CN111696660A - 基于人工智能的患者分群方法、装置、设备及存储介质 - Google Patents

基于人工智能的患者分群方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111696660A
CN111696660A CN202010400972.5A CN202010400972A CN111696660A CN 111696660 A CN111696660 A CN 111696660A CN 202010400972 A CN202010400972 A CN 202010400972A CN 111696660 A CN111696660 A CN 111696660A
Authority
CN
China
Prior art keywords
patient
neural network
physiological indexes
convolutional neural
time
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.)
Granted
Application number
CN202010400972.5A
Other languages
English (en)
Other versions
CN111696660B (zh
Inventor
蒋雪涵
孙行智
徐卓扬
胡岗
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010400972.5A priority Critical patent/CN111696660B/zh
Publication of CN111696660A publication Critical patent/CN111696660A/zh
Priority to PCT/CN2020/118347 priority patent/WO2021139241A1/zh
Application granted granted Critical
Publication of CN111696660B publication Critical patent/CN111696660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，公开了一种基于人工智能的患者分群方法，用于提高患者分群的准确性。包括：读取多名患者的历史医疗数据，从历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；根据时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像；将治疗方案数据转换为对应的治疗方案编码；将变化关系图像输入至卷积神经网络中，并将治疗方案编码作为目标输出训练目标卷积神经网络；获取目标卷积神经网络的最后一层全连接层输出的图像编码，根据图像编码对多名患者进行聚类，以将多名患者划分为多个患者集群。本发明还涉及区块链技术，所述变化关系图像存储于区块链中。

Description

基于人工智能的患者分群方法、装置、设备及存储介质
技术领域
本发明涉及人工智能的机器学习技术领域，尤其涉及基于人工智能的患者分群方法、装置、设备及存储介质。
背景技术
随着医疗水平的提高和居民健康数据的积累，获取患者每个临床指标随时间变化的轨迹不再困难。而通过多个临床指标随时间变化的轨迹对患者进行精准分群、进行个性化治疗方案的选择以及预测患者预后，相比于仅使用单次指标具有更高的精准度。
目前常用的用于轨迹分类的方法之一是上世纪90年代由Daniel Nagin等人课题组提出的基于多项式拟合和贝叶斯信息准则的半参数混合模型，该方法的主要缺点是仅能对单个指标的轨迹变化聚类，不能处理离散型变量，且要求数据符合正态分布，应用多项式对固定时间间隔的分类使得由该方法得到的拟合轨迹与实际轨迹的偏差比较大。近年来，机器学习算法广泛应用于医疗数据分析，其中对多个指标轨迹变化分析是通过由多个变量定义的状态在多维空间的变化实现的，这种方法的缺点是随着考虑的变量数目增加，状态空间复杂度呈指数级增长，状态空间稀疏，轨迹间相似距离的计算需要人为定义，带来聚类的系统性偏差，实际的轨迹聚类效果有限。
因而，目前缺乏一种精确的基于多临床指标的患者分群方法，从而无法为精准化的临床决策提供支持。
发明内容
本发明的主要目的在于提出一种基于人工智能的患者分群方法、装置、设备及存储介质，旨在提高基于多临床指标进行患者分群的准确性。
本发明第一方面提供了一种基于人工智能的患者分群方法，所述基于人工智能的患者分群方法包括如下步骤：
读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，从所述历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；
根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像，其中，所述多项预设生理指标随时间的变化关系图像中包括与所述多项预设生理指标一一对应的多条颜色各不相同的轨迹，且不同患者的相同预设生理指标所对应的轨迹颜色相同；
将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码；
将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络；
获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群。
可选的，在本发明第一方面的第一种实现方式中，所述变化关系图像存储于区块链中，所述根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像的步骤包括：
将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理；
根据归一化处理后的每个患者的多项预设生理指标的时序测量数据，对应绘制每个患者的多项预设生理指标随时间的变化关系折线图；
在每个患者所对应的变化关系折线图中，为不同生理指标对应的折线添加不同的颜色，生成每个患者的多项预设生理指标随时间的变化关系图像。
可选的，在本发明第一方面的第二种实现方式中，所述将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理的步骤包括：
将提取出的每个患者的多项预设生理指标的时序测量数据划分为多个时序测量数据样本，其中每个时序测量数据样本对应一项预设生理指标；
从所述时序测量数据样本中获取待进行归一化处理的时序测量数据；
根据公式z＝(x-μ)/σ或z＝(x-min)/(max-min)，对所述待进行归一化处理的时序测量数据进行归一化处理，其中，x表示所述待进行归一化处理的时序测量数据，μ表示所述时序测量数据样本的平均值，σ表示所述时序测量数据样本的标准差，min、max分别表示所述时序测量数据样本的最小值、最大值，z表示归一化处理后的时序测量数据。
可选的，在本发明第一方面的第三种实现方式中，所述将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码的步骤包括：
将提取出的每个患者的治疗方案数据进行汇总，得到汇总治疗方案数据，统计所述汇总治疗方案数据中所包含的治疗方案的种类；
