CN112289442B - 预测疾病终点事件的方法、装置及电子设备 - Google Patents
预测疾病终点事件的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112289442B CN112289442B CN202011359743.XA CN202011359743A CN112289442B CN 112289442 B CN112289442 B CN 112289442B CN 202011359743 A CN202011359743 A CN 202011359743A CN 112289442 B CN112289442 B CN 112289442B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- neural network
- network model
- deep learning
- sequence point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 201000010099 disease Diseases 0.000 title claims abstract description 44
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000012552 review Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 208000006011 Stroke Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Abstract
本公开涉及一种预测疾病终点事件的方法、装置、电子设备及计算机可读介质。该方法包括：采集疾病发生和诊疗阶段的信息作为T0时序点特征；采集每次复查时的信息作为相应复查时的Ti时序点特征；利用深度学习神经网络模型预测未来时间窗内的疾病终点事件，其中包括：在所述深度学习神经网络模型的DNN模型中，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；通过所述深度学习神经网络模型的时序神经网络模型接收每个时序点的DNN模型输出的所述多维向量；通过所述深度学习神经网络模型的输出层接收来自所述时序神经网络模型的输入，产生输出结果。根据本申请的方案能够提高预测准确性。
Description
本申请是申请号为201811271321.X，申请日为2018年10月29日，发明名称为“预测疾病终点事件的方法、装置及电子设备”的中国专利申请的分案申请。
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种预测疾病终点事件的方法、方法、装置、电子设备及计算机可读介质。
背景技术
疾病终点事件是指某疾病发病之后经过治疗，未来一段时间内复发、死亡等事件的发生。不同疾病关注的终点事件有所不同，例如，肿瘤领域比较关注预后的n年生存期，脑卒中比较关注预后复发的风险等。当前流行的预测方法都是基于人工神经网络、决策树、逻辑回归、svm等传统机器学习方法。
基于机器学习方法等终点事件预测是基于大量历史患者的病历数据作为训练集，患者的基本信息、发病情况、治疗过程、复查情况等作为特征，通过病历数据的处理或者随访取得患者终点事件是否发生作为标注，采用有监督等机器学习方法进行学习，最终训练得到一个模型使得它在训练集上的准确率最高。模型训练完成之后，对于一个新的患者，把患者相关特征输入模型后得到患者终点事件发生的风险或概率。
当前对于特征选择和处理基本是基于统计的单因子和多因子分析进行特征选择，特征选择好之后直接作为模型输入信息。
但是，现有模型存在预测准确率较低等问题。
因此，需要一种新的预测疾病终点事件的方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请提供一种预测疾病终点事件的方法，能够提高预测准确性。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提供一种预测疾病终点事件的方法，包括：采集疾病发生和诊疗阶段的信息作为T0时序点特征；采集每次复查时的信息作为相应复查时的Ti时序点特征；利用深度学习神经网络模型预测未来时间窗内的疾病终点事件，其中包括：在所述深度学习神经网络模型的DNN模型中，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；通过所述深度学习神经网络模型的时序神经网络模型接收每个时序点的DNN模型输出的所述多维向量；通过所述深度学习神经网络模型的输出层接收来自所述时序神经网络模型的输入，产生输出结果。
根据一些实施例，所述T0时序点特征包括下述特征中的至少一种：患者首次发病就诊时的疾病相关因素；诊疗行为信息。
根据一些实施例，所述Ti时序点特征可包括下述特征中的至少一种：体征信息；查体信息；检查检验信息；及生活习惯信息。
根据一些实施例，前述方法还包括：从历史患者的病历信息和/或随访信息中抽取标注信息以训练所述深度学习神经网络模型。
根据一些实施例，训练所述深度学习神经网络模型时使用的时间窗口与预测时使用的未来时间窗口相同。
根据一些实施例，所述时序神经网络模型包括RNN、LSTM、GRU、双向RNN或SRU。
根据一些实施例，前述方法还包括：将所述T0时序点特征至所述Ti时序点特征进行词向量处理。
根据本公开的另一方面，提供一种预测疾病终点事件的装置，包括：
第一采集模块，用于采集疾病发生和诊疗阶段的信息作为T0时序点特征；
第二采集模块，用于采集每次复查时的信息作为相应复查时的Ti时序点特征；
预测模块，用于将所述T0时序点特征至所述Ti时序点特征作为输入，利用深度学习神经网络模型预测未来时间窗内的疾病终点事件，
