一种基于人工智能的智慧医疗大数据管理方法与流程

1.本发明涉及一种智慧医疗技术领域，具体为一种基于人工智能的智慧医疗大数据管理方法。


背景技术：

2.大数据作为互联网发展成熟的表现已经得到越来越多的数据资源和运行的保障，互联网的发展让我们在网络上可以获得多方面的知识，包括医疗和病症的信息。
3.然而，医疗数据无论是电子档病例或手写病例记录积累起来的数量是很大的，这些数据存储到数据库，并没有得到有效利用，患者每一次来都是新一轮的询问、了解病史，而由于时间原因，患者已无法准确说明自己的病情情况，表述模糊，如此会造成医生在诊断时花费较多时间，或者诊断不准确的情况，由于医疗数据库中的医疗数据闲置，无法为医生的诊断建议、患者病情的缓解发挥有效的助力作用。
4.基于此，研究并开发一种基于人工智能的智慧医疗大数据管理方法。


技术实现要素：

5.为解决上述问题之一，本发明提供了一种基于人工智能的智慧医疗大数据管理方法。通过对患者的第一检测信息与医疗数据决策系统中的第二检测信息进行匹配，在满足匹配度情况下，调出与第二检测信息对应的第二确诊数据，进行数据分析，并将该分析结果、与患者的医疗消费值、健康水平进行确诊分析预估，并对预估结果是否满足确诊评估规则进行判断，根据判断结果生出对应执行指令，并将该指令发送给医生端，便于医生端作为分析诊断的参考。所述技术方案充分利用医疗数据库比如医疗数据决策系统、第一分析数据模型、第二分析数据模型、确诊评估规则，解决了现有技术中医疗数据库中医疗数据闲置，患者背景比如健康水平、医疗费用承受水平等脱离医生分析的问题，使医生诊断不准确或者诊断花费较长时间，完全依靠经验的缺陷。
6.一种基于人工智能的智慧医疗大数据管理方法，所述大数据管理方法应用于医疗数据决策系统，所述方法包括以下操作步骤：
7.1)获得第一患者基本信息、第一检测信息，根据所述第一检测信息，在所述医疗数据决策系统中寻找与第一检测信息匹配的所述第二检测信息；
8.2)根据所述第二检测信息，从医疗数据决策系统中提取与第二检测信息对应的第二确诊数据；
9.3)将所述第一检测信息与所述第二检测信息的数据匹配值、第二确诊数据输入到第一分析数据模型，获得第一患者分析结果；
10.4)根据所述第一患者基本信息，获得第一医疗平台信息，及对应的第一医疗费用数据；
11.5)将所述第一医疗费用数据输入到第二数据分析模型，获得第一患者医疗消费值；
12.6)将所述第一患者分析结果、所述第一患者医疗消费值输入医疗预估模型，获得第一预估结果；
13.7)根据所述第二确诊数据，获得确诊评估规则；判断第一预估结果是否满足所述确诊评估规则，当满足时，生成第一执行指令，并将所述第一预估结果发送给医生端，供医生参考。
14.可选地，所述步骤4)中还包括：
15.步骤4.1)获得设定时间数据，并根据所述设定时间数据、所述第一患者基本信息，获得第一患者医疗平台信息；根据所述第一患者医疗平台信息，获得第一患者的第一医疗费用数据；
16.步骤4.2)根据第一患者的第一医疗费用数据，获得医疗消费金额分类分析；
17.步骤4.3)根据所述医疗消费金额分类分析，获得第一占比分析，所述第一占比分析为所述消费金额分类分析中占比排序首位的医疗消费内容；
18.步骤4.4)根据所述第一占比分析，获得第一患者消费内容；依据所述第一患者消费内容，获得第一患者消费内容对应的第一患者疾病类型；
19.步骤4.5)根据所述第一患者疾病类型、第一医疗费用数据获得第一患者疾病属性；
20.步骤4.6)根据所述第一患者疾病属性、第一患者疾病类型的个数，获得第一患者身体健康评估数据。
21.可选地，所述步骤4)中：所述第一患者医疗平台信息包括第一患者到公立医院、私立医院和诊所看病的检测诊断信息、以及对应的第一患者的第一医疗消费数据。
22.可选地，所述步骤5)中还包括：
23.5.1)根据第一医疗消费数据，获得数据获取时间要求，根据所述第一患者基本信息，获得第一医疗平台账户；