根据所述治疗方案的种类，将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码，其中不同种类的治疗方案对应不同的编码。
可选的，在本发明第一方面的第四种实现方式中，所述将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络的步骤包括：
将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练；
在所述模型训练过程中，获取所述卷积神经网络的实际输出；
将所述卷积神经网络的目标输出和实际输出代入交叉熵损失函数
Figure BDA0002489454400000031
中进行计算，得到所述交叉熵损失函数的值，其中，L表示所述交叉熵损失函数的值，y表示所述卷积神经网络的目标输出，
Figure BDA0002489454400000032
表示所述卷积神经网络的实际输出；
将所述交叉熵损失函数的值与预设阈值进行比较；
当所述交叉熵损失函数的值小于或等于预设阈值时，判定模型训练完成，将模型训练完成时的卷积神经网络作为训练后的目标卷积神经网络。
可选的，在本发明第一方面的第五种实现方式中，所述获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群的步骤之后，还包括：
获取每个患者集群中患者的历史医疗数据；
对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存，其中，所述临床指标特征包括治疗方案、合并症发生风险和预后估计中的至少一种。
可选的，在本发明第一方面的第六种实现方式中，所述对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存的步骤之后，还包括：
当接收到基于新患者的临床指标特征预测指令时，获取所述新患者的多项预设生理指标的时序测量数据；
根据所述新患者的多项预设生理指标的时序测量数据，生成所述新患者的多项预设生理指标随时间的变化关系图像；
通过所述目标卷积神经网络，对所述新患者的多项预设生理指标随时间的变化关系图像进行编码，得到所述新患者的图像编码；
根据所述新患者的图像编码，确定所述新患者所属的患者集群；
获取与所述新患者所属的患者集群对应的临床指标特征，作为所述新患者的临床指标特征预测结果。
本发明第二方面提供了一种基于人工智能的患者分群装置，所述基于人工智能的患者分群装置包括：
读取模块，用于读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，从所述历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；
第一生成模块，用于根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像，其中，所述多项预设生理指标随时间的变化关系图像中包括与所述多项预设生理指标一一对应的多条颜色各不相同的轨迹，且不同患者的相同预设生理指标所对应的轨迹颜色相同；
转换模块，用于将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码；
训练模块，用于将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络；
聚类模块，用于获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群。
可选的，在本发明第二方面的第一种实现方式中，所述变化关系图像存储于区块链中，所述第一生成模块还用于：
将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理；
根据归一化处理后的每个患者的多项预设生理指标的时序测量数据，对应绘制每个患者的多项预设生理指标随时间的变化关系折线图；
在每个患者所对应的变化关系折线图中，为不同生理指标对应的折线添加不同的颜色，生成每个患者的多项预设生理指标随时间的变化关系图像。
可选的，在本发明第二方面的第二种实现方式中，所述第一生成模块还用于：
将提取出的每个患者的多项预设生理指标的时序测量数据划分为多个时序测量数据样本，其中每个时序测量数据样本对应一项预设生理指标；
从所述时序测量数据样本中获取待进行归一化处理的时序测量数据；
根据公式z＝(x-μ)/σ或z＝(x-min)/(max-min)，对所述待进行归一化处理的时序测量数据进行归一化处理，其中，x表示所述待进行归一化处理的时序测量数据，μ表示所述时序测量数据样本的平均值，σ表示所述时序测量数据样本的标准差，min、max分别表示所述时序测量数据样本的最小值、最大值，z表示归一化处理后的时序测量数据。
可选的，在本发明第二方面的第三种实现方式中，所述转换模块还用于：
将提取出的每个患者的治疗方案数据进行汇总，得到汇总治疗方案数据，统计所述汇总治疗方案数据中所包含的治疗方案的种类；
根据所述治疗方案的种类，将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码，其中不同种类的治疗方案对应不同的编码。
可选的，在本发明第二方面的第四种实现方式中，所述训练模块还用于：
将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练；
在所述模型训练过程中，获取所述卷积神经网络的实际输出；
将所述卷积神经网络的目标输出和实际输出代入交叉熵损失函数
Figure BDA0002489454400000061
中进行计算，得到所述交叉熵损失函数的值，其中，L表示所述交叉熵损失函数的值，y表示所述卷积神经网络的目标输出，
Figure BDA0002489454400000062
表示所述卷积神经网络的实际输出；
将所述交叉熵损失函数的值与预设阈值进行比较；
当所述交叉熵损失函数的值小于或等于预设阈值时，判定模型训练完成，将模型训练完成时的卷积神经网络作为训练后的目标卷积神经网络。
可选的，在本发明第二方面的第五种实现方式中，所述基于人工智能的患者分群装置还包括：
获取模块，用于获取每个患者集群中患者的历史医疗数据；
描述统计模块，用于对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存，其中，所述临床指标特征包括治疗方案、合并症发生风险和预后估计中的至少一种。
可选的，在本发明第二方面的第六种实现方式中，所述基于人工智能的患者分群装置还包括：
接收模块，用于当接收到基于新患者的临床指标特征预测指令时，获取所述新患者的多项预设生理指标的时序测量数据；
第二生成模块，用于根据所述新患者的多项预设生理指标的时序测量数据，生成所述新患者的多项预设生理指标随时间的变化关系图像；
编码模块，用于通过所述目标卷积神经网络，对所述新患者的多项预设生理指标随时间的变化关系图像进行编码，得到所述新患者的图像编码；
确定模块，用于根据所述新患者的图像编码，确定所述新患者所属的患者集群；
预测模块，用于获取与所述新患者所属的患者集群对应的临床指标特征，作为所述新患者的临床指标特征预测结果。
本发明第三方面提供了一种基于人工智能的患者分群设备，所述基于人工智能的患者分群设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的患者分群设备执行上述的基于人工智能的患者分群方法。
本发明第四方面提供了一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人工智能的患者分群方法。
