一种基于知识图谱的脓毒症时序预测方法及系统技术方案

本发明专利技术涉及一种基于知识图谱的脓毒症时序预测方法及系统；该方法包括：获取脓毒症患者的时序诊次信息，形成诊次数据集；基于

【技术实现步骤摘要】
一种基于知识图谱的脓毒症时序预测方法及系统


[0001]本专利技术涉及脓毒症预测
，尤其涉及一种基于知识图谱的脓毒症时序预测方法及系统
。

技术介绍

[0002]脓毒症是指因感染引起的宿主反应失调导致的危及生命的器官功能障碍，具有发病率高
、
预后差及病死率高等特点，严重威胁患者的生命健康
。
部分脓毒症患者的心脏和肾脏会同时出现功能障碍，这种由脓毒症诱发的心肾共病被称为脓毒症心肾综合征（
cardiorenal syndrome
，
CRS
）
。
早期预测脓毒症
CRS
患者的发病概率，有助于医生早期采取积极治疗措施，改善患者不良结局，延长患者生存时间，如何利用患者的临床信息构建有效的早筛模型仍是目前需要解决的问题
。
[0003]图神经网络（
Graph Neural Networks
，
GNN
）是一类用于处理图数据的深度学习模型，与传统的机器学习模型不同之处在于：
[0004]1、
数据结构上，传统机器学习模型通常处理向量或矩阵格式的数据，而图神经网络可以处理图结构类型的优势
。
[0005]2、
局部性，传统机器学习模型假设样本独立同分布，图神经网络模型可以通过邻居节点来捕获节点周围的局部关系，可以更好的利用图结构的信息
。
[0006]但图神经网络也存在一些问题，如何利用好患者的多次时序诊次信息来构建临床图谱，仍是目前需要解决的问题
。
[0007]为此，本专利技术提供了一种基于知识图谱的脓毒症时序预测方法及系统
。

