CN111276242A - 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法 - Google Patents

一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法 Download PDF

Info

Publication number
CN111276242A
CN111276242A CN202010067550.0A CN202010067550A CN111276242A CN 111276242 A CN111276242 A CN 111276242A CN 202010067550 A CN202010067550 A CN 202010067550A CN 111276242 A CN111276242 A CN 111276242A
Authority
CN
China
Prior art keywords
disease
data
patient
time
patients
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010067550.0A
Other languages
English (en)
Inventor
史振坤
左祥麟
张一嘉
梁世宁
左万利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202010067550.0A priority Critical patent/CN111276242A/zh
Publication of CN111276242A publication Critical patent/CN111276242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，该方法通过利用医疗临床数据具体为测量数据与给药数据，将疾病诊断与死亡风险评估进行统一建模。该模型是一个多任务学习模型，将每一种疾病看作是模型的一个子任务来学习。在技术层面，该模型采用注意力机制和窗口对齐操作来提高预测性能，并使用焦点损失来解决数据不平衡问题。在数据来源方面，该模型使用临床测量和临床治疗的电子档案信息进行实时建模，以便更好的应用于临床场景与临床实践当中。该方法极大的简化疾病诊断模型的开发周期与费用，而且可以在诊断疾病的同时给出病人的严重程度评估结果，方便医生实施进一步的治疗操作。

