一种基于人工智能医疗大数据数据共享方法及系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能医疗大数据数据共享方法及系统。


背景技术：

2.在信息化迅速发展的大环境下，各个医疗机构也在加大信息化建设上的投入，医疗系统的信息化水平也不断提高。打开各个医疗机构之间的信息壁垒，实现医疗数据共享是符合医疗卫生行业数据实际需求的必然趋势，具有重大应用价值。数据共享可以融合各个医疗机构的医疗信息形成较大医疗数据，但是，由于医疗数据的海量性、多方持有性、复杂性和安全性等特点，数据共享突破仍存在较大的障碍。
3.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术中存在基于罕见病例的特殊性，使得对应的医疗数据共享方法不够智能，从而造成罕见病例孤立循环的技术问题。


技术实现要素：

4.本技术实施例通过提供一种基于人工智能医疗大数据数据共享方法及系统，解决了现有技术中存在基于罕见病例的特殊性，使得对应的医疗数据共享方法不够智能，从而造成罕见病例孤立循环的技术问题，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平，实现罕见病例信息互联互通的技术效果。
5.鉴于上述问题，提出了本技术实施例提供一种基于人工智能医疗大数据数据共享方法及系统。
6.第一方面，本技术实施例提供了一种基于人工智能医疗大数据数据共享方法，其中，所述方法应用于一种基于人工智能医疗大数据数据共享系统，所述系统与第一云端处理器通信连接，所述方法包括：获得第一医疗数据共享平台信息；根据所述第一医疗共享平台信息，建立第一平台特征标签；通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例；将所述第一罕见病例进行存储并对应生成第一检索特征；根据所述第一检索特征，获得第一预设周期中的第一点击量和第一使用量；根据所述第一云端处理器，构建第一访问趋势预测模型；将所述第一点击量和所述第一使用量输入所述第一访问趋势预测模型中，获得第一预测指数；判断所述第一预测指数是否处于预设预测指数中；若所述第一预测指数处于所述预设预测指数中，获得多个关联医疗数据共享平台，其中，所述多个关联医疗数据共享平台为与所述第一医疗数据共享平台互相连接的平台；根据第一上传指令，将所述第一罕见病例上传至所述多个关联医疗数据共享平台中。
7.另一方面，本技术还提供了一种基于人工智能医疗大数据数据共享系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一医疗数据共享平台信息；第一构建单元，所述第一构建单元用于根据所述第一医疗共享平台信息，建立第一平台特征标签；第
二获得单元，所述第二获得单元用于通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例；第一生成单元，所述第一生成单元用于将所述第一罕见病例进行存储并对应生成第一检索特征；第三获得单元，所述第三获得单元用于根据所述第一检索特征，获得第一预设周期中的第一点击量和第一使用量；第二构建单元，所述第二构建单元用于根据所述第一云端处理器，构建第一访问趋势预测模型；第四获得单元，所述第四获得单元用于将所述第一点击量和所述第一使用量输入所述第一访问趋势预测模型中，获得第一预测指数；第一判断单元，所述第一判断单元用于判断所述第一预测指数是否处于预设预测指数中；第五获得单元，所述第五获得单元用于若所述第一预测指数处于所述预设预测指数中，获得多个关联医疗数据共享平台，其中，所述多个关联医疗数据共享平台为与所述第一医疗数据共享平台互相连接的平台；第一上传单元，所述第一上传单元用于根据第一上传指令，将所述第一罕见病例上传至所述多个关联医疗数据共享平台中。
8.第三方面，本发明提供了一种基于人工智能医疗大数据数据共享系统，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，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
