CN111612278A - 生命状态预测方法、装置、电子设备及存储介质 - Google Patents

生命状态预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111612278A
CN111612278A CN202010486928.0A CN202010486928A CN111612278A CN 111612278 A CN111612278 A CN 111612278A CN 202010486928 A CN202010486928 A CN 202010486928A CN 111612278 A CN111612278 A CN 111612278A
Authority
CN
China
Prior art keywords
life state
patient
state prediction
data set
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
CN202010486928.0A
Other languages
English (en)
Inventor
戴松世
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010486928.0A priority Critical patent/CN111612278A/zh
Publication of CN111612278A publication Critical patent/CN111612278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种生命状态预测方法、装置、电子设备及存储介质，涉及机器学习技术领域。所述方法包括：获取患者数据集，所述患者数据集包括患者的指定多项生理特征；对所述患者数据集进行前期处理，获得规范患者数据集；将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果，所述生命状态预测结果表示患者的院内结局是治愈出院或死亡，以及所述院内结局距离当前时刻的时间长短。该方法直接基于患者的生理特征，采用生命状态预测模型确定患者的当前生命状态，能够通过生命状态预测模型持续给出患者某段时间中每个时刻动态即时的生命状态。

Description

生命状态预测方法、装置、电子设备及存储介质
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种生命状态预测方法、装置、电子设备及存储介质。
背景技术
在对病患进行医学治疗时，特别是进行手术、服用特效药或采用某些特殊疗法的时机也会对治疗效果产生重大影响，因此结合患者的当前身体状态和医疗进展，在合适的时机启动治疗也对患者的治疗康复期望有极大的提升。
而由于重症患者的临床高度异质性以及生理特征的不确定性，因此在临床实践中，例如针对急性肾损伤患者，仍然难以确定患者的生理状态以及康复预测情况。现有技术中被用于预测危重病人的生理及治疗情况的技术通常存在预测结果仅针对某一结局时刻，当前生命状态难以确定的问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种生命状态预测方法、装置、电子设备及存储介质，以改善现有技术中存在的预测结果仅针对某一结局时刻，当前生命状态难以确定的问题。
本申请实施例提供了一种生命状态预测方法，所述方法包括：获取患者数据集，所述患者数据集包括患者的指定多项生理特征；对所述患者数据集进行前期处理，获得规范患者数据集；将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果，所述生命状态预测结果表示患者的院内结局是治愈出院或死亡，以及所述院内结局距离当前时刻的时间长短。
在上述实现方式中，将患者生理特征处理后输入生命状态预测模型即时获得生命状态预测结果，提高了生命状态预测效率，同时在将患者的数据持续输入模型时能够得到患者的生命状态预测结果，能够对患者进行长时段的生命状态预测；同时以患者的院内结局以及该院内结局距离当前时刻的时间长短可以更准确地确定患者当前所处的生命状态，可以更好地配合后续治疗，以合理分配医疗资源。
可选地，所述获取患者数据集，包括：从医院信息系统、实验室信息管理系统和/或重症监护系统中获取患者的患者数据；将所述患者数据中患者在当前预测时间之前的预设时段的所述指定多项生理特征的值按照时序排列，获得所述患者数据集。
在上述实现方式中，采用当前预测时间之前的预设时段的所述指定多项生理特征作为患者数据集的数据基础，参考了患者持续时间段内的生理特征变化，提高了生命状态预测准确性。
可选地，所述对所述患者数据集进行前期处理，包括：在所述患者数据集的同一项生理特征在同一时间点有两个或多个值时，对所述两个或多个值进行归并；在所述患者数据集的生理特征的值缺失时，采用非监督的聚类技术进行插值。
在上述实现方式中，对患者数据集的归并或差值处理能够减少数据错误带来的预测误差，从而提高了预测准确性。
可选地，在所述将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果之前，还包括：从医院信息系统、实验室信息管理系统和/或重症监护系统中获取多个患者的数据；将所述多个患者的数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得所述多个患者的数据集；对所述多个患者的数据集进行前期处理，获得所述多个患者的规范数据集；将所述多个患者的规范数据集划分为训练组和测试组；基于患者的院内结局对所述训练组和所述测试组中患者的生命状态实际结果进行标注，所述院内结局为可治愈出院、院内死亡、可在预设时刻内出院、可在预设时刻外出院、将在预设时刻内死亡或将在预设时刻外死亡；基于所述训练组中患者的生命状态实际结果的标注，以规范数据集为输入数据，以患者的生命状态预测结果为输出，采用深度置信网络对所述训练组进行训练，获得所述生命状态预测模型，所述生命状态预测结果表示患者所处的生命状态，所述生命状态包括第一生命状态、第二生命状态、第三生命状态和第四生命状态，所述第一生命状态表示患者在第一预设时刻前治愈出院，所述第二生命状态表示患者在所述第一预设时刻后治愈出院，所述第三生命状态表示患者在第二预设时刻前死亡，所述第四生命状态表示患者在所述第二预设时刻后死亡。