技术实现思路

[0008]基于此，有必要针对上述技术问题，提供一种基于知识图谱的脓毒症时序预测方法及系统
。
[0009]为了实现上述目的，本专利技术提供了一种基于知识图谱的脓毒症时序预测方法，包括：
[0010]获取脓毒症患者的时序诊次信息，将时序诊次信息进行预处理，形成诊次数据集；其中，将时序诊次信息进行预处理，包括：抽取脓毒症患者的时序诊次信息，对时序诊次信息进行标准化处理以及对时序诊次信息进行医疗编码映射，得到时序诊次数据集；
[0011]基于
CCS
或
ICD
编码技术，构建医学本体图谱；
[0012]基于医学本体图谱，根据目标脓毒症患者的时序诊次信息，构建目标脓毒症患者的诊次图谱；
[0013]基于诊次图谱，生成诊次邻接矩阵和诊次特征矩阵；
[0014]将诊次邻接矩阵和诊次特征矩阵分别输入至
ST
‑
GCN
网络模型中，得到目标脓毒症患者诊次
T
的诊断预测结果
。
[0015]具体的，所述时序诊次信息包括患者入住的相关诊断信息
、
用药信息以及治疗过
程相关信息
。
[0016]具体的，所述基于医学本体图谱，根据目标脓毒症患者的时序诊次信息，构建目标脓毒症患者的诊次图谱，具体包括：
[0017]将医学本体图谱定义为，其中，医学本体图谱中的各节点与诊次数据集中的医学代码节点相同；
[0018]提取目标脓毒症患者的时序诊次信息，形成目标脓毒症患者的诊次集合，其中，表示目标脓毒症患者的第
T
‑1次诊次信息；
[0019]基于同一目标脓毒症患者的时序诊次信息与医学本体图谱中编码
code
的映射关系，在医学本体图谱中选取子图作为目标脓毒症患者的诊次图谱，子图，其中，
M
表示诊次的多个医疗编码集合，表示祖先节点集合，
a
表示
CCS
或
ICD
中的编码
code。
[0020]具体的，生成所述诊次邻接矩阵，具体包括：基于目标脓毒症患者的诊次图谱，根据诊次图谱中的节点以及节点的边，将诊次图谱又定义为，其中，
V
表示诊次图谱的节点集合，且，
E
表示诊次图谱的边集合，并从
E
中生成诊次邻接矩阵
。
[0021]具体的，生成所述诊次特征矩阵，具体包括：将诊次图谱的节点集合
V
中的每个节点均进行编码处理，其中，在对每个节点进行编码处理过程中，每个节点的时序诊次信息中均包含相关诊断信息
、
用药信息以及治疗过程相关信息的三类信息，对每一类信息均进行编码处理，形成相应种类的编码，并将三种类别的编码进行拼接，得到目标脓毒症患者的相应节点的向量，将每个节点的向量进行相加，得到目标脓毒症患者的诊次特征矩阵，其中，
p
表示目标脓毒症患者，
X
表示每次诊次向量，
*
表示所有诊次集合
。
[0022]具体的，所述将诊次邻接矩阵和诊次特征矩阵分别输入至
ST
‑
GCN
网络模型中，得到目标脓毒症患者诊次
T
的诊断预测结果，具体包括：将诊次邻接矩阵和诊次特征矩阵分别输入至
ST
‑
GCN
网络模型中，采用诊次特征矩阵进行层归一化处理，基于
ST
‑
GCN
网络模型，将诊次邻接矩阵和诊次特征矩阵进行空间和时间的的卷积处理，分别得到不同的卷积提取特征结果，其中，
ST
‑
GCN
网络模型由6层
ST
‑
GCN unit
单位堆叠而成，将经过第二层
ST
‑
GCN unit
单位提取的卷积提取特征结果
、
经过第四层
ST
‑
GCN unit
单位提取的卷积提取特征结果以及经过第六层
ST
‑
GCN unit
单位提取的卷积提取特征结果进行组合，并通过最后一层的全联接层和
sigmoid
激活函数层，对向量进行
multi
‑
hot
预测，得到目标脓毒症患者诊次
T
的诊断预测结果
。
[0023]具体的，所述
ST
‑
GCN
网络模型中前两层
ST
‑
GCN unit
单位有
64
个输出通道，中间两层
ST
‑
GCN unit
单位有
128
个输出通道，最后两层
ST
‑
GCN unit
单位有
256
个输出通道
。
[0024]本专利技术还提供了一种基于知识图谱的脓毒症时序预测系统，包括：
[0025]数据采集模块，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于知识图谱的脓毒症时序预测方法，其特征在于，包括：获取脓毒症患者的时序诊次信息，将时序诊次信息进行预处理，形成诊次数据集；其中，将时序诊次信息进行预处理，包括：抽取脓毒症患者的时序诊次信息，对时序诊次信息进行标准化处理以及对时序诊次信息进行医疗编码映射，得到时序诊次数据集；基于
CCS
或
ICD
编码技术，构建医学本体图谱；基于医学本体图谱，根据目标脓毒症患者的时序诊次信息，构建目标脓毒症患者的诊次图谱；基于诊次图谱，生成诊次邻接矩阵和诊次特征矩阵；将诊次邻接矩阵和诊次特征矩阵分别输入至
ST
‑
GCN
网络模型中，得到目标脓毒症患者诊次
T
的诊断预测结果
。2.
根据权利要求1所述的一种基于知识图谱的脓毒症时序预测方法，其特征在于，所述时序诊次信息包括患者入住的相关诊断信息
、
用药信息以及治疗过程相关信息
。3.
根据权利要求2所述的一种基于知识图谱的脓毒症时序预测方法，其特征在于，所述基于医学本体图谱，根据目标脓毒症患者的时序诊次信息，构建目标脓毒症患者的诊次图谱，具体包括：将医学本体图谱定义为，其中，医学本体图谱中的各节点与诊次数据集中的医学代码节点相同；提取目标脓毒症患者的时序诊次信息，形成目标脓毒症患者的诊次集合，其中，表示目标脓毒症患者的第
T
‑1次诊次信息；基于同一目标脓毒症患者的时序诊次信息与医学本体图谱中编码
code
的映射关系，在医学本体图谱中选取子图作为目标脓毒症患者的诊次图谱，子图，其中，
M
表示诊次的多个医疗编码集合，表示祖先节点集合，
a
表示
CCS
或
ICD
中的编码
code。4.
根据权利要求3所述的一种基于知识图谱的脓毒症时序预测方法，其特征在于，生成所述诊次邻接矩阵，具体包括：基于目标脓毒症患者的诊次图谱，根据诊次图谱中的节点以及节点的边，将诊次图谱又定义为，其中，
V
表示诊次图谱的节点集合，且，
E
表示诊次图谱的边集合，并从
E
中生成诊次邻接矩阵
。5.
根据权利要求4所述的一种基于知识图谱的脓毒症时序预测方法，其特征在于，生成所述诊次特征矩阵，具体包括：将诊次图谱的节点集合
V
中的每个节点均进行编码处理，其中，在对每个节点进行编码处理过程中，每个节点的时序诊次信息中均包含相关诊断信息
、
用药信息以及治疗过程相关信息的三类信息，对每一类信息均进行编码处理，形成相应种类的编码，并将三种类别的编码进行拼接，得到目标脓毒症患者的相应节点的向量，将每个节点的向量进行相加，得到目标脓毒症患者的诊次特征矩阵，其中，
p
表示目标脓毒症患者，
X
表示每次诊次向量，
*
表示所有诊次集合
。
6.
根据权利要求5所述的一种基于知识图谱的脓毒症时序预测方法，其特征在于，所述将诊次邻接矩阵和诊次特征矩阵分别输入至
ST
‑
GCN
...

【专利技术属性】
技术研发人员：王瑞国，许娟，张佳乐，梁大柱，聂瑞，费鸿高，高剑伟，吴玉杰，史文钊，
申请(专利权)人：神州医疗科技股份有限公司，
类型：发明
国别省市：