一种基于多任务学习的临床风险预测系统技术方案

本发明专利技术提供了一种基于多任务学习的临床风险预测系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的临床风险预测模型；临床风险预测模型采用软参数共享多任务学习模型，先将所有子任务的数据通过底部共享层嵌入到同一语义空间中，再通过子任务特定嵌入层提取每个子任务独有的特征，然后通过概率采样网络将提取出的特征映射到一个概率空间；接着通过多重注意力机制将不同子任务学习到的特征进行知识传递形成复合特征；最后每个子任务特定输出层输出预测结果。本发明专利技术可以对风险进行预警，为医生决策提供帮助。策提供帮助。策提供帮助。

【技术实现步骤摘要】
一种基于多任务学习的临床风险预测系统


[0001]本专利技术属于医疗结构化临床数据处理
，尤其是涉及一种基于多任务学习的临床风险预测系统。

技术介绍

[0002]医学的发展经历了从经验模型到循证医学到数据医学的过程。随着大数据时代的到来，数据的存储、获取和分析都变得非常便捷，也为精准医学的发展创造了技术条件。
[0003]临床风险预测是医学领域一项重要的研究工作。临床风险预测即指使用临床数据，结合多因素分析病人发生某种医学结局的概率。常见的临床风险预测任务有死亡预测、疾病预警、住院时长预测等。临床预测可以让医生提早预知病人发生某结局的概率，为医生做出预警性措施提供帮助。
[0004]过去的临床风险预测主要集中在简单的数理统计，并根据经验设计了各种评分模型用来表示病人的状况。通用的评分模型包括简明急性生理评分(SAPS)、急性生理与慢性健康评分(APACH)、序贯器官衰竭评分(SOFA)等常用模型。然而，评分模型存在很大的局限性。评分模型只能对数据间的线性关系进行建模，而且评分模型针对的是病人的整体生理情况分析，而无法针对特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的临床风险预测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：所述计算机存储器中存有训练好的临床风险预测模型；所述临床风险预测模型采用软参数共享多任务学习模型，先将所有子任务的数据通过底部共享层嵌入到同一语义空间中，再通过子任务特定嵌入层提取每个子任务独有的特征，然后通过概率采样网络将提取出的特征映射到一个概率空间；接着通过多重注意力机制将不同子任务学习到的特征进行知识传递形成复合特征；最后每个子任务特定输出层输出预测结果；所述计算机处理器执行所述计算机程序时实现以下步骤：提取病人进入ICU前48小时EHR数据中的临床序列数据以及病人的静态特征；对数据进行预处理工作，将提取的48小时EHR数据中的临床序列数据按小时进行划分工作；将预处理后的数据输入训练好的临床风险预测模型，输出每个临床预测任务的预测结果。2.根据权利要求1所述的基于多任务学习的临床风险预测系统，其特征在于，所述的软参数共享多任务学习模型中，通过多重注意力机制将不同子任务学习到的特征进行知识传递形成复合特征时，通过粗粒度的任务层次注意力和细粒度的时间步层次注意力来获得不同层次上不同任务、不同时间步间信息传递的大小。3.根据权利要求1所述的基于多任务学习的临床风险预测系统，其特征在于，输出每个临床预测任务的预测结果为二分类预测，对于预测出潜在患病或者死亡的病人，需要医生实施预防性措施。4.根据权利要求1所述的基于多任务学习的临床风险预测系统...

【专利技术属性】
技术研发人员：应豪超，吴健，钱思忆，徐宇扬，
申请(专利权)人：浙江大学，
类型：发明
国别省市：