在上述实现方式中，通过规范数据集中的训练组数据进行生命状态预测模型的建立，并通过第一生命状态表示患者在第一预设时刻前治愈出院，第二生命状态表示患者在所述第一预设时刻后治愈出院，第三生命状态表示患者在第二预设时刻前死亡，第四生命状态表示患者在所述第二预设时刻后死亡，从而以患者的院内结局以及结局时间与当前时刻的距离作为标准准确地预测患者当前的生命状态，有利于后续治疗以合理分配医疗资源。
可选地，在所述采用深度置信网络对所述训练组进行训练之后，还包括：在所述采用深度置信网络对所述训练组进行训练之后，还包括：基于所述测试组中患者的生命状态实际结果的标注，获得所述生命状态预测模型的评估结果；基于所述评估结果确定所述生命状态预测模型的预测准确性。
在上述实现方式中，采用测试组对生命状态预测模型的预测准确率进行评估，可以根据评估结果对其进行灵活调整，提高了生命状态预测模型的预测准确性。
可选地，所述深度置信网络包括3层隐含层、1层输入层和1层输出层，所述输入层的节点数为120，所述输出层的节点数为1，所述3层隐含层的节点数分别为300、100和10。
在上述实现方式中，通过输入层、输出层和隐含层及其节点的设置，使深度置信网络适用于生命状态预测，提高了其适用性。
可选地，所述采用深度置信网络对所述训练组进行训练，包括：分别基于非监督的自学习和监督的反向传播学习，对所述训练组进行分阶段训练。
在上述实现方式中，采用非监督的自学习和反向传播学习进行分阶段训练，进一步提高了生命状态预测模型的预测准确性。
本申请实施例还提供了一种生命状态预测装置，所述装置包括：数据获取模块，用于获取患者数据集；数据规范模块，用于对所述患者数据集进行前期处理，获得规范患者数据集；预测模块，用于将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果。
在上述实现方式中，将患者生理特征处理后输入生命状态预测模型即时获得生命状态预测结果，提高了生命状态预测效率，同时在将患者的数据持续输入模型时能够得到患者的生命状态预测结果，能够对患者进行长时段的生命状态预测；同时以患者的院内结局以及该院内结局距离当前时刻的时间长短可以更准确地确定患者当前所处的生命状态，可以更好地配合后续治疗，以合理分配医疗资源。
可选地，所述数据获取模块具体用于：从医院信息系统、实验室信息管理系统和/或重症监护系统中获取患者的患者数据；将所述患者数据中患者在当前预测时间之前的预设时段的所述指定多项生理特征的值按照时序排列，获得所述患者数据集。
在上述实现方式中，采用当前预测时间之前的预设时段的所述指定多项生理特征作为患者数据集的数据基础，参考了患者持续时间段内的生理特征变化，提高了生命状态预测准确性。
可选地，所述数据规范模块具体用于：在所述患者数据集的同一项生理特征在同一时间点有两个或多个值时，对所述两个或多个值进行归并；在所述患者数据集的生理特征的值缺失时，采用非监督的聚类技术进行插值。
在上述实现方式中，对患者数据集的归并或差值处理能够减少数据错误带来的预测误差，从而提高了预测准确性。
可选地，所述生命状态预测装置还包括：模型建立模块，用于从医院信息系统、实验室信息管理系统和/或重症监护系统中获取多个患者的数据；将所述多个患者的数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得所述多个患者的数据集；对所述多个患者的数据集进行前期处理，获得所述多个患者的规范数据集；将所述多个患者的规范数据集划分为训练组和测试组；基于患者的院内结局对所述训练组和所述测试组中患者的生命状态实际结果进行标注，所述院内结局为可治愈出院、院内死亡、可在预设时刻内出院、可在预设时刻外出院、将在预设时刻内死亡或将在预设时刻外死亡；基于所述训练组中患者的生命状态实际结果的标注，以规范数据集为输入数据，以患者的生命状态预测结果为输出，采用深度置信网络对所述训练组进行训练，获得所述生命状态预测模型，所述生命状态预测结果表示患者所处的生命状态，所述生命状态包括第一生命状态、第二生命状态、第三生命状态和第四生命状态，所述第一生命状态表示患者在第一预设时刻前治愈出院，所述第二生命状态表示患者在所述第一预设时刻后治愈出院，所述第三生命状态表示患者在第二预设时刻前死亡，所述第四生命状态表示患者在所述第二预设时刻后死亡。
在上述实现方式中，通过规范数据集中的训练组数据进行生命状态预测模型的建立，并通过第一生命状态表示患者在第一预设时刻前治愈出院，第二生命状态表示患者在所述第一预设时刻后治愈出院，第三生命状态表示患者在第二预设时刻前死亡，第四生命状态表示患者在所述第二预设时刻后死亡，从而以患者的院内结局以及结局时间与当前时刻的距离作为标准准确地预测患者当前的生命状态，有利于后续治疗以合理分配医疗资源。
可选地，所述模型建立模块还用于：基于所述测试组中患者的生命状态实际结果的标注，获得所述生命状态预测模型的评估结果；基于所述评估结果确定所述生命状态预测模型的预测准确性。
在上述实现方式中，采用测试组对生命状态预测模型的预测准确率进行评估，可以根据评估结果对其进行灵活调整，提高了生命状态预测模型的预测准确性。
可选地，所述深度置信网络包括3层隐含层、1层输入层和1层输出层，所述输入层的节点数为120，所述输出层的节点数为1，所述3层隐含层的节点数分别为300、100和10。
