健康评估模型的训练方法、健康评估方法及相关装置与流程

本技术涉及人工智能，尤其涉及健康评估模型的训练方法、健康评估方法及相关装置。

背景技术：

1、全球疾病负担研究(global burden of disease study，gbd)定义的疾病体系使用统一的方法和标准来评估各种疾病和伤害对人类健康的影响，包括死亡、失能和生命质量的损失，可以为医疗方案制定者和健康专业人士提供有价值的信息和指导，以改善全球人类健康状况和预防疾病的发生。

2、但是，目前gbd疾病体系定义的疾病、疾病引起的健康后果、对寿命的影响等信息，无法直接和标准化的疾病定义完全匹配起来，这就导致无法直接将gbd疾病体系和患者疾病记录关联起来，降低了健康评估的效率和效果。

技术实现思路

1、本技术实施例的主要目的在于提出健康评估模型的训练方法、健康评估方法及相关装置，有利于提升健康评估的精确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种健康评估模型的训练方法，包括：

3、获取病例数据；

4、根据所述病例数据与疾病体系中的健康状态信息在疾病层面进行匹配，构建第一训练数据；

5、通过所述第一训练数据训练用于根据病例生成健康状态的原始健康评估模型，得到第一健康评估模型；

6、为所述第一训练数据中的病例数据添加附加状态信息，构建第二训练数据；

7、通过所述第二训练数据训练用于预测病例与健康状态的相关性的原始相关性模型，得到第一相关性模型；

8、根据所述第一健康评估模型和所述第一相关性模型进行对齐训练，调整所述第一健康评估模型的参数得到训练好的健康评估模型。

9、在一些实施例中，所述健康状态信息包括疾病信息和对应的第一编码信息，所述病例数据包括第二编码信息；所述根据所述病例数据与疾病体系中的健康状态信息在疾病层面进行匹配，构建第一训练数据，包括：

10、从所述疾病信息中查找得到第一目标疾病信息，所述第一目标疾病信息的第一编码信息与所述病例数据的第二编码信息类似；

11、根据所述第一目标疾病信息与所述病例数据之间的第一匹配度，从所述第一目标疾病信息中匹配出第二目标疾病信息，根据所述第二目标疾病信息和所述病例数据构建第一训练数据。

12、在一些实施例中，所述第一匹配度包括所述第一目标疾病信息和所述病例数据之间的语义相似度以及各个所述病例数据对应的第一目标疾病信息的数量。

13、在一些实施例中，所述健康状态信息包括疾病信息和对应的附加状态信息；所述为所述第一训练数据中的病例数据添加附加状态信息，构建第二训练数据，包括：

14、根据所述健康状态信息的类型从预设的提示词模板中选择目标提示词模板；

15、将所述疾病信息以及所述附加状态信息作为提示词填入所述目标提示词模板，得到目标指令；

16、根据所述目标模板扩展所述所述第一训练数据中的病例数据，为所述第一训练数据中的病例数据添加附加状态信息得到扩展病例数据，根据所述扩展病例数据与所述健康状态信息的相关性将所述扩展病例数据分为正样本和负样本，由所述正样本和所述负样本构建第二训练数据。

17、在一些实施例中，所述通过所述第二训练数据训练用于预测病例与健康状态的相关性的原始相关性模型，得到第一相关性模型，包括：

18、根据所述扩展病例数据和所述健康状态信息得到相关性评分；

19、根据所述相关性评分对所述原始相关性模型进行回归训练，得到第一相关性模型。

20、在一些实施例中，所述扩展病例数据和所述健康状态信息之间的相关性评分表示为：式中，scorenew表示所述扩展病例数据和所述健康状态信息之间的相关性评分，scoreold表示所述第一训练数据中的病例数据与所述健康状态信息之间的相关性评分，±的方向取决于所述扩展病例数据和所述健康状态信息之间的相关性，ε表示预设的浮动评分值，n为所述扩展病例数据的数量，gbdi表示第i个健康状态信息的样本，ehrj表示第j个扩展病例数据的样本，bertscore表示语义相似度。

