【技术实现步骤摘要】
本专利技术涉及时间预测领域，具体来说，尤其涉及基于人工智能的重症监护患者住院时间预测方法及系统。
技术介绍
1、重症监护病房是拯救生命的最后防线，其中的资源如床位、医护人员等都极为宝贵。重症患者承受着巨大的痛苦，治疗费用也十分高昂。如果住院时间过长，不仅增加了患者感染的风险，也会占用宝贵的医疗资源；而如果住院时间过短，患者治疗不充分，病情隐患依然存在。因此，准确预测患者的住院时间对提高医院的应急处理能力和床位管理效率至关重要，可以最大限度地拯救更多生命。
2、随着医疗信息化水平的提高，各种电子病历系统正在记录和收集患者的诊疗数据。这些包含时间信息的丰富数据为建立智能化的住院时间预测模型提供了可能。通过分析这些时序数据，可以帮助医生更准确地判断患者的病情变化，为重症监护的治疗决策提供依据。
3、但是现有技术中用于时间序列预测的模型评估和选择方法存在偏差，无法准确评估模型的泛化能力，预测模型无法实时利用最新信息进行预测，导致预测结果难以反映患者当前状态，且无法动态适应新样本数据，当患者出现重大变化时，需要重复训练整个模型，导致训练时间长且容易遗忘已学知识，对模型预测结果的验证和修正机制，预测准确性无法保证。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、为了克服以上问题，本专利技术旨在提出基于人工智能的重症监护患者住院时间预测方法及系统，目的在于解决现有技术中用于时间序列预测的模型评估和选择方法存在偏差，无法准确评估模型的
2、为此，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一个方面，提供了基于人工智能的重症监护患者住院时间预测方法，该重症监护患者住院时间预测方法包括以下步骤：
4、s1、收集重症监护患者的临床数据；
5、s2、构建多个基于深度学习的动态预测模型，并将重症患者的静态信息作为协变量输入动态预测模型；
6、s3、利用留一交叉验证对多个动态预测模型进行训练，并选择最佳动态预测模型；
7、s4、当重症患者病情出现重大变换时，使用最新的时序数据对最佳动态预测模型进行增量训练；
8、s5、在每个预测时间点，利用当前时刻的信息作为最佳动态预测模型的输入，并进行动态预测，输出重症患者的预期住院天数；
9、s6、将预期住院天数作为参考，结合医疗知识图谱对预测结果进行审核，作为输出重症患者最终的住院天数预测；
10、s7、根据新收集的重症患者入院数据和随访数据，迭代训练并优化最佳动态预测模型。
11、可选地，利用留一交叉验证对多个动态预测模型进行训练，并选择最佳动态预测模型包括以下步骤：
12、s31、获取重症监护患者的临床数据，临床数据包括不同时间点的生理参数和病历数据；
13、s32、对临床数据进行数据清洗，并构建多个不同的动态预测模型；
14、s33、每次从临床数据中留出一个样本作为验证集，使用剩余样本训练模型；
15、s34、对每个动态预测模型，计算其在留出的验证集中样本的预测误差；
16、s35、重复执行s33至s34的步骤，直到每个样本都作为验证集一次，得到每个动态预测模型的平均预测误差；
17、s36、比较不同动态预测模型的平均预测误差，选择误差最小的动态预测模型作为最佳动态预测模型；
18、s37、使用所有训练数据重新训练选择出的最佳模型，作为最终的动态预测模型。
19、可选地，对每个动态预测模型，计算其在留出的验证集中样本的预测误差包括以下步骤：
20、s341、对训练集中的每个样本，依次将其作为验证集，其余样本作为训练集；
21、s342、用训练集训练动态预测模型，得到模型函数；
22、s343、对于验证集中的样本，利用模型函数基于样本前k个时间点的数据，预测第k+1个时间点的输出；
23、s344、计算预测输出与真实输出的误差；
24、s345、对验证集中所有样本重复执行s343至s344的步骤，计算平均预测误差；
25、s346、将训练集中的所有样本都作为验证集验证过，并计算每轮验证的平均误差；
26、其中，计算预测输出与真实输出的误差的公式为：
27、
28、式中，ypred为动态预测模型预测输出的值；
29、yture为样本真实输出的值；
30、mse为每个样本的预测误差平方的平均值；
31、n为样本数量。
32、可选地，当重症患者病情出现重大变换时，使用最新的时序数据对最佳动态预测模型进行增量训练包括以下步骤：
33、s41、监测重症患者生理参数和病情状况，判断病情是否有显著变化；
34、s42、若病情出现重大变化，则收集病情变化时间段的最新时序数据；
35、s43、将最新时序数据与原训练数据合并，得到更新后的训练数据集，并对更新后的训练数据集进行预处理；
36、s44、基于预处理后的训练数据集，使用增量学习对最佳动态预测模型进行训练；
37、s45、冻结最佳动态预测模型原有的参数，训练新增部分的参数；
38、s46、计算增量训练后的最佳动态预测模型在验证集上的性能；
39、s47、若验证性能提升，则保存增量训练后的最佳动态预测模型作为最终模型。
40、可选地，基于预处理后的训练数据集，使用增量学习对最佳动态预测模型进行训练包括以下步骤：
41、s441、使用预处理后的训练数据集对动态预测模型进行初始化；
