再入院预测模型训练方法、再入院预测方法、装置及设备制造方法及图纸

本发明专利技术提供再入院预测模型训练方法、再入院预测方法、装置及设备，包括：获取历史心衰患者的临床数据；基于临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集；基于第一训练集，构建因果网络模型，对因果网络模型进行训练，得到最优因果网络结构；基于最优因果网络结构，剔除第一训练集中与心衰患者再入院结局无因果关系的特征，得到第二训练集；基于第二训练集，构建目标再入院预测模型，对目标再入院预测模型进行训练，得到训练好的目标再入院预测模型。通过提取心衰患者临床数据中与再入院临床结局有关的特征，通过再入院临床结局相关特征，可以确定心衰患者发生再入院概率及再入院干预方式，进而实现对心衰患者的及时干预。及时干预。及时干预。

【技术实现步骤摘要】
再入院预测模型训练方法、再入院预测方法、装置及设备


[0001]本专利技术涉及心衰疾病研究领域，具体涉及再入院预测模型训练方法、再入院预测方法、装置及设备。

技术介绍

[0002]慢性心力衰竭(Chronic heart failure,CHF)是一种复杂异质的综合性疾病，由心室充盈或射血功能障碍引起，随着病情进展可能造成身体各个器官供血不足，从而导致器官衰竭，甚至死亡等现象，严重影响患者生命质量。心力衰竭疾病状态呈现出多病共存现象，表现为一种全身性、多系统、且不断变化的疾病，可能会导致一系列不同的临床结局事件。因此，对于心衰患者再住院的把控可有效改善患者不良结局事件发生，还可大大降低降低医疗费用成本。
[0003]相关技术中，缺乏对心衰患者发生再入院的因果推断，很难确定造成心衰患者再入院的原因，进而无法对心衰患者的再入院情况进行准确预测和及时干预。

技术实现思路

[0004]因此，本专利技术要解决的技术问题在于克服现有技术中无法对心衰患者的再入院情况进行准确预测和及时干预的缺陷，从而提供再入院预测模型训练方法、再入院预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种再入院预测模型训练方法，其特征在于，所述方法包括：获取历史心衰患者的临床数据；基于所述临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集；基于所述第一训练集，构建因果网络模型，对所述因果网络模型进行训练，得到最优因果网络结构；基于所述最优因果网络结构，剔除所述第一训练集中与心衰患者再入院结局无因果关系的特征，得到第二训练集；基于所述第二训练集，构建目标再入院预测模型，对所述目标再入院预测模型进行训练，得到训练好的目标再入院预测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集，包括：基于所述临床数据，确定特征变量、结局变量及干预变量；对所述临床数据进行缺失值填补，得到第一数据集；基于所述特征变量，对所述第一数据集进行变量值截断，得到第二数据集；基于所述结局变量，对所述第二数据集进行不均衡处理，得到第三数据集；对所述第三数据集进行单因素分析筛选与心衰患者再入院结局相关的特征，得到所述第一训练集。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一训练集，构建因果网络模型，对所述因果网络模型进行训练，得到最优因果网络结构，包括：基于所述第一训练集，确定目标特征变量，构建第一局部结构；计算所述第一局部结构的评分值，确定评分值最大的第二局部结构；计算所述第二局部结构中每一特征变量对应局部结构的评分值，将评分值最大的局部结构作为最优因果网络结构。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一训练集，确定目标特征变量，构建第一局部结构，包括：基于所述第一训练集，计算得到特征变量之间的最小关联度；基于所述最小关联度，确定所述目标特征变量，获取所述目标特征变量对应的初始节点集；将特征变量中与所述目标特征变量之间的关联度不为0的第一特征变量加入所述初始节点集，构建第一局部结构。5.根据权利要求2所述的方法，其特征在于，所述基于所述第二训练集，构建目标再入院预测模型，对所述目标再入院预测模型进行训练，得到训练好的目标再入院预测模型，包括：基于所述第二训练集，构建多任务学习模型，所述多任务学习模型的学习任务包括：再入院概率和再入院干预方式；基...

【专利技术属性】
技术研发人员：张岩波，闫晶晶，田晶，杨晓敏，杨弘，解赛君，
申请(专利权)人：山西中医药大学，
类型：发明
国别省市：