信息的推送方法及装置、存储介质、计算机设备制造方法及图纸

本申请公开了一种信息的推送方法及装置、存储介质、计算机设备，涉及人工智能技术领域以及数字医疗技术领域，主要目的在于改善现有在医疗资源以及医生资历匮乏的情况下，无法准确的进行信息推送的技术问题。包括：获取目标用户的医疗信息；基于已完成模型训练的疾病概率预测模型对所述医疗信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集，所述已完成模型训练的疾病概率预测模型是由已完成模型训练的自编码器子模型以及多分神经网络子模型组成的；基于所述概率集向所述目标用户进行信息推送。述目标用户进行信息推送。述目标用户进行信息推送。

【技术实现步骤摘要】
信息的推送方法及装置、存储介质、计算机设备


[0001]本申请涉及人工智能
以及数字医疗
，特别是涉及一种信息的推送方法及装置、存储介质、计算机设备。

技术介绍

[0002]传统的医疗信息的推送方法，大多是依赖医学手段(如X光、CT、心电图等)结合医生的经验进行推送的，因此，对医生的水平以及医疗资源的要求较高。然而，对于社区诊所或医疗不发达地区的医疗机构，由于所配置的医疗资源以及医生资历相对匮乏，严重影响医疗信息推送的准确率。另外，当出现新型疾病时，由于医生经验不足，若仍基于传统的方法进行医疗信息的推送，极易导致推送的医疗信息出现严重偏差。因此，亟需一种信息的推送方法，以改善上述问题。