24.5.2)根据所述数据获取时间要求、第一医疗平台账户，获得第一医疗平台账户的流水信息；
25.5.3)根据第一医疗平台账户的流水信息，获得第一患者的消费信息；
26.5.4)根据数据获取时间要求、所述数据获取要求时间内第一患者的消费信息，获得第一患者医疗消费值。
27.可选地，所述步骤3)中还包括：
28.3.1)根据所述第一患者的第一检测信息与所述医疗数据决策系统中的第二检测信息中的数据匹配度大于80％，形成信息匹配；
29.3.2)所述第二确诊数据、第二检测信息被存储到医疗数据决策系统中至少一个节点上，医疗数据决策系统由大于等于两个节点组成。
30.可选地，所述步骤7)中还包括：
31.7.1)根据所述第二确诊数据，获得作出确诊结果的检测指标种类、检测指标结果、及治疗方案类型，即为确诊评估规则；
32.7.2)所述第一患者医疗消费值输入至医疗预估模型，分析出第一患者医疗费用承受属性和第一患者的身体健康属性；
33.7.3)所述第一患者分析结果、第一患者的身体健康评估数据、第一患者医疗费用
承受属性、第一患者的身体健康属性输入到医疗预估模型，获得第一患者治疗费用预估结果、第一患者待配给药物，所述第一患者治疗费用预估结果、第一患者待配给药物均为所述第一预估结果。
34.可选地，所述步骤7)中还包括：
35.7.4)所述第一预估结果输入至确诊评估规则中，当第一患者分析结果中的检测指标类型、检测指标结果与确诊评估规则中对应的检测指标、检测指标结果匹配度达到95％以上时，获得第一患者的第一确诊数据；第一患者治疗费用预估结果、第一患者待配给药物与确诊分析规则中的治疗方案类型进行匹配，匹配出大于等于两条第一患者治疗方案，并将所述第一患者治疗方案作为第一执行指令通过通信信号的方式发送给医生端。
36.可选地，所述步骤4.6)中所述第一患者身体健康评估数据为第一患者的身体健康属性的评估参考数据。
37.可选地，所述步骤7.2)中医疗预估模型通过多组训练数据训练获得，所述多组训练数据中每组均包括第一患者分析结果、所述第一患者医疗消费值、标识第一预估结果的标识信息；
38.获得所述医疗评估模型的输出信息，所述输出信息包括第一预估结果。
39.可选地，步骤7)中还包括7.5)当第一预估结果不满足所述确诊评估规则要求，且匹配度为70-95％时，获得第一提醒信息，所述提醒信息包括第一补充信息要求，具体包括以下步骤：
40.7.5.1)获得第一补充信息；
41.7.5.2)根据所述第一补充信息，获得第一补充信息预估值，将所述第一补充信息预估值输入至确诊评估规则中，获得第一预估结果；将第一预估结果中的检测指标种类、检测结果作为第一损失数据输入到确诊分析规则中，获得补量型确诊评估规则，所述补量型确诊评估规则为所述确诊评估规则进行增量学习后生成的新模型。
42.与现有技术相比，本发明的有益效果是：
43.1)本技术方案中在医疗信息管理过程中，充分利用了现有的医疗数据资源，比如医疗数据决策系统中储存的患者检测信息、基本信息、确诊数据，同时综合医疗平台信息获得患者的医疗消费值、健康情况、消费承受能力等因素，对应给出相应的治疗方案、用药信息等，供医生诊断分析时，进行思考，以利于提高医生诊断的准确性，提高诊断效率。
44.2)本技术方案通过结合患者的基本信息，获得患者在医疗平台的医疗诊疗信息，消费记录，根据消费记录、诊疗信息，确认患者所述属人群，除了医生端提供可参考的治疗方案信息外，并结合医疗预估模型给出的预估结果，便于对不同人群，比如可按照消费水平、健康状况进行分析对应人群的健康状况、或者国民健康状况，医疗消费水平，能够为下一步的医疗政策、措施、水平进行进一步的改进、提高。
附图说明
45.图1为本发明基于人工智能的智慧医疗大数据管理方法的流程示意框图。
具体实施方式
46.为了使本技术领域的人员更好地理解本发明方案，对本发明实施例中的技术方案
