【技术实现步骤摘要】
基于图神经网络的慢病共病预测方法、装置及相关设备
[0001]本专利技术涉及医疗检测领域,尤其涉及一种基于图神经网络的慢病共病预测方法、装置及相关设备。
技术介绍
[0002]随着人口老龄化趋势的加剧,人们的慢性病的发病率逐年增加,慢性病共病在现代医学中变得越来越普遍,给患者造成了持续且沉重的健康和经济负担。慢性病共病是指一个人同时患有多种慢性疾病,例如糖尿病合并高血压、心脏病合并肾脏疾病等。多个慢性病的共同存在,会相互影响、相互加重、导致患者健康状况更加复杂,增加了医疗资源的使用和医疗费用的负担,严重影响了患者的生活质量,因此,对慢性病共病进行预测和早期预防显得尤为重要。通过收集大量的医疗数据和健康数据,运用机器学习算法和深度学习模型,可以对患者的病情进行预测,并提供相应的个性化干预措施,从而降低共病风险,提高患者的生活质量,慢性病共病预测技术的应用可以帮助医护人员更好的了解患者的病情和治疗方案,同时也可以提高患者自身的健康意识和保健能力。
[0003]现有的慢性病风险预测方法中,主要包括传统机器学习方法和基于卷积神经网络的深度学习方法。传统机器学习方法主要专注于在有限的特征属性中筛选显著特征因素,然后根据这些显著特征因素利用机器学习模型预测患者患病风险,或者通过多个模型集成的方法来对患者未来可能患慢性病进行预测,这类方法通常需要选择合适的特征用于建模,但特征选择过程往往依赖于研究者的主观经验或领域知识,可能导致模型特征选择不足或过拟合的问题。基于卷积神经网络的深度学习方法通常基于患者数据的原始特征进行预测 ...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络的慢病共病预测方法,其特征在于,所述方法包括:获取患者个人特征信息和病例记录信息,所述病例记录信息包括同一患者的所有慢病诊断记录;对所述同一患者的所有慢病诊断记录按时间先后顺序进行排序,并基于排序结果对所述患者患有的慢性病进行顺序编号;根据所述患者个人特征信息和顺序编号结果,构建患者
‑
疾病二部图,所述二部图包括节点集合和边集合,所述节点集合包括患者节点和慢性疾病节点,所述边集合中的边表示患者被诊断患有慢性疾病,且被诊断出来的顺序编码为t,所述t为大于等于1的正整数;将所述患者
‑
疾病二部图输入至慢病共病预测模型,得到慢病共病预测结果,所述慢病共病预测模型包括信息传播模块和解码预测模块,所述信息传播模块用于对患者节点或慢性疾病节点传递的信息进行累加和汇聚,并更新所述患者节点和慢性疾病节点的嵌入向量表示,所述解码预测模块用于对所述患者节点和慢性疾病节点的嵌入向量表示进行解码,并预测得到患者患有慢病共病的概率。2.如权利要求1所述的方法,其特征在于,所述方法还包括:根据所述患者个人特征信息得到所述患者节点的初始特征向量表示;利用word2vec词向量化对各个慢性疾病节点进行编码,得到每个慢性疾病节点的初始特征向量表示,其中,所述每个慢性疾病节点的初始特征向量表示与所述患者节点的初始特征向量表示具有相同特征维度。3.如权利要求1或2所述的方法,其特征在于,所述对所述同一患者的所有慢病诊断记录按时间先后顺序进行排序,并基于排序结果对所述患者患有的慢性病进行顺序编号,包括:将所述同一患者的多个诊断记录中出现的同一慢病以首次诊断出现的序号作为编号;将所有超过3的序号统一编号为3。4.如权利要求1或2所述的方法,其特征在于,所述将所述患者
‑
疾病二部图输入至慢病共病预测模型,得到慢病共病预测结果包括:将所述患者
‑
疾病二部图输入至信息传播模块,得到更新后的所述患者节点和所述慢性疾病节点的嵌入向量表示,其中,所述信息传播模块包括图卷积层网络和全连接层网络,所述图卷积层网络用于所述患者节点和所述慢性疾病节点的信息传递和信息汇聚,所述全连接层网络用于根据所述图卷积层网络输出的汇聚信息,更新所述患者节点和所述慢性疾病节点的嵌入向量表示;将所述更新后的所述患者节点和所述慢性疾病节点的嵌入向量表示输入至解码预测模块,得到慢病共病预测结果,其中,所述解码预测模块包括双线性解码器,所述双线性解码器用于对所述患者节点和所述慢性疾病节点的嵌入向量表示进行解码,并根据解码结果预测得到患者患有慢病共病的概率。5.如权利要求4所述的方法,其特征在于,所述将所述患者
‑
疾病二部图输入至信息传播模块,得到更新后的所述患者节点和所述慢性疾病节点的嵌入向量表示包括:根据所述患者
‑
疾病二部图中边的编号类型划分子图,得到多个不同边类型的子图;在每一个不同边类型的子图上构造局部信息,所述局部信息包括慢性疾病通...
【专利技术属性】
技术研发人员:陈晓红,谢俊伟,曾阳艳,曹文治,
申请(专利权)人:湖南工商大学,
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。