一种基于层次图神经网络的疾病诊疗过程异常识别系统技术方案

本发明专利技术公开了一种基于层次图神经网络的疾病诊疗过程异常识别系统，包括数据采集模块、数据预处理模块、层次图神经网络构建模块、诊疗过程异常评分计算模块和诊疗过程异常识别应用模块。本发明专利技术提出层次图神经网络模型构建和训练方法，对复杂的纵向电子病历数据进行建模分析，实现对时序信息和共现信息的融合利用；本发明专利技术将疾病诊疗过程异常分为诊疗事件异常、就诊异常和患者异常三个层次，由低层次、细粒度的诊疗事件层次到高层次、粗粒度的患者层次，设计诊疗过程异常的分层量化和综合评价方法，并给出诊疗过程异常的分类方法，精确定位异常具体发生在哪次就诊哪个诊疗步骤。异常具体发生在哪次就诊哪个诊疗步骤。异常具体发生在哪次就诊哪个诊疗步骤。

【技术实现步骤摘要】
一种基于层次图神经网络的疾病诊疗过程异常识别系统


[0001]本专利技术属于医疗健康信息
，具体涉及一种基于层次图神经网络的疾病诊疗过程异常识别系统。

技术介绍

[0002]在临床诊疗过程中，即使是具有相同诊断的患者，也会具有不同的临床表现和疾病发展轨迹。患者异质性会导致相同诊断的患者具有差异巨大的诊疗过程。此外，医护人员对临床指南要求的诊疗方案和干预措施掌握不足、对临床指南的依从性不足，以及涉及诊疗过程的医疗费用和医保报销等原因，在导致诊疗过程差异的同时，也会引入不正确的或者不合规的医疗行为，导致患者的治疗效果下降和医疗费用增加等问题。因此，在真实医疗场景中，在差异巨大的诊疗过程中识别出异常的诊疗行为，有助于辅助医护人员根据患者的病情变化做出及时的、正确的诊疗方案调整，提高诊疗质量，改善治疗预后；有助于规范诊疗行为，控制医保费用。
[0003]现有的诊疗过程异常识别方案主要有：（1）基于高斯分布的方法：基于数据遵循高斯分布的假设，对诊疗行为的样本值作频率分布图，将在平均值加减3倍标准差以外的样本标记为异常数据。这种方法需要数据本身具备正态性，且均值和方差本身都对异常值很敏感，很容易受到影响。此外，该方法只能处理单一就诊事件，不能同时利用多种诊疗数据，并且忽略了纵向电子病历的时序信息。（2）基于主题模型的方法：将电子病历数据以就诊为单位进行划分，用主题模型挖掘每次就诊的主题，以此得到给定主题特定诊疗事件出现的概率，以及给定就诊特定主题出现的概率。概率相乘可以得到给定就诊特定诊疗事件出现的概率，根据此概率判断诊疗事件是否异常。该方法忽视了诊疗过程时间维度的信息，诊疗事件之间有时间先后顺序，就诊之间也有时间先后顺序。（3）基于贝叶斯网络的方法：将每个诊疗事件作为一个节点，通过构建贝叶斯网络对每个节点进行异常识别并给出异常评分值。在进行异常检测后，每个节点的异常评分值都综合了当前时刻和过去时刻的信息。该方法中的节点异常初始评分依赖于专家标注，主观性大，且获取成本高。此外，该方法无法利用不同就诊事件之间的时序信息。
[0004]电子病历数据复杂，不仅包含人口统计学、生物标志物和临床特征等多维数据，且具有复杂的纵向时序信息，患者有多次就诊信息，不同时间有不同的诊疗事件。现有方法难以处理复杂的纵向电子病历数据，无法利用不同就诊数据之间的关系。此外，在临床诊疗过程中，除了很大程度上偏离正常诊疗过程的异常患者，异常也可以表现为单次就诊事件异常，或者是就诊过程中的单个诊疗事件异常。仅根据单次诊疗事件的出现与否和出现先后顺序无法直接判断该诊疗事件是否有异常，需要将该诊疗事件放到患者的该次就诊事件，甚至患者的所有诊疗记录中进行综合判断。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出一种基于层次图神经网络的疾病诊疗过程异常