进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.实施例1：
48.如图1所示，一种基于人工智能的智慧医疗大数据管理方法，所述大数据管理方法应用于医疗数据决策系统，所述方法包括以下操作步骤，
49.1)获得第一患者基本信息、第一检测信息，根据所述第一检测信息，在所述医疗数据决策系统中寻找与所述第一检测信息匹配的所述第二检测信息；
50.具体而言，去医院检查或问诊的人在本实施例中称为第一患者，由于第一患者去医院后，都会面对一堆重复性的检查，回答医生不断重复问的问题；有时候，医生与患者沟通时，由于整个沟通时间较短，存在患者无法理解医生问的具体问题，或者回答问题时回答的比较模糊，导致医生问诊情况不准确；同时，在较短时间内，医生也很难对病人的病史、健康水平等情况有一个大概、清楚的了解，因此，通常会根据目前的一项或两项检索结果，然后结合经验做出诊断，存在不对诊，或者诊断结果对患者没有很大效果的情况；同时，患者去医院做检测时，医院会对患者的检测报告、医生的诊断结果、给药情况等数据电子存档，而这些数据库资源是没有充分被利用，仅仅发挥存档备查的作用。
51.因此，本实施例中，第一患者基本信息包括姓名、年龄、身份证号、住址、问诊平台，第一检测信息为第一患者到医院检测时，在医生建议下，所做的检测报告，具体包括检测项目，检测内容、检测结果、检测结论。
52.其中，第二检测信息，是指已经存储在医疗数据决策系统中的检测报告内容，具体也包括检测项目、检测内容、检测结果、检测结论及建议。
53.具体而言，第一患者基本信息对应的该患者的第一检测信息，因此基于大数据信息处理技术，由医疗数据决策系统依据该第一患者的第一检测信息，并对第一检测信息中的内容进行数据匹配，获得第二检测信息，依据第二检测信息获得第二确诊数据；获得第一患者在第一医疗平台信息后，根据第一患者的一段时间的医疗消费情况，分析出该患者的身体健康情况、医疗消费情况，综合该患者的该患者检测信息以及相关的身体健康情况、医疗消费情况，从而对第一患者具体可能所患疾病进行评估，并给出相应的治疗方案或进一步检测建议或用药方案等，为医生在具体诊断时提供参考、借鉴价值。
54.所述医疗数据决策系统在接收到第一患者基本信息、以及第一患者基本信息对应的第一检测信息之后，基于语义识别技术，对第一检测信息等材料信息中进行文本提取，并对文本进行预处理，从而对文本中各项信息进行分类、提取，并对分类、提取的内容与已存储在医疗数据决策系统中第二检测信息提取、分类后的信息进行分析、比对，查获得数据匹配度。
55.从第一检测信息、第二检测信息中提取、分类的信息为关键词，关键词为主关键词、次关键词。其中，对于诊断项目具体确诊起关键性作用关键词为主关键词，作为必要提取信息；在主关键词确定提取的前提下，次关键词提取越多，如果数据匹配度越高，则相应依据第二检测信息对应第二确诊数据进行后续分析判断的可靠性越高，那么提供给医生的建议，参考价值越大。
56.2)根据所述第二检测信息，从所述医疗数据决策系统中提取与第二检测信息对应
的第二确诊数据；
57.在将第一检测信息与第二检测信息做好数据匹配后，达到预定的数据匹配度后，匹配满足要求后，医疗数据决策系统会提取系统中与第二检测信息对应的第二确诊数据。
58.其中，达到要求的数据匹配度，具体数据或者数据范围是经过系统算法的科学计算而获得。
59.本实施例中第二确诊数据包括医疗数据决策系统中储存的确诊结论或者下一步检测方向或给药方案等，即医生对于当前检测结果给患者提出的建议和诊疗方向。
60.3)将第一检测信息与第二检测信息的数据匹配值、第二确诊数据输入到第一分析数据模型，获得第一患者分析结果；