9.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：由于采用了通过对第一医疗数据共享平台中的信息进行分析，从而建立平台所对应的特征标签，便于对所有的共享平台进行统一分析，再将平台中的所有医疗数据进行罕见性的分析，获得第一罕见病例存储生成检索特征，进一步的，根据检索特征将第一罕见病例的点击量和使用量输入到云端处理器中构建的访问趋势预测模型中，获得对应的第一预测指数，进而判断所述第一预测指数是否处于预设预测指数中，若所述第一预测指数处于所述预设预测指数中，获得与所述第一医疗数据共享平台互相连接的多个关联医疗数据共享平台，将第一罕见病例对应的医疗数据进行多平台上传共享，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平，实现罕见病例信息互联互通的技术效果。
10.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
11.图1为本技术实施例一种基于人工智能医疗大数据数据共享方法的流程示意图；图2为本技术实施例一种基于人工智能医疗大数据数据共享系统的结构示意图；图3为本技术实施例示例性电子设备的结构示意图。
12.附图标记说明：第一获得单元11，第一构建单元12，第二获得单元13，第一生成单元14，第三获得单元15，第二构建单元16，第四获得单元17，第一判断单元18，第五获得单元19，第一上传单元20，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
13.本技术实施例通过提供一种基于人工智能医疗大数据数据共享方法及系统，解决
了现有技术中存在基于罕见病例的特殊性，使得对应的医疗数据共享方法不够智能，从而造成罕见病例孤立循环的技术问题，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平，实现罕见病例信息互联互通的技术效果。下面，将参考附图详细的描述根据本技术的示例实施例。显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
14.在信息化迅速发展的大环境下，各个医疗机构也在加大信息化建设上的投入，医疗系统的信息化水平也不断提高。打开各个医疗机构之间的信息壁垒，实现医疗数据共享是符合医疗卫生行业数据实际需求的必然趋势，具有重大应用价值。数据共享可以融合各个医疗机构的医疗信息形成较大医疗数据，但是，由于医疗数据的海量性、多方持有性、复杂性和安全性等特点，数据共享突破仍存在较大的障碍。但现有技术中存在基于罕见病例的特殊性，使得对应的医疗数据共享方法不够智能，从而造成罕见病例孤立循环的技术问题。
15.针对上述技术问题，本技术提供的技术方案总体思路如下：本技术实施例提供了一种基于人工智能医疗大数据数据共享方法，其中，所述方法应用于一种基于人工智能医疗大数据数据共享系统，所述系统与第一云端处理器通信连接，所述方法包括：获得第一医疗数据共享平台信息；根据所述第一医疗共享平台信息，建立第一平台特征标签；通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例；将所述第一罕见病例进行存储并对应生成第一检索特征；根据所述第一检索特征，获得第一预设周期中的第一点击量和第一使用量；根据所述第一云端处理器，构建第一访问趋势预测模型；将所述第一点击量和所述第一使用量输入所述第一访问趋势预测模型中，获得第一预测指数；判断所述第一预测指数是否处于预设预测指数中；若所述第一预测指数处于所述预设预测指数中，获得多个关联医疗数据共享平台，其中，所述多个关联医疗数据共享平台为与所述第一医疗数据共享平台互相连接的平台；根据第一上传指令，将所述第一罕见病例上传至所述多个关联医疗数据共享平台中。
16.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
17.实施例一如图1所示，本技术实施例提供了一种基于人工智能医疗大数据数据共享方法，其中，所述方法应用于一种基于人工智能医疗大数据数据共享系统，所述系统与第一云端处理器通信连接，所述方法包括：步骤s100：获得第一医疗数据共享平台信息；步骤s200：根据所述第一医疗共享平台信息，建立第一平台特征标签；具体而言，所述第一医疗数据共享平台是目前健康医疗大数据的共享平台，各个区域的共享平台密切相关，且其应用价值在各个应用领域得到有效的发挥，由于医疗大数据的共享是基于各个交流平台中完成的，其中，所述共享平台为医疗数据共享交换平台，通过统一的信息网络平台直接进行信息共享和交换，整合卫生信息资源。由于共享的数据种类较多且各个平台中的主要共享属性不同，比如基于其交流属性、研究特性、数据类别等信息，从而基于其共享平台的属性建立出所述第一医疗共享平台信息的平台特征标签，从而能够基于标签对各个平台进行标签智能管理，达到了对于共享平台进行标签化特征管理，
从而提高之后的共享管理效率。
18.步骤s300：通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例；具体而言，对所述第一医疗数据共享平台中的医疗数据进行罕见性分析即通过对平台中的所有病例信息进行具体的分析，从而基于计算机搭建的平台完成少见病例的提取，进而获得其罕见病例，其中，由于所述第一医疗数据共享平台中的医疗数据包括病情类别、病情特征、检查结果、医嘱、药嘱、治疗情况、复诊情况等多个医疗数据，由于大量的医疗数据分散的存储在各个医疗机构中，其罕见病例共享不够及时，并且罕见病例的及时共享可以为其他医疗机构提供个例参照，因此，通过对罕见病例进行进一步的分析达到及时筛选罕见病例资源，提高罕见病例有效参照性。
19.步骤s400：将所述第一罕见病例进行存储并对应生成第一检索特征；具体而言，将所述第一罕见病例进行存储的过程是将所述第一罕见病例中包含的患者病情信息、治疗信息、用药信息、患病特征信息、检查信息等病例的各个信息作为第一存储单元存储于云端数据库中，其中，所述第一云端处理器与云端数据库智能连接，由云端数据库中存储数据使得云端处理器中的数据保证及时性和完整性。进一步的，所述第一检索特征是基于所述第一罕见病例的主要特征进行信息构建的，为所述第一罕见病例的有效特征集合，根据其所述第一检索特征，能够保证对所述第一罕见病例参照性进行细化追踪计算，从而达到了数据的智能处理，提高系统响应准确性的技术效果。
20.步骤s500：根据所述第一检索特征，获得第一预设周期中的第一点击量和第一使用量；具体而言，所述第一预设周期为提前设置的时间段，其设置的过程可以基于共享平台的总访问量进行具体化的设置，比如，当共享平台中的访问量在一段时间中不断上升，可以对应将第一预设周期进行对应的比例计算，其中，所述第一预设周期与共享平台总访问量之间呈反比例关系，进一步的，所述第一点击量和所述第一使用量为在共享平台中所述第一检索特征的检索点击量和使用量，从而能够确定所述第一罕见病例的相关使用价值性，为之后的计算提供基础数据。
21.步骤s600：根据所述第一云端处理器，构建第一访问趋势预测模型；具体而言，所述第一访问趋势预测模型是以神经网络模型的基础模型构建的模型，且所述第一访问趋势预测模型是基于多个有效数据进行监督学习获得的收敛模型，其中，进行具体训练的过程是在所述第一云端处理器中，由与云端数据库向处理器中提供训练数据，从而使得数据处理的过程实现云计算。
22.步骤s700：将所述第一点击量和所述第一使用量输入所述第一访问趋势预测模型中，获得第一预测指数；具体而言，由于所述第一访问趋势预测模型是基于云计算构建的神经网络模型，进而将所述第一点击量和所述第一使用量输入至所述第一访问趋势预测模型中进行数据训练，从而获得所述第一预测指数，详细来说，所述第一预测指数能够对所述第一罕见病例进行热点趋势预测，判断其所述第一罕见病例的有效价值参考性，从而便于计算机搭建的平台进行相关数据的处理，其中，由于所述第一访问趋势预测模型是以神经网络模型为基础建立的模型，而神经网络是大量的神经元之间相互连接构成的一种运算模型，网络的输
出则依照网络的连接方式的一种逻辑策略表达，通过所述第一访问趋势预测模型的数据训练使得输出的预测指数更加准确，达到了智能化处理数据的技术效果。
23.步骤s800：判断所述第一预测指数是否处于预设预测指数中；步骤s900：若所述第一预测指数处于所述预设预测指数中，获得多个关联医疗数据共享平台，其中，所述多个关联医疗数据共享平台为与所述第一医疗数据共享平台互相连接的平台；具体而言，所述预设预测指数为预期目标数据指数，当所述第一预测指数达到预期目标指数时表示所述第一罕见病例具有一定的使用价值性，其参照的热点趋势会增加，从而获得与所述第一医疗数据共享平台互相连接的多个关联医疗数据共享平台，其中，获得所述多个关联医疗数据共享平台的过程是为了有助于将罕见病例在平台上实现共享，提高各个医疗机构将遇到的有医疗价值的罕见病例供所有医疗机构调用学习，将在很大程度上帮助小的医疗机构早发现非常见病例，从而为医疗的均衡发展提供帮助。从而实现分级诊疗制度和远程医疗工作展开，提高医疗数据资源利用率。
24.步骤s1000：根据第一上传指令，将所述第一罕见病例上传至所述多个关联医疗数据共享平台中。