Description

一种针对医院重症监护室患者疾病诊断与病情状态评估建模 方法
技术领域
本发明涉及医疗电子档案处理领域，尤其涉及一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法。
背景技术
病人被转移到重症监护病房(ICU)，因为他们需要对器官系统衰竭进行不断监测，常规护理和治疗的全面支持。重症或重症疾病不同于大多数人以前可能遇到的常规或慢性病。这种疾病通常是意料之外的，没有任何预兆，并且可能突然发作并危及生命。为了防止这些重症急症危及生命，ICU中的病人通常需要高水平的治疗和支持。在ICU停留期间最明显的两个动作是疾病诊断和患者严重程度评估。
重症监护病房(ICU)是医院中的一些特殊病房，如果病人病情危重且需要经常观察和专门护理，则很可能会被转入该病房。重症监护是指对病情严重且需要重症监护的患者的特殊治疗。ICU是医院中最重要的运营环境之一。为了正确照顾入住ICU的患者，临床医生需要快速评估病人的严重程度并在非常短的时间内给出诊断结果。
近年来，大量的工作都集中在建立计算机辅助系统或工具上，以减轻临床医生的负担。用于该临床实践的传统方法主要集中在四个方面：疾病诊断，重症监护表型分类，预测住院时间和死亡率预测。诊断是医学实践的基础，掌握诊断对于成为临床医生至关重要。此外，诊断过程对医学实践也至关重要，迄今为止，医学诊断已受到来自医学和计算机科学的关注，并且许多研究也证明了诊断的重要性。在临床或医学实践中，表型是指疾病的表现，而临床表型指的是给定个体中疾病的表现。预测住院时间可有益于ICU资源管理并降低临床成本。
由于长期缺乏足够的临床数据，目前的大多数工作都对这些问题进行了单独的研究。换句话说，他们将这些临床实践均视为独立程序。例如，在疾病诊断任务中，临床医生和研究人员主要致力于开发模型来预测特定疾病。然而针对现有的数百至数千种疾病，一个一个的开发特定的系统并不现实，而且耗费极大。人体作为有机实体与不同器官与系统紧密相连，而且所有疾病也不是孤立存在的。因此，开发一个统一的模型来共同解决这些问题是可行的。另外将所有疾病的数据共享也也可解决临床数据不足的问题。
发明内容
针对上述缺陷或不足，本发明的目的在于提供一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法。
为达到以上目的，本发明的技术方案为：
一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，包括以下步骤：
获取多种疾病中病人的检测数据和给药数据，每种疾病对应的数据形成一个任务，将所有任务进行汇集，建立用于时态数据的多模式多任务时态学习框架；
对每一个任务中的给药数据进行处理，将给药数据中的时间与检测时间差进行对齐，以使得给药时间与患者生理特征一致；
设置密集层，将所有任务中的检测数据和处理后的给药数据进行维度映射，将高维的数据映射为低维数据，统一和拼合输入功能；
设置隐层，捕获每种疾病与死亡率之间的相关性，并且对维度映射后的数据通过门控循环单元层将进行每种任务中的数据进行融合；
将融合后的数据做全连接，输出所患疾病与严重程度评估结果。
所述获取多种疾病中病人的检测数据和给药数据，每种疾病对应的数据形成一个任务具体为：
1.1、通过国际疾病分类代码将病人进行分类，形成每一个任务；
1.2、所有任务共享一个共同的相关特征子集，然后根据每个任务对应的影响度设置权重参数，并使用唯一的特征子集来进行不同的任务。
所述共同的相关特征子集包括患者的基础信息；特征子集包括患者的检测数据。
所述建立用于时态数据的多模式多任务时态学习框架具体包括：
给定N个训练样本，每个样本的时间跨度为T，并且每个样本都具有M维数据形式(临床特征)，表示为：
Figure BDA0002376414610000031
共同学习了一系列与Y个不同任务(每个疾病看作是一个任务)相对应的模型，分别表示为：
Figure BDA0002376414610000032
其中，每个样本在每个时间步都有表示为
Figure BDA0002376414610000033
的多种数据形式，并且每个样本都对应于表示为Yi的多个任务
Figure BDA0002376414610000034
所述对每一个任务中的给药数据进行处理，将给药数据中的时间与检测时间差进行对齐，以使得给药时间与患者生理特征一致具体为：
添加了一个窗口对齐操作，假设
Figure BDA0002376414610000035
代表患者p在时间ti时刻的第k个临床测量，而
Figure BDA0002376414610000036
表示时间tj时刻对患者p进行的的第k种药物治疗；那么在第n个时间窗口的诊断信息和治疗信息可以用特征向量Φn来表示：
Figure BDA0002376414610000037
其中，在第t个时间窗口处，Φn具体表示为
Figure BDA0002376414610000041
定义窗口对齐操作：
φt＝w1Apti+w2Bptj+b
其中φt是患者p在时间窗口t的输入特征向量，w1、w2和b是可学习的参数；时间ti是临床测量的发生时间，tj是给药发生时间，通过学习参数
Figure BDA0002376414610000043
和
Figure BDA0002376414610000044
可以统一对其到独特时间窗口t。