其中所述深度学习神经网络模型包括：
DNN模型，用于对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；
时序神经网络模型，用于接收每个时序点的DNN模型输出的所述多维向量；
输出层，用于基于来自所述时序神经网络模型的输入产生输出结果。
根据本公开的再一方面，提供一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述任一所述的方法。
根据本公开的再一方面，提供一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现前述任一所述的方法。
根据本发明示例实施例，基于时序神经网络模型(RNN或其各种优化变种)进行疾病终点事件(复发、死亡等)的预测，并考虑特征的阶段性和时序性，能够提高准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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示出根据示例性实施例的可应用根据本发明实施例的方法或装置的系统的框图；
图2示出根据本发明示例性实施例的预测疾病终点事件的方法的流程图；
图3示出根据本发明实施例的用于预测疾病终点事件的深度学习神经网络模型；
图4示意性示出了根据本发明示例实施例的用于预测疾病终点事件的装置的框图；
图5示出根据示例性实施例用于预测疾病终点事件的电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
本发明人发现，患者发病开始到治疗后出院整个过程中的事件是和时间高度相关的，之前的特征处理时未考虑患者特征和临床事件的时序特征，这样可能会导致预测模型的学习能力差、预测准确率低等问题。本发明人提出一种预测疾病终点事件的方法，该方法所依赖的特征按阶段、分时序进行组织，基于当前业界效果较好时序神经网络模型(例如RNN或改进网络模型等)进行终点事件的预测，取得了较好的效果。
例如，以预测脑卒中复发风险为例，把模型预测目标设定为在患者首发脑卒中出院后的任意时刻起一个时间窗口内(例如，三个月、六个月、一年)复发的风险(概率)。这样，基于患者发病的临床特征、治疗方法、出院时的信息采集、每次复查时的信息采集，可以预测未来一段时间内复发的风险。
下面参照附图对本发明实施例进行详细说明。
图1示出根据示例性实施例的可应用根据本发明实施例的方法或装置的系统的框图。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如预测应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所提交的信息提供预测处理的后台管理服务器。后台管理服务器可以利用预测模型对接收到的信息和系统已存储的数据进行计算等处理，并将处理结果反馈给终端设备。服务器105还可根据实际需要进行其他相关操作和处理。服务器105可以是一个实体的服务器，还可例如为由多个服务器组成。
图2示出根据本发明示例性实施例的预测疾病终点事件的方法的流程图。
如图2所示，在S202，采集疾病发生和诊疗阶段的信息作为T0时序点特征。
根据示例实施例，所述T0时序点特征包括下述特征中的至少一种：患者首次发病就诊时的疾病相关因素(性别、年龄、家族史、指标信息、生活习惯等)；诊疗行为信息(诊断名称、治疗方案、出院时情况等)。
例如，以预测脑卒中复发风险为例，T0时序点特征可包括患者首次因脑卒中就诊时的疾病相关危险因素(性别、年龄、家族史、血压、吸烟史等)以及诊疗行为信息(诊断名称、治疗方案、出院时情况等)等特征。
在S204，采集每次复查时的信息作为相应复查时的Ti时序点特征。
根据示例实施例，所述Ti时序点特征可包括下述特征中的至少一种：体征信息；查体信息；检查检验信息；生活习惯信息。
例如，以预测脑卒中复发风险为例，在Ti时序点(i>0，为自然数)，从首发治疗出院后开始定期复查时的信息采集(包括体征、查体、检查检验、上次出院或者复查之后的生活习惯等)，每次复查时采集的信息作为该时序点的特征。
在S206，将所述T0时序点特征至所述Ti时序点特征作为输入，利用深度学习神经网络模型预测未来时间窗内的疾病终点事件。
如后面参照图3所描述的，所述深度学习神经网络模型包括：DNN模型，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；时序神经网络模型，接收每个时序点的DNN模型输出的所述多维向量；输出层，基于来自所述时序神经网络模型的输入产生输出结果。
根据示例实施例，预测模型包括基于时序的模型(RNN或其各种改进的模型)，每一个时序点内为一个DNN模型。时序点内DNN模型把当前节点的输入特征输出一组多维向量(例如，高维向量)。多维向量(例如，高维向量)基于时序模型传递到下一个时序。
根据示例实施例，从历史患者的病历信息和/或随访信息中抽取标注信息以训练所述深度学习神经网络模型。
例如，从历史患者的病历信息和/或随访信息中抽取标注信息，如果在某次复查之后到预测时间窗口内复发发生则作为一个正例样本，如果没有发生则作为一个负例样本。样本生成后针对如果正负样本差别较大则可进行一定程度的样本均衡(包括但不限于上采样和下采样技术)。
把上述处理的样本输入模型进行训练，待到模型预测误差收敛则停止训练。
可在每次患者复查时进行预测。根据首次住院期间的信息和行为构建T0时刻特征，以及截止到目前为止的每一次复查采集的相关信息作为Ti(i>0)输入，模型给出未来特定时间窗口内患者终点事件发生的概率。根据示例实施例，训练所述深度学习神经网络模型时使用的时间窗口与预测时使用的未来时间窗口相同。
图3示出根据本发明实施例的用于预测疾病终点事件的深度学习神经网络模型。
