本發(fā)明涉及人工智能，特別是傳染病智能監(jiān)測預(yù)警處置系統(tǒng)及方法。

背景技術(shù)：

1、近年來，隨著信息技術(shù)的進(jìn)步，特別是大數(shù)據(jù)、人工智能等技術(shù)的發(fā)展，傳染病智能監(jiān)測預(yù)警技術(shù)得到了快速發(fā)展。傳統(tǒng)的傳染病監(jiān)測手段主要依賴于醫(yī)療機構(gòu)上報病例，這種方法存在滯后性和局限性。近年來出現(xiàn)的基于網(wǎng)絡(luò)的監(jiān)測系統(tǒng)通過收集社交媒體、搜索引擎查詢記錄等非傳統(tǒng)數(shù)據(jù)源來預(yù)測疫情趨勢，顯著提高了監(jiān)測效率和準(zhǔn)確性。然而，這些系統(tǒng)大多局限于數(shù)據(jù)的簡單匯總和分析，缺乏深入的數(shù)據(jù)挖掘能力和動態(tài)調(diào)整機制，難以實現(xiàn)精準(zhǔn)的個性化風(fēng)險評估。

2、盡管現(xiàn)有的傳染病監(jiān)測預(yù)警技術(shù)取得了一定進(jìn)展，但仍存在諸多不足之處。首先，由于數(shù)據(jù)源多樣且分散，如何高效地整合并預(yù)處理這些數(shù)據(jù)成為一個難題。其次，傳統(tǒng)的特征選擇方法往往依賴人工定義，無法自動識別出對傳染病傳播最為關(guān)鍵的因素。此外，現(xiàn)有的預(yù)警模型通常是在靜態(tài)條件下建立的，無法根據(jù)疫情的變化進(jìn)行自我調(diào)整。最后，大多數(shù)未能根據(jù)個體差異給出針對性強的預(yù)防建議，使得預(yù)警系統(tǒng)的實際應(yīng)用價值受限。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明，解決現(xiàn)有傳染病監(jiān)測預(yù)警技術(shù)中數(shù)據(jù)處理不充分、特征提取不精準(zhǔn)、預(yù)警模型適應(yīng)性差以及缺乏個性化預(yù)防建議的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

3、第一方面，本發(fā)明實施例提供了傳染病智能監(jiān)測預(yù)警處置方法，其包括：實時收集多源數(shù)據(jù)，并進(jìn)行預(yù)處理；

4、通過特征工程技術(shù)從預(yù)處理后的數(shù)據(jù)中提取關(guān)鍵特征，形成數(shù)據(jù)集；

5、初始化預(yù)警模型并訓(xùn)練，采用自適應(yīng)調(diào)整機制，動態(tài)調(diào)整預(yù)警模型的參數(shù)，得到優(yōu)化預(yù)警模型；

6、使用優(yōu)化后的預(yù)警模型進(jìn)行實時分析，評估個體感染特定傳染病的風(fēng)險；

7、根據(jù)個體風(fēng)險評估結(jié)果，提供個性化的預(yù)防建議。

8、作為本發(fā)明所述傳染病智能監(jiān)測預(yù)警處置方法的一種優(yōu)選方案，所述實時收集多源數(shù)據(jù)包括從醫(yī)療機構(gòu)系統(tǒng)實時抓取患者的臨床數(shù)據(jù)、癥狀描述和地理位置信息，從社交媒體平臺抓取與傳染病相關(guān)的公眾情緒變化和討論話題信息，從環(huán)境監(jiān)測系統(tǒng)獲取氣溫、濕度和空氣污染指數(shù)的環(huán)境數(shù)據(jù)。

9、作為本發(fā)明所述傳染病智能監(jiān)測預(yù)警處置方法的一種優(yōu)選方案，所述預(yù)處理包括數(shù)據(jù)清洗、去除重復(fù)記錄、填補缺失值、糾正格式錯誤和數(shù)據(jù)標(biāo)準(zhǔn)化處理；

10、對于分類特征，采用獨熱編碼將其轉(zhuǎn)換為數(shù)值型特征。

11、作為本發(fā)明所述傳染病智能監(jiān)測預(yù)警處置方法的一種優(yōu)選方案，通過特征工程技術(shù)從預(yù)處理后的數(shù)據(jù)中提取關(guān)鍵特征，形成數(shù)據(jù)集包括以下步驟：

12、從癥狀描述文本中提取關(guān)鍵詞和短語；

13、根據(jù)地理位置信息，使用地理信息系統(tǒng)工具計算地理坐標(biāo)與疫情高發(fā)地區(qū)的距離；

14、從環(huán)境數(shù)據(jù)中提取有助于理解環(huán)境因素對傳染病的影響的溫度和濕度特征；

15、從社交媒體數(shù)據(jù)中提取關(guān)鍵詞頻和情感極性特征，并使用自然語言處理技術(shù)進(jìn)行情感分析和主題建模；

16、使用隨機森林算法中的特征重要性評估方法，對特征重要性進(jìn)行評估；

17、根據(jù)特征重要性評估結(jié)果，選擇排名靠前的特征；

18、將經(jīng)過預(yù)處理和特征提取的數(shù)據(jù)進(jìn)行整合，構(gòu)建一個包含患者基本信息、臨床癥狀、地理位置、社交媒體情緒和環(huán)境監(jiān)測數(shù)據(jù)的多維度信息的數(shù)據(jù)集。

19、作為本發(fā)明所述傳染病智能監(jiān)測預(yù)警處置方法的一種優(yōu)選方案，初始化預(yù)警模型并訓(xùn)練，采用自適應(yīng)調(diào)整機制，動態(tài)調(diào)整預(yù)警模型的參數(shù)，得到優(yōu)化預(yù)警模型包括以下步驟：

20、選擇使用長短期記憶網(wǎng)絡(luò)作為預(yù)警模型，處理序列數(shù)據(jù)；

21、選擇均方誤差作為損失函數(shù)，衡量模型預(yù)測值與真實值之間的差距；

22、使用adam優(yōu)化器，更新權(quán)重并自動調(diào)整學(xué)習(xí)率；

23、根據(jù)數(shù)據(jù)集大小選擇合適的批次大小，并設(shè)置適當(dāng)?shù)挠?xùn)練輪次，根據(jù)驗證集上的性能調(diào)整訓(xùn)練輪次，當(dāng)驗證集上的損失不再顯著下降時，則提前終止訓(xùn)練；

24、選擇強化學(xué)習(xí)算法進(jìn)行模型參數(shù)的自適應(yīng)調(diào)整；

25、使用模型在上一評估周期內(nèi)的預(yù)測誤差作為狀態(tài)表示；

26、通過預(yù)測誤差反映模型的當(dāng)前性能，通過狀態(tài)表示觀察模型的變化趨勢；

27、選擇動作空間對模型參數(shù)的幅度進(jìn)行微調(diào)；

28、設(shè)計獎勵函數(shù)鼓勵模型參數(shù)調(diào)整后提高預(yù)測準(zhǔn)確性；

29、使用均方根誤差作為評估指標(biāo)對模型進(jìn)行周期性評估；

30、根據(jù)評估結(jié)果調(diào)整模型參數(shù)，優(yōu)化模型性能。

31、作為本發(fā)明所述傳染病智能監(jiān)測預(yù)警處置方法的一種優(yōu)選方案，使用優(yōu)化后的預(yù)警模型進(jìn)行實時分析，評估個體感染特定傳染病的風(fēng)險，表達(dá)式為：；其中，表示個體的風(fēng)險評分，表示第個特征的值，表示第個特征的平均值，為特征索引變量，表示第個特征的標(biāo)準(zhǔn)差，是常數(shù)項，是調(diào)節(jié)因子，表示第個環(huán)境變量的值，為環(huán)境變量索引，表示第個環(huán)境變量的標(biāo)準(zhǔn)差，表示個體特征的數(shù)量，表示環(huán)境變量的數(shù)量，表示基礎(chǔ)風(fēng)險，表示第個環(huán)境變量的平均值。

32、作為本發(fā)明所述傳染病智能監(jiān)測預(yù)警處置方法的一種優(yōu)選方案，根據(jù)個體風(fēng)險評估結(jié)果，提供個性化的預(yù)防建議包括以下步驟：

33、根據(jù)個體的風(fēng)險評分將其劃分為低風(fēng)險、中風(fēng)險和高風(fēng)險三個風(fēng)險等級；

34、根據(jù)個體的風(fēng)險等級，生成對應(yīng)的預(yù)防建議列表；

35、通過電子方式，將建議發(fā)送給個體和相關(guān)的醫(yī)療服務(wù)提供者采取相應(yīng)的措施。

36、第二方面，本發(fā)明提供了傳染病智能監(jiān)測預(yù)警處置系統(tǒng)，包括：

37、數(shù)據(jù)采集與處理模塊：實時收集多源數(shù)據(jù)，并進(jìn)行預(yù)處理；

38、特征工程模塊：通過特征工程技術(shù)從預(yù)處理后的數(shù)據(jù)中提取關(guān)鍵特征，形成數(shù)據(jù)集；

39、模型訓(xùn)練與優(yōu)化模塊：初始化預(yù)警模型并訓(xùn)練，采用自適應(yīng)調(diào)整機制，動態(tài)調(diào)整預(yù)警模型的參數(shù)，得到優(yōu)化預(yù)警模型；

40、實時分析模塊：使用優(yōu)化后的預(yù)警模型進(jìn)行實時分析，評估個體感染特定傳染病的風(fēng)險；

41、風(fēng)險評估與建議生成模塊：根據(jù)個體風(fēng)險評估結(jié)果，提供個性化的預(yù)防建議。

42、第三方面，本發(fā)明實施例提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的傳染病智能監(jiān)測預(yù)警處置方法的任一步驟。

43、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的傳染病智能監(jiān)測預(yù)警處置方法的任一步驟。

44、本發(fā)明有益效果為：通過實時收集多源數(shù)據(jù)，并進(jìn)行預(yù)處理，實現(xiàn)了全面捕捉潛在傳染源信息的目的，提高了數(shù)據(jù)的可靠性和完整性，通過特征工程技術(shù)從預(yù)處理后的數(shù)據(jù)中提取關(guān)鍵特征，形成數(shù)據(jù)集，實現(xiàn)了對復(fù)雜多變數(shù)據(jù)的有效提煉，確保用于建模的數(shù)據(jù)集不僅具有代表性而且能夠反映傳染病傳播的關(guān)鍵因素，初始化預(yù)警模型并訓(xùn)練，采用自適應(yīng)調(diào)整機制，動態(tài)調(diào)整預(yù)警模型的參數(shù)，得到優(yōu)化預(yù)警模型，實現(xiàn)了對模型的持續(xù)優(yōu)化和適應(yīng)性增強，提高了預(yù)警模型的穩(wěn)定性和預(yù)測精度，使用優(yōu)化后的預(yù)警模型進(jìn)行實時分析，評估個體感染特定傳染病的風(fēng)險，實現(xiàn)了對個體感染風(fēng)險的精確評估，使得公共衛(wèi)生部門能夠及時了解疫情發(fā)展趨勢，有效地分配資源進(jìn)行防控。