【技术实现步骤摘要】
脓毒症实时预警的神经网络模型、方法和电子设备
[0001]本申请涉及到医学检测
,具体涉及一种脓毒症实时预警的神经网络模型、方法、装置、存储介质和电子设备。
技术介绍
[0002]脓毒症是一种由机体对感染反应异常引起的危及生命的器官功能障碍,在全球范围内,其影响的人群达数百万之多,其中三分之一到六分之一的人死于此病。
[0003]通常使用SIRS、SOFA和qSOFA等临床方法别脓毒症,但存在如下瑕疵:(1)临床方法存在主观误判风险,其准确度与临床医生专业素养及经验强相关;(2)临床方法不具备实时预警功能,临床医生需要一系列复杂的定性及定量记录及检测才能完成一次评估,每日最多可完成2~3次。(3)临床方法不具备早期预警功能,临床方法确定潜在患者为脓毒症患者的时刻落后于患者罹患脓毒症的临界时刻,已经不存在疾病预警期,患者失去规避疾病发生的机会。
[0004]相比临床方法,以机器学习为主导的脓毒症判别算法是一种完全数字驱动的决策系统,一种全天候的实时预警系统,一种可自定义预警期的早期预警系统。Li等在Li X, Xu X, Xie F, Xu X, Sun Y, Liu X, Jia X, Kang Y, Xie L, Wang F, Xie G. A Time
‑
Phased Machine Learning Model for Real
‑
Time Prediction of Sepsis in Critical Care. Crit Care Med. 20 ...
【技术保护点】
【技术特征摘要】
1.脓毒症实时预警的神经网络模型,其特征在于,包括:数据处理模块,用于根据监测得到的每个时序点的变量观测数据,获得每个时序点的遮蔽数据以及每个时序点的时间间隔数据;编码器模块,用于根据所述每个时序点的变量观测数据、所述每个时序点的遮蔽数据、每个时序点的时间间隔数据以及每个时序点的前一时序点的隐藏状态按照时序点排列的从前向后的顺序和按照时序点排列的从后向前的顺序分别获得上述两个顺序方向上每个时序点的隐藏状态;注意力机制模块,用于在每个所述顺序方向上根据所有时序点的隐藏状态、所有第一译码器输入进行注意力机制调节获得注意力机制输出;译码器模块,用于在每个所述顺序方向上根据所述每个时序点的第一译码器输入和每个时序点的第二译码器输入获得每个时序点的译码器输出;在按照时序点排列的从前向后的顺序上,所述每个时序点的第一译码器输入为前一时序点的译码器输出,所述每个时序点的第二译码器输入为所述每个时序点的注意力机制输出;在按照时序点排列的从后向前的顺序上,所述每个时序点的第一译码器输入为后一时序点的译码器输出,所述每个时序点的第二译码器输入为所述每个时序点的注意力机制输出;求和模块,用于将所述两个顺序方向上获得的同一时序点的译码器输出进行加权求和获得每个时序点的输出;回归输出模块,用于根据所述每个时序点的输出获得所述每个时序点的插值以代替对应时序点上缺失的变量观测数据;分类输出模块,用于根据所述每个时序点的输出获得所述每个时序点发生脓毒血症的预测分类结果。2.根据权利要求1所述的模型,其特征在于:所述遮蔽数据中第t个时序点的第d个变量的遮蔽值为;所述时间间隔数据中第t个时序点的第d个变量的值为,其中,为第t个时序点的变量观测数据对应的时间戳。3.根据权利要求2所述的模型,其特征在于:所述隐藏状态的获得方法包括:在按照时序点排列的从前向后的顺序上,建立时序点对应的输出端衰减函数;其中,,H为单个时序点对应隐藏单元的个数,D为所述变量观测数据中变量种类的数量;均为输出端衰减函数的待定系数、且的初始值均由高斯分布抽样确定;为所述时间间隔数据中时序点t的时间间隔向量,;时序点t对应的隐藏状态;
其中,为矩阵取内积符号,代表纵向拼接;,默认初始值由高斯分布抽样确定;,为第t 个序列点对应的遮蔽向量且 ,为sigmoid激活函数;B,C,d均为隐藏状态的待定系数、且B,C,d初始值均由高斯分布抽样确定;为完成最终插值后的值,;在按照时序点排列的从后向前的顺序上,建立时序点t对应的输出端衰减函数;其中,均为输出端衰减函数的待定系数、且初始值均由高斯分布抽样确定;按照时序点排列的从前向后的顺序建立时序点t对应的隐藏状态;其中,,默认初始值由高斯分布抽样确定;均为隐藏状态的待定系数、且初始值均由高斯分布抽样确定。4.根据权利要求1所述的模型,其特征在于:所述每个顺序方向上各有一个注意力机制模块,所述每个注意力机制模块包括第一全连接层、第一softmax层和加权求和模块;所述注意力机制输出的获得方法包括:将所有时序点的隐藏状态、所有时序点的第一译码器的输入,输入至所述第一全连接层获得第一全连接层的输出;将所述第一全连接层的输出,输入至所述第一softmax层后得到所述第一softmax层输出;将所有时序点的隐藏状态和第一全连接层的输出在所述加权求和模块中进行矩阵运算后获得注意力机制输出。5.根据权利要求4所述的模型,其特征在于:按照时序点排列的从前向后的顺序上,所述时序点的译码器输出为;其中,,W和b均为译码器输出的待定系数且W和b均使用高斯分布抽样初始化,为按照时序点排列的从前向后的顺序上的时序点t的注意力机制输出,;按照时序点排列的从后向前的顺序上,所述时序点的译码器输出为;其中,均为译码器输出的待定系数且均使用高斯分布抽样初始化,为按照时序点排列的从前向后的顺序上的...
【专利技术属性】
技术研发人员:陈虎,涂燕晖,姚振杰,程海博,陈一昕,
申请(专利权)人:江苏未来网络集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。