基于对比学习的终末期肾病并发症风险预测系统技术方案

本发明专利技术公开了一种基于对比学习的终末期肾病并发症风险预测系统，包括终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。本发明专利技术基于倾向性得分匹配与SMOTE结合，进行数据扩增和正负样本匹配，以扩增结构化的终末期肾病数据，并解决正负样本不均衡的问题；从多个角度防止特征崩溃现象，获得更好的表征效果，从而提高模型性能。提高模型性能。提高模型性能。

【技术实现步骤摘要】
基于对比学习的终末期肾病并发症风险预测系统


[0001]本专利技术涉及一种医疗健康信息
，尤其涉及一种基于对比学习的终末期肾病并发症风险预测系统。

技术介绍

[0002]终末期肾病病程长，在长期的治疗过程中可能发生多种并发疾病，包括血管通路感染、高血压、冠心病、失眠、抑郁等，严重影响患者生存质量。因此，对终末期肾病并发症进行风险预测及早期干预十分必要。在长期的治疗过程中，医院电子信息系统随时间积累了大量的结构化医疗数据，包含了多维度、多尺度的临床特征以及多种类的结局事件标签。真实场景下的临床数据面临结构复杂、正负样本不均衡、部分类别样本量较少的问题，难以直接应用现有的机器学习方法获得有效的预测结果。当今对比学习已经广泛应用于各个领域，通过对比式的学习架构学习表征从而提升整体模型性能，但是将其应用于终末期肾病并发症风险预测仍然面临一些问题。一方面传统对比学习容易发生特征崩溃问题。自监督式的对比学习的一个弊端在于没有正负样例的修正，非常容易把所有输入映射到同一向量，从而发生特征崩溃问题。即使引入标签数据进行监督学习，虽然嵌入向量不会完全崩溃，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，包括：终末期肾病数据准备模块，用于利用医院电子信息系统和日常监测设备提取患者的结构化数据，并对所述结构化数据处理得到扩增结构化数据；并发症风险预测模块，用于构建并发症表征学习模型和并发症风险预测模型，将所述扩增结构化数据通过所述并发症表征学习模型训练学习得到并发症表征，并利用所述并发症表征通过所述并发症风险预测模型进行终末期肾病并发症风险预测。2.如权利要求1所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述终末期肾病数据准备模块具体包括：数据获取单元，用于利用医院电子信息系统和日常监测设备提取结构化数据；数据清洗单元，用于对所述结构化数据进行缺失值处理、错误值的检测、重复数据的消除和/或不一致性的消除操作，得到静态数据、一维时序数据和二维时序数据；数据融合单元，用于对所述一维时序数据和所述二维时序数据分别采用一维卷积、二维卷积操作得到的一维压缩数据和所述静态数据进行拼接后得到原始融合特征；数据扩增单元，用于将所述原始融合特征采用倾向性得分匹配与SMOTE相结合的数据扩增方法，得到扩增结构化数据。3.如权利要求1所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述结构化数据包括人口统计学数据、手术数据、用药数据、化验数据、诊断数据和日常监测数据。4.如权利要求2所述的一种基于对比学习的终末期肾病并发症风险预测系统，其特征在于，所述数据扩增单元具体包括：融合特征组件：用于将发生终末期肾病并发症的患者作为正样本，未发生终末期肾病并发症的患者作为负样本，以所述原始融合特征来表示正样本和负样本，将所述正样本和所述负样本的原始融合特征进行归一化操作，得到融合特征；倾向性评分组件：用于任意选取所述融合特征的一个维度作为干预变量，所述融合特征的其余维度作为协变量集，通过损失函数优化，得到倾向性评分；匹配组件：用于所有所述正样本构成正样本全集，所有所述负样本构成负样本全集，所述正样本全集基于所述倾向性评分匹配所述负样本全集中的负样本子集；正样本扩增组件：用于对所述正样本全集通过SMOTE算法获得扩增正样本...

【专利技术属性】
技术研发人员：李劲松，王丰，池胜强，田雨，周天舒，
申请(专利权)人：之江实验室，
类型：发明
国别省市：