所述设置隐层为设置GRU层：
GRU层用来处理从密集层输出的时序信息
Figure BDA0002376414610000045
病关联到第p个患者疾病类向量标签Y，以及一个用随时间变化的死亡率向量标签Z，来表示患有n-th疾病的P-th患者在时间t时刻的患病情况
Figure BDA0002376414610000046
以及死亡情况：
Figure BDA0002376414610000047
Figure BDA0002376414610000048
为了便于计算，为p-th患者创建了两个T维响应向量，分别对应患者p在不同时间的患病情况与死亡情况：
Figure BDA00023764146100000411
Figure BDA00023764146100000412
将融合后的数据做全连接，输出所患疾病与严重程度评估结果为：
对于患者的疾病诊断，病人P被诊断患某种疾病的概率如下：
Figure BDA0002376414610000049
其中，φ(a)是Sigmoid函数σ(a)≡(1+exp(-a))-1，和ω(p)是α+β维模型参数向量，与诊断相似，死亡率预测任务的后验概率为：
Figure BDA00023764146100000410
将GRU的可训练参数表示为W≡[ω1,ω2,…,ωt]。
与现有技术比较，本发明的有益效果为：
本发明提供了一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，用于大多数疾病并能在疾病诊断中提供死亡风险的统一模型，该模型视作一个多任务学习，每种疾病都可以当成一个学习任务。采用注意力机制和窗口对齐操作来提高预测性能，并使用焦点损失来解决不平衡问题。我们使用临床测量和临床治疗的空间信息进行实时建模，以便可以在实时临床场景中使用此模型，极大的简化疾病诊断模型的开发周期与费用，而且可以在诊断疾病的同时给出病人的严重程度评估结果，方便医生实施进一步的治疗操作。
附图说明
图1是本发明一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法流程示意图；
图2是本发明一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法的建模框架图。
具体实施方式
下面将结合附图对本发明做详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1、2所示，一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，包括以下步骤：
1、获取多种疾病中病人的检测数据和给药数据，每种疾病对应的数据形成一个任务，将所有任务进行汇集，建立用于时态数据的多模式多任务时态学习框架；
所述获取多种疾病中病人的检测数据和给药数据，每种疾病对应的数据形成一个任务具体为：
1.1、通过国际疾病分类代码将病人进行分类，形成每一个任务；
1.2、所有任务共享一个共同的相关特征子集，然后根据每个任务对应的影响度设置权重参数，并使用唯一的特征子集来进行不同的任务。
其中，所述共同的相关特征子集包括患者的基础信息；特征子集包括患者的检测数据,示例性的，所述共同的相关特征子集包括患者的温度，性别，体重和呼吸频率等信息；特征子集包括患者的肌苷酸，血细胞比容，PH和氧气浓度等检测数据。
所述建立用于时态数据的多模式多任务时态学习框架具体包括：
首先，给定一个T小时的ICU入住以及一个疾病诊断集合Rt(t∈T)和一个死亡标签集合Mt(t∈T),我们将一次医疗观测定义如下：
Figure BDA0002376414610000061
其中，O(t)是时间窗口t的临床观察的向量，
Figure BDA0002376414610000062
其中
Figure BDA0002376414610000063
表示患者在时间i的第a个临床测量，
Figure BDA0002376414610000064
表示患者在时间j的第个b个给药信息，其中i,j都是t附近的某一个时间；Θ是
Figure BDA0002376414610000065
和
Figure BDA0002376414610000066
之间的窗口对齐操作，Rt代表时间窗口t的诊断结果，而Mt是时间窗口t的死亡风；预测的类型取决于特定任务，表示为多任务分类的离散标量向量
Figure BDA0002376414610000067
给定N个训练样本，每个样本的时间跨度为T，并且每个样本都具有M维数据形式，表示为：
Figure BDA0002376414610000071
共同学习了一系列与Y个不同任务相对应的模型，分别表示为：
Figure BDA0002376414610000072
其中，每个样本在每个时间步都有表示为
Figure BDA0002376414610000073
的多种数据形式，并且每个样本都对应于表示为Yi的多个任务
Figure BDA0002376414610000074
2、对每一个任务中的给药数据进行处理，将给药数据中的时间与检测时间差进行对齐，以使得给药时间与患者生理特征一致；
具体为：
添加了一个窗口对齐操作，假设
Figure BDA0002376414610000075
代表患者p在时间ti时刻的第k个临床测量，而
Figure BDA0002376414610000076
表示时间tj时刻对患者p进行的的第k种药物治疗；那么在第n个时间窗口的诊断信息和治疗信息可以用特征向量Φn来表示：
Figure BDA0002376414610000077
其中，在第t个时间窗口处，Φn具体表示为
Figure BDA0002376414610000078
定义窗口对齐操作：
φt＝w1Apti+w2Bptj+b
其中φt是患者p在时间窗口t的输入特征向量，w1、w2和b是可学习的参数；时间ti是临床测量的发生时间，tj是给药发生时间，通过学习参数
Figure BDA0002376414610000079
和
Figure BDA00023764146100000710
可以统一对其到独特时间窗口t。
3、设置密集层，将所有任务中的检测数据和处理后的给药数据进行维度映射，将高维的数据映射为低维数据，统一和拼合输入功能；
为了在计算成本和预测性能之间取得平衡，必须在将数据转移到流程的下一步之前降低数据的维数。通常，在序列的每个步骤中将嵌入简单地串联在一起。本发明添加了一个密集层来统一和拼合输入功能，同时保留对解释性有用的信息。为了防止过度拟合，将Dropout设置为0.30。
4、设置隐层，捕获每种疾病与死亡率之间的相关性，并且对维度映射后的数据通过门控循环单元层将进行每种任务中的数据进行融合；
所述设置隐层为设置GRU层：
GRU层用来处理从密集层输出的时序信息
Figure BDA0002376414610000081
病关联到第p个患者疾病类向量标签Y，以及一个用随时间变化的死亡率向量标签Z，来表示患有n-th疾病的P-th患者在时间t时刻的患病情况
Figure BDA0002376414610000082
以及死亡情况：
Figure BDA0002376414610000083
Figure BDA0002376414610000084
为了便于计算，我们为p-th患者创建了两个T维响应向量，分别对应患者p在不同时间的患病情况与死亡情况：
Figure BDA0002376414610000087
Figure BDA0002376414610000088
5、将融合后的数据做全连接，输出病情状态评估结果。
对于患者的疾病诊断，病人P被诊断患某种疾病的概率如下：
Figure BDA0002376414610000085
其中，φ(a)是Sigmoid函数σ(a)≡(1+exp(-a))-1，和ω(p)是α+β维模型参数向量，与诊断相似，死亡率预测任务的后验概率为：
Figure BDA0002376414610000086
将GRU的可训练参数表示为W≡[ω1,ω2,…,ωt]
本发明通过线性层用来做全连接，为了输出做准备输出层分连个函数，Sigmoid用来输出疾病诊断结果(多分类任务)，SoftMax用来输出病人严重程度(二分类任务，是否死亡)
线性层旨在从关注层的统一输出中获取对数。在此层中使用的激活功能是ReLU。最后一层是根据不同的任务准备输出。我们使用Softmax对不同疾病进行分类，并使用Sigmoid形预测死亡率。
对于模型预测的好坏，可以通过损失函数进行检测，具体的，损失函数为具有L2正则化的互熵(CE)：
Figure BDA0002376414610000091
其中
Figure BDA0002376414610000092
和
Figure BDA0002376414610000093
分别是k-th类的基本事实和预测。死亡率预测只有两类，疾病诊断只有50种。因此，分配通常是不平衡的。换句话说，积极的观察(即死亡记录)比消极的观察要少得多。||W||2范数是整个网络的权重，而λ有助于调整正则化强度。
损失函数的最终状态可以定义为：
Figure BDA0002376414610000094
其中γ是一个聚焦参数，可以平滑地调整简单示例的权重降低率。当γ＝0时，FL等于CE，并且随着γ的增加，调制因子的作用也同样增加。
本发明方法通过利用医疗临床数据具体为测量数据与给药数据，将疾病诊断与死亡风险评估进行统一建模。该模型是一个多任务学习模型，将每一种疾病看作是模型的一个子任务来学习。在技术层面，该模型采用注意力机制和窗口对齐操作来提高预测性能，并使用焦点损失来解决数据不平衡问题。在数据来源方面，该模型使用临床测量和临床治疗的电子档案信息进行实时建模，以便更好的应用于临床场景与临床实践当中。该方法极大的简化疾病诊断模型的开发周期与费用，而且可以在诊断疾病的同时给出病人的严重程度评估结果，方便医生实施进一步的治疗操作。
实验结果：
实验数据涉及2001到2012年之间的46520个成年病人的50430个ICU病例。实验包括9大类50种疾病。
实验结果表明我们的方法比当前最好的方法在疾病诊断方面提高了14.51％，在死亡预测方面提高了3.97％。
表1疾病诊断实验结果
Figure BDA0002376414610000101
表2死亡预测实验结果
Figure BDA0002376414610000111
具体实验结果见表1(疾病诊断)，表2(死亡预测，即病人严重程度评估)。
对于本领域技术人员而言，显然能了解到上述具体事实例只是本发明的优选方案，因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动，体现的仍是本发明的原理，实现的仍是本发明的目的，均属于本发明所保护的范围。

