CN111681767B - 一种电子病历数据处理方法及系统 - Google Patents

Abstract

本发明公开了一种电子病历数据处理方法，包括：采集电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；采用所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；输入所述多维向量嵌入模型构建历史钙化状态集，采用智能体选择所述多历史钙化状态集中的历史钙化状态，得到智能体的状态环境，通过LSTM网络对所述状态环境进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型。采用动态跨越长短期强化记忆网络将电子病历不同时期的钙化状态数据融合提高了模型的评估准确度。

Description

一种电子病历数据处理方法及系统

技术领域

本发明涉及机器学习领域，具体涉及一种电子病历数据处理方法及系统。

背景技术

现代社会中随着糖尿病、高血压和肥胖患病人数的增加，以及人口老龄化、生活方式改变等，慢性肾脏病(Chronic Kidney Disease，CKD)的发病率逐年攀升，CKD患者存在广泛的血管钙化(Vascular Calcification,VC)，并随肾脏病的进展而加重。计算机断层扫描发现4～5期CKD患者中有80％的患者有主动脉钙化的症状，且其钙化程度已达心血管事件预警指标，VC是终末期CKD患者发生心血管事件与死亡的重要因素。因此，对血管钙化进行评估对于提醒人体身体健康具有重要意义。

与糖尿病、高血压等慢性病相比，对于血管钙化情况的监测很不方便。临床上检查血管钙化的几种常规方法主要是X线、CT、核磁共振成像(MRI)等医学影像检查确定血管钙化的发生区域，这些基于医学影像的方法存在诊断周期长、检测费用高等问题，且因部分检测手段的辐射而不适合经常进行，而血管钙化是一个长期过程，需要长时间跟踪分析，现有方法难以满足需求。

比如现有技术中，中国发明专利“CN109875527A一种血管钙化的计算方法及设备”获取血管图像及对应于血管图像的血管预测结果体数据；分割处理血管预测结果体数据，得到多个血管短轴体；计算多个血管短轴体上的钙化结果，得到初步钙化结果；从血管图像中提取对应于钙化区域的钙化血管图像；根据血管图像和钙化血管图像调整初步钙化结果，提高了血管自动狭窄结果计算的准确性，得到最终钙化结果。中国发明专利“CN109846465A一种基于亮度分析的血管钙化误报检测方法”先通过对钙化候选区域进行形态分析，找出易出现误报情况的候选区域，然后基于亮度分析调整检测阈值，对假钙化区域进行甄别和剔除，有效避免了误报情况的发生。

上述基于计算机进行的方法都是采用图像或图像与血管预测数据进行的，而电子病历作为目前的个人健康记录信息载体记录了大量的病症信息，通过电子病历数据挖掘患病风险做出预测，可以成为很好的一种辅助，因此如何处理电子病历存储的大量不同病症的数据也成为了一种研究趋势。

发明内容

本发明所要解决的技术问题是如何对电子病历中与血管钙化相关的数据进行处理的问题，目的在于提供一种电子病历数据处理方法及系统，解决上述问题。

本发明通过下述技术方案实现：

一种电子病历数据处理方法，包括：

S1：采集电子病历系统中的电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；

S2：对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；

S3：采用所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；

S4：输入所述多维向量嵌入模型构建历史钙化状态集，采用智能体选择所述多历史钙化状态集中的历史钙化状态，得到智能体的状态环境，通过LSTM网络对所述状态环境进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型。

本发明通过动态跨越长短期强化记忆网络模型对电子病历中与血管的钙化程度有关的数据进行训练，通过所述电子病历中与血管的钙化程度有关的数据得到一个关于血管钙化程度的评估模型，且因为电子病历中不同的数据的类型是不同的，因此需要将采集到的数据进行不同的预处理，得到本发明的动态跨越长短期强化记忆网络模型可以进行训练的数据集。

