CN111933284B - 一种并发症风险预测系统、方法、装置、设备及介质 - Google Patents
一种并发症风险预测系统、方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111933284B CN111933284B CN202011034019.XA CN202011034019A CN111933284B CN 111933284 B CN111933284 B CN 111933284B CN 202011034019 A CN202011034019 A CN 202011034019A CN 111933284 B CN111933284 B CN 111933284B
- Authority
- CN
- China
- Prior art keywords
- target
- risk
- weight
- complication
- complications
- 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.)
- Active
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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)
Abstract
本申请实施例公开了一种并发症风险预测系统、方法、装置、设备及介质，应用于医疗技术领域，其中，该并发症风险预测系统包括：风险预测设备和存储设备；其中，该存储设备用于存储用户的诊疗数据；该风险预测设备，用于执行以下步骤：获取目标用户的目标疾病类型对应的诊疗数据；结合多个单任务学习模型和多任务学习模型确定多个目标并发症对应的第二风险因子的权重，以及确定每个目标并发症对应的权重，以基于每个第二风险因子的权重和每个目标并发症对应的权重，确定所述目标用户的并发症风险信息。采用本申请实施例，有助于提升并发症预测的可靠性。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种并发症风险预测系统、方法、装置、设备及介质。
背景技术
发明人意识到，各种疾病的发病率逐年升高，且患者常常伴有至少一种并发症，而这些并发症往往无法及时发现，导致增加了治疗难度。因此，如何实现并发症的可靠预测成为亟需解决的问题。
发明内容
本申请实施例提供了一种并发症风险预测系统、方法、装置、设备及介质，有助于提升并发症预测的可靠性。
第一方面，本申请实施例提供了一种并发症风险预测系统，包括：风险预测设备和存储设备；其中，所述存储设备用于存储用户的诊疗数据；
所述风险预测设备，用于执行以下步骤：
从所述存储设备获取目标用户的目标疾病类型对应的诊疗数据；
分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子；
确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息在一个实施例中，
可选的，所述根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息，包括：
利用风险预测模型对所述第一权重和所述第二权重进行处理，以得到所述目标用户针对所述目标疾病类型的并发症风险信息；
其中，所述风险预测模型的损失函数是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重确定出的。
可选的，所述风险预测设备，还用于执行以下步骤：
获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对所述诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子；
利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重；
确定每个目标并发症对应的权重；
根据所述每个第二风险因子的权重和每个目标并发症对应的权重，确定出所述损失函数，以训练得到所述风险预测模型，所述风险预测模型用于预测用户针对所述目标疾病类型的并发症风险信息。
可选的，所述用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重，包括：
利用L1正则化对所述多个第一风险因子进行处理，确定所述多个第一风险因子对应的权重矩阵；
根据所述多个第一风险因子对应的权重矩阵进行特征选择，确定所述多个第二风险因子对应的权重矩阵；
根据所述多个第二风险因子对应的权重矩阵，确定所述多个第二风险因子以及每个第二风险因子的权重。
可选的，所述目标并发症对应的权重为该目标并发症的损失函数的权重；所述确定每个目标并发症对应的权重，包括：
利用最大化高斯似然估计算法对所述第二风险因子和每个第二风险因子的权重进行处理，以得到每个目标并发症的损失函数的权重。
第二方面，本申请实施例提供了一种并发症风险预测方法，包括：
获取目标用户的目标疾病类型对应的诊疗数据；
分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子；
确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
第三方面，本申请实施例提供了一种并发症风险预测装置，包括：
获取模块，用于获取目标用户的目标疾病类型对应的诊疗数据；
处理模块，用于分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
所述处理模块，还用于利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子，并确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
预测模块，用于根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
第四方面，本申请实施例提供了一种风险预测设备，该风险预测设备可包括处理器和存储器，所述处理器和存储器相互连接。其中，所述存储器用于存储支持终端设备执行上述方法或步骤的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的风险预测设备执行的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的部分或全部步骤。可选的，该计算机可读存储介质可以是非易失性的，也可以是易失性的。
