一种数据处理方法、装置、计算机设备及存储介质与流程

本发明涉及智能医疗领域，尤其涉及一种数据处理方法、装置、计算机设备及存储介质。

背景技术：

随着信息科技的发展和智能时代的到来，信息技术在国家治理、经济运行、医疗卫生等方面实现了应用，大量的数据也随之产生，而医疗行业的数据增长幅度尤为突出，医疗大数据具有巨大的价值，尤其是在临床辅助诊疗和健康管理方面，把临床数据、临床指南、组学数据通过大数据、知识图谱、可视化系统结合，核心医学概念的全面覆盖、医疗生态圈内全方位知识数据的聚合，构建综合医疗大脑，给临床医生、科研工作者、管理工作者提供帮助，成为未来医疗的发展方向。近年来，研究者在此领域的研究方向主要集中在一些基于机器学习的疾病预测方法和基于深度学习的疾病预测方法。

现有的疾病预测方法可以通过患者的电子病例信息，比如诊断，医嘱，人口学等数据构建患者画像为医生提供患者的患病风险预测，但是人工构建特征往往局限于医生的专业经验，并且患者无法自行进行患病风险的预测。

技术实现要素：

针对现有的疾病预测方法存在主要局限于医生的专业经验且患者无法自行进行患病风险的预测的问题，现提供一种旨在可结合历史患者的诊断数据为患者及医生提供可靠度及准确性高的预测结果的数据处理方法、装置、计算机设备及存储介质。

为实现上述目的，本发明提供一种数据处理方法，包括下述步骤：

基于历史患者诊断数据，构建知识图谱；

获取所述知识图谱中每一个历史患者的第一就诊序列；

获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；

将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据；

采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据。

优选的，所述基于历史患者诊断数据，构建知识图谱，包括：

对所述历史患者诊断数据进行实体识别与关系抽取，构建实体与关系的数据集；

对所述数据集中的数据进行格式标准化处理；

将所述数据集导入数据库中，根据所述数据集中数据属性，构建所述知识图谱。

优选的，所述获取所述知识图谱中每一个历史患者的第一就诊序列，包括：

获取所述历史患者的第一就诊向量；

将同一所述历史患者的多个第一就诊向量按照就诊时间顺序进行拼接，以生成所述第一就诊序列。

优选的，所述获取所述历史患者的第一就诊向量，包括：

根据所述知识图谱中每一个节点对应的所述历史患者的单次就诊信息，生成所述历史患者的一个第一就诊向量。

优选的，所述将同一所述历史患者的多个第一就诊向量按照就诊时间顺序进行拼接，以生成第一就诊序列，包括：

将同一所述历史患者的每次就诊信息对应的所述第一就诊向量，根据就诊的时间顺序进行拼接，以生成所述第一就诊序列。

优选的，所述获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列，包括：

获取目标患者的诊断数据；

根据所述知识图谱的结构，采用node2vec算法查询所述知识图谱的节点，根据每个节点对应的数据的属性，将所述目标患者的诊断数据转换为第二就诊向量；

根据所述第二就诊向量生成所述第二就诊序列。

优选的，将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据，包括：

根据所述历史患者的第一就诊序列和目标患者的第二就诊序列采用计算序列距离的算法，计算所述第一就诊序列和所述第二就诊序列之间的距离值，将符合预设条件的距离值对应的所述历史患者作为目标历史患者，获取所述目标患者的诊断数据。

为实现上述目的，本发明还提供了一种数据处理装置，包括：

获取单元，用于基于历史患者诊断数据，构建知识图谱；

第一处理单元，用于获取所述知识图谱中每一个历史患者的第一就诊序列；

第二处理单元，用于获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；

匹配单元，用于将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据；

分类单元，用于采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据。

为实现上述目的，本发明还提供了一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

为实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明提供的一种数据处理方法、装置、计算机设备及存储介质，可基于历史患者诊断数据，构建知识图谱，获取所述知识图谱中每一个历史患者的第一就诊序列；获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；通过将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据，即与目标患者病症相似的历史患者的诊断数据，提高了诊断数据的可靠度及准确性，以便于为目标患者或者医生提供治疗参考，也便于目标患者更加直观的了解其当前的情况；采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据，以便于为目标患者/医生提供医疗参考，结合匹配得到的诊断数据以及诊断概率数据可为目标患者/医生提供更加可靠、准确的参数数据。

需要说明的是：知识图谱的主要目标是用来描述真实世界中存在的各种实体和概念，以及他们之间的强关系，可以用关系去描述两个实体之间的关联，知识图谱可以通过人为构建与定义，去描述各种概念之间的弱关系。

附图说明

图1为本发明所述的数据处理方法的一种实施例的流程图；

图2为本发明基于历史患者诊断数据，构建知识图谱的一种实施例的方法流程图；

图3为本发明获取所述知识图谱中每一个历史患者的第一就诊序列的一种实施例的方法流程图；

图4为本发明获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列的另一种实施例的方法流程图；

图5为本发明将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据的一种实施例的方法流程图；

图6为本发明所述的数据处理装置的一种实施例的模块图；

图7为本发明所述的计算机设备一实施例的硬件架构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本发明提供的一种数据处理方法、装置、计算机设备及存储介质，可基于历史患者诊断数据，构建知识图谱，获取所述知识图谱中每一个历史患者的第一就诊序列；获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；通过将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据，即与目标患者病症相似的历史患者的诊断数据，提高了诊断数据的可靠度及准确性，以便于为目标患者或者医生提供治疗参考，也便于目标患者更加直观的了解其当前的情况；采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据，以便于为目标患者/医生提供医疗参考，结合匹配得到的诊断数据以及诊断概率数据可为目标患者/医生提供更加可靠、准确的参数数据。

实施例一

请参阅图1，本实施例的一种数据处理方法，包括以下步骤：

s1.基于历史患者诊断数据，构建知识图谱；

在本步骤中，所述历史患者的诊断数据可以包括患者的姓名、科室、症状、病因、治疗方法、药物名称、预防等信息，生成包括人类对疾病的了解和医生的诊断经验的知识库，知识图谱可以包括节点、内容、关系三元组结构，可以大致概括为节点与关系的组成图谱，非常有助于对医疗数据的分析与研究。

进一步地，所述步骤s1可包括以下步骤：

s11.对所述历史患者诊断数据进行实体识别与关系抽取，构建实体与关系的数据集；

本实施例中，实体关系抽取作为信息抽取的重要任务，是指在实体识别的基础上从非结构化文本中抽取出预先定义的实体关系，实体指的是具有可区别性且独立存在的某种事物。如患者“张三”、“李四”等等。实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。每一个实体是一个节点，每个历史患者的每一次就诊都可以是一个单独的节点，每个节点都有许多历史患者的诊断属性信息，包括姓名、科室、症状、病因、并发症、治疗、预防等诊断信息，这些诊断信息都以长文本的形式存储在该实体对应的节点中；在知识图谱中，关系被形式化为一个函数，是将节点(实体)映射到属性值的函数，由此，历史患者的节点与疾病诊断的属性信息有了直接的关联，形成了实体与关系的数据集。

s12.对所述数据集中的数据进行格式标准化处理；

本实施例中，因为关系是将节点(实体)映射到属性值的函数，需要将数据进行格式标准化处理，包括属性信息文字的编码统一以及对文字的分隔符的标准化处理。

s13.将所述数据集导入数据库中，根据所述数据集中数据属性，构建所述知识图谱；

本实施例中，基于所述历史患者诊断数据，建立起实体之间的语义关系，最后形成知识图谱，通过知识图谱可以为患者提供就诊的参考信息，比如患者输入了“头晕”与“恶心”两个症状词，图谱会展示和该症状相关的疾病信息。

s2.获取所述知识图谱中每一个历史患者的第一就诊序列；

在本步骤中，知识图谱中，每一个节点包含历史患者的一次就诊属性信息，不同节点代表历史患者的不同次数的就诊属性信息，每个节点中包含该历史患者的就诊属性信息，所述就诊属性信息可以是症状、病因、并发症、治疗方法、预防等信息，一个节点的就诊属性信息形成一个该历史患者的第一就诊向量。该历史患者的多个第一就诊向量进行拼接，生成了该历史患者的第一就诊序列。

作为举例而非限定，例如历史患者“张三”的第一次就诊属性信息对应的节点为a1，对应的该历史患者的第一就诊向量为n1，该历史患者“张三”的第二次就诊属性信息对应的节点为a2，对应的该历史患者的就诊向量为第一次n2，依次类推，将历史患者“张三”的不同第一就诊向量进行拼接，便生成了该历史患者“张三”的第一就诊序列。通过生成历史患者的第一就诊序列，方便目标患者根据自身的诊断信息，获取具有参考价值的相关疾病的诊断信息。

进一步地，所述步骤s2包括(参考图3所示)：

s21.获取所述历史患者的第一就诊向量；

在本实施例中，每一个节点包含历史患者的一次就诊属性信息，不同节点代表历史患者的不同次数的就诊属性信息，每个节点中包含该历史患者的就诊属性信息，所述就诊属性信息可以是症状、病因、并发症、治疗方法、预防等信息，一个节点的就诊属性信息形成一个该历史患者的第一就诊向量。

s22.将同一所述历史患者的多个第一就诊向量按照就诊时间顺序进行拼接，以生成所述第一就诊序列；

在本实施例中，所述历史患者的每一次诊断信息均可通过知识图谱生成的第一就诊向量，假设依据知识图谱对历史患者a的第一次就诊信息进行处理，生成第一就诊向量是x1，依据知识图谱对历史患者a的第二次就诊信息进行处理，生成第一就诊向量是x2，以此类推，依据知识图谱对历史患者a的第i次就诊信息进行处理，生成第一就诊向量是xi，其中，i表示就诊次数。根据每一次就诊时间对相应的第一就诊向量进行拼接，从而得到历史患者a的第一就诊序列[x1，x2…,xi,…]。

进一步地，所述步骤s21包括：

根据所述知识图谱中每一个节点对应的所述历史患者的单次就诊信息，生成所述历史患者的一个第一就诊向量。

在本实施例中，每一个节点包含历史患者的单次就诊信息，不同节点代表历史患者的不同次数的就诊信息，每个节点中包含该历史患者的就诊属性信息，一个节点的就诊属性信息形成一个该历史患者的第一就诊向量。例如历史患者“张三”的第一次就诊属性信息对应的节点为a1，对应的该历史患者的第一就诊向量为n1，所述第一就诊向量n1里面包括该历史患者“张三”的就诊属性信息。

进一步地，所述步骤s22包括：

将同一所述历史患者的每次就诊信息对应的所述第一就诊向量，根据就诊的时间顺序进行拼接，以生成所述第一就诊序列。

在本实施例中，每个历史患者的就诊次数不一定相同，所以生成的历史患者的第一就诊序列的长度也不一定相同。

s3.获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；

在本步骤中，目标患者的诊断数据包括电子病历以及医生手写的诊断病历。需要说明的是，生成所述目标患者的第二就诊序列的目标患者的诊断数据都有经过脱敏处理，防止个人隐私泄露，保护目标患者的个人隐私安全。

进一步的，获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列，包括：

s31.获取目标患者的诊断数据；

在本实施例中，目标患者的诊断数据包括电子病历以及医生手写的诊断病历，对诊断数据的形式没有强制性要求，可以是文字、影像、图表等信息，例如具体可包括血常规各项指标数据、尿检各指标数据、ct检查及其它医学影像片子等一切医生诊断数据，都可以目标患者的诊断数据。

s32.根据所述知识图谱的结构，采用node2vec算法查询所述知识图谱的节点，根据每个节点对应的数据的属性，将所述目标患者的诊断数据转换为第二就诊向量；

在本实施例中，node2vec算法是一种图嵌入方法，涉及了目标患者自身的属性信息以及知识图谱的结构信息，将目标患者的属性信息映射成所述第二就诊向量。

其中，若目标患者有多次就诊记录(就诊属性信息)，则可生成多个第二就诊向量，每一次的就诊属性信息对应一个第二就诊向量。

s33.根据所述第二就诊向量生成所述第二就诊序列。

本实施例中，所述目标患者的每一次诊断信息均可通过知识图谱生成一个第二就诊向量，假设依据知识图谱对目标患者b的第一次就诊信息进行处理，生成第二就诊向量是y1，依据知识图谱对目标患者b的第二次就诊信息进行处理，生成第二就诊向量是y2，以此类推，依据知识图谱对目标患者b的第j次就诊信息进行处理，生成第二就诊向量是yj，其中，j表示就诊次数。根据每一次就诊时间对相应的第二就诊向量进行拼接，从而得到目标患者b的第二就诊序列[y1，y2…,yj,…]。

s4.将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据；

进一步的，所述步骤s4包括：

s41.根据所述历史患者的第一就诊序列和目标患者的第二就诊序列采用计算序列距离的算法，计算所述第一就诊序列和所述第二就诊序列之间的距离值；

在本实施例中，由于目标患者的就诊次数和历史患者的就诊次数不同导致的第一就诊序列与第二就诊序列长度不等的难以计算距离的问题，可以采用采用动态规划算法和聚类算法等方法，基于动态规划算法的思想，去计算目标患者的第二就诊向量和所有历史患者的第一就诊向量之间的最小距离去作为目标患者与历史患者的就诊向量之间的距离。

s42.将符合预设条件的距离值对应的所述历史患者作为目标历史患者，获取所述目标患者的诊断数据。

在本实施例中，由于历史患者的第一就诊序列中可能包含多个第一就诊向量，当前患者的第二就诊序列中也可能包括多个第二就诊向量，因此可以得到距离矩阵，可以应用动态规划算法找到和该历史患者症状最相似的top-k历史患者的诊断信息，基于这k个历史患者的诊断信息，来对目标患者的疾病进行预测，同时也可以作为相似病人的参考。

作为举例而非限定，可以选择和该历史患者症状最相似的前10个历史患者的诊断信息作为相似病人参考，以便于为目标患者或者医生提供治疗参考，提高了诊断数据的可靠度及准确性，也便于目标患者更加直观的了解其当前的情况，减少医疗事故的发生，可以为广大群众可提供便利的病情自我评估，利于人们尽早发现病情并积极诊治。

s5.采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据。

在本步骤中，分类模型可采用bi-lstm(bi-long-shorttermmemory)模型，bi-lstm即双向长短记忆网络，较单向的lstm，bi-lstm能更好地捕获句子中上下文的信息，例如第二就诊序列中的目标患者的疾病症状“头晕”、“发热”等词语形式信息，或者是“病人间断性的咳嗽”等句子形式信息，相对于单向的lstm，bi-lstm可以好地捕获句子中上下文的信息，进行更加准确的疾病分类，以便于为目标患者/医生提供医疗参考，结合匹配得到的诊断数据以及诊断概率数据可为目标患者/医生提供更加可靠、准确的参数数据，尽管循环神经网络(rnn)理论上可以衡量上下文的信息，但当上下文信息过长时，效果太差。bi-lstm模型的提出可以很好的解决这一问题，从而使循环神经网络可以在实际中有非常好的应用成果。此外，上述分类模型可以是预先训练的模型，也可以是在分类过程中不断进行训练更新的模型。

本发明基于一种数据处理方法，可基于历史患者诊断数据，构建知识图谱，获取所述知识图谱中每一个历史患者的第一就诊序列；获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；通过将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据，即与目标患者病症相似的历史患者的诊断数据，提高了诊断数据的可靠度及准确性，以便于为目标患者或者医生提供治疗参考，也便于目标患者更加直观的了解其当前的情况；采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据，以便于为目标患者/医生提供医疗参考，结合匹配得到的诊断数据以及诊断概率数据可为目标患者/医生提供更加可靠、准确的参数数据。

实施例二

请参阅图6，本实施例的一种数据处理装置1，包括：获取单元11、第一处理单元12、第二处理单元13、匹配单元14和分类单元15，其中：

获取单元11，用于基于历史患者诊断数据，构建知识图谱；

所述历史患者的诊断数据可以包括患者的姓名、科室、症状、病因、治疗方法、药物、预防等信息，生成包括人类对疾病的了解和医生的诊断经验的知识库，知识图谱可以包括节点、内容、关系三元组结构，可以大致概括为节点与关系的组成图谱，非常有助于对医疗数据的分析与研究。实体指的是具有可区别性且独立存在的某种事物。如患者“张三”、“李四”等等。实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。每一个实体是一个节点，每个历史患者的每一次就诊都可以是一个单独的节点，每个节点都有许多历史患者的诊断属性信息，包括姓名、科室、症状、病因、并发症、治疗、预防等诊断信息，这些诊断信息都以长文本的形式存储在该实体对应的节点中；在知识图谱中，关系被形式化为一个函数，是将节点(实体)映射到属性值的函数。

通过基于所述历史患者诊断数据，建立起实体之间的语义关系，最后形成知识图谱，通过知识图谱可以为患者提供就诊的参考信息，比如患者输入了“头晕”与“恶心”两个症状词，图谱会展示和该症状相关的疾病信息。

第一处理单元12，用于获取所述知识图谱中每一个历史患者的第一就诊序列；

每一个节点包含历史患者的一次就诊属性信息，不同节点代表历史患者的不同次数的就诊属性信息，每个节点中包含该历史患者的就诊属性信息，所述就诊属性信息可以是症状、病因、并发症、治疗方法、预防等信息，一个节点的就诊属性信息形成一个该历史患者的第一就诊向量。

将同一所述历史患者的多个第一就诊向量按照就诊时间顺序进行拼接，以生成所述第一就诊序列。

所述历史患者的每一次诊断信息均可通过知识图谱生成的第一就诊向量，假设依据知识图谱对历史患者a的第一次就诊信息进行处理，生成第一就诊向量是x1，依据知识图谱对历史患者a的第二次就诊信息进行处理，生成第一就诊向量是x2，以此类推，依据知识图谱对历史患者a的第i次就诊信息进行处理，生成第一就诊向量是xi，其中，i表示就诊次数。根据每一次就诊时间对相应的第一就诊向量进行拼接，从而得到历史患者a的第一就诊序列[x1，x2…,xi,…]。

第二处理单元13，用于获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；

目标患者的诊断数据包括电子病历以及医生手写的诊断病历，对诊断数据的形式没有强制性要求，可以是文字、影像、图表等信息，例如具体可包括血常规各项指标数据、尿检各指标数据、ct检查及其它医学影像片子等一切医生诊断数据，都可以目标患者的诊断数据。需要说明的是，生成所述目标患者的第二就诊序列的目标患者的诊断数据都有经过脱敏处理，防止个人隐私泄露，保护目标患者的个人隐私安全。

根据所述知识图谱的结构，采用node2vec算法查询所述知识图谱的节点，根据每个节点对应的数据的属性，将所述目标患者的诊断数据转换为第二就诊向量；

根据所述第二就诊向量生成所述第二就诊序列，所述目标患者的每一次诊断信息均可通过知识图谱生成一个第二就诊向量，假设依据知识图谱对目标患者b的第一次就诊信息进行处理，生成第二就诊向量是y1，依据知识图谱对目标患者b的第二次就诊信息进行处理，生成第二就诊向量是y2，以此类推，依据知识图谱对目标患者b的第j次就诊信息进行处理，生成第二就诊向量是yj，其中，j表示就诊次数。根据每一次就诊时间对相应的第二就诊向量进行拼接，从而得到目标患者b的第二就诊序列[y1，y2…,yj,…]。

匹配单元14，用于将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据；

可以根据所述历史患者的第一就诊序列和目标患者的第二就诊序列采用计算序列距离的算法，计算所述第一就诊序列和所述第二就诊序列之间的距离值，将符合预设条件的距离值对应的所述历史患者作为目标历史患者，获取所述目标患者的诊断数据，即获取与目标患者病症相似的历史患者的诊断数据，提高了诊断数据的可靠度及准确性，以便于为目标患者或者医生提供治疗参考，也便于目标患者更加直观的了解其当前的情况。

分类单元15，用于采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据；

分类模型可采用bi-lstm(bi-long-shorttermmemory)模型，bi-lstm即双向长短记忆网络，较单向的lstm，bi-lstm能更好地捕获句子中上下文的信息，相对于单向的lstm，bi-lstm可以好地捕获句子中上下文的信息，通过采用分类模型对所述第二就诊序列进行分类以获取诊断概率数据，以便于为目标患者/医生提供医疗参考，结合匹配得到的诊断数据以及诊断概率数据可为目标患者/医生提供更加可靠、准确的参数数据，使数据的分析结果的呈现更直观化。此外，上述分类模型可以是预先训练的模型，也可以是在分类过程中不断进行训练更新的模型。

本发明提供的一种数据处理装置1可通过获取单元11根据历史患者诊断数据构建知识图谱，采用第一处理单元12获取所述知识图谱中每一个历史患者的第一就诊序列；利用第二处理单元13获取目标患者的诊断数据，根据所述诊断数据生成所述目标患者的第二就诊序列；通过匹配单元14将所述第二就诊序列与所述知识图谱中所有所述历史患者的所述第一就诊序列进行匹配，以获取与所述第二就诊序列匹配的所述历史患者的诊断数据，即与目标患者病症相似的历史患者的诊断数据，提高了诊断数据的可靠度及准确性，以便于为目标患者或者医生提供治疗参考，也便于目标患者更加直观的了解其当前的情况；采用分类单元15基于分类模型对所述第二就诊序列进行分类以获取诊断概率数据，以便于为目标患者/医生提供医疗参考，结合匹配得到的诊断数据以及诊断概率数据可为目标患者/医生提供更加可靠、准确的参数数据。

实施例三

为实现上述目的，本发明还提供一种计算机设备2，该计算机设备2包括多个计算机设备2，实施例二的数据处理装置1的组成部分可分散于不同的计算机设备2中，计算机设备2可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备2至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器23、网络接口22以及一种数据处理装置1(参考图7)。需要指出的是，图7仅示出了具有组件-的计算机设备2，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。

本实施例中，所述存储器21至少包括一种类型的计算机可读存储介质，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，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，所述存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例一的数据处理方法的程序代码等。此外，存储器21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。

所述处理器23在一些实施例中可以是中央处理器(centralprocessingunit，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23通常用于控制计算机设备2的总体操作例如执行与所述计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器23用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的数据处理装置1等。

所述网络接口22可包括无线网络接口或有线网络接口，该网络接口22通常用于在所述计算机设备2与其他计算机设备2之间建立通信连接。例如，所述网络接口22用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(intranet)、互联网(internet)、全球移动通讯系统(globalsystemofmobilecommunication，gsm)、宽带码分多址(widebandcodedivisionmultipleaccess，wcdma)、4g网络、5g网络、蓝牙(bluetooth)、wi-fi等无线或有线网络。

需要指出的是，图7仅示出了具有部件21-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

在本实施例中，存储于存储器21中的所述数据处理装置1还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器23)所执行，以完成本发明。

实施例四

为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、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、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器23执行时实现相应功能。本实施例的计算机可读存储介质用于存储一种数据处理装置1，被处理器23执行时实现实施例一的数据处理方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。