在上述实现方式中，通过输入层、输出层和隐含层及其节点的设置，使深度置信网络适用于生命状态预测，提高了其适用性。
可选地，所述模型建立模块具体用于：分别基于非监督的自学习和监督的反向传播学习，对所述训练组进行分阶段训练。
在上述实现方式中，采用非监督的自学习和反向传播学习进行分阶段训练，进一步提高了生命状态预测模型的预测准确性。
本申请实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行上述任一实现方式中的步骤。
本申请实施例还提供了一种可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种生命状态预测方法的流程示意图。
图2为本申请实施例提供的一种生命状态预测模型的建立步骤的流程示意图。
图3为本申请实施例提供的一种生命状态预测装置的模块示意图。
图标：20-生命状态预测装置；21-数据获取模块；22-数据规范模块；23-预测模块。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
本申请人发现现有的预测手段在针对某些病症例如急性肾损伤患者时，无法准确判定患者当前的生命状态，且无法基于患者持续时间短内的数据进行持续的生命状态判定，例如Komorowski等聚类生命状态解决方案，因为它是数据同质性聚类，它无法反映实际的内在医学生命状态。
本申请实施例提供了一种生命状态预测方法，请参考图1，图1为本申请实施例提供的一种生命状态预测方法的流程示意图。该生命状态预测方法的具体步骤可以如下：
步骤S12：获取患者数据集，患者数据集包括患者的指定多项生理特征。
可选地，指定多项生理特征可以包括反映人体主要机能状态的各项指标，包括生命体征、实验室参数、血气指标、统计学参数和已用药及临床干预措施等，还可以针对特殊病症纳入某些相关指标，例如急性肾损伤可以包含肾功能相关的主要指标。
下面对指定多项生理特征进行举例说明，例如其可以为年龄、性别、体重等统计学参数，肌酐、BUN、乳酸等实验室参数，PaO2、CVP、pH等血气参数，体温、呼吸、心率等生命体征，加压素、利尿剂等用药信息，肾脏替代疗法(Renal Replacement Therapy，RRT)等医疗措施。
可选地，本实施例可以选取当前时刻之前3*24小时的时序记录形成120或其他数量的多个数据点。
具体地，步骤S12可以具体包括如下子步骤：
步骤S121：从医院信息系统、实验室信息管理系统和/或重症监护系统中获取患者的患者数据。
其中，医院信息系统(Hospital Information System，HIS)是指利用计算机软硬件技术和网络通信技术等现代化手段，对医院及其所属各部门的人流、物流、财流进行综合管理，对在医疗活动各阶段产生的数据进行采集、存储、处理、提取、传输、汇总，加工形成各种信息，从而为医院的整体运行提供全面的自动化管理及各种服务的信息系统。实验室信息管理系统(Laboratory Information Management System，LIS)是专为医院检验科设计的一套信息管理系统，能将实验仪器与计算机组成网络，使病人样品登录、实验数据存取、报告审核、打印分发，实验数据统计分析等繁杂的操作过程实现了智能化、自动化和规范化管理。重症监护系统(Intensive Care Unit，ICU)是指集中医疗及护理技术力量,利用先进的医疗技术与精密仪器连续监护各种参数,不间断地掌握病情变化,做到及时处理,防止并发症,降低病死率。本实施例集合上述系统中的数据进行患者数据获取，能够全方位提取患者的病情及身体机能相关参数，提高后续预测准确率。应当理解的是，在其他实施例中还可以通过医学影像存档与通讯系统等其他数据系统进行患者数据采集。
步骤S122：将患者数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得患者数据集。
具体地，经过HIS、LIS和ICU等系统获取的数据中通常以患者编号为标识，按照患者编号对患者数据进行汇总、归类，并按照时序排列即可获得患者数据集。
本实施例中的患者数据集可以表示为：C＝{Si},i＝1,2,...,n，其中，i为患者编号，n为患者数量，Si＝{Dt},t＝t1,t2,...,tk,...，t中的t1、t2等为时刻，Si对应各时刻该患者的患者数据，Dt＝{vl},l＝l1,l2,...,lj,...，l中的l1、l2等为各项生理特征的值，Dt对该患者该时刻的各项指定多项生理特征的值。
进一步地，本实施例还可以确定每个患者预设时段中的各项指定多项生理特征的变化值，将该变化值作为后续生命状态预测模型的输入参数，基于患者的病情以及身体机能的持续变化进行预测，提高生命状态预测的准确性。
可选地，本实施例中预设时段可以为但不限于是48小时、72小时等。
步骤S14：对患者数据集进行前期处理，获得规范患者数据集。
具体地，步骤S14中的前期处理可以具体包括如下步骤：
步骤S141：在患者数据集的同一项生理特征在同一时间点有两个或多个值时，对两个或多个值进行归并。
步骤S142：在患者数据集的生理特征的值缺失时，采用非监督的聚类技术进行插值。
对其进行举例说明，令患者i的数据表示为Si＝t×v，其中，t＝t1,t2,...,tk,...，t为采样时间点，v＝v1,v2,...,vl,...，v为多项生理特征值的取值。令生理特征的取值可分为已采集值与缺失值两部分，(ve,te)代表生理特征已采集部分，(vm,tm)代表生理特征缺失部分。对(ve,te)进行非监督的聚类分析，得到聚类模型为Model＝KNN(ve,te)，则缺失的需要插值的生理特征值可计算为vm＝Model(tm)。
应当理解的是，对患者数据进行前期处理还可以包括统一同类数据的量程、单位等基础规范处理。
在进行步骤S16采用生命状态预测模型判断患者的当前生命状态之前，还需要在第一次使用模型前完成模型建立，本实施例中的生命状态预测模型的构建，采用了监督学习，该模型包括了三阶段的任务，阶段1要给出患者当前时间点对应的院内结局是否院内死亡及其概率大小，阶段2则相应的要给出当前时间点距离治愈出院的时间是否超过预设时间间隔及其概率，阶段3则相应的要给出当前时间点离院内结局为死亡时的死亡时间是否超过预设时间间隔及其概率。
具体地，请参考图2，图2为本申请实施例提供的一种生命状态预测模型的建立步骤的流程示意图。
步骤S151：从医院信息系统、实验室信息管理系统和/或重症监护系统中获取多个患者的数据。
步骤S152：将多个患者的数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得多个患者的数据集。
步骤S153：对多个患者的数据集进行前期处理，获得多个患者的规范数据集。
可选地，本实施例中步骤S151-S153可以与上述步骤S12-S14中的对应步骤处理方式相同，在此不再赘述。
步骤S154：将多个患者的规范数据集划分为训练组和测试组。
可选地，训练组和测试组的划分可以是将规范数据集按照一比一的比例进行划分，还可以是按照二比一等其他任意合适比例进行划分。
具体地，上述分组结果可以表示为C＝{Ctrain,Ctest}，其中，Ctrain为训练组，Ctest为测试组。
步骤S155：基于患者的院内结局对训练组和测试组中患者的生命状态实际结果进行标注。
上述院内结局在本实施例中可以为可治愈出院、院内死亡、可在预设时刻内出院、可在预设时刻外出院、将在预设时刻内死亡或将在预设时刻外死亡等。
具体地，患者的生命状态实际结果可以表示为s＝{si,sij|si},i＝1,2,j＝1,2，其中，s1＝0代表患者的院内结局为可治愈出院，s2＝1代表患者的院内结局为死亡，s11＝0代表患者的院内结局为可在第一预设时刻内治愈出院，s12＝1代表患者的院内结局为将在可在第一预设时刻后治愈出院，s21＝1代表患者的院内结局为将在第二预设时刻内死亡，s22＝0代表患者的院内结局为将在第二预设时刻后死亡。
可选地，上述第一预设时刻和第二预设时刻可以根据针对病种或具体院内情况进行调整，本实施例中第一预设时刻可以设置为当前时刻的3天后，第二预设时刻可以设置为当前时刻的5天后。
步骤S156：基于训练组中患者的生命状态实际结果的标注，以规范数据集为输入数据，以患者的生命状态预测结果为输出，采用深度置信网络对训练组进行训练，获得生命状态预测模型。
深度置信网络(Deep Belief Networks)DBN算法是机器学习之神经网络的一种，既可以用于非监督学习，也可以用于监督学习。DBN是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据进行预测。
具体地，DBN由多层神经元构成，这些神经元又分为显性神经元和隐性神经元(以下简称显元和隐元)。显元用于接受输入，隐元用于提取特征。因此隐元也有个别名，叫特征检测器(Feature Detectors)。最顶上的两层间的连接是无向的，组成联合内存(Associative Memory)。较低的其他层之间有连接上下的有向连接。最底层代表了数据向量(Data Vectors)，每一个神经元代表数据向量的一维。
DBN的组成元件是受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)。训练DBN的过程是一层一层地进行的。在每一层中，用数据向量来推断隐层，再把这一隐层当作下一层(高一层)的数据向量。
事实上，每一个RBM都可以单独用作聚类器。RBM只有两层神经元，一层叫做显层(Visible Layer)，由显元组成，用于输入训练数据。另一层叫做隐层(Hidden Layer)，相应地，由隐元组成，用作特征检测器(Feature Detectors)。
可选地，在进行模型训练时，可以分别基于非监督的自学习和监督的反向传播学习，对训练组进行分阶段训练。通过第一阶段非监督的自学习给后阶段的监督学习一个更接近最终网络参数的初始值，以加快监督阶段的参数收敛。其中，第一阶段采用AutoEncoder的机制对每层进行训练，提供第二阶段的反向参数传播提供网络的初始参数。
本实施例引入深度置信网络进行生命状态预测，能够基于其分层训练的特性，基于患者生理特征的持续变化实现更加真确的生命状态预测。
具体地，本实施例中的深度置信网络可以包括3层隐含层、1层输入层和1层输出层，输入层的节点数为120，输出层的节点数为1，3层隐含层的节点数分别为300、100和10。
上述深度置信网络的参数配置可以如下：
Figure BDA0002517762390000121
Figure BDA0002517762390000131
具体地，本实施例中训练过程可以表示为
Figure BDA0002517762390000132
其中，h1、h2、…、hl-1、hl以及hk、hk+1等为不同神经元层级，
Figure BDA0002517762390000133
h0表示数据输入层，P(hk-1|hk)为RBM中可见层单元在隐含层单元条件下的条件分布，P(hl-1,hl)RBM中最顶层的可见层/隐含层的联合分布。
经过上述训练获得生命状态预测模型为Model＝DBN(xtrain,strain)，其中，Xtrain为训练集即输入数据，Strain为训练集对应的生命状态预测结果。
进一步地，本实施例还可以采用从规范数据集中划分出的测试组对训练获得的生命状态预测模型进行评估，可以表示为Stest＝ModelDBN(xtest)，差值Δ＝spredict-stest其中，Xtest为测试集，Stest测试集对应的生命状态预测结果。从而根据上述差值与预设差值阈值的大小判定该生命状态预测模型的预测准确率。