本发明提出的基于人工智能的患者分群方法，通过用图像表示时序数据，用处理图像问题的方法解决时序问题，即通过将每个患者的多项预设生理指标的时序测量数据转换为多项预设生理指标随时间的变化关系图像，然后基于该图像训练卷积神经网络，并用训练得到的卷积神经网络的最后一层编码图像信息，最后根据图像编码对患者进行聚类，实现了基于多临床指标的患者分群；此外，由于每一个患者所有生理指标的轨迹信息都可以通过卷积神经网络最后一层编码，编码里包含了输入的图像中所有的必要信息，相比于现有技术，在聚类时无需人为定义轨迹间相似距离的计算，从而避免了聚类的系统性偏差，从而本发明提高了基于多临床指标进行患者分群的准确性。
附图说明
图1为本发明基于人工智能的患者分群方法的一个实施例的流程示意图；
图2为本发明基于人工智能的患者分群装置的一个实施例的模块示意图；
图3为本发明实施例提供的基于人工智能的患者分群设备的结构示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的患者分群方法、装置、设备及存储介质，通过用图像表示时序数据，用处理图像问题的方法解决时序问题，即通过将每个患者的多项预设生理指标的时序测量数据转换为多项预设生理指标随时间的变化关系图像，然后基于该图像训练卷积神经网络，并用训练得到的卷积神经网络的最后一层编码图像信息，最后根据图像编码对患者进行聚类，实现了基于多临床指标的患者分群；此外，由于每一个患者所有生理指标的轨迹信息都可以通过卷积神经网络最后一层编码，编码里包含了输入的图像中所有的必要信息，相比于现有技术，在聚类时无需人为定义轨迹间相似距离的计算，从而避免了聚类的系统性偏差，从而本发明实施例提高了基于多临床指标进行患者分群的准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明基于人工智能的患者分群方法实施例的具体流程进行描述。
参照图1，图1为本发明基于人工智能的患者分群方法的一个实施例的流程示意图，该方法包括：
步骤101，读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，从所述历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；
在本实施例中，以执行基于人工智能的患者分群方法的设备为服务器为例进行说明。首先，服务器可以预先将患者每次来医院就诊时的医疗数据保存在一个历史医疗数据库中，当训练卷积神经网络模型时，服务器读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，然后从该历史医疗数据中提取出每个患者的多项预设生理指标的时序数据，以及每个患者的治疗方案数据。
其中，生理指标的类型可以根据实际需要预先灵活设置，其包括但不限于体温、心率、血糖、尿素值等，当生理指标的类型被设置后，对于每个患者服务器都需要提取所设置的各生理指标的时序测量数据，以及与该患者对应的治疗方案数据。其中，时序测量数据为每个生理指标按时间顺序记录的数据列，比如某患者体温的时序测量数据可以表示为：37.5℃，36.5℃，36.7℃，37℃；治疗方案数据可以是药物治疗方案或手术治疗方案，以药物治疗方案为例，药物治疗方案数据可以从医生给患者开具的处方中提取。
步骤102，根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像，其中，所述多项预设生理指标随时间的变化关系图像中包括与所述多项预设生理指标一一对应的多条颜色各不相同的轨迹，且不同患者的相同预设生理指标所对应的轨迹颜色相同；
该步骤中，服务器根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像。对于任一患者，在其多项预设生理指标随时间的变化关系图像中，x轴表示时间，y轴表示生理指标的值，各个指标具有相同的x轴，不同指标随时间的变化关系图像用不同的颜色的轨迹表示，即不同的生理指标用不同的颜色区分，其中轨迹可以是折线，也可以是曲线，本实施例对此不作限定；此外，不同患者的相同预设生理指标所对应的轨迹颜色相同，比如，可以设置患者A，B，C的体温轨迹均为黄色，血糖轨迹均为红色。需要强调的是，为进一步保证上述变化关系图像的私密和安全性，上述变化关系图像还可以存储于一区块链的节点中。
需要说明的是，设置“不同患者的相同预设生理指标所对应的轨迹颜色相同”的原因在于，卷积神经网络(Convolutional Neural Networks，CNN)处理图像时，是将图像转化为RGB(红绿蓝三原色)颜色的数值，不同的颜色具有唯一的RGB编码(如红色的RGB颜色为(255，0，0))，一张彩色的图，可转化为三个矩阵，分别对应红、绿、蓝三种颜色的数值，相同的指标必须用同一种颜色表示，这样不同患者的时序测量数据样本间才有可比较性。而不同的生理指标必须用不同颜色区分的原因在于，试想所有的指标都用同一颜色表示，即输入的三个矩阵是冗余的，仅用一个矩阵表示即可，尽管依然可以按照本方案的设计得到最终的结果，但却无法区分不同的生理指标，模型精度可能会受到影响，这是用同一颜色表示的缺点之一；其二，在不同指标轨迹的交界处或重合处，如果用多种颜色表示图像，图像上交点重合是一个新的颜色，在RGB的三个矩阵中，也能从数值上反映出来这是某些指标的共有的点，而如果用单色表示图像，则不能反映这一信息。
步骤103，将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码；
该步骤中，服务器将上述提取出的每个患者的治疗方案数据转换为对应的治疗方案编码，该治疗方案编码即作为后续模型训练时的目标输出。
作为一种实施方式，该步骤103可以包括：将提取出的每个患者的治疗方案数据进行汇总，得到汇总治疗方案数据，统计所述汇总治疗方案数据中所包含的治疗方案的种类；根据所述治疗方案的种类，将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码，其中不同种类的治疗方案对应不同的编码。
以治疗方案为药物治疗方案为例说明，假如我们想根据二型糖尿病患者的多项生理指标变化情况，对该二型糖尿病患者进行药物治疗方案的推荐，则推荐的药物治疗方案为模型学习的目标，即y值。若服务器统计提取出的所有二型糖尿病患者的治疗方案数据中所包含的药物治疗方案有6种，那么通过从治疗方案数据中提取医生给每位患者开的处方，可以分别用0～5来表示处方对应的药物治疗方案编号，这样每位患者的治疗方案编码即为历史医疗数据中不同药物治疗方案的编号。
步骤104，将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络；
该步骤中，服务器将上述生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络。在模型训练过程中，用损失函数衡量目标输出y和实际输出
Figure BDA0002489454400000101
之间的差距，模型迭代训练的过程即最小化损失函数的过程，其中损失函数可以是交叉熵损失函数，也可以是其他类型的损失函数。
作为一种实施方式，上述步骤104可以进一步包括：将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练；在所述模型训练过程中，获取所述卷积神经网络的实际输出；将所述卷积神经网络的目标输出和实际输出代入交叉熵损失函数
Figure BDA0002489454400000102