如图3所示，根据本发明实施例的深度学习神经网络模型包括：DNN模型，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；时序神经网络模型，接收每个时序点的DNN模型输出的所述多维向量；输出层，基于来自所述时序神经网络模型的输入产生输出结果。
时序神经网络模型可以是RNN或其改进模型。RNN网络由多个串联的隐藏网络层构成，特别适用于通过深度学习处理基于时域的数据集。RNN网络的隐藏层神经元的计算公式为：
s(t)＝f(x(t)U+s(t-1)W) (1)
其中U、W为RNN网络模型的参数，f表示激活函数。对于时间t的隐藏层神经元激活值st，使用时间t的该隐藏层神经元的输入xt和上一隐藏层神经元(对应于上一时间t-1)的激活值st-1进行计算获得。
隐藏层状态可以认为是网络的记忆单元，包含了前面所有步的隐藏层状态。而输出层的输出只与当前步的s(t)有关。在实践中，为了降低网络的复杂度，往往s(t)只包含前面若干步而不是所有步的隐藏层状态。在传统神经网络中，每一个网络层的参数是不共享的。而在RNNs中，每输入一步，每一层各自都共享参数，这反映RNNs中的每一步都在做相同的工作，只是输入不同，因此大大地降低了网络中需要学习的参数。
在传统RNN中，训练算法为BPTT(Back-propagation Through Time，通过时间反向传播)。但是，当时间段比较长时，BPTT导致RNN网络需要回传的残差会呈指数级下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆。
因此，又提出一种RNN的改进模型：长短期记忆模型(Long-short Term Memory，简称LSTM)。这种特殊的RNN网络模型以解决RNN模型梯度弥散的问题。LSTM具有“三重门”：输入门i，输出门o，遗忘门f，使用Sigmoid函数将取值范围限制到(0,1)之内。使用三个门可以控制不同时刻信息流动方向，通过控制遗忘门和输入门，选择合适的信息进入中央的细胞，将无关信息拒之门外；通过控制输出门，选择最合适的时刻输出细胞处理后的信息。
除了LSTM之外，根据本发明一些实施例，还可以选择GRU、双向RNN或SRU作为用于疾病终点事件预测的时序神经网络模型。
此外，根据本发明实例实施例的方法还包括将所述T0时序点特征至所述Ti时序点特征进行词向量处理。使用计算机对自然语言进行处理，便需要将自然语言处理成为机器能够识别的符号，加上在机器学习过程中，需要将其进行数值化。而词是自然语言理解与处理的基础，因此需要对词进行数值化，词向量(Word Representation，Word embeding)是一种可行又有效的方法。词向量，是指一组数值向量，例如使用一个指定长度的实数向量v来表示一个词。词向量在高维空间中的相对距离可以衡量词之间的相似程度。
根据本公开的预测疾病终点事件的方法，考虑了临床特征的时序特征，相对于传统的非时序模型，有更好的预测准确率。另外，根据示例实施例，结合DNN模型对当前节点的输入特征进行处理，可进一步提高预测准确率。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4示意性示出了根据本发明示例实施例的用于预测疾病终点事件的装置的框图。
如图4所示，根据本发明示例实施例的用于预测疾病终点事件的装置400包括第一采集模块410、第二采集模块420、预测模块430。
第一采集模块410用于采集疾病发生和诊疗阶段的信息作为T0时序点特征。
第二采集模块420用于采集每次复查时的信息作为相应复查时的Ti时序点特征。
预测模块430用于将所述T0时序点特征至所述Ti时序点特征作为输入，利用深度学习神经网络模型预测未来时间窗内的疾病终点事件，其中所述深度学习神经网络模型包括：DNN模型，用于对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；时序神经网络模型，用于接收每个时序点的DNN模型输出的所述多维向量；输出层，用于基于来自所述时序神经网络模型的输入产生输出结果。
图4所示装置与前述方法对应，此处不再赘述。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
图5示出根据示例性实施例用于预测疾病终点事件的电子设备的框图。
下面参照图5来描述根据本公开的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从储存部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括触摸屏、键盘等的输入部分506；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507；包括闪存等的储存部分508；以及包括诸如无线网卡、高速网卡等的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如半导体存储器、磁盘等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入储存部分508。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上描述了根据本发明实施例的用于预测疾病终点事件的方法和装置及电子设备和介质。通过以上的详细描述，本领域的技术人员易于理解，根据本发明实施例的方法和装置具有以下优点中的一个或多个。
根据一些实施例，基于时序神经网络模型(RNN或其各种优化变种)进行疾病终点事件(复发、死亡等)的预测，并考虑特征的阶段性和时序性，能够提高准确率。
根据示例实施例，结合DNN模型对当前节点的输入特征进行处理，可进一步提高预测准确率。
根据示例实施例，进行特征处理时，按照首次住院、出院后每次复查作为不同的时序点，把特征归到不同的时序点，从而提高预测准确率。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (1)
1.一种预测疾病终点事件的方法，其特征在于，包括：
采集疾病发生和诊疗阶段的信息作为T0时序点特征；
采集每次复查时的信息作为相应复查时的Ti时序点特征；
将所述T0时序点特征至所述Ti时序点特征进行词向量处理；
利用深度学习神经网络模型预测未来时间窗内的终点事件发生的概率，其中包括：
在所述深度学习神经网络模型的DNN模型中，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；
通过所述深度学习神经网络模型的时序神经网络模型接收每个时序点的DNN模型输出的所述多维向量，将所述每个时序点的DNN模型输出的所述多维向量传递到下一个时序；
通过所述深度学习神经网络模型的输出层接收来自所述时序神经网络模型的输入，产生输出结果；
将所述未来时间窗内的终点事件发生的概率发送至客户端；
其中，所述T0时序点特征包括下述特征中的至少一种：患者首次发病就诊时的疾病相关因素；诊疗行为信息；
所述Ti时序点特征包括下述特征中的至少一种：体征信息；查体信息；检查检验信息；及生活习惯信息；
其中，训练所述深度学习神经网络模型时使用的时间窗口与预测时使用的未来时间窗口相同；所述时序神经网络模型包括RNN、LSTM、GRU或SRU。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011359743.XA CN112289442B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811271321.XA CN109326353B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
| CN202011359743.XA CN112289442B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811271321.XA Division CN109326353B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112289442A CN112289442A (zh) | 2021-01-29 |
| CN112289442B true CN112289442B (zh) | 2024-05-03 |
Family
ID=65259761
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811271321.XA Active CN109326353B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
| CN202011359743.XA Active CN112289442B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811271321.XA Active CN109326353B (zh) | 2018-10-29 | 2018-10-29 | 预测疾病终点事件的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN109326353B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109326353B (zh) * | 2018-10-29 | 2020-11-27 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
| CN109817338A (zh) * | 2019-02-13 | 2019-05-28 | 北京大学第三医院（北京大学第三临床医学院） | 一种慢性病加重风险评估与告警系统 |
| CN110009427B (zh) * | 2019-04-10 | 2021-07-16 | 国网浙江省电力有限公司 | 一种基于深度循环神经网络的电力销售金额智能预测方法 |
| CN110120264A (zh) * | 2019-04-19 | 2019-08-13 | 上海依智医疗技术有限公司 | 一种哮喘的预后评估方法及装置 |
| TWI775050B (zh) * | 2020-02-20 | 2022-08-21 | 宏碁股份有限公司 | 訓練資料處理方法與電子裝置 |
| CN113314212A (zh) * | 2020-02-26 | 2021-08-27 | 宏碁股份有限公司 | 训练数据处理方法与电子装置 |
| CN112102950B (zh) * | 2020-11-04 | 2021-02-12 | 平安科技（深圳）有限公司 | 一种数据处理系统、方法、装置及存储介质 |
| CN113190734A (zh) * | 2021-04-27 | 2021-07-30 | 中国科学院计算技术研究所 | 基于单平台的网络事件流行度预测方法与系统 |
| WO2022226890A1 (zh) * | 2021-04-29 | 2022-11-03 | 京东方科技集团股份有限公司 | 一种疾病预测方法、装置、电子设备和计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07234895A (ja) * | 1994-02-22 | 1995-09-05 | Nippon Telegr & Teleph Corp <Ntt> | 時系列予測方法 |
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN106897545A (zh) * | 2017-01-05 | 2017-06-27 | 浙江大学 | 一种基于深度置信网络的肿瘤预后预测系统 |
| CN107145746A (zh) * | 2017-05-09 | 2017-09-08 | 北京大数医达科技有限公司 | 一种病情描述的智能分析方法及系统 |
| CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控系统 |
| IL255255A0 (en) * | 2017-10-25 | 2017-12-31 | Optimata Ltd | A system and method for predicting the effect of medical treatment |
| CN107742151A (zh) * | 2017-08-30 | 2018-02-27 | 电子科技大学 | 一种中医脉象的神经网络模型训练方法 |
| KR20180057300A (ko) * | 2016-11-22 | 2018-05-30 | 네이버 주식회사 | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 |
| CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
| CN109326353B (zh) * | 2018-10-29 | 2020-11-27 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005086068A2 (en) * | 2004-02-27 | 2005-09-15 | Aureon Laboratories, Inc. | Methods and systems for predicting occurrence of an event |
| US20120041277A1 (en) * | 2010-08-12 | 2012-02-16 | International Business Machines Corporation | System and method for predicting near-term patient trajectories |
-
2018
- 2018-10-29 CN CN201811271321.XA patent/CN109326353B/zh active Active
- 2018-10-29 CN CN202011359743.XA patent/CN112289442B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07234895A (ja) * | 1994-02-22 | 1995-09-05 | Nippon Telegr & Teleph Corp <Ntt> | 時系列予測方法 |
| KR20180057300A (ko) * | 2016-11-22 | 2018-05-30 | 네이버 주식회사 | 딥 러닝을 이용하여 환자의 진단 이력으로부터 질병 예후를 예측하는 방법 및 시스템 |
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN106897545A (zh) * | 2017-01-05 | 2017-06-27 | 浙江大学 | 一种基于深度置信网络的肿瘤预后预测系统 |
| CN107273652A (zh) * | 2017-03-10 | 2017-10-20 | 马立伟 | 智能脑卒中风险监控系统 |
| CN107145746A (zh) * | 2017-05-09 | 2017-09-08 | 北京大数医达科技有限公司 | 一种病情描述的智能分析方法及系统 |
| CN107742151A (zh) * | 2017-08-30 | 2018-02-27 | 电子科技大学 | 一种中医脉象的神经网络模型训练方法 |
| IL255255A0 (en) * | 2017-10-25 | 2017-12-31 | Optimata Ltd | A system and method for predicting the effect of medical treatment |
| CN108417272A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 带时序约束的相似病例推荐方法及装置 |
| CN109326353B (zh) * | 2018-10-29 | 2020-11-27 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| Sequential use of neural networks for survival prediction in AIDS;L. Ohno-Machado;Proc AMIA Annu Fall Symp;19961231;第170–174页 * |
| 径向基函数神经网络在传染病发病率预测中的应用;严薇荣，等;中华流行病学杂志;20071231;第28卷(第12期);第1219-1222页 * |
| 病证结合构建慢病风险预测模型的思路与方法;魏戌;谢雁鸣;田峰;申浩;姜俊杰;孙帅玲;章轶立;;中国中医基础医学杂志;20170628(06);第64-67页 * |
| 肾综合征出血热发病率的ANN预测模型;丁守銮, 王洁贞, 袁晓红;山东大学学报(医学版);20020430(02);第100-102页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112289442A (zh) | 2021-01-29 |
| CN109326353B (zh) | 2020-11-27 |
| CN109326353A (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112289442B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
| Reddy et al. | Predicting hospital readmission for lupus patients: An RNN-LSTM-based deep-learning methodology | |
| Kaushik et al. | AI in healthcare: time-series forecasting using statistical, neural, and ensemble architectures | |
| Che et al. | Recurrent neural networks for multivariate time series with missing values | |
| CN109378064B (zh) | 医疗数据处理方法、装置电子设备及计算机可读介质 | |
| Krishnan et al. | Deep kalman filters | |
| Pham et al. | Deepcare: A deep dynamic memory model for predictive medicine | |
| Suo et al. | A multi-task framework for monitoring health conditions via attention-based recurrent neural networks | |
| Xu et al. | A Bayesian nonparametric approach for estimating individualized treatment-response curves | |
| CN113196314B (zh) | 适配预测模型 | |
| Hartvigsen et al. | Adaptive-halting policy network for early classification | |
| Ma et al. | A general framework for diagnosis prediction via incorporating medical code descriptions | |
| Duggal et al. | Predictive risk modelling for early hospital readmission of patients with diabetes in India | |
| US20230342611A1 (en) | Systems and methods for time series analysis using attention models | |
| Deasy et al. | Dynamic survival prediction in intensive care units from heterogeneous time series without the need for variable selection or curation | |
| US20210375441A1 (en) | Using clinical notes for icu management | |
| CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
| Gennatas et al. | Artificial intelligence in medicine: past, present, and future | |
| Lee et al. | Recent context-aware lstm for clinical event time-series prediction | |
| He et al. | Neural network-based multi-task learning for inpatient flow classification and length of stay prediction | |
| Rahman et al. | Enhancing heart disease prediction using a self-attention-based transformer model | |
| Bhatt et al. | Analytical study on cardiovascular health issues prediction using decision model-based predictive analytic techniques | |
| US20200312432A1 (en) | Computer architecture for labeling documents | |
| US11727312B2 (en) | Generating personalized recommendations to address a target problem | |
| Ha et al. | Predicting high-risk prognosis from diagnostic histories of adult disease patients via deep recurrent neural networks |
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 |