基于动态图和医学知识图谱的疾病预测方法及相关设备技术

本发明专利技术实施例涉及医疗技术领域，公开了一种基于动态图和医学知识图谱的疾病预测方法及相关设备，该方法包括：获取与样本医疗数据中历史诊疗数据的医学知识图谱对应的图结构，并确定图结构中每个节点的初始知识表征向量以及初始状态表征向量；根据历史诊疗数据更新得到每个节点的知识表征向量和状态表征向量；将每个节点的知识表征向量和状态表征向量输入多层感知机模型，得到每个用户的结局数据，并根据结局数据训练多层感知机模型得到疾病预测模型；将待测试用户的目标医疗数据输入疾病预测模型，得到待测试用户下一次就诊的预测结局数据，利用动态图技术提高了疾病预测结果的准确度。本发明专利技术涉及区块链技术，上述预测结局数据可存储于区块链中。

【技术实现步骤摘要】
基于动态图和医学知识图谱的疾病预测方法及相关设备
本专利技术涉及医疗
，尤其涉及一种基于动态图和医学知识图谱的疾病预测方法及相关设备。
技术介绍
疾病预测是基于用户的历史信息推断未来的疾病或临床事件的风险，为解决数据驱动的疾病预测方法容易受数据量有限、数据偏差较大的影响，很多工作尝试将医学知识图谱融入疾病预测过程，以提升预测精准度和与现有医学知识的吻合度。目前一些方法尝试在深度学习模型中引入知识图谱，以应对医疗数据量不足和数据偏差所带来的影响。由于知识图谱是静态图，而用户的历史信息是动态更新的，所以现有的基于知识图谱的疾病预测方法往往难以考虑历史信息的时序性，进而影响预测性能。因此，如何更有效地提高疾病预测结果的准确性非常重要。
技术实现思路
本专利技术实施例提供了一种基于动态图和医学知识图谱的疾病预测方法及相关设备，通过对医学知识图谱对应的图结构进行更新，可以实现利用动态图技术提高疾病预测结果的精准度，以及提高疾病预测结果与现有医学知识的匹配度。第一方面，本专利技术实施例提供了一种基于动态图和医学知识本文档来自技高网...

【技术保护点】
1.一种基于动态图和医学知识图谱的疾病预测设备，其特征在于，所述设备包括：存储器和处理器；/n所述存储器，用于存储程序指令；/n所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下操作：/n获取训练集中每个用户的样本医疗数据，其中，所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据和历史结局数据，所述历史诊疗数据包括n次历史就诊记录中的诊断数据、药物数据、检查数据、就诊时间中的一种或多种， n为大于或等于1的正整数；/n获取与所述历史诊疗数据的医学知识图谱对应的图结构，并确定所述图结构中每个节点的初始知识表征向量以及所述每个节点的初始状态表征向量，其中，所述图结构由多个节...

【技术特征摘要】
1.一种基于动态图和医学知识图谱的疾病预测设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用所述程序指令，当所述程序指令被执行时，用于执行以下操作：
获取训练集中每个用户的样本医疗数据，其中，所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据和历史结局数据，所述历史诊疗数据包括n次历史就诊记录中的诊断数据、药物数据、检查数据、就诊时间中的一种或多种，n为大于或等于1的正整数；
获取与所述历史诊疗数据的医学知识图谱对应的图结构，并确定所述图结构中每个节点的初始知识表征向量以及所述每个节点的初始状态表征向量，其中，所述图结构由多个节点和边组成；
根据所述历史诊疗数据更新所述图结构中每个节点的初始知识表征向量和初始状态表征向量，得到所述图结构中每个节点的知识表征向量和状态表征向量；
将所述图结构中每个节点的知识表征向量和状态表征向量输入多层感知机模型，得到所述训练集中每个用户的结局数据，并根据所述结局数据训练所述多层感知机模型得到疾病预测模型；
获取待测试用户的目标医疗数据，并将所述待测试用户的目标医疗数据输入训练得到的疾病预测模型，得到所述待测试用户下一次就诊的预测结局数据。


2.根据权利要求1所述的设备，其特征在于，所述处理器确定所述图结构中每个节点的初始知识表征向量以及所述每个节点的初始状态表征向量时，具体用于：
对所述图结构中的每个节点随机添加初始化向量，并确定所述每个节点的初始化向量为所述每个节点的初始知识表征向量；以及，
对所述图结构中的每个节点添加零向量，并确定所述每个节点的零向量为所述每个节点的初始状态表征向量。


3.根据权利要求2所述的设备，其特征在于，所述处理器根据所述历史诊疗数据更新所述图结构中每个节点的初始知识表征向量和初始状态表征向量，得到所述图结构中每个节点的知识表征向量和状态表征向量时，具体用于：
将所述图结构中每个节点的初始知识表征向量输入图注意力神经网络模型中，得到所述图结构中每个节点的知识表征向量；
获取所述图结构中t-1次历史就诊记录对应的图结构中每个节点的初始状态表征向量，其中，t为小于或等于n-1的正整数；
根据所述图结构中t-1次历史就诊记录对应的图结构中每个节点的初始状态表征向量和所述样本医疗数据，确定所述图结构中每个节点的状态表征向量。


4.根据权利要求3所述的设备，其特征在于，所述处理器根据所述图结构中t-1次历史就诊记录对应的图结构中每个节点的初始状态表征向量和所述样本医疗数据，确定所述图结构中每个节点的状态表征向量时，具体用于：
获取第t次历史就诊记录对应的图结构中每个节点的激活向量；
将所述图结构中t-1次历史就诊记录对应的图结构中每个节点的初始状态表征向量以及所述第t次历史就诊记录对应的图结构中每个节点的激活向量输入循环神经网络模型中，得到所述图结构中每个节点的状态表征向量。


5.根据权利要求4所述的设备，其特征在于，所述处理器获取第t次历史就诊记录对应的图结构中每个节点的激活向量时，具体用于：
检测第t次历史就诊记录对应的图结构中每个节点的诊断结果是否与所述每个节点第t次的历史结局数据匹配；
当检测结果为所述第t次历史就诊记录对应的图结构中每个节点的诊断结果与所述每个节点第t次的历史结局数据匹配时，确定所述第t次历史就诊记录对应的图结构中每个节点的激活向量为全1向量；
当检测结果为所述第t次历史就诊记录对应的图结构中每个节点的诊断结果与所述每个节点第t次的...

【专利技术属性】
技术研发人员：徐啸，刘小双，徐衔，孙瑜尧，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44