61.具体而言，将第一患者的最新的第一检测信息或者将第一患者的最新检测信息结合之前的一段时间内的检测信息，与第二检测信息进行匹配后，数据匹配按照语义识别技术结合匹配原则进行匹配，最终根据匹配情况获得数据匹配度，如第一检测信息与第二检测信息的数据匹配度为90％，并将该匹配结果、以及数据匹配项目、达到匹配的项目等相关数据，发送到第二分析数据模型。
62.具体匹配原则可为首先进行对于确诊某种疾病的关键性项目进行匹配，然后才是次要检测项目进行匹配。
63.第二分析数据模型为一神经网络模型，神经网络模型是由大量的、简单的处理模块广泛地相互连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。具有不断学习、获取经验，来处理输入数据的特点，在将所述第一检测信息与第二检测信息的数据匹配值、第二确诊数据输入到第一分析数据模型中时，由第一分析数据模型对第二确诊数据、第一检测信息与第二检测信息的数据匹配值进行训练学习，从而获得第一患者分析结果，即根据数据匹配值的高低、第二确诊数据的检测项目、检测结果、检测结论，得出第一患者的诊断情况，如哪里可能有不健康的情况、目前的健康值、可参考的诊断结果、治疗方案等等。
64.4)根据所述第一患者基本信息，获得所述第一医疗平台信息，及对应的所述第一医疗费用数据；
65.具体而言，通过第一患者基本信息，具体包括姓名、年龄、身份证号等，能够查询到实现数据共享的第一医疗平台信息，具体为第一患者到不同医疗平台就诊的信息，比如公立医院，私立医院，诊所等关系到患者健康状况的信息，据此可获得第一患者在一段时间内或者近期在数据共享的第一医疗平台的消费信息，即第一医疗费用数据。
66.其中，第一医疗费用数据可为第一患者的医疗消费总额，也可以进一步细化，比如常见疾病的消费总额，罕见疾病的消费总额，慢性疾病的消费总额、急性疾病的消费总额等等，或者根据第一患者出现疾病的器官进行消费总额，或者根据所挂科室的消费总额，据此分类可以看出第一患者在医疗上的消费情况，也可以反映出第一患者的身体健康情况，具体器官的健康水平或者潜在疾病、以及可能存在的风险。
67.5)将所述第一医疗费用数据输入到第二数据分析模型，获得第一患者医疗消费值；
68.具体而言，将所述第一患者的第一医疗费用数据，可获取第一患者在不同医疗平台的问诊情况，尤其是近期在医疗这块的消费情况，从医疗费用数据中检测的医疗项目可
以分析出第一患者的身体健康状态；同时，从医疗费用数据的消费总额，可以看出第一患者的资金承受水平等，比如一些项目检测时，未按照医生的建议进行下一步治疗，或者放弃一些检测项目的支付等等。通过将所述第一患者的第一医疗费用数据输入到第二数据分析模型中，第二数据分析模型通过训练数据，依据第一患者的第一医疗费用数据、结合第一患者所告知的收入水平，对第一患者的健康状态、医疗费用消费水平、收入状况、资产水平进行评估，从而获得第一患者的医疗消费值。
69.其中，第二数据分析模型为一神经网络模型，能够通过深度学习对数据进行准确评估，所述医疗消费值越高说明第一患者的健康情况比较良好、患重大疾病的可能性小等等处于一种良好的状态。
70.6)将所述第一患者分析结果、所述第一患者医疗消费值输入医疗预估模型，获得第一预估结果；
71.具体而言，将第一患者分析结果，比如患者的哪里需要进一步检测、或者可能哪里存在什么疾病，或者大致确诊后，需要如何给药、如何开展进一步治疗、以及产生的预估医疗费用等等，将所述第一患者分析结果，以及第一患者医疗消费值即第一患者近段时间的消费情况，健康情况、以及健康水平、消费水平作为输入数据，输送到所述医疗评估模型中，实现对第一患者消费、健康状况等角度的预估，预估可分项目进行预估，给出初步的预估意见，即第一预估结果。所述医疗评估模型为神经网络模型，通过深度学习可对数据、语义进行分析处理，从而大大提高了对大数据的分析能力。
72.7)根据所述第二确诊数据，获得确诊评估规则；判断第一预估结果是否满足所述确诊评估规则，当满足时，生成第一执行指令，并将所述第一预估结果发送给医生端，供医生参考。
