基于医学记录数据的终点事件预测方法及相关设备技术

本公开提供一种基于医学记录数据的终点事件预测方法及相关设备，所述方法包括：获取患者的医学记录数据；对所述医学记录数据进行预处理，将所述医学记录数据分为初诊数据和随访数据；对所述初诊数据进行数据处理，得到初诊风险数值；对所述随访数据进行数据处理，得到随访风险数值；将所述初诊风险数值和所述随访风险数值输入目标终点事件风险预测模型进行数据处理，得到发生终点事件的风险预测数值；其中，所述目标终点事件风险预测模型是根据所述初诊风险数值和所述随访风险数值，对发生终点事件进行风险预测的模型。生终点事件进行风险预测的模型。生终点事件进行风险预测的模型。

【技术实现步骤摘要】
基于医学记录数据的终点事件预测方法及相关设备


[0001]本公开涉及数据处理
，尤其涉及一种基于医学记录数据的终点事件预测方法及相关设备。

技术介绍

[0002]随着大数据等信息技术在医疗临床中的普及，给患者数据收集与管理带来便利，也为患者生存分析提供了有力的数据支持。对于患者的医学记录数据进行分析可以实现患者的终点事件发生风险的有效估计，确定主要的风险因素。然而，风险预测方法只能反映患者群体的生存率，无法针对患者个体提供精细评估。
[0003]有鉴于此，如何对患者个体发生终点事件的风险进行精准预测，成为了一个重要的研究问题。

技术实现思路

[0004]有鉴于此，本公开的目的在于提出一种基于医学记录数据的终点事件预测方法及相关设备用以解决或部分解决上述技术问题。
[0005]基于上述目的，本公开的第一方面提出了一种基于医学记录数据的终点事件预测方法，所述方法包括：
[0006]获取患者的医学记录数据；
[0007]对所述医学记录数据进行预处理，将所述医学记录数据分为初诊数据和随访数据；
[0008]对所述初诊数据进行数据处理，得到初诊风险数值；
[0009]对所述随访数据进行数据处理，得到随访风险数值；
[0010]将所述初诊风险数值和所述随访风险数值输入目标终点事件风险预测模型进行数据处理，得到发生终点事件的风险预测数值；其中，所述目标终点事件风险预测模型是根据所述初诊风险数值和所述随访风险数值，对发生终点事件进行风险预测的模型。
>[0011]在一些实施例中，所述对所述医学记录数据进行预处理，将所述医学记录数据分为初诊数据和随访数据，包括：
[0012]根据所述医学记录数据的收集方式将所述医学记录数据分为初诊数据和随访数据；
[0013]对所述初诊数据进行预处理，得到初诊标签数据和初诊数值数据，并对所述初诊数值数据进行统计运算处理，得到所述初诊数值数据的均值和所述初诊数值数据的标准差；
[0014]对所述随访数据进行预处理，得到至少一个时间段的随访数值数据和至少一个时间段的随访变量数据。
[0015]在一些实施例中，所述对所述初诊数据进行数据处理，得到初诊风险数值，包括：
[0016]对所述初诊标签数据进行编码处理，得到初诊标签向量，
[0017][0018]其中，y
b
为所述初诊标签向量，N
l
为初诊标签向量的维度总数，初诊标签向量的维度范围为[1,N
l
]；
[0019]对所述初诊数值数据进行归一化处理，得到初诊数值向量，
[0020][0021]其中，x
b
为所述初诊数值向量，z
b
为所述初诊数值数据，μ为所述初诊数值数据的均值，σ为所述初诊数值数据的标准差；
[0022]对所述初诊标签向量和所述初诊数值向量进行拼接处理，得到初诊特征向量，将所述初诊特征向量与目标初诊权重向量相乘得到所述初诊风险数值，
[0023]s
b
＝W
b
·
v
b
＝W
b
·
C(y
b
,x
b
)
[0024]其中，s
b
为所述初诊风险数值，W
b
为所述目标初诊权重向量，v
b
为所述初诊特征向量，y
b
为所述初诊标签向量，x
b
为所述初诊数值向量，C(y
b
,x
b
)为对所述初诊标签向量和所述初诊数值向量进行拼接处理的拼接结果。
[0025]在一些实施例中，所述对所述随访数据进行数据处理，得到随访风险数值，包括：
[0026]对所述至少一个时间段的随访数值数据进行编码，得到随访数值向量，
[0027][0028]其中，v
s
为所述随访数值向量，为时间段t内变量m的数值，ω0,ω1,
…
,ω
α
,
…
,ω
L/2
‑1为编码函数频率，Φ为常数，α∈[0,L/2
‑
1]，L为所述随访数值向量的维度数；
[0029]对所述至少一个时间段的随访变量数据进行编码，得到随访变量向量，
[0030]v
p
(p)＝Pos(p)＝[sin(ω0p),cos(ω0p),
…
,sin(ω
α
p),cos(ω
α
p),
…
,sin(ω
L/2
‑1p),cos(ω
L/2
‑1p)][0031]其中，v
p
为所述随访变量向量，ω0,ω1,
…
,ω
α
,
…
,ω
L/2
‑1为编码函数频率，Φ为常数，α∈[0,L/2
‑
1]；
[0032]对所述随访数值向量和所述随访变量向量进行拼接处理，得到随访特征向量，对所述随访特征向量和历史随访特征向量进行特征提取处理，得到变量在该时间段的随访特征向量，
[0033][0034]其中，为变量m在时间段t的随访特征向量，为变量m在时间段t
‑
1的历史随访特征向量，为随访特征向量；
[0035]将所述随访特征向量经过转换处理得到变量对终点事件发生的贡献值，将所述贡
献值与目标随访权重向量相乘得到所述随访风险数值，
[0036]s
t
＝W
t
·
f
t
[0037]其中，s
t
为随访风险数值，W
t
为目标随访权重向量，f
t
为变量对终点事件发生的贡献值。
[0038]在一些实施例中，还包括：
[0039]从所述初诊数据中筛选出一定数量的初诊数据；
[0040]通过所述一定数量的初诊数据，基于反向传播对初诊数据处理过程中的初诊权重向量进行训练，得到优化后的初诊权重向量；其中，所述初诊数据处理过程为所述对所述初诊数据进行数据处理，得到初诊风险数值；
[0041]响应于确定所述一定数量的初诊数据全部训练完成，将所述优化后的初诊权重向量作为所述目标初诊权重向量W
b
；
[0042]从所述随访数据中筛选出一定数量的随访数据；
[0043]通过所述一定数量的随访数据，基于反向传播对随访数据处理过程中的随访权重向量进行训练，得到优化后的随访权重向量；其中，所述随访数据处理过程为所述对所述随访数据进行数据处理，得到随访风险数值；
[0044]响应于确定所述一定数量的随访数据全部训练完成，将所述优化后的随访权重向量作为所述目标随访权重向量W
t
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于医学记录数据的终点事件预测方法，其特征在于，所述方法包括：获取患者的医学记录数据；对所述医学记录数据进行预处理，将所述医学记录数据分为初诊数据和随访数据；对所述初诊数据进行数据处理，得到初诊风险数值；对所述随访数据进行数据处理，得到随访风险数值；将所述初诊风险数值和所述随访风险数值输入目标终点事件风险预测模型进行数据处理，得到发生终点事件的风险预测数值；其中，所述目标终点事件风险预测模型是根据所述初诊风险数值和所述随访风险数值，对发生终点事件进行风险预测的模型。2.根据权利要求1所述的方法，其特征在于，所述对所述医学记录数据进行预处理，将所述医学记录数据分为初诊数据和随访数据，包括：根据所述医学记录数据的收集方式将所述医学记录数据分为初诊数据和随访数据；对所述初诊数据进行预处理，得到初诊标签数据和初诊数值数据，并对所述初诊数值数据进行统计运算处理，得到所述初诊数值数据的均值和所述初诊数值数据的标准差；对所述随访数据进行预处理，得到至少一个时间段的随访数值数据和至少一个时间段的随访变量数据。3.根据权利要求2所述的方法，其特征在于，所述对所述初诊数据进行数据处理，得到初诊风险数值，包括：对所述初诊标签数据进行编码处理，得到初诊标签向量，其中，y
b
为所述初诊标签向量，N
l
为初诊标签向量的维度总数，初诊标签向量的维度范围为[1，N
l
]；对所述初诊数值数据进行归一化处理，得到初诊数值向量，其中，x
b
为所述初诊数值向量，z
b
为所述初诊数值数据，μ为所述初诊数值数据的均值，σ为所述初诊数值数据的标准差；对所述初诊标签向量和所述初诊数值向量进行拼接处理，得到初诊特征向量，将所述初诊特征向量与目标初诊权重向量相乘得到所述初诊风险数值，s
b
＝W
b
·
v
b
＝W
b
·
C(y
b
，x
b
)其中，s
b
为所述初诊风险数值，W
b
为所述目标初诊权重向量，v
b
为所述初诊特征向量，y
b
为所述初诊标签向量，x
b
为所述初诊数值向量，C(y
b
，x
b
)为对所述初诊标签向量和所述初诊数值向量进行拼接处理的拼接结果。4.根据权利要求3所述的方法，其特征在于，所述对所述随访数据进行数据处理，得到随访风险数值，包括：对所述至少一个时间段的随访数值数据进行编码，得到随访数值向量，
其中，v
s
为所述随访数值向量，为时间段t内变量m的数值，ω0，ω1，
…
，ω
α
，
…
，ω
L/2
‑1为编码函数频率，Φ为常数，α∈[0，L/2
‑
1]，L为所述随访数值向量的维度数；对所述至少一个时间段的随访变量数据进行编码，得到随访变量向量，v
p
(p)＝Pos(p)＝[sin(ω0p)，cos(ω0p)，...，sin(ω
α
p)，cos(ω
α
p)，...，sin(ω
L/2
‑1p)，cos(ω
L/2
‑1p)]其中，v
p
为所述随访变量向量，ω0，ω1，
…
，ω
α
，
…
，ω
L/2
‑1为编码函数频率，Φ为常数，α∈[0，L/2
‑
1]；对所述随访数值向量和所述随访变量向量...

【专利技术属性】
技术研发人员：贺志强，牛凯，刘致鸣，张宇迪，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：