基于相似患者的健康指导方法、装置、计算机设备及介质与流程

1.本技术涉及人工智能技术领域和数字医疗技术领域，尤其涉及一种基于相似患者的健康指导方法、装置、计算机设备及介质。


背景技术：

2.慢性疾病又称慢性非传染性疾病，主要包括心脑血管疾病(高血压、冠心病、脑卒中)、糖尿病和慢性呼吸系统疾病等，慢性疾病是一类与不良行为和生活方式密切相关的疾病，具有病程长、病因复杂、健康损害和社会危害严重等特点。随着我国经济迅速发展、居民生活方式改变，慢性疾病患病和死亡率不断增加，群众疾病负担日益沉重，已成为严重威胁我国居民健康、影响国家经济社会发展的重大公共卫生问题之一。而且，慢性疾病难以根治，主要依赖患者长期的自我健康管理。
3.以糖尿病为例，糖尿病是当下危害人们健康生活的一种较为普遍的慢性病。糖尿病已成为继心脑血管疾病、恶性肿瘤后的第三大威胁人类健康的慢性病。随着我国人民生活水平的普遍提高以及生活节奏的加快，糖尿病患病者数量正在以惊人的速度增长，且向低龄化发展。糖尿病经典的防治策略是饮食治疗、运动、合理用药、自我监测及糖尿病教育为主要内容的管理模式，通过良好的血糖及代谢控制达到预防慢性并发症、提高患者生活质量、延长寿命的目的。
4.然而，患者自我管理难度非常大，存在缺乏对糖尿病风险的认识，重视程度低，依从性不好等问题，因此一个能够帮助患者提高自我管理能力的糖尿病健康管理系统显得十分需要。目前存在的糖尿病慢病管理系统，大多聚焦在血糖监控上，比如对异常血糖值的预警或者提供之前某一段时间内的血糖波动报告，类似这样的形式只能对患者过去一段时间的状态的总结，不能比较清楚地提示和指导患者接下来的行为，弱化了对患者自我管理的能力的培养，不利于病情的预防以及控制。


技术实现要素：

5.本技术实施例的目的在于提出一种基于相似患者的健康指导方法、装置、计算机设备及存储介质，以解决相关技术中患者不了解自身的健康状况以及管理目标，导致无法针对性地进行自我健康管理，从而预防控制慢性疾病的技术问题。
6.为了解决上述技术问题，本技术实施例提供一种基于相似患者的健康指导方法，采用了如下所述的技术方案：
7.获取待测患者的第一患者特征，将所述第一患者特征输入至预设的糖化预测模型中，得到预测结果；
8.确定与所述预测结果相反的人群作为目标人群，并获取所述目标人群中每个目标患者的目标患者特征；
9.根据所述第一患者特征与所述目标患者特征进行检索，得到与所述待测患者相似的相似患者；
10.基于所述相似患者对所述待测患者进行健康指导。
11.进一步的，所述根据所述第一患者特征与所述目标患者特征进行检索，得到与所述待测患者相似的相似患者的步骤包括：
12.根据所述第一患者特征与所述目标患者特征，计算出所述待测患者和每个所述目标患者之间的相似度；
13.将所述相似度进行排序，得到排序结果；
14.从所述排序结果中选取预设个数的所述目标患者作为所述相似患者。
15.进一步的，所述基于所述相似患者对所述待测患者进行健康指导的步骤包括：
16.获取所述相似患者的相似患者特征，比较所述相似患者特征与所述第一患者特征之间的差异，得到区别特征；
17.根据所述区别特征生成指导建议，根据所述指导建议对所述待测患者进行指导。
18.进一步的，在所述获取待测患者的第一患者特征，将所述第一患者特征输入至预设的糖化预测模型中的步骤之前还包括：
19.采集患病数据集，根据所述患病数据集获得每个患者对应的第二患者特征和糖化达标情况；
20.将所述糖化达标情况作为标签对所述第二患者特征进行标注，得到患病特征数据；
21.根据所述患病特征数据对所述预构建的初始预测模型进行训练，得到所述糖化预测模型。
22.进一步的，所述根据所述患病特征数据对所述预构建的初始预测模型进行训练，得到所述糖化预测模型的步骤包括：
23.根据所述患病特征数据获得训练数据和验证数据；
24.基于所述训练数据对所述初始预测模型的模型参数进行调整，得到待验证模型；
25.将所述验证数据输入至所述待验证模型中进行验证，得到验证结果，在所述验证结果大于等于预设阈值时，确定所述待验证模型为所述糖化预测模型。
26.进一步的，所述基于所述训练数据对所述初始预测模型的模型参数进行调整的步骤包括：
27.将所述训练数据输入所述初始预测模型，输出预测糖化结果；
28.根据所述预测糖化结果计算损失函数，基于所述损失函数调整所述初始预测模型的模型参数。
29.进一步的，在所述将所述糖化达标情况作为标签对所述第二患者特征进行标注的步骤之前还包括：
30.对所述第二患者特征进行标准化处理。
31.为了解决上述技术问题，本技术实施例还提供一种基于相似患者的健康指导装置，采用了如下所述的技术方案：
32.预测模块，用于获取待测患者的第一患者特征，将所述第一患者特征输入至预设的糖化预测模型中，得到预测结果；
33.获取模块，用于确定与所述预测结果相反的人群作为目标人群，并获取所述目标人群中每个目标患者的目标患者特征；
34.检索模块，用于根据所述第一患者特征与所述目标患者特征进行检索，得到与所述待测患者相似的相似患者；
35.指导模块，用于基于所述相似患者对所述待测患者进行健康指导。
36.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
37.该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于相似患者的健康指导方法的步骤。
38.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
39.所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于相似患者的健康指导方法的步骤。
40.与现有技术相比，本技术实施例主要有以下有益效果：
41.本技术通过获取待测患者的第一患者特征，将第一患者特征输入至预设的糖化预测模型中，得到预测结果，确定与预测结果相反的人群作为目标人群，并获取目标人群中每个目标患者的目标患者特征，根据第一患者特征与目标患者特征进行检索，得到与待测患者相似的相似患者，基于相似患者对待测患者进行健康指导；本技术通过糖化预测模型预测患者的预测，使得患者可以根据当前状态预测患者下一阶段的糖化达标情况，让患者了解自身的健康情况，同时，根据预测结果相反的相似患者的情况为待测患者提供健康指导，可以更加准确地为患者提供健康帮助，同时，健康指导可以清晰地展现患者管理目标，让患者能够尽早干预，培养良好的自我管理能力。
附图说明
42.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1是本技术可以应用于其中的示例性系统架构图；
44.图2是根据本技术的基于相似患者的健康指导方法的一个实施例的流程图；
45.图3是根据本技术的基于相似患者的健康指导方法的另一个实施例的流程图；
46.图4是根据本技术的基于相似患者的健康指导装置的一个实施例的结构示意图；
47.图5是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
48.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
49.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
50.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
51.本技术提供了一种基于相似患者的健康指导方法，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
52.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
53.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
54.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
55.需要说明的是，本技术实施例所提供的基于相似患者的健康指导方法一般由服务器/终端设备执行，相应地，基于相似患者的健康指导装置一般设置于服务器/终端设备中。
56.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
57.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
58.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
59.继续参考图2，示出了根据本技术的基于相似患者的健康指导方法的一个实施例的流程图，包括以下步骤：
60.步骤s201，获取待测患者的第一患者特征，将第一患者特征输入至预设的糖化预测模型中，得到预测结果。
61.在本实施例中，第一患者特征包括待测患者基本信息、慢性病管理过程中使用可穿戴等设备自动采集的数据或患者手动上传的数据以及预设周期的血糖值。其中，基本信息为患者注册糖尿病健康管理系统后填写的信息，包括性别、年龄、身高、体重、教育水平、吸烟史、饮酒史、既往病史、糖尿病年限、用药信息等；使用可穿戴等设备自动采集的数据或
患者手动上传的数据包括血糖数据(比如空腹血糖、餐后血糖、低血糖事件)、运动情况、睡眠情况、心率、血压等；预设周期的血糖值，例如，患者每三个月的糖化值，糖化值小于7记为糖化达标，糖化值大于等于7记为糖化不达标(糖尿病患者需要每三个月去医院检测一次糖化)。
62.此外，第一患者特征还包括根据收集到的信息生成的新特征，比如每周血糖上传次数、每周血糖平均值等。
63.在本实施例中，糖化预测模型具体采用xgboost(extreme gradient boosting，全梯度下降树)模型，xgboost模型是一种用于分类与回归问题的机器学习模型，其主要思想是通过整合较多的弱分类器(如决策树)从而实现一个强分类器的功能。也就是说，xgboost模型由多个弱分类器构成，将一个输入数据分别输入至多个弱分类器后得到多个输出结果，并将多个数据结果进行叠加，以得到最终输出数据。
64.在训练xgboost模型之前，确定多个超参数，例如，learning_rate(学习率)、max_depth(树最大深度)、subsample(每棵树随机采样的样本的比例)、colsample_bytree(用来控制每棵随机采样的列数的占比)、num_round(迭代次数)、max_leaf_nodes(树最大叶子节点数)等等。
65.具体实现中，将第一患者特征输入至预设的糖化预测模型xgboost模型中，通过计算，得到预测结果，预测结果为糖化达标情况，包括糖化达标和糖化不达标。
66.xgboost模型进行训练的具体实现步骤如下：
67.步骤a，初始化，为训练集合中的所有样本数据集赋予相同的初始化权值；
68.步骤b，迭代计算m次，每次迭代采用弱分类器算法进行分类，并计算该弱分类器的错误率：e
m
＝∑w
i
i(y
i
≠g
m
x
i
)/∑w
i
，w
i
代表第i个样本的权重，g
m
代表第m个弱分类器，i代表弱分类器的转换矩阵，x
i
代表第i个样本的行向量，y
i
代表第i个样本的列向量，e
m
代表弱分类器的错误率；
69.步骤c，计算目标函数，并引入正则项，在迭代过程中采用梯度下降法优化损失函数；
70.步骤d，更新弱分类器的权重，第m 1次迭代，将第i个样本的权重更新为w
inew
；
71.步骤e，弱分类器迭代计算完成后，采用投票方式得到每个数据样本的预测值w
c
，代表糖化达标情况。
72.在本实施例中，将糖化达标情况记为y，糖化达标，y＝1，糖化不达标，y＝0。
73.需要强调的是，为进一步保证第一患者特征的私密和安全性，上述第一患者特征还可以存储于一区块链的节点中。
74.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
75.步骤s202，确定与预测结果相反的人群作为目标人群，并获取目标人群中每个目标患者的目标患者特征。
76.在本实施例中，预测结果为糖化达标时，与预测结果相反的人群则为糖化不达标
人群，预测结果为糖化不达标时，与预测结果相反的人群则为糖化达标人群。
77.确定目标人群后，获取目标人群中每个目标患者的目标患者特征，目标患者特征同样包括待测患者基本信息、慢性病管理过程中使用可穿戴等设备自动采集的数据或患者手动上传的数据以及预设周期的血糖值，还有根据收集到的信息生成的新特征，具体同上述第一患者特征，在此不再赘述。
78.步骤s203，根据第一患者特征与目标患者特征进行检索，得到与待测患者相似的相似患者。
79.具体地，根据第一患者特征与目标患者特征，计算出待测患者和每个目标患者之间的相似度，将相似度进行排序，得到排序结果，从排序结果中选取预设个数的目标患者作为相似患者。
80.在本实施例中，相似度算法可以采用余弦相似度算法、皮尔逊相关系数算法、jaccard相似系数算法、欧式距离算法等。
81.作为一种具体的实现方式，采用欧氏距离算法计算待测患者与目标患者之间的相似度，计算公式如下：
[0082][0083]
其中，x表示待测患者的第一患者特征向量，y表示目标患者的目标患者特征向量，n表示特征个数。
[0084]
应当理解，计算得到的欧式距离越小，表示待测患者与目标患者越相似，即相似度越大。
[0085]
计算出相似度，按照相似度从大到小的顺序将目标患者进行排序，得到排序结果，从排序结果中选取排序在前的预设个数的目标患者作为相似患者。
[0086]
需要说明，寻找与待测患者自身结局相反的相似患者，是希望通过做出最少的改变就可以获得预期的结局，提高患者培养良好的自我管理能力的积极性。
[0087]
步骤s204，基于相似患者对待测患者进行健康指导。
[0088]
在本实施例中，获取相似患者的相似患者特征，比较相似患者特征与第一患者特征之间的差异，得到区别特征，根据区别特征生成指导建议，根据指导建议对待测患者进行指导。
[0089]
具体地，当待测患者的下一阶段糖化预测结果为糖化达标，即y＝1，表示待测患者目前自我健康管理状态良好，从糖化不达标的目标人群中检索出与待测患者最相似的相似患者，通过比较第一患者特征与相似患者特征的差异(区别特征)，给出指导建议。
[0090]
例如，分别列出相似患者特征和第一患者特征，计算出对应特征之间差异，按差异从大到小的顺序列出相似患者特征，差异为0的相似患者特征不用列出。假设待测患者和相似患者a有三个特征不相同，则列出这三个特征，具体如下：
[0091]
每周血糖上传次数：1次；
[0092]
体重：60kg；
[0093]
运动情况：20分钟/周。
[0094]
上述这些特征表示待测患者后续应当注意这些特征指标的控制，以及具体控制到
什么程度，否则糖化将可能变成不达标。
[0095]
当待测患者的下一阶段糖化预测结果为不达标，即y＝0，表示待测患者目前自我健康管理状态较差，需要有针对的改变自己的行为，从糖化达标的目标人群中检索出与待测患者最相似的相似患者，通过比较第一患者特征与相似患者特征的差异(区别特征)，给出指导建议。
[0096]
同理，分别列出相似患者特征和第一患者特征，计算出对应特征之间差异，按差异从大到小的顺序列出相似患者特征，差异为0的相似患者特征不用列出。假设待测患者和相似患者a有三个特征不相同，则列出这三个特征，具体如下：
[0097]
每周血糖上传次数：10次；
[0098]
戒烟；
[0099]
每周血糖均值：6.9。
[0100]
待测患者根据上述指导建议，后续有针对性地进行改变，努力让自己达标。
[0101]
本实施例中生成的指导建议能够清晰地展现患者管理目标，提供健康相关的精准帮助，从而提升患者管理的依从性。
[0102]
本技术通过糖化预测模型预测患者的预测，使得患者可以根据当前状态预测患者下一阶段的糖化达标情况，让患者了解自身的健康情况，同时，根据预测结果相反的相似患者的情况为待测患者提供健康指导，可以更加准确地为患者提供健康帮助，同时，健康指导可以清晰地展现患者管理目标，让患者能够尽早干预，培养良好的自我管理能力。
[0103]
在本实施例的一些可选的实现方式中，在上述获取待测患者的第一患者特征，将第一患者特征输入至预设的糖化预测模型中的步骤之前还包括：
[0104]
步骤s301，采集患病数据集，根据患病数据集获得每个患者对应的第二患者特征和糖化情况。
[0105]
在本实施例中，患病数据集可以从患者进行注册的糖尿病健康管理系统中获取，还可以从慢病管理过程中使用可穿戴等设备自动采集或患者手动上传的数据中获取，也可以从临床医疗数据中获取。
[0106]
从患病数据集中可以获取到每个患者对应的第二患者特征以及糖化达标情况。
[0107]
在本实施例的一些可选的实现方式中，对获取到的第二患者特征进行标准化处理。具体的，将各个第二患者特征处理在同一范围内，避免第二患者特征之间差异过大影响预测效果，利用以下公式对特征进行标准化处理：
[0108][0109]
其中，x’表示标准化处理后的第二患者特征，x代表未经处理的第二患者特征，代表第二患者特征的平均值，s代表第二患者特征的特征向量的标准差。
[0110]
步骤s302，将糖化达标情况作为标签对第二患者特征进行标注，得到患病特征数据。
[0111]
在本实施例中，将第二患者特征记为x，糖化达标情况记为y，用糖化达标情况y作为标签，对第二患者特征x进行标注，使用x作为自变量，y作为因变量训练糖化预测模型。
[0112]
步骤s303，根据患病特征数据对预构建的初始预测模型进行训练，得到糖化预测模型。
[0113]
具体的，根据患病特征数据获得训练数据和验证数据，基于训练数据对初始预测模型的模型参数进行调整，得到待验证模型，将验证数据输入至待验证模型中进行验证，得到验证结果，在验证结果大于等于预设阈值时，确定待验证模型为糖化预测模型。
[0114]