73.具体而言，根据第二确诊数据，获得确诊评估规则。其中，第二确诊数据的依据可包括多份检测报告，对应的检测主关键词、检测结果、检测结论，从而根据此获得确诊评估规则的依据，比如确诊某种疾病，需要检测项目，检测项目需要达到的检测结果，检测结果是呈阴性或阳性，检测结果数据是高于或低于参考值等，如此获得确诊评估规则；将第一预估结果与确诊评估规则进行对比分析，确认是否满足确诊评估规则，满足时，则确诊评估规则生成第一执行指令，并将该预估结果发送给医生端，作为参考，便于医生端做出准确的诊断。
74.如果不满足要求时，为了进一步确认，需要检测的项目内容，将该第一执行指令发送给医生端，供医生根据经验、目前检测内容参考是否需要进一步检测，同时，也可以根据第一执行指令中的提示，所反映的患者健康情况、消费水平，确认是否需要进一步检测、确认，并且给患者沟通，提醒。
75.如此，提供了更多的患者的信息，供医生进行参考，避免医生获取的信息过于单一，仅仅凭经验，去诊断分析，解决不了患者的病痛，相反加重了患者的医疗负担。
76.可选地，所述步骤4)中还包括：
77.步骤4.1)获得设定时间数据，并根据所述设定时间数据、所述第一患者基本信息，获得第一患者医疗平台信息；根据第一患者医疗平台信息，获得第一患者的第一医疗费用数据；
78.步骤4.2)根据第一患者的第一医疗费用数据，获得医疗消费金额分类分析；
79.步骤4.3)根据所述医疗消费金额分类分析，获得第一占比分析，所述第一占比分析为所述消费金额分类分析中占比排序首位的医疗消费内容；
80.步骤4.4)根据所述第一占比分析，获得第一患者消费内容；依据第一患者消费内容，获得第一患者消费内容对应的第一患者疾病类型；
81.步骤4.5)根据第一患者疾病类型、第一医疗费用数据获得第一患者疾病属性；
82.步骤4.6)根据第一患者疾病属性、第一患者疾病类型的个数，获得第一患者身体健康评估数据。
83.具体而言，在设定时间数据内，根据第一患者基本信息，获取第一患者的第一医疗平台信息，比如第一患者在该设定时间内比如一年内、半年内、三个月内在不同医疗平台，比如公立医院、私立医院、诊所等平台的问诊情况，以及消费情况。这些平台信息能够查看，前提是医院平台之间实现数据资源共享。通过第一患者的第一医疗费用数据，可对所述第一医疗费用数据的内容进行分类分析，比如具体的费用明细，消费总额；然后根据具体的费用明细对应费用项目，获得医疗消费金额分类分析，即把医疗消费项目分为几大类、每个类别的消费数额，则可获得医疗消费金额分类分析；
84.根据医疗消费金额分类分析，对每个类别的消费金额进行统计，然后获得每个类别消费金额的占比，其中消费金额最大的占比为第一占比分析，所述第一占比分析为所述消费分类分析中占比排序首位的医疗消费内容，同时列举出其他占比分析项目。
85.根据第一占比分析、及对应的检测消费项目，从而获得第一患者消费占比最大的第一患者疾病类型，比如具体的疾病名称；根据疾病名称、第一医疗消费数据获得第一患者疾病属性，比如是属于常见病，还是重大疾病、慢性病、急性病、具体某个器官疾病等类型；依据第一患者疾病属性、第一患者疾病种类个数，比如一段时间内得常见疾病的次数，一段时间内有无得重大疾病等等。
86.如一个月内得常见疾病的次数超过三次，则说明患者体质差，健康评估数据较低；如果近期如一个月内得重大疾病，说明患者身体状况相当不好。具体地，第一患者身体健康评估数据可以量化来评估患者的身体情况，可以以百分制，身体状况良好，分数在80-95之间；身体状况中，分数在70-80等等。具体评分标准，可根据需要进行调整，设定原则原理保持不变。
87.同理，上述对第一占比进行了分析，也可以对第一医疗费用数据进行一个总的占比分析。
88.进一步地，所述步骤4)中：所述第一患者医疗平台信息包括第一患者到公立医院、私立医院和诊所看病的检测诊断信息、以及对应的第一患者的第一医疗消费数据。
