用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法技术

本发明专利技术提供了一种用于ICU死亡率预测的深度级联框架及ICU死亡率预测方法，所述用于ICU死亡率预测的深度级联框架包括：体征子网络和疾病子网络，所述体征子网络包括多个对应于体征类型的节点，所述疾病子网络包括多个对应于疾病类型的节点，所述体征子网络和所述疾病子网络具有相互作用边，所述相互作用边为对应于所述疾病类型的节点与对应于所述体征类型的节点的连接边，其中，所述体征子网络和所述疾病子网络根据节点失效情况进行级联，所述体征子网络和所述疾病子网络均用于输出失效分布，以通过所述失效分布进行ICU死亡率预测。本发明专利技术的有益效果：能够方便对ICU患者死亡率进行预测，并使预测具有可解释性。并使预测具有可解释性。并使预测具有可解释性。

【技术实现步骤摘要】
用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法
[0001]技术邻居
[0002]本专利技术涉及ICU死亡率预测领域，具体而言，涉及一种用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法。

技术介绍

[0003]医疗风险检测是提升ICU临床实践能力的一项重要课题，许多基于量表和特征的生物统计学习方法、深度学习方法已经能够对特定病人的死亡率进行预测，并且协助医师做出相应的临床决策。然而，目前的方法不仅需要专家人工定义风险因素而且过度依赖预训练特征的有效性。从模型角度，端到端的预测模型缺乏可解释性，黑盒式的神经网络结构难以获得推理路径。

技术实现思路

[0004]本专利技术解决的问题是如何方便对ICU患者死亡率进行预测，并使预测具有可解释性。
[0005]本专利技术提出了一种用于ICU死亡率预测的深度级联框架，包括：体征子网络和疾病子网络，所述体征子网络包括多个对应于体征类型的节点，所述疾病子网络包括多个对应于疾病类型的节点，所述体征子网络和所述疾病子网络具有相互作用边，所述相互作用边为对应于所述疾病类型的节点与对应于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于ICU死亡率预测的深度级联框架，其特征在于，包括：体征子网络和疾病子网络，所述体征子网络包括多个对应于体征类型的节点，所述疾病子网络包括多个对应于疾病类型的节点，所述体征子网络和所述疾病子网络具有相互作用边，所述相互作用边为对应于所述疾病类型的节点与对应于所述体征类型的节点的连接边，其中，所述体征子网络和所述疾病子网络根据节点失效情况进行级联，所述体征子网络和所述疾病子网络均用于输出失效分布，以通过所述失效分布进行ICU死亡率预测。2.根据权利要求1所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述节点失效情况包括失效集合，所述失效集合包括级联阶段中失效风险最大的前n个节点。3.根据权利要求2所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述节点失效情况还包括网络连通性，所述网络连通性包括所述相互作用边的有效边概率，所述有效边概率表示随机选择一条相互作用边且该边连接两个有效节点的概率，当前级联阶段中生成的有效边概率用于更新下一级联阶段中的有效边概率。4.根据权利要求3所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述体征子网络和所述疾病子网络均包括度分布单元和超度分布单元，所述体征子网络和所述疾病子网络均通过度分布单元确定所述失效集合，所述体征子网络和所述疾病子网络均通过超度分布单元以根据当前级联阶段的有效边概率确定下一级联阶段的有效边概率。5.根据权利要求4所述的用于ICU死亡率预测的深度级联框架，其特征在于，所述度分布单元包括度分布生成函数，所述超度分布单元包括超度分布生成函数，所述深度级联框架的递归关系式包括：在第l次级联中，所述疾病子网络和所述体征子网络的有效节点比例分别为：或，在第l次级联中，所述体征子网络和所述疾病子网络的有效节点比例分别为：其中，表示疾病子网络，表示体征子网络，和分别表示所述疾病子网络和所述体征子网络的度分布生成函数，和分别表示所述疾病子网络和所述体征子网络的超度分布生成函数，l表示级联次数，表示级联次数为l-1的所述体征子网络的超度分布生成函数，表示级联次数为l-1的所述疾病子网络的超度分布生成函数，表示级联次数为l的所述疾病子网络的超度分布生成函数，表示级联次数为l的所述体征子网络的超度分布生成函数，表示级联次数为l的所述疾病子网络的度分布生成函数，表示级联次数为l的所述体征
子网络的度分布生成函数，q表示所述有效边概率，表示级联次数为l的所述疾病子网络的有效边概率，表示级联次数为l的所述体征子网络的有效边概率。6.根据权利要求2-...

【专利技术属性】
技术研发人员：姜京池，王勃然，马林江，李雪，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：