中进行计算，得到所述交叉熵损失函数的值，其中，L表示所述交叉熵损失函数的值，y表示所述卷积神经网络的目标输出，
Figure BDA0002489454400000111
表示所述卷积神经网络的实际输出；将所述交叉熵损失函数的值与预设阈值进行比较；当所述交叉熵损失函数的值小于或等于预设阈值时，判定模型训练完成，将模型训练完成时的卷积神经网络作为训练后的目标卷积神经网络。
在模型迭代训练过程中，随迭代次数的增加，损失函数会下降。本实施例中，当交叉熵损失函数的值小于或等于预设阈值时，判定模型训练完成，此时得到目标卷积神经网络。
步骤105，获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群。
该步骤中，目标卷积神经网络是由多个重复的“卷积层→池化层”单元以及多个全连接层构成，重复的“卷积层→池化层”单元在前，其后为类似于神经网络的全连接层。图像数据经过重复的“卷积层→池化层”单元处理后，得到三维矩阵，为了将三维矩阵输入全连接层，需要将其转换为一维数组。例如最后一层池化层输出的数据维度是nw*nh*nc，其中nw、nh、nc分别代表三维矩阵三个维度上的元素数目，通过扁平处理，得到的一维数组即包含nw*nh*nc个元素，该一维数组再输入到后续的全连接层。
图像经过卷积层和池化层的处理并转化为一维数组后，输入到包含若干个全连接层的网络结构中，得到最后一层全连接层输出的图像编码，该图像编码中即包含了输入的图像中所有的必要信息(不仅仅是某个变量的轨迹变化，还有多个变量的组合及其轨迹变化)。在本实施例中，服务器获取目标卷积神经网络的最后一层全连接层输出的图像编码，即一个一维数组，之后，将该图像编码作为聚类算法的输入，进行聚类，以将多名患者划分为多个患者集群。其中，聚类算法可以灵活选择，如可以采用K均值聚类算法(k-means)，本实施例对此不作限定。
需要说明的是，由于本实施例是用卷积神经网络模型训练的中间结果(即最后一层全连接层)作为聚类算法的输入，该中间结果是对输入数据的编码，且该编码能够反映输入之间的差异，因而本实施例能够实现对患者进行精确分群。
本实施例提出的基于人工智能的患者分群方法，通过用图像表示时序数据，用处理图像问题的方法解决时序问题，即通过将每个患者的多项预设生理指标的时序测量数据转换为多项预设生理指标随时间的变化关系图像，然后基于该图像训练卷积神经网络，并用训练得到的卷积神经网络的最后一层编码图像信息，最后根据图像编码对患者进行聚类，实现了基于多临床指标的患者分群；此外，由于每一个患者所有生理指标的轨迹信息都可以通过卷积神经网络最后一层编码，编码里包含了输入的图像中所有的必要信息，相比于现有技术，在聚类时无需人为定义轨迹间相似距离的计算，从而避免了聚类的系统性偏差，从而本发明提高了基于多临床指标进行患者分群的准确性。
进一步地，基于本发明基于人工智能的患者分群方法第一实施例，提出本发明基于人工智能的患者分群方法第二实施例。
在本实施例中，上述根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像的步骤可以进一步包括：
将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理；
该步骤中，归一化指的是把需要处理的数据转换到一定范围内，比如(0，1)范围，服务器将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理，能够便于简化后续计算，提高计算机的处理效率。
具体地，将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理的步骤可以包括：将提取出的每个患者的多项预设生理指标的时序测量数据划分为多个时序测量数据样本，其中每个时序测量数据样本对应一项预设生理指标；从所述时序测量数据样本中获取待进行归一化处理的时序测量数据；根据公式z＝(x-μ)/σ或z＝(x-min)/(max-min)，对所述待进行归一化处理的时序测量数据进行归一化处理，其中，x表示所述待进行归一化处理的时序测量数据，μ表示所述时序测量数据样本的平均值，σ表示所述时序测量数据样本的标准差，min、max分别表示所述时序测量数据样本的最小值、最大值，z表示归一化处理后的时序测量数据。
比如，当提取出了某一患者的体温、心率、血糖、尿素值等4项预设生理指标的时序测量数据时，可以首先将该时序测量数据划分为4个时序测量数据样本，每个时序测量数据样本对应一项预设生理指标，然后再分别对各时序测量数据样本中包含的时序测量数据进行归一化处理。
根据归一化处理后的每个患者的多项预设生理指标的时序测量数据，对应绘制每个患者的多项预设生理指标随时间的变化关系折线图；
该步骤中，服务器根据归一化处理后的每个患者的多项预设生理指标的时序测量数据，对应绘制每个患者的多项预设生理指标随时间的变化关系折线图，该变化关系折线图中包含多条折线，每条折线代表一项预设生理指标的变化轨迹。
在每个患者所对应的变化关系折线图中，为不同生理指标对应的折线添加不同的颜色，生成每个患者的多项预设生理指标随时间的变化关系图像。
该步骤中，服务器在每个患者所对应的变化关系折线图中，为不同生理指标对应的折线添加不同的颜色，从而生成每个患者的多项预设生理指标随时间的变化关系图像。其中折线的颜色可以灵活设置，比如体温折线设置为黄色，血糖折线设置为红色等。
在本实施例中，通过将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理，能够便于简化后续计算，提高计算机的处理效率，最终生成的每个患者的多项预设生理指标随时间的变化关系折线图包含多条颜色各不相同的折线，能够便于对不同的生理指标进行区分，为后续模型训练的精确度提供了前提保证。
进一步地，基于本发明基于人工智能的患者分群方法第一实施例，提出本发明基于人工智能的患者分群方法第三实施例。
在本实施例中，上述步骤105之后，还可以包括：获取每个患者集群中患者的历史医疗数据；对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存，其中，所述临床指标特征包括治疗方案、合并症发生风险和预后估计中的至少一种。
其中，描述统计即对感兴趣的样本计算其平均值、标准差、百分位数等，通过简单的统计计算描述样本的数据分布等情况。服务器通过对每个患者集群中患者的历史医疗数据进行描述统计，可以得到每个患者对应的临床指标特征，该临床指标特征包括治疗方案、合并症发生风险和预后估计中的至少一种，具体的描述统计规则和临床指标特征的种类可以根据实际需要灵活设置。
服务器将获得的临床指标特征进行保存，可以为后续精准化的临床决策提供支持。例如，当想对药物治疗的糖尿病患者进行精准分群时，首先可以以糖尿病不同的药物治疗方案为目标进行模型训练，截取训练好的CNN模型中最后一层全连接层为每个患者的编码，并以此编码作为聚类的输入，对患者进行聚类，最终得到糖尿病患者的精准分群。对精准分群得到的每一群糖尿病患者，可以统计患者患其他疾病的比例，统计患者两年之后患急性肾损伤的比例等临床特征，这样在对一个新的样本进行分群之后，就可以用该群患者的特点对新样本的临床特点给出大致估计。
进一步地，基于本发明基于人工智能的患者分群方法第一实施例，提出本发明基于人工智能的患者分群方法第四实施例。
在本实施例中，上述对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存的步骤之后，还可以包括：
当接收到基于新患者的临床指标特征预测指令时，获取所述新患者的多项预设生理指标的时序测量数据；
该步骤中，当服务器接收到基于新患者的临床指标特征预测指令时，可以从历史医疗数据库中读取该新患者的历史医疗数据，并从历史医疗数据中提取出该新患者的多项预设生理指标的时序测量数据。
根据所述新患者的多项预设生理指标的时序测量数据，生成所述新患者的多项预设生理指标随时间的变化关系图像；
该步骤中，服务器根据该新患者的多项预设生理指标的时序测量数据，生成该新患者的多项预设生理指标随时间的变化关系图像，其中，图像的生成方式与上述第二实施例中的图像生成方式基本相同，此处不作赘述。
通过所述目标卷积神经网络，对所述新患者的多项预设生理指标随时间的变化关系图像进行编码，得到所述新患者的图像编码；
该步骤中，服务器将该新患者的多项预设生理指标随时间的变化关系图像输入至目标卷积神经网络中，以通过目标卷积神经网络对该新患者的多项预设生理指标随时间的变化关系图像进行编码，得到该新患者的图像编码。
根据所述新患者的图像编码，确定所述新患者所属的患者集群；
该步骤中，服务器根据该新患者的图像编码，采用与上述对多名患者聚类时相同的聚类算法，可以确定该新患者所属的患者集群。
获取与所述新患者所属的患者集群对应的临床指标特征，作为所述新患者的临床指标特征预测结果。
该步骤中，服务器读取预先保存的与新患者所属的患者集群对应的临床指标特征，作为该新患者的临床指标特征预测结果。
通过上述方式，实现了通过训练好的目标卷积神经网络以及划分好的患者集群预测新患者的临床指标特征，从而能够为精准化的临床决策提供支持。
本发明实施例还提供一种基于人工智能的患者分群装置。
参照图2，图2为本发明基于人工智能的患者分群装置的一个实施例的模块示意图。本实施例中，所述基于人工智能的患者分群装置包括：
读取模块201，用于读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，从所述历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；
第一生成模块202，用于根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像，其中，所述多项预设生理指标随时间的变化关系图像中包括与所述多项预设生理指标一一对应的多条颜色各不相同的轨迹，且不同患者的相同预设生理指标所对应的轨迹颜色相同；
转换模块203，用于将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码；
训练模块204，用于将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络；
聚类模块205，用于获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群。
可选的，所述第一生成模块202还用于：
将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理；
根据归一化处理后的每个患者的多项预设生理指标的时序测量数据，对应绘制每个患者的多项预设生理指标随时间的变化关系折线图；
在每个患者所对应的变化关系折线图中，为不同生理指标对应的折线添加不同的颜色，生成每个患者的多项预设生理指标随时间的变化关系图像。
可选的，所述第一生成模块202还用于：
将提取出的每个患者的多项预设生理指标的时序测量数据划分为多个时序测量数据样本，其中每个时序测量数据样本对应一项预设生理指标；
从所述时序测量数据样本中获取待进行归一化处理的时序测量数据；
根据公式z＝(x-μ)/σ或z＝(x-min)/(max-min)，对所述待进行归一化处理的时序测量数据进行归一化处理，其中，x表示所述待进行归一化处理的时序测量数据，μ表示所述时序测量数据样本的平均值，σ表示所述时序测量数据样本的标准差，min、max分别表示所述时序测量数据样本的最小值、最大值，z表示归一化处理后的时序测量数据。
可选的，所述转换模块203还用于：
将提取出的每个患者的治疗方案数据进行汇总，得到汇总治疗方案数据，统计所述汇总治疗方案数据中所包含的治疗方案的种类；
根据所述治疗方案的种类，将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码，其中不同种类的治疗方案对应不同的编码。
可选的，所述训练模块204还用于：
将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练；
在所述模型训练过程中，获取所述卷积神经网络的实际输出；
将所述卷积神经网络的目标输出和实际输出代入交叉熵损失函数
Figure BDA0002489454400000161
中进行计算，得到所述交叉熵损失函数的值，其中，L表示所述交叉熵损失函数的值，y表示所述卷积神经网络的目标输出，
Figure BDA0002489454400000171
表示所述卷积神经网络的实际输出；
将所述交叉熵损失函数的值与预设阈值进行比较；
当所述交叉熵损失函数的值小于或等于预设阈值时，判定模型训练完成，将模型训练完成时的卷积神经网络作为训练后的目标卷积神经网络。
可选的，所述基于人工智能的患者分群装置还包括：
获取模块，用于获取每个患者集群中患者的历史医疗数据；
描述统计模块，用于对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存，其中，所述临床指标特征包括治疗方案、合并症发生风险和预后估计中的至少一种。
可选的，所述基于人工智能的患者分群装置还包括：
接收模块，用于当接收到基于新患者的临床指标特征预测指令时，获取所述新患者的多项预设生理指标的时序测量数据；
第二生成模块，用于根据所述新患者的多项预设生理指标的时序测量数据，生成所述新患者的多项预设生理指标随时间的变化关系图像；
编码模块，用于通过所述目标卷积神经网络，对所述新患者的多项预设生理指标随时间的变化关系图像进行编码，得到所述新患者的图像编码；
确定模块，用于根据所述新患者的图像编码，确定所述新患者所属的患者集群；
预测模块，用于获取与所述新患者所属的患者集群对应的临床指标特征，作为所述新患者的临床指标特征预测结果。
上述基于人工智能的患者分群装置中各个模块的功能实现及有益效果与上述基于人工智能的患者分群方法实施例中各步骤相对应，此处不再赘述。
需要强调的是，为进一步保证上述变化关系图像的私密和安全性，上述变化关系图像还可以存储于一区块链的节点中。
上面从模块化功能实体的角度对本发明实施例中的基于人工智能的患者分群装置进行了详细描述，下面从硬件处理的角度对本发明实施例中基于人工智能的患者分群设备进行详细描述。
参照图3，图3为本发明实施例提供的基于人工智能的患者分群设备的结构示意图。该基于人工智能的患者分群设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)310(例如，一个或一个以上处理器)和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于人工智能的患者分群设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在基于人工智能的患者分群设备300上执行存储介质330中的一系列指令操作。
