基于大模型和蚁群算法的临床风险管理方法及装置与流程

本发明涉及医疗，特别是涉及一种基于大模型和蚁群算法的临床风险管理方法及装置。

背景技术：

1、蚁群算法（ant colony optimization，简称aco）是一种模拟蚂蚁群体寻找食物过程的群体智能优化算法。这一算法最早是由意大利计算机科学家marco dorigo在1992年提出，灵感来自蚂蚁在寻找食物时的协作行为。因该算法可以用于解决复杂的优化问题，所以蚁群算法目前被广泛应用于各个领域。比如被应用于应急电源管理系统及智能巡查、拓扑优化方法及系统以及基于蚁群算法优化医技管理等。

2、首先，现有的基于蚁群算法的应急电源管理系统的智能巡查主要采用一种基于蚁群算法的应急电源管理系统，包括监控主机和多个灯具单元，每一个灯具单元包括一个电源节点。每一个电源节点包括一个灯具控制器和一个对应的电源信息采集模块，灯具控制器用于接收监控主机发送的控制信息，控制电源信息采集模块。电源信息采集模块用于采集电源数据信息，然后将采集到的电源数据信息通过can总线上传至监控主机。监控主机用于对电源节点采用基于蚁群算法的智能巡查并分析电源节点的荷电状态，并在用户界面上进行显示。监控主机基于蚁群算法采用主动巡查方式结合周期性定时巡查方式确定电源节点的巡查路径，并根据电源节点上传的电源数据信息分析电源节点的荷电状态，并在用户界面上进行显示。

3、其次，现有的基于蚁群算法的拓扑优化方法及系统主要根据工程需要确定初始有限元结构，构建以离散密度为设计变量的拓扑优化模型，根据蚁群算法的节点转换规则构建拓扑结构的单元转换规则，确定拓扑优化模型中的各个单元密度，得到优化的拓扑结构。

4、再次，现有的基于蚁群算法的医技管理技术通过获取目标医疗技术的医疗手术名称和目标监控点，根据医疗手术名称和预设蚁群算法模型确定医疗技术核心点的监控深度。根据监控深度、所述医疗手术名称以及预设蚁群算法模型确定目标监控点的监控路径，根据监控路径和监控深度完成对目标医疗技术的管理。

5、但是，上述三种现有技术对蚁群算法本身的智能水平依赖性较强，因此上述三种方法对模型设计要求较高，目标函数、约束条件以及决策变量的选择会直接影响最终的结果。然而，在医疗领域，临床实践频繁发生，医院管理者迫切需要相应的技术手段来降低风险事件的发生概率，现有技术中仅依赖于对蚁群算法本身的智能水平难以满足医疗领域的需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种将蚁群算法与大模型相结合来提高蚁群算法的智能水平的基于大模型和蚁群算法的临床风险管理方法及装置。

2、本发明提供了一种大模型和蚁群算法的临床风险管理方法，所述方法包括：

3、获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，所述医学大模型为开源的大模型基于历史医学文本进行微调得到的；

4、调用ai识别技术识别出当前病历文本数据中的所述诊疗行为文本，并调用蚁群算法基于所述诊疗行为文本生成与所述当前病历文本数据匹配的诊疗方案，所述诊疗方案用于动态评估所述当前病历文本数据的临床风险问题；

5、将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示；

6、基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，所述蚂蚁路径为不同的诊疗方案；

7、通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，所述最优解或近似最优解包括最佳诊疗方案。

8、在其中一个实施例中，所述获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，之前包括：

9、获取所述历史医学文本，并基于所述历史医学文本构建开源的大模型的训练数据集；

10、通过所述训练数据集对所述开源的大模型进行训练，以对所述开源的大模型进行微调，得到所述医学大模型。

11、在其中一个实施例中，所述将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示，包括：

12、将所述临床风险问题建模成适配所述蚁群算法的数学模型，所述数学模型包括所述目标函数、约束条件以及决策变量，所述目标函数包括患者的最小化诊疗风险，所述约束条件包括患者的身体状况以及诊疗资源的可用性；

13、调用所述蚁群算法对所述当前病历文本数据进行图形表示，所述图形包括节点和边线，所述节点用于表征诊疗方案，所述边线用于表征不同诊疗方案之间的关系。

14、在其中一个实施例中，所述基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，包括：

15、对所述蚁群算法进行参数配置，所述参数配置至少包括所述蚁群算法中的蚂蚁数量、信息素挥发率以及启发函数；

16、通过蚂蚁根据所述启发函数和信息素浓度对所述蚂蚁路径进行选择，获取所述蚁群算法基于当前病历文本数据的当前解，并调用所述医学大模型对所述当前解进行评估，得到评估结果。

17、在其中一个实施例中，所述基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，还包括：

18、当所述评估结果不满足设定预期时，对所述蚂蚁路径进行调整，并通过所述蚁群算法根据启发函数和信息素浓度再次对所述蚂蚁路径进行选择，以引导蚂蚁寻找所述最优解或近似最优解；

19、通过所述蚁群算法根据启发函数和信息素浓度多次迭代对所述蚂蚁路径进行选择，获取所述蚁群算法基于所述当前病历文本数据的最优解或近似最优解，所述医学大模型基于所述最优解或近似最优解满足的评估所述设定预期。

20、在其中一个实施例中，所述通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，包括：

21、调用所述医学大模型对所述当前医学文本数据进行分析，以获取所述当前医学文本数据中的诊疗行为文本；

22、通过所述医学大模型以所述诊疗行为文本为基线对所述最优解或近似最优解进行评估，得到最优解模型评估结果。

23、在其中一个实施例中，所述方法还包括：

24、通过ai识别技术对所述当前医学文本数据进行识别，以获取所述当前医学文本数据的临床风险事件以及患者满意度；

25、基于所述临床风险事件和患者满意度对所述最优解或近似最优解进行评估，得到最优解ai评估结果。

26、本发明还提供了一种基于大模型和蚁群算法的临床风险管理装置，所述装置包括：

27、模型处理模块，用于获取医学文本数据，并调用医学大模型对所述医学文本数据进行处理，以提取所述医学文本数据中的诊疗行为文本，所述医学大模型为开源的大模型基于历史医学文本进行微调得到的；

28、ai识别模块，用于调用ai识别技术识别出当前病历文本数据中的所述诊疗行为文本，并调用蚁群算法基于所述诊疗行为文本生成与所述当前病历文本数据匹配的诊疗方案，所述诊疗方案用于动态评估所述当前病历文本数据的临床风险问题；

29、数学建模模块，用于将所述临床风险问题建模成适配所述蚁群算法的数学模型，以确定所述临床风险问题的目标函数、约束条件以及决策变量，并通过所述蚁群算法对所述当前病历文本数据进行表示；

30、信息素更新模块，用于基于所述通过所述蚁群算法对所述当前病历文本数据进行表示，对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对所述蚂蚁路径进行选择，以更新所述蚂蚁路径上的信息素，所述蚂蚁路径为不同的诊疗方案；

31、最优解评估模块，用于通过更新所述蚂蚁路径上的信息素获取所述蚁群算法的最优解或近似最优解，并调用所述医学大模型对所述最优解或近似最优解进行处理，以对所述最优解或近似最优解进行评估，所述最优解或近似最优解包括最佳诊疗方案。

32、本发明还提供了一种电子设备，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如上述任一种所述的基于大模型和蚁群算法的临床风险管理方法。

33、本发明还提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于大模型和蚁群算法的临床风险管理方法。

34、本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于大模型和蚁群算法的临床风险管理方法。

35、上述基于大模型和蚁群算法的临床风险管理方法及装置，通过获取医学文本数据，并调用微调好的医学大模型对医学文本数据进行处理，以提取医学文本数据中的诊疗行为文本。随后，调用ai识别技术识别出当前病历文本数据中的诊疗行为文本，并调用蚁群算法基于诊疗行为文本生成与当前病历文本数据匹配的诊疗方案，以动态评估当前病历文本数据的临床风险问题。然后，将临床风险问题建模成适配蚁群算法的数学模型，以确定临床风险问题的目标函数、约束条件以及决策变量，并通过蚁群算法对当前病历文本数据进行表示。再对蚂蚁位置和蚂蚁路径进行初始化，并通过蚂蚁根据启发函数和信息素浓度对蚂蚁路径进行选择，以更新蚂蚁路径上的信息素，蚂蚁路径为不同的诊疗方案。最后，通过更新蚂蚁路径上的信息素获取蚁群算法的最优解或近似最优解，并调用医学大模型对最优解或近似最优解进行处理，以对最优解或近似最优解进行评估。该方法将蚁群算法用在临床风险管理复杂的业务场景中，能够充分挖掘蚁群算法的优势，定制适配各个诊疗场景的诊疗路径，通过诊疗路径约束临床医生的诊疗行为，从而确保临床风险控制在较小的范围内。同时将大模型技术融合进蚁群算法的优化流程，相比现有的蚁群算法，能够比较显著提升算法效果，使得蚁群算法更加精准识别和解决诊疗场景中的临床风险，从而为管控临床风险提供强有力的技术基础。