[发明专利]基于人工智能的异常案例识别方法、装置、计算机设备

权利要求书

1.一种基于人工智能的异常案例识别方法，应用于平台服务器，所述方法包括：

获取同一病种对应的诊疗项目数据，以诊疗时间为单位，将所述诊疗项目数据作为文本中的单词进行文本构建，构建的每个文本包括对应诊疗时间段内同一病种不同用户的诊疗项目数据；

对各个所述文本进行主题模型构建，获得各个文本对应的主题向量分布，每个主题向量分布包括多个单词标识和对应的单词权重，每个主题向量分布对应一个主题，其中各个主题相对于不同用户具有不同的用户主题权重；

将各个文本对应的主题向量分布对齐，将对齐后的各个主题向量分布进行聚类得到各个用户在不同时间对应的诊疗项目类别，每个用户对应的各个诊疗项目类别形成用户对应的诊疗序列；

将各个用户在不同诊疗时间对应的诊疗序列输入过程挖掘模型得到病种对应的标准临床路径，根据所述标准临床路径识别异常案例。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取同一病种多个不同用户对应的诊疗项目数据和案例描述信息，将各个用户对应的诊疗项目数据和案例描述信息构建形成各个用户对应的诊疗样本；

将各个用户对应的诊疗样本基于深度神经网络的表征学习进行降维，提取得到上下文属性向量；

对各个用户对应的上下文属性向量进行离群点检测，计算各个诊疗样本对应的异常分数，将异常分数高于阈值的诊疗样本识别为异常诊疗样本。

3.根据权利要求2所述的方法，其特征在于，所述对各个用户对应的上下文属性向量进行离群点检测，计算各个诊疗样本对应的异常分数，将异常分数高于阈值的诊疗样本识别为异常诊疗样本包括：

计算任意两个用户的上下文属性向量之间的距离，获取与第一用户距离小于预设阈值的用户得到关联用户集合；

根据所述关联用户集合中各个用户对应的实际诊疗费用等级，确定所述第一用户对应的预测诊疗费用等级；

根据第一用户的实际诊疗费用等级与预测诊疗费用等级之间的差距计算得到所述第一用户的诊疗样本对应的异常分数，其中所述异常分数与差距成正比。

4.根据权利要求2所述的方法，其特征在于，所述对各个用户对应的上下文属性向量进行离群点检测，计算各个诊疗样本对应的异常分数，将异常分数高于阈值的诊疗样本识别为异常诊疗样本包括：

对各个用户对应的上下文属性向量进行聚类得到多个不同的聚类簇；

获取各个所述聚类簇的容量，按照容量大小进行排序，按照容量从低至高的顺序取预设比例的聚类簇识别为异常聚类簇；

根据容量大小确定各个所述异常聚类簇中对应的诊疗样本的异常分数，将异常分数高于阈值的诊疗样本识别为异常诊疗样本。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：

对所述诊疗项目数据进行清洗，对所述诊疗项目数据中的缺失值进行处理；

对所述诊疗项目数据中的类别型字段和连续值字段进行离散化处理，对所述诊疗项目数据中的连续型变量进行标准化处理；

根据诊疗项目相似度将诊疗项目数据中的诊疗项目进行合并。

6.一种基于人工智能的异常案例识别装置，应用于平台服务器，其特征在于，所述装置包括：

文本构建模块，用于获取同一病种对应的诊疗项目数据，以诊疗时间为单位，将所述诊疗项目数据作为文本中的单词进行文本构建，构建的每个文本包括对应诊疗时间段内同一病种不同用户的诊疗项目数据；

主题向量分布模块，用于对各个所述文本进行主题模型构建，获得各个文本对应的主题向量分布，每个主题向量分布包括多个单词标识和对应的单词权重，每个主题向量分布对应一个主题，其中各个主题相对于不同用户具有不同的用户主题权重；

诊疗序列确定模块，用于将各个文本对应的主题向量分布对齐，将对齐后的各个主题向量分布进行聚类得到各个用户在不同时间对应的诊疗项目类别，每个用户对应的各个诊疗项目类别形成用户对应的诊疗序列；

异常案例识别模块，用于将各个用户在不同诊疗时间对应的诊疗序列输入过程挖掘模型得到病种对应的标准临床路径，根据所述标准临床路径识别异常案例。