CN112259246B - 一种融合医学概念层级结构的疾病预测方法及相关设备 - Google Patents
一种融合医学概念层级结构的疾病预测方法及相关设备 Download PDFInfo
- Publication number
- CN112259246B CN112259246B CN202011136992.2A CN202011136992A CN112259246B CN 112259246 B CN112259246 B CN 112259246B CN 202011136992 A CN202011136992 A CN 202011136992A CN 112259246 B CN112259246 B CN 112259246B
- Authority
- CN
- China
- Prior art keywords
- medical
- data
- item
- graph
- user
- 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
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
- G16H50/70—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例涉及医疗技术领域,公开了一种融合医学概念层级结构的疾病预测方法及相关设备,该设备的处理器用于执行:获取与历史诊疗数据的医学概念层级结构对应的多个图结构,并将多个图结构输入图注意力神经网络模型,得到多个图结构中每个节点的表征向量;对根据表征向量和历史诊疗数据的医疗项目确定的项目表征向量进行叠加处理;根据叠加的项目表征向量输入多层感知机模型得到的结局数据训练得到疾病预测模型;将待测试用户的目标医疗数据输入疾病预测模型,得到待测试用户的预测结局数据。通过将来自不同医学概念层级结构的信息融合到疾病预测中,提高了疾病预测的准确性。本发明涉及区块链技术,上述预测结局数据可存储于区块链中。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种融合医学概念层级结构的疾病预测方法及相关设备。
背景技术
疾病预测是对人群将来发病风险的推断,而随着人工智能技术迅猛发展,越来越多的机器学习方法被应用于该领域。但由于医疗数据往往难以收集,数据规模偏小和数据中存在的偏差可能会严重限制这类数据驱动方法的性能。传统融合方法通常是人工提取出各种医学规则和关联,作为约束条件加入预测过程,这种方式一方面需要大量的人工投入,难以充分利用海量医学知识,另一方面受限于规则提取的标准和方式,无法复用到不同的预测任务中去。
现有医学知识体系中,已经将海量医学概念整理为层级结构,层级间的关系反应了概念之间的关联性,如果能将这些层级结构融入预测方法中,就可以有效缓解数据不足和数据偏差所带来的影响。因此,如何将医学概念层级结构融入疾病预测中非常重要。
发明内容
本发明实施例提供了一种融合医学概念层级结构的疾病预测方法及相关设备,通过将来自不同医学概念层级结构的信息融合到疾病预测中,可以有效缓解数据不足和数据偏差所带来的影响,提高了疾病预测的准确性。
第一方面,本发明实施例提供了一种融合医学概念层级结构的疾病预测设备,所述设备包括:存储器和处理器;
所述存储器,用于存储程序指令;
所述处理器,用于调用所述程序指令,当所述程序指令被执行时,用于执行以下操作:
获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
进一步地,所述处理器获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构时,具体用于:
获取与所述历史诊疗数据对应的医学概念层级结构;
将所述医学概念层级结构转换为多个图结构,其中,所述多个图结构中的每个图结构由多个节点和边组成,每个节点用于表示医学概念,边用于表示医学概念之间的关系。
进一步地,所述处理器将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量时,具体用于:
对所述多个图结构中每个图结构的每个节点随机添加初始化向量,并确定所述每个节点的初始化向量为所述每个节点的初始表征向量;
将包括所述初始表征向量的每个图结构输入所述图注意力神将网络模型,得到所述每个图结构中每个节点的表征向量。
进一步地,所述处理器根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量时,具体用于:
根据预设的诊疗数据与医疗项目的映射关系,确定与所述历史诊疗数据对应的医疗项目,所述医疗项目包括诊疗、手术、麻醉、检查、化疗中的一种或多种;
从所述各个图结构中获取与所述历史诊疗数据的医疗项目对应的一个或多个节点;
根据与所述历史诊疗数据的医疗项目对应的各个节点的表征向量,确定所述医疗项目对应的项目表征向量。
进一步地,所述处理器对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理时,具体用于:
根据所述各个图结构中的每个节点的医学概念,确定所述各个图结构中涉及的一种或多种医疗项目;
获取所述各个图结构中每种医疗项目对应的节点,并根据所述各个图结构中每种医疗项目对应的节点的表征向量,确定所述每种医疗项目的项目表征向量;
获取所述各个图结构中相同的医疗项目,并对所述各个图结构中相同的医疗项目的项目表征向量进行叠加处理。
进一步地,所述处理器将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据时,具体用于:
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到每种医疗项目对应的结局数据的概率,所述结局数据包括疾病数据和患病时间;
根据所述训练集中每个用户的历史诊疗数据,确定所述训练集中每个用户对应的一种或多种医疗项目;
根据所述每种医疗项目对应的结局数据的概率,确定所述训练集中每个用户对应的一种或多种医疗项目的结局数据。
