[發(fā)明專利]疾病數(shù)據(jù)分析方法、裝置、電子設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010917013.0
• 申請日: 2020-09-03
• 公開（公告）號: CN111986763A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計）人: 楊志專
• 申請（專利權(quán)）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G16H10/60
• 分類號: G16H10/60;G16H50/70;G06F40/289;G06F16/36;G06F16/951;G06K9/62
• 代理公司: 深圳市賽恩倍吉知識產(chǎn)權(quán)代理有限公司 44334
• 代理人: 遲珊珊;何春蘭

1.一種疾病數(shù)據(jù)分析方法，其特征在于，所述疾病數(shù)據(jù)分析方法包括：

當(dāng)接收到數(shù)據(jù)分析請求時，從所述數(shù)據(jù)分析請求中提取醫(yī)療警報信息，并提取所述醫(yī)療警報信息中的醫(yī)療警報對象；

爬取與所述醫(yī)療警報信息相關(guān)的輿情數(shù)據(jù)，并爬取與所述醫(yī)療警報對象對應(yīng)的醫(yī)療數(shù)據(jù)；

分析所述輿情數(shù)據(jù)，得到第一數(shù)據(jù)特征，并分析所述醫(yī)療數(shù)據(jù)，得到第二數(shù)據(jù)特征；

將所述第一數(shù)據(jù)特征及所述第二數(shù)據(jù)特征輸入至預(yù)先構(gòu)建的謠言檢測模型中，得到檢測結(jié)果；

當(dāng)所述檢測結(jié)果為非謠言結(jié)果時，融合所述第一數(shù)據(jù)特征及所述第二數(shù)據(jù)特征，得到目標(biāo)向量；

將所述目標(biāo)向量輸入至預(yù)先訓(xùn)練好的疾病預(yù)警模型中，得到所述醫(yī)療警報對象的分析結(jié)果。

2.如權(quán)利要求1所述的疾病數(shù)據(jù)分析方法，其特征在于，所述提取所述醫(yī)療警報信息中的醫(yī)療警報對象包括：

對所述醫(yī)療警報信息進(jìn)行分詞處理，得到多個分詞；

識別所述多個分詞的詞性，并將詞性為預(yù)設(shè)詞性的分詞確定為目標(biāo)詞語；

將所述目標(biāo)詞語與配置庫中的診斷對象進(jìn)行匹配；

將與所述診斷對象匹配成功的目標(biāo)詞語確定為所述醫(yī)療警報對象。

3.如權(quán)利要求1所述的疾病數(shù)據(jù)分析方法，其特征在于，所述分析所述輿情數(shù)據(jù)，得到第一數(shù)據(jù)特征包括以下一種或者多種方式的組合：

獲取所述輿情數(shù)據(jù)的傳播用戶，并對所述傳播用戶進(jìn)行用戶畫像分析，得到所述輿情數(shù)據(jù)的傳播知識圖譜；及/或

獲取所述輿情數(shù)據(jù)的傳播區(qū)域，確定每個傳播區(qū)域的傳播數(shù)量，并根據(jù)所述傳播數(shù)量確定每個傳播區(qū)域的傳播比例，將傳播比例最大的傳播區(qū)域確定為所述輿情數(shù)據(jù)的目標(biāo)區(qū)域；及/或

對所述輿情數(shù)據(jù)進(jìn)行情感分析，得到所述輿情數(shù)據(jù)的情感值。

4.如權(quán)利要求1所述的疾病數(shù)據(jù)分析方法，其特征在于，所述分析所述醫(yī)療數(shù)據(jù)，得到第二數(shù)據(jù)特征包括：

獲取所述醫(yī)療數(shù)據(jù)的認(rèn)證機構(gòu)；

檢測所述認(rèn)證機構(gòu)是否存在于配置醫(yī)療機構(gòu)列表中，所述配置醫(yī)療機構(gòu)列表中存儲多個有效醫(yī)療認(rèn)證機構(gòu)；

當(dāng)檢測到任意認(rèn)證機構(gòu)存在于配置醫(yī)療機構(gòu)列表中時，將與所述任意認(rèn)證機構(gòu)對應(yīng)的醫(yī)療數(shù)據(jù)確定為所述第二數(shù)據(jù)特征。

5.如權(quán)利要求1所述的疾病數(shù)據(jù)分析方法，其特征在于，在將所述第一數(shù)據(jù)特征及所述第二數(shù)據(jù)特征輸入至預(yù)先構(gòu)建的謠言檢測模型中之前，所述方法還包括：

確定所述數(shù)據(jù)分析請求的請求類型；

獲取與所述請求類型相關(guān)的請求數(shù)據(jù)，所述請求數(shù)據(jù)包括輿情請求數(shù)據(jù)及醫(yī)療請求數(shù)據(jù)；

從所述請求數(shù)據(jù)中提取檢測訓(xùn)練數(shù)據(jù)，并從所述請求數(shù)據(jù)中提取測試數(shù)據(jù)，所述檢測訓(xùn)練數(shù)據(jù)與所述測試數(shù)據(jù)不相交；

采用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練所述檢測訓(xùn)練數(shù)據(jù)，得到第一學(xué)習(xí)器，并采用隨機森林算法訓(xùn)練所述檢測訓(xùn)練數(shù)據(jù)，得到第二學(xué)習(xí)器；

利用所述測試數(shù)據(jù)測試所述第一學(xué)習(xí)器，得到第一誤差率，并利用所述測試數(shù)據(jù)測試所述第二學(xué)習(xí)器，得到第二誤差率；

當(dāng)所述第一誤差率小于所述第二誤差率時，將所述第一學(xué)習(xí)器確定為所述謠言檢測模型；或者

當(dāng)所述第一誤差率大于或者等于所述第二誤差率時，將所述第二學(xué)習(xí)器確定為所述謠言檢測模型。

6.如權(quán)利要求1所述的疾病數(shù)據(jù)分析方法，其特征在于，所述融合所述第一數(shù)據(jù)特征及所述第二數(shù)據(jù)特征，得到目標(biāo)向量包括：

將所述第一數(shù)據(jù)特征轉(zhuǎn)換為第一特征向量，并將所述第二數(shù)據(jù)特征轉(zhuǎn)換為第二特征向量；

從所述第一特征向量中選取預(yù)設(shè)維度的第一維度向量，并從所述第二特征向量中選取所述預(yù)設(shè)維度的第二維度向量；

拼接所述第一維度向量與所述第二維度向量，得到所述目標(biāo)向量。

7.如權(quán)利要求6所述的疾病數(shù)據(jù)分析方法，其特征在于，所述將所述第一數(shù)據(jù)特征轉(zhuǎn)換為第一特征向量包括：

確定所述第一數(shù)據(jù)特征的特征數(shù)量；

當(dāng)所述特征數(shù)量有多個時，根據(jù)配置向量表將多個所述第一數(shù)據(jù)特征轉(zhuǎn)換為多個數(shù)據(jù)向量；

將所述多個數(shù)據(jù)向量中每個數(shù)據(jù)向量與預(yù)設(shè)矩陣進(jìn)行相乘，得到多個運算向量；

計算所述多個運算向量的平均值，得到所述第一特征向量。