25.具体而言，根据所述第一上传指令从而将所述第一罕见病例相关的所有数据资源进行多个共享平台的上传，进一步的，数据平台中也可以融合各个医疗机构的医疗信息，将形成有价值的医疗数据的数据分析，对各种罕见性疾病的发病原因、发病人群、特效药物等提供有效的数据支撑，其中，上传至所述多个关联医疗数据共享平台的过程是将罕见病例的相关医疗数据和其他共享平台的进行医疗医院共享，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平，实现罕见病例信息互联互通的技术效果。
26.进一步而言，所述通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例，本技术实施例步骤s300还包括：步骤s310：通过对所述第一医疗数据共享平台中的所有医疗数据进行病例筛选，获得第一筛选病例；步骤s320：通过对所述第一筛选病例进行发病率筛查，获得第二筛选病例，其中，所述第二筛选病例为发病率小于等于预设发病率的病例；步骤s330：基于所述第二筛选病例，获得所述第一罕见病例；步骤s340：获得所述第一罕见病例的第一所属类别；步骤s350：根据所述第一所属类别，建立所述第一罕见病例的第一罕见特征；步骤s360：将所述第一罕见特征添加至所述第一检索特征。
27.具体而言，获得所述第一筛选病例的过程是对所述第一医疗数据共享平台中所有医疗数据进行首次的病例筛选，从中提取出所有发病率低、罕见性的病例信息，并对应进行分类别整理存储，进一步的，获得所述第二筛选病例的过程是基于大数据对其病例的发病率进行控制，将达到罕见预期标准的病例进行提取，从而在所述第二筛选病例中按照发病率的大小，从小到大进行顺序排列，进而将其中发病率最低的相关病例信息进行提取获得所述第一罕见病例信息，由于罕见病例信息流通性不够强，从而以此逻辑筛选方式获得的罕见病例信息具有极高的有效价值性，进而再将所述第一罕见病例的所属类别作为所述第
一检索特征的附加特征完成具体计算，将所述第一罕见特征进行添加的过程是对所述第一罕见病例的所属领域进行具体化热点价值分析。
28.进一步而言，所述根据所述第一云端处理器，构建第一访问趋势预测模型，本技术实施例步骤s600还包括：步骤s610：将所述第二筛选病例中的所有病例数据上传至所述第一云端处理器进行数据计算，获得第一平均点击量和第一平均使用量；步骤s620：将所述第一平均点击量和所述第一平均使用量作为输入数据构建所述第一访问趋势预测模型；步骤s630：所述第一访问趋势预测模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括将所述第一平均点击量、所述第一平均使用量和作为用于标识访问趋势的标识信息；步骤s640：获得所述第一访问趋势预测模型的第一输出结果，其中，所述第一输出结果为对罕见病例访问趋势进行预测的结果。
29.具体而言，所述第一访问趋势预测模型的训练数据是基于云端处理器中进行数据计算后进行训练获得的，所述第一访问趋势预测模型为是以神经网络模型为基础建立的模型，而神经网络是大量的神经元之间相互连接构成的一种运算模型，网络的输出则依照网络的连接方式的一种逻辑策略表达。进一步而言，所述训练的过程实质为监督学习的过程，所述多组训练数据中的每组均包括所述第一平均点击量、所述第一平均使用量和作为用于标识访问趋势的标识信息，所述第一访问趋势预测模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，结束本组数据监督学习，进行下一组数据监督学习。当所述第一访问趋势预测模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束，达到了通过所述第一访问趋势预测模型的训练使得输出所述对应预测结果更加准确。
30.进一步而言，本技术实施例步骤s500还包括：步骤s510：根据所述第一使用量，获得第一病例传播路径，其中，所述第一病例传播路径与所述第一罕见病例呈映射关系；步骤s520：根据第一信息追踪指令对所述第一病例传播路径进行追踪，获得第一追踪数据；步骤s530：通过对所述第一追踪数据进行计算，生成第一传播指数；步骤s540：根据所述第一传播指数对所述第一访问趋势预测模型进行增量学习，获得第二访问趋势预测模型；步骤s550：根据所述第二访问趋势预测模型，获得第二预测指数。
31.具体而言，所述第一病例传播路径为所述第一罕见病例的使用路径，比如转发、分享、下载等各个使用传播路径，所述第一病例传播路径与所述第一罕见病例呈映射关系，即所述第一罕见病例分别与所述第一病例传播路径中的多个路径对应映射，从而针对于其传播路径进行病例的数据追踪，其中，所述第一追踪数据为通过对传播路径进行传播计算，利用传播算法进行分析生成对应的计算数据，进而获得所述第一传播指数，所述第二访问趋势预测模型是基于所述第一传播指数进行机器学习获得的更新后的访问趋势预测模型，由于所述第二预测指数需要结合所述第一访问趋势预测模型的旧训练数据以完成综合的增