进一步地,所述样本医疗数据还包括所述训练集中每个用户的历史结局数据,所述历史结局数据中包括疾病信息和患病时间;所述处理器根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型时,具体用于:
将所述确定的所述训练集中每个用户对应的一种或多种医疗项目的结局数据与所述训练集中每个用户的历史结局数据进行对比;
根据对比结果训练所述图注意力神经网络模型和所述多层感知机模型,得到所述疾病预测模型。
第二方面,本发明实施例提供了一种融合医学概念层级结构的疾病预测方法,包括:
获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
第三方面,本发明实施例提供了一种融合医学概念层级结构的疾病预测装置,包括:
获取单元,用于获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
处理单元,用于获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
叠加单元,用于根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
训练单元,用于将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
预测单元,用于获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机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上述第二方面的方法。
本发明实施例可以获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据;获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。通过将来自不同医学概念层级结构的信息融合到疾病预测中,可以有效缓解数据不足和数据偏差所带来的影响,提高了疾病预测的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,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发明的一些实施例,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是本发明实施例提供的一种疾病预测系统的结构示意图;
图2是本发明实施例提供的一种融合医学概念层级结构的疾病预测方法的示意流程图;
图3是本发明实施例提供的一种融合医学概念层级结构的疾病预测装置的示意框图;
图4是本发明实施例提供的一种融合医学概念层级结构的疾病预测设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例提供的融合医学概念层级结构的疾病预测方法可以应用于一种疾病预测系统,在某些实施例中,所述疾病预测系统包括医疗服务器和融合医学概念层级结构的疾病预测设备,其中,所述融合医学概念层级结构的疾病预测设备可以设置于终端中。在某些实施例中,所述医疗服务器可以与融合医学概念层级结构的疾病预测设备建立通信连接。在某些实施例中,所述通信连接的方式可以包括但不限于Wi-Fi、蓝牙、近场通信(Near Field Communication,NFC)等。在某些实施例中,所述医疗服务器用于存储用户的历史诊疗数据,其中,所述历史诊疗数据包括历史诊疗数据和历史结局数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据、手术项目等中的一种或多种,所述历史结局数据包括所患的疾病信息和患病时间,所述患病时间可以为时间范围,也可以为某一时刻。
下面结合附图1对本发明实施例提供的疾病预测系统进行示意性说明。
请参见图1,图1是本发明实施例提供的一种疾病预测系统的结构示意图。所述疾病预测系统包括:融合医学概念层级结构的疾病预测设备11和医疗服务器12。在某些实施例中,融合医学概念层级结构的疾病预测设备11与医疗服务器12可以通过无线通信连接方式建立通信连接;其中,在某些场景下,所述融合医学概念层级结构的疾病预测设备11与医疗服务器12之间也可以通过有线通信连接方式建立通信连接。在某些实施例中,所述融合医学概念层级结构的疾病预测设备11可以包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑等智能终端设备。
本发明实施例中,融合医学概念层级结构的疾病预测设备11可以从医疗服务器12中获取训练集,所述训练集中包括多个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。通过将来自不同医学概念层级结构的信息融合到疾病预测中,可以有效缓解数据不足和数据偏差所带来的影响,提高了疾病预测的准确性。
下面结合附图2对本发明实施例提供的融合医学概念层级结构的疾病预测方法进行示意性说明。
请参见图2,图2是本发明实施例提供的一种融合医学概念层级结构的疾病预测方法的示意流程图,如图2所示,该方法可以由融合医学概念层级结构的疾病预测设备执行,所述融合医学概念层级结构的疾病预测设备的具体解释如前所述,此处不再赘述。具体地,本发明实施例的所述方法包括如下步骤。
S201:获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种。
在一个实施例中,所述样本医疗数据中还包括所述训练集中每个用户的历史结局数据,所述历史结局数据包括所患的疾病信息和患病时间。在某些实施例中,所述历史结局数据用于指示用户是否患某种疾病。例如,张三的历史结局数据为张三3年内发生肝硬化,或者,张三3年内没有发生肝硬化。
S202:获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量。