本发明主要将电子健康记录中的数据以及人体的血清学检测指标数据进行钙化等级划分后作为模型的训练集和测试集，进行动态跨越长短期强化记忆网络模型的训练，得到一个较为准确的钙化评估结果，采用动态跨越长短期强化记忆网络模型可以选择电子病历中不同时期的所有与钙化评估具有较强相关的历史钙化状态信息，与当前的钙化状态信息进行关联得到更为准确的训练模型。

进一步的，所述样本标签数据集包括电子健康数据、血清学检测指标数据和血管钙化等级；

所述电子健康数据包括性别、年龄、透析龄、身高、体重、腰围、体脂率、吸烟史、饮酒状况、含钙磷酸盐结合剂、应用维生素D等生理指标，及诊断结果、药物、处方和医嘱信息；

所述血清学检测指标数据包括血清Klotho、血清FGF23、血磷、血钙、血iPTH、25(OH)D人体化验检测指标。

进一步的，所述S2包括：

S21：将所述血清学检测指标数据、药物、处方、医嘱、生命体征和健康因素代码化表示，将所述样本标签数据集中的数值型数据归一化表示，将所述样本标签数据集中的非数值型数据编码化表示后，得到样本标签数据特征集；

S22：删除所述样本标签数据特征集中缺失数值后得到预处理样本标签数据特征集；

S23：计算所述预处理样本标签数据特征集中电子健康数据特征与血管钙化等级评估的相关性，选择与血管钙化相关性强的数据特征；

S24：将选择的所述数据特征进行编码聚合级联得到钙化状态的特征表示。

进一步的，所述S23中电子健康数据特征与血管钙化等级评估的相关性通过互信息表示，所述互信息：

其中I(X；Y)表示互信息，信息熵H(X)表示患者数据特征集X的钙化期望，H(X|Y)表示条件熵，即钙化状态发生的条件下特征集X的钙化期望，a_i∈X，表示患者电子健康记录中第i个数据特征，n表示X中数据特征的数量，P(a_i)表示特征a_i发生概率，m表示VC钙化的等级数量，取值为4，b_j表示钙化等级，P(b_j)表示第j等级的钙化疾病发生的概率，P(a_i,b_j)表示钙化等级为b_j的情况下，数据特征为a_i的概率。

通过计算不同特征a_i与钙化等级的互信息，即可筛选出与该CKD患者钙化程度具有强相关性的特征。

将经过特征选择的数据进行编码聚合级联以形成钙化状态的特征表示。对于数值特征，聚合级联各数值的平均值、中位数、标准差、最小值和最大值等数值特征，以及简单趋势特征，例如最后观察值与最小值或最大值之间的差异等。

进一步的，所述S3包括：

将所述钙化状态的特征表示进行稀疏操作后输入嵌入层的全连接层得到低维连续钙化状态的特征表示，将所述低维连续钙化状态的特征表示采用多特征决策级融合进行级联和融合得到多维向量嵌入模型。

完成上述操作后，需要对各嵌入参数使用L1正则化以防止过度拟合确保模型关注最显著的特征。

血管钙化是慢性病变过程，血管钙化风险特征的历史状态对于当前状态的评估具有参考意义，本发明提出动态跨越长短期强化记忆网络，结合强化学习通过多智能体(multi-agent)构建multi-actor网络，以动态选择对血管钙化具有强相关的历史显著状态，通过对历史状态以及当前状态数据融合，分析血管钙化特征以实现血管钙化等级评估。

进一步的，所述S4包括：

S41：采用所述多维向量嵌入模型构建历史钙化状态集，所述智能体从所述历史钙化状态集中评估和选择历史钙化状态；

S42：采用所述历史钙化状态和当前钙化状态构建智能体的状态环境；

S43：将所述状态环境传输至LSTM网络进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型。

强化学习中的智能体agent选择t-k时刻历史状态信息和t-1时刻状态信息构成t时刻智能体agent所处的状态环境，其中k∈{2,3,…,K}。多agents具有多action操作，即经过投票规则选择前i个不同t-k时刻历史状态信息和t-1时刻状态信息构成t时刻的智能体agent多个不同的状态环境。因此，将t-k时刻历史状态信息h_t-k和t-1时刻状态信息h_t-1和当前时刻t的钙化状态经过多维向量嵌入模型特征嵌入表示后结合起来；