Claims (7)

1.一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，包括以下步骤：
获取多种疾病中病人的检测数据和给药数据，每种疾病对应的数据形成一个任务，将所有任务进行汇集，建立用于时态数据的多模式多任务时态学习框架；
对每一个任务中的给药数据进行处理，将给药数据中的时间与检测时间差进行对齐，以使得给药时间与患者生理特征一致；
设置密集层，将所有任务中的检测数据和处理后的给药数据进行维度映射，将高维的数据映射为低维数据，统一和拼合输入功能；
设置隐层，捕获每种疾病与死亡率之间的相关性，并且对维度映射后的数据通过门控循环单元层将进行每种任务中的数据进行融合；
将融合后的数据做全连接，输出所患疾病与严重程度评估结果。
2.根据权利要求1所述的一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，所述获取多种疾病中病人的检测数据和给药数据，每种疾病对应的数据形成一个任务具体为：
1.1、通过国际疾病分类代码将病人进行分类，形成每一个任务；
1.2、所有任务共享一个共同的相关特征子集，然后根据每个任务对应的影响度设置权重参数，并使用唯一的特征子集来进行不同的任务。
3.根据权利要求2所述的一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，所述共同的相关特征子集包括患者的基础信息；特征子集包括患者的检测数据。
4.根据权利要求1所述的一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，所述建立用于时态数据的多模式多任务时态学习框架具体包括：
给定N个训练样本，每个样本的时间跨度为T，并且每个样本都具有M维数据形式，表示为：
Figure FDA0002376414600000021
共同学习了一系列与Y个不同任务相对应的模型，分别表示为：
Figure FDA0002376414600000022
其中，每个样本在每个时间步都有表示为
Figure FDA0002376414600000023
的多种数据形式，并且每个样本都对应于表示为Yi的多个任务
Figure FDA0002376414600000024
5.根据权利要求4所述的一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，所述对每一个任务中的给药数据进行处理，将给药数据中的时间与检测时间差进行对齐，以使得给药时间与患者生理特征一致具体为：
添加了一个窗口对齐操作，假设
Figure FDA0002376414600000025
代表患者p在时间ti时刻的第k个临床测量，而
Figure FDA0002376414600000026
表示时间tj时刻对患者p进行的的第k种药物治疗；那么在第n个时间窗口的诊断信息和治疗信息可以用特征向量Φn来表示：
Figure FDA0002376414600000027
其中，在第t个时间窗口处，Φn具体表示为
Figure FDA0002376414600000028
定义窗口对齐操作：
φt＝w1Apti+w2Bptj+b
其中φt是患者p在时间窗口t的输入特征向量，w1、w2和b是可学习的参数；时间ti是临床测量的发生时间，tj是给药发生时间，通过学习参数
Figure FDA0002376414600000029
和
Figure FDA00023764146000000210
统一对其到独特时间窗口t。
6.根据权利要求5所述的一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，所述设置隐层为设置GRU层：
GRU层用来处理从密集层输出的时序信息
Figure FDA0002376414600000031
病关联到第p个患者疾病类向量标签Y，以及一个用随时间变化的死亡率向量标签Z，来表示患有n-th疾病的P-th患者在时间t时刻的患病情况
Figure FDA0002376414600000032
以及死亡情况：
Figure FDA0002376414600000033
Figure FDA0002376414600000034
为了便于计算，为p-th患者创建了两个T维响应向量，分别对应患者p在不同时间的患病情况与死亡情况：
Figure FDA0002376414600000035
Figure FDA0002376414600000036
7.根据权利要求6所述的一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，其特征在于，所述将融合后的数据做全连接，输出所患疾病与严重程度评估结果为：
对于患者的疾病诊断，病人P被诊断患某种疾病的概率如下：
Figure FDA0002376414600000037
其中，φ(a)是Sigmoid函数σ(a)≡(1+exp(-a))-1，和ω(p)是α+β维模型参数向量，与诊断相似，死亡率预测任务的后验概率为：
Figure FDA0002376414600000038
将GRU的可训练参数表示为W≡[ω1,ω2,…,ωt]。
CN202010067550.0A 2020-01-20 2020-01-20 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法 Pending CN111276242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010067550.0A CN111276242A (zh) 2020-01-20 2020-01-20 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010067550.0A CN111276242A (zh) 2020-01-20 2020-01-20 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法

Publications (1)

Publication Number Publication Date
CN111276242A true CN111276242A (zh) 2020-06-12

Family

ID=71001152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010067550.0A Pending CN111276242A (zh) 2020-01-20 2020-01-20 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法

Country Status (1)

Country Link
CN (1) CN111276242A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933284A (zh) * 2020-09-27 2020-11-13 平安科技（深圳）有限公司 一种并发症风险预测系统、方法、装置、设备及介质
CN112488301A (zh) * 2020-12-09 2021-03-12 孙成林 一种基于多任务学习和注意力机制的食品反演方法
CN114155955A (zh) * 2021-12-01 2022-03-08 中国人民解放军总医院第一医学中心 气道梗阻严重程度评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659033A (zh) * 2018-12-18 2019-04-19 浙江大学 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN110111901A (zh) * 2019-05-16 2019-08-09 湖南大学 基于rnn神经网络的可迁移病人分类系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659033A (zh) * 2018-12-18 2019-04-19 浙江大学 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN110111901A (zh) * 2019-05-16 2019-08-09 湖南大学 基于rnn神经网络的可迁移病人分类系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENKUN SHI等: "DMMAM: Deep Multi-source Multi-taskAttention Model for Intensive CareUnit Diagnosis" *
ZHENKUN SHI等: "IDDSAM: An Integrated Disease Diagnosis and Severity Assessment Model for Intensive Care Units" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933284A (zh) * 2020-09-27 2020-11-13 平安科技（深圳）有限公司 一种并发症风险预测系统、方法、装置、设备及介质
CN111933284B (zh) * 2020-09-27 2021-01-05 平安科技（深圳）有限公司 一种并发症风险预测系统、方法、装置、设备及介质
CN112488301A (zh) * 2020-12-09 2021-03-12 孙成林 一种基于多任务学习和注意力机制的食品反演方法
CN112488301B (zh) * 2020-12-09 2024-04-16 孙成林 一种基于多任务学习和注意力机制的食品反演方法
CN114155955A (zh) * 2021-12-01 2022-03-08 中国人民解放军总医院第一医学中心 气道梗阻严重程度评估方法及系统

Similar Documents

Publication Publication Date Title
Al-Shayea Artificial neural networks in medical diagnosis
Khemphila et al. Heart disease classification using neural network and feature selection
CN110459328B (zh) 临床监护设备
CN111276242A (zh) 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法
Oguntimilehin et al. A Machine Learning Approach to clinical diagnosis of typhoid fever
KR20110120962A (ko) 포인트-어브-케어 인액티브 의료 시스템 및 방법
Nayeem et al. Prediction of disease level using multilayer perceptron of artificial neural network for patient monitoring
Bishnoi et al. Artificial intelligence techniques used in medical sciences: a review
Ali et al. Multitask deep learning for cost-effective prediction of patient's length of stay and readmission state using multimodal physical activity sensory data
Peng et al. Heart disease prediction using artificial neural networks: a survey
Shi et al. Artificial neural networks: current applications in modern medicine
Zebardast et al. A new generalized regression artificial neural networks approach for diagnosing heart disease
Sharafutdinov et al. Computational simulation of virtual patients reduces dataset bias and improves machine learning-based detection of ARDS from noisy heterogeneous ICU datasets
CN114611879A (zh) 一种基于多任务学习的临床风险预测系统
Khazaal et al. Predicting Coronary Artery Disease Utilizing Support Vector Machines: Optimizing Predictive Model
Yadav et al. Supervised learning technique for prediction of diseases
Arowolo et al. Detection of COVID-19 from Chest X-Ray Images using CNN and ANN Approach
JP7165266B2 (ja) 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置
Basha et al. Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis
Dileep et al. Real time cloud computing based COVID-19 health monitoring system using IOT with integration of machine learning approach to create safety environment
Triana et al. Neural network models selection scheme for health mobile app development
Wu et al. Artificial intelligence in critical care
Ogungbe et al. Design and Implementation of Diagnosis System for Cardiomegaly from Clinical Chest X-ray Reports
Talagadadeevi et al. Predicting diabetes mellitus with segmentation & classification techniques
Preethi et al. COVID-19 Detection Using Convolutional Neural Networks from Chest X-Ray Images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination