CN112331350A - 一种重症监护病房提早转入预测方法、系统及存储介质 - Google Patents

一种重症监护病房提早转入预测方法、系统及存储介质 Download PDF

Info

Publication number
CN112331350A
CN112331350A CN202011094477.2A CN202011094477A CN112331350A CN 112331350 A CN112331350 A CN 112331350A CN 202011094477 A CN202011094477 A CN 202011094477A CN 112331350 A CN112331350 A CN 112331350A
Authority
CN
China
Prior art keywords
subsequence
early
intensive care
care unit
prediction
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.)
Pending
Application number
CN202011094477.2A
Other languages
English (en)
Inventor
赵淦森
赵磊
余达明
吴清蓝
彭璟
李双印
林成创
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202011094477.2A priority Critical patent/CN112331350A/zh
Publication of CN112331350A publication Critical patent/CN112331350A/zh
Pending legal-status Critical Current

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
    • G16H50/70—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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种重症监护病房提早转入预测方法、系统及存储介质，方法包括：获取历史数据，获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，训练分类器得到训练好的模型；利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。本发明挑选出具有提早分类能力的子序列输入模型，而且本发明采用的带标签的数据集合包括异步多元时间序列，使用了具有异步性的时间序列，使得训练好的模型具有不失异步性，而且具有效果很好的提早预测转入重症监护病房的能力。本发明可广泛应用于医疗数据挖掘领域。

Description

一种重症监护病房提早转入预测方法、系统及存储介质
技术领域
本发明涉及医疗数据挖掘领域，尤其涉及一种重症监护病房提早转入预测方法、系统及存储介质。
背景技术
随着智能医疗的不断研究探索和快速发展，医学智能诊断成为智能医疗的重要内容。医学智能诊断可以辅助医生诊断，提高医生的工作效率，同时降低漏诊和误诊的风险。其中重症监护病房(ICU)预测任务在医学智能诊断中的重要性一直受到研究者的关注，它通过监测患者的生理和生命体征来判断患者病情是否恶化，进而判断是否需要及时转入重症监护病房(ICU)。但在实际情况中，患者的生理体征数据基本上是一个异步多元(或异步多变量)的时间序列，异步即各项生理体征的测量是相互独立的，而不是在同一时间且同一间隔下测量得到；多元是指患者的生理体征包括体温、呼吸、心率等多种变量。若智能诊断过程中能够综合考虑患者生理体征数据、预测目标和实际情景等因素，尽早预测出患者的病情，从而避免ICU转诊延误，最终减少因为延迟入住ICU而导致的高死亡率和额外的资源消耗。
目前在ICU转移预测上，现有技术主要为基于离散型数据和连续性数据进行建模并预测，而ICU转移预测任务在数据上、目标上和场景上都有自己的独特性，这些独特性使得现有的研究技术存在以下一些问题：
基于离散性数据的现有技术将不同时段所测得的患者的各项生理体征数据当成一个个离散的点，在模型训练和预测时忽视了测量点的时间维度信息，因此不能对不完整的信息提前做出决策判断，并且不具有可解释性；而基于连续性数据的现有技术主要针对单变量或少量针对同步多变量的时间序列分类，无法直接对异步多变量的时间序列进行建模，且即使对该类时间序列进行处理后再建模，也会引起额外的数据误差，从而造成预测效果降低。因此，现有的ICU转移预测技术中很难直接针对异步多变量的时间序列建立一个具有可解释性的模型来供医生提前做出决策判断，进而减少患者的死亡率。
发明内容
为了解决上述技术问题，本发明的目的是提供一种效果好的，具有异步性的重症监护病房提早转入预测方法、系统及存储介质。
本发明提出了一种重症监护病房提早转入预测方法，包括以下步骤：
获取历史数据，对历史数据进行数据处理，获取带标签的数据集合；
获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；
利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
在本发明的一些实施例中，所述获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型这一步骤，包括以下步骤：
获取所述带标签的数据集合中，异步多元时间序列的子序列；
计算所述子序列间的距离，所述距离包括子序列间的距离和序列到子序列的距离；
从子序列中选择出具有提早分类能力的子序列；
采用所述具有提早分类能力的子序列训练分类器模型。
在本发明的一些实施例中，所述采用所述具有提早分类能力的子序列训练分类器模型这一步骤，还包括以下步骤：
构建二叉树模型，结合所述具有提早分类能力的子序列进行模型训练；
构建随机森林模型，结合所述具有提早分类能力的子序列进行模型训练。
在本发明的一些实施例中，所述获取所述带标签的数据集合中，异步多元时间序列的子序列这一步骤，包括以下步骤：
采用最大时间偏移容忍，限制所述异步多元时间序列的子序列在各个维度上的时间不统一现象；
采用预设的长度要求，限制所述异步多元时间序列的子序列的长度；
采用子序列层次查找的方法，搜索满足时间和长度要求的子序列。
在本发明的一些实施例中，所述从子序列中选择出具有提早分类能力的子序列这一步骤，还包括以下步骤：
根据所述子序列的信息增益，挑选信息增益大的子序列，得到候选子序列；
采用聚类方法，从所述候选子序列中，获取最优子序列，作为具有提早分类能力的子序列。
在本发明的一些实施例中，所述利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者这一步骤，还包括以下步骤：
获取住院患者预设测量时刻的体征数据；
将所述体征数据输入所述训练好的模型进行预测，根据模型预测结果，若预测结果为需要进入ICU，则将结果告知医护人员并停止预测；反之，预测结果为不需要进入ICU，则获取患者留院状态；
根据所述患者留院状态，若患者留院状态改变，则停止对该患者的预测，反之，患者留院状态不变，则等待到下一预设测量时刻进行预测。
在本发明的一些实施例中，所述从子序列中选择出具有提早分类能力的子序列这一步骤，还包括以下步骤：
计算所述候选子序列信息增益，获取第一预设数目的信息增益最大的子序列；
从所述信息增益最大的子序列中，计算相对位置，获取相对位置最低的子序列作为具有提早分类能力的子序列，所述相对位置的计算公式为：
Figure BDA0002723277480000031
其中，local为相对位置，ts为子序列最晚测量点对应的Unix时间戳，t1为所述子序列所在的时间序列开始测量的Unix时间戳，t2为所述子序列所在的时间序列结束测量的Unix时间戳。
本发明还提出了一种重症监护病房提早转入预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述的一种重症监护病房提早转入预测方法。
