CN111933303B - 事件预测方法、装置、电子设备及存储介质 - Google Patents

事件预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111933303B
CN111933303B CN202011065269.XA CN202011065269A CN111933303B CN 111933303 B CN111933303 B CN 111933303B CN 202011065269 A CN202011065269 A CN 202011065269A CN 111933303 B CN111933303 B CN 111933303B
Authority
CN
China
Prior art keywords
feature matrix
target
disease
time range
preset 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.)
Active
Application number
CN202011065269.XA
Other languages
English (en)
Other versions
CN111933303A (zh
Inventor
张渊
陈天歌
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 CN202011065269.XA priority Critical patent/CN111933303B/zh
Publication of CN111933303A publication Critical patent/CN111933303A/zh
Application granted granted Critical
Publication of CN111933303B publication Critical patent/CN111933303B/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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例提供了一种事件预测方法、装置、电子设备及存储介质，应用于智慧医疗领域，该方法包括获取目标患者在第一预设时间范围的事件序列，以及该目标患者的目标特征数据，该目标特征数据包括在该第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；利用预训练的时间序列模型根据该在第一预设时间范围的事件序列，以及该目标特征数据进行事件预测，得到该目标患者在第二预设时间范围的事件序列，该第二预设时间范围在该第一预设时间范围之后；通过终端设备输出该第二预设范围的事件序列。采用本申请，可以提升事件预测准确度。本申请涉及区块链技术，如可将第二预设时间范围的事件序列写入区块链。

Description

事件预测方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种事件预测方法、装置、电子设备及存储介质。
背景技术
中国有超过1.3亿慢性肾病患者，患病人数占全球第一位。然而，一些疾病诸如慢性肾病等慢性疾病早期并不会出现症状，公众对这些的知晓率很低，而一旦发病便不可逆转。例如，对于慢性肾病，进展到一定程度时需要进行透析等治疗，还会带来心肌梗塞、心力衰竭、脑卒中等严重并发症。因此，及早进行肾病患者并发症风险预测以及死亡预测，可以辅助医生及早进行干预，提高患者的重视程度，预防潜在的风险。
现有的肾病患者预测模型大多采用一种不良事件作为终点事件进行预测建模，没有考虑到患者可能同时有发生多种风险事件/进行多种干预手段的可能性，也难以在预测不良事件的同时预测何时发生风险事件。并且，有些风险事件是同向风险关系，比如随着病情进展，患者患心肌梗塞、心力衰竭的风险都会增加；有些属于竞争性风险事件，比如患者进行透析有可能减轻患者发生其他并发症的风险。传统的统计学习方法并不能很好地捕捉到不同结局之间的相互关系，造成事件预测准确性降低。
发明内容
本申请实施例提供了一种事件预测方法、装置、电子设备及存储介质，可以提升事件预测的准确度。
第一方面，本申请实施例提供了一种事件预测方法，包括：
获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；
利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；
通过终端设备输出所述第二预设范围的事件序列。
可选地，所述利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，包括：
根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；
调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列。
可选地，所述时间序列模型包括循环神经网络RNN模型，所述调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，包括：
通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；
通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；
根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；
通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列。
可选地，所述目标隐含层还包括第二隐含层、第三隐含层和第四隐含层，所述目标特征矩阵包括所述第一预设时间范围内各第一疾病特征数据对应的第二特征矩阵、各第二疾病特征数据对应的第三特征矩阵和各用于死亡预测的第四特征数据对应的第四特征矩阵，所述通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵，包括：
通过所述预训练的RNN模型包括的第二隐含层对所述第二特征矩阵进行处理，得到第二高维特征矩阵；
通过所述预训练的RNN模型包括的第三隐含层对所述第三特征矩阵进行处理，得到第三高维特征矩阵；
通过所述预训练的RNN模型包括的第四隐含层对所述第四特征矩阵进行处理，得到第四高维特征矩阵；所述第二隐含层、所述第三隐含层和所述第四隐含层三者之间共享网络参数；
将所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵确定为目标高维特征矩阵。
可选地，所述根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵，包括：
对所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵进行拼接处理，得到拼接后的特征矩阵；
对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵。
可选地，所述对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵，包括：
确定所述拼接后的特征矩阵的注意力权重；
利用所述注意力权重对所述拼接后的特征矩阵进行加权处理，得到加权特征矩阵；
对所述第一高维特征矩阵和所述加权特征矩阵进行拼接处理，得到融合特征矩阵。
可选地，所述方法还包括：
获取样本患者在第三预设时间范围的事件序列，以及所述样本患者的指定特征数据，所述指定特征数据包括在所述第三预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；
利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型。
第二方面，本申请实施例提供了一种事件预测装置，包括：
获取模块，用于获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；
处理模块，用于利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；
输出模块，用于通过终端设备输出所述第二预设范围的事件序列。
第三方面，本申请实施例提供了一种电子设备，包括处理器、输出设备和存储器，所述处理器、所述输出设备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，执行如第一方面所述的步骤。
第四方面，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，所述计算机程序被处理器执行以实现如第一方面所述的步骤。
综上所述，电子设备可以利用预训练的时间序列模型根据该在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到该目标患者在第二预设时间范围的事件序列，并通过终端设备输出该第二预设范围的事件序列，相较于现有技术基于统计学习的方法进行事件预测出现事件预测准确度较低的问题，本申请通过事件序列结合多维度的疾病特征以及事件序列模型进行事件预测，能够提升事件预测的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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事件预测方法的流程示意图；
图2是本申请实施例提供的另一种事件预测方法的流程示意图；
图3是本申请实施例提供的一种事件预测装置的流程示意图；
图4是本申请实施例提供的一种电子设备的结构示意图。
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描述。
请参阅图1，为本申请实施例提供的一种事件预测方法的流程示意图。该方法可以应用与电子设备。电子设备可以为终端设备或服务器。终端设备可以为笔记本电脑、台式电脑等智能终端，服务器可以为一个服务器或服务器集群。具体地，该方法可以包括以下步骤：
S101、获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据。
其中，第一预设时间范围的事件序列可以包括第一预设时间范围内至少一个时间中每个时间的事件信息。时间单位包括但不限于为时、日、周、月等时间单位。此处的至少一个可以为一个或多个，此处的事件信息可以为用于标识对应事件的数值或名称等信息。
例如，第一预设时间范围为第t日-第（t+m）日，m大于或等于1。第一预设时间范围内的至少一个日期中每个日期的事件信息，可以包括m天中每天的事件信息。在事件信息为用于标识对应事件的数值的情况下，如果第一预设时间范围中存在时间没有发生事件，事件对应的值可以为0；如果第一预设时间范围中存在时间发生第一疾病事件，如肾病事件，该事件对应的值可以为1；如果第一预设时间范围中存在时间发生第二疾病事件，如心血管疾病事件，事件对应的值可以为2；如果第一预设时间范围中存在时间发生死亡事件，事件对应的值可以为3。其中，疾病事件如第一疾病事件和第二疾病事件，可以包括以下至少一项：对相应疾病的干预方式和疾病发展趋势。死亡事件可以为死亡。
再如，第一预设时间范围为第t日-第（t+m）日，m大于或等于1。第一预设时间范围内的至少一个日期中每个日期的事件信息，可以包括m天中事件发生时间对应的事件信息。在事件信息为用于标识对应事件的数值的情况下，如果第一预设时间范围中存第一事件发生时间发生第一疾病事件，如肾病事件，该事件对应的值可以为1；如果第一预设时间范围中存在第二事件发生时间发生第二疾病事件，如心血管疾病事件，该事件对应的值可以为2；如果第一预设时间范围中存在第三事件发生时间发生死亡事件，该事件对应的值可以为3。
其中，第一疾病特征数据可以为第一疾病的特征数据，如肾病特征数据。该第一疾病特征数据可以包括以下至少一项：第一疾病的类别、第一疾病的级别、第一疾病的检测指标、第一疾病的干预方法、第一疾病的发展趋势（如级别的变化情况数据）。例如，在该第一疾病特征数据为肾病特征数据时，该肾病特征数据可以包括以下至少一项：肾病类别、肾病级别、肾病检测指标。肾病干预方式、肾病的发展趋势。所指的肾病检测指标可以包括肌酐的数值、尿蛋白的数值等检测指标。
其中，第二疾病特征数据可以为第二疾病的特征数据，如心血管疾病特征数据。第一疾病与第二疾病不同。在一个实施例中，该第二疾病可以是指该第一疾病关联的疾病，如第二疾病可能影响的疾病。该第二疾病特征数据可以包括以下至少一项：第二疾病的疾病史和第二疾病的检测指标。例如，在该第二疾病特征数据为心血管疾病的情况下，该第二疾病特征数据可以包括以下至少一项：心血管病史和心血管疾病的检测指标。其中，心血管疾病的检测指标可以包括血压的数值等检测指标。
其中，用于死亡预测的特征数据可以包括以下至少一项：人口学信息和疾病史。人口学信息可以包括以下至少一项：患者的性别、年龄、民族、职业。疾病史可以包括至少一个疾病的疾病史，如可以包括第一疾病的疾病史、第二疾病的疾病史等疾病史。
S102、利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后。
其中，时间序列模型可以为自回归模型、移动平均模型、移动平均模型、差分自回归移动平均模型或循环神经网络（Recurrent Neural Network, RNN）模型。第二预设时间范围的事件序列可以包括第二预设时间范围内至少一个时间中每个时间的事件信息。时间单位包括但不限于为时、日、周、月等时间单位。此处的事件信息可以为用于标识对应事件的数值或名称等信息。例如，第二预设时间范围为第s日-第（s+n）日，s大于t，n大于或等于1。第二预设时间范围内的至少一个日期中每个日期的事件信息，可以包括n天中每天的事件信息。再如，第二预设时间范围内的至少一个日期中每个日期的事件信息，可以包括n天中事件发生时间对应的事件信息。
本申请实施例中，电子设备利用预训练的时间序列模型根据该在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到该目标患者在第二预设时间范围的事件序列的过程可以为：电子设备根据该第一预设时间范围对应的事件序列构建第一特征矩阵，并根据该目标特征数据构建目标特征矩阵；电子设备调用预训练的时间序列模型根据该第一特征矩阵和该目标特征矩阵进行事件预测，得到该目标患者在第二预设时间范围的事件序列。
在一个实施例中，电子设备可以对第一预设时间范围的事件序列包括的各时间信息进行特征提取，得到各事件信息的特征向量，并根据各事件的特征向量拼接得到第一特征矩阵。
在一个实施例中，电子设备可以对目标特征数据包括的各特征数据进行特征提取，得到该目标特征数据包括的各特征数据的特征向量，并根据该目标特征数据包括的各特征数据的特征向量拼接得到目标特征矩阵。在一个实施例中，电子设备根据该目标特征数据包括的各特征数据的特征向量拼接得到目标特征矩阵可以为：电子设备将该目标特征数据包括的各特征数据的特征向量拼接为一个特征矩阵，并将这个特征矩阵确定为得到目标特征矩阵。
在一个实施例中，当该时间序列模型包括循环神经网络RNN模型时，电子设备调用预训练的时间序列模型根据该第一特征矩阵和该目标特征矩阵进行事件预测，得到该目标患者在第二预设时间范围的事件序列的过程可以如下：电子设备通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵，并通过该预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；该目标隐含层不为该第一隐含层；电子设备根据该第一高维特征矩阵和该目标高维特征矩阵进行融合处理，得到融合特征矩阵，并通过该预训练的RNN模型包括的输出层根据该融合特征矩阵输出该目标患者在第二预设时间范围的事件序列。
在一个实施例中，电子设备通过该预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵的过程可以如下：电子设备通过该预训练的RNN模型包括的第二隐含层对目标特征矩阵进行处理，得到一个高维特征矩阵作为高维特征矩阵。相应地，电子设备根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵的过程可以为：电子设备确定目标高维特征矩阵的注意力attention权重，并在利用该注意力权重对该目标特征矩阵进行加权处理后与该第一高维特征矩阵进行拼接处理，得到融合特征矩阵。其中，加权处理的过程可以为点乘运算的过程。在一个实施例中，电子设备确定目标高维特征矩阵的注意力权重的方式可以为电子设备根据第一高维特征矩阵和目标高维特征矩阵执行注意力操作，得到目标高维特征矩阵的注意力权重。
S103、通过终端设备输出所述第二预设范围的事件序列。
本申请实施例中，当电子设备为服务器时，服务器可以将第一疫情趋势预测结果发送至终端设备，终端设备可以展示该第一疫情趋势预测结果。当电子设备为终端设备时，终端设备可以展示该第一疫情趋势预测结果。
可见，图1所示的实施例中，电子设备可以利用预训练的时间序列模型根据该在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到该目标患者在第二预设时间范围的事件序列，并通过终端设备输出该第二预设范围的事件序列，采用该过程可以提升事件预测的准确度。
请参阅图2，为本申请实施例提供的另一种事件预测方法的流程示意图。该方法可以应用与电子设备。电子设备可以为终端设备或服务器。终端设备可以为笔记本电脑、台式电脑等智能终端，服务器可以为一个服务器或服务器集群。具体地，该方法可以包括以下步骤：
S201、获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据。
其中，步骤S201可参见图1实施例中的步骤S101，本申请实施例在此不做赘述。
S202、根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵，所述目标特征矩阵包括所述第一预设时间范围内各第一疾病特征数据对应的第二特征矩阵、各第二疾病特征数据对应的第三特征矩阵和各用于死亡预测的第四特征数据对应的第四特征矩阵。
本申请实施例中，电子设备将该目标特征数据包括的各第一疾病特征数据的特征向量拼接为第二特征矩阵，将该目标特征数据包括的各第二疾病特征数据的特征向量拼接为第三特征矩阵，将该目标特征数据包括的各用于死亡预测的特征数据的特征向量拼接为第四特征矩阵，并生成包括该第二特征矩阵、第三特征矩阵和第四特征矩阵的目标特征矩阵。
S203、通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵。
S204、通过所述预训练的RNN模型包括的第二隐含层对所述第二特征矩阵进行处理，得到第二高维特征矩阵。
S205、通过所述预训练的RNN模型包括的第三隐含层对所述第三特征矩阵进行处理，得到第三高维特征矩阵。
S206、通过所述预训练的RNN模型包括的第四隐含层对所述第四特征矩阵进行处理，得到第四高维特征矩阵。
其中，RNN模型包括的隐含层，可以包括第一隐含层、第二隐含层、第三隐含层和第四隐含层。其中，该第二隐含层、该第三隐含层和该第四隐含层三者之间共享网络参数。
在步骤S203-步骤S205，电子设备可以通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵，并可以通过该预训练的RNN模型包括的第二隐含层对该第二特征矩阵进行处理，得到第二高维特征矩阵，并可以通过该预训练的RNN模型包括的第三隐含层对该第三特征矩阵进行处理，得到第三高维特征矩阵，并可以通过该预训练的RNN模型包括的第四隐含层对第四特征矩阵进行处理，得到第四高维特征矩阵。
S207、将所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵确定为目标高维特征矩阵。
S208、根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵。
在步骤S207-步骤S208中，电子设备可以将该第二高维特征矩阵、该第三高维特征矩阵和该第四高维特征矩阵确定为目标高维特征矩阵，并根据该第一高维特征矩阵和该目标高维特征矩阵进行融合处理，得到融合特征矩阵。此处的目标高维特征矩阵可以包括第二高维特征矩阵、该第三高维特征矩阵和该第四高维特征矩阵。
在一个实施例中，电子设备根据该第一高维特征矩阵和该目标高维特征矩阵进行融合处理，得到融合特征矩阵的过程可以如下：电子设备对该第二高维特征矩阵、该第三高维特征矩阵和该第四高维特征矩阵进行拼接处理，得到拼接后的特征矩阵，并对该第一高维特征矩阵和该拼接后的特征矩阵进行融合处理，得到融合特征矩阵。该过程可以有效进行特征融合。
在一个实施例中，电子设备对该第一高维特征矩阵和该拼接后的特征矩阵进行融合处理，得到融合特征矩阵的过程可以为：电子设备确定该拼接后的特征矩阵的注意力权重，并利用该注意力权重对该拼接后的特征矩阵进行加权处理，得到加权特征矩阵，从而对该第一高维特征矩阵和该加权特征矩阵进行拼接处理，得到融合特征矩阵。在一个实施例中，电子设备确定该拼接后的特征矩阵的注意力权重的过程可以为：电子设备根据该第一高维特征矩阵以及该拼接后的特征矩阵执行注意力操作，得到该拼接后的特征矩阵的注意力权重。
在一个实施例中，电子设备对该第一高维特征矩阵和该拼接后的特征矩阵进行融合处理，得到融合特征矩阵的过程可以为：电子设备确定该拼接后的特征矩阵的注意力权重；利用该注意力权重对该第二高维特征矩阵、该第三高维特征矩阵、该第四高维特征矩阵分别进行加权处理，得到第一加权特征矩阵、第二加权特征矩阵和第三加权特征矩阵；电子设备对第一高维特征矩阵、第一加权特征矩阵、第二加权特征矩阵和第三加权特征矩阵进行拼接处理，得到融合特征矩阵。上述加权处理的过程可以为点乘运算的过程。
在一个实施例中，前述提及的预训练的时间序列模型可以通过如下方式得到：电子设备获取样本患者在第三预设时间范围的事件序列，以及所述样本患者的指定特征数据，所述指定特征数据包括在所述第三预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型。该方式可以有效训练时间序列模型。样本患者可以为目标患者或其他患者或其他与目标患者患有相同或相似疾病的患者。
在一个实施例中，电子设备利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型的过程可以为：电子设备利用第三预设时间范围的事件序列构建第五特征矩阵，并根据指定特征数据构建指定特征矩阵，并利用该第五特征矩阵和该指定特征矩阵训练原始的时间序列模型，得到预训练的时间序列模型。
在一个实施例中，当时间序列模型包括RNN模型时，电子设备利用该第五特征矩阵和该指定特征矩阵训练原始的时间序列模型，得到预训练的时间序列模型的过程可以为：电子设备通过原始的RNN模型包括的第一隐含层对第五特征矩阵进行处理，得到第五高维特征矩阵，并通过该原始的RNN模型包括的目标隐含层对指定特征矩阵进行处理，得到指定高维特征矩阵；电子设备根据该第五高维特征矩阵和该指定高维特征矩阵进行融合处理，得到融合特征矩阵，并通过该原始的RNN模型包括的输出层根据该融合特征矩阵输出该目标患者在第四预设时间范围的事件序列，电子设备利用输出的第四预设时间范围的事件序列与真实的第四预设时间范围的事件序列构建损失函数，并利用该损失函数训练原始的RNN模型，得到预训练的RNN模型。该第四预设时间范围在该第三预设时间范围之后。
在一个实施例中，该目标隐含层包括第二隐含层，该指定特征矩阵包括该第三预设时间范围内各特征数据拼接为的一个特征矩阵，电子设备通过该预训练的RNN模型包括的目标隐含层对指定特征矩阵进行处理，得到指定高维特征矩阵的过程具体为：电子设备通过该原始的RNN模型包括的第二隐含层对这个指定特征矩阵进行处理后得到一个高维特征矩阵，电子设备将这个高维特征矩阵确定为指定高维特征矩阵。
在一个实施例中，该目标隐含层包括第二隐含层、第三隐含层和第四隐含层，该指定特征矩阵包括该第三预设时间范围内各第一疾病特征数据对应的第六特征矩阵、各第二疾病特征数据对应的第七特征矩阵和各用于死亡预测的第四特征数据对应的第八特征矩阵。电子设备通过该预训练的RNN模型包括的目标隐含层对指定特征矩阵进行处理，得到指定高维特征矩阵的过程具体为：电子设备通过该原始的RNN模型包括的第二隐含层对该第六特征矩阵进行处理，得到第六高维特征矩阵，并通过该原始的RNN模型包括的第三隐含层对该第七特征矩阵进行处理，得到第七高维特征矩阵，并通过该原始的RNN模型包括的第四隐含层对第八特征矩阵进行处理，得到第八高维特征矩阵，并将该第六高维特征矩阵、该第七高维特征矩阵和该第八高维特征矩阵确定为指定高维特征矩阵。
在一个实施例中，电子设备根据该第五高维特征矩阵和该指定高维特征矩阵进行融合处理，得到融合特征矩阵的过程可以为：电子设备对该第六高维特征矩阵、该第七高维特征矩阵和该第八高维特征矩阵进行拼接处理，得到拼接后的特征矩阵，并对该第五高维特征矩阵和该拼接后的特征矩阵进行融合处理，得到融合特征矩阵。在一个实施例中，电子设备对该第五高维特征矩阵和该拼接后的特征矩阵进行融合处理，得到融合特征矩阵，可以参见电子设备对该第一高维特征矩阵和该拼接后的特征矩阵进行融合处理，得到融合特征矩阵的过程，本申请实施例在此不做赘述。
S209、通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后。
本申请实施例中，电子设备可以将该融合特征矩阵输入该预训练的RNN模型包括的输出层，并通过该预训练的RNN模型包括的输出层根据该融合特征矩阵输出该目标患者在第二预设时间范围的事件序列，以实现事件预测过程。
S210、通过终端设备输出所述第二预设范围的事件序列。
其中，步骤S210可以参见图1实施例中的步骤S103，本申请实施例在此不做赘述。
在一个实施例中，本申请实施例所述的隐含层也可以称为隐藏层。
可见，图2所示的实施例中，电子设备可以通过预训练RNN模型包括的各隐含层分别对构建的各特征矩阵进行处理，得到各高维特征矩阵，然后通过对各高维特征矩阵进行融合处理，得到融合特征矩阵，并根据该融合特征进行事件预测，能够提升事件预测的准确度。
本申请可以应用于智慧医疗领域，本申请涉及区块链技术，如可以将目标患者在第二预设时间范围的事件序列写入区块链，或可以将该第二预设时间范围的事件序列对应的压缩数据写入区块链。
请参阅图3，为本申请实施例一种事件预测装置的结构示意图。该装置可以应用于前述提及的电子设备。具体的，该事件预测装置可以包括：
获取模块301，用于获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据。
处理模块302，用于利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后。
输出模块303，用于通过终端设备输出所述第二预设范围的事件序列。
在一种可选的实施方式中，处理模块302利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，具体为根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列。
在一种可选的实施方式中，所述时间序列模型包括循环神经网络RNN模型，处理模块302调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，具体为通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列。
在一种可选的实施方式中，所述目标隐含层还包括第二隐含层、第三隐含层和第四隐含层，所述目标特征矩阵包括所述第一预设时间范围内各第一疾病特征数据对应的第二特征矩阵、各第二疾病特征数据对应的第三特征矩阵和各用于死亡预测的第四特征数据对应的第四特征矩阵，处理模块302通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵，具体为通过所述预训练的RNN模型包括的第二隐含层对所述第二特征矩阵进行处理，得到第二高维特征矩阵；通过所述预训练的RNN模型包括的第三隐含层对所述第三特征矩阵进行处理，得到第三高维特征矩阵；通过所述预训练的RNN模型包括的第四隐含层对所述第四特征矩阵进行处理，得到第四高维特征矩阵；所述第二隐含层、所述第三隐含层和所述第四隐含层三者之间共享网络参数；将所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵确定为目标高维特征矩阵。
在一种可选的实施方式中，处理模块302根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵，具体为对所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵进行拼接处理，得到拼接后的特征矩阵；对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵。
在一种可选的实施方式中，处理模块302对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵，具体为确定所述拼接后的特征矩阵的注意力权重；利用所述注意力权重对所述拼接后的特征矩阵进行加权处理，得到加权特征矩阵；对所述第一高维特征矩阵和所述加权特征矩阵进行拼接处理，得到融合特征矩阵。
在一种可选的实施方式中，处理模块302，还用于通过获取模块301获取样本患者在第三预设时间范围的事件序列，以及所述样本患者的指定特征数据，所述指定特征数据包括在所述第三预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型。
可见，图3所示的实施例中，事件预测装置可以利用预训练的时间序列模型根据该在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到该目标患者在第二预设时间范围的事件序列，并通过终端设备输出该第二预设范围的事件序列，采用该过程可以提升事件预测的准确度。
请参阅图4，为本申请实施例提供的一种电子设备的结构示意图。本实施例中所描述的电子设备可以包括：一个或多个处理器1000、一个或多个输入设备2000、一个或多个输出设备3000和存储器4000。处理器1000、输入设备2000、输出设备3000和存储器4000可以通过总线连接。在一个实施例中，一个或多个输入设备为电子设备可选的设备，即，电子设备可以仅包括一个或多个处理器1000、一个或多个输出设备3000和存储器4000。在一个实施例中，输入设备2000和输出设备3000可以包括标准的有线或无线接口。在一个实施例中，输入设备2000可以包括触摸屏、触摸显示屏、录音器等设备。输出设备3000可以包括显示屏、触摸显示屏、扬声器等设备。
处理器1000可以是中央处理模块(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
存储器4000可以是高速RAM存储器，也可为非不稳定的存储器（non-volatilememory），例如磁盘存储器。其中，存储器4000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1000被配置用于调用所述程序指令，执行以下步骤：
获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；
利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；
由输出设备3000通过终端设备输出所述第二预设范围的事件序列。
在一个实施例中，在利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；
调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列。
在一个实施例中，所述时间序列模型包括循环神经网络RNN模型，在调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；
通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；
根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；
通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列。
在一个实施例中，所述目标隐含层还包括第二隐含层、第三隐含层和第四隐含层，所述目标特征矩阵包括所述第一预设时间范围内各第一疾病特征数据对应的第二特征矩阵、各第二疾病特征数据对应的第三特征矩阵和各用于死亡预测的第四特征数据对应的第四特征矩阵，在通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
通过所述预训练的RNN模型包括的第二隐含层对所述第二特征矩阵进行处理，得到第二高维特征矩阵；
通过所述预训练的RNN模型包括的第三隐含层对所述第三特征矩阵进行处理，得到第三高维特征矩阵；
通过所述预训练的RNN模型包括的第四隐含层对所述第四特征矩阵进行处理，得到第四高维特征矩阵；所述第二隐含层、所述第三隐含层和所述第四隐含层三者之间共享网络参数；
将所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵确定为目标高维特征矩阵。
在一个实施例中，在根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
对所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵进行拼接处理，得到拼接后的特征矩阵；
对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵。
在一个实施例中，在对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
确定所述拼接后的特征矩阵的注意力权重；
利用所述注意力权重对所述拼接后的特征矩阵进行加权处理，得到加权特征矩阵；
对所述第一高维特征矩阵和所述加权特征矩阵进行拼接处理，得到融合特征矩阵。
在一个实施例中，处理器1000被配置用于调用所述程序指令，还执行以下步骤：
获取样本患者在第三预设时间范围的事件序列，以及所述样本患者的指定特征数据，所述指定特征数据包括在所述第三预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；
利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型。
具体实现中，本申请实施例中所描述的处理器1000、输入设备2000、输出设备3000可执行图1实施例、图2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实现方式，在此不再赘述。
在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采样硬件的形式实现，也可以采样软件功能模块的形式实现。
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，所述的计算机可读存储介质可为易失性的或非易失性的。例如，该计算机存储介质可以为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。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。
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，仍属于本申请所涵盖的范围。

Claims (8)

1.一种事件预测方法，其特征在于，包括：
获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；所述第一疾病特征数据包括第一疾病的类别、第一疾病的级别、第一疾病的检测指标、第一疾病的干预方法、第一疾病的发展趋势，所述第二疾病是指所述第一疾病关联的疾病；所述第二疾病特征数据包括第二疾病的疾病史和第二疾病的检测指标；用于死亡预测的特征数据包括人口学信息和疾病史；
根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；
通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；
通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；
根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；
通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；
通过终端设备输出所述第二预设范围的事件序列。
2.根据权利要求1所述的方法，其特征在于，所述目标隐含层还包括第二隐含层、第三隐含层和第四隐含层，所述目标特征矩阵包括所述第一预设时间范围内各第一疾病特征数据对应的第二特征矩阵、各第二疾病特征数据对应的第三特征矩阵和各用于死亡预测的第四特征数据对应的第四特征矩阵，所述通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵，包括：
通过所述预训练的RNN模型包括的第二隐含层对所述第二特征矩阵进行处理，得到第二高维特征矩阵；
通过所述预训练的RNN模型包括的第三隐含层对所述第三特征矩阵进行处理，得到第三高维特征矩阵；
通过所述预训练的RNN模型包括的第四隐含层对所述第四特征矩阵进行处理，得到第四高维特征矩阵；所述第二隐含层、所述第三隐含层和所述第四隐含层三者之间共享网络参数；
将所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵确定为目标高维特征矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵，包括：
对所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵进行拼接处理，得到拼接后的特征矩阵；
对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵。
4.根据权利要求3所述的方法，其特征在于，所述对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵，包括：
确定所述拼接后的特征矩阵的注意力权重；
利用所述注意力权重对所述拼接后的特征矩阵进行加权处理，得到加权特征矩阵；
对所述第一高维特征矩阵和所述加权特征矩阵进行拼接处理，得到融合特征矩阵。
5.根据权利要求1所述的方法、其特征在于，所述方法还包括：
获取样本患者在第三预设时间范围的事件序列，以及所述样本患者的指定特征数据，所述指定特征数据包括在所述第三预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；
利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型。
6.一种事件预测装置，其特征在于，包括：
获取模块，用于获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；所述第一疾病特征数据包括第一疾病的类别、第一疾病的级别、第一疾病的检测指标、第一疾病的干预方法、第一疾病的发展趋势，所述第二疾病是指所述第一疾病关联的疾病；所述第二疾病特征数据包括第二疾病的疾病史和第二疾病的检测指标；用于死亡预测的特征数据包括人口学信息和疾病史；
处理模块，用于利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；所述时间序列模型为RNN模型，所述处理模块具体用于根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列；
输出模块，用于通过终端设备输出所述第二预设范围的事件序列。
7.一种电子设备，其特征在于，包括处理器、输出设备和存储器，所述处理器、所述输出设备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1-5任一项所述的步骤。
8.一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，所述计算机程序被处理器执行以实现如权利要求1-5任一项所述的步骤。
CN202011065269.XA 2020-09-30 2020-09-30 事件预测方法、装置、电子设备及存储介质 Active CN111933303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011065269.XA CN111933303B (zh) 2020-09-30 2020-09-30 事件预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011065269.XA CN111933303B (zh) 2020-09-30 2020-09-30 事件预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111933303A CN111933303A (zh) 2020-11-13
CN111933303B true CN111933303B (zh) 2021-01-15

Family

ID=73334735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011065269.XA Active CN111933303B (zh) 2020-09-30 2020-09-30 事件预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111933303B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707337B (zh) * 2021-08-30 2024-05-10 平安科技（深圳）有限公司 基于多源数据的疾病预警方法、装置、设备及存储介质
CN114067935B (zh) * 2021-11-03 2022-05-20 广西壮族自治区通信产业服务有限公司技术服务分公司 一种流行病调查方法、系统、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659033A (zh) * 2018-12-18 2019-04-19 浙江大学 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN109886347A (zh) * 2019-02-28 2019-06-14 泉州师范学院 基于rbf和lstm模型的多因素网络的血压预测方法
CN110211690A (zh) * 2019-04-19 2019-09-06 平安科技（深圳）有限公司 疾病风险预测方法、装置、计算机设备及计算机存储介质
CN110459324A (zh) * 2019-06-27 2019-11-15 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN111370122A (zh) * 2020-02-27 2020-07-03 西安交通大学 一种基于知识指导的时序数据风险预测方法、系统及其应用

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015042421A1 (en) * 2013-09-20 2015-03-26 Siemens Aktiengesellschaft Biopsy-free detection and staging of cancer using a virtual staging score

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109659033A (zh) * 2018-12-18 2019-04-19 浙江大学 一种基于循环神经网络的慢性疾病病情变化事件预测装置
CN109886347A (zh) * 2019-02-28 2019-06-14 泉州师范学院 基于rbf和lstm模型的多因素网络的血压预测方法
CN110211690A (zh) * 2019-04-19 2019-09-06 平安科技（深圳）有限公司 疾病风险预测方法、装置、计算机设备及计算机存储介质
CN110459324A (zh) * 2019-06-27 2019-11-15 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN111370122A (zh) * 2020-02-27 2020-07-03 西安交通大学 一种基于知识指导的时序数据风险预测方法、系统及其应用

Also Published As

Publication number Publication date
CN111933303A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111753543A (zh) 药物推荐方法、装置、电子设备及存储介质
US20220326972A1 (en) Server-based machine learning classifier and rules engine for providing a medical best practice recommendation based on a user-entered medical observation of a patient
CN109326353B (zh) 预测疾病终点事件的方法、装置及电子设备
CN111933303B (zh) 事件预测方法、装置、电子设备及存储介质
CN111883262B (zh) 疫情趋势预测方法、装置、电子设备及存储介质
US20180285969A1 (en) Predictive model training and selection for consumer evaluation
CN111933300B (zh) 疫情防控效果预测方法、装置、服务器及存储介质
US20190019582A1 (en) Systems and methods for predicting multiple health care outcomes
WO2019041927A1 (zh) 疾病诊断信息审核方法、装置、计算机设备和存储介质
Bhatt et al. Contribution of Nepal’s free delivery care policies in improving utilisation of maternal health services
CN113257383B (zh) 匹配信息确定方法、显示方法、装置、设备及存储介质
CN112256886B (zh) 图谱中的概率计算方法、装置、计算机设备及存储介质
Valentim et al. Stochastic Petri net model describing the relationship between reported maternal and congenital syphilis cases in Brazil
CN111612616A (zh) 区块链账户评估方法、装置、终端设备及计算机可读介质
CN113192639A (zh) 信息预测模型的训练方法、装置、设备及存储介质
CN113326383A (zh) 一种短文本实体链接方法、装置、计算设备与存储介质
CN115620886B (zh) 一种数据审核方法和装置
CN116861875A (zh) 基于人工智能的文本处理方法、装置、设备及存储介质
CN113537631B (zh) 药品需求量的预测方法、装置、电子设备及存储介质
CN111859985B (zh) Ai客服模型测试方法、装置、电子设备及存储介质
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质
CN111324787B (zh) 区块链浏览器中区块链数据的展现方法和装置
CN114579626A (zh) 数据处理方法、数据处理装置、电子设备和介质
CN113807920A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质
CN110110235B (zh) 用于推送信息的方法和装置

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