21、为实现上述目的，本技术实施例的第二方面提出了一种健康评估方法，包括：

22、获取待评估病例数据；

23、将所述待评估病例数据输入至训练好的健康评估模型进行健康评估，得到评估结果，所述评估结果对应疾病体系的健康状态信息的疾病信息和附加状态信息；

24、其中，所述训练好的健康评估模型是根据本技术实施例的第一方面所述的健康评估模型的训练方法训练得到的。

25、为实现上述目的，本技术实施例的第三方面提出了一种健康评估模型的训练装置，包括：

26、输入模块，用于获取病例数据；

27、第一数据构建模块，用于根据所述病例数据与疾病体系中的健康状态信息在疾病层面进行匹配，构建第一训练数据；

28、第一模型训练模块，用于通过所述第一训练数据训练用于根据病例生成健康状态的原始健康评估模型，得到第一健康评估模型；

29、第二数据构建模块，用于为所述第一训练数据中的病例数据添加附加状态信息，构建第二训练数据；

30、第二模型训练模块，用于通过所述第二训练数据训练用于预测病例与健康状态的相关性的原始相关性模型，得到第一相关性模型；

31、第三模型训练模块，用于根据所述第一健康评估模型和所述第一相关性模型进行对齐训练，调整所述第一健康评估模型的参数得到训练好的健康评估模型。

32、为实现上述目的，本技术实施例的第四方面提出了一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术实施例的第一方面所述的健康评估模型的训练方法和本技术实施例的第二方面所述的健康评估方法。

33、为实现上述目的，本技术实施例的第五方面提出了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程序，所述计算机程序被处理器执行时实现本技术实施例的第一方面所述的健康评估模型的训练方法和本技术实施例的第二方面所述的健康评估方法。

34、本技术提出的健康评估模型的训练方法、健康评估方法及相关装置，通过根据病例数据与疾病体系中的健康状态信息在疾病层面进行匹配，构建第一训练数据；通过第一训练数据训练用于根据病例生成健康状态的原始健康评估模型，得到第一健康评估模型；为第一训练数据中的病例数据添加附加状态信息，构建第二训练数据；通过第二训练数据训练用于预测病例与健康状态的相关性的原始相关性模型，得到第一相关性模型；根据第一健康评估模型和第一相关性模型进行对齐训练，调整第一健康评估模型的参数得到训练好的健康评估模型；将病例数据与疾病体系中的健康状态信息的疾病信息、附加状态信息和icd-10编码匹配起来，使得健康评估模型不但能准确地根据病例数据评估出疾病信息，还能准确地根据病例数据评估出附加状态信息，有利于为医生提供有价值的信息和指导，有利于后续的进一步健康评估；并且不需要构建额外的中间映射转换过程，能够直接应用于临床诊断文本记录，同时完成icd编码和gbd的健康匹配两项任务，提高了模型处理任务的效率。

技术特征：

1.一种健康评估模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的健康评估模型的训练方法，其特征在于，所述健康状态信息包括疾病信息和对应的第一编码信息，所述病例数据包括第二编码信息；所述根据所述病例数据与疾病体系中的健康状态信息在疾病层面进行匹配，构建第一训练数据，包括：

3.根据权利要求2所述的健康评估模型的训练方法，其特征在于，所述第一匹配度包括所述第一目标疾病信息和所述病例数据之间的语义相似度以及各个所述病例数据对应的第一目标疾病信息的数量。

4.根据权利要求2所述的健康评估模型的训练方法，其特征在于，所述健康状态信息包括对应所述疾病信息的附加状态信息；所述为所述第一训练数据中的病例数据添加附加状态信息，构建第二训练数据，包括：

5.根据权利要求4所述的健康评估模型的训练方法，其特征在于，所述通过所述第二训练数据训练用于预测病例与健康状态的相关性的原始相关性模型，得到第一相关性模型，包括：

6.根据权利要求5所述的健康评估模型的训练方法，其特征在于，所述扩展病例数据和所述健康状态信息之间的相关性评分表示为：式中，scorenew表示所述扩展病例数据和所述健康状态信息之间的相关性评分，scoreold表示所述第一训练数据中的病例数据与所述健康状态信息之间的相关性评分，±的方向取决于所述扩展病例数据和所述健康状态信息之间的相关性，ε表示预设的浮动评分值，n为所述扩展病例数据的数量，gbdi表示第i个健康状态信息的样本，ehrj表示第j个扩展病例数据的样本，bertscore表示语义相似度。

7.一种健康评估方法，其特征在于，包括：

8.一种健康评估模型的训练装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的健康评估模型的训练方法和权利要求7所述的健康评估方法。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的健康评估模型的训练方法和权利要求7所述的健康评估方法。

技术总结
本申请实施例提供了健康评估模型的训练方法、健康评估方法及相关装置，属于人工智能技术领域；通过根据病例数据与健康状态信息在疾病层面进行匹配构建第一训练数据；通过第一训练数据训练原始健康评估模型；为病例数据添加附加状态信息构建第二训练数据；通过第二训练数据训练原始相关性模型；根据第一健康评估模型和第一相关性模型进行对齐训练，得到训练好的健康评估模型；将病例数据与疾病体系中的健康状态信息的疾病信息、附加状态信息和编码信息匹配起来，有利于提升健康评估的精确性；不需要构建额外的中间映射转换过程，同时完成I CD编码和GBD的健康匹配两项任务，提高了模型处理任务的效率。

技术研发人员：胡意仪,阮晓雯,郭维
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/12/5