【技术实现步骤摘要】
本方法涉及人工智能、自然语言处理，具体涉及一种基于动态图神经网络的序列疾病预测方法和装置。
技术介绍
1、序列疾病预测是医疗保健中的一项重要任务，其目的是根据患者的历史就诊信息预测患者接下来的诊断。序列疾病预测不仅为患者和医生提供更多便利，也为医疗行业带来了巨大的价值。然而，在许多实际临床情况下，技术和隐私问题导致历史就诊记录和患者资料获取困难。即便解决了技术和隐私问题，在电子健康记录中，患者的病史往往表现出基于时间序列的特征。这严重限制了传统疾病预测方法的应用并影响预测的准确性。在这种情况下，序列疾病预测需要能够准确地捕捉到患者的病情演变，从而做出正确的疾病预警和治疗建议。
2、近年来，许多传统的神经网络模型被应用于序列疾病预测。其中，基于循环神经网络和图神经网络的方法表现出一定的优势。然而，基于循环神经网络的预测方法在建模长期依赖关系方面存在局限；而基于图神经网络的方法，仍有待提高其捕获疾病发展的动态性和时序性特征的能力。这些局限性导致现有方法在捕捉患者病史信息和预测疾病发展方面的准确性不高，难以满足医疗领域对高精度预测结果的需求。
3、因此本方法根据患者每一次就诊记录构建一张就诊图，由于患者具有多次就诊，每一次就诊得到的对应的就诊图都是不一样的，因此就会形成一张动态图，通过对动态图建模可以更好的捕获患者历史就诊的时序性信息以及疾病发展的动态性。
技术实现思路
1、针对现有的方法的不足，本方法提出一种基于动态图神经网络的序列疾病预测方法和装置。基于患者历
2、本方法的技术任务是按以下方式实现的，基于动态图神经网络的序列疾病预测方法，该方法具体如下：
3、s1、预处理序列疾病预测模型数据集：下载网络上公开的电子病历数据集获取原始数据并且预处理原始数据；
4、s2、构建序列疾病预测模型训练数据集：输入s1预处理后的数据，根据预先定义的训练数据集数量，从预处理后的数据中随机选择一定数量的患者样本数据作为训练数据集，对于训练数据集中的每个患者，构建患者对应的就诊记录字典、诊断编码字典以及诊断编码映射字典，以构成每个训练数据集样本；
5、s3、构建序列疾病预测模型：主要操作包括构建疾病全局图模块、构建初始化疾病全局图模块、构建就诊动态图模块、构建当前就诊疾病关系探索模块、构建多次就诊疾病关系探索模块、构建时间感知注意力模块、构建预测模块；
6、s4、训练序列疾病预测模型：将步骤s3构建的序列疾病预测模型在s2所得的训练数据集上进行训练。
7、一种存储介质，其中储存有多条指令，其特征在于，所述指令由处理器加载，执行上述的基于动态图神经网络的序列疾病预测方法的步骤。
8、一种电子设备，其特征在于，所述电子设备包括：
9、上述的储存介质；以及
10、处理器，用于执行所述储存介质中的指令。
11、本方法的基于动态图神经网络的序列疾病预测方法和装置具有以下优点：
12、(一)本方法根据数据集中所有患者的历史就诊记录，基于疾病的共现关系构建疾病全局图，并将疾病的相似度作为边的权值，通过构建疾病全局图，可以建立所有疾病之间的相似关系。
13、(二)本方法根据患者每次就诊记录以及疾病全局图构建患者每次就诊的就诊图，由于患者每次就诊得到的就诊图是不同的，因此不同的就诊图组成动态图，通过构建动态图可以更好的建模患者每一次就诊疾病的变化趋势；
14、(三)本方法根据患者每次就诊诊断出的疾病，基于疾病的共现关系以及疾病全局图构建每次就诊的就诊图，之后通过产生的就诊图来探索疾病交互关系；
15、(四)在患者一次就诊记录中，可能出现与前一次就诊记录相同的长期性疾病，也可能由前一次就诊记录中的疾病演变而来的突发性疾病，因此，本方法通过转移机制来探索疾病在不同就诊阶段的转移关系，更好的建模突发性疾病和长期性疾病的变化过程；
16、(五)通常来说，时间比较久远的就诊对患者的影响较小，而时间比较近的就诊对患者的影响比较大，因此，本方法考虑到历史就诊时间的远近对患者的影响，通过时间注意力模块建模历史就诊不同的重要性。
本文档来自技高网...【技术保护点】
1.基于动态图神经网络的序列疾病预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述S2中构建序列疾病预测模型训练数据集，首先需要输入S1预处理后的数据，然后，根据预先定义的训练数据集数量，从预处理后的数据中随机选择一定数量的患者样本数据作为训练数据集，对于训练数据集中的每个患者，构建患者对应的就诊记录字典、诊断编码字典以及诊断编码映射字典，以构成每个训练数据集样本；将所有训练数据集样本混合得到训练数据集，具体步骤如下：
3.根据权利要求1所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述S3中构建序列疾病预测模型的具体步骤如下：
4.根据权利要求3所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述步骤S304中构建当前就诊疾病关系探索模块的具体步骤如下：
5.根据权利要求3所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述步骤S305中构建多次就诊疾病关系探索模块的具体步骤如下：
6.根据权利要求1所述的基于动态图神经网
7.基于动态图神经网络的序列疾病预测装置，其特征在于，该装置包括预处理数据集单元、训练数据集构建单元、序列疾病预测模型构建单元、序列疾病预测模型训练单元，分别实现权利要求1-6所描述的基于动态图神经网络的序列疾病预测方法的步骤；
8.一种储存介质，其中储存有多条指令，其特征在于，所述指令有处理器加载，执行权利要求1-6中所述的基于动态图神经网络的序列疾病预测方法的步骤。
9.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.基于动态图神经网络的序列疾病预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述s2中构建序列疾病预测模型训练数据集，首先需要输入s1预处理后的数据，然后，根据预先定义的训练数据集数量，从预处理后的数据中随机选择一定数量的患者样本数据作为训练数据集，对于训练数据集中的每个患者，构建患者对应的就诊记录字典、诊断编码字典以及诊断编码映射字典，以构成每个训练数据集样本；将所有训练数据集样本混合得到训练数据集，具体步骤如下：
3.根据权利要求1所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述s3中构建序列疾病预测模型的具体步骤如下：
4.根据权利要求3所述的基于动态图神经网络的序列疾病预测方法，其特征在于，所述步骤s304中构建当前就诊疾病关系探...
【专利技术属性】
技术研发人员：鹿文鹏，张鑫，张维玉，管红娇，郑超群，赵龙，任晓强，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。