进一步的，所述智能体的状态环境：

其中，s_t表示状态环境，h_t-k表示t-k时刻历史钙化状态，

表示级联操作，h_t-1表示t-1时刻钙化状态，x_t表示多维向量嵌入模型。

构造一个历史状态集H_K，它表示具有K个历史状态信息h_t-k，即保留了K个最近得到的历史状态信息，K是提前设定的超参数。agent通过从多项式分布π_K(k|h_t-k)采样H_K中的状态来采取行动，以评估最优和最相关历史状态，如下所示：

P＝softmax(MLP(h_t-k))

其中[k＝＝i]成立时为1，否则为0。MLP表示多层感知器，将h_t-k变换为维数为K的向量，并利用softmax函数将向量转换为概率分布P，以获得钙化历史状态输入钙化评估模型的选择概率，p_i是P中第i个元素，之后被选中的t-k时刻历史状态信息和前一时刻状态组合的状态环境s_t被馈入到下一层LSTM单元。

本发明采用奖励函数保证如何选择历史状态信息，所述奖励函数指导智能体选择一系列最优的跨越动作来改善模型性能。所述奖励函数采用预测真实标签的对数似然，即

以获取最优奖励分数，其中

表示钙化状态真实评估等级，h_t表示模型输出的隐藏状态。因此，通过奖励函数与智能体的环境状态交互，激励智能体选择最优跳转，从而提高真实预测概率。

根据下列公式计算Q值，用于评估具有最大相关性的CKD患者钙化历史状态，并更新Q表：

Q(s_t，g_t)＝R(s_t，g_t)+γmaxQ(s_t+1，g_t+1)

其中s_t表示当前输入的状态环境，g_t为动作列表中任一动作，表示钙化历史状态信息，常量参数γ(0≤γ≤1)为折扣系数，在智能体agent训练学习过程中，总是选择所述对应状态拥有最大Q值的动作，然后据此策略进行迭代训练。经过多次训练学习，存储Q值的Q表不断更新。为了让Q学习在适当的时刻收敛，在公式中引入学习率α(0＜α＜1)，则Q(s_t，g_t)表示为：

Q(s_t，g_t)＝(1-α)Q(s_t，g_t)+α(R(s_t，g_t)+γmaxQ(s_t+1，g_t+1)

基于多agent投票选择奖励分数排名前i个

血管钙化历史状态，本发明的i设置为3，即选择Q值排名前3位的历史强相关钙化状态信息。使用标准LSTM单元编码所选的状态环境s_t，LSTM模型使用一个超参数λ结合历史状态与上一时刻状态，以使模型自适应学习历史状态与上一时刻状态对于CKD患者钙化评估的重要性，如下式所示：

h_t＝σ(o_t)⊙c_t

表示级联操作，

表示tanh操作，⊙表示Hadamard积，·表示矩阵乘积，σ()表示sigmoid函数。g_t、i_t、f_t、o_t分别表示模型的输入、输入门、遗忘门和输出门。

分别表示模型输入、输入门、遗忘门和输出门对于输入x_t的输入权重，

分别表示模型输入、输入门、遗忘门和输出门对于历史状态h_t-1的权重，b^g、bⁱ、b^f、b^o分别表示模型输入、输入门、遗忘门和输出门的偏置。c_t-1、c_t分别为t-1、t时刻的细胞单元，h_t表示模型输出的隐藏状态。

进一步的，所述血管钙化评估模型：

h_t＝σ(o_t)⊙c_t

其中，h_t表示模型输出的隐藏状态，c_t表示t时刻的细胞单元，σ()表示sigmoid函数，o_t表示模型的输出门。

在进行LSTM模型的创建后设置两层全连接层，最后一层全连接层为输出层，隐藏状态单元数设置为4，对应血管钙化的4个分类等级。经过softmax函数，获取各等级的评估概率，公式如下：

其中S_j表示第j钙化等级评估概率，j∈{1,2,3,4}。y_j表示第j个隐藏单元的加权和输出，最后概率值最大的即为钙化等级。

一种电子病历数据处理系统，包括：

采集模块，用于采集电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；

预处理模块，用于对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；

嵌入模块，用于所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；

训练模块，用于通过所述多维向量嵌入模型进行LSTM网络的自适应学习生成血管钙化评估模型。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种电子病历数据处理方法及系统，采用动态跨越长短期强化记忆网络将电子病历中不同时期的钙化状态数据进行融合提高了模型的评估准确度。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明方法流程图；

图2为本发明系统结构图；

图3为本发明LSTM网络结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1所示，一种电子病历数据处理方法，包括：

S1：采集电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；

S2：对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；

S3：采用所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；

S4：输入所述多维向量嵌入模型构建历史钙化状态集，采用智能体选择所述多历史钙化状态集中的历史钙化状态，得到智能体的状态环境，通过LSTM网络对所述状态环境进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型。

本发明通过动态跨越长短期强化记忆网络模型对血管的钙化程度进行评估，主要将电子健康记录中的数据以及人体的血清学检测指标数据进行钙化等级划分后作为模型的训练集和测试集，进行动态跨越长短期强化记忆网络模型的训练，然后通过所述动态跨越长短期强化记忆网络模型得到一个较为准确的钙化评估结果，采用动态跨越长短期强化记忆网络模型可以选择与钙化评估具有较强相关的不同历史钙化状态信息，与当前的钙化状态信息进行关联得到更为准确的训练模型。

进一步的，所述样本标签数据集包括电子健康数据、血清学检测指标数据和血管钙化等级；

所述电子健康数据包括性别、年龄、透析龄、身高、体重、腰围、体脂率、吸烟史、饮酒状况、含钙磷酸盐结合剂、应用维生素D等生理指标，及诊断结果、药物、处方和医嘱信息；

所述血清学检测指标数据包括血清Klotho、血清FGF23、血磷、血钙、血iPTH、25(OH)D人体化验检测指标。

进一步的，所述S2包括：

S21：将所述血清学检测指标数据、药物、处方、医嘱、生命体征和健康因素代码化表示，将所述样本标签数据集中的数值型数据归一化表示，将所述样本标签数据集中的非数值型数据编码化表示后，得到样本标签数据特征集；

S22：删除所述样本标签数据特征集中缺失数值后得到预处理样本标签数据特征集；

S23：计算所述预处理样本标签数据特征集中电子健康数据特征与血管钙化等级评估的相关性，选择与血管钙化相关性强的数据特征；

S24：将选择的所述数据特征进行编码聚合级联得到钙化状态的特征表示。

进一步的，所述S23中电子健康数据特征与血管钙化等级评估的相关性通过互信息表示，所述互信息：

其中I(X；Y)表示互信息，信息熵H(X)表示患者数据特征集X的钙化期望，H(X|Y)表示条件熵，即钙化状态发生的条件下特征集X的钙化期望，a_i∈X，表示患者电子健康记录中第i个数据特征，n表示X中数据特征的数量，P(a_i)表示特征a_i发生概率，m表示VC钙化的等级数量，取值为4，b_j表示钙化等级，P(b_j)表示第j等级的钙化疾病发生的概率，P(a_i,b_j)表示钙化等级为b_j的情况下，数据特征为a_i的概率。

通过计算不同特征a_i与钙化等级的互信息，即可筛选出与钙化程度具有强相关性的特征。

将经过特征选择的数据进行编码聚合级联以形成钙化状态的特征表示。对于数值特征，聚合级联各数值的平均值、中位数、标准差、最小值和最大值等数值特征，以及简单趋势特征，例如最后观察值与最小值或最大值之间的差异等。

进一步的，所述S3包括：

将所述钙化状态的特征表示进行稀疏操作后输入嵌入层的全连接层得到低维连续钙化状态的特征表示，将所述低维连续钙化状态的特征表示采用多特征决策级融合进行级联和融合得到多维向量嵌入模型。

完成上述操作后，需要对各嵌入参数使用L1正则化以防止过度拟合确保模型关注最显著的特征。

血管钙化是慢性病变过程，血管钙化风险特征的历史状态对于当前状态的评估具有参考意义，本发明提出动态跨越长短期强化记忆网络，结合强化学习通过多智能体(multi-agent)构建multi-actor网络，以动态选择对血管钙化具有强相关的历史显著状态，通过对历史状态以及当前状态数据融合，分析血管钙化特征以实现血管钙化等级评估。

进一步的，所述S4包括：

S41：采用所述多维向量嵌入模型构建历史钙化状态集，所述智能体从所述历史钙化状态集中评估和选择历史钙化状态；

S42：采用所述历史钙化状态和当前钙化状态构建智能体的状态环境；

S43：将所述状态环境传输至LSTM网络进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型。

强化学习中的智能体agent选择t-k时刻历史状态信息和t-1时刻状态信息构成t时刻智能体agent所处的状态环境，其中k∈{2,3,…,K}。多agents具有多action操作，即经过投票规则选择前i个不同t-k时刻历史状态信息和t-1时刻状态信息构成t时刻的智能体agent多个不同的状态环境。因此，将t-k时刻历史状态信息h_t-k和t-1时刻状态信息h_t-1和当前时刻t的钙化状态经过多维向量嵌入模型特征嵌入表示后结合起来；

进一步的，所述智能体的状态环境：

其中，s_t表示状态环境，h_t-k表示t-k时刻历史钙化状态，

表示级联操作，h_t-1表示t-1时刻钙化状态，x_t表示多维向量嵌入模型。

构造一个历史状态集H_K，它表示具有K个历史状态信息h_t-k，即保留了K个最近得到的历史状态信息，K是提前设定的超参数。agent通过从多项式分布π_K(k|h_t-k)采样H_K中的状态来采取行动，以评估最优和最相关历史状态，如下所示：

P＝softmax(MLP(h_t-k))

其中[k＝＝i]成立时为1，否则为0。MLP表示多层感知器，将h_t-k变换为维数为K的向量，并利用softmax函数将向量转换为概率分布P，以获得钙化历史状态输入钙化评估模型的选择概率，p_i是P中第i个元素，之后被选中的t-k时刻历史状态信息和前一时刻状态组合的状态环境s_t被馈入到下一层LSTM单元。

本发明采用奖励函数保证如何选择历史状态信息，所述奖励函数指导智能体选择一系列最优的跨越动作来改善模型性能。所述奖励函数采用预测真实标签的对数似然，即

以获取最优奖励分数，其中

表示钙化状态真实评估等级，h_t表示模型输出的隐藏状态。因此，通过奖励函数与智能体的环境状态交互，激励智能体选择最优跳转，从而提高真实预测概率。

根据下列公式计算Q值，用于评估具有最大相关性的CKD患者钙化历史状态，并更新Q表：

Q(s_t，g_t)＝R(s_t，g_t)+γmaxQ(s_t+1，g_t+1)

其中s_t表示当前输入的状态环境，g_t为动作列表中任一动作，表示钙化历史状态信息，常量参数γ(0≤γ≤1)为折扣系数，在智能体agent训练学习过程中，总是选择所述对应状态拥有最大Q值的动作，然后据此策略进行迭代训练。经过多次训练学习，存储Q值的Q表不断更新。为了让Q学习在适当的时刻收敛，在公式中引入学习率α(0<α<1)，则Q(s_t,g_t)表示为：

Q(s_t，g_t)＝(1-α)Q(s_t，g_t)+α(R(s_t，g_t)+γmaxQ(s_t+1，g_t+1)

基于多agent投票选择奖励分数排名前i个

血管钙化历史状态，本发明的i设置为3，即选择Q值排名前3位的历史强相关钙化状态信息。使用标准LSTM单元编码所选的状态环境s_t，LSTM模型使用一个超参数λ结合历史状态与上一时刻状态，以使模型自适应学习历史状态与上一时刻状态对于CKD患者钙化评估的重要性，如下式所示：

h_t＝σ(o_t)⊙c_t

表示级联操作，

表示tanh操作，⊙表示Hadamard积，·表示矩阵乘积，σ()表示sigmoid函数。g_t、i_t、f_t、o_t分别表示模型的输入、输入门、遗忘门和输出门。

分别表示模型输入、输入门、遗忘门和输出门对于输入x_t的输入权重，

分别表示模型输入、输入门、遗忘门和输出门对于历史状态h_t-1的权重，b^g、bⁱ、b^f、b^o分别表示模型输入、输入门、遗忘门和输出门的偏置。c_t-1、c_t分别为t-1、t时刻的细胞单元，h_t表示模型输出的隐藏状态。

如图3所示，进一步的，所述血管钙化评估模型：

h_t＝σ(o_t)⊙c_t

其中，h_t表示模型输出的隐藏状态，c_t表示t时刻的细胞单元，σ()表示sigmoid函数，o_t表示模型的输出门。

在进行LSTM模型的创建后设置两层全连接层，最后一层全连接层为输出层，隐藏状态单元数设置为4，对应血管钙化的4个分类等级。经过softmax函数，获取各等级的评估概率，公式如下：

其中S_j表示第j钙化等级评估概率，j∈{1，2，3，4}。y_j表示第j个隐藏单元的加权和输出。最后概率值最大的即为钙化等级。

如图2所示，一种电子病历数据处理系统，包括：

采集模块，用于采集电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；

预处理模块，用于对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；

嵌入模块，用于所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；

训练模块，用于通过所述多维向量嵌入模型进行LSTM网络的自适应学习生成血管钙化评估模型。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种电子病历数据处理方法，其特征在于，包括：

S1：采集电子病历系统中的电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；

S2：对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；

所述S2包括：

S21：将所述血清学检测指标数据、药物、处方、医嘱、生命体征和健康因素代码化表示，将所述样本标签数据集中的数值型数据归一化表示，将所述样本标签数据集中的非数值型数据编码化表示后，得到样本标签数据特征集；

S22：删除所述样本标签数据特征集中缺失数值后得到预处理样本标签数据特征集；

S23：计算所述预处理样本标签数据特征集中电子健康数据特征与血管钙化等级评估的相关性，选择与血管钙化相关性强的数据特征；

所述S23中电子健康数据特征与血管钙化等级评估的相关性通过互信息表示，所述互信息：

其中I(X；Y)表示互信息，信息熵H(X)表示患者数据特征集X的钙化期望，H(X|Y)表示条件熵，即钙化状态发生的条件下特征集X的钙化期望，a_i∈X，表示患者电子健康记录中第i个数据特征，n表示X中数据特征的数量，P(a_i)表示特征a_i发生概率，m表示VC钙化的等级数量，取值为4，b_j表示钙化等级，P(b_j)表示第j等级的钙化疾病发生的概率，P(a_i，b_j)表示钙化等级为b_j的情况下，数据特征为a_i的概率；

S24：将选择的所述数据特征进行编码聚合级联得到钙化状态的特征表示；

S3：采用所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；

S4：输入所述多维向量嵌入模型构建历史钙化状态集，采用智能体选择所述历史钙化状态集中的历史钙化状态，得到智能体的状态环境，通过LSTM网络对所述状态环境进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型；

其中，所述样本标签数据集包括电子健康数据、血清学检测指标数据和血管钙化等级；

所述电子健康数据包括性别、年龄、透析龄、身高、体重、腰围、体脂率、吸烟史、饮酒状况、含钙磷酸盐结合剂、应用维生素D的生理指标，及诊断结果、药物、处方和医嘱信息；

所述血清学检测指标数据包括血清Klotho、血清FGF23、血磷、血钙、血iPTH、25(OH)D人体化验检测指标。

2.根据权利要求1所述的一种电子病历数据处理方法，其特征在于，所述S3包括：

将所述钙化状态的特征表示进行稀疏操作后输入嵌入层的全连接层得到低维连续钙化状态的特征表示，将所述低维连续钙化状态的特征表示采用多特征决策级融合进行级联和融合得到多维向量嵌入模型。

3.根据权利要求1所述的一种电子病历数据处理方法，其特征在于，所述S4包括：

S41：采用所述多维向量嵌入模型构建历史钙化状态集，所述智能体从所述历史钙化状态集中评估和选择历史钙化状态；

S42：采用所述历史钙化状态和当前钙化状态构建智能体的状态环境；

S43：将所述状态环境传输至LSTM网络进行自适应学习历史钙化状态与上一时刻钙化状态得到血管钙化评估模型。

4.根据权利要求3所述的一种电子病历数据处理方法，其特征在于，所述智能体的状态环境：

其中，s_t表示状态环境，h_t-k表示t-k时刻历史钙化状态，

表示级联操作，h_t-1表示t-1时刻钙化状态，x_t表示多维向量嵌入模型。

5.根据权利要求3所述的一种电子病历数据处理方法，其特征在于，所述血管钙化评估模型：

h_t＝σ(o_t)⊙c_t

其中，h_t表示模型输出的隐藏状态，c_t表示t时刻的细胞单元，σ()表示sigmoid函数，o_t表示模型的输出门。

6.根据权利要求1所述的一种电子病历数据处理方法，其特征在于，所述血管钙化评估模型的钙化等级表示：

其中S_j表示第j钙化等级评估概率，j∈{1，2，3，4}，y_j表示第j个隐藏单元的加权和输出，最后概率值最大的即为钙化等级。

7.一种电子病历数据处理系统，其特征在于，包括：

采集模块，用于采集电子病历系统中的电子健康数据和血清学检测指标数据，将所述电子健康数据和血清学检测指标数据进行血管钙化等级评估得到样本标签数据集；

预处理模块，

用于对所述样本标签数据集进行数据筛选和特征选择预处理操作得到钙化状态的特征表示；具体用于将所述血清学检测指标数据、药物、处方、医嘱、生命体征和健康因素代码化表示，将所述样本标签数据集中的数值型数据归一化表示，将所述样本标签数据集中的非数值型数据编码化表示后，得到样本标签数据特征集；用删除所述样本标签数据特征集中缺失数值后得到预处理样本标签数据特征集；计算所述预处理样本标签数据特征集中电子健康数据特征与血管钙化等级评估的相关性，选择与血管钙化相关性强的数据特征；

其中，所述样本标签数据集包括电子健康数据、血清学检测指标数据和血管钙化等级；

所述电子健康数据包括性别、年龄、透析龄、身高、体重、腰围、体脂率、吸烟史、饮酒状况、含钙磷酸盐结合剂、应用维生素D的生理指标，及诊断结果、药物、处方和医嘱信息；所述血清学检测指标数据包括血清Klotho、血清FGF23、血磷、血钙、血iPTH、25(OH)D人体化验检测指标；

其中，电子健康数据特征与血管钙化等级评估的相关性通过互信息表示，所述互信息：

其中I(X；Y)表示互信息，信息熵H(X)表示患者数据特征集X的钙化期望，H(X|Y)表示条件熵，即钙化状态发生的条件下特征集X的钙化期望，a_i∈X，表示患者电子健康记录中第i个数据特征，n表示X中数据特征的数量，P(a_i)表示特征a_i发生概率，m表示VC钙化的等级数量，取值为4，b_j表示钙化等级，P(b_j)表示第j等级的钙化疾病发生的概率，P(a_i，b_j)表示钙化等级为b_j的情况下，数据特征为a_i的概率；

用于将选择的所述数据特征进行编码聚合级联得到钙化状态的特征表示；

嵌入模块，用于所述钙化状态的特征表示构建嵌入层得到多维向量嵌入模型；

训练模块，用于通过所述多维向量嵌入模型进行LSTM网络的自适应学习生成血管钙化评估模型。

Images