[發(fā)明專利]基于人工智能的異常患者識別方法及相關(guān)設(shè)備

有效

• 申請?zhí)枺?/td>: 202110567586.X
• 申請日: 2021-05-24
• 公開（公告）號: CN113270200B
• 公開（公告）日: 2022-12-27
• 發(fā)明（設(shè)計）人: 唐蕊;蔣雪涵;孫行智
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H10/60;G06K9/62
• 代理公司: 深圳市明日今典知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44343
• 代理人: 王杰輝;曹勇

1.一種基于人工智能的異常患者識別方法，其特征在于，所述方法包括：

獲取多個患者嵌入向量集合，所述患者嵌入向量集合包括：一個患者的多個收費項目對應(yīng)的收費項目名稱嵌入向量、收費項目類型嵌入向量和收費項目費用嵌入向量；

分別將每個所述患者嵌入向量集合輸入目標(biāo)患者行為學(xué)習(xí)模型進行患者行為學(xué)習(xí)，得到所述多個患者嵌入向量集合各自對應(yīng)的患者行為向量，所述目標(biāo)患者行為學(xué)習(xí)模型包括：輸入層、12層編碼器、輸出層；

獲取標(biāo)識符號位置，根據(jù)所述標(biāo)識符號位置，分別對每個所述患者行為向量進行向量提取，得到所述多個患者嵌入向量集合各自對應(yīng)的待聚類的行為向量；

采用DBSCAN聚類算法，對所有所述待聚類的行為向量進行聚類，得到多個患者行為向量聚類集合，根據(jù)所述多個患者行為向量聚類集合進行異常患者檢測，得到異常患者行為向量集合；

根據(jù)所述異常患者行為向量集合進行異常患者確定，得到異常患者集合；

所述分別將每個所述患者嵌入向量集合輸入目標(biāo)患者行為學(xué)習(xí)模型進行患者行為學(xué)習(xí)，得到所述多個患者嵌入向量集合各自對應(yīng)的患者行為向量的步驟之前，還包括：

獲取多個患者訓(xùn)練樣本，所述患者訓(xùn)練樣本包括：患者嵌入向量樣本數(shù)據(jù)、患者行為標(biāo)定向量和總費用分類標(biāo)定向量；

從所述多個患者訓(xùn)練樣本中提取一個所述患者訓(xùn)練樣本，作為目標(biāo)患者訓(xùn)練樣本；

采用隨機算法和預(yù)設(shè)比例，根據(jù)所述目標(biāo)患者訓(xùn)練樣本進行隱藏的所述收費項目的確定，得到隱藏收費項目集合；

針對所述目標(biāo)患者訓(xùn)練樣本的所述患者嵌入向量樣本數(shù)據(jù)，進行所述隱藏收費項目集合中的每個所述收費項目對應(yīng)的嵌入向量隱藏，得到隱藏后的患者嵌入向量樣本數(shù)據(jù)；

根據(jù)所述目標(biāo)患者訓(xùn)練樣本的所述患者行為標(biāo)定向量，進行所述隱藏收費項目集合中的每個所述收費項目對應(yīng)的標(biāo)定向量提取，得到目標(biāo)標(biāo)定向量；

采用未隱藏的所有所述收費項目的嵌入向量進行隱藏的所述收費項目的患者行為學(xué)習(xí)的方法，根據(jù)所述隱藏后的患者嵌入向量樣本數(shù)據(jù)和待訓(xùn)練的患者行為學(xué)習(xí)模型進行患者行為學(xué)習(xí)，得到第一訓(xùn)練向量；

采用與隱藏的所述收費項目的類型相同的所有所述收費項目的樣本嵌入向量進行隱藏的所述收費項目的患者行為學(xué)習(xí)的方法，根據(jù)所述隱藏后的患者嵌入向量樣本數(shù)據(jù)和所述待訓(xùn)練的患者行為學(xué)習(xí)模型進行患者行為學(xué)習(xí)，確定第二訓(xùn)練向量；

根據(jù)所述標(biāo)識符號位置、所述隱藏后的患者嵌入向量樣本數(shù)據(jù)、所述待訓(xùn)練的患者行為學(xué)習(xí)模型、全連接層和softmax層進行總費用分類預(yù)測，得到總費用分類概率訓(xùn)練向量；

將所述目標(biāo)標(biāo)定向量、所述第一訓(xùn)練向量、所述第二訓(xùn)練向量、所述總費用分類概率訓(xùn)練向量、所述目標(biāo)患者訓(xùn)練樣本的所述總費用分類標(biāo)定向量輸入損失函數(shù)進行計算，得到目標(biāo)損失值，根據(jù)所述目標(biāo)損失值，更新所述待訓(xùn)練的患者行為學(xué)習(xí)模型、所述全連接層和所述softmax層的參數(shù)，將更新后的所述待訓(xùn)練的患者行為學(xué)習(xí)模型被用于下一次計算所述第一訓(xùn)練向量、所述第二訓(xùn)練向量，將更新后的所述待訓(xùn)練的患者行為學(xué)習(xí)模型、所述全連接層和所述softmax層被用于下一次計算所述總費用分類概率訓(xùn)練向量；

重復(fù)執(zhí)行所述從所述多個患者訓(xùn)練樣本中提取一個所述患者訓(xùn)練樣本，作為目標(biāo)患者訓(xùn)練樣本的步驟，直至所述目標(biāo)損失值達(dá)到第一收斂條件或迭代次數(shù)達(dá)到第二收斂條件，將所述目標(biāo)損失值達(dá)到所述第一收斂條件或迭代次數(shù)達(dá)到所述第二收斂條件的所述待訓(xùn)練的患者行為學(xué)習(xí)模型，確定為所述目標(biāo)患者行為學(xué)習(xí)模型。