89.对于医疗平台的限制包括但不限于公立医院、私立医院、诊所，应当包括实现数据共享的所有诊疗机构。
90.进一步地，所述步骤5)中还包括：
91.5.1)根据第一医疗消费数据，获得数据获取时间要求，根据所述第一患者基本信息，获得第一医疗平台账户；
92.5.2)根据所述数据获取时间要求、第一医疗平台账户，获得第一医疗平台账户的流水信息；
93.5.3)根据第一医疗平台账户的流水信息，获得第一患者的消费信息；
94.5.4)根据数据获取时间要求，所述数据获取要求时间内第一患者的消费信息，获得第一患者医疗消费值。
95.具体而言，在上述对第一患者在其他医疗平台的消费数据，进行分类、占比分析，对应得出第一患者的健康情况，获得身体健康评估数据。本实施例中，确定对于医疗消费信息获取时间的要求，即所述医疗信息提取时间的要求，继而依据所述数据获取时间要求以及基于大数据所获得的第一患者的第一医疗平台账户，对第一患者的医疗平台账户的流水信息进行数据提取，获得各医疗账户中对应的流水信息，对消费的流水信息进行分析，从而确定在数据获取时间要求内第一患者的消费信息，进而获得第一患者的医疗消费值，如此获得的第一患者医疗信息更准确，也能准确了解第一患者近段时间的医疗消费情况，比如在医疗上具体的消费情况。
96.进一步地，所述步骤3)中还包括：
97.3.1)根据所述第一患者的第一检测信息与所述医疗数据决策系统中的第二检测信息中的数据匹配度大于80％，形成信息匹配；
98.3.2)所述第二确诊数据、第二检测信息被存储到医疗数据决策系统中至少一个节点上，医疗数据决策系统由大于等于两个节点组成。
99.具体而言，第一患者的第一检测信息与医疗数据决策系统中第二检测信息在数据指标上的数据匹配度，比如主要数据指标的检测指标、检测结果，进行数据对比，次要数据指标的检测指标、检测结果的对比，从而确认数据匹配度。
100.数据匹配度达到某个范围，比如大于80％以上，形成信息匹配；也可以对匹配数值进行调整，达到某个范围后，形成信息匹配。
101.进一步地，所述步骤7)中还包括：
102.7.1)根据所述第二确诊数据，获得作出确诊结果的检测指标种类、检测指标结果、及治疗方案类型，即为确诊评估规则；
103.7.2)所述第一患者医疗消费值输入至医疗预估模型，分析出第一患者医疗费用承受属性和第一患者的身体健康属性；
104.7.3)所述第一患者分析结果、第一患者的身体健康评估数据、第一患者医疗费用承受属性、第一患者的身体健康属性输入到医疗预估模型，获得第一患者治疗费用预估结果、第一患者待配给药物，所述第一患者治疗费用预估结果、第一患者待配给药物均为所述第一预估结果。
105.具体而言，不同类别疾病，检测项目不同，检测结果不同，则对应的确诊标准不同。基于机器学习，将第二确诊数据具体包括检测项目、检测结果、治疗方案类型，以及质量方案内容等数据作为输入数据，对这些数据进行训练，从而获得确诊评估规则。
106.然后将第一患者医疗消费值作为输入数据输入到医疗预估模型中，医疗预估模型进行训练数据，分析第一患者医疗费用属性、第一患者的身体健康属性。并将第一患者的身体健康属性、第一患者分析结果输入到医疗预估模型，医疗预估模型为对多组输入数据训练获得。其中，医疗预估模型为一神经网络模型，所述神经网络模型通过训练数据训练的过程本质上为监督学习的过程。医疗预估模型会输出所述第一预估结果的标识信息来对神经网络模型输出的所述第一预估结果进行校验，如果输出的所述第一预估结果同标识的所述第一预估结果相一致，则本数据的监督学习完成，则进行下一组数据的监督学习。如果输出
的所述第一预估结果同标识的所述第一预估结果不一致，则神经网络模型自身进行调整，直到训练数据使神经网络模型自身不断地修正、优化，通过监督学习过程来提高神经网络模型处理所述数据的准确性，进而使得所述第一预估结果更加准确。