步骤S16：将规范患者数据集输入生命状态预测模型，获得生命状态预测模型输出的生命状态预测结果，生命状态预测结果表示患者的院内结局是治愈出院或死亡，以及院内结局距离当前时刻的时间长短。
本实施例中的生命状态预测结果表示患者所处的生命状态，生命状态包括第一生命状态、第二生命状态、第三生命状态和第四生命状态，第一生命状态表示患者在第一预设时刻前治愈出院，第二生命状态表示患者在第一预设时刻后治愈出院，第三生命状态表示患者在第二预设时刻前死亡，第四生命状态表示患者在第二预设时刻后死亡。
应当理解的是，生命状态预测模型在进行预测时，会预测出下一时刻(该当前时刻和下一时刻的时间间隔可以是分、小时等)的生命状态，然后将下一时刻的生命状态输入模型进行持续滚动预测，最终在患者的生命状态为死亡或治愈出院时生成最终的生命状态预测结果。
进一步地，本实施例在完成生命状态预测模型的训练后，还可以在模型中基于蒙特卡罗树搜索(Monte Carlo Searching Tree，MCTS)对训练集中每个患者的状态进行强化学习，获得生命状态值。蒙特卡罗树搜索(MCTS)是一种启发式搜索算法，用于某些类型的决策过程，尤其是在游戏中使用的决策过程。
具体地，对每名患者生成策略树；基于当前时刻至下一时刻患者的病情是否恶化以及该患者的院内结局进行分值加减，并依次进行正向遍历和反向传播遍历确定该患者的策略路径上的分值；将所有患者的策略路径进行综合获得最终策略树；反向遍历最终策略树并确定所有策略路径上的分值。则在获得患者的生命状态预测结果后，可以基于该生命状态预测结果确定其对应的分值，使患者的生命状态更加直观、有比较性。
为了配合本申请实施例提供的上述生命状态预测方法，本申请实施例还提供了一种生命状态预测装置20。
请参考图3，图3为本申请实施例提供的一种生命状态预测装置的模块示意图。
生命状态预测装置20包括：
数据获取模块21，用于获取患者数据集；
数据规范模块22，用于对患者数据集进行前期处理，获得规范患者数据集；
预测模块23，用于将规范患者数据集输入生命状态预测模型，获得生命状态预测模型输出的生命状态预测结果。
可选地，数据获取模块21具体用于：从医院信息系统、实验室信息管理系统和/或重症监护系统中获取患者的患者数据；将患者数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得患者数据集。
可选地，数据规范模块22具体用于：在患者数据集的同一项生理特征在同一时间点有两个或多个值时，对两个或多个值进行归并；在患者数据集的生理特征的值缺失时，采用非监督的聚类技术进行插值。
可选地，生命状态预测装置20还包括：模型建立模块，用于从医院信息系统、实验室信息管理系统和/或重症监护系统中获取多个患者的数据；将多个患者的数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得多个患者的数据集；对多个患者的数据集进行前期处理，获得多个患者的规范数据集；将多个患者的规范数据集划分为训练组和测试组；基于患者的院内结局对训练组和测试组中患者的生命状态实际结果进行标注，院内结局为可治愈出院、院内死亡、可在预设时刻内出院、可在预设时刻外出院、将在预设时刻内死亡或将在预设时刻外死亡；基于训练组中患者的生命状态实际结果的标注，以规范数据集为输入数据，以患者的生命状态预测结果为输出，采用深度置信网络对训练组进行训练，获得生命状态预测模型，生命状态预测结果表示患者所处的生命状态，生命状态包括第一生命状态、第二生命状态、第三生命状态和第四生命状态，第一生命状态表示患者在第一预设时刻前治愈出院，第二生命状态表示患者在第一预设时刻后治愈出院，第三生命状态表示患者在第二预设时刻前死亡，第四生命状态表示患者在第二预设时刻后死亡。
可选地，模型建立模块还用于：基于测试组中患者的生命状态实际结果的标注，获得生命状态预测模型的评估结果；基于评估结果确定生命状态预测模型的预测准确性。
可选地，深度置信网络包括3层隐含层、1层输入层和1层输出层，输入层的节点数为120，输出层的节点数为1，3层隐含层的节点数分别为300、100和10。
可选地，模型建立模块具体用于：分别基于非监督的自学习和监督的反向传播学习，对训练组进行分阶段训练。
本申请实施例还提供了一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器读取并运行所述程序指令时，执行本实施例提供的生命状态预测方法中任一项所述方法中的步骤。
应当理解是，该电子设备可以是个人电脑(Personal Computer，PC)、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)等具有逻辑计算功能的电子设备。
本申请实施例还提供了一种可读取存储介质，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行生命状态预测方法中的步骤。
综上所述，本申请实施例提供了一种生命状态预测方法、装置、电子设备及存储介质，所述方法包括：获取患者数据集，所述患者数据集包括患者的指定多项生理特征；对所述患者数据集进行前期处理，获得规范患者数据集；将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果，所述生命状态预测结果表示患者的院内结局是治愈出院或死亡，以及所述院内结局距离当前时刻的时间长短。
在上述实现方式中，将患者生理特征处理后输入生命状态预测模型即时获得生命状态预测结果，提高了生命状态预测效率，同时在将患者的数据持续输入模型时能够得到患者的生命状态预测结果，能够对患者进行长时段的生命状态预测；同时以患者的院内结局以及该院内结局距离当前时刻的时间长短可以更准确地确定患者当前所处的生命状态，可以更好地配合后续治疗，以合理分配医疗资源。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图中的每个方框、以及框图的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RanDom Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种生命状态预测方法，其特征在于，包括：
获取患者数据集，所述患者数据集包括患者的指定多项生理特征；
对所述患者数据集进行前期处理，获得规范患者数据集；
将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果，所述生命状态预测结果表示患者的院内结局是治愈出院或死亡，以及所述院内结局距离当前时刻的时间长短。
2.根据权利要求1所述的方法，其特征在于，所述获取患者数据集，包括：
从医院信息系统、实验室信息管理系统和/或重症监护系统中获取患者的患者数据；
将所述患者数据中患者在当前预测时间之前的预设时段的所述指定多项生理特征的值按照时序排列，获得所述患者数据集。
3.根据权利要求1所述的方法，其特征在于，所述对所述患者数据集进行前期处理，包括：
在所述患者数据集的同一项生理特征在同一时间点有两个或多个值时，对所述两个或多个值进行归并；
在所述患者数据集的生理特征的值缺失时，采用非监督的聚类技术进行插值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，在所述将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果之前，还包括：
从医院信息系统、实验室信息管理系统和/或重症监护系统中获取多个患者的数据；
将所述多个患者的数据中患者在当前预测时间之前的预设时段的指定多项生理特征的值按照时序排列，获得所述多个患者的数据集；
对所述多个患者的数据集进行前期处理，获得所述多个患者的规范数据集；
将所述多个患者的规范数据集划分为训练组和测试组；
基于患者的院内结局对所述训练组和所述测试组中患者的生命状态实际结果进行标注，所述院内结局为可治愈出院、院内死亡、可在预设时刻内出院、可在预设时刻外出院、将在预设时刻内死亡或将在预设时刻外死亡；
基于所述训练组中患者的生命状态实际结果的标注，以规范数据集为输入数据，以患者的生命状态预测结果为输出，采用深度置信网络对所述训练组进行训练，获得所述生命状态预测模型，所述生命状态预测结果表示患者所处的生命状态，所述生命状态包括第一生命状态、第二生命状态、第三生命状态和第四生命状态，所述第一生命状态表示患者在第一预设时刻前治愈出院，所述第二生命状态表示患者在所述第一预设时刻后治愈出院，所述第三生命状态表示患者在第二预设时刻前死亡，所述第四生命状态表示患者在所述第二预设时刻后死亡。
5.根据权利要求4所述的方法，其特征在于，在所述采用深度置信网络对所述训练组进行训练之后，还包括：
基于所述测试组中患者的生命状态实际结果的标注，获得所述生命状态预测模型的评估结果；
基于所述评估结果确定所述生命状态预测模型的预测准确性。
6.根据权利要求4所述的方法，其特征在于，所述深度置信网络包括3层隐含层、1层输入层和1层输出层，所述输入层的节点数为120，所述输出层的节点数为1，所述3层隐含层的节点数分别为300、100和10。
7.根据权利要求4所述的方法，其特征在于，所述采用深度置信网络对所述训练组进行训练，包括：
分别基于非监督的自学习和监督的反向传播学习，对所述训练组进行分阶段训练。
8.一种生命状态预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取患者数据集；
数据规范模块，用于对所述患者数据集进行前期处理，获得规范患者数据集；
预测模块，用于将所述规范患者数据集输入生命状态预测模型，获得所述生命状态预测模型输出的生命状态预测结果。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1-7中任一项所述方法中的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行权利要求1-7任一项所述方法中的步骤。
CN202010486928.0A 2020-06-01 2020-06-01 生命状态预测方法、装置、电子设备及存储介质 Pending CN111612278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010486928.0A CN111612278A (zh) 2020-06-01 2020-06-01 生命状态预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010486928.0A CN111612278A (zh) 2020-06-01 2020-06-01 生命状态预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111612278A true CN111612278A (zh) 2020-09-01

Family

ID=72203903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010486928.0A Pending CN111612278A (zh) 2020-06-01 2020-06-01 生命状态预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111612278A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066579A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 生理状态预测方法和装置、电子设备及存储介质
