一种病症预警方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种病症预警方法、装置、电子设备及存储介质，用以提升脓毒症诊断效率。本发明专利技术实施例获取病患预设时长内的病患数据，对所述病患数据进行预处理，得到病患特征；基于目标预测模型，根据所述病患特征进行病症预测，获取所述病患对应的预测病发概率；其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。由于本发明专利技术实施例能够根据病患数据，预测病患的未来病发概率，进而能够及早发现疾病并预防，提升诊断效率。

The invention relates to a disease early warning method, a device, an electronic device and a storage medium

【技术实现步骤摘要】
一种病症预警方法、装置、电子设备及存储介质
本专利技术涉及医疗
，特别涉及一种病症预警方法、装置、电子设备及存储介质。
技术介绍
脓毒症是一种危及生命的凶险疾病，脓毒症是由感染引起的全身炎症反应综合征，脓毒症的病情凶险，病死率高，全球每天约14,000人死于其并发症，据国外流行病学调查显示，脓毒症的病死率已经超过心肌梗死，成为重症监护病房内非心脏病人死亡的主要原因。近年来，尽管抗感染治疗和器官功能支持技术取得了长足的进步，脓毒症的病死率仍高达30％～70％。脓毒症治疗花费高，医疗资源消耗大，严重影响人类的生活质量，已经对人类健康造成巨大威胁。因此，及早识别诊断脓毒症并予以有效防治，是提高患者生存率的关键。脓毒症的临床诊断定义从1.0发展到3.0，也在不断变化更新。但在目前的临床诊断中，由于脓毒症的发病机制复杂，影响因素较多，基于医生经验或简单的统计分析方式，难以在脓毒症早期感染时进行识别并治疗，诊断效果并不理想。
技术实现思路
本专利技术提供了一种病症预警方法、装置、电子设备及存储介质，用以提升脓毒症诊断效率。第一方面，本专利技术实施例提供一种病症预警方法，该方法包括：对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。上述实施例中，在获取病患预设时长内的病患数据后，对病患数据进行预处理得到病患特征，将病患特征输入到目标预测模型中，获取目标预测模型输出的病患对应的预测病发概率，从而能够根据病患数据，预测病患的未来病发概率，进而能够及早发现疾病并预防。本专利技术实施例中目标检测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的，而第一预测模型是根据第一病患样本数据进行训练得到的，由于第一病患样本数据的样本数量大于第二病患样本数据的样本数量，基于第一病患样本数据训练得到的第一预测模型适用性较广，基于第二病患样本数据对第一预测模型进行迁移训练，能够得到准确性更高且针对性更强的目标预测模型，提高病症预测的准确度。在一些示例性的实施方式中，根据下列方式对所述第一预测模型进行训练：根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。上述实施例中，对第一病患样本数据集进行标注，并进行预处理后，获取可用于对第一预测模型进行训练的第一训练样本数据集，根据第一训练样本数据集对初始预测模型训练后，得到的第一预测模型的适用性较广，可以用于进行迁移训练。在一些示例性的实施方式中，所述根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型，包括：将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。在一些示例性的实施方式中，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。上述实施例中，将第一训练样本数据集拆分为第一训练集、第一验证集和第一测试集后对第一预测模型进行训练，可以根据第一验证集选择初始预测模型的超参数，并根据第一训练集对初始预测模型进行训练，在训练结束后根据第一测试集检测模型是否符合预期，提升第一预测模型的训练效率。在一些示例性的实施方式中，根据下列方式对所述目标预测模型进行迁移训练：根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集；根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型。上述实施例中，对第二病患样本数据进行标注，并进行预处理后，获取可用于对第一预测模型进行迁移训练的第二训练样本数据集，采用迁移训练方式，防止由于第二病患样本数据集中样本数量较少导致的模型过拟合，从而能够根据迁移训练获取较为准确的目标预测模型。在一些示例性的实施方式中，所述根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型，包括：将所述第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集；根据所述第二验证集从所有第二预测模型中选择AUC指标最大的第二预测模型，其中所述第二预测模型与所述第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；根据所述第二训练集对选择的第二预测模型进行的迭代训练，得到第三预测模型；若所述第三预测模型的指标参数大于预设阈值，则将所述第三预测模型作为目标预测模型；其中，所述第三预测模型的指标参数是根据所述第二测试集确定的。在一些示例性的实施方式中，所述第三预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。上述实施例中，将第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集，根据第二验证集选择第二预测模型，并根据第二训练集对选择的第二预测模型进行的迭代训练，在训练结束后根据第二测试集检测模型是否符合预期，提升目标预测模型的训练效率。第二方面，本专利技术实施例提供的一种病症预警装置，包括：处理模块，用于对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；确定模块，用于基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。在一些示例性的实施方式中，所述病症预警装置还包括模型训练模块；所述模型训练模块用于根据下列方式对所述第一预测模型进行训练：根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。在一些示例性的实施方式中，所述模型训练模块根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型时，具体用于将所述第一训练样本数据集拆分为第一训练集本文档来自技高网...

【技术保护点】
1.一种病症预警方法，其特征在于，该方法包括：/n对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；/n基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；/n其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。/n

【技术特征摘要】
1.一种病症预警方法，其特征在于，该方法包括：
对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；
基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；
其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。


2.如权利要求1所述的方法，其特征在于，根据下列方式对所述第一预测模型进行训练：
根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；
对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；
根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。


3.如权利要求2所述的方法，其特征在于，所述根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型，包括：
将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；
根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；
根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；
若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；
其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。


4.如权利要求3所述的方法，其特征在于，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。


5.如权利要求1所述的方法，其特征在于，根据下列方式对所述目标预测模型进行迁移训练：
根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；
对标注后的第二病患样本数据集...

【专利技术属性】
技术研发人员：薛佩姣，赖志明，林志哲，薛佳佳，蒋劲峰，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：上海;31