识别系统。
[0006]本专利技术的目的是通过以下技术方案实现的：一种基于层次图神经网络的疾病诊疗过程异常识别系统，包括：(1)数据采集模块：用于采集患者的基本信息和患者诊疗数据；(2)数据预处理模块：对数据采集模块采集的数据进行预处理，构建诊疗事件集合、就诊集合和患者集合；(3)层次图神经网络构建模块，包括以下子模块：诊疗过程层次网络构建子模块：用于构建包含诊疗事件、就诊、患者三个层次的诊疗过程层次网络；节点初始向量表示获取子模块：采用分层表示学习方法获取诊疗事件节点、就诊节点和患者节点的初始向量表示；模型构建与训练子模块：基于各层次节点初始向量表示构建层次图神经网络模型，利用图注意力机制进行多个层次的综合训练；(4)诊疗过程异常评分计算模块：根据层次图神经网络训练结果分层次计算异常值，逐层识别诊疗过程异常；(5)诊疗过程异常识别应用模块：将患者结构化数据进行预处理后分为诊疗事件节点、就诊节点和患者节点，计算不同节点的初始向量表示，利用层次图神经网络模型得到训练后的节点向量表示，并结合节点初始向量表示计算各层次节点异常值，从而找出异常节点。
[0007]进一步地，所述诊疗过程层次网络构建子模块中，将诊疗事件集合、就诊集合与患者集合构成节点集合；每一次就诊与当次就诊中发生的所有诊疗事件相连构成诊疗事件就诊边集合，每一个患者与该患者的所有就诊相连构成就诊患者边集合，将诊疗事件就诊边集合与就诊患者边集合构成边集合；所述节点集合和所述边集合共同构成诊疗过程层次网络。
[0008]进一步地，所述节点初始向量表示获取子模块中，将每次就诊中的诊疗事件按时间排列，利用词袋模型进行训练，获得诊疗事件节点初始向量表示；依次用诊疗事件长短期记忆自编码器模型和就诊长短期记忆自编码器模型获得就诊节点初始向量表示和患者节点初始向量表示。
[0009]进一步地，所述诊疗事件节点初始向量表示，通过对诊疗事件节点进行独热编码，利用词袋模型对诊疗事件节点的独热编码结果进行训练获得，具体为：获得诊疗事件节点的独热编码；以就诊为单位按时间顺序排列诊疗事件节点生成诊疗事件序列；观察窗口长度为L，按顺序每一个诊疗事件节点的前、后各L个诊疗事件节点作为词袋模型的输入节点，每个输入节点都乘以输入权重矩阵并加和得到隐层向量；隐层向量乘以输出权重矩阵，再用softmax激活处理后得到诊疗事件节点的预测值；用诊疗事件节点的重构损失进行训练，得到词袋模型的输入权重矩阵；训练结束后，将诊疗事件节点的独热编码和输入权重矩阵相乘得到诊疗事件节点初始向量表示。
[0010]进一步地，所述就诊节点初始向量表示的获取具体为：以就诊为单位按时间顺序排列诊疗事件节点生成诊疗事件序列，构建诊疗事件长短期记忆自编码器模型，输入诊疗事件序列，用诊疗事件节点的重构损失进行训练，训练完成后，用诊疗事件长短期记忆自编
码器模型的编码器将诊疗事件序列编码成固定长度的向量，得到就诊节点初始向量表示。
[0011]进一步地，所述患者节点初始向量表示的获取具体为：以患者为单位按时间顺序排列就诊节点生成就诊序列，构建就诊长短期记忆自编码器模型，输入就诊序列，用就诊节点的重构损失进行训练，训练完成后，用就诊长短期记忆自编码器模型的编码器将就诊序列编码成固定长度的向量，得到患者节点初始向量表示。
[0012]进一步地，所述模型构建与训练子模块中，利用L2范数计算经过层次图神经网络后的节点向量表示与初始向量表示的图节点重构损失；利用交叉熵计算图关系重构损失；利用图节点重构损失和图关系重构损失对层次图神经网络模型进行训练。
[0013]进一步地，所述层次图神经网络模型的训练过程中，将节点初始向量表示和节点邻接矩阵输入层次图神经网络，所述层次图神经网络具有若干层图注意力层；对于某节点，每一层图注意力层逐个计算其邻居节点和其自身之间的相似系数，通过相似系数计算该层注意力系数，利用该层注意力系数对该节点在该层的节点向量表示进行更新，该节点经过所有层图注意力训练后，得到该节点对应的节点向量表示。
[0014]进一步地，所述诊疗过程异常评分计算模块中，对于某次就诊，计算诊疗事件集合中每个诊疗事件与该次就诊的内积，激活后得到每个诊疗事本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层次图神经网络的疾病诊疗过程异常识别系统，其特征在于，包括：(1)数据采集模块：用于采集患者的基本信息和患者诊疗数据；(2)数据预处理模块：对数据采集模块采集的数据进行预处理，构建诊疗事件集合、就诊集合和患者集合；(3)层次图神经网络构建模块，包括以下子模块：诊疗过程层次网络构建子模块：用于构建包含诊疗事件、就诊、患者三个层次的诊疗过程层次网络；节点初始向量表示获取子模块：采用分层表示学习方法获取诊疗事件节点、就诊节点和患者节点的初始向量表示；模型构建与训练子模块：基于各层次节点初始向量表示构建层次图神经网络模型，利用图注意力机制进行多个层次的综合训练；(4)诊疗过程异常评分计算模块：根据层次图神经网络训练结果分层次计算异常值，逐层识别诊疗过程异常；(5)诊疗过程异常识别应用模块：将患者结构化数据进行预处理后分为诊疗事件节点、就诊节点和患者节点，计算不同节点的初始向量表示，利用层次图神经网络模型得到训练后的节点向量表示，并结合节点初始向量表示计算各层次节点异常值，从而找出异常节点。2.根据权利要求1所述的一种基于层次图神经网络的疾病诊疗过程异常识别系统，其特征在于，所述诊疗过程层次网络构建子模块中，将诊疗事件集合、就诊集合与患者集合构成节点集合；每一次就诊与当次就诊中发生的所有诊疗事件相连构成诊疗事件就诊边集合，每一个患者与该患者的所有就诊相连构成就诊患者边集合，将诊疗事件就诊边集合与就诊患者边集合构成边集合；所述节点集合和所述边集合共同构成诊疗过程层次网络。3.根据权利要求1所述的一种基于层次图神经网络的疾病诊疗过程异常识别系统，其特征在于，所述节点初始向量表示获取子模块中，将每次就诊中的诊疗事件按时间排列，利用词袋模型进行训练，获得诊疗事件节点初始向量表示；依次用诊疗事件长短期记忆自编码器模型和就诊长短期记忆自编码器模型获得就诊节点初始向量表示和患者节点初始向量表示。4.根据权利要求3所述的一种基于层次图神经网络的疾病诊疗过程异常识别系统，其特征在于，所述诊疗事件节点初始向量表示，通过对诊疗事件节点进行独热编码，利用词袋模型对诊疗事件节点的独热编码结果进行训练获得，具体为：获得诊疗事件节点的独热编码；以就诊为单位按时间顺序排列诊疗事件节点生成诊疗事件序列；观察窗口长度为L，按顺序每一个诊疗事件节点的前、后各L个诊疗事件节点作为词袋模型的输入节点，每个输入节点都乘以输入权重矩阵并加和得到隐层向量；隐层向量乘以输出权重矩阵，再用softmax激活处理后得到诊疗事件节点的预测值；用诊疗事件节点的重构损失进行训练，得到词袋模型的输入权重矩阵；训练结束后，将诊疗事件节点的独热编码和输入权重矩阵相乘得到诊疗事件节点初始向量表示。5.根据权利要求3所述的一种基于层次图神经网络的疾病诊疗过程异常识别系统，其特...

【专利技术属性】
技术研发人员：李劲松，徐铭鸿，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：