本申请实施例可通过获取用户的目标疾病类型对应的诊疗数据，并分别利用多个单任务学习模型对该诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子，进而利用多任务学习模型对该多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子，并根据每个第二风险因子的权重和每个目标并发症对应的权重，确定该目标用户针对该目标疾病类型的并发症风险信息，由此能够结合单任务学习模型和多任务学习模型实现并发症预测，且有助于提升并发症预测的可靠性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。
图1是本申请实施例提供的一种并发症风险预测系统的结构示意图；
图2是本申请实施例提供的一种并发症风险预测方法的流程示意图；
图3是本申请实施例提供的另一种并发症风险预测方法的流程示意图；
图4是本申请实施例提供的一种并发症风险预测装置的结构示意图；
图5是本申请实施例提供的一种风险预测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的技术方案可应用于风险预测系统，并可具体应用于风险预测设备（风险预测装置）中，用于实现对并发症风险的预测。可选的，该风险预测设备可以是终端，也可以是服务器，还可以为数据平台或其他设备。该终端可包括手机、平板电脑、计算机等等，本申请不做限定。可以理解，在其他实施例中，该终端还可叫做其余名称，比如叫做终端设备、智能终端、用户设备、用户终端等等，此处不一一列举。
目前，疾病的发病率越来越高，本身治疗难度就很大，而且患者常常伴有并发症。疾病和并发症之间会互相影响，增加治疗难度，从而进入恶性循环，而并发症往往无法及时发现。本申请能够结合多任务学习，实现针对多个并发症的风险预测；而且，相比于聚焦疾病的风险因素分析或者仅针对单个并发症的风险预测，本申请基于多个并发症的风险预测，有助于提升并发症风险预测的可靠性，以实现针对性治疗。
本申请的技术方案可应用于人工智能、智慧城市、区块链和/或大数据技术领域，涉及的数据可通过区块链节点存储，或者可存储于数据库，本申请不做限定。
本申请实施例提供了一种并发症风险预测系统、方法、装置、设备和介质等，使得有助于提升并发症风险预测的可靠性。以下分别详细说明。
请参见图1，是本申请实施例提供的一种并发症风险预测系统的结构示意图。如图1所示，该并发症风险预测系统可包括风险预测设备（风险预测装置）101和存储设备（存储装置）102。其中，
存储设备102，可用于存储用户的诊疗数据；
风险预测设备101，可用于从该存储设备102中获取目标用户的目标疾病类型对应的诊疗数据；分别利用多个单任务学习模型对该诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；利用多任务学习模型对该多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子；确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定该目标用户针对该目标疾病类型的并发症风险信息。
其中，该目标并发症为该目标疾病类型下的并发症，且该目标并发症可以与单任务学习模型一一对应。
可以理解，该存储设备和风险预测设备可以分别为独立的设备，即独立部署，或者，该存储设备和风险预测设备也可以部署于同一设备中，本申请不做限定，图1仅示出了独立部署的场景。例如，在一些实施例中，该存储设备和风险预测设备可部署于服务器中，或者说，该存储设备可以部署于风险预测设备中。
在一些实施例中，该存储设备可以为区块链节点，该诊疗数据可以从区块链获取。也即，各患者的诊疗数据可以预先存储于区块链中。通过从区块链节点中获取用户的诊疗数据，可以提升获取的诊疗数据的可靠性，进而有助于提升基于该诊疗数据确定出的并发症风险的可靠性。
可选的，该诊疗数据可以包括体征数据、检查检验数据等等，可以根据目标疾病类型确定采集的诊疗数据，或者该诊疗数据可以为该目标用户的所有诊疗数据，或者可以为预设时间段内（如最近一年内）的诊疗数据。进一步可选的，该数据可以由监护系统中提取，该存储设备为监护系统中的存储设备，或者该数据可以由监护系统提取后存储于该存储设备，本申请不做限定。
可选的，该诊疗数据可以是对采集的原始医疗数据进行处理得到，该处理包括采样、填充缺失值等等。例如，可获取患者的原始医疗数据，包括患者的历史基线数据，该历史基线数据可以包括多次就诊记录，每次就诊记录可包括各种诊断、检验、检查、药物、手术项目等。进一步的，可以对该历史基线数据进行预处理，例如，该体征数据可通过对采集的原始体征数据以预设时间单位（如以1h为单位）进行采样得到，该原始体征数据可以为连续数据；又如，可对检查检验数据，如脑利钠肽前体、乳酸等，可使用多次插补（多重插补）填充缺失值。从而得到预处理后的诊疗数据。进一步可选的，该诊疗数据可以为文本数据，也可以向量，如二元特征，或者称为二维特征向量，等等。
可选的，该并发症风险信息可用于指示并发症风险等级、风险指数、发生目标并发症的概率等等，本申请不做限定。
在一些实施例中，风险预测设备101在根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定该目标用户针对该目标疾病类型的并发症风险信息时，可以利用风险预测模型对该第一权重和该第二权重进行处理，以得到该目标用户针对该目标疾病类型的并发症风险信息。其中，该风险预测模型的损失函数可以是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重确定出的，或者说，该风险预测模型可以是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重训练得到的。
例如，在一些实施例中，风险预测设备101可通过以下方式训练得到风险预测模型：获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对该诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子；利用多任务学习模型对该多个第一风险因子进行处理，以从该多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重；确定每个目标并发症对应的权重；根据该每个第二风险因子的权重和每个目标并发症对应的权重，训练得到该风险预测模型。比如可基于每个第二风险因子的权重和每个目标并发症对应的权重，确定出风险预测模型的损失函数，以训练得到该风险预测模型，或者说，可基于每个第二风险因子的权重和每个目标并发症对应的权重，确定出风险预测模型的目标函数，以训练得到该风险预测模型。其中，该风险预测模型可用于预测用户针对该目标疾病类型的并发症风险信息。
可选的，目标并发症对应的权重可以根据该第一风险因子和/或第二风险因子的权重确定出。例如，目标并发症对应的权重可以指目标并发症对应的损失函数的权重；又如，目标并发症对应的权重可以为通过其他方式确定出的目标并发症的权重，如基于目标并发症对应的第一风险因子或第二风险因子的数目设置得到，数目越多，该目标并发症对应的权重可以设置为越大。
也就是说，可以获取多个患者的诊疗数据作为诊疗样本数据（样本数据）。其中，该患者可以是患有目标疾病类型对应的目标并发症的患者。进而可根据该诊疗样本数据确定目标疾病类型对应的多个并发症的风险因子（特征）及其权重。例如，可对诊疗数据变量进行特征工程处理，以得到该目标疾病类型对应的并发症的风险因子及其权重。可选的，该损失函数可以是最小二乘法损失函数。
在一些实施例中，风险预测设备101在利用多任务学习模型对该多个第一风险因子进行处理，以从该多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重时，可以利用L1正则化对该多个第一风险因子进行处理，确定该多个第一风险因子对应的权重矩阵，进而根据该多个第一风险因子对应的权重矩阵进行特征选择，确定该多个第二风险因子对应的权重矩阵，由此可根据该多个第二风险因子对应的权重矩阵，确定该多个第二风险因子以及每个第二风险因子的权重。
在一些实施例中，该目标并发症对应的权重可以是指该目标并发症的损失函数的权重；风险预测设备101在确定每个目标并发症对应的权重时，可以利用最大化高斯似然估计算法对该第二风险因子和每个第二风险因子的权重进行处理，以得到每个目标并发症的损失函数的权重。
在一些实施例中，该存储设备可以为区块链节点。可选的，该风险预测设备101，还可用于接收目标用户终端发送的风险预测请求，该风险预测请求中可携带该目标用户的标识。进而风险预测设备101可具体用于根据该目标用户的标识从存储设备如该区块链节点获取该诊疗数据。进一步可选的，该风险预测设备101，还可用于根据该并发症风险信息向该目标用户终端发送提示消息。其中，该提示消息可包括用于指示存在风险的目标并发症的信息和治疗方案等等。
可选的，用于指示存在风险的目标并发症的信息可以包括存在风险的一个或多个目标并发症的名称、标识、风险评分、风险等级、概率等信息中的一项或多项。可选的，该治疗方案可以为该目标用户所属的用户分群对应的治疗方案。例如，该目标用户所属的用户分群可以是该治疗方案下净效益最大的分群。例如可基于目标疾病（类型）对应的各治疗方案的净效益实现用户分群，分别得到各治疗方案下净效益最大的用户群。由此在向用户推荐治疗方案时，可以结合净效益进行推送，比如向目标用户推荐目标用户所属的用户分群对应的净效益最大的治疗方案。从而实现为用户提供符合卫生经济学成本效益最优的治疗方案推荐，使得在提供有效治疗的前提下，为患者选择最符合成本效益的治疗方式，有助于减轻患者经济，减轻医保负担。
在本申请实施例中，风险预测系统可通过获取用户的目标疾病类型对应的诊疗数据，并分别利用多个单任务学习模型对该诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子，进而利用多任务学习模型对该多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子，并根据每个第二风险因子的权重和每个目标并发症对应的权重，确定该目标用户针对该目标疾病类型的并发症风险信息，由此能够结合单任务学习模型和多任务学习模型实现并发症预测，且有助于提升并发症预测的可靠性。
参见图2，图2是本申请实施例提供的一种并发症风险预测方法的流程示意图。该方法可以由上述的风险预测设备执行，如图2所示，该并发症风险预测方法可包括以下步骤：
201、获取目标用户的目标疾病类型对应的诊疗数据。
其中，该诊疗数据可以包括体征数据、检查检验数据等等。可选的，该诊疗数据可以是对采集的原始医疗数据进行处理得到，此处不赘述。
202、分别利用多个单任务学习模型对该诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子。
其中，该目标并发症为该目标疾病类型下的并发症，且该目标并发症可以与该单任务学习模型一一对应。
以目标疾病为疾病1为例，目标并发症可以为并发症1和并发症2。即可利用并发症1对应的单任务学习模型1对诊疗数据进行处理，以得到并发症1对应的风险因子，以及利用并发症2对应的单任务学习模型2对诊疗数据进行处理，得到并发症2对应的风险因子。
203、利用多任务学习模型对该多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子。
在确定出每个目标并发症的风险因子之后，即可将每个目标并发症筛选出的风险因子输入到多任务学习模型(multitask learning, MTL)，对该多个目标并发症的风险因子进行进一步筛选，以得到该目标疾病类型对应的并发症的风险因子，即第二风险因子。
可选的，该第二风险因子的权重（即第一权重）可以是基于L1正则化对第一风险因子进行特征处理得到的。比如可预先训练得到多种疾病类型的多个并发症对应的风险因子，并通过L1正则化进一步对特征进行处理，得到权重矩阵，以得到各个风险因子。
204、确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重。
可选的，目标并发症的权重（即第二权重）可以指该目标并发症的损失函数权重，该目标并发症的损失函数权重可以基于最大化任务决定的不确定性的高斯似然估计，求导目标并发症损失函数，来确定每个目标并发症的权重。
在一些实施例中，该第一权重和第二权重可以基于历史患者的诊疗样本数据确定出，比如基于历史患者的诊疗样本数据并结合单任务学习模型和多任务学习模型确定出各个第二风险因子的权重以及各并发症对应的权重，并可存储各个第二风险因子及其权重，以及存储各并发症对应的权重。进而在确定出该目标用户对应的第二风险因子之后，即可直接查找该第二风险因子的权重，并可进一步查找各目标并发症对应的权重，以实现对该目标用户的多个目标并发症的风险预测。
在一些实施例中，还可通过其他方式确定该目标用户对应的第二风险因子，比如根据模型训练过程中确定出的第二风险因子集合从目标用户的诊疗数据中筛选出该目标用户对应的第二风险因子。
可选的，本申请涉及的风险因子如第一风险因子、第二风险因子等可以是向量，如二元特征，以便于任务学习模型进行特征筛选。该风险因子还可称为特征、特征向量或其余名称，本申请不做限定。
205、根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定该目标用户针对该目标疾病类型的并发症风险信息。
其中，该并发症风险信息可用于指示针对多个并发症的风险等级、风险指数、发生目标并发症的概率等等，本申请不做限定。
可选的，该并发症风险信息可以是基于上述的第一权重、第二权重和损失函数如最小二乘法损失函数确定出的。
在一些实施例中，风险预测设备基于上述的第一权重、第二权重和风险预测模型，得到该目标用户的并发症风险信息，如可利用风险预测模型对该第一权重和该第二权重进行处理，以得到该目标用户针对该目标疾病类型的并发症风险信息。可选的，该风险预测模型的损失函数是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重确定出的。
例如，风险预测设备可获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对该诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子；进而可利用多任务学习模型对该多个第一风险因子进行处理，以从该多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重；确定每个目标并发症对应的权重；根据该每个第二风险因子的权重和每个目标并发症对应的权重，确定出该损失函数，以训练得到该风险预测模型。其中，该风险预测模型用于预测用户针对该目标疾病类型的并发症风险信息。
在一些实施例中，风险预测设备在确定第二风险因子及其权重时，可以利用L1正则化对该多个第一风险因子进行处理，以得到该多个第一风险因子对应的权重矩阵；进而可根据该多个第一风险因子对应的权重矩阵进行特征选择，以确定该多个第二风险因子对应的权重矩阵；根据该多个第二风险因子对应的权重矩阵，确定该多个第二风险因子以及每个第二风险因子的权重。
可选的，该目标并发症对应的权重可以为该目标并发症的损失函数的权重，或者可以为其他方式确定出的权重，此处不赘述。例如，在一些实施例中，可以利用最大化高斯似然估计算法对该第二风险因子和每个第二风险因子的权重进行处理，以得到每个目标并发症的损失函数的权重。
在一些实施例中，风险预测设备还可接收目标用户终端发送的风险预测请求，该风险预测请求中携带该目标用户的标识。进而可根据该目标用户的标识从获取该诊疗数据，比如从存储设备如区块链节点获取诊疗数据。可选的，风险预测设备还可根据该并发症风险信息向该目标用户终端发送提示消息，包括用于指示存在风险的目标并发症的信息和治疗方案等等，此处不赘述。
在本申请实施例中，风险预测设备可通过获取用户的诊疗数据，结合单任务学习模型和多任务学习模型对该诊疗数据进行处理，以得到多个目标疾病类型对应的多个风险因子，进而能够根据该多个风险因子的权重和每个目标并发症对应的权重，实现对用户的多个并发症的风险预测，有助于提升并发症预测的可靠性及全面治疗。
参见图3，图3是本申请实施例提供的另一种并发症风险预测方法的流程示意图，如图所示，该并发症风险预测方法可包括以下步骤：
301、获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对该诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子。
可选的，该患者可以是患有目标疾病类型对应的目标并发症的患者。该诊疗数据可以包括体征数据、检查检验数据等等。可选的，该诊疗数据可以是对采集的原始医疗数据进行处理得到。例如，可获取患者的原始医疗数据，包括患者的历史基线数据和结局数据，该历史基线数据可以包括多次就诊记录，每次就诊记录可包括各种诊断、检验、检查、药物、手术项目等，结局数据可以是患者每次就诊记录对应的出院诊断数据等等。进一步的，可以对该历史基线数据进行预处理，比如采用多次插补的方式填充原始医疗数据中的缺失值，从而得到预处理后的诊疗数据。
对于某些指标的检验并不是每个患者都会进行检验，由此可以通过多次插补对诊疗数据中的缺失值进行填充。多次插补是一种基于重复模拟来处理缺失值，其能够从一个包含缺失值的电子病历数据中数据集中生成一组完整的诊疗数据的数据集，如利用用蒙特卡洛方法来填补每个数据集中的缺失数据。通过对原始诊疗数据进行多次插补，有助于提升确定出的风险因子的可靠性，进而提升并发症风险预测的可靠性。
其中，该目标并发症可以为该目标疾病类型下的并发症，且该目标并发症可以与该单任务学习模型一一对应。
302、利用多任务学习模型对该多个第一风险因子进行处理，以从该多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重。
在获取得到诊疗数据之后，即可根据该诊疗数据确定目标疾病类型对应的并发症的风险因子（特征）及其权重。例如，可对诊疗数据变量进行特征工程处理，以得到该目标疾病类型对应的并发症的风险因子及其权重，比如利用目标并发症的单任务学习模型(xgboost)对诊疗数据进行处理，筛选出该目标并发症的风险因子，即第一风险因子。其中，该风险因子可以为该用户诊疗数据的部分数据，也可以为对该诊疗数据进行处理后的数据。
进而可将每个目标并发症筛选出的风险因子输入到多任务学习模型，对单任务学习模型筛选出的风险因子进行处理，得到进一步筛选的风险因子，即第二风险因子，并确定该第二风险因子的权重。比如可通过L1正则化对第一风险因子进行处理，形成稀疏矩阵，得到第二风险因子。其中，只有少数特征（即第二风险因子）对这个模型是有贡献的，绝大部分特征是没有贡献或者贡献微小。例如，得到的第二风险因子对应的权重矩阵可以如下所示：
其中，
可以是多任务学习下的特征权重矩阵，即第一风险因子对应的权重矩阵；
，相当于对特征矩阵进行了一次按行稀疏化，也就是按行进行特征选择，以得到第二风险因子对应的权重矩阵。由此可以确定出第二风险因子以及第二风险因子的权重，即第一权重。
303、确定每个目标并发症对应的权重。比如每个目标并发症的损失函数的权重（或称为系数）。
考虑每个并发症任务的不确定性，可以应用正交方法（orthogonal approach）来调整每个任务（并发症）的相对权重，比如通过确定出每个任务的损失函数的权重，即第二权重，以确定并发症风险信息。例如，该第二权重可通过以下方式确定出：
定义多任务的高斯似然函数：
其中，
可以是指L1正则化之后对于变量（x）的权重结果，即第一权重；σ可以是指数据的方差，也即目标并发症的损失函数权重，即第二权重。
进行基于最大化任务决定的不确定性的高斯似然估计：
可选的，在确定出各第二风险因子的权重和目标并发症对应的权重之后，可以将该第二风险因子的权重和目标并发症对应的权重进行存储，以便于后续快速确定风险因子的权重和并发症权重。进一步可选的，该风险因子如第二风险因子的权重和并发症权重如目标并发症对应的权重可存储于区块链中，以提升存储安全性，进而提升后续获取风险因子的权重和并发症权重的安全性和可靠性。
304、根据该每个第二风险因子的权重和每个目标并发症对应的权重，训练得到风险预测模型。如基于每个第二风险因子的权重和每个目标并发症对应的权重，确定出损失函数，以训练得到风险预测模型。
其中，该风险预测模型可用于预测用户针对该目标疾病类型的并发症风险信息。
在一些实施例中，在确定出风险因子的第一权重和目标并发症对应的第二权重（如上述的
和
）之后，可以使目标函数如目标加权和
达到最小，以确定出损失函数
（或者称为确定
）。
其中，
为最小二乘法损失函数，
,
是目标并发症的损失函数权重，即第二权重；
是风险因子的权重，即第一权重，也即特征权重；
是第二风险因子（特征）；
是结局，即患者的并发症风险信息；
是第二风险因子对应的权重矩阵。
在一些实施例中，可以针对多种疾病（疾病类型）训练得到该风险预测模型。比如分别针对每一种疾病类型进行模型训练，以得到能够识别多种疾病（疾病类型）下的并发症风险的风险预测模型，此处不赘述。
由此，后续可通过获取患者的诊疗数据，基于诊疗数据对应的风险因子权重和并发症（损失函数）权重，判断得到患者的并发症风险（结局）。
305、获取目标用户的目标疾病类型对应的诊疗数据。
其中，该目标用户可以为任一进行并发症风险预测的用户。
可选的，该诊疗数据的获取操作可以是通过触发条件触发的。例如，该触发条件可以是接收到针对目标用户的并发症风险预测的请求，即可在接收到针对目标用户的并发症预测的风险请求时，获取该目标用户的诊疗数据。又如，该触发条件可以是接收到入院请求，由此可在接收到目标用户的入院请求时，触发获取该目标用户的诊疗数据，从而可在患者入院之初即可得到高准确度的相关并发症风险预测，以便于为医生提供患者的预后结局的精准可能，实现个性化治疗和疾病管理。还可基于其他触发条件触发获取用户诊疗数据，对于获取该诊疗数据触发条件，本申请不做限定。
306、分别利用多个单任务学习模型对该诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子。
307、利用多任务学习模型对该多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子。
其中，该步骤305-307可参照上述实施例的相关描述，此处不赘述。
308、利用风险预测模型对各第二风险因子的第一权重和各目标并发症对应的第二权重处理，以得到该目标用户针对该目标疾病类型的并发症风险信息。
在确定出该目标用户的诊疗数据对应的第二风险因子之后，即可确定每个第二风险因子的第一权重，并可确定每个目标并发症对应的第二权重。该第一权重可以基于模型训练阶段确定出的相应的第二风险因子的权重确定出，如相同风险因子的权重相同，该第二权重可以基于模型训练阶段确定出的相应的并发症权重确定出，如相同并发症权重（如并发症损失函数权重）相同。
在确定出各第二风险因子的第一权重和各目标并发症对应的第二权重之后，即可利用训练得到的风险预测模型，基于上述的目标函数确定出该目标用户对应的并发症风险信息，如结局。
在本申请实施例中，可通过获取多个患者的诊疗样本数据，结合单任务学习模型和多任务学习模型对该诊疗样本数据进行处理，以得到多个目标疾病类型对应的多个风险因子，进而根据该多个风险因子的权重和每个目标并发症对应的权重训练得到风险预测模型，使得后续能够通过获取用户的诊疗数据，确定出该诊疗数据在多个目标疾病类型下对应的多个风险因子的权重以及每个目标并发症对应的权重，并利用风险预测模型实现对用户的多个并发症的风险预测，这就有助于提升并发症预测的可靠性。比如可在患者入院之初即可得到高准确度的相关并发症风险预测，为医生提供患者的预后结局的精准可能，达到个性化治疗和疾病管理的目的，有助于提升预测可靠性以及实现全面治疗。
可以理解，上述方法实施例都是对本申请的并发症预测方法或系统的举例说明，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本申请实施例还提供了一种并发症风险预测装置。该装置可包括用于执行前述图2或者图3所述的方法的模块。请参见图4，是本申请实施例提供的一种并发症风险预测装置的结构示意图。本实施例中所描述的并发症风险预测装置，可配置于风险预测设备中，如图4所示，本实施例的并发症风险预测装置400可以包括：获取模块401、处理模块402和预测模块403。其中，
获取模块401，用于获取目标用户的目标疾病类型对应的诊疗数据；
处理模块402，用于分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
所述处理模块402，还用于利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子，并确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
预测模块403，用于根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
在一些实施例中，所述预测模块403，可具体用于利用风险预测模型对所述第一权重和所述第二权重进行处理，以得到所述目标用户针对所述目标疾病类型的并发症风险信息；
其中，所述风险预测模型的损失函数是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重确定出的。
在一些实施例中，所述获取模块401，还可用于获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对所述诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子；
所述处理模块402，还可用于利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重；确定每个目标并发症对应的权重；根据所述每个第二风险因子的权重和每个目标并发症对应的权重，确定出所述损失函数，以训练得到所述风险预测模型，所述风险预测模型用于预测用户针对所述目标疾病类型的并发症风险信息。
在一些实施例中，所述处理模块402在利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重时，可具体用于：
利用L1正则化对所述多个第一风险因子进行处理，确定所述多个第一风险因子对应的权重矩阵；
根据所述多个第一风险因子对应的权重矩阵进行特征选择，确定所述多个第二风险因子对应的权重矩阵；
根据所述多个第二风险因子对应的权重矩阵，确定所述多个第二风险因子以及每个第二风险因子的权重。
在一些实施例中，所述目标并发症对应的权重为该目标并发症的损失函数的权重；所述处理模块402在确定每个目标并发症对应的权重时，可具体用于：
利用最大化高斯似然估计算法对所述第二风险因子和每个第二风险因子的权重进行处理，以得到每个目标并发症的损失函数的权重。
在一些实施例中，获取模块401还可用于接收目标用户终端发送的风险预测请求，所述风险预测请求中携带所述目标用户的标识；
获取模块401，可具体用于根据所述目标用户的标识从所述存储设备如区块链节点获取所述诊疗数据；
预测模块403，还可用于根据所述并发症风险信息向所述目标用户终端发送提示消息；其中，所述提示消息包括用于指示存在风险的目标并发症的信息和治疗方案。
可以理解的是，本实施例的并发症预测装置的各功能模块可根据上述方法实施例图2或者图3中的方法具体实现，其具体实现过程可以参照上述方法实施例图2或者图3的相关描述，此处不再赘述。
请参见图5，图5是本申请实施例提供的一种风险预测设备的结构示意图。如图5所示，该风险预测设备可包括：处理器501和存储器502。可选的，该风险预测设备还可包括通信接口503。上述处理器501、存储器502和通信接口503可通过总线或其他方式连接，在本申请实施例所示图5中以通过总线连接为例。其中，通信接口503可受所述处理器的控制用于收发消息，存储器502可用于存储计算机程序，所述计算机程序包括程序指令，处理器501用于执行存储器502存储的程序指令。其中，处理器501被配置用于调用所述程序指令执行以下步骤：
获取目标用户的目标疾病类型对应的诊疗数据；
分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子；
确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
在一些实施例中，处理器501在执行所述根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息时，可具体执行以下步骤：
利用风险预测模型对所述第一权重和所述第二权重进行处理，以得到所述目标用户针对所述目标疾病类型的并发症风险信息；
其中，所述风险预测模型的损失函数是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重确定出的。
在一些实施例中，所述处理器501还可用于执行以下步骤：
获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对所述诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子；
利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重；
确定每个目标并发症对应的权重；
根据所述每个第二风险因子的权重和每个目标并发症对应的权重，确定出所述损失函数，以训练得到所述风险预测模型，所述风险预测模型用于预测用户针对所述目标疾病类型的并发症风险信息。
在一些实施例中，处理器501在执行所述利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重时，可具体执行以下步骤：
利用L1正则化对所述多个第一风险因子进行处理，确定所述多个第一风险因子对应的权重矩阵；
根据所述多个第一风险因子对应的权重矩阵进行特征选择，确定所述多个第二风险因子对应的权重矩阵；
根据所述多个第二风险因子对应的权重矩阵，确定所述多个第二风险因子以及每个第二风险因子的权重。
在一些实施例中，所述目标并发症对应的权重为该目标并发症的损失函数的权重；所述确定每个目标并发症对应的权重时，可具体执行以下步骤：
利用最大化高斯似然估计算法对所述第二风险因子和每个第二风险因子的权重进行处理，以得到每个目标并发症的损失函数的权重。
在一些实施例中，处理器501还可执行以下步骤：
通过通信接口503接收目标用户终端发送的风险预测请求，所述风险预测请求中携带所述目标用户的标识；
处理器501在获取目标用户的目标疾病类型对应的诊疗数据时，可具体用于执行以下步骤：
根据所述目标用户的标识从所述存储设备如区块链节点获取所述诊疗数据；
可选的，处理器501还可执行以下步骤：
根据所述并发症风险信息向所述目标用户终端发送提示消息；其中，所述提示消息包括用于指示存在风险的目标并发症的信息和治疗方案。
应当理解，在本申请实施例中，所称处理器501可以是中央处理单元（CentralProcessing Unit，CPU），该处理器501还可以是其他通用处理器、数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储用户的诊疗数据。
该通信接口503可以包括输入设备和/或输出设备，例如该输入设备是可以是控制面板、麦克风、接收器等，输出设备可以是显示屏、发送器等，此处不一一列举。
具体实现中，本申请实施例中所描述的处理器501、存储器502和通信接口503可执行本申请实施例提供的图2或者图3所述的方法实施例所描述的实现方式，也可执行本申请实施例所描述的并发症风险预测装置的实现方式，在此不再赘述。
本申请实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，可执行上述并发症风险预测方法实施例中所执行的部分或全部步骤，如风险预测设备执行的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述并发症风险预测装置方法实施例中所执行的步骤。
在一些实施例中，所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。
以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (10)
1.一种并发症风险预测系统，其特征在于，包括：风险预测设备和存储设备；其中，所述存储设备用于存储用户的诊疗数据；
所述风险预测设备，用于执行以下步骤：
从所述存储设备获取目标用户的目标疾病类型对应的诊疗数据；
分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子；
确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
2.根据权利要求1所述的系统，其特征在于，所述根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息，包括：
利用风险预测模型对所述第一权重和所述第二权重进行处理，以得到所述目标用户针对所述目标疾病类型的并发症风险信息；
其中，所述风险预测模型的损失函数是基于多个诊疗样本数据得到的目标疾病类型对应的风险因子权重和目标并发症的权重确定出的。
3.根据权利要求2所述的系统，其特征在于，所述风险预测设备，还用于执行以下步骤：
获取多个患者的诊疗样本数据，并分别利用多个单任务学习模型对所述诊疗样本数据进行处理，以得到多个目标并发症对应的多个第一风险因子；
利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重；
确定每个目标并发症对应的权重；
根据所述每个第二风险因子的权重和每个目标并发症对应的权重，确定出所述损失函数，以训练得到所述风险预测模型，所述风险预测模型用于预测用户针对所述目标疾病类型的并发症风险信息。
4.根据权利要求3所述的系统，其特征在于，所述利用多任务学习模型对所述多个第一风险因子进行处理，以从所述多个第一风险因子中确定出多个第二风险因子，并确定每个第二风险因子的权重，包括：
利用L1正则化对所述多个第一风险因子进行处理，确定所述多个第一风险因子对应的权重矩阵；
根据所述多个第一风险因子对应的权重矩阵进行特征选择，确定所述多个第二风险因子对应的权重矩阵；
根据所述多个第二风险因子对应的权重矩阵，确定所述多个第二风险因子以及每个第二风险因子的权重。
5.根据权利要求3所述的系统，其特征在于，所述目标并发症对应的权重为该目标并发症的损失函数的权重；所述确定每个目标并发症对应的权重，包括：
利用最大化高斯似然估计算法对所述第二风险因子和每个第二风险因子的权重进行处理，以得到每个目标并发症的损失函数的权重。
6.根据权利要求1-5任一项所述的系统，其特征在于，所述存储设备为区块链节点；
所述风险预测设备，还用于接收目标用户终端发送的风险预测请求，所述风险预测请求中携带所述目标用户的标识；
所述风险预测设备，具体用于根据所述目标用户的标识从所述区块链节点获取所述诊疗数据；
所述风险预测设备，还用于根据所述并发症风险信息向所述目标用户终端发送提示消息；其中，所述提示消息包括用于指示存在风险的目标并发症的信息和治疗方案。
7.一种并发症风险预测方法，其特征在于，包括：
获取目标用户的目标疾病类型对应的诊疗数据；
分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子；
确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
8.一种并发症风险预测装置，其特征在于，包括：
获取模块，用于获取目标用户的目标疾病类型对应的诊疗数据；
处理模块，用于分别利用多个单任务学习模型对所述诊疗数据进行处理，以得到多个目标并发症中每个目标并发症的第一风险因子；所述目标并发症为所述目标疾病类型下的并发症，且所述目标并发症与所述单任务学习模型一一对应；
所述处理模块，还用于利用多任务学习模型对所述多个目标并发症对应的第一风险因子进行处理，以得到多个第二风险因子，并确定每个第二风险因子的第一权重，以及确定每个目标并发症对应的第二权重；
预测模块，用于根据每个第二风险因子的第一权重和每个目标并发症对应的第二权重，确定所述目标用户针对所述目标疾病类型的并发症风险信息。
9.一种风险预测设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-6任一项所述的系统中风险预测设备执行的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的系统中风险预测设备执行的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011034019.XA CN111933284B (zh) | 2020-09-27 | 2020-09-27 | 一种并发症风险预测系统、方法、装置、设备及介质 |
| PCT/CN2020/124611 WO2021179630A1 (zh) | 2020-09-27 | 2020-10-29 | 一种并发症风险预测系统、方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011034019.XA CN111933284B (zh) | 2020-09-27 | 2020-09-27 | 一种并发症风险预测系统、方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111933284A CN111933284A (zh) | 2020-11-13 |
| CN111933284B true CN111933284B (zh) | 2021-01-05 |
Family
ID=73334241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011034019.XA Active CN111933284B (zh) | 2020-09-27 | 2020-09-27 | 一种并发症风险预测系统、方法、装置、设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111933284B (zh) |
| WO (1) | WO2021179630A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113782216B (zh) * | 2021-09-15 | 2023-10-24 | 平安科技（深圳）有限公司 | 一种失能权重确定方法及装置、电子设备、存储介质 |
| CN114913982B (zh) | 2022-07-18 | 2022-10-11 | 之江实验室 | 基于对比学习的终末期肾病并发症风险预测系统 |
| CN115798711B (zh) * | 2022-12-22 | 2023-08-29 | 之江实验室 | 基于反事实对比学习的慢性肾病诊疗决策支持系统 |
| CN116434968B (zh) * | 2023-06-14 | 2023-08-25 | 之江实验室 | 一种层级聚类约束的多标签细粒度术后并发症预测装置 |
| CN116825356B (zh) * | 2023-07-12 | 2024-02-06 | 中国医学科学院基础医学研究所 | 多关联手术并发症风险评估方法、系统及计算设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013012990A1 (en) * | 2011-07-20 | 2013-01-24 | Siemens Corporation | Multi-task learning for bayesian matrix factorization |
| CN109657696A (zh) * | 2018-11-05 | 2019-04-19 | 阿里巴巴集团控股有限公司 | 多任务监督学习模型训练、预测方法和装置 |
| CN111063442A (zh) * | 2019-11-28 | 2020-04-24 | 南京邮电大学 | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 |
| CN111276242A (zh) * | 2020-01-20 | 2020-06-12 | 吉林大学 | 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 |
| CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010127707A1 (en) * | 2009-05-08 | 2010-11-11 | Dentosystem Scandinavia Ab | System for assessing risk for progression or development of periodontitis for a patient |
| US20110202486A1 (en) * | 2009-07-21 | 2011-08-18 | Glenn Fung | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions |
| CN106682434A (zh) * | 2016-12-30 | 2017-05-17 | 深圳中科金证科技有限公司 | 患病风险评估方法及装置 |
| CN109785971B (zh) * | 2019-01-30 | 2023-05-23 | 华侨大学 | 一种基于先验医学知识的疾病风险预测方法 |
| CN111260209B (zh) * | 2020-01-14 | 2022-03-11 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
-
2020
- 2020-09-27 CN CN202011034019.XA patent/CN111933284B/zh active Active
- 2020-10-29 WO PCT/CN2020/124611 patent/WO2021179630A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013012990A1 (en) * | 2011-07-20 | 2013-01-24 | Siemens Corporation | Multi-task learning for bayesian matrix factorization |
| CN109657696A (zh) * | 2018-11-05 | 2019-04-19 | 阿里巴巴集团控股有限公司 | 多任务监督学习模型训练、预测方法和装置 |
| CN111063442A (zh) * | 2019-11-28 | 2020-04-24 | 南京邮电大学 | 基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统 |
| CN111276242A (zh) * | 2020-01-20 | 2020-06-12 | 吉林大学 | 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 |
| CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111933284A (zh) | 2020-11-13 |
| WO2021179630A1 (zh) | 2021-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111933284B (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
| CN112017785B (zh) | 一种疾病风险预测系统、方法、装置、设备及介质 | |
| US11823106B2 (en) | Location-based medical scan analysis system | |
| RU2533500C2 (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
| CN108784655A (zh) | 针对医疗患者的快速评估和后果分析 | |
| CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
| CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
| CN112259246A (zh) | 一种融合医学概念层级结构的疾病预测方法及相关设备 | |
| CN112216361A (zh) | 基于人工智能的随访计划单生成方法、装置、终端及介质 | |
| CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
| CN109785944A (zh) | 基于数据分析的医院评价方法及相关产品 | |
| CN112017784B (zh) | 一种基于多模态数据的冠心病风险预测方法及相关设备 | |
| CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
| CN112017788B (zh) | 基于强化学习模型的疾病排序方法、装置、设备及介质 | |
| CN111968740B (zh) | 一种诊断标签推荐方法、装置、存储介质及电子设备 | |
| CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
| CN111967581A (zh) | 分群模型的解释方法、装置、计算机设备和存储介质 | |
| CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
| US20230351155A1 (en) | Ensemble Time Series Model for Forecasting | |
| CN110415779A (zh) | 保温措施有效性检测方法、装置、设备及存储介质 | |
| CN113724824B (zh) | 慢性病患者随访方法、装置、计算机设备及可读存储介质 | |
| CN112397195A (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
| CN113724878B (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
| CN112037918B (zh) | 一种融合并发症风险的慢病医保费用预测方法及相关设备 | |
| CN112016979B (zh) | 用户分群方法、装置、设备和计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |