一种基于大数据的健康风险评估的数智机器人的制作方法

本发明一种基于大数据的健康风险评估的数智机器人，涉及健康评估领域。

背景技术：

1、现有的关于健康评估系统或数智机器人存在以下不足：

2、不提供完整的病史：现有系统通常只关注当前的健康数据和潜在的健康风险，无法提供患者所在地区的完整病史信息；这会导致在制定健康管理计划时缺乏全面的病史参考，从而影响计划的准确性和有效性。

3、评估内容冗余，没有针对性：现有的健康管理项目包括健康信息收集、健康风险评估和健康危险的预测等多个环节；而现有的健康评估系统只完成了健康风险评估这一部分；不能构成一个完整的健康管理项目，还需要结合其他健康管理措施。

4、用途单一问题：现有的（医用）数智机器人大多从事巡逻检查、药物搬运、警卫安保等与患者康复无关或意义较小的工作，且现有的部分健康评估系统，只能做到风险评估，对患者的治疗或医生的辅助功能较少。

技术实现思路

1、针对现有技术存在的不足，本发明目的是提供一种基于大数据的健康风险评估的数智机器人，旨在解决健康评估效率低的问题。

2、为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于大数据的健康风险评估的数智机器人包括：

3、健康风险评估系统和数智机器人；

4、健康风险评估系统包括：信息获取模块：用于获取患者的医检报告，并提取患者的病症图片和发病症状，得到预诊信息；

5、病历分析模块：用于获取目标医院的全部病历信息，作为参考病历；提取参考病历中的病症名称、患病时间、痊愈时间、病变图片、临床症状、临床用药和病变指标含量，得到病理数据；

6、根据每种病症的患病时间、痊愈时间和病变指标含量，计算每种病症的良性治疗周期和恶性治疗周期，构建每种病症的良性病变方程和恶性病变方程；

7、患者诊断模块：用于根据病症名称、病变图片、临床症状和临床用药，构建病症诊断模型和药物匹配模型；将预诊信息代入病症诊断模型和药物匹配模型中，确定患者的患病名称和治疗药物；获取患者的病变指标含量作为待分析参数，并结合患病名称对应的良性病变方程和恶性病变方程，分析患者的病理变化和已患病时间，得到预诊报告；

8、医师交互模块：用于反馈预诊报告，并根据预诊报告控制数智机器人；

9、数智机器人：用于关联健康风险评估系统，获取患者的医检报告，提取预诊信息；根据预诊报告为患者挂号。

10、进一步地，所述病历分析模块的工作流程如下：

11、流程a1：获取目标医院的全部病历信息，作为参考病历；

12、提取参考病历中全部患者的病症名称、患病时间、痊愈时间、病变图片、临床症状、临床用药和病变指标含量，得到病理数据；

13、病变指标含量包括：患者的体温、免疫细胞含量、病原体含量和内分泌物含量；

14、流程a2：统计参考病历中全部病症名称的数量，记作bn；统计全部参考病历的数量，记作ln；

15、统计第1种病症对应病理数据的数量，记作bl（1）；

16、以此类推，统计第bn种病症名称对应病理数据的数量，记作bl（bn）；

17、其中，bl（1）～bl（bn）的和为ln；

18、流程a3：统计参考病历中全部患者的患病时间，得到tf（1,1）～tf（bn,bl（bn））；

19、统计参考病历中全部患者的痊愈时间，得到te（1,1）～te（bn,bl（bn））；

20、其中，tf（1,1）和te（1,1），分别表示第1个患有第1种病症的患者患病时间和患者痊愈时间；

21、以此类推，tf（bn,bl（bn））和te（bn,bl（bn）），分别表示第bl（bn）个患有第bn种病症的患者患病时间和患者痊愈时间；

22、流程a4：定义计算式a1：tt（i，j）＝te（i，j）－tf（i，j）；其中，tt（i，j）、te（i，j）和tf（i，j），分别表示第j个患有第i种病症的患者患病时间、患者痊愈时间和治疗周期；i的取值范围为：1～bn；

23、j的取值范围随i变化；若i为1，则j的取值范围为：1～bl（1）；以此类推，若i为bn，则j的取值范围为：1～bl（bn）；

24、将tf（1,1）～tf（bn,bl（bn））以及te（1,1）～te（bn,bl（bn））代入计算式a1中，得到tt（1,1）～tt（bn,bl（bn））；

25、其中，tt（1,1）表示第1个患有第1种病症的患者治疗周期；

26、以此类推，tt（bl（bn）,bn）表示第bl（bn）个患有第bn种病症的患者治疗周期；

27、根据tt（1,1）～tt（bn,bl（bn）），计算第1至第bn种病症的加权治疗时间，得到tz（1）～tz（bn）。

28、进一步地，所述流程a4的后续流程如下：

29、流程a5：计算第1种病症的良性病变比例和恶性病变比例；

30、定义关系式a2：tt（1,i）≤tz（1）；其中，tt（1,i）表示第i个患有第1种病症的患者治疗周期，i的取值范围为：1～bl（1）；

31、将tt（1,1）～tt（1,bl（1））代入关系式a2中，汇总满足关系式a2的患者作为良性患者，统计良性患者的数量记作sn1，汇总不满足关系式a2的患者作为恶性患者，统计恶性患者的数量记作sn2；其中，sn1＋sn2＝bl（1）；

32、计算第1种病症的良性病变比例，记作yb（1）；yb（1）的计算式为：＝sn1/bl（1）；

33、计算第1种病症的良性病变比例，记作nb（1）；nb（1）的计算式为：＝sn2/bl（1）；

34、流程a6：重复计算第1种病症良性病变比例和恶性病变比例的流程，计算第2至第bn种病症的良性病变比例，得到：yb（2）～yb（bn）；第2至第bn种病症的恶性病变比例，得到：nb（2）～nb（bn）；

35、流程a7：计算第1种病症的良性治疗周期和恶性治疗周期，构建第1种病症的良性病变方程和恶性病变方程；

36、流程a8：重复计算第1种病症的良性治疗周期和恶性治疗周期的相同流程，计算第2至第bn种病症的良性治疗周期，记作ty（2）～ty（bn）；计算第2至第bn种病症的恶性治疗周期，记作tn（2）～tn（bn）；

37、重复根据构建第1种病症的良性病变方程和恶性病变方程的相同流程，构建第2至第bn种病症的良性病变方程和恶性病变方程，并进入患者诊断模块。

38、进一步地，所述流程a4的具体流程如下：

39、流程a41：根据tt（1,1）～tt（1,bl（1）），计算第1种病症的加权治疗时间tz（1）；

40、提取tt（1,1）～tt（1,bl（1））中的最大值记作ttm，最小值记作ttl；计算tt（1,1）～tt（1,bl（1））的平均值，记作att；

41、流程a42：在tt（1,1）～tt（1,bl（1））中，统计位于区间[ttl，att）的个数，记作aa1；统计位于区间[att，ttm）的个数，记作aa2；

42、tz（1）的计算式为：

43、；

44、流程a43：重复计算tz（1）的相同流程，计算第2至第bn种病症的加权治疗时间，得到tz（2）～tz（bn）。

45、进一步地，所述流程a7的具体流程如下：

46、流程a71：将患有第1种病症的良性患者作为a类患者，将患有第1种病症的恶性患者作为b类患者；

47、将第1至第sn1个a类患者的治疗周期记作：tyy（1,1）～tyy（1,sn1）；第1至第sn2个b类患者的治疗周期记作：tnn（1,1）～tnn（1,sn2）；