42、s442、使用增量学习方法，对新引入的参数进行训练，同时固定现有模型参数不变；
43、s443、制定一个逐步变化的学习率策略，为训练新参数服务；
44、s444、确定训练过程的迭代轮数，同时对模型进行合适的调整以防止对新数据的过拟合，评估模型在验证集上的性能；
45、s445、在性能无法进一步提升的情况下，停止训练，获得经过增量学习优化后的动态预测模型。
46、可选地，在每个预测时间点，利用当前时刻的信息作为最佳动态预测模型的输入，并进行动态预测，输出重症患者的预期住院天数包括以下步骤：
47、s51、获取当前时刻重症患者的临床信息；
48、s52、对临床信息的时序数据进行小波变换去噪处理；
49、s53、使用改进长短期记忆网络将去噪后的时序数据输入到最佳动态预测模型中，确保最佳动态预测模型的输入层能准确地接收当前时刻的时序数据；
50、s54、利用改进的长短期记忆网络的隐藏层将当前信息和过去的信息关联起来，学习时间依赖性特征；
51、s55、利用最佳动态预测模型的输出层，根据本文档来自技高网...
【技术保护点】
1.基于人工智能的重症监护患者住院时间预测方法，其特征在于，该重症监护患者住院时间预测方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述利用留一交叉验证对多个动态预测模型进行训练，并选择最佳动态预测模型包括以下步骤：
3.根据权利要求2所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述对每个动态预测模型，计算其在留出的验证集中样本的预测误差包括以下步骤：
4.根据权利要求1所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述当重症患者病情出现重大变换时，使用最新的时序数据对最佳动态预测模型进行增量训练包括以下步骤：
5.根据权利要求4所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述基于预处理后的训练数据集，使用增量学习对最佳动态预测模型进行训练包括以下步骤：
6.根据权利要求5所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述在每个预测时间点，利用当前时刻的信息作为最佳动态预测模型的输入，并进行动态预测，
7.根据权利要求6所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述使用改进长短期记忆网络将去噪后的时序数据输入到最佳动态预测模型中，确保最佳动态预测模型的输入层能准确地接收当前时刻的时序数据包括以下步骤：
8.根据权利要求7所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述利用最佳动态预测模型的输出层，根据学习到的时间依赖性特征，预测当前时刻患者的预期住院天数包括以下步骤：
9.根据权利要求1所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述将预期住院天数作为参考，结合医疗知识图谱对预测结果进行审核，作为输出重症患者最终的住院天数预测包括以下步骤：
10.基于人工智能的重症监护患者住院时间预测系统，用于实现权利要求1-9中任一项所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，该系统包括：数据采集模块、模型构建模块、模型选择模块、模型增量学习模块、动态预测模块、结果修正模块及模型优化模块；
...【技术特征摘要】
1.基于人工智能的重症监护患者住院时间预测方法，其特征在于，该重症监护患者住院时间预测方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述利用留一交叉验证对多个动态预测模型进行训练，并选择最佳动态预测模型包括以下步骤：
3.根据权利要求2所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述对每个动态预测模型，计算其在留出的验证集中样本的预测误差包括以下步骤：
4.根据权利要求1所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述当重症患者病情出现重大变换时，使用最新的时序数据对最佳动态预测模型进行增量训练包括以下步骤：
5.根据权利要求4所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述基于预处理后的训练数据集，使用增量学习对最佳动态预测模型进行训练包括以下步骤：
6.根据权利要求5所述的基于人工智能的重症监护患者住院时间预测方法，其特征在于，所述在每个预测时间点，利用当前时刻的信息作为最佳动态预测模型的输...
【专利技术属性】
技术研发人员：李尊柱，崔娜，刘金榜，隆云，罗红波，井杰，孙建华，
申请(专利权)人：中国医学科学院北京协和医院，
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。