基于CNN及电子病历预测心衰并发症的方法、系统及预警设备、存储介质技术方案

本发明专利技术涉及心力衰竭并发症预测领域，特别是基于CNN及电子病历预测心衰并发症的方法、系统及预警设备、存储介质。所述方法包括：采集心脏衰竭患者入院数据的电子病历，标记心衰伴有并发症及心衰无并发症的数据记录；将所述数据记录输入CNN进行深度学习，输出心衰伴有并发症特征的预测结果；基于卡方检验的特征分析，识别关键特征，解释CNN的预测结果；预测心衰并发症产生的可能性及特征，实现心衰并发症预警。通过本发明专利技术识别有高风险并发症的患者可以帮助卫生保健提供者将资源和服务直接提供给这些患者，以防止可避免的再入院，降低发病风险，减少突发事件，以更好的预后，提高患者生存率。

【技术实现步骤摘要】
基于CNN及电子病历预测心衰并发症的方法、系统及预警设备、存储介质
本专利技术涉及心力衰竭并发症预测领域，特别是基于CNN及电子病历预测心衰并发症的方法、系统及预警设备、存储介质。
技术介绍
心衰是多种原因导致心脏结构和或功能的异常改变，使心室收缩和或舒张功能发生障碍，从而引起的一组复杂临床综合征，主要表现为呼吸困难、疲乏和液体潴留(肺淤血、体循环淤血及外周水肿)等。根据左心室射血分数(LVEF)，分为射血分数降低的心衰(HFrEF)、射血分数保留的心衰(HFpEF)和射血分数中间值的心衰(HFmrEF)。根据心衰发作的时间以及进展的速度，分为慢性心衰和急性心衰。多数急性心衰患者经住院治疗后症状部分缓解，而转入慢性心衰；慢性心衰患者常因各种诱因急性加重而需住院治疗。心衰是各种心脏疾病的严重表现或晚期阶段，死亡率和再住院率居高不下。我国人口老龄化加剧，冠心病、高血压、糖尿病、肥胖等慢性病的发病呈上升趋势，医疗水平的提高使心脏疾病患者生存期延长，导致我国心衰患病率呈持续升高趋势。心力衰竭的发病率逐年在增长，所带来危害也不断的加大。这种疾病的治疗难度大，并且稍微不注意会引起严重并发症。这些并发症会对身体健康造成极大的影响，也会给治疗增加难度。心力衰竭的并发症之一是心律失常，比较常见的心律失常便是房颤。如果患心律失常，可能会并发呼吸道感染，如支气管炎和肺炎。此外，血栓形成和栓塞、心源性肝硬化及电解质紊乱也是心力衰竭常见并发症。心衰并发症治疗是医疗保健的一大负担。如何预测并预防心衰并发症一直是预后研究中的一个重大挑战。
技术实现思路
本专利技术的目的在于提供一种基于CNN及电子病历预测心衰并发症的方法、系统及预警设备、存储介质，以实现预测心衰并发症产生的可能性及相关特征，实现心衰并发症的预测、预警，减少突发事件，以更好的预后，提高患者生存率。为实现上述技术目的，达到上述技术效果，本专利技术提供了一种基于CNN及电子病历预测心衰并发症的方法，所述方法包括：采集心脏衰竭患者入院数据的电子病历，标记心衰伴有并发症及心衰无并发症的数据记录；将所述数据记录输入CNN进行深度学习，输出心衰伴有并发症特征的预测结果；基于卡方检验的特征分析，识别关键特征，解释CNN的预测结果；预测心衰并发症产生的可能性及特征，实现心衰并发症预警。进一步地，所述方法还包括，识别电子病历的诊断代码，将诊断代码中出现ICD-9代码的数据标记为心衰入院，所述ICD-9代码包括398.91、402.01、402.11、402.91、404.11、404.13、404.91、404.93、428.0、428.1、428.20、428.21、428.22、428.23、428.30、428.31、428.32、428.33、428.40、428.41、428.42、428.43和428.9。进一步地，所述方法还包括：将心脏衰竭患者的电子病历作为样本，心衰伴有并发症患者被标记为阳性，心衰无并发症患者标记为阴性。进一步地，所述方法包括：将电子病历的数据记录输入CNN，填充到相同长度的单词序列中，所述数据记录中的每个词表示为一个词向量；使用在预先训练的公开可用的word2vec向量进行初始化，未出现在预先训练的单词集合中的单词被随机初始化。进一步地，所述方法包括：嵌入文本输入卷积层，在卷积层中，每个卷积操作对输入窗口应用一个过滤器产生新的特征，所述过滤器应用于单词序列中的多个单词窗口，生成特征映射；对特征映射应用随时间增加的最大池操作，获得最大值作为过滤器的特征，捕获单词序列的最重要特征；采用单词窗口大小为1、2和3的不同长度滤波器来获得若干特征；将所述若干特征传递到一个完全连接的softmax层，通过所述softmax层在标签上输出概率。进一步地，所述方法包括：不同长度的滤波器的组合产生多个输出，形成倒数第二层。进一步地，所述方法包括：利用卡方特征选择来计算单词在区分正样本和负样本时的权重；对正确预测的样本应用卡方评分来识别最重要的单词特征，提供与心衰患者并发症相关医疗内容的见解。作为本专利技术的又一方面，提供一种基于CNN及电子病历预测心衰并发症的系统，所述系统包括：数据采集模块，用于采集心脏衰竭患者入院数据的电子病历，标记心衰伴有并发症及心衰无并发症的数据记录；训练学习模块，用于将所述数据记录输入CNN进行深度学习，输出心衰伴有并发症特征的预测结果；特征分析模块，用于基于卡方检验的特征分析，识别关键特征，解释CNN的预测结果；预测警示模块，用于预测心衰并发症产生的可能性及特征，实现心衰并发症预警。作为本专利技术的再一方面，提供一种预警设备，所述预警设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于CNN及电子病历预测心衰并发症的程序，所述通信总线用于实现处理器与存储器间的通信连接；所述处理器用于执行所述基于CNN及电子病历预测心衰并发症的程序，以实现如上述任一项所述的基于CNN及电子病历预测心衰并发症的方法的步骤。作为本专利技术的另一方面，提供一种存储介质，所述存储介质上存储有基于CNN及电子病历预测心衰并发症的程序，所述基于CNN及电子病历预测心衰并发症的程序被处理器执行时实现如上述任意一项所述基于CNN及电子病历预测心衰并发症的方法的步骤。本专利技术实施例至少部分实现了如下技术效果：本专利技术方法提出了一种深度学习方法来预测心衰并发症的临床记录。与使用结构化数据进行预测的传统方法不同，本专利技术利用非结构化临床记录来训练基于卷积神经网络(CNN)的深度学习模型；再使用训练过的模型来分类和预测潜在高风险并发症。通过本专利技术能够有效识别有高风险并发症的患者，并提前进行预警，实现帮助卫生保健提供者将资源和服务直接提供给这些患者，以防止可避免的再入院，降低发病风险，节约医疗资源。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术一实施例基于CNN及电子病历预测心衰并发症的方法的流程图；图2为本专利技术一实施例CNN预测架构的示意图；图3为本专利技术一实施例基于CNN及电子病历预测心衰并发症的系统的示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。本专利技术提供了一种基于CNN及电子病历预测心衰并发症的方法，如图1所示，所述方法包括：S11采集心本文档来自技高网...