技术实现思路

[0003]有鉴于此，本申请提供一种信息的推送方法及装置、存储介质、计算机设备，主要目的在于改善现有在医疗资源以及医生资历匮乏的情况下，无法准确的进行信息推送的问题。
[0004]依据本申请一个方面，提供了一种信息的推送方法，包括：
[0005]获取目标用户的医疗信息；
[0006]基于已完成模型训练的疾病概率预测模型对所述医疗信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集，所述已完成模型训练的疾病概率预测模型是由已完成模型训练的自编码器子模型以及多分神经网络子模型组成的；
[0007]基于所述概率集向所述目标用户进行信息推送。
[0008]优选的，所述医疗信息包括人口学信息、诊断信息以及检验学信息，所述基于已完成模型训练的疾病概率预测模型对所述医疗信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集，具体包括：
[0009]基于所述已完成模型训练的自编码器子模型分别对所述诊断信息以及所述检验学信息进行降维处理，得到所述诊断信息的特征向量以及所述检验学信息的特征向量；
[0010]基于所述多分神经网络子模型对所述诊断信息的特征向量、所述检验学信息的特征向量以及所述人口学信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集。
[0011]优选的，所述基于所述已完成模型训练的自编码器子模型分别对所述诊断信息以及所述检验学信息进行降维处理之前，所述方法还包括：
[0012]构建初始自编码器子模型；
[0013]获取多个历史用户的历史医疗信息，并基于所述初始自编码器子模型分别对所述历史医疗信息所包含的历史诊断信息以及历史检验学信息进行自编码处理，得到多个所述历史用户的自编码后的历史诊断信息以及自编码后的历史检验学信息；
[0014]分别计算所述历史诊断信息与所述自编码后的历史诊断信息之间的第一损失值，以及所述历史检验学信息与所述自编码后的历史检验学信息之间的第二损失值，并对所述第一损失值以及所述第二损失值进行最小化重构误差处理，得到已完成模型训练的自编码器子模型。
[0015]优选的，所述初始自编码器子模型包括输入层、隐藏层以及输出层，所述降维处理，具体包括：
[0016]基于所述输入层将所述诊断信息以及所述检验学信息压缩到所述隐藏层，以输出所述诊断信息的特征向量以及所述检验学信息的特征向量；
[0017]所述自编码处理，具体包括：基于所述输入层将所述诊断信息以及所述检验学信息压缩到所述隐藏层，得到所述诊断信息的特征向量以及所述检验学信息的特征向量，再基于所述输出层将所述诊断信息的特征向量以及所述检验学信息的特征向量恢复到与所述诊断信息以及所述检验学信息具有相同维度的信息，得到自编码后的诊断信息以及自编码后的历史检验学信息。
[0018]优选的，所述基于所述概率集向所述目标用户进行信息推送，具体包括：
[0019]按照预设规则将所述概率集中所包含的各个概率值进行排序处理，得到所述目标用户患有不同类别疾病的概率值序列；
[0020]将预设医疗信息库中的医疗信息按照所述概率值序列进行输出。
[0021]优选的，所述方法还包括：
[0022]当检测到存在医疗信息的操作行为时，调取与所述医疗信息存在关联关系的历史就诊信息，并进行推送。
[0023]优选的，所述按照预设规则将所述概率集中所包含的各个概率值进行排序处理之前，所述方法还包括：
[0024]从所述概率集中筛选出大于预设概率值阈值的概率值；
[0025]所述按照预设规则将所述概率集中所包含的各个概率值进行排序处理，得到所述目标用户患有不同类别疾病的概率值序列，具体包括：
[0026]按照预设规则将所述大于预设概率值阈值的概率值进行排序处理，得到所述目标用户患有不同类别疾病的概率值序列。
[0027]依据本申请另一个方面，提供了一种信息的推送装置，包括：
[0028]获取模块，用于获取目标用户的医疗信息；
[0029]预测模块，用于基于已完成模型训练的疾病概率预测模型对所述医疗信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集，所述已完成模型训练的疾病概率预测模型是由已完成模型训练的自编码器子模型以及多分神经网络子模型组成的；
[0030]推送模块，用于基于所述概率集向所述目标用户进行信息推送。
[0031]优选的，所述医疗信息包括人口学信息、诊断信息以及检验学信息，所述预测模块，具体包括：
[0032]降维单元，用于基于所述已完成模型训练的自编码器子模型分别对所述诊断信息以及所述检验学信息进行降维处理，得到所述诊断信息的特征向量以及所述检验学信息的特征向量；
[0033]预测单元，用于基于所述多分神经网络子模型对所述诊断信息的特征向量、所述检验学信息的特征向量以及所述人口学信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集。
[0034]优选的，所述降维单元之前，所述模块还包括：
[0035]构建单元，用于构建初始自编码器子模型；
[0036]自编码单元，用于获取多个历史用户的历史医疗信息，并基于所述初始自编码器子模型分别对所述历史医疗信息所包含的历史诊断信息以及历史检验学信息进行自编码处理，得到多个所述历史用户的自编码后的历史诊断信息以及自编码后的历史检验学信息；
[0037]优化单元，用于分别计算所述历史诊断信息与所述自编码后的历史诊断信息之间的第一损失值，以及所述历史检验学信息与所述自编码后的历史检验学信息之间的第二损失值，并对所述第一损失值以及所述第二损失值进行最小化重构误差处理，得到已完成模型训练的自编码器子模型。
[0038]优选的，所述初始自编码器子模型包括输入层、隐藏层以及输出层，所述降维单元，具体用于：
[0039]基于所述输入层将所述诊断信息以及所述检验学信息压缩到所述隐藏层，以输出所述诊断信息的特征向量以及所述检验学信息的特征向量；
[0040]所述自编码单元，具体用于：基于所述输入层将所述诊断信息以及所述检验学信息压缩到所述隐藏层，得到所述诊断信息的特征向量以及所述检验学信息的特征向量，再基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息的推送方法，其特征在于，包括：获取目标用户的医疗信息；基于已完成模型训练的疾病概率预测模型对所述医疗信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集，所述已完成模型训练的疾病概率预测模型是由已完成模型训练的自编码器子模型以及多分神经网络子模型组成的；基于所述概率集向所述目标用户进行信息推送。2.根据权利要求1所述的方法，其特征在于，所述医疗信息包括人口学信息、诊断信息以及检验学信息，所述基于已完成模型训练的疾病概率预测模型对所述医疗信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集，具体包括：基于所述已完成模型训练的自编码器子模型分别对所述诊断信息以及所述检验学信息进行降维处理，得到所述诊断信息的特征向量以及所述检验学信息的特征向量；基于所述多分神经网络子模型对所述诊断信息的特征向量、所述检验学信息的特征向量以及所述人口学信息进行疾病概率预测处理，得到所述目标用户患有不同类别疾病的概率集。3.根据权利要求2所述的方法，其特征在于，所述基于所述已完成模型训练的自编码器子模型分别对所述诊断信息以及所述检验学信息进行降维处理之前，所述方法还包括：构建初始自编码器子模型；获取多个历史用户的历史医疗信息，并基于所述初始自编码器子模型分别对所述历史医疗信息所包含的历史诊断信息以及历史检验学信息进行自编码处理，得到多个所述历史用户的自编码后的历史诊断信息以及自编码后的历史检验学信息；分别计算所述历史诊断信息与所述自编码后的历史诊断信息之间的第一损失值，以及所述历史检验学信息与所述自编码后的历史检验学信息之间的第二损失值，并对所述第一损失值以及所述第二损失值进行最小化重构误差处理，得到已完成模型训练的自编码器子模型。4.根据权利要求3所述方法，其特征在于，所述初始自编码器子模型包括输入层、隐藏层以及输出层，所述降维处理，具体包括：基于所述输入层将所述诊断信息以及所述检验学信息压缩到所述隐藏层，以输出所述诊断信息的特征向量以及所述检验学信息的特征向量；所述自编码处理，具体包括：基于所述输入层将所述诊断信息以及所述检验学信息压缩到所述隐藏层，得到所述诊断信息的特征向量以及所述检验学信息的特征向量...

【专利技术属性】
技术研发人员：李烨，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：