本发明还提出了一种重症监护病房提早转入预测系统，包括：
数据处理模块，用于获取历史数据，对历史数据进行数据处理，获取带标签的数据集合；
模型训练模块，用于获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；
在线预测模块，用于利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
本发明还提出了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述的一种重症监护病房提早转入预测方法。
上述本发明的实施例中的一个或多个技术方案具有如下优点：本发明挑选出具有提早分类能力的子序列输入模型，使得训练好的模型具有了提早预测转入重症监护病房的能力，而且本发明采用的带标签的数据集合包括异步多元时间序列，使用了具有异步性的时间序列，使得训练好的模型具有不失异步性，而且具有效果很好的提早预测转入重症监护病房的能力。
附图说明
图1是本发明一种重症监护病房提早转入预测方法的流程示意图；
图2是本发明一种重症监护病房提早转入预测方法的一个实施例中，患者在各个时间的体温和呼吸率所得的二维异步时间序列的某个局部子序列的示意图；
图3是本发明一种重症监护病房提早转入预测方法，使用训练好的模型对实时临床数据进行预测分类的步骤流程图；
图4是本发明一种重症监护病房提早转入预测系统的结构示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行详细描述。
参考图1，一种重症监护病房提早转入预测方法，包括以下步骤：
S1：获取历史数据，对历史数据进行数据处理，获取带标签的数据集合；
S2：获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；
S3：利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
在步骤S1中，获取历史数据，对历史数据进行数据处理，获取带标签的数据集合。其中，对历史数据进行的数据处理包括但不限于数据异常处理、是虚化处理、归一化处理，历史数据可以采用已经带有数据标签的历史数据。在本发明的一些实施例中，步骤S1完成数据库数据到带标签的异步多元时间序列集合D＝{T1,T2,…,Tn}的转换。
在步骤S2中，获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；该步骤还包含以下步骤：
S201：获取所述带标签的数据集合中，异步多元时间序列的子序列；其中，异步多变量时间序列的一个表示为：Tasyn＝{ts1,ts2,…,tsn}，而该序列的某个子序列S可表示为：
Figure BDA0002723277480000041
其中，c表示c个被测量的指标，即为子序列和原序列的维度。
在获取子序列的过程中，由于各指标的测量间隔不一定相同，这是由于各项生理体征的测量是相互独立的。因此本方案采用最大时间偏移容忍，对子序列各个维度在数据采集上的时间不统一现象进行限制和容忍，异步多变量时间子序列满足的时间要求为：
max{tmax1,tmax2,…,tmaxc}-min{tmax1,tmax2,…,tmaxc}≤δ
max{tmin1,tmin2,…,tminc}-min{tmin1,tmin2,…,tminc}≤δ
其中，{tmax1,tmax2,…,tmaxc}为所述子序列S中各个维度的最大测量时间，δ为最大时间偏移容忍，{tmin1,tmin2,…,tminc}为所述子序列S中各个维度的最小测量时间，max{}表示取最大值函数，min{}表示取最小值函数。
如图2所示，在本发明的一个实施例中，测量一个患者在各个时间的体温和呼吸率所得的二维异步时间序列的某个局部子序列，该子序列即可满足上述条件，其中长度为4。
由于采用蛮力算法对子序列集合进行筛选，搜索空间占用大，效率低下。本方案采用子序列层次查找的方法，一层一层下去搜索满足时间和长度要求的各维度子序列，然后它们共同组成异步多变量时间序列的子序列；利用层次查找，增加对每一层次的时间属性限制，快速过滤掉不符合最大时间偏移容忍的搜索空间，达到剪枝的效果，加快搜索速度。
S202：计算所述子序列间的距离，所述距离包括子序列间的距离和序列到子序列的距离；在本发明的一个实施例中，获取两个子序列A和子序列B，则获取A和B之间的子序列间的距离公式为：
Figure BDA0002723277480000051
其中，c为子序列A和B的维度，distSub(A,B)为实施例的子序列A，B间的距离，而其中各个维度的长度为{l1,l2,…,lc}，本方案在公式中采用乘以各自维度长度的倒数的方式，平衡各维度长度权重。
序列到子序列的距离采用的公式为：
Figure BDA0002723277480000052
其中，dist(T,S)为本实施例的时间序列T和子序列S的最小距离，getSub(Ti)表示{S1,S2,…,Sn}，min{}表示最小值函数。由于时间序列T的各维度长度与子序列S的各维度长度并不相同，因此采用如上的公式获取时间序列T中的所有序列到子序列S的最小距离，将该最小距离作为时间序列T和子序列S之间的距离。
S203：从子序列中选择出具有提早分类能力的子序列；所述具有提早分类能力的子序列命名为shapelet，可以分辨出特定类型的样本。
由于信息增益是特征选择的一个重要指标，它定义为一个特征能够为分类系统带来多少信息，带来的信息越多，说明该特征越重要，相应的信息增益也就越大。因此本方案中计算各个候选子序列的信息增益，然后选择topN％的高信息增益的候选子序列。topN％是一个预设的动态调整分类效果和提早时间的阈值的参数，在本方案中，topN％减少，会提发哦方法的分类效果，topN％增加，则会增强方法的提早预测能力。
本方案中，从时间序列的时间先后顺序出发，由于某个子序列在原序列中的相对位置可以表示该序列被测量的时间早晚，因此对子序列定义相对位置属性，公式为：
Figure BDA0002723277480000061
其中，local为相对位置，ts为子序列最晚测量点对应的Unix时间戳，t1为所述子序列所在的时间序列开始测量的Unix时间戳，t2为所述子序列所在的时间序列结束测量的Unix时间戳。
本方案中，在选择topN％的高信息增益的候选子序列后，再从所述候选子序列中选取local属性最低的子序列作为具有提早分类能力的子序列，即shapelet。
S204：采用所述具有提早分类能力的子序列训练分类器模型。
本方案中，参考随机森林的思想，实现MEShapelet森林模型。所述MEShapelet为本方法的一个名称，MEShapelet森林模型中包括很多单树。其中MEShapelet单树的节点属性，与普通的二叉树相比，除了包含有常见的左节点left和右节点right以外，还记录了该节点的shapelet、对应的分割点和树节点的分类概率值。在采用具有提早分类能力的子序列训练分类器模型的过程中，将训练数据抽样分为训练集和验证集，在训练数据集上得到的模型用在验证集上，通过计算验证结果的f1值。其中fl值为广泛应用于评价二分类模型的精确度，具有兼顾准确率和召回率的特点。该fl值可以用于衡量所述森林模型中，其中一个单树模型的提早分类能力，可作为这个单树模型的权重，fl值高的决策树投票权重大，fl值低的决策树投票权重小，可以进一步提升森林的分类能力。
在步骤S3中，利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
参考图3，利用步骤S2中训练好的模型对实时临床数据进行预测分类的步骤流程图。
S301：获取住院患者预设测量时刻的体征数据；
S302：将所述体征数据输入所述训练好的模型进行预测，根据模型预测结果，若预测结果为需要进入ICU，则将结果告知医护人员并停止预测；反之，预测结果为不需要进入ICU，则获取患者留院状态；
S303：根据所述患者留院状态，若患者留院状态改变，则停止对该患者的预测，反之，患者留院状态不变，则等待到下一预设测量时刻进行预测。
其中，在使用训练好的模型进行预测时，采用构建的森林模型中每个二叉树对待预测序列进行预测，而每棵树节点的内容就是一个shapelet和对应的分割阈值threshold，树的每个节点利用一个shapelet及其对应的分割阈值threshold进行决策分类，最终得到每棵树的预测概率，然后根据每棵树的权重，对预测结果进此加权平均，得到最终的预测概率，并根据所述预测概率得到预测结果，根据步骤S302判断患者是否转入ICU。
本发明还提出了一种重症监护病房提早转入预测系统，用于实现所述的重症监护病房提早转入预测方法，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述的一种重症监护病房提早转入预测方法。
参考图4，为了实现所述的重症监护病房提早转入预测方法，本发明还提出了一种重症监护病房提早转入预测系统，包括：
数据处理模块，用于获取历史数据，对历史数据进行数据处理，获取带标签的数据集合；
模型训练模块，用于获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；
在线预测模块，用于利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
本发明还提出了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述的一种重症监护病房提早转入预测方法。
综上所述，相较于现有技术，本发明具有以下优点：
(1)本发明在建立模型的过程中，使用异步多变量时间序列数据，不需要进行对齐和插值，可以保留时间序列的异步性。
(2)本发明考虑到序列的相对位置因素，挑选并得到具有提早分类能力的子序列作为具有提早分类能力的子序列，从而实现模型对于转入重症监护病房的提早预测。
(3)本发明在构建提早预测的模型时采用了二叉树模型相关的决策树模型，决策树具有天然的可解释性，Shapelet方法提取的特征可以体现出整条序列的局部变化模式，也具有可解释性，因此本发明的方法具有强可解释性。
(4)本发明引入广泛应用于评价二分类模型的精确度的fl值，对模型中单树模型的权重进行调整，进一步提升了模型的分类能力。
(5)本发明采用子序列层次查找的方法对子序列集合进行筛选处理，快速过滤掉不符合要求的搜索空间，达到剪枝的效果，加快了搜索的速度。
对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种重症监护病房提早转入预测方法，其特征在于，包括以下步骤：
获取历史数据，对历史数据进行数据处理，获取带标签的数据集合，所述带标签的数据集合包括异步多元时间序列；
获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；
利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
2.根据权利要求1所述的一种重症监护病房提早转入预测方法，其特征在于：所述获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型这一步骤，包括以下步骤：
获取所述带标签的数据集合中，异步多元时间序列的子序列；
计算所述子序列间的距离，所述距离包括子序列间的距离和序列到子序列的距离；
从子序列中选择出具有提早分类能力的子序列；
采用所述具有提早分类能力的子序列训练分类器模型。
3.根据权利要求2所述的一种重症监护病房提早转入预测方法，其特征在于：所述采用所述具有提早分类能力的子序列训练分类器模型这一步骤，还包括以下步骤：
构建二叉树模型，结合所述具有提早分类能力的子序列进行模型训练；
构建随机森林模型，结合所述具有提早分类能力的子序列进行模型训练。
4.根据权利要求2所述的一种重症监护病房提早转入预测方法，其特征在于：所述带标签的数据集合包括异步多元时间序列，
所述获取所述带标签的数据集合中，异步多元时间序列的子序列这一步骤，包括以下步骤：
采用最大时间偏移容忍，限制所述异步多元时间序列的子序列在各个维度上的时间不统一现象；
采用预设的长度要求，限制所述异步多元时间序列的子序列的长度；
采用子序列层次查找的方法，搜索满足时间和长度要求的子序列。
5.根据权利要求2所述的一种重症监护病房提早转入预测方法，其特征在于：所述从子序列中选择出具有提早分类能力的子序列这一步骤，还包括以下步骤：
根据所述子序列的信息增益，挑选信息增益大的子序列，得到候选子序列；
采用聚类方法，从所述候选子序列中，获取最优子序列，作为具有提早分类能力的子序列。
6.根据权利要求1所述的一种重症监护病房提早转入预测方法，其特征在于：所述利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者这一步骤，还包括以下步骤：
获取住院患者预设测量时刻的体征数据；
将所述体征数据输入所述训练好的模型进行预测，根据模型预测结果，若预测结果为需要进入ICU，则将结果告知医护人员并停止预测；反之，预测结果为不需要进入ICU，则获取患者留院状态；
根据所述患者留院状态，若患者留院状态改变，则停止对该患者的预测，反之，患者留院状态不变，则等待到下一预设测量时刻进行预测。
7.根据权利要求5所述的一种重症监护病房提早转入预测方法，其特征在于：所述从子序列中选择出具有提早分类能力的子序列这一步骤，还包括以下步骤：
计算所述候选子序列信息增益，获取第一预设数目的信息增益最大的子序列；
从所述信息增益最大的子序列中，计算相对位置，获取相对位置最低的子序列作为具有提早分类能力的子序列，所述相对位置的计算公式为：
Figure FDA0002723277470000021
其中，local为相对位置，ts为子序列最晚测量点对应的Unix时间戳，t1为所述子序列所在的时间序列开始测量的Unix时间戳，t2为所述子序列所在的时间序列结束测量的Unix时间戳。
8.一种重症监护病房提早转入预测系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种重症监护病房提早转入预测方法。
9.一种重症监护病房提早转入预测系统，其特征在于：包括：
数据处理模块，用于获取历史数据，对历史数据进行数据处理，获取带标签的数据集合，所述带标签的数据集合包括异步多元时间序列；
模型训练模块，用于获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；
在线预测模块，用于利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7中任一项所述的一种重症监护病房提早转入预测方法。
CN202011094477.2A 2020-10-14 2020-10-14 一种重症监护病房提早转入预测方法、系统及存储介质 Pending CN112331350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094477.2A CN112331350A (zh) 2020-10-14 2020-10-14 一种重症监护病房提早转入预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094477.2A CN112331350A (zh) 2020-10-14 2020-10-14 一种重症监护病房提早转入预测方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN112331350A true CN112331350A (zh) 2021-02-05

Family

ID=74314163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094477.2A Pending CN112331350A (zh) 2020-10-14 2020-10-14 一种重症监护病房提早转入预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112331350A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842330A (zh) * 2023-08-31 2023-10-03 庆云县人民医院 一种可对比历史记录的保健信息处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110389975A (zh) * 2019-08-01 2019-10-29 中南大学 基于shapelet的时间序列早期分类方法及设备
CN111261282A (zh) * 2020-01-21 2020-06-09 南京航空航天大学 一种基于机器学习的脓毒症早期预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110389975A (zh) * 2019-08-01 2019-10-29 中南大学 基于shapelet的时间序列早期分类方法及设备
CN111261282A (zh) * 2020-01-21 2020-06-09 南京航空航天大学 一种基于机器学习的脓毒症早期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LEI ZHAO ET AL.: "Asynchronous Multivariate Time Series Early Prediction for ICU Transfer", ICIMH 2019, pages 3 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842330A (zh) * 2023-08-31 2023-10-03 庆云县人民医院 一种可对比历史记录的保健信息处理方法及装置
CN116842330B (zh) * 2023-08-31 2023-11-24 庆云县人民医院 一种可对比历史记录的保健信息处理方法及装置

Similar Documents

Publication Publication Date Title
Truong et al. Selective review of offline change point detection methods
Zhao et al. Learning from heterogeneous temporal data in electronic health records
Acharjya A hybrid scheme for heart disease diagnosis using rough set and cuckoo search technique
Viton et al. Heatmaps for visual explainability of cnn-based predictions for multivariate time series with application to healthcare
Huang et al. Multivariate time series early classification using multi-domain deep neural network
CN111696661A (zh) 患者分群模型构建方法、患者分群方法及相关设备
CN114218292A (zh) 一种多元时间序列相似性检索方法
CN115359873B (zh) 用于手术质量的控制方法
Mercer et al. Matrix profile xxiii: Contrast profile: A novel time series primitive that allows real world classification
Rattan et al. Artificial intelligence and machine learning: what you always wanted to know but were afraid to ask
Karrar The effect of using data pre-processing by imputations in handling missing values
Anderies et al. Prediction of heart disease UCI dataset using machine learning algorithms
CN112331350A (zh) 一种重症监护病房提早转入预测方法、系统及存储介质
CN112818148A (zh) 视觉检索的排序优化方法、装置、电子设备及存储介质
Yousefi Comparison of the performance of machine learning algorithms in predicting heart disease
Nagavci et al. Review of prediction of disease trends using big data analytics
Alshaer et al. Detecting anomalies from streaming time series using matrix profile and shapelets learning
Li et al. A privacy-preserving group decision making expert system for medical diagnosis based on dynamic knowledge base
Goyal et al. Clinically meaningful comparisons over time: An approach to measuring patient similarity based on subsequence alignment
Rajmohan et al. G-Sep: A Deep Learning Algorithm for Detection of Long-Term Sepsis Using Bidirectional Gated Recurrent Unit
CN114090813A (zh) 基于多通道特征融合的变分自编码器平衡哈希遥感图像检索方法
Dhamala et al. Multivariate time-series similarity assessment via unsupervised representation learning and stratified locality sensitive hashing: Application to early acute hypotensive episode detection
CN113066544A (zh) 基于CAA-Net与LightGBM的FVEP特征点检测方法
Ramanujam et al. Multi-objective genetic motif discovery technique for time series classification
Poornima et al. Optimized Feed Forward Neural Network For Classification Of Diabetes In Big Data Environment.

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