住院风险预测方法及装置、存储介质及电子设备制造方法及图纸

本公开涉及医疗技术领域，提供了一种住院风险预测方法及装置、计算机可读存储介质和电子设备。其中，上述方法包括：获取待预测医疗对象的第一特征信息和至少一个目标疾病住院风险预测模型，第一特征信息包括住院影响因子的信息；针对每个目标疾病住院风险预测模型，从第一特征信息中提取与目标疾病住院风险预测模型相关的第二特征信息，根据第二特征信息和目标疾病住院风险预测模型，确定出待预测医疗对象因目标疾病住院的疾病住院风险概率；基于第一特征信息和每个疾病住院风险概率，生成第三特征信息；根据第三特征信息和第一总住院风险预测模型，确定出待预测医疗对象的住院风险。本公开能够提高住院风险预测的准确性。本公开能够提高住院风险预测的准确性。本公开能够提高住院风险预测的准确性。

【技术实现步骤摘要】
住院风险预测方法及装置、存储介质及电子设备


[0001]本公开涉及医疗
，具体而言，涉及一种住院风险预测方法、住院风险预测装置、计算机可读存储介质以及电子设备。

技术介绍

[0002]随着医疗信息化的不断发展与完善，医疗已经迈进了信息化和数字化的时代，医疗健康领域积累了大量数据，为基于人工智能的医疗研究提供了夯实的数据基础。
[0003]住院风险预测可以预测医疗对象的住院风险，进而可以根据预测结果对医疗对象的健康进行提前管控，降低医疗对象的住院可能性，进而在一定程度上节省医疗资源。
[0004]然而，相关技术中对医疗大数据的挖掘还不足，所以对住院风险预测的准确性较低。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种住院风险预测方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上改善相关技术中住院风险预测准确性低的问题。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本公开的第一方面，提供了一种住院风险预测方法，获取待预测医疗对象的第一特征信息和至少一个目标疾病住院风险预测模型，所述第一特征信息包括住院影响因子的信息；针对每个所述目标疾病住院风险预测模型，从所述第一特征信息中提取与所述目标疾病住院风险预测模型相关的第二特征信息；根据所述第二特征信息和所述目标疾病住院风险预测模型，确定出所述待预测医疗对象因所述目标疾病住院的疾病住院风险概率；基于所述第一特征信息和每个所述疾病住院风险概率，生成第三特征信息；根据所述第三特征信息和第一总住院风险预测模型，确定出所述待预测医疗对象的住院风险。
[0009]在本公开的一种示例性实施例中，基于前述方案，每个所述目标疾病住院风险预测模型通过以下方式确定：获取第一训练样本和第一样本标签，其中，所述第一训练样本包括目标疾病影响因子的历史信息，所述第一样本标签包括所述第一训练样本中的医疗对象是否因所述目标疾病住院；根据所述第一训练样本和所述第一样本标签进行有监督学习训练，以得到所述目标疾病住院风险预测模型。
[0010]在本公开的一种示例性实施例中，基于前述方案，所述第一总住院风险预测模型通过以下方式确定:获取每个所述目标疾病住院风险预测模型、第二训练样本和第二样本标签，其中，所述第二训练样本包括住院影响因子的历史信息，所述第二样本标签包括所述第二训练样本中的医疗对象是否住院；针对每个所述目标疾病住院风险预测模型，从所述第二训练样本中选择出第一输入特征，所述第一输入特征包括所述目标疾病的影响因子的
信息；针对每个所述目标疾病住院风险预测模型，根据所述第一输入特征和所述目标疾病住院风险预测模型，确定出疾病住院风险概率，所述疾病住院风险概率用于表征所述第二训练样本中的医疗对象因所述目标疾病住院的风险概率；根据所述第二训练样本和所述疾病住院风险概率，生成第三训练样本；根据所述第三训练样本和所述第二样本标签进行有监督学习训练，以得到所述第一总住院风险预测模型。
[0011]在本公开的一种示例性实施例中，基于前述方案，所述第二训练样本通过以下方式确定：获取结构化的原始历史医疗数据；根据每个所述原始历史医疗数据中的数据缺失情况，生成所述原始历史医疗数据中的医疗对象对应的特征值缺失位置向量；根据所述特征值缺失位置向量，将所述原始历史医疗数据分为K个类别；在每个类别内，基于多项式插补算法对所述类别内的原始历史医疗数据的缺失值进行填充，以根据所述填充结果，确定所述第二训练样本。
[0012]在本公开的一种示例性实施例中，基于前述方案，所述根据每个所述原始历史医疗数据中的数据缺失情况，生成所述原始历史医疗数据中的医疗对象对应的特征值缺失位置向量，包括：将所述原始历史医疗数据中数据缺失的位置确定为第一向量值；将所述原始历史医疗数据中数据未缺失的位置确定为第二向量值；根据所述第一向量值和所述第二向量值，生成所述原始历史医疗数据中的医疗对象对应的特征值缺失位置向量。
[0013]在本公开的一种示例性实施例中，基于前述方案，在所述第一总住院风险预测模型包括基于决策树的分布式梯度提升模型的情况下，所述待预测医疗对象通过以下方式确定：根据所述基于决策树的分布式梯度提升模型，确定住院影响因子的重要性程度，选择重要性程度排序在前N个的所述住院影响因子为目标住院影响因子；获取所述第二训练样本中所述目标住院影响因子的信息，根据所述目标住院影响因子的信息和所述第二样本标签，训练得到第二总住院风险预测模型；将测试样本输入到所述第二总住院风险预测模型中，以得到每个测试样本的住院风险等级；根据每个测试样本的所述住院风险等级和所述测试样本中的医疗对象的医疗费用，确定测试样本中各住院风险等级对应的平均医疗费用；根据所述平均医疗费用，确定所述住院风险等级对应的初始保险费用，以基于所述初始保险费用确定所述待预测医疗对象。
[0014]在本公开的一种示例性实施例中，基于前述方案，所述住院影响因子包括所述待预测医疗对象的性别、年龄、疾病史、体检指标、生活习惯中的一种或多种。
[0015]根据本公开的第二方面，提供了一种住院风险预测装置，信息获取模块，所述模块被配置为获取待预测医疗对象的第一特征信息和至少一个目标疾病住院风险预测模型，所述第一特征信息包括住院影响因子的信息；第二特征信息提取模块，被配置为针对每个所述目标疾病住院风险预测模型，从所述第一特征信息中提取与所述目标疾病住院风险预测模型相关的第二特征信息；疾病住院风险概率预测模块，被配置为根据所述第二特征信息和所述目标疾病住院风险预测模型，确定出所述待预测医疗对象因所述目标疾病住院的疾病住院风险概率；第三特征信息生成模块，被配置为基于所述第一特征信息和每个所述疾病住院风险概率，生成第三特征信息；住院风险预测模块，被配置为根据所述第三特征信息和第一总住院风险预测模型，确定出所述待预测医疗对象的住院风险。
[0016]根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的住院风险预测方法。
[0017]根据本公开实施例的第四方面，提供了一种电子设备，包括：处理器；以及，存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的住院风险预测方法。
[0018]由上述技术方案可知，本公开示例性实施例中的住院风险预测方法、住院风险预测装置，以及实现所述住院风险预测方法的计算机可读存储介质及电子设备，至少具备以下优点和积极效果：在本公开的一些实施例所提供的技术方案中，通过目标疾病住院风险预测模型可以得到待预测医疗对象因所述目标疾病住院的风险概率，然后将所述风险概率与该预测医疗对象对应的住院影响因子的信息进行结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种住院风险预测方法，其特征在于，包括：获取待预测医疗对象的第一特征信息和至少一个目标疾病住院风险预测模型，所述第一特征信息包括住院影响因子的信息；针对每个所述目标疾病住院风险预测模型，从所述第一特征信息中提取与所述目标疾病住院风险预测模型相关的第二特征信息；根据所述第二特征信息和所述目标疾病住院风险预测模型，确定出所述待预测医疗对象因所述目标疾病住院的疾病住院风险概率；基于所述第一特征信息和每个所述疾病住院风险概率，生成第三特征信息；根据所述第三特征信息和第一总住院风险预测模型，确定出所述待预测医疗对象的住院风险。2.根据权利要求1所述的住院风险预测方法，其特征在于，每个所述目标疾病住院风险预测模型通过以下方式确定：获取第一训练样本和第一样本标签，其中，所述第一训练样本包括目标疾病影响因子的历史信息，所述第一样本标签包括所述第一训练样本中的医疗对象是否因所述目标疾病住院；根据所述第一训练样本和所述第一样本标签进行有监督学习训练，以得到所述目标疾病住院风险预测模型。3.根据权利要求2所述的住院风险预测方法，其特征在于，所述第一总住院风险预测模型通过以下方式确定:获取每个所述目标疾病住院风险预测模型、第二训练样本和第二样本标签，其中，所述第二训练样本包括住院影响因子的历史信息，所述第二样本标签包括所述第二训练样本中的医疗对象是否住院；针对每个所述目标疾病住院风险预测模型，从所述第二训练样本中选择出第一输入特征，所述第一输入特征包括所述目标疾病的影响因子的信息；针对每个所述目标疾病住院风险预测模型，根据所述第一输入特征和所述目标疾病住院风险预测模型，确定出疾病住院风险概率，所述疾病住院风险概率用于表征所述第二训练样本中的医疗对象因所述目标疾病住院的风险概率；根据所述第二训练样本和所述疾病住院风险概率，生成第三训练样本；根据所述第三训练样本和所述第二样本标签进行有监督学习训练，以得到所述第一总住院风险预测模型。4.根据权利要求3所述的住院风险预测方法，其特征在于，所述第二训练样本通过以下方式确定：获取结构化的原始历史医疗数据；根据每个所述原始历史医疗数据中的数据缺失情况，生成所述原始历史医疗数据中的医疗对象对应的特征值缺失位置向量；根据所述特征值缺失位置向量，将所述原始历史医疗数据分为K个类别；在每个类别内，基于多项式插补算法对所述类别内的原始历史医疗数据的缺失值进行填充，以根据所述填充结果，确定所述第二训练样本。5.根据权利要求4所述的住院风险预测方法，其特征在于，所述根据每个所述原始历史
医疗数据中的数据缺失情况，生成所述原始历史医...

【专利技术属性】
技术研发人员：郭潇宇，亓玉雪，
申请(专利权)人：天津幸福生命科技有限公司，
类型：发明
国别省市：