例如,融合医学概念层级结构的疾病预测设备可以获取与历史诊疗数据的医学概念层级结构对应的3个图结构,并将所述3个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量。
在一个实施例中,融合医学概念层级结构的疾病预测设备在获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构时,可以获取与所述历史诊疗数据对应的医学概念层级结构,并将所述医学概念层级结构转换为多个图结构,其中,所述多个图结构中的每个图结构由多个节点和边组成,每个节点用于表示医学概念,边用于表示医学概念之间的关系。在某些实施例中,所述医学概念层级结构可以包括但不限于诊断编码体系ICD、药物编码体系ATC、SnomedCT等。
在一个实施例中,融合医学概念层级结构的疾病预测设备在将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量时,可以对所述多个图结构中每个图结构的每个节点随机添加初始化向量,并确定所述每个节点的初始化向量为所述每个节点的初始表征向量;以及将包括所述初始表征向量的每个图结构输入所述图注意力神将网络模型,得到所述每个图结构中每个节点的表征向量。
S203:根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理。
在一个实施例中,融合医学概念层级结构的疾病预测设备在根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量时,可以根据预设的诊疗数据与医疗项目的映射关系,确定与所述历史诊疗数据对应的医疗项目,所述医疗项目包括诊疗、手术、麻醉、检查、化疗中的一种或多种;并从所述各个图结构中获取与所述历史诊疗数据的医疗项目对应的一个或多个节点;以及根据与所述历史诊疗数据的医疗项目对应的各个节点的表征向量,确定所述医疗项目对应的项目表征向量。
例如,假设融合医学概念层级结构的疾病预测设备获取到与历史诊疗数据的医学概念层级结构对应的3个图结构,以及根据预设的诊疗数据与医疗项目的映射关系,确定与所述历史诊疗数据对应的医疗项目为手术和化疗,则可以从3个图结构中获取与手术和化疗对应的一个或多个节点,以及根据与手术和化疗对应的各个节点的表征向量,确定所述医疗项目对应的项目表征向量。
在一个实施例中,融合医学概念层级结构的疾病预测设备在对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理时,可以根据所述各个图结构中的每个节点的医学概念,确定所述各个图结构中涉及的一种或多种医疗项目;获取所述各个图结构中每种医疗项目对应的节点,并根据所述各个图结构中每种医疗项目对应的节点的表征向量,确定所述每种医疗项目的项目表征向量;获取所述各个图结构中相同的医疗项目,并对所述各个图结构中相同的医疗项目的项目表征向量进行叠加处理。
例如,融合医学概念层级结构的疾病预测设备可以根据3个图结构中的每个节点的医学概念,确定3个图结构中涉及的2种医疗项目为手术和化疗,则可以获取3个图结构中手术和化疗各自对应的节点,并根据3个图结构中手术和化疗各自对应的节点的表征向量,确定手术对应的项目表征向量以及化疗对应的项目表征向量,以及将3个图结构中手术对应的项目表征向量进行叠加处理,以及将3个图结构中化疗对应的项目表征向量进行叠加处理。
S204:将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型。在某些实施例中,疾病预测设备可以通过反向传播技术训练所述图注意力神经网络模型和所述多层感知机模型。
在一个实施例中,融合医学概念层级结构的疾病预测设备在将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据时,可以将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到每种医疗项目对应的结局数据的概率,所述结局数据包括疾病数据和患病时间;根据所述训练集中每个用户的历史诊疗数据,确定所述训练集中每个用户对应的一种或多种医疗项目;根据所述每种医疗项目对应的结局数据的概率,确定所述训练集中每个用户对应的一种或多种医疗项目的结局数据。
例如,融合医学概念层级结构的疾病预测设备可以将所述叠加处理得到的手术的项目表征向量和化疗的项目表征向量分别输入多层感知机模型,得到手术对应的结局数据的概率以及化疗对应的结局数据的概率。如果用户A对应的医疗项目包括化疗,则可以根据化疗对应的结局数据的概率,确定用户A的结局数据。
S205:获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
在一个实施例中,所述样本医疗数据还包括所述训练集中每个用户的历史结局数据,所述历史结局数据中包括疾病信息和患病时间;融合医学概念层级结构的疾病预测设备在根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型时,可以将所述确定的所述训练集中每个用户对应的一种或多种医疗项目的结局数据与所述训练集中每个用户的历史结局数据进行对比,并根据对比结果训练所述图注意力神经网络模型和所述多层感知机模型,得到所述疾病预测模型。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据;获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。通过将来自不同医学概念层级结构的信息融合到疾病预测中,可以有效缓解数据不足和数据偏差所带来的影响,提高了疾病预测的准确性。
本发明实施例还提供了一种融合医学概念层级结构的疾病预测装置,该融合医学概念层级结构的疾病预测装置用于执行前述任一项所述的方法的单元。具体地,参见图3,图3是本发明实施例提供的一种融合医学概念层级结构的疾病预测装置的示意框图。本实施例的融合医学概念层级结构的疾病预测装置包括:获取单元301、处理单元302、叠加单元303、训练单元304以及预测单元305。
获取单元301,用于获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
处理单元302,用于获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
叠加单元303,用于根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
训练单元304,用于将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
预测单元305,用于获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
进一步地,所述处理单元302获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构时,具体用于:
获取与所述历史诊疗数据对应的医学概念层级结构;
将所述医学概念层级结构转换为多个图结构,其中,所述多个图结构中的每个图结构由多个节点和边组成,每个节点用于表示医学概念,边用于表示医学概念之间的关系。
进一步地,所述处理单元302将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量时,具体用于:
对所述多个图结构中每个图结构的每个节点随机添加初始化向量,并确定所述每个节点的初始化向量为所述每个节点的初始表征向量;
将包括所述初始表征向量的每个图结构输入所述图注意力神将网络模型,得到所述每个图结构中每个节点的表征向量。
进一步地,所述叠加单元303根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量时,具体用于:
根据预设的诊疗数据与医疗项目的映射关系,确定与所述历史诊疗数据对应的医疗项目,所述医疗项目包括诊疗、手术、麻醉、检查、化疗中的一种或多种;
从所述各个图结构中获取与所述历史诊疗数据的医疗项目对应的一个或多个节点;
根据与所述历史诊疗数据的医疗项目对应的各个节点的表征向量,确定所述医疗项目对应的项目表征向量。
进一步地,所述叠加单元303对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理时,具体用于:
根据所述各个图结构中的每个节点的医学概念,确定所述各个图结构中涉及的一种或多种医疗项目;
获取所述各个图结构中每种医疗项目对应的节点,并根据所述各个图结构中每种医疗项目对应的节点的表征向量,确定所述每种医疗项目的项目表征向量;
获取所述各个图结构中相同的医疗项目,并对所述各个图结构中相同的医疗项目的项目表征向量进行叠加处理。
进一步地,所述训练单元304将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据时,具体用于:
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到每种医疗项目对应的结局数据的概率,所述结局数据包括疾病数据和患病时间;
根据所述训练集中每个用户的历史诊疗数据,确定所述训练集中每个用户对应的一种或多种医疗项目;
根据所述每种医疗项目对应的结局数据的概率,确定所述训练集中每个用户对应的一种或多种医疗项目的结局数据。
进一步地,所述样本医疗数据还包括所述训练集中每个用户的历史结局数据,所述历史结局数据中包括疾病信息和患病时间;所述训练单元304根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型时,具体用于:
将所述确定的所述训练集中每个用户对应的一种或多种医疗项目的结局数据与所述训练集中每个用户的历史结局数据进行对比;
根据对比结果训练所述图注意力神经网络模型和所述多层感知机模型,得到所述疾病预测模型。
本发明实施例中,融合医学概念层级结构的疾病预测装置可以获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据;获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。通过将来自不同医学概念层级结构的信息融合到疾病预测中,可以有效缓解数据不足和数据偏差所带来的影响,提高了疾病预测的准确性。
参见图4,图4是本发明实施例提供的一种融合医学概念层级结构的疾病预测设备的示意框图。如图所示的本实施例中的融合医学概念层级结构的疾病预测设备可以包括:一个或多个处理器401和存储器402。存储器402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401用于执行存储器402存储的程序指令。其中,处理器401被配置用于调用所述程序执行:
获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
进一步地,所述处理器401获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构时,具体用于:
获取与所述历史诊疗数据对应的医学概念层级结构;
将所述医学概念层级结构转换为多个图结构,其中,所述多个图结构中的每个图结构由多个节点和边组成,每个节点用于表示医学概念,边用于表示医学概念之间的关系。
进一步地,所述处理器401将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量时,具体用于:
对所述多个图结构中每个图结构的每个节点随机添加初始化向量,并确定所述每个节点的初始化向量为所述每个节点的初始表征向量;
将包括所述初始表征向量的每个图结构输入所述图注意力神将网络模型,得到所述每个图结构中每个节点的表征向量。
进一步地,所述处理器401根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量时,具体用于:
根据预设的诊疗数据与医疗项目的映射关系,确定与所述历史诊疗数据对应的医疗项目,所述医疗项目包括诊疗、手术、麻醉、检查、化疗中的一种或多种;
从所述各个图结构中获取与所述历史诊疗数据的医疗项目对应的一个或多个节点;
根据与所述历史诊疗数据的医疗项目对应的各个节点的表征向量,确定所述医疗项目对应的项目表征向量。
进一步地,所述处理器401对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理时,具体用于:
根据所述各个图结构中的每个节点的医学概念,确定所述各个图结构中涉及的一种或多种医疗项目;
获取所述各个图结构中每种医疗项目对应的节点,并根据所述各个图结构中每种医疗项目对应的节点的表征向量,确定所述每种医疗项目的项目表征向量;
获取所述各个图结构中相同的医疗项目,并对所述各个图结构中相同的医疗项目的项目表征向量进行叠加处理。
进一步地,所述处理器401将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据时,具体用于:
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到每种医疗项目对应的结局数据的概率,所述结局数据包括疾病数据和患病时间;
根据所述训练集中每个用户的历史诊疗数据,确定所述训练集中每个用户对应的一种或多种医疗项目;
根据所述每种医疗项目对应的结局数据的概率,确定所述训练集中每个用户对应的一种或多种医疗项目的结局数据。
进一步地,所述样本医疗数据还包括所述训练集中每个用户的历史结局数据,所述历史结局数据中包括疾病信息和患病时间;所述处理器401根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型时,具体用于:
将所述确定的所述训练集中每个用户对应的一种或多种医疗项目的结局数据与所述训练集中每个用户的历史结局数据进行对比;
根据对比结果训练所述图注意力神经网络模型和所述多层感知机模型,得到所述疾病预测模型。
本发明实施例中,融合医学概念层级结构的疾病预测设备可以获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据;获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。通过将来自不同医学概念层级结构的信息融合到疾病预测中,可以有效缓解数据不足和数据偏差所带来的影响,提高了疾病预测的准确性。
应当理解,在本发明实施例中,所称处理器401可以是中央处理单元(CenSralProcessing UniS,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigiSalSignal Processor,DSP)、专用集成电路(ApplicaSion Specific InSegraSed CircuiS,ASIC)、现成可编程门阵列(Field-Programmable GaSe 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402可以包括只读存储器和随机存取存储器,并向处理器401提供指令和数据。存储器402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402还可以存储设备类型的信息。
本发明实施例中还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时实现图2所对应实施例中描述的融合医学概念层级结构的疾病预测方法,也可实现本发明图3所对应实施例的疾病预测设备,在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的疾病预测设备的内部存储单元,例如疾病预测设备的硬盘或内存。所述计算机可读存储介质也可以是所述疾病预测设备的外部存储设备,例如所述疾病预测设备上配备的插接式硬盘,智能存储卡(SmarSMedia Card,SMC),安全数字(Secure DigiSal,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述疾病预测设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述疾病预测设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的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,可以存储在一个计算机可读取存储介质中。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计算机可读存储介质中,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,终端,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。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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。
以上所述,仅为本发明的部分实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种融合医学概念层级结构的疾病预测设备,其特征在于,所述设备包括:存储器和处理器;
所述存储器,用于存储程序指令;
所述处理器,用于调用所述程序指令,当所述程序指令被执行时,用于执行以下操作:
获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
2.根据权利要求1所述的设备,其特征在于,所述处理器获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构时,具体用于:
获取与所述历史诊疗数据对应的医学概念层级结构;
将所述医学概念层级结构转换为多个图结构,其中,所述多个图结构中的每个图结构由多个节点和边组成,每个节点用于表示医学概念,边用于表示医学概念之间的关系。
3.根据权利要求1所述的设备,其特征在于,所述处理器将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量时,具体用于:
对所述多个图结构中每个图结构的每个节点随机添加初始化向量,并确定所述每个节点的初始化向量为所述每个节点的初始表征向量;
将包括所述初始表征向量的每个图结构输入所述图注意力神将网络模型,得到所述每个图结构中每个节点的表征向量。
4.根据权利要求1所述的设备,其特征在于,所述处理器根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量时,具体用于:
根据预设的诊疗数据与医疗项目的映射关系,确定与所述历史诊疗数据对应的医疗项目,所述医疗项目包括诊疗、手术、麻醉、检查、化疗中的一种或多种;
从所述各个图结构中获取与所述历史诊疗数据的医疗项目对应的一个或多个节点;
根据与所述历史诊疗数据的医疗项目对应的各个节点的表征向量,确定所述医疗项目对应的项目表征向量。
5.根据权利要求4所述的设备,其特征在于,所述处理器对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理时,具体用于:
根据所述各个图结构中的每个节点的医学概念,确定所述各个图结构中涉及的一种或多种医疗项目;
获取所述各个图结构中每种医疗项目对应的节点,并根据所述各个图结构中每种医疗项目对应的节点的表征向量,确定所述每种医疗项目的项目表征向量;
获取所述各个图结构中相同的医疗项目,并对所述各个图结构中相同的医疗项目的项目表征向量进行叠加处理。
6.根据权利要求5所述的设备,其特征在于,所述处理器将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据时,具体用于:
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到每种医疗项目对应的结局数据的概率,所述结局数据包括疾病数据和患病时间;
根据所述训练集中每个用户的历史诊疗数据,确定所述训练集中每个用户对应的一种或多种医疗项目;
根据所述每种医疗项目对应的结局数据的概率,确定所述训练集中每个用户对应的一种或多种医疗项目的结局数据。
7.根据权利要求6所述的设备,其特征在于,所述样本医疗数据还包括所述训练集中每个用户的历史结局数据,所述历史结局数据中包括疾病信息和患病时间;所述处理器根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型时,具体用于:
将所述确定的所述训练集中每个用户对应的一种或多种医疗项目的结局数据与所述训练集中每个用户的历史结局数据进行对比;
根据对比结果训练所述图注意力神经网络模型和所述多层感知机模型,得到所述疾病预测模型。
8.一种融合医学概念层级结构的疾病预测方法,其特征在于,包括:
获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
9.一种融合医学概念层级结构的疾病预测装置,其特征在于,包括:
获取单元,用于获取训练集中每个用户的样本医疗数据,其中,所述样本医疗数据包括所述训练集中每个用户的历史诊疗数据,所述历史诊疗数据包括诊断数据、药物数据、检查数据中的一种或多种;
处理单元,用于获取与所述历史诊疗数据的医学概念层级结构对应的多个图结构,并将所述多个图结构输入图注意力神经网络模型,得到所述多个图结构中每个节点的表征向量;
叠加单元,用于根据所述多个图结构中每个节点的表征向量和所述历史诊疗数据涉及的医疗项目,从各个图结构中确定与所述医疗项目对应的项目表征向量,并对所述各个图结构中每种医疗项目的项目表征向量进行叠加处理;
训练单元,用于将所述叠加处理得到的每种医疗项目的项目表征向量输入多层感知机模型,得到所述训练集中每个用户的结局数据,并根据所述结局数据训练所述图注意力神经网络模型和所述多层感知机模型得到疾病预测模型;
预测单元,用于获取待测试用户的目标医疗数据,并将所述待测试用户的目标医疗数据输入所述训练得到的疾病预测模型,得到所述待测试用户的预测结局数据。
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,所述计算机程序被处理器执行以实现权利要求8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136992.2A CN112259246B (zh) | 2020-10-21 | 2020-10-21 | 一种融合医学概念层级结构的疾病预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136992.2A CN112259246B (zh) | 2020-10-21 | 2020-10-21 | 一种融合医学概念层级结构的疾病预测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112259246A CN112259246A (zh) | 2021-01-22 |
CN112259246B true CN112259246B (zh) | 2023-07-25 |
Family
ID=74264551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011136992.2A Active CN112259246B (zh) | 2020-10-21 | 2020-10-21 | 一种融合医学概念层级结构的疾病预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112259246B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112885480A (zh) * | 2021-02-23 | 2021-06-01 | 东软集团股份有限公司 | 用户信息的处理方法、装置、存储介质和电子设备 |
CN113057586B (zh) * | 2021-03-17 | 2024-03-12 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
CN113057588A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
JP7349594B2 (ja) * | 2021-06-11 | 2023-09-22 | 株式会社Preferred Networks | 情報処理装置、情報処理システム及び情報処理方法 |
CN113707309A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于机器学习的疾病预测方法及装置 |
CN114496283A (zh) * | 2022-02-15 | 2022-05-13 | 山东大学 | 一种基于路径推理的疾病预测系统、存储介质及设备 |
CN117235673B (zh) * | 2023-11-15 | 2024-01-30 | 中南大学 | 一种细胞培养预测方法及装置、电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493972A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
-
2020
- 2020-10-21 CN CN202011136992.2A patent/CN112259246B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190030876A (ko) * | 2017-09-15 | 2019-03-25 | 주식회사 셀바스에이아이 | 건강 위험 예측 방법 |
CN109493972A (zh) * | 2018-10-30 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 基于预测模型的数据处理方法、装置、服务器及存储介质 |
CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112259246A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112259246B (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 | |
Qayyum et al. | Secure and robust machine learning for healthcare: A survey | |
CN107426170A (zh) | 一种基于区块链的数据处理方法及设备 | |
CN112259180A (zh) | 一种基于异构医学知识图谱的疾病预测方法及相关设备 | |
CN111899883B (zh) | 少样本或零样本的疾病预测设备、方法、装置及存储介质 | |
CN113886885A (zh) | 数据脱敏方法、数据脱敏装置、设备及存储介质 | |
CN111949890A (zh) | 基于医学领域的数据推荐方法、设备、服务器及存储介质 | |
Mathur | Machine learning applications using python: Cases studies from healthcare, retail, and finance | |
US11017572B2 (en) | Generating a probabilistic graphical model with causal information | |
CN112201359A (zh) | 基于人工智能的重症问诊数据识别方法及装置 | |
US20190189287A1 (en) | Systems and methods for predicting healthcare outcomes based on semantic relationships | |
CN112214588A (zh) | 多意图识别方法、装置、电子设备及存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN112017776B (zh) | 基于动态图和医学知识图谱的疾病预测方法及相关设备 | |
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 | |
WO2024091695A1 (en) | Apparatus and a method for anonymizing user data | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
CN113780580B (zh) | 基于机器学习的数据分析方法、装置、设备及存储介质 | |
CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
CN112307757B (zh) | 基于辅助任务的情感分析方法、装置、设备及存储介质 | |
CN115775635A (zh) | 基于深度学习模型的药品风险识别方法、装置及终端设备 | |
CN113241198A (zh) | 用户数据处理方法、装置、设备及存储介质 | |
CN113627525B (zh) | 特征提取模型的训练方法、医保风险识别方法及装置 | |
Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
JP7355303B2 (ja) | レセプトデータ有意性判定プログラム、レセプトデータ有意性判定方法、及び、情報処理装置 |
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 |