在本实施例中，将患病特征数据按照比例随机分成训练数据和验证数据，训练数据用于训练模型，验证数据用于验证训练的模型。
[0115]
在一些可选的实现方式中，上述基于训练数据对初始预测模型的模型参数进行调整，得到待验证模型的步骤包括：
[0116]
将训练数据输入初始预测模型，输出预测糖化结果，根据预测糖化结果计算损失函数，基于损失函数调整初始预测模型的模型参数。
[0117]
在本实施例中，根据损失函数调整模型参数，继续进行迭代训练，模型训练到一定程度，此时，模型的性能达到最优状态，损失函数无法继续下降，即收敛。而判断收敛的方式只需要计算前后两轮迭代中的损失函数，若损失函数仍在变化，则可以继续选择训练数据输入至待验证模型中以对模型继续进行迭代训练；若损失函数没有显著变化，则可认为模型收敛，输出最终的模型作为糖化预测模型。
[0118]
本实施例中的糖化预测模型可以记为f(x)，则预测结果y＝f(x)，糖化预测模型使用xgboost模型，具有高精度并且能够自动处理缺失值的优点。
[0119]
本技术通过训练糖化预测模型用于患者下一阶段的糖化达标情况预测，可以提高模型精度，进一步提高预测结果的准确性。
[0120]
在一些可选的实现方式中，为了准确验证糖化达标情况的预测结果，以及对糖化预测模型的各项性能进行全面分析，可以使用在机器学习中常用的三个评价指标对预测结果进行测评：准确率p(precision)、召回率r(recall)及f值(f
‑
score)。
[0121]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0122]
本技术可应用于智慧医疗领域中，从而推动智慧城市的建设。
[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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0124]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻
执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0125]
进一步参考图4，作为对上述图2所示方法的实现，本技术提供了一种基于相似患者的健康指导装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0126]
如图4所示，本实施例所述的基于相似患者的健康指导装置400包括：预测模块401、获取模块402、检索模块403以及指导模块404。其中：
[0127]
预测模块401用于获取待测患者的第一患者特征，将所述第一患者特征输入至预设的糖化预测模型中，得到预测结果；
[0128]
获取模块402用于确定与所述预测结果相反的人群作为目标人群，并获取所述目标人群中每个目标患者的目标患者特征；
[0129]
检索模块403用于所述第一患者特征与所述目标患者特征进行检索，得到与所述待测患者相似的相似患者；
[0130]
指导模块404用于基于所述相似患者对所述待测患者进行健康指导。
[0131]
需要强调的是，为进一步保证第一患者特征的私密和安全性，上述第一患者特征还可以存储于一区块链的节点中。
[0132]
上述基于相似患者的健康指导装置，通过糖化预测模型预测患者的预测，使得患者可以根据当前状态预测患者下一阶段的糖化达标情况，让患者了解自身的健康情况，同时，根据预测结果相反的相似患者的情况为待测患者提供健康指导，可以更加准确地为患者提供健康帮助，同时，健康指导可以清晰地展现患者管理目标，让患者能够尽早干预，培养良好的自我管理能力。
[0133]
在本实施例中，检索模块403进一步用于：
[0134]
根据所述第一患者特征与所述目标患者特征，计算出所述待测患者和每个所述目标患者之间的相似度；
[0135]
将所述相似度进行排序，得到排序结果；
[0136]
从所述排序结果中选取预设个数的所述目标患者作为所述相似患者。
[0137]
本实施例通过寻找与待测患者自身结局相反的相似患者，是希望通过做出最少的改变就可以获得预期的结局，提高患者培养良好的自我管理能力的积极性。
[0138]
在本实施例的一些可选的实现方式中，指导模块404进一步用于：
[0139]
获取所述相似患者的相似患者特征，比较所述相似患者特征与所述第一患者特征之间的差异，得到区别特征；
[0140]
根据所述区别特征生成指导建议，根据所述指导建议对所述待测患者进行指导。
