本發(fā)明涉及醫(yī)療方案推薦，具體涉及一種基于人工智能的醫(yī)療應(yīng)急方案快速推薦方法。

背景技術(shù)：

1、人工智能技術(shù)如機(jī)器學(xué)習(xí)、知識(shí)圖譜等在醫(yī)療領(lǐng)域的應(yīng)用日益廣泛，這些技術(shù)可以利用大數(shù)據(jù)分析和模式識(shí)別，從海量的醫(yī)療數(shù)據(jù)中提取有用信息，并為醫(yī)療決策提供支持。在面對突發(fā)公共事件或自然災(zāi)害時(shí)，快速、準(zhǔn)確地推薦醫(yī)療應(yīng)急方案對于保障人民健康和應(yīng)對突發(fā)事件至關(guān)重要。

2、醫(yī)療事件的影響因素包括：患者的健康狀況、事故地理位置、醫(yī)療資源等因素，通常由醫(yī)療事件的各類因素構(gòu)成數(shù)據(jù)點(diǎn)，利用支持向量機(jī)（support?vector?machine，svm）算法對數(shù)據(jù)點(diǎn)進(jìn)行分類，進(jìn)而對醫(yī)療事件進(jìn)行方案推薦。因醫(yī)療事件的影響因素較多，使醫(yī)療事件對應(yīng)數(shù)據(jù)點(diǎn)的維度較高，而svm算法在低維數(shù)據(jù)上的分類準(zhǔn)確度通常高于高維數(shù)據(jù)，從而增加對醫(yī)療事件對應(yīng)數(shù)據(jù)點(diǎn)進(jìn)行分類的錯(cuò)誤率，導(dǎo)致對突發(fā)醫(yī)療事件的醫(yī)療應(yīng)急方案進(jìn)行推薦的準(zhǔn)確率較低。

技術(shù)實(shí)現(xiàn)思路

1、為了解決svm算法在高維數(shù)據(jù)的分類準(zhǔn)確度低于低維數(shù)據(jù)，導(dǎo)致對突發(fā)醫(yī)療事件的醫(yī)療應(yīng)急方案進(jìn)行推薦的準(zhǔn)確率較低的技術(shù)問題，本發(fā)明的目的在于提供一種基于人工智能的醫(yī)療應(yīng)急方案快速推薦方法，所采用的技術(shù)方案具體如下：

2、本發(fā)明提出了一種基于人工智能的醫(yī)療應(yīng)急方案快速推薦方法，該方法包括：

3、獲取當(dāng)前醫(yī)療事件與不同歷史醫(yī)療事件的醫(yī)療詳情，以及每個(gè)歷史醫(yī)療事件的醫(yī)療應(yīng)急方案，所述醫(yī)療詳情包含不同類醫(yī)療數(shù)據(jù)；

4、根據(jù)當(dāng)前醫(yī)療事件與每個(gè)歷史醫(yī)療事件的同類醫(yī)療數(shù)據(jù)的相似程度，獲取當(dāng)前醫(yī)療事件與每個(gè)歷史醫(yī)療事件的信息匹配值；

5、對所述信息匹配值進(jìn)行聚類得到不同第一聚類簇；依據(jù)每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值，以及每個(gè)第一聚類簇與其余第一聚類簇內(nèi)信息匹配值的差異，得到每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值對應(yīng)的歷史醫(yī)療事件的處置得分值；

6、由當(dāng)前醫(yī)療事件與每個(gè)歷史醫(yī)療事件的所述信息匹配值與所述處置得分值構(gòu)成每個(gè)歷史醫(yī)療事件的數(shù)據(jù)點(diǎn)；基于所述數(shù)據(jù)點(diǎn)的位置分布，獲取二分類算法中的最優(yōu)超平面；

7、基于所有歷史醫(yī)療事件的數(shù)據(jù)點(diǎn)與所述最優(yōu)超平面之間的距離，對當(dāng)前醫(yī)療事件的醫(yī)療應(yīng)急方案進(jìn)行推薦。

8、進(jìn)一步地，所述根據(jù)當(dāng)前醫(yī)療事件與每個(gè)歷史醫(yī)療事件的同類醫(yī)療數(shù)據(jù)的相似程度，獲取當(dāng)前醫(yī)療事件與每個(gè)歷史醫(yī)療事件的信息匹配值的方法，包括：

9、任選一個(gè)歷史醫(yī)療事件記為目標(biāo)醫(yī)療事件，若當(dāng)前醫(yī)療事件與目標(biāo)醫(yī)療事件的醫(yī)療詳情的同類醫(yī)療數(shù)據(jù)存在交集，則將對應(yīng)醫(yī)療數(shù)據(jù)記為待測數(shù)據(jù)；統(tǒng)計(jì)目標(biāo)醫(yī)療事件的醫(yī)療詳情的所有類醫(yī)療數(shù)據(jù)中所述待測數(shù)據(jù)的種類個(gè)數(shù)，記為當(dāng)前醫(yī)療事件與目標(biāo)醫(yī)療事件的種類相似度；

10、將目標(biāo)醫(yī)療事件的醫(yī)療詳情的每類所述待測數(shù)據(jù)的有效標(biāo)識(shí)符設(shè)置為第一預(yù)設(shè)值，除所述待測數(shù)據(jù)外的其余每類醫(yī)療數(shù)據(jù)的有效標(biāo)識(shí)符設(shè)置為第二預(yù)設(shè)值；計(jì)算目標(biāo)醫(yī)療事件的所有類醫(yī)療數(shù)據(jù)的所述有效標(biāo)識(shí)符的均值，作為目標(biāo)醫(yī)療事件的數(shù)據(jù)相似度；所述第一預(yù)設(shè)值大于所述第二預(yù)設(shè)值；

11、根據(jù)當(dāng)前醫(yī)療事件與目標(biāo)醫(yī)療事件的所述種類相似度與所述數(shù)據(jù)相似度，獲取當(dāng)前醫(yī)療事件與目標(biāo)醫(yī)療事件的所述信息匹配值；所述種類相似度與所述數(shù)據(jù)相似度均與所述信息匹配值為正相關(guān)的關(guān)系。

12、進(jìn)一步地，所述依據(jù)每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值，以及每個(gè)第一聚類簇與其余第一聚類簇內(nèi)信息匹配值的差異，得到每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值對應(yīng)的歷史醫(yī)療事件的處置得分值的方法，包括：

13、對于每個(gè)歷史醫(yī)療事件，若歷史醫(yī)療事件的患者存活，則將歷史醫(yī)療事件的處置標(biāo)識(shí)符設(shè)置為第三預(yù)設(shè)值；若歷史醫(yī)療事件的患者未存活，則將歷史醫(yī)療事件的處置標(biāo)識(shí)符設(shè)置為第四預(yù)設(shè)值；將每個(gè)第一聚類簇內(nèi)所有信息匹配值對應(yīng)的歷史醫(yī)療事件的所述處置標(biāo)識(shí)符的累加和，記為每個(gè)第一聚類簇的處置成功值；所述第三預(yù)設(shè)值大于所述第四預(yù)設(shè)值；

14、結(jié)合每個(gè)第一聚類簇與其余第一聚類簇內(nèi)信息匹配值的差值，以及每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值與所述處置成功值，獲取每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值對應(yīng)的歷史醫(yī)療事件的所述處置得分值。

15、進(jìn)一步地，所述每個(gè)第一聚類簇內(nèi)每個(gè)信息匹配值對應(yīng)的歷史醫(yī)療事件的所述處置得分值的計(jì)算公式如下：

16、；式中，為第r個(gè)第一聚類簇內(nèi)第j個(gè)信息匹配值對應(yīng)的歷史醫(yī)療事件的所述處置得分值；為第r個(gè)第一聚類簇內(nèi)第j個(gè)信息匹配值；為所有第一聚類簇內(nèi)信息匹配值中的最大值；為第r個(gè)第一聚類簇的所述處置成功值；為第r個(gè)第一聚類簇內(nèi)所有信息匹配值的均值；為除第r個(gè)第一聚類簇外的其余第t個(gè)第一聚類簇內(nèi)所有信息匹配值的均值；t為所有第一聚類簇的總數(shù)量；exp為以自然常數(shù)e為底數(shù)的指數(shù)函數(shù)；norm為歸一化函數(shù)。

17、進(jìn)一步地，所述基于所述數(shù)據(jù)點(diǎn)的位置分布，獲取svm算法中的最優(yōu)超平面的方法，包括：

18、以信息匹配值為橫軸，處置得分值為縱軸建立二維坐標(biāo)系；將所有歷史醫(yī)療事件的數(shù)據(jù)點(diǎn)在所述二維坐標(biāo)系中進(jìn)行標(biāo)注，得到對應(yīng)數(shù)據(jù)點(diǎn)的分析坐標(biāo)點(diǎn)；對所述二維坐標(biāo)系內(nèi)分析坐標(biāo)點(diǎn)進(jìn)行聚類，得到不同第二聚類簇；

19、獲取每個(gè)第二聚類簇的質(zhì)心，計(jì)算每個(gè)第二聚類簇的質(zhì)心與所述二維坐標(biāo)系的坐標(biāo)原點(diǎn)之間的歐式距離，記為每個(gè)第二聚類簇的判斷距離；選取最小的所述判斷距離對應(yīng)的第二聚類簇作為第一目標(biāo)簇；

20、從所有第二聚類簇中選取待定簇，所述待定簇的質(zhì)心的橫坐標(biāo)大于所述第一目標(biāo)簇的橫坐標(biāo)，所述質(zhì)心的縱坐標(biāo)大于所述第一目標(biāo)簇的縱坐標(biāo)；

21、對于每個(gè)待定簇，分別計(jì)算待定簇內(nèi)所有分析坐標(biāo)點(diǎn)的橫坐標(biāo)的均值記為綜合匹配值，縱坐標(biāo)的均值記為綜合得分值；獲取待定簇的所述綜合匹配值與所述綜合得分值的均值記為待定簇的判斷值；在所有待定簇中，將最大的所述判斷值對應(yīng)的待定簇作為第二目標(biāo)簇；

22、依據(jù)所述第一目標(biāo)簇與所述第二目標(biāo)簇的質(zhì)心的位置分布，獲取二分類算法中的最優(yōu)超平面。

23、進(jìn)一步地，所述最優(yōu)超平面的表達(dá)式如下：

24、，，；式中，y為最優(yōu)超平面上的點(diǎn)的縱坐標(biāo)；z為最優(yōu)超平面上的點(diǎn)的橫坐標(biāo)；k為最優(yōu)超平面的斜率；b為最優(yōu)超平面的縱截距；為所述第二目標(biāo)簇的質(zhì)心的縱坐標(biāo)；為所述第一目標(biāo)簇的質(zhì)心的縱坐標(biāo)；為所述第二目標(biāo)簇的質(zhì)心的橫坐標(biāo)；為所述第一目標(biāo)簇的質(zhì)心的橫坐標(biāo)。

25、進(jìn)一步地，所述基于所有歷史醫(yī)療事件的數(shù)據(jù)點(diǎn)與所述最優(yōu)超平面之間的距離，對當(dāng)前醫(yī)療事件的醫(yī)療應(yīng)急方案進(jìn)行推薦的方法，包括：

26、獲取處于所述最優(yōu)超平面右側(cè)的所述分析坐標(biāo)點(diǎn)，記為目標(biāo)點(diǎn)；

27、獲取所述二維坐標(biāo)系中每個(gè)所述目標(biāo)點(diǎn)與最優(yōu)超平面之間的歐式距離，將最小的所述歐式距離對應(yīng)目標(biāo)點(diǎn)的歷史醫(yī)療事件的醫(yī)療應(yīng)急方案，作為當(dāng)前醫(yī)療事件的醫(yī)療應(yīng)急方案。

28、進(jìn)一步地，所述對所述信息匹配值進(jìn)行聚類得到不同第一聚類簇的聚類方法為k均值聚類算法。

29、進(jìn)一步地，所述對所述二維坐標(biāo)系內(nèi)分析坐標(biāo)點(diǎn)進(jìn)行聚類，得到不同第二聚類簇的聚類方法為dbscan聚類算法。

30、進(jìn)一步地，所述二分類算法為svm算法。

31、本發(fā)明具有如下有益效果：

32、在本發(fā)明實(shí)施例中，通過將影響醫(yī)療事件的多個(gè)因素轉(zhuǎn)換為歷史醫(yī)療事件與當(dāng)前醫(yī)療事件的醫(yī)療數(shù)據(jù)信息的相似程度即信息匹配值進(jìn)行后續(xù)分析，降低醫(yī)療事件的信息維度；信息匹配值是根據(jù)當(dāng)前醫(yī)療事件與歷史醫(yī)療事件的醫(yī)療詳情中同類醫(yī)療數(shù)據(jù)的匹配程度獲取，但是因突發(fā)事件具有特殊性和個(gè)體性，僅依據(jù)歷史醫(yī)療事件與當(dāng)前醫(yī)療事件的信息匹配程度推薦醫(yī)療應(yīng)急方案的準(zhǔn)確度較低，基于信息匹配值聚類得到第一聚類簇，同一聚類簇內(nèi)信息匹配值對應(yīng)歷史醫(yī)療事件的特殊性較為接近，使得依據(jù)每個(gè)第一聚類簇與其余第一聚類簇內(nèi)信息匹配值的差異能準(zhǔn)確體現(xiàn)醫(yī)療事件特殊性差異情況，并結(jié)合第一聚類簇內(nèi)每個(gè)信息匹配值進(jìn)行分析，使獲取的歷史醫(yī)療事件的處置得分值呈現(xiàn)對當(dāng)前醫(yī)療事件的醫(yī)療應(yīng)急方案推薦的有效度；由信息匹配值與處置得分值構(gòu)成歷史醫(yī)療事件的數(shù)據(jù)點(diǎn)，基于低維的數(shù)據(jù)點(diǎn)進(jìn)行后續(xù)分析，降低對醫(yī)療事件對應(yīng)數(shù)據(jù)點(diǎn)分類的誤差率；提高基于歷史醫(yī)療事件的數(shù)據(jù)點(diǎn)與最優(yōu)超平面之間的距離對當(dāng)前醫(yī)療事件的醫(yī)療應(yīng)急方案進(jìn)行推薦的準(zhǔn)確率，使對當(dāng)前醫(yī)療事件推薦的醫(yī)療應(yīng)急方案推薦更具有參考價(jià)值。