医疗方案数据处理方法、装置、设备及存储介质 |
|||||||
| 申请号 | CN202110981896.6 | 申请日 | 2021-08-25 | 公开(公告)号 | CN113707296B | 公开(公告)日 | 2024-04-02 |
| 申请人 | 深圳平安智慧医健科技有限公司; | 发明人 | 巩四方; | ||||
| 摘要 | 本 发明 涉及 人工智能 技术领域，本发明公开了一种医疗方案 数据处理 方法、装置、设备及存储介质，所述方法包括：通过获取待评估医疗方案数据；通过维度归一处理得到医疗特征数据；将医疗特征数据分别输入至模拟评估模型和标准匹配模型中；通过模拟评估模型进行维度关联特征提取，评估出最终模拟结果，以及通过标准匹配模型进行特征匹配处理，得到最终标准结果；对最终模拟结果和最终标准结果进行方差处理，得到方差结果；确定出与待评估医疗方案数据对应的可行性评估结果。因此，本发明实现了快速地、准确地评估出方案的可行性的结果，大大提高了方案可行性分析的效率。本发明适用于人工智能领域，可进一步推动智慧医疗的建设。 | ||||||
| 权利要求 | 1.一种医疗方案数据处理方法，其特征在于，包括： |
||||||
| 说明书全文 | 医疗方案数据处理方法、装置、设备及存储介质技术领域背景技术[0002] 目前，医学用药方案的可行性分析或者医学预诊方案的可行性分析等等医疗方案数据分析可行性的评估过程中，涉及到对方案内容是否与方案指南或者合规相匹配，然而方案内容中存在诸多因素，方案类型跨度大、方案对象多样、填写的文本内容不一，评价方法和评价规则具有多样性，使得方案的可行性分析主要通过人工方式来进行评估，在现有的技术方案中，主要基于多位专家凭主观经验来判断，具有较大的主观性，以及通过人工核对方案步骤、价格或者成本等方案中的因素，确定方案实际执行是否可行，耗费巨大的人工成本，因此，现有的方案可行性分析投入成本多，评估周期长，主观性较高，容易出现人工误判或者遗漏导致后续执行方案出现重大问题的情况。 发明内容[0003] 本发明提供一种医疗方案数据处理方法、装置、计算机设备及存储介质，实现了能够准确地衡量出待评估医疗方案数据是否可行的评估结果，无需人工投入大量的主观、精力和时间，实现了快速地、准确地评估出方案的可行性的结果，大大提高了方案可行性分析的效率，本发明适用于人工智能领域，可进一步推动智慧医疗的建设。 [0004] 一种医疗方案数据处理方法，包括： [0005] 获取待评估医疗方案数据，并对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据； [0006] 将所述医疗特征数据分别输入至模拟评估模型和标准匹配模型中； [0007] 通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，以及通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果； [0008] 对与所述医疗特征数据对应的所述最终模拟结果和所述最终标准结果进行方差处理，得到方差结果； [0009] 基于所述方差结果确定出与所述待评估医疗方案数据对应的可行性评估结果。 [0010] 一种医疗方案数据处理装置，包括： [0011] 归一模块，用于获取待评估医疗方案数据，并对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据； [0012] 输入模块，用于将所述医疗特征数据分别输入至模拟评估模型和标准匹配模型中； [0013] 提取模块，用于通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，以及通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果； [0014] 方差模块，用于对与所述医疗特征数据对应的所述最终模拟结果和所述最终标准结果进行方差处理，得到方差结果； [0015] 确定模块，用于基于所述方差结果确定出与所述待评估医疗方案数据对应的可行性评估结果。 [0017] 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述医疗方案数据处理方法的步骤。 [0018] 本发明提供的医疗方案数据处理方法、装置、计算机设备及存储介质，该方法通过获取待评估医疗方案数据；对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据；将所述医疗特征数据分别输入至模拟评估模型和标准匹配模型中；通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，以及通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果；对与所述医疗特征数据对应的所述最终模拟结果和所述最终标准结果进行方差处理，得到方差结果；基于所述方差结果确定出与所述待评估医疗方案数据对应的可行性评估结果，如此，能够通过模拟评估模型和标准匹配模型自动从技术层面和成本层面进行可行性分析，得到最终模拟结果和最终标准结果，通过最终模拟结果和最终标准结果之间的方差，能够准确地衡量出待评估医疗方案数据是否可行的评估结果，无需人工投入大量的主观、精力和时间，实现了快速地、准确地评估出方案的可行性的结果，大大提高了方案可行性分析的效率。附图说明 [0019] 为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 [0020] 图1是本发明一实施例中医疗方案数据处理方法的应用环境示意图； [0021] 图2是本发明一实施例中医疗方案数据处理方法的流程图； [0022] 图3是本发明一实施例中医疗方案数据处理方法的步骤S10的流程图； [0023] 图4是本发明一实施例中医疗方案数据处理方法的步骤S30的流程图； [0024] 图5是本发明一实施例中医疗方案数据处理装置的原理框图； [0025] 图6是本发明一实施例中计算机设备的示意图。 具体实施方式[0026] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 [0027] 本发明提供的医疗方案数据处理方法，可应用在如图1的应用环境中，其中，客户端(计算机设备或终端)通过网络与服务器进行通信。其中，客户端(计算机设备或终端)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。 [0028] 在一实施例中，如图2所示，提供一种医疗方案数据处理方法，其技术方案主要包括以下步骤S10‑S50： [0029] S10，获取待评估医疗方案数据，并对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据。 [0030] 可理解地，所述待评估医疗方案数据为需要评估的方案信息，所述待评估医疗方案数据包含有与方案的各个因素或者维度相关的信息，例如：在医学领域上，待评估医疗方案数据包含有性别、年龄、疾病类型、科室、医院等级、医生资历级别、用药方案、用药清单、用药价格等信息。 [0031] 其中，所述维度归一处理的过程为将输入的信息按照结构化数据的格式进行转化，并对转化后的结构化的数据进行标准化扩充，以及向量转换，得到归一化的特征向量的数据的处理过程，所述医疗特征数据为各个维度的数据经过维度归一化处理后获得的特征向量的集合。 [0032] 在一实施例中，如图3所示，所述步骤S10中，即所述获取待评估医疗方案数据，并对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据，包括： [0033] S101，对所述待评估医疗方案数据进行结构化数据处理，得到待处理数据。 [0034] 可理解地，所述结构化处理为将所述待评估医疗方案数据中的各个维度的信息转换成数据库可以存储的统一结构化的数据格式，从而得到所述待处理数据。 [0035] 在一实施例中，所述步骤S101中，即所述对所述待评估医疗方案数据进行结构化数据处理，得到待处理数据，包括： [0036] 对所述待评估医疗方案数据进行信息过滤，得到有效数据。 [0037] 可理解地，所述信息过滤为将所述待评估方案中的非结构化数据进行删除，以及将干扰的维度的数据进行删除，得到所述有效数据，例如：去除掉包含患者的隐私信息，包括姓名、照片、身份证号、住址、联系方式等。 [0038] 对所述有效数据进行结构化数据转换，得到所述待处理数据。 [0039] 可理解地，所述结构化数据转换为将所述有效数据转换为可存储的统一预设的结构化的数据格式的转换过程，例如：结构化的数据格式为key‑value的格式，从而得到所述待处理数据。 [0040] 本发明实现了通过对所述待评估医疗方案数据进行信息过滤，得到有效数据；对所述有效数据进行结构化数据转换，得到所述待处理数据，如此，能够筛选出有用的数据并转换成结构化格式的数据，便于后续的可行性分析。 [0041] S102，对所述待处理数据中的各个维度数据进行归一化处理，得到与各所述维度数据一一对应的特征向量。 [0042] 可理解地，所述归一化处理为对各个维度数据进行相应的数据提取及归一化，将相同维度数据的数据转变成可衡量的特征向量的过程。 [0043] 在一实施例中，所述步骤S102中，即所述对所述待处理数据中的各个维度数据进行归一化处理，得到与各所述维度数据一一对应的特征向量，包括： [0044] 获取与各所述维度数据对应的数据类型。 [0045] 可理解地，所述获取与各所述维度数据对应的数据类型的过程可以为获取与各所述维度数据对应的维度属性，所述维度属性体现了所述维度数据的类别名称，查找与获取的各所述维度属性对应的预设的数据类型，获取查找到的与各该维度属性对应的所述数据类型，从而获得与各所述维度数据对应的所述数据类型，比如数据类型包括文本类型、数值类型、字符类型等等。 [0046] 通过归一化模型根据与各所述维度数据对应的所述数据类型，对各所述维度数据进行相应的数据提取及归一化处理，得到与各所述维度数据一一对应的提取结果。 [0047] 可理解地，所述归一化模型为对不同输入的数据类型进行相应归一化处理的模型，不同的数据类型对应不同的归一化处理过程，比如：对于数值类型，归一化处理的过程为将所有数值类型的值转化成统一维度或者范围的数值，对于文本类型，归一化处理的过程为对文本内容进行文本缩写扩充、文本上下文语义提取出关键字、对各关键字进行标注等处理过程，所述提取结果为提取出维度数据中的关键内容。 [0048] 对各所述提取结果进行与所述提取结果对应的所述数据类型相对应的向量转换，得到与各所述提取结果对应的所述特征向量。 [0049] 可理解地，所述向量转换为将各所述提取结果转换成同一维度的特征向量的过程，即根据各所述提取结果落入的范围进行转换成与该提取结果相应的维度的特征向量，比如运用one‑hot编码转换完成所述向量转换，所述one‑hot编码转换，为运用one‑hot编码技术将所述结构化数据转换成所述结构化嵌入数据，所述one‑hot编码技术为对所述结构化数据中的每一类的信息内容分配一个与其一一映射对应的向量值，即对每一类信息进行编码，然后将所述结构化数据转换成数组向量的技术。 [0050] 本发明实现了通过获取与各所述维度数据对应的数据类型；将所述待处理数据输入归一化模型中；通过所述归一化模型根据与各所述维度数据对应的所述数据类型，对各所述维度数据进行相应的数据提取及归一化处理，得到与各所述维度数据一一对应的提取结果；对各所述提取结果进行与所述提取结果对应的所述数据类型相对应的向量转换，得到与各所述提取结果对应的所述特征向量，如此，能够根据不同的数据类型作出相应的归一化处理，将不同的数据类型转换成可衡量的特征向量，为后续的可行性分析提供了数据基础。 [0051] S103，对所有所述特征向量进行向量合并，得到所述医疗特征数据。 [0052] 可理解地，将所有所述特征向量按照中心矩阵的格式及维度进行合并，不够维度或者缺失的维度的部分通过用零填充的方式进行填充，从而填充完后汇合成一个特征向量矩阵，将该特征向量矩阵记录为所述医疗特征数据。 [0053] 本发明实现了通过对所述待评估医疗方案数据进行结构化数据处理，得到待处理数据；对所述待处理数据中的各个维度数据进行归一化处理，得到与各所述维度数据一一对应的特征向量；对所有所述特征向量进行向量合并，得到所述医疗特征数据，如此，能够将各个维度的数据自动转换成统一维度的可衡量的特征向量，便于后续的可行性分析，也提高了后续的可行性分析的准确性。 [0054] S20，将所述医疗特征数据分别输入至模拟评估模型和标准匹配模型中。 [0055] 可理解地，所述模拟评估模型为训练完成的用于对输入的数据进行技术维度和成本维度进行评估方案的可行性分析结果的模型，所述标准匹配模型为训练完成的用于对输入的数据进行匹配，得到与输入的数据的各个维度的特征聚类最匹配的画像类别，以及获得与该画像类别关联的最终标准结果的模型。 [0056] 在一实施例中，所述将所述医疗特征数据输入所述标准匹配模型之前，包括： [0057] 获取特征向量样本集；所述特征向量样本集包括多个特征向量样本；一个所述特征向量样本对应一个所述样本画像标签。 [0058] 可理解地，所述特征向量样本集为所述特征向量样本的集合，所述特征向量样本为历史收集的样本经过维度归一处理后得到的特征向量，一个所述特征向量样本对应一个所述样本画像标签，其中，所述样本画像标签为画像类别。 [0059] 将所述特征向量样本输入含有初始参数的初始神经网络模型中。 [0060] 可理解地，所述初始神经网络模型含有所述初始参数，所述初始参数可以为预设的参数或者迁移学习方式获得的参数，所述迁移学习为从同一领域或者其他领域中与画像相关的模型中将网络结构和参数值一并迁移至所述初始神经网络模型的学习方法。 [0061] 通过所述初始神经网络模型对所述特征向量样本进行维度关联特征提取，根据提取的维度关联特征进行特征聚类，并得到画像类别以及与该画像类别关联的样本标准结果。 [0062] 可理解地，所述维度关联特征为从技术层面和成本层面上，分别体现的与各个维度的关联性相关的特征，所述维度关联特征包括技术维度关联特征和成本维度关联特征，所述特征聚类的方法为运用K‑means聚类算法对各维度之间的维度关联特征进行聚类的方法，所述样本标准结果为与相同的画像类别所对应的所有所述特征向量样本中的各个维度的均值构成的各维度的特征向量，一个画像类别对应一个样本标准结果。 [0063] 根据所述画像类别与所述样本画像标签，确定出损失值。 [0064] 可理解地，将所述画像类别与所述样本画像标签输入损失函数中，通过所述损失函数计算出所述损失值，所述损失函数优选为交叉熵(cross entropy)损失函数。 [0065] 在所述损失值未达到预设收敛条件时，迭代更新初始神经网络模型的初始参数，直至所述损失值达到所述预设收敛条件，将收敛之后的初始神经网络模型记录为所述标准匹配模型。 [0066] 可理解地，所述预设收敛条件可以为所述损失值经过了20000次计算后值为很小且不会再下降的条件，即在所述损失值经过20000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的初始神经网络模型记录为所述标准匹配模型；所述预设收敛条件也可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，停止训练，并将收敛之后的初始神经网络模型记录为所述标准匹配模型，如此，在所述损失值未达到预设的预设收敛条件时，不断调整初始神经网络模型的初始参数，可以不断向准确的结果靠拢，让识别的准确率越来越高。如此，能够优化分诊识别，提高了分诊识别的准确性和可靠性。 [0067] S30，通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，以及通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果。 [0068] 可理解地，通过所述模拟评估模型对所述医疗特征数据进行所述维度关联特征的提取，从技术维度和成本维度评估出该医疗特征数据是否可行，得到最终模拟结果，所述最终模拟结果表征了该医疗特征数据分别在技术层面、成本层面和综合层面上评估出的评分值，所述特征匹配处理的过程为通过标准匹配模型对所述医疗特征数据中的各个维度的数据进行相似度匹配，匹配出于该医疗特征数据最匹配的画像类别，从所述标准匹配模型中获取与该画像类别关联的样本标准结果，将该样本标准结果记录为最终标准结果的处理过程，所述最终标准结果包含有技术层面、成本层面和综合层面上的标准分值。 [0069] 其中，所述维度关联特征为从技术层面和成本层面上，分别体现的与各个维度的关联性相关的特征，所述维度关联特征包括技术维度关联特征和成本维度关联特征，所述技术维度关联特征为在医疗特征数据中与技术相关的各个维度之间的关联性相关的特征，所述成本维度关联特征为在医疗特征数据中与成本相关的各个维度之间的关联性相关的特征，例如：医疗特征数据包含性别，年龄，用药类别，医院，用药医师，用药方案，用药费用等维度的数据，技术维度关联特征为性别，年龄，用药类别，用药医师，用药方案等之间的关联性特征，成本维度关联特征为医院，用药类别，用药费用，用药方案等之间的关联性特征。 [0070] 在一实施例中，如图4所示，所述步骤S30中，即所述通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，包括： [0071] S301，通过所述模拟评估模型对所述医疗特征数据中的各所述特征向量进行加权处理，得到加权数据。 [0072] 可理解地，所述加权处理的过程为根据各个维度的情况赋予相应的权重，对所述医疗特征数据中的各个所述特征向量乘于相应的权重的处理过程，从而能够得到与所述医疗特征数据对应的所述加权数据。 [0073] S302，通过所述模拟评估模型对所述加权数据进行技术维度关联特征提取，并根据提取的技术维度关联特征评估出技术模拟结果。 [0074] 可理解地，所述技术维度关联特征为在医疗特征数据中与技术相关的各个维度之间的关联性相关的特征，所述根据提取的技术维度关联特征评估的过程为对所述加权数据进行技术维度提取，通过对技术维度提取后的数据进行聚类，得到方案画像标签，通过与该方案画像标签对应的方案评估子模型进行与所述方案画像标签相应的技术上下关联识别，得到所述技术模拟结果的评估过程，所述技术模拟结果表明了与该医疗特征数据对应的待评估医疗方案数据在技术层面是否可行的结果。 [0075] 在一实施例中，所述步骤S302中，即所述通过所述模拟评估模型对所述加权数据进行技术维度关联特征提取，并根据提取的技术维度关联特征评估出技术模拟结果，包括： [0076] 对所述加权数据进行技术维度提取，得到技术特征向量矩阵；所述技术特征向量矩阵包括方案类型向量、方案场景向量、方案对象向量和多个方案内容向量。 [0077] 可理解地，所述技术维度提取为提取与技术相关维度的数据的过程，所述方案类型向量为方案的所属类型的向量，所述方案场景向量为方案的应用场景的名称对应的向量，所述方案对象向量为方案中面向的对象的向量，所述方案内容向量为方案内容中关键的实体和动作所对应的向量。 [0078] 对所述方案类型向量、所述方案对象向量和所述方案场景向量进行聚类，得到方案画像标签。 [0079] 可理解地，所述聚类的过程为通过K‑means聚类方式对所述方案类型向量、所述方案对象向量和所述方案场景向量进行画像的处理过程，从而确定出方案画像标签，所述方案画像标签包括了各种方案从技术层面上划分的类别。 [0080] 获取与所述方案画像标签对应的方案评估子模型。 [0081] 通过获取的所述方案评估子模型对所有所述方案内容向量进行与所述方案画像标签相应的技术上下关联识别，得到所述技术模拟结果。 [0082] 可理解地，所述技术上下文关联识别为特征向量的先后顺序以及相关关联关系的识别过程，从而得到技术执行上是否合规或者合理的所述技术模拟结果。 [0083] 本发明实现了通过聚类获得方案画像标签，通过相应的方案评估子模型运用技术上下关联识别技术，评估出技术是否可行的技术模拟结果，能够提高方案可行性分析的准确率。 [0084] S303，通过所述模拟评估模型对所述加权数据进行成本维度关联特征提取，并根据提取的成本维度关联特征评估出成本模拟结果。 [0085] 可理解地，所述成本维度关联特征为在医疗特征数据中与成本相关的各个维度之间的关联性相关的特征，所述根据提取的成本维度关联特征评估的过程为对所述加权数据进行成本维度提取，得到成本特征向量矩阵；对成本特征向量矩阵进行合规识别，得到第一合规结果；对成本特征向量矩阵进行成本维度关联特征提取，根据提取的成本维度关联特征进行成本评估，得到第二合规结果；基于所述第一合规结果和所述第二合格结果确定出所述成本模拟结果的过程，所述成本模拟结果表明了与该医疗特征数据对应的待评估医疗方案数据在成本层面是否可行的结果。 [0086] 在一实施例中，所述步骤S303中，即所述通过所述模拟评估模型对所述加权数据进行成本维度关联特征提取，并根据提取的成本维度关联特征评估出成本模拟结果，包括： [0087] 对所述加权数据进行成本维度提取，得到成本特征向量矩阵；所述成本特征向量包括成本项目向量和与所述成本项目向量对应的成本费用向量。 [0088] 可理解地，所述成本维度提取为提取与成本相关维度的数据的过程，所述成本项目向量为各个与各个项目或者所需用料或者材料的名称所对应的向量，所述成本费用向量为与所述成本项目向量所对应的费用或者价格的向量。 [0089] 对所有所述成本项目向量和所有成本费用向量进行合规识别，得到第一合规结果。 [0090] 可理解地，所述合规识别的过程为查询与所述成本项目向量对应的合规费用范围，判断与所述成本项目向量对应的所述成本费用向量是否落入其所对应的合规费用范围，从而得到该成本项目向量的合规识别结果的过程，将所有成本项目向量的合规识别结果汇合成所述第一合规结果。 [0091] 对所有所述成本项目向量进行成本维度关联特征提取，根据提取的成本维度关联特征进行成本评估，得到第二合规结果。 [0092] 可理解地，所述成本维度关联特征提取的过程为对各所述成本项目向量之间的关联性进行提取的过程，所述成本评估为评估各所述成本项目向量之间的关联性是否符合共存或者同属一类的评估过程，从而判断所有所述成本项目向量之间是否合规，得到所述第二合规结果，所述第二合规结果体现了各个成本项目向量之间共存或者同属关系是否合规的结果。 [0093] 根据所述第一合规结果和所述第二合格结果，确定出所述成本模拟结果。 [0094] 可理解地，结合所述第一合规结果和所述第二合规结果两者是否均为合规的结果，从而判断出所述成本模拟结果是否为合规，只要所述第一合规结果和所述第二合规结果中任一个为不合规，就确定所述成本模拟结果为不合规。 [0095] 本发明实现了通过对所述加权数据进行成本维度提取，得到成本特征向量矩阵；所述成本特征向量包括成本项目向量和与所述成本项目向量对应的成本费用向量；对所有所述成本项目向量和所有成本费用向量进行合规识别，得到第一合规结果；对所有所述成本项目向量进行成本维度关联特征提取，根据提取的成本维度关联特征进行成本评估，得到第二合规结果；根据所述第一合规结果和所述第二合格结果，确定出所述成本模拟结果，如此，能够通过合规识别和成本维度关联特征提取的方法，自动根据识别出的第一合规结果和成本评估出的第二合规结果，综合输出成本模拟结果，从成本层面分析方案的可行性，提高了方案可行性分析的准确率和可靠性。 [0096] S304，根据所述技术模拟结果和所述成本模拟结果，确定出综合模拟结果。 [0097] 可理解地，结合所述技术模拟结果和所述成本模拟结果两者是否均为合规的结果，从而判断出所述综合模拟结果是否为合规，只要所述技术模拟结果和所述成本模拟结果中任一个为不合规，就确定所述综合模拟结果为不合规。 [0098] S305，将所述技术模拟结果、所述成本模拟结果和所述综合模拟结果记录为所述最终模拟结果。 [0099] 本发明实现了通过所述模拟评估模型对所述医疗特征数据中的各所述特征向量进行加权处理，得到加权数据；通过所述模拟评估模型对所述加权数据进行技术维度关联特征提取，并根据提取的技术维度关联特征评估出技术模拟结果；通过所述模拟评估模型对所述加权数据进行成本维度关联特征提取，并根据提取的成本维度关联特征评估出成本模拟结果；根据所述技术模拟结果和所述成本模拟结果，确定出综合模拟结果；将所述技术模拟结果、所述成本模拟结果和所述综合模拟结果记录为所述最终模拟结果，如此，实现了通过加权处理、技术维度关联特征提取和成本维度关联特征提取的处理过程，自动评估出技术模拟结果和成本模拟结果，最后确定出综合模拟结果，从而输出最终模拟结果，科学地和客观地评估出方案的可行性分析。 [0100] 在一实施例中，所述步骤S30中，即所述通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果，包括： [0101] 通过所述标准匹配模型中的输入层对所述医疗特征数据进行预处理，得到待匹配数据；可理解地，所述标准匹配模型为训练完成的神经网络模型，所述标准匹配模型包括输出层、隐含层和输出层，所述预处理为从所述医疗特征数据中筛选出需要进行匹配的所述待匹配数据。 [0102] 通过所述标准匹配模型中的隐含层对所述待匹配数据进行特征匹配处理，以及偏向识别，得到匹配特征向量组；通过所述标准匹配模型中的输出层对所述匹配特征向量组进行分类，得到技术标准结果和成本标准结果；根据所述技术标准结果和所述成本标准结果，确定出综合标准结果；将所述技术标准结果、所述成本标准结果和所述综合标准结果记录为所述最终标准结果。 [0103] 如此，实现了通过标准匹配模型进行特征匹配处理和偏向识别，能够自动匹配出最终标准结果，为后续的方案可行性分析提供衡量标准，以最终标准结果作为基准进行分析，从而提高了方案可行性分析的准确性。 [0104] S40，对与所述医疗特征数据对应的所述最终模拟结果和所述最终标准结果进行方差处理，得到方差结果。 [0105] 可理解地，所述方差处理为运用方差公式计算所述最终模拟结果和所述最终标准结果之间的方差值的处理过程，经过方差处理后，得到所述方差结果，所述方差结果表征了所述最终模拟结果和所述最终标准结果之间的差距范围。 [0106] 其中，所述方差结果为： [0107] [0108] 其中，X为最终模拟结果；μ为最终标准结果；N为样本数，优选地，设为固定值1。 [0109] S50，基于所述方差结果确定出与所述待评估医疗方案数据对应的可行性评估结果。 [0110] 可理解地，判断所述方差结果的值落入哪一个预设方差范围，所述预设方差范围划分为三个区间，将方差范围在[0,0.15]内确定为优，将方差范围在(0.15,0.5)之间确定为良，将方差范围大于0.5确定为差，从而可以得出与该待评估医疗方案数据所对应的所述可行性评估结果，所述可行性评估结果表明了所对应的待评估医疗方案数据的可行性分析的结果。 [0111] 本发明实现了通过获取待评估医疗方案数据；对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据；将所述医疗特征数据分别输入至模拟评估模型和标准匹配模型中；通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，以及通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果；对与所述医疗特征数据对应的所述最终模拟结果和所述最终标准结果进行方差处理，得到方差结果；基于所述方差结果确定出与所述待评估医疗方案数据对应的可行性评估结果，如此，能够通过模拟评估模型和标准匹配模型自动从技术层面和成本层面进行可行性分析，得到最终模拟结果和最终标准结果，通过最终模拟结果和最终标准结果之间的方差，能够准确地衡量出待评估医疗方案数据是否可行的评估结果，无需人工投入大量的主观、精力和时间，实现了快速地、准确地评估出方案的可行性的结果，大大提高了方案可行性分析的效率。 [0112] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。 [0113] 在一实施例中，提供一种医疗方案数据处理装置，该医疗方案数据处理装置与上述实施例中医疗方案数据处理方法一一对应。如图5所示，该医疗方案数据处理装置包括归一模块11、输入模块12、提取模块13、方差模块14和确定模块15。各功能模块详细说明如下： [0114] 归一模块11，用于获取待评估医疗方案数据，并对所述待评估医疗方案数据进行维度归一处理，得到医疗特征数据； [0115] 输入模块12，用于将所述医疗特征数据分别输入至模拟评估模型和标准匹配模型中； [0116] 提取模块13，用于通过所述模拟评估模型对所述医疗特征数据进行维度关联特征提取，基于提取的维度关联特征评估出与所述医疗特征数据对应的最终模拟结果，以及通过所述标准匹配模型对所述医疗特征数据进行特征匹配处理，得到与所述医疗特征数据对应的最终标准结果； [0117] 方差模块14，用于对与所述医疗特征数据对应的所述最终模拟结果和所述最终标准结果进行方差处理，得到方差结果； [0118] 确定模块15，用于基于所述方差结果确定出与所述待评估医疗方案数据对应的可行性评估结果。 [0119] 关于医疗方案数据处理装置的具体限定可以参见上文中对于医疗方案数据处理方法的限定，在此不再赘述。上述医疗方案数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。 [0120] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医疗方案数据处理方法。 [0121] 在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中医疗方案数据处理方法。 [0122] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中医疗方案数据处理方法。 [0123] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。 [0124] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。 [0125] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。 |
||||||
QQ群二维码
意见反馈
意见反馈