[0141]
本实施例生成的指导建议能够清晰地展现患者管理目标，提供健康相关的精准帮助，从而提升患者管理的依从性。
[0142]
在本实施例的一些可选的实现方式中，上述装置400还包括：训练模块，训练模块包括采集子模块、标注子模块和训练子模块，采集子模块用于采集患病数据集，根据所述患病数据集获得每个患者对应的第二患者特征和糖化达标情况；标注子模块用于将所述糖化达标情况作为标签对所述第二患者特征进行标注，得到患病特征数据；训练子模块用于根据所述患病特征数据对所述预构建的初始预测模型进行训练，得到所述糖化预测模型。
[0143]
本实施例通过训练糖化预测模型用于患者下一阶段的糖化达标情况预测，可以提高模型精度，进一步提高预测结果的准确性。
[0144]
在本实施例中，训练子模块包括获取单元、调整单元和验证单元，获取单元用于根据所述患病特征数据获得训练数据和验证数据；调整单元用于基于所述训练数据对所述初始预测模型的模型参数进行调整，得到待验证模型；验证单元用于将所述验证数据输入至所述待验证模型中进行验证，得到验证结果，在所述验证结果大于等于预设阈值时，确定所述待验证模型为所述糖化预测模型。
[0145]
在本实施例中，调整单元进一步用于：
[0146]
将所述训练数据输入所述初始预测模型，输出预测糖化结果；
[0147]
根据所述预测糖化结果计算损失函数，基于所述损失函数调整所述初始预测模型的模型参数。
[0148]
在本实施例中，训练模块还包括标准处理子模块，用于对所述第二患者特征进行标准化处理。
[0149]
本实施例通过标准化处理，可以避免特征之间差异过大影响预测效果。
[0150]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
[0151]
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是，图中仅示出了具有组件51
‑
53的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0152]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0153]
所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件，例如基于相似患者的健康指导方法的计算机可读指令等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0154]
所述处理器52在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计
算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据，例如运行所述基于相似患者的健康指导方法的计算机可读指令。
[0155]
所述网络接口53可包括无线网络接口或有线网络接口，该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
[0156]
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于相似患者的健康指导方法的步骤，通过糖化预测模型预测患者的预测，使得患者可以根据当前状态预测患者下一阶段的糖化达标情况，让患者了解自身的健康情况，同时，根据预测结果相反的相似患者的情况为待测患者提供健康指导，可以更加准确地为患者提供健康帮助，同时，健康指导可以清晰地展现患者管理目标，让患者能够尽早干预，培养良好的自我管理能力。
[0157]
本技术还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于相似患者的健康指导方法的步骤，通过糖化预测模型预测患者的预测，使得患者可以根据当前状态预测患者下一阶段的糖化达标情况，让患者了解自身的健康情况，同时，根据预测结果相反的相似患者的情况为待测患者提供健康指导，可以更加准确地为患者提供健康帮助，同时，健康指导可以清晰地展现患者管理目标，让患者能够尽早干预，培养良好的自我管理能力。
[0158]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0159]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。