107.进一步地，所述步骤7)中还包括：
108.7.4)所述第一预估结果输入至确诊评估规则中，当第一患者分析结果中的检测指标类型、检测指标结果与确诊评估规则中对应的检测指标、检测指标结果匹配度达到95％以上时，获得第一患者的第一确诊数据；第一患者治疗费用预估结果、第一患者待配给药物与确诊分析规则中的治疗方案类型进行匹配，匹配出大于等于两条第一患者治疗方案，并将所述第一患者治疗方案作为第一执行指令通过通信信号的方式发送给医生端。
109.在将第一执行指令发送给医生端时，同时将第一患者的医疗费用承受属性、第一患者身体健康属性发送给医生端，便于医生结合此数据，有选择性的进行参考第一执行指令。
110.具体而言，将第一预估结果与确诊评估规则中的项目进行判断，进行数据匹配，数据匹配度达到预定值时，则获得第一患者的确诊数据；其中数据匹配过程主要基于语义识别技术，以及数据范围判断。在数据匹配度达到预定值时，会进一步结合第一患者治疗费用预估结果、第一患者的身体健康属性、第一患者的医疗费用承受属性，匹配出大于等于两条的第一患者治疗方案，并将所述第一患者治疗方案作为第一执行指令发送给医生端，供医生诊断时作为参考。
111.进一步地，所述步骤4.6)中所述第一患者身体健康评估数据为第一患者的身体健康属性的评估参考数据。
112.进一步地，所述步骤7.2)中医疗预估模型通过多组训练数据训练获得，所述多组训练数据中每组均包括第一患者分析结果、所述第一患者医疗消费值、标识第一预估结果的标识信息；
113.获得所述医疗评估模型的输出信息，所述输出信息包括第一预估结果。
114.进一步地，步骤7)中还包括7.5)当第一预估结果不满足所述确诊评估规则中要求，且匹配度为70-95％时，获得第一提醒信息，所述提醒信息包括第一补充信息要求，具体包括以下步骤：
115.7.5.1)获得第一补充信息；
116.7.5.2)根据所述第一补充信息，获得第一补充信息预估值，将所述第一补充材料预估值输入至确诊评估规则中，获得第一预估结果；将第一预估结果中的检测指标种类、检测结果作为第一损失数据输入到确诊分析规则中，获得补量型确诊评估规则，所述补量型确诊评估规则为所述确诊评估规则进行增量学习后生成的新模型。
117.当第一预估结果不满足所述确诊评估规则的要求时，确诊评估规则会对第一预估结果中的未满足项进行提取、分析，从而判断是否需要补充信息，比如增加检测项目，若存在，获得所述提醒信息，提醒患者对补充信息进行补充，并对所述补充信息进行处理、评估，然后进一步判断补充信息的检测指标、检测结果情况，补充后满足确诊评估规则，则可以得出确诊结论，然后将该信息、以及后续治疗方案发送到医生端；补充信息后还是不满足确诊评估规则，则不能得出确诊结论，说明患者的身体某部分是正常的，同时将该信息发送给医生端，供医生诊断，以及给患者提醒注意事项时参考。
118.本实施例中上述中提到的补充信息可作为确诊评估规则的补充，即补量型评估规则，则确诊评估规则得出结论更加准确，如此提供给医生的参考性价值更高，也是对数据库中医疗数据资源的最大化利用，同时也给医生诊断提供了多一个维度的参考，在一定程度上提高了对患者病痛情况把握的准确性，医疗水平也得到一个台阶的进步。
119.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发明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。
120.最后应说明的是：本发明实施例公开的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例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同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。