本申请公开了一种疾病风险预测模型训练方法、疾病风险预测方法、疾病风险预测模型训练装置、疾病风险预测装置、计算机设备和计算机可读存储介质。本申请旨在基于患者的临床数据推断与疾病不良进展相关的高风险因素，并根据所构建的预测模型预测患者疾病进展情况，以给患者的治疗决策的选择提供更充分的支持。此外，通过使用机器学习的方式进行疾病风险预测模型的构建和训练，使得模型更加准确，适用性更好。更好。更好。
【技术实现步骤摘要】
疾病风险预测模型训练方法、疾病风险预测方法及相关装置
[0001]本申请涉及医疗数据处理
，具体涉及一种疾病风险预测模型训练方法、疾病风险预测方法、疾病风险预测模型训练装置、疾病风险预测装置、计算机设备和计算机可读存储介质。
技术介绍
[0002]随着人们生活质量的提高，对个人身体健康的关注度不断提高。因此，对于早期危险因素或早期疾病的早筛、早诊和治疗能够有助于预防疾病发生甚至逆转疾病进展。例如，颈动脉狭窄的不良进展会导致脑缺血乃至缺血性卒中，后者是目前世界仅次于缺血性心脏病的死亡原因，因此对于颈动脉狭窄患者的早起诊断，从患者中辨别具有不良预后高风险特征的人群并进行及时的治疗就显得尤为重要。
[0003]目前，医院信息系统数据的大量累积以及机器学习算法的逐步完善使得研究人员与医务工作者有条件基于大数据探索总结疾病进展规律，制定更合理有效的干预措施。其中，机器学习模型也展示了从大量患者数据中提取有意义信息的能力，包括疾病进展预测、风险因素归纳、图像识别等。因此，人工智能技术已经在医疗领域扮演着越来越重要的角色，若利用好这一技术也将为临床的诊疗提供极大帮助。
[0004]有鉴于此，如何提供一种具有普适性的，简便易用的风险预测模型成为了相关医疗工作者或科技人员的重要课题。
技术实现思路
[0005]本申请的目的在于，本申请实施例提供一种疾病风险预测模型训练方法、疾病风险预测方法、疾病风险预测模型训练装置、疾病风险预测装置、计算机设备和计算机可读存储介质，其旨在基于患者的临床数据推断与疾病不良进展相关的高风险因素，并根据所构建的预测模型预测患者疾病进展情况，以给患者的治疗决策的选择提供更充分的支持。此外，通过使用机器学习的方式进行疾病风险预测模型的构建和训练，使得模型更加准确，适用性更好。
[0006]根据本申请的第一方面，本申请一实施例提供了一种疾病风险预测模型训练方法，其包括：获取临床原始数据；基于所述临床原始数据进行预处理，得到相应的特征数据；基于所述特征数据，对预设的疾病风险预测模型进行训练和测试，并输出预测结果；直至所述疾病风险预测模型的预测结果达到预设精度，以得到训练完成的疾病风险预测模型。
[0007]可选地，在一些实施例中，所述基于所述临床原始数据进行预处理，得到相应的特征数据，包括：对临床原始数据进行提取，得到结构化数据；对结构化数据进行清洗，得到清洗后数据；基于预设的分类规则对所述清洗后数据进行编码化处理，得到特征数据。
[0008]可选地，在一些实施例中，所述基于所述特征数据，对预设的疾病风险预测模型进行训练和测试，并输出预测结果，包括：基于特征数据汇合成数据集；按照预设比例，将所述数据集分成训练集和测试集；基于所述训练集和所述测试集，对所述疾病风险预测模型进
行训练和测试，以输出预测结果。
[0009]可选地，在一些实施例中，所述直至所述疾病风险预测模型的预测结果达到预设精度，以得到训练完成的疾病风险预测模型，包括：对比预测结果和实际临床诊断结果，以判断是否达到预设精度；当判断出未达到预设精度时，调整所述疾病风险预测模型的模型参数，并继续对所述疾病风险预测模型进行训练和测试；直至达到预设精度时，停止训练所述疾病风险预测模型，并得到训练完成的疾病风险预测模型。
[0010]可选地，在一些实施例中，所述对所述疾病风险预测模型进行训练和测试的步骤之后，包括：根据所述疾病风险预测模型所输出的预测结果，确定用于检验所述疾病风险预测模型的预测效能的评价指标；其中所述评价指标包括精确率、召回率、F1分数、曲线下面积。
[0011]可选地，在一些实施例中，所述疾病风险预测模型包括多个第一模型和与每一个第一模型连接的第二模型；所述对所述疾病风险预测模型进行训练和测试，以输出预测结果，包括：基于训练集和预设的疾病进展风险因素公式进行训练，以得到第一模型所输出的预设长度的有效特征，并作为预测疾病特征；基于预测疾病特征和预设的预测概率公式进行融合计算，以得到第二模型所输出的预测结果。
[0012]可选地，在一些实施例中，每一所述第一模型为彼此独立的。
[0013]可选地，在一些实施例中，所述基于预测疾病特征和预设的预测概率公式进行融合计算，包括：通过梯度下降法动态调整预测概率公式的参数值。
[0014]根据本申请的第二方面，本申请一实施例提供了一种疾病风险预测方法，其包括：获取目标对象的临床原始数据；通过本申请任一实施例所述的训练完成的疾病风险预测模型，对目标对象的临床原始数据进行疾病风险预测，得到预测结果。
[0015]根据本申请的第三方面，本申请一实施例提供了一种疾病风险预测模型训练装置，其包括：数据获取模块，用于获取临床原始数据；预处理模块，用于基于所述临床原始数据进行预处理，得到相应的特征数据；训练测试模块，用于基于所述特征数据，对预设的疾病风险预测模型进行训练和测试，并输出预测结果；以及模型获得模块，用于直至所述疾病风险预测模型的预测结果达到预设精度，以得到训练完成的疾病风险预测模型。
[0016]根据本申请的第四方面，本申请一实施例提供了一种疾病风险预测装置，其包括：临床数据获取模块，用于获取目标对象的临床原始数据；风险预测模块，用于通过训练完成的疾病风险预测模型，对目标对象的临床原始数据进行疾病风险预测，得到预测结果。
[0017]根据本申请的第五方面，本申请一实施例提供了一种计算机设备，其包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本申请实施例任意一种疾病风险预测模型训练方法，或本申请实施例任意一种疾病风险预测方法。
[0018]根据本申请的第六方面，本申请一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行本申请实施例任意一种疾病风险预测模型训练方法，或本申请实施例任意一种疾病风险预测方法。
[0019]本申请实施例提供的疾病风险预测模型训练方法、疾病风险预测方法、疾病风险预测模型训练装置、疾病风险预测装置、计算机设备和计算机可读存储介质，其旨在通过对
大量患者的临床数据提取特征并赋值、定义、归纳规律，以及通过xgboost+Lr算法筛选出患者不良预后的高风险因素并依据相关性打分，据此得到预测结果。这样，基于模型预测结果所得到的各项重要风险因素为临床医生对于患者的诊疗决策提供参考，直观地显示了造成患者不良预后的重点原因，可以提示临床医生在接诊具有该种特征的患者时采取积极主动的治疗方案。此外，本申请的疾病风险预测模型训练方法对各种类型的临床数据进行分类定义，关系提取，并计算出与疾病进展等各方面相关的影响因素，为临床大数据结合机器学习算法辅助临床决策提供可靠依据。再者，通过模型预测结果中包括患者许多便于检测的一般生理特征，如身高、血压、年龄等，可以据此开发患者端的简易疾病预测软件，通过智能穿戴设备等实时收集患者各项生理数据，计算患病风险，对高风险因素的出现及评分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种疾病风险预测模型训练方法，其特征在于，包括：获取临床原始数据；基于所述临床原始数据进行预处理，得到相应的特征数据；基于所述特征数据，对预设的疾病风险预测模型进行训练和测试，并输出预测结果；直至所述疾病风险预测模型的预测结果达到预设精度，以得到训练完成的疾病风险预测模型。2.如权利要求1所述的疾病风险预测模型训练方法，其特征在于，所述基于所述临床原始数据进行预处理，得到相应的特征数据，包括：对临床原始数据进行提取，得到结构化数据；对结构化数据进行清洗，得到清洗后数据；基于预设的分类规则对所述清洗后数据进行编码化处理，得到特征数据。3.如权利要求1所述的疾病风险预测模型训练方法，其特征在于，所述基于所述特征数据，对预设的疾病风险预测模型进行训练和测试，并输出预测结果，包括：基于特征数据汇合成数据集；按照预设比例，将所述数据集分成训练集和测试集；基于所述训练集和所述测试集，对所述疾病风险预测模型进行训练和测试，以输出预测结果。4.如权利要求3所述的疾病风险预测模型训练方法，其特征在于，所述直至所述疾病风险预测模型的预测结果达到预设精度，以得到训练完成的疾病风险预测模型，包括：对比预测结果和实际临床诊断结果，以判断是否达到预设精度；当判断出未达到预设精度时，调整所述疾病风险预测模型的模型参数，并继续对所述疾病风险预测模型进行训练和测试；直至达到预设精度时，停止训练所述疾病风险预测模型，并得到训练完成的疾病风险预测模型。5.如权利要求4所述的疾病风险预测模型训练方法，其特征在于，所述对所述疾病风险预测模型进行训练和测试的步骤之后，包括：根据所述疾病风险预测模型所输出的预测结果，确定用于检验所述疾病风险预测模型的预测效能的评价指标；其中所述评价指标包括精确率、召回率、F1分数和曲线下面积。6.如权利要求3所述的疾病风险预测模型训练方法，其特征在于，所述疾病风险预测模型包括多个第一模型和与每一个第一模型连接的第二模型；所述对所述疾病风险预测模型进行训练和...
【专利技术属性】
技术研发人员：尚寒冰，张子谦，蒋宋怡，王兆凯，
申请(专利权)人：北京惠每云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。