48、计算tyy（1,1）～tyy（1,sn1）的平均值记作ty（1），将ty（1）作为第1种病症的良性治疗周期；

49、计算tnn（1,1）～tnn（1,sn1）的平均值记作tn（1），将tn（1）作为第1种病症的恶性治疗周期；

50、流程a72：将获取第1个a类患者作为目标患者，获取目标类患者的患病时间记作st，痊愈时间记作ts；其中，st∈{tf（1,1）～tf（1,bl（1））}，ts∈{te（1,1）～te（1,bl（1））}；

51、在参考病历中，提取目标患者在st～ts时间段内的体温变化，得到t（st）、t（st+1）～t（ts）；免疫细胞含量的变化，得到im（st）、im（st+1）～im（ts）；病原体含量的变化，得到pa（st）、pa（st+1）～pa（ts）；内分泌物含量的变化，得到nf（st）、nf（st+1）～nf（ts）；

52、其中，t（st）、im（st）、pa（st）和nf（st），分别表示目标患者在st时的体温、免疫细胞含量、病原体含量和内分泌物含量；

53、t（st+1）、im（st+1）、pa（st+1）和nf（st+1），分别表示目标患者在（st＋1）时的体温、免疫细胞含量、病原体含量和内分泌物含量；

54、以此类推，t（ts）、im（ts）、pa（ts）和nf（ts），分别表示目标患者在ts时的体温、免疫细胞含量、病原体含量和内分泌物含量；

55、流程a73：提取t（st）～t（ts）中的最大值记作tm，最小值记作tl；

56、提取im（st）～im（ts）中的最大值记作imm，最小值记作iml；

57、提取pa（st）～pa（ts）中的最大值记作pam，最小值记作pal；

58、提取nf（st）～nf（ts）中的最大值记作nfm，最小值记作nfl；

59、计算体温的最高阶数，记作tx；tx的计算式为：tx＝logtl（tm）；

60、计算免疫细胞含量的最高阶数，记作ix；ix的计算式为：ix＝logiml（imm）；

61、计算病原体含量的最高阶数，记作px；px的计算式为：px＝logpal（pam）；

62、计算内分泌物含量的最高阶数，记作nx；nx的计算式为：nx＝lognfl（nfm）；

63、其中，tx、ix、px和nx都为正整数，向上取整；

64、流程a74：设体温随时间变化的良性方程为方程a1；确定方程a1的数学表达式；

65、流程a75：设免疫细胞含量随时间变化的良性方程为方程b1；确定方程b1的数学表达式；

66、流程a76：重复计算方程a1和方程b1的相同流程，计算病原体含量随时间变化的良性方程以及内分泌物含量随时间变化的良性方程；

67、汇总体温随时间变化的良性方程、免疫细胞含量随时间变化的良性方程、病原体含量随时间变化的良性方程以及内分泌物含量随时间变化的良性方程，作为第1种病症的良性病变方程；

68、流程a77：重复构建第1种病症的良性病变方程的相同流程，计算第1种病症的恶性病变方程。

69、进一步地，所述流程a74的具体流程如下：

70、流程a741：方程a1的数学表达式为：

71、；其中，x表示患病天数，即自变量；t（x）表示第x天目标患者的体温，即患者确定患病时的体温；t（x＋1）表示第（x＋1）天目标患者的体温，即因变量；

72、α0表示方程a1的无参权重，α0的初始值为0；xj表示自变量的j次项，αj表示方程a1中自变量j次项的带参权重，j表示自变量的阶数，j的取值范围为：1～tx；!表示阶乘；

73、方程t（x＋1）的展开式为：

74、；其中，α1～αtx表示方程a1中自变量1次项到tx次项的带参权重，α1～αtx的初始值为1；

75、流程a742：以t（s）为初始值,将t（st+1）～t（ts）和tx，代入方程a1中，得到方程组a1-1；

76、方程组a1-1的数学表达式为：

77、；

78、使用matlab软件计算程组a1-1，得到α0～αtx的值，记作yα0～yαtx；

79、将yα0～yαtx代入方程t（x＋1）中，得到体温随时间变化的良性方程。

80、进一步地，所述流程a75的具体流程如下：

81、流程a751：方程b1的数学表达式为：

82、；其中，y表示患病天数，即自变量；im（y）表示第y天目标患者的免疫细胞含量，即患者确定患病时的免疫细胞含量；im（y＋1）表示第（y＋1）天目标患者的免疫细胞含量，即因变量；

83、β0表示方程b1的无参权重，β0的初始值为0；yj表示方程b1中自变量的i次项，βi表示自变量i次项的带参权重，i表示自变量的阶数，i的取值范围为：1～tx；!表示阶乘；

84、流程a752：以im（s）为初始值,将im（st+1）～im（ts）和tx，代入方程b1中，得到方程组b1-1；

85、方程组b1-1的数学表达式为：

86、；

87、其中，β1～βtx表示方程b1自变量1次项到tx次项的带参权重，β1～βtx的初始值为1；

88、使用matlab软件计算程组b1-1，得到β0～βtx的值，记作yβ0～yβtx；

89、将yβ0～yβtx代入方程im（x＋1）中，得到免疫细胞含量随时间变化的良性方程。

90、进一步地，所述患者诊断模块的工作流程如下：

91、流程b1：在参考病历中，汇总每种病症对应的病变图片作为样本数据a，临床症状作为样本数据b，临床用药作为样本数据c；

92、根据样本数据a和样本数据b，构建病症诊断模型；

93、流程b2：重复构建病症诊断模型的相同流程，以样本数据a和样本数据c为合样本数据，构建药物匹配模型；

94、将预诊信息代入病症诊断模型和药物匹配模型中，确定患者的患病名称和治疗药物；

95、流程b3：获取第1至第bn种病症的加权治疗时间tz（1）～tz（bn），良性病变比例yb（1）～yb（bn），恶性病变比例nb（1）～nb（bn）；

96、将患者的患病名称作为准病症名称，获取准病症名称对应的良性病变方程和恶性病变方程；

97、获取患者当前的体温记作to，免疫细胞记作imo，病原体含量记作pao，内分泌物含量记作nfo，作为待分析参数；

98、流程b4：将准病症名称对应的良性病变方程中的体温随时间变化的良性方程，记作方程yy1；免疫细胞含量随时间变化的良性方程，记作方程yy2；病原体含量随时间变化的良性方程，记作yy3；内分泌物含量随时间变化的良性方程，记作yy4；

99、将准病症名称对应的恶性病变方程中的体温随时间变化的恶性方程，记作方程nn1；免疫细胞含量随时间变化的恶性方程，记作方程nn2；病原体含量随时间变化的恶性方程，记作nn3；内分泌物含量随时间变化的恶性方程，记作nn4；

100、将准病症名称对应的加权治疗时间记作tzo，良性病变比例记作ybo，恶性病变比例记作nbo；其中，tzo∈{tz（1）～tz（bn）}，ybo∈{yb（1）～yb（bn）}，nbo∈{nb（1）～nb（bn）}；

101、流程b5：将to、imo、pao、nfo作为因变量，依次反向代入方程yy1～方程yy4中，计算患者发生体温、免疫细胞、病原体含量以及内分泌物含量良性病变的时间，记作lt1、lt2、lt3和lt4；

102、将to、imo、pao、nfo作为因变量，依次反向代入方程nn1～方程nn4中，计算患者发生体温、免疫细胞、病原体含量以及内分泌物含量恶性病变的时间，记作et1、et2、et3和et4；

103、计算患者已患病时间记作yht；yht的计算式为：

104、。

105、进一步地，所述流程b5的后续流程如下：

106、流程b6：计算方程yy1在区间（yht，tzo]的最大值，记作tmm；

107、计算方程yy2在区间（yht，tzo]的最大值，记作immm；

108、计算方程yy3在区间（yht，tzo]的最大值，记作pamm；

109、计算方程yy4在区间（yht，tzo]的最大值，记作nfmm；

110、流程b7：计算方程nn1在区间（yht，tzo]的最大值，记作tlm；

111、计算方程nn2在区间（yht，tzo]的最大值，记作imlm；

112、计算方程nn3在区间（yht，tzo]的最大值，记作palm；

113、计算方程nn4在区间（yht，tzo]的最大值，记作nflm；

114、流程b8：获取当前系统时间，记作dtt；根据流程b6～流程b7中的数据，分析患者的病理变化；

115、流程b81：获取tmm在方程yy1中对应的时间记作aht1；获取tlm在方程nn1中对应的时间记作aht2；

116、比较（ybo×tmm）和（nbo×tlm）的大小，确定患者的体温变化；

117、若（ybo×tmm）≥（nbo×tlm），则说明患者将在（dtt＋aht1）时，体温最高，最高体温为tmm；

118、若（ybo×tmm）＜（nbo×tlm），则说明患者将在（dtt＋aht2）时，体温最高，最高体温为tlm；

119、流程b82：获取lmmm在方程yy2中对应的时间记作bht1；获取lmlm在方程nn2中对应的时间记作bht2；

120、比较（ybo×lmmm）和（nbo×lmlm）的大小，确定患者的免疫细胞含量变化；

121、若（ybo×lmmm）≥（nbo×lmlm），则说明患者将在（dtt＋bht1）时，免疫细胞含量最高，最高免疫细胞含量为lmmm；

122、若（ybo×lmmm）＜（nbo×lmlm），则说明患者将在（dtt＋bht2）时，免疫细胞含量最高，最高免疫细胞含量为lmlm；

123、流程b83：重复确定患者体温变化和免疫细胞含量变化的相同流程，确定患者病原体含量变化和内分泌物含量变化；

124、流程b9：汇总流程b1～流程b8的分析结果，作为患者的预诊报告。

125、进一步地，所述流程b1的具体流程如下：

126、流程b11：使用bert模型或biobert模型处理样本数据a中的文本数据，并转化为bert输入格式，得到每种病症的文本特征；

127、流程b12：重构cnn模型的层结构，得到*cnn模型；

128、展平层：使用flatten()函数，将最大池化层3输出的多维特征图展平为一维数组；

129、全连接层：使用add()函数和dense()函数添加包含128个神经元，并以relu函数为激活函数，学习高层特征；

130、丢弃层：使用正则化技术随机丢弃50%的神经元，减少过拟合；

131、流程b13：将样本数据b作为*cnn模型的输入，得到每种病症的图像特征；

132、使用跨模态注意算法，对每种病症的文本特征和图像特征进行融合，得到每种病症的融合特征；

133、流程b14：以softmax函数为激活函数，并设置病症诊断模型的输出层；

134、输出层：输出的神经元数量等于不同类别的数量，并将输出转换为概率分布，输出患者患病概率最高的病症名称；

135、流程b15：将样本数据a和样本数据b作为合样本数据；将样本信息备份三份，依次作为训练集、测试集和验证集；以交叉熵损失函数为损失函数，使用训练集和测试集训练流程b11～流程b14构建的模型，并用验证集检验模型，直至损失函数的输出值最小，完成病症诊断模型的构建。

136、与现有技术相比，本发明的有益效果是：

137、早期预警：本发明通过持续监测和分析健康数据，使系统能够及时发现潜在的健康问题，为个体提供早期预警，从而避免或延缓疾病的发生；同时，本发明能够根据健康数据的评估结果，为医生提供治疗建议，帮助患者改善健康状况，提高治疗效率。

138、全面评估：本发明的健康风险评估涵盖包括生理、病理和地域等多方面因素，能够为患者的身体健康进行充分评估，对患者的治疗计划给出参考。

139、应用简单：本发明可以自动获取某一地区的病历信息和患者的医检信息，对患者进行健康评估和病症诊断，得出分析结果；通过评估结果，预测不同患者的病理变化，提高患者的治疗效率。