量学习结果，因此，将所述第一传播指数进行增量学习后能够保留所述第第一访问趋势预测模型的基础性能并进行模型性能的更新，进而获得所述第二预测指数，其中，所述第二预测指数是基于新模型获得的预测数据，达到了基于传播指数进行增量学习，以提高模型准确预测的性能。
32.进一步而言，本技术实施例步骤s540还包括：步骤s541：通过对所述第一传播指数进行筛选，获得大于等于预设传播指数的n个传播指数；步骤s542：将所述n个传播指数输入到所述第一访问趋势预测模型中，获得第三预测指数，其中，所述第三预测指数为输入n个传播指数获得的指数；步骤s543：根据所述第三预测指数进行损失分析，获得第一损失数据；步骤s544：根据所述第一损失数据，获得所述第二访问趋势预测模型。
33.具体而言，通过对所有的传播指数进行具体化指数筛选，将其中具有有效价值的传播指数进行提取，从而获得所述n个传播指数，进而将所述n个传播指数的数据集合作为新增训练集进行训练，由于所述第二访问趋势预测模型是基于引入损失函数完成数据损失的分析进而获得新模型，其中，所述第一损失数据是代表所述第一访问趋势预测模型对于所述第三预测指数的相关预测的损失数据，再基于所述第一损失数据完成对所述第二访问趋势预测模型的增量学习，其中，增量学习是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识，增量学习非常类似于人类自身的学习模式。随着所述第一罕见病例的传播指数不断更新，系统可以不断对病例进行趋势预测。因此，通过损失数据的训练使得所述第二访问趋势预测模型保留了所述第一访问趋势预测模型基本数据特性的同时提高了趋势预测准确性，达到智能学习的技术效果。
34.进一步而言，本技术实施例s800还包括：步骤s810：若所述第一预测指数不处于所述预设预测指数中，获得第一返回指令；步骤s820：根据所述第一返回指令，判断所述第二预测指数是否处于所述预设预测指数中；步骤s830：若所述第二预测指数处于所述预设预测指数中，获得第二上传指令；步骤s840：根据所述第二上传指令完成所述第一罕见病例的多平台数据共享。
35.具体而言，判断所述第一预测指数是否处于所述预设预测指数中，其中，所述第一预测指数为所述第一访问趋势预测模型的输出结果，当所述第一预测指数不处于时，进而根据返回指令，将所述第二预测指数与所述预设预测指数进行再次判断，其中，由于所述第二预测指数为所述第二访问趋势预测模型的输出结果，若所述第二预测指数处于所述预设预测指数中，表示目前所述第二预测指数达到了目标期望指数，从而基于对与所述第一医疗数据共享平台互相连接的多个关联医疗数据共享平台进行罕见病例共享，达到了通过基于人工智能和大数据的结合，实现罕见病例信息互联互通的技术效果。
36.进一步而言，本技术实施例步骤s1000包括：步骤s1010：根据所述第一检索特征对医疗数据进行检索，获得第一检索医疗数据；步骤s1020：获得第二预设周期；步骤s1030：根据所述第二预设周期对所述第一检索医疗数据进行更新，获得第一
更新医疗数据；步骤s1040：将所述第一更新医疗数据对应作为所述第一罕见病例的添加信息进行推送。
37.具体而言，所述第一检索医疗数据为基于所述第一检索特征中的所有特征进行相关医疗数据的检索，从而获得所述第一检索医疗数据，进一步的，所述第一检索医疗数据为与所述第一罕见病例相关的医疗数据，能够为研究所述第一罕见病例提供文献和资料，从而判断在所述第二预设周期中基于大数据的不断检索数据，将最新的相关研究文献资料进行更新，以保持资料的更新性从而获得所述第一更新医疗数据，进一步的，将所述第一更新医疗数据作为点击或使用所述第一罕见病例的相关推送信息，从而为相关医疗资源获取提供较好的服务，节省检索资源，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平的技术效果。
38.综上所述，本技术实施例所提供的一种基于人工智能医疗大数据数据共享方法及系统具有如下技术效果：1、由于采用了通过对第一医疗数据共享平台中的信息进行分析，从而建立平台所对应的特征标签，便于对所有的共享平台进行统一分析，再将平台中的所有医疗数据进行罕见性的分析，获得第一罕见病例存储生成检索特征，进一步的，根据检索特征将第一罕见病例的点击量和使用量输入到云端处理器中构建的访问趋势预测模型中，获得对应的第一预测指数，进而判断所述第一预测指数是否处于预设预测指数中，若所述第一预测指数处于所述预设预测指数中，获得与所述第一医疗数据共享平台互相连接的多个关联医疗数据共享平台，将第一罕见病例对应的医疗数据进行多平台上传共享，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平，实现罕见病例信息互联互通的技术效果。