基于人工智能的患者分群设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的基于人工智能的患者分群设备结构并不构成对基于人工智能的患者分群设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种存储介质，该存储介质可以为非易失性存储介质，也可以为易失性存储介质，所述存储介质中存储有基于人工智能的患者分群程序，所述基于人工智能的患者分群程序被处理器执行时实现如上所述的基于人工智能的患者分群方法的步骤。
其中，在所述处理器上运行的基于人工智能的患者分群程序被执行时所实现的方法及有益效果可参照本发明基于人工智能的患者分群方法的各个实施例，此处不再赘述。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域技术人员可以理解，上述集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个取存储介质中。基于这样的理解，本发明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全部或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)执行本发明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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的患者分群方法，其特征在于，所述基于人工智能的患者分群方法包括如下步骤：
读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，从所述历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；
根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像，其中，所述多项预设生理指标随时间的变化关系图像中包括与所述多项预设生理指标一一对应的多条颜色各不相同的轨迹，且不同患者的相同预设生理指标所对应的轨迹颜色相同；
将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码；
将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络；
获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群。
2.如权利要求1所述的基于人工智能的患者分群方法，其特征在于，所述变化关系图像存储于区块链中，所述根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像的步骤包括：
将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理；
根据归一化处理后的每个患者的多项预设生理指标的时序测量数据，对应绘制每个患者的多项预设生理指标随时间的变化关系折线图；
在每个患者所对应的变化关系折线图中，为不同生理指标对应的折线添加不同的颜色，生成每个患者的多项预设生理指标随时间的变化关系图像。
3.如权利要求2所述的基于人工智能的患者分群方法，其特征在于，所述将提取出的每个患者的多项预设生理指标的时序测量数据进行归一化处理的步骤包括：
将提取出的每个患者的多项预设生理指标的时序测量数据划分为多个时序测量数据样本，其中每个时序测量数据样本对应一项预设生理指标；
从所述时序测量数据样本中获取待进行归一化处理的时序测量数据；
根据公式z＝(x-μ)/σ或z＝(x-min)/(max-min)，对所述待进行归一化处理的时序测量数据进行归一化处理，其中，x表示所述待进行归一化处理的时序测量数据，μ表示所述时序测量数据样本的平均值，σ表示所述时序测量数据样本的标准差，min、max分别表示所述时序测量数据样本的最小值、最大值，z表示归一化处理后的时序测量数据。
4.如权利要求1所述的基于人工智能的患者分群方法，其特征在于，所述将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码的步骤包括：
将提取出的每个患者的治疗方案数据进行汇总，得到汇总治疗方案数据，统计所述汇总治疗方案数据中所包含的治疗方案的种类；
根据所述治疗方案的种类，将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码，其中不同种类的治疗方案对应不同的编码。
5.如权利要求1所述的基于人工智能的患者分群方法，其特征在于，所述将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络的步骤包括：
将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练；
在所述模型训练过程中，获取所述卷积神经网络的实际输出；
将所述卷积神经网络的目标输出和实际输出代入交叉熵损失函数
Figure FDA0002489454390000021
中进行计算，得到所述交叉熵损失函数的值，其中，L表示所述交叉熵损失函数的值，y表示所述卷积神经网络的目标输出，
Figure FDA0002489454390000031
表示所述卷积神经网络的实际输出；
将所述交叉熵损失函数的值与预设阈值进行比较；
当所述交叉熵损失函数的值小于或等于预设阈值时，判定模型训练完成，将模型训练完成时的卷积神经网络作为训练后的目标卷积神经网络。
6.如权利要求1-5中任一项所述的基于人工智能的患者分群方法，其特征在于，所述获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群的步骤之后，还包括：
获取每个患者集群中患者的历史医疗数据；
对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存，其中，所述临床指标特征包括治疗方案、合并症发生风险和预后估计中的至少一种。
7.如权利要求6所述的基于人工智能的患者分群方法，其特征在于，所述对所述每个患者集群中患者的历史医疗数据进行描述统计，得到每个患者集群对应的临床指标特征，将所述临床指标特征进行保存的步骤之后，还包括：
当接收到基于新患者的临床指标特征预测指令时，获取所述新患者的多项预设生理指标的时序测量数据；
根据所述新患者的多项预设生理指标的时序测量数据，生成所述新患者的多项预设生理指标随时间的变化关系图像；
通过所述目标卷积神经网络，对所述新患者的多项预设生理指标随时间的变化关系图像进行编码，得到所述新患者的图像编码；
根据所述新患者的图像编码，确定所述新患者所属的患者集群；
获取与所述新患者所属的患者集群对应的临床指标特征，作为所述新患者的临床指标特征预测结果。
8.一种基于人工智能的患者分群装置，其特征在于，所述基于人工智能的患者分群装置包括：
读取模块，用于读取预先保存在历史医疗数据库中的多名患者的历史医疗数据，从所述历史医疗数据中提取出每个患者的多项预设生理指标的时序测量数据，以及每个患者的治疗方案数据；
第一生成模块，用于根据提取出的每个患者的多项预设生理指标的时序测量数据，对应生成每个患者的多项预设生理指标随时间的变化关系图像，其中，所述多项预设生理指标随时间的变化关系图像中包括与所述多项预设生理指标一一对应的多条颜色各不相同的轨迹，且不同患者的相同预设生理指标所对应的轨迹颜色相同；
转换模块，用于将提取出的每个患者的治疗方案数据转换为对应的治疗方案编码；
训练模块，用于将生成的每个患者的多项预设生理指标随时间的变化关系图像输入至卷积神经网络中，并将所述治疗方案编码作为所述卷积神经网络的目标输出进行模型训练，得到训练后的目标卷积神经网络；
聚类模块，用于获取所述目标卷积神经网络的最后一层全连接层输出的图像编码，根据所述图像编码对所述多名患者进行聚类，以将所述多名患者划分为多个患者集群。
9.一种基于人工智能的患者分群设备，其特征在于，所述基于人工智能的患者分群设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的患者分群设备执行如权利要求1-7中任一项所述的基于人工智能的患者分群方法。
10.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于人工智能的患者分群方法。
CN202010400972.5A 2020-05-13 2020-05-13 基于人工智能的患者分群方法、装置、设备及存储介质 Active CN111696660B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010400972.5A CN111696660B (zh) 2020-05-13 2020-05-13 基于人工智能的患者分群方法、装置、设备及存储介质
PCT/CN2020/118347 WO2021139241A1 (zh) 2020-05-13 2020-09-28 基于人工智能的患者分群方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010400972.5A CN111696660B (zh) 2020-05-13 2020-05-13 基于人工智能的患者分群方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111696660A true CN111696660A (zh) 2020-09-22
CN111696660B CN111696660B (zh) 2023-07-25

Family

ID=72477649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010400972.5A Active CN111696660B (zh) 2020-05-13 2020-05-13 基于人工智能的患者分群方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN111696660B (zh)
WO (1) WO2021139241A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489742A (zh) * 2020-11-24 2021-03-12 泰康保险集团股份有限公司 一种处方流转处理方法和装置
WO2021139241A1 (zh) * 2020-05-13 2021-07-15 平安科技（深圳）有限公司 基于人工智能的患者分群方法、装置、设备及存储介质
CN113436743A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 基于表示学习的多结局疗效预测方法、装置及存储介质
CN113490053A (zh) * 2021-06-30 2021-10-08 北京奇艺世纪科技有限公司 播放量预测方法、装置、模型、电子设备及存储介质
CN113948219A (zh) * 2021-10-26 2022-01-18 平安科技（深圳）有限公司 传染病数据处理方法、装置、计算机及存储介质
CN116738297A (zh) * 2023-08-15 2023-09-12 北京快舒尔医疗技术有限公司 一种基于深度自编码的糖尿病分型方法和系统
CN117542536A (zh) * 2024-01-10 2024-02-09 中国人民解放军海军青岛特勤疗养中心 一种基于体检数据的智能护理方法及系统
CN117558460A (zh) * 2024-01-11 2024-02-13 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统
CN117894424A (zh) * 2024-03-14 2024-04-16 四川省医学科学院·四川省人民医院 基于深度学习与强化学习构建t2dm患者药物方案的推荐系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113782187B (zh) * 2021-09-10 2023-06-27 深圳平安智慧医健科技有限公司 指标数据处理方法、相关设备及介质
CN114116821B (zh) * 2021-11-26 2024-05-10 山东浪潮科学研究院有限公司 基于时序数据库的能源监测数据存储方法、设备及介质
CN115910323B (zh) * 2022-11-16 2023-09-29 山东仲雅信息技术有限公司 治疗方案选取方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
CN106778042A (zh) * 2017-01-26 2017-05-31 中电科软件信息服务有限公司 心脑血管患者相似性分析方法及系统
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
US20190096525A1 (en) * 2017-09-26 2019-03-28 Owned Outcomes Inc. Patient data management system
CN110262950A (zh) * 2019-05-21 2019-09-20 阿里巴巴集团控股有限公司 基于多项指标的异动检测方法和装置
CN110349676A (zh) * 2019-06-14 2019-10-18 华南师范大学 时序生理数据分类方法、装置、存储介质和处理器

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020714B (zh) * 2018-01-10 2023-05-30 斑马智行网络(香港)有限公司 模型训练及数据分析方法、装置、设备以及存储介质
CN108257670B (zh) * 2018-01-22 2021-06-22 北京颐圣智能科技有限公司 医学解释模型的建立方法和装置
CN111696660B (zh) * 2020-05-13 2023-07-25 平安科技（深圳）有限公司 基于人工智能的患者分群方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866727A (zh) * 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
CN106778042A (zh) * 2017-01-26 2017-05-31 中电科软件信息服务有限公司 心脑血管患者相似性分析方法及系统
CN107103187A (zh) * 2017-04-10 2017-08-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
US20190096525A1 (en) * 2017-09-26 2019-03-28 Owned Outcomes Inc. Patient data management system
CN110262950A (zh) * 2019-05-21 2019-09-20 阿里巴巴集团控股有限公司 基于多项指标的异动检测方法和装置
CN110349676A (zh) * 2019-06-14 2019-10-18 华南师范大学 时序生理数据分类方法、装置、存储介质和处理器

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139241A1 (zh) * 2020-05-13 2021-07-15 平安科技（深圳）有限公司 基于人工智能的患者分群方法、装置、设备及存储介质
CN112489742A (zh) * 2020-11-24 2021-03-12 泰康保险集团股份有限公司 一种处方流转处理方法和装置
CN112489742B (zh) * 2020-11-24 2023-07-04 泰康保险集团股份有限公司 一种处方流转处理方法和装置
CN113490053A (zh) * 2021-06-30 2021-10-08 北京奇艺世纪科技有限公司 播放量预测方法、装置、模型、电子设备及存储介质
CN113436743B (zh) * 2021-06-30 2023-06-23 平安科技（深圳）有限公司 基于表示学习的多结局疗效预测方法、装置及存储介质
CN113436743A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 基于表示学习的多结局疗效预测方法、装置及存储介质
CN113948219A (zh) * 2021-10-26 2022-01-18 平安科技（深圳）有限公司 传染病数据处理方法、装置、计算机及存储介质
CN116738297A (zh) * 2023-08-15 2023-09-12 北京快舒尔医疗技术有限公司 一种基于深度自编码的糖尿病分型方法和系统
CN116738297B (zh) * 2023-08-15 2023-11-21 北京快舒尔医疗技术有限公司 一种基于深度自编码的糖尿病分型方法和系统
CN117542536A (zh) * 2024-01-10 2024-02-09 中国人民解放军海军青岛特勤疗养中心 一种基于体检数据的智能护理方法及系统
CN117542536B (zh) * 2024-01-10 2024-04-12 中国人民解放军海军青岛特勤疗养中心 一种基于体检数据的智能护理方法及系统
CN117558460A (zh) * 2024-01-11 2024-02-13 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统
CN117558460B (zh) * 2024-01-11 2024-04-05 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统
CN117894424A (zh) * 2024-03-14 2024-04-16 四川省医学科学院·四川省人民医院 基于深度学习与强化学习构建t2dm患者药物方案的推荐系统
CN117894424B (zh) * 2024-03-14 2024-05-14 四川省医学科学院·四川省人民医院 基于深度学习与强化学习构建t2dm患者药物方案的推荐系统

Also Published As

Publication number Publication date
CN111696660B (zh) 2023-07-25
WO2021139241A1 (zh) 2021-07-15

Similar Documents

Publication Publication Date Title
CN111696660B (zh) 基于人工智能的患者分群方法、装置、设备及存储介质
US20220254493A1 (en) Chronic disease prediction system based on multi-task learning model
CN109920501B (zh) 基于卷积神经网络和主动学习的电子病历分类方法及系统
CN111968715B (zh) 一种基于病历数据和药物相互作用风险的药物推荐建模方法
CN111798954A (zh) 基于时间注意力机制和图卷积网络的药物组合推荐方法
CN111968741B (zh) 基于深度学习与集成学习的糖尿病并发症高危预警系统
Gupta et al. An extensive data processing pipeline for mimic-iv
CN109830302B (zh) 用药模式挖掘方法、装置和电子设备
CN116189847B (zh) 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法
US20230397887A1 (en) Scatter diagram classification method and apparatus for photoplethysmography signal
CN112132624A (zh) 医疗理赔数据预测系统
CN115985513B (zh) 一种基于多组学癌症分型的数据处理方法、装置及设备
Steen Approaches to predictive modeling
CN115424696B (zh) 一种基于迁移学习的中医罕见病中药处方生成方法和系统
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及系统
CN111652135A (zh) 心电图数据生成方法、装置及电子设备
CN114628002A (zh) 一种基于复制机制和层级选择策略的药物推荐方法
CN113539412B (zh) 基于深度学习的中草药推荐系统
US20190205787A1 (en) Dimension reduction of claims data
CN112435745B (zh) 就诊策略推荐方法、装置、电子设备及存储介质
Brüsch et al. Multi-view self-supervised learning for multivariate variable-channel time series
Ono et al. Introduction to supervised machine learning in clinical epidemiology
US11887736B1 (en) Methods for evaluating clinical comparative efficacy using real-world health data and artificial intelligence
Chourib et al. Structured case base knowledge using unsupervised learning
Saxena et al. Adaptive Multi-Hop Deep Learning based Drug Recommendation System with Selective Coverage Mechanism

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40031387

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant