一种基于循环神经网络的慢性疾病病情变化事件预测装置制造方法及图纸

本发明专利技术公开了一种基于循环神经网络的慢性疾病病情变化事件预测装置，包括存储器、处理器以及计算机程序，存储器中存有预处理模块和慢性疾病病情变化事件预测模型，预测模型包括预处理模块、病情特征提取模块和分类模块；处理器执行计算机程序时实现以下步骤：接收患者多次入院所生成的长期纵向数据，预处理模块对数进行据预处理，将每次入院的数据重建为一个特征向量，作为待测数据集；以待测数据集作为输入，病情特征提取模块提取病情特征输入到分类模块；分类模块输出各类标志病情发生变化的事件的预测概率。该预测装置可对慢性疾病患者在目标时间窗口内发生标志疾病病情变化的事件进行预测，从而辅助医生制定合理的诊疗措施，降低医疗开支。

An Event Prediction Device for Chronic Disease Change Based on Circulating Neural Network

The invention discloses a chronic disease change event prediction device based on cyclic neural network, which includes memory, processor and computer program. There are preprocessing module and chronic disease change event prediction model in memory, and the prediction model includes preprocessing module, disease feature extraction module and classification module. When the processor executes the computer program, the device realizes the function of preprocessing module and classification module. Next step: Receive the long-term longitudinal data generated by patients'multiple admissions, and the pre-processing module preprocesses the data, reconstructing each admission data into a feature vector as the data set to be measured; take the data set to be measured as input, the disease feature extraction module extracts the disease features and inputs them into the classification module; and the classification module outputs the events that indicate the change of the disease condition. Prediction probability. The forecasting device can predict the events that mark the change of disease condition in the target time window for patients with chronic diseases, so as to assist doctors to formulate reasonable diagnosis and treatment measures and reduce medical expenditure.

【技术实现步骤摘要】
一种基于循环神经网络的慢性疾病病情变化事件预测装置
本专利技术属于数据处理领域，具体涉及一种基于循环神经网络的慢性疾病病情变化事件预测装置。
技术介绍
慢性疾病是我国居民死亡的主要原因，据统计，近年来，我国死亡人口中，约有86％死于各种慢性疾病。慢性疾病的主要特点是，持续时间较长、病情难以逆转、致病原因较为复杂。预测慢性疾病在未来可能发生的病情变化事件对于评估慢性疾病预后十分重要，也有助于对慢性疾病进行更为精准的治疗。现有的慢性疾病重大事件预测方法多为临床医学研究成果，使用的技术手段基本类似，多为队列研究的方法。具体的实施策略是，1)确定疾病病情发生重大变化的标志性事件(终点事件)，例如一年内再次入院、死亡等；2)将某种慢性病病人纳入研究队列，记录病人被纳入研究队列时的各项生理指标；3)对病人进行长期随访，病人如若在随访过程中发生了先前定义的标志性事件，则记录事件的发生时间。4)使用医学统计学方法，分析事件发生的主要风险因素。5)根据主要风险因素建立模型，预测一个病人是否会在规定时间窗口内发生终点事件。医学研究中，各类风险预测模型的区别主要在于使用的数据不同、使用的数据特征不同，而方本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络的慢性疾病病情变化事件预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序：所述计算机存储器中存有预处理模块和慢性疾病病情变化事件预测模型，所述慢性疾病病情变化事件预测模型包括预处理模块、病情特征提取模块和分类模块；所述计算机处理器执行所述计算机程序时实现以下步骤：接收患者多次入院所生成的长期纵向数据，预处理模块对数据进行预处理，将每次入院的数据重建为一个特征向量，作为待测数据集；以待测数据集作为输入，病情特征提取模块提取病情特征输入到分类模块；分类模块输出各类标志病情发生变化的事件的预测概率。

【技术特征摘要】
1.一种基于循环神经网络的慢性疾病病情变化事件预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序：所述计算机存储器中存有预处理模块和慢性疾病病情变化事件预测模型，所述慢性疾病病情变化事件预测模型包括预处理模块、病情特征提取模块和分类模块；所述计算机处理器执行所述计算机程序时实现以下步骤：接收患者多次入院所生成的长期纵向数据，预处理模块对数据进行预处理，将每次入院的数据重建为一个特征向量，作为待测数据集；以待测数据集作为输入，病情特征提取模块提取病情特征输入到分类模块；分类模块输出各类标志病情发生变化的事件的预测概率。2.如权利要求1所述的基于循环神经网络的慢性疾病病情变化预测装置，其特征在于，所述慢性疾病变化事件预测模型的获得过程为：(1)采集慢性疾病患者的电子健康记录，作为患者多次入院所生成的长期纵向数据，并进行预处理，对样本是否在目标时间窗口内标志病情发生变化的事件进行标注，得到训练样本；(2)构建慢性疾病病情变化事件预测网络，包括连接的循环神经网络和分类器，所述循环神经网络为用Hawkes过程学习到的激发条件强度改进的GRU循环神经网络；(3)以步骤(1)中的训练样本作为步骤(2)中预测网络的输入层，以所述训练样本对应的真值标签作为所述预测网络的输出层，对所述预测网络进行训练，对所述预测网络的参数进行调节，直到收敛，得到训练完成后所对应的特征提取模块和分类模块，组成慢性疾病病情变化事件预测模型。3.如权利要求2所述的基于循环神经网络的慢性疾病病情变化预测装置，其特征在于，在步骤(1)中，所述电子健康记录包括患者入院所产生的人口学数据、检查检验结果、诊断、医嘱、病程录、手术；预处理模块对电子健康记录进行预处理的方法为：处理实验数据缺失值，提取患者的特征样本，将电子健康记录整合为一个K维特征向量作为训练样本，表示如下：D＝{P1，P2，…，PN}，N代表病人总数，对于第i个病人，存在nj次入院记录，第j次入院的特征向量可被表示为4.如权利要求3所述的基于循环神经网络的慢性疾病病情变化预测装置，其特征在于，对所述特征样本进行二值化处理，包括：对于数值型特征，以正常/异常作为二值化；对于有序多分类变量或无序多分类变量，以及无法通过正常/异常完成二值化的数值型变量，通过创造哑变量的形式完...

【专利技术属性】
技术研发人员：黄正行，孙周健，段会龙，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33