39.2、由于采用了通过对罕见病例进行传播路径追踪，进而基于对映射的各个传播路径进行传播计算，利用传播算法进行分析生成对应的计算数据，进而基于所述第一传播指数和损失函数对应完成第一访问趋势预测模型增量学习的方式，从而达到了提高模型趋势预测准确性和数据智能化处理的技术效果。
40.3、由于采用了通过云端处理器进行数据的存储训练，并且通过对传播指数按照一定逻辑规则进行筛选清洗的过程的方式，提高增量学习数据质量和有效性，达到了智能化分析数据，提高模型数据训练性能的技术效果。
41.实施例二基于与前述实施例中一种基于人工智能医疗大数据数据共享方法同样发明构思，本发明还提供了一种基于人工智能医疗大数据数据共享系统，如图2所示，所述系统包括：第一获得单元11，所述第一获得单元11用于获得第一医疗数据共享平台信息；第一构建单元12，所述第一构建单元12用于根据所述第一医疗共享平台信息，建立第一平台特征标签；第二获得单元13，所述第二获得单元13用于通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例；第一生成单元14，所述第一生成单元14用于将所述第一罕见病例进行存储并对应生成第一检索特征；
第三获得单元15，所述第三获得单元15用于根据所述第一检索特征，获得第一预设周期中的第一点击量和第一使用量；第二构建单元16，所述第二构建单元16用于根据所述第一云端处理器，构建第一访问趋势预测模型；第四获得单元17，所述第四获得单元17用于将所述第一点击量和所述第一使用量输入所述第一访问趋势预测模型中，获得第一预测指数；第一判断单元18，所述第一判断单元18用于判断所述第一预测指数是否处于预设预测指数中；第五获得单元19，所述第五获得单元19用于若所述第一预测指数处于所述预设预测指数中，获得多个关联医疗数据共享平台，其中，所述多个关联医疗数据共享平台为与所述第一医疗数据共享平台互相连接的平台；第一上传单元20，所述第一上传单元20用于根据第一上传指令，将所述第一罕见病例上传至所述多个关联医疗数据共享平台中。
42.进一步的，所述系统还包括：第六获得单元，所述第六获得单元用于通过对所述第一医疗数据共享平台中的所有医疗数据进行病例筛选，获得第一筛选病例；第七获得单元，所述第七获得单元用于通过对所述第一筛选病例进行发病率筛查，获得第二筛选病例，其中，所述第二筛选病例为发病率小于等于预设发病率的病例；第八获得单元，所述第八获得单元用于基于所述第二筛选病例，获得所述第一罕见病例；第九获得单元，所述第九获得单元用于获得所述第一罕见病例的第一所属类别；第十获得单元，所述第十获得单元用于根据所述第一所属类别，建立所述第一罕见病例的第一罕见特征；第一添加单元，所述第一添加单元用于将所述第一罕见特征添加至所述第一检索特征。
43.进一步的，所述系统还包括：第十一获得单元，所述第十一获得单元用于将所述第二筛选病例中的所有病例数据上传至所述第一云端处理器进行数据计算，获得第一平均点击量和第一平均使用量；第三构建单元，所述第三构建单元用于将所述第一平均点击量和所述第一平均使用量作为输入数据构建所述第一访问趋势预测模型；第十二获得单元，所述第十二获得单元用于所述第一访问趋势预测模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括将所述第一平均点击量、所述第一平均使用量和作为用于标识访问趋势的标识信息；第十三获得单元，所述第十三获得单元用于获得所述第一访问趋势预测模型的第一输出结果，其中，所述第一输出结果为对罕见病例访问趋势进行预测的结果。
44.进一步的，所述系统还包括：第十四获得单元，所述第十四获得单元用于根据所述第一使用量，获得第一病例传播路径，其中，所述第一病例传播路径与所述第一罕见病例呈映射关系；第十五获得单元，所述第十五获得单元用于根据第一信息追踪指令对所述第一病
例传播路径进行追踪，获得第一追踪数据；第二生成单元，所述第二生成单元用于通过对所述第一追踪数据进行计算，生成第一传播指数；第十六获得单元，所述第十六获得单元用于根据所述第一传播指数对所述第一访问趋势预测模型进行增量学习，获得第二访问趋势预测模型；第十七获得单元，所述第十七获得单元用于根据所述第二访问趋势预测模型，获得第二预测指数。
45.进一步的，所述系统还包括：第十八获得单元，所述第十八获得单元用于通过对所述第一传播指数进行筛选，获得大于等于预设传播指数的n个传播指数；第十九获得单元，所述第十九获得单元用于将所述n个传播指数输入到所述第一访问趋势预测模型中，获得第三预测指数，其中，所述第三预测指数为输入n个传播指数获得的指数；第二十获得单元，所述第二十获得单元用于根据所述第三预测指数进行损失分析，获得第一损失数据；进一步的，所述系统还包括：第二十一获得单元，所述第二十一获得单元用于若所述第一预测指数不处于所述预设预测指数中，获得第一返回指令；第二判断单元，所述第二判断单元用于根据所述第一返回指令，判断所述第二预测指数是否处于所述预设预测指数中；第二十二获得单元，所述第二十二获得单元用于若所述第二预测指数处于所述预设预测指数中，获得第二上传指令；第二上传单元，所述第二上传单元用于根据所述第二上传指令完成所述第一罕见病例的多平台数据共享。
46.进一步的，所述系统还包括：第二十三获得单元，所述第二十三获得单元用于根据所述第一检索特征对医疗数据进行检索，获得第一检索医疗数据；第二十四获得单元，所述第二十四获得单元用于获得第二预设周期；第二十五获得单元，所述第二十五获得单元用于根据所述第二预设周期对所述第一检索医疗数据进行更新，获得第一更新医疗数据；第一推送单元，所述第一推送单元用于将所述第一更新医疗数据对应作为所述第一罕见病例的添加信息进行推送。
47.前述图1实施例一中的一种基于人工智能医疗大数据数据共享方法的各种变化方式和具体实例同样适用于本实施例的一种基于人工智能医疗大数据数据共享系统，通过前述对一种基于人工智能医疗大数据数据共享方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于人工智能医疗大数据数据共享系统的实施方法，所以为了说明书的简洁，在此不再详述。
48.下面参考图3来描述本技术实施例的电子设备。
49.图3图示了根据本技术实施例的电子设备的结构示意图。
50.基于与前述实施例中一种基于人工智能医疗大数据数据共享方法的发明构思，本发明还提供一种基于人工智能医疗大数据数据共享系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于人工智能医疗大数据数据共享方法的任一方法的步骤。
51.其中，在图3中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
52.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
53.本发明实施例提供的一种基于人工智能医疗大数据数据共享方法，其中，所述方法应用于一种基于人工智能医疗大数据数据共享系统，所述系统与第一云端处理器通信连接，所述方法包括：获得第一医疗数据共享平台信息；根据所述第一医疗共享平台信息，建立第一平台特征标签；通过对所述第一医疗数据共享平台中的医疗数据进行罕见性分析，获得第一罕见病例；将所述第一罕见病例进行存储并对应生成第一检索特征；根据所述第一检索特征，获得第一预设周期中的第一点击量和第一使用量；根据所述第一云端处理器，构建第一访问趋势预测模型；将所述第一点击量和所述第一使用量输入所述第一访问趋势预测模型中，获得第一预测指数；判断所述第一预测指数是否处于预设预测指数中；若所述第一预测指数处于所述预设预测指数中，获得多个关联医疗数据共享平台，其中，所述多个关联医疗数据共享平台为与所述第一医疗数据共享平台互相连接的平台；根据第一上传指令，将所述第一罕见病例上传至所述多个关联医疗数据共享平台中。解决了现有技术中存在基于罕见病例的特殊性，使得对应的医疗数据共享方法不够智能，从而造成罕见病例孤立循环的技术问题，达到了通过基于人工智能和大数据的结合，提高处理罕见病例数据的智能化计算水平，实现罕见病例信息互联互通的技术效果。
54.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
55.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
56.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一
个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
57.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。