[发明专利]基于预测模型确定医疗发展趋势的方法及相关产品

权利要求书

1.一种基于预测模型确定医疗发展趋势的方法，其特征在于，所述方法应用于电子设备，所述方法包括：

获取预设时间段内的多份医疗数据；

识别所述多份医疗数据，确定每份医疗数据对应的医疗领域，将属于同一医疗领域的医疗数据组成医疗数据集合，得到若干个医疗数据集合；

调用与每个医疗数据集合匹配的训练好的预测模型，包括：确定与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型；获取所述训练好的预测模型对应的预设电压，生成电压调控信息，所述电压调控信息用于指示将处理器的工作电压调整为所述预设电压；调用所述训练好的预测模型对应的应用程序编程接口API，调转至所述API，以激活所述训练好的预测模型的运算功能，完成对所述训练好的预测模型的调用；

将每个医疗数据集合输入到所述训练好的预测模型执行正向运算，输出预测结果，包括：获取每个医疗数据集合所属的医疗领域的预设数据类型集；提取所述每个医疗数据集合中每份医疗数据的实际数据类型集，将所述实际数据类型集和所述预设数据类型集比对，确定所述每份医疗数据的实际数据类型集中缺少的数据类型，将所述每份医疗数据中缺少的数据类型对应的数据补零，得到所述每份医疗数据对应的输入数据；获取每个医疗数据集合中的多份医疗数据对应的多个输入数据，将所述多个输入数据中的零值相邻的排列在同一列或者同一行组成输入数据矩阵；将所述输入数据矩阵输入到与每个医疗数据集合所属的医疗领域匹配的训练好的预测模型执行正向运算，输出预测结果；

根据所述预测结果确定每个医疗数据集合所属的医疗领域的发展趋势。

2.根据权利要求1所述的方法，其特征在于，所述识别所述多份医疗数据，确定每份医疗数据对应的医疗领域具体包括：

对所述多份医疗数据中的每份医疗数据进行关键词识别，提取每份医疗数据中的N个关键词，确定所述N个关键词中每个关键词对应的医疗领域集，得到N个医疗领域集，基于频繁模式增长FP-Growth算法确定所述N个医疗领域集中的频繁项集，确定所述频繁项集中的元素为所述每份医疗数据对应的医疗领域，其中，N为大于1的整数。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

预先设定多个医疗领域；

基于医疗数据库，获取与多个医疗领域中任意一个医疗领域相关的医疗数据，得到该医疗领域的训练数据集；

基于所述医疗数据库，获取所述医疗领域的实际发展趋势，确定所述实际发展趋势为该医疗领域的训练数据集对应的验证集；

将该医疗领域的训练数据集输入到初始模型执行正向运算，得到对所述医疗领域发展趋势的预测结果，将所述预测结果与所述验证集拟合，得到拟合度，如所述拟合度小于第一阈值，基于所述初始模型中的损失函数对所述初始模型执行反向训练，如拟合度大于所述第一阈值或者训练次数大于第二阈值，完成对所述初始模型的训练，得到与所述医疗领域匹配的训练好的预测模型。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定每个医疗数据集合所属的医疗领域的发展趋势是否异常，如确定所述每个医疗数据集合所属的医疗领域的发展趋势异常，确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因，将所述异常原因发送至与所述医疗领域对应的调控部门的网络侧设备，以调整所述医疗领域的医疗体制。

5.根据权利要求4所述的方法，当每个医疗数据集合中的每份医疗数据包含多项医疗数据时，其特征在于，所述确定所述每个医疗数据集合所属的医疗领域的发展趋势的异常原因具体包括：

确定所述每个医疗数据集合中每份医疗数据的获取时间；

提取所述每个医疗数据集合中每份医疗数据中任意一项医疗数据，以该项医疗数据在每份医疗数据中的数值为观察值、以及每份医疗数据的获取时间为横轴创建该项医疗数据对应的时间序列，得到该份医疗数据中的多项医疗数据对应的多个时间序列；

处理所述多项医疗数据对应的多个时间序列，确定所述多个时间序列中的变化趋势与所述多个时间序列中的其他时间序列的变化趋势不一致的时间序列，确定所述时间序列对应的一项医疗数据，将该项医疗数据对应的医疗指标标记为所述医疗领域的发展趋势异常的异常原因。