CN113057588A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 一种病症预警方法、装置、设备及介质
CN113393939A (zh) * 2021-04-26 2021-09-14 上海米健信息技术有限公司 重症监护室患者住院天数预测方法及系统
CN114334161A (zh) * 2021-12-30 2022-04-12 医渡云（北京）技术有限公司 模型训练方法、数据处理方法、装置、介质、电子设备
CN115295147A (zh) * 2022-08-04 2022-11-04 戴松世 肾功能衰竭ai医生系统及肾功能衰竭医疗系统
CN117373584A (zh) * 2023-12-08 2024-01-09 北京大学第一医院 一种急性肾损伤的动态预测方法及系统
WO2024032810A1 (zh) * 2022-08-12 2024-02-15 深圳迈瑞生物医疗电子股份有限公司 生命信息处理系统和生命信息处理方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103201743A (zh) * 2010-11-08 2013-07-10 皇家飞利浦电子股份有限公司 患者疾病严重性、死亡率和住院时长的连续预测方法
CN106897545A (zh) * 2017-01-05 2017-06-27 浙江大学 一种基于深度置信网络的肿瘤预后预测系统
CN109805898A (zh) * 2019-03-22 2019-05-28 中国科学院重庆绿色智能技术研究院 基于注意力机制时序卷积网络算法的危重症死亡预测方法
CN109949936A (zh) * 2019-03-13 2019-06-28 成都数联易康科技有限公司 一种基于深度学习混合模型的再住院风险预测方法
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
CN110289096A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于深度学习的icu院内死亡率预测方法
CN110349666A (zh) * 2019-07-04 2019-10-18 南京工业大学 一种基于iabc-rf的icu心力衰竭患者死亡率的预测方法
CN110691548A (zh) * 2017-07-28 2020-01-14 谷歌有限责任公司 用于从电子健康记录中预测和总结医疗事件的系统和方法
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103201743A (zh) * 2010-11-08 2013-07-10 皇家飞利浦电子股份有限公司 患者疾病严重性、死亡率和住院时长的连续预测方法
CN106897545A (zh) * 2017-01-05 2017-06-27 浙江大学 一种基于深度置信网络的肿瘤预后预测系统
CN110691548A (zh) * 2017-07-28 2020-01-14 谷歌有限责任公司 用于从电子健康记录中预测和总结医疗事件的系统和方法
CN109949936A (zh) * 2019-03-13 2019-06-28 成都数联易康科技有限公司 一种基于深度学习混合模型的再住院风险预测方法
CN109805898A (zh) * 2019-03-22 2019-05-28 中国科学院重庆绿色智能技术研究院 基于注意力机制时序卷积网络算法的危重症死亡预测方法
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
CN110289096A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于深度学习的icu院内死亡率预测方法
CN110349666A (zh) * 2019-07-04 2019-10-18 南京工业大学 一种基于iabc-rf的icu心力衰竭患者死亡率的预测方法
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066579A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 生理状态预测方法和装置、电子设备及存储介质
CN113057588A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 一种病症预警方法、装置、设备及介质
CN113393939A (zh) * 2021-04-26 2021-09-14 上海米健信息技术有限公司 重症监护室患者住院天数预测方法及系统
CN113393939B (zh) * 2021-04-26 2024-05-28 上海米健信息技术有限公司 重症监护室患者住院天数预测方法及系统
CN114334161A (zh) * 2021-12-30 2022-04-12 医渡云（北京）技术有限公司 模型训练方法、数据处理方法、装置、介质、电子设备
CN115295147A (zh) * 2022-08-04 2022-11-04 戴松世 肾功能衰竭ai医生系统及肾功能衰竭医疗系统
WO2024032810A1 (zh) * 2022-08-12 2024-02-15 深圳迈瑞生物医疗电子股份有限公司 生命信息处理系统和生命信息处理方法
CN117373584A (zh) * 2023-12-08 2024-01-09 北京大学第一医院 一种急性肾损伤的动态预测方法及系统
CN117373584B (zh) * 2023-12-08 2024-03-12 北京大学第一医院 一种急性肾损伤的动态预测方法及系统

Similar Documents

Publication Publication Date Title
CN111612278A (zh) 生命状态预测方法、装置、电子设备及存储介质
JP7305656B2 (ja) 確率分布をモデル化するためのシステムおよび方法
Subanya et al. Feature selection using artificial bee colony for cardiovascular disease classification
Ismail et al. Big data analytics in heart diseases prediction
Li et al. Predicting clinical outcomes with patient stratification via deep mixture neural networks
Fei et al. An overview of healthcare data analytics with applications to the COVID-19 pandemic
KR20210068713A (ko) 딥러닝 기반 다중의료데이터를 통한 질병의 진행 예측 분석 시스템
Chi et al. Deep semisupervised multitask learning model and its interpretability for survival analysis
Anderies et al. Prediction of heart disease UCI dataset using machine learning algorithms
Nandakumar et al. Cardiac disease detection using cuckoo search enabled deep belief network
Sampath et al. Ensemble Nonlinear Machine Learning Model for Chronic Kidney Diseases Prediction
Du et al. The effects of deep network topology on mortality prediction
Awotunde et al. An IoT machine learning model-based real-time diagnostic and monitoring system
Verma et al. A machine learning-based predictive model for 30-day hospital readmission prediction for copd patients
Ono et al. Introduction to supervised machine learning in clinical epidemiology
Akazue et al. Machine Learning Survival Analysis Model for Diabetes Mellitus
Old et al. Entering the new digital era of intensive care medicine: an overview of interdisciplinary approaches to use artificial intelligence for patients’ benefit
Sivarajkumar et al. Fair patient model: Mitigating bias in the patient representation learned from the electronic health records
Islam et al. Feature Selection, Clustering and IoMT on Biomedical Engineering for COVID-19 Pandemic: A Comprehensive Review
Sumathi et al. Machine learning based pattern detection technique for diabetes mellitus prediction
Huda Design of Istitaah classification system based on machine learning using imbalanced dataset
Vijayakumar et al. An Intelligent stacking Ensemble-Based Machine Learning Model for Heart abnormality
Bhattacharya et al. Machine Learning for Biomedical and Health Informatics
CN116994699B (zh) 基于深度学习的文拉法辛剂量个体化推荐方法及装置
Galozy Towards Understanding ICU Procedures using Similarities in Patient Trajectories: An exploratory study on the MIMIC-III intensive care database

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