【技术保护点】
1.一种基于CNN及电子病历预测心衰并发症的方法，其特征在于，所述方法包括：/n采集心脏衰竭患者入院数据的电子病历，标记心衰伴有并发症及心衰无并发症的数据记录；/n将所述数据记录输入CNN进行深度学习，输出心衰伴有并发症特征的预测结果；/n基于卡方检验的特征分析，识别关键特征，解释CNN的预测结果；/n预测心衰并发症产生的可能性及特征，实现心衰并发症预警。/n

【技术特征摘要】
1.一种基于CNN及电子病历预测心衰并发症的方法，其特征在于，所述方法包括：
采集心脏衰竭患者入院数据的电子病历，标记心衰伴有并发症及心衰无并发症的数据记录；
将所述数据记录输入CNN进行深度学习，输出心衰伴有并发症特征的预测结果；
基于卡方检验的特征分析，识别关键特征，解释CNN的预测结果；
预测心衰并发症产生的可能性及特征，实现心衰并发症预警。


2.如权利要求1所述的基于CNN及电子病历预测心衰并发症的方法，其特征在于，所述方法还包括，
识别电子病历的诊断代码，将诊断代码中出现ICD-9代码的数据标记为心衰入院，所述ICD-9代码包括398.91、402.01、402.11、402.91、404.11、404.13、404.91、404.93、428.0、428.1、428.20、428.21、428.22、428.23、428.30、428.31、428.32、428.33、428.40、428.41、428.42、428.43和428.9。


3.如权利要求1所述的基于CNN及电子病历预测心衰并发症的方法，其特征在于，所述方法还包括：
将心脏衰竭患者的电子病历作为样本，心衰伴有并发症患者被标记为阳性，心衰无并发症患者标记为阴性。


4.如权利要求1所述的基于CNN及电子病历预测心衰并发症的方法，其特征在于，所述方法包括：
将电子病历的数据记录输入CNN，填充到相同长度的单词序列中，所述数据记录中的每个词表示为一个词向量；
使用在预先训练的公开可用的word2vec向量进行初始化，未出现在预先训练的单词集合中的单词被随机初始化。


5.如权利要求1所述的基于CNN及电子病历预测心衰并发症的方法，其特征在于，所述方法包括：
嵌入文本输入卷积层，在卷积层中，每个卷积操作对输入窗口应用一个过滤器产生新的特征，所述过滤器应用于单词序列中的多个单词窗口，生成特征映射；
对特征映射应用随时间增加的最...

【专利技术属性】
技术研发人员：郝晓燕，李灯熬，赵菊敏，马美坤，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14