获得利润主动降低成本，减少诱导性医疗费用支付，有利于全社会的合理用药。
[0003]当前，DRGs在国内的推广尚处于早期阶段，面对DRGs中定义的几百种，甚至上千种疾病分组，医院时常会将病例分配至错误的分组，导致医疗资源的不合理使用。

技术实现思路

[0004]本申请的多个方面提供一种信息的分类方法、模型的结构、模型的生成方法、医疗诊断的分类方法计算设备及存储介质，用以能够较为精准地进行分类。
[0005]本申请实施例提供一种信息的分类方法，包括：获取待分类病人的病例信息；将所述病例信息输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息的分类方法，其特征在于，包括：获取待分类病人的病例信息；将所述病例信息输入至预置分类模型中，通过所述预置分类模型的第一子神经网络模型对所述病例信息中的时间信息进行第一特征提取；通过所述预置分类模型的公共层，对所述病例信息中的其它信息以及所述第一特征进行第二特征提取，并进行DRGs的分类。2.根据权利要求1所述的方法，其特征在于，所述通过所述预置分类模型的公共层，对所述病例信息中的其它信息以及所述第一特征进行第二特征提取，并进行DRGs的分类，包括：通过所述预置分类模型的隐藏层以及输出层，对所述病例信息中的属性信息、诊疗信息以及所述第一特征进行第二特征提取；基于所述第二特征以及所述预置分类模型中的分类层进行DRGs的分类。3.根据权利要求2所述的方法，其特征在于，所述基于所述第二特征以及所述预置分类模型中的分类层进行DRGs的分类，包括：将所述第二特征输入至所述预置分类模型中的第二子神经网络模型中，得到对应的输出特征，并通过分类函数进行分类，得到分类结果。4.根据权利要求2所述的方法，其特征在于，所述基于所述第二特征以及所述预置分类模型中的分类层进行DRGs的分类，包括：将所述第二特征分别输入至所述预置分类模型中的多个第二子神经网络模型中，得到对应的输出特征，并分别通过对应的分类函数进行分类，得到相同的分类结果。5.根据权利要求1所述的方法，其特征在于，所述病例信息还包括医院的标识信息；其中，所述方法还包括：将所述病例信息输入至预置分类模型后，通过所述预置分类模型的第三子神经网络模型对所述标识信息进行第三特征提取；通过所述预置分类模型的公共层，对所述其它信息、所述第一特征以及所述第三特征进行第四特征提取，并进行DRGs的分类。6.根据权利要求5所述的方法，其特征在于，所述通过所述预置分类模型的公共层，对所述其它信息、所述第一特征以及所述第三特征进行第四特征提取，并进行DRGs的分类，包括：通过所述预置分类模型的隐藏层以及输出层，对属性信息、诊疗信息、所述第一特征以及所述第三特征进行第四特征提取；基于所述第四特征以及所述预置分类模型中的分类层进行DRGs的分类。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：确定所述其它信息中诊疗信息的向量特征；其中，所述将所述病例信息输入至预置分类模型中，包括：将所述向量特征输入至预置分类模型中，以使通过所述预置分类模型的公共层，对所述向量特征进行第二特征提取。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取病人的历史病例信息；将所述历史病例信息作为预置初始分类模型的训练数据，对所述预置初始分类模型进
行训练。9.根据权利要求8所述的方法，其特征在于，所述历史病例信息包括与病例相关的历史时间信息、病人的历史属性信息以及历史诊疗信息，所述历史病例信息具有对应的DRGs分类结果；其中，所述将所述历史病例信息作为预置初始分类模型的训练数据，对所述预置初始分类模型进行训练，包括：将所述历史病例信息输入至预置初始分类模型中，通过所述预置初始分类模型的第一初始子神经网络模型对所述历史时间信息进行第一历史特征提取；通过所述预置初始分类模型的初始公共层，对所述历史属性信息、历史诊疗信息以及所述第一历史特征进行第二历史特征提取，并进行DRGs的分类，得到历史分类结果；基于所述历史分类结果以及所述历史病例信息对应的DRGs分类结果，以完成对所述预置初始分类模型的训练。10.根据权利要求9所述的方法，其特征在于，所述通过所述预置初始分类模型的初始公共层，对所述历史属性信息、历史诊疗信息以及所述第一历史特征进行第二历史特征提取，并进行DRGs的分类，包括：通过所述预置初始分类模型的初始隐藏层以及初始输出层，对所述历史属性信息、历史诊疗信息以及所述第一历史特征进行第二历史特征提取；基于所述第二历史特征以及所述预置初始分类模型中的初始分类层进行DRGs的分类。11.根据权利要求10所述的方法，其特征在于，所述基于所述第二历史特征以及所述预置初始分类模型中的初始分类层进行DRGs的分类，包括：将所述第二历史特征分别输入至所述预置初始分类模型中的多个第二初始子神经网络模型中，得到对应的输出历史特征，并分别通过对应的初始分类函数进行分类，以得到多个历史分类结果。12.根据权利要求11所述的方法，其特征在于，所述方法还包括：基于多个所述历史分类结果以及所述历史病例信息对应的DRGs分类结果，以及多个所述历史分类结果之间的差异度，以完成对所述预置初始分类模型的训练。13.根据权利要求9所述的方法，其特征在于，所述历史病例信息还包括医院的历史标识信息；其中，所述方法还包括：将所述历史病例信息输入至预置初始分类模型后，通过所述预置初始分类模型的第三初始子神经网络模型对所述历史标识进行第三历史特征提取；通过所述预置初始分类模型的初始公共层，对所述历史属性信息、历史诊疗信息、所述第一特征以及所述第三特征进行第四特征提取，并进行DRGs的分类，得到历史分类结果。14.根据权利要求9所述的方法，其特征在于，所述预置初始分类模型包括依次连接的初始输入层、初始隐藏层、初始输出层以及初始分类层；在部分初始输入层与所述初始隐藏层之间连接有第一初始子神经网络模型以及第三初始子神经网络模型。15.根据权利要求14所述的方法，其特征在于，所述初始分类层包括多个第二初始子神经网络模型以及对应的初始分类函数。
16.根据权利要求8所述的方法，其特征在于，所述方法还包括：在安全的环境下，对所述预置初始分类模型进行训练。17.一种模型的结构，其特征在于，包括依次连接的输入层、隐藏层、输出层以及分类层；在部分输入层与所述隐藏层之间连接有第一子神经网络模型以及第二子神经网络模型。18.根据权利要求17所述的结构，其特征在于，所述分类层包括多个第三子神经网络模型以及对应的初始分类函数。19.根据权利要求17所述的结构，其特征在于，获取病人的历史病例信息；将所述历史病例信息作为初始的所述模型的训练数据，对所述初始的模型进行训练。20.根据权利要求19所述的结构，其特征在于，所述历史病例信息包括与病例相关的历史时间信息、病人的历史属性信息以及历史诊疗信息，所述历史病例信息具有对应的DRGs分类结果；其中，所述将所述历史病例信息作为初始的模型的训练数据，对所述初始的模型进行训练，包括：将所述历史病例信息输入至初始的输入层，并通过初始的第...

【专利技术属性】
技术研发人员：贺澎旭，
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：