CN112967816A - 一种用于急性胰腺炎器官衰竭预测的计算机设备和系统 - Google Patents

一种用于急性胰腺炎器官衰竭预测的计算机设备和系统 Download PDF

Info

Publication number
CN112967816A
CN112967816A CN202110454703.1A CN202110454703A CN112967816A CN 112967816 A CN112967816 A CN 112967816A CN 202110454703 A CN202110454703 A CN 202110454703A CN 112967816 A CN112967816 A CN 112967816A
Authority
CN
China
Prior art keywords
time
patient
representing
model
information
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.)
Granted
Application number
CN202110454703.1A
Other languages
English (en)
Other versions
CN112967816B (zh
Inventor
罗佳伟
兰蓝
周小波
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan 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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202110454703.1A priority Critical patent/CN112967816B/zh
Priority to PCT/CN2021/090728 priority patent/WO2022226843A1/zh
Publication of CN112967816A publication Critical patent/CN112967816A/zh
Application granted granted Critical
Publication of CN112967816B publication Critical patent/CN112967816B/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
    • G16H50/70—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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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

Abstract

本发明公开一种急性胰腺炎诱发器官衰竭的预测模型，包括以下步骤：S100、患者信息预处理，采用{Variables,Time}记录事件及时间节点；S200、按照时间的先后顺序对事件进行排序，采用Decay机制填补缺失值；S300、使用Embedding机制对数据进行one‑hot编码，映射到实向量空间中，对数据进行归一化后输入Phased LSTM模型，其中依据患者从入院到某一事件的时间节点这段间隔时间计算时间门输出，利用时间门的输出结果来加速模型训练过程，输出层的神经元为2，采用softmax函数作为激活函数。本发明能够处理异构的多维度数据以及能够灵活的使用时间信息，同时模型的判断也更接近于真实世界中对于疾病自然进程的一种刻画。

Description

一种用于急性胰腺炎器官衰竭预测的计算机设备和系统
技术领域
本发明涉及神经网络领域，尤其涉及一种用于急性胰腺炎器官衰竭预测的计算机设备和系统。
背景技术
急性胰腺炎为胰腺组织自身消化、水肿、出血甚至坏死的炎症反应，可由多种病因导致胰酶在胰腺内被激活后引起。临床上，急性胰腺炎以急性上腹痛、恶心、呕吐、发热和血胰酶增高等为特点。急性胰腺炎病变程度轻重不等，轻者以胰腺水肿为主，临床多见，病情常呈自限性，预后良好，又称为轻症急性胰腺炎。少数重者的胰腺出血坏死，常继发感染、腹膜炎和休克等，病死率高，称为重症急性胰腺炎。临床病理常把急性胰腺炎分为水肿型和出血坏死型两种。
重症急性胰腺炎进一步可能导致器官衰竭，一旦发生器官衰竭，对患者的救治会非常困难，因此，找到一种方法对急性胰腺炎导致的器官衰竭进行提前的预测并进行提前干预或预防就显得尤为重要。
中国发明专利申请“CN202010827820.3一种急性胰腺炎预后标志物、急性胰腺炎预后预测模型及其应用”提供了一种方法，通过检测患者血清外泌体中的标志物对急性胰腺炎进行预后，能够实现对器官衰竭等状况是否发生进行预测。然而，该专利申请中，对患者血清外泌体中的标志物进行检测，需要繁琐的检测工作和检测试剂盒，因而具有较高的成本，使得患者需要负担较高的经济压力。此外，也是因为检测工作麻烦和检测成本的原因，该方法只能在医生或患者认为必要的时候进行，无法持续地对患者的状况进行监控和实时预测，因而当患者病情恶化，器官衰竭可能性提高时，医生可能难以及时发现该情况。
发明内容
针对现有技术的缺陷，本发明提供一种用于急性胰腺炎器官衰竭预测的计算机设备和系统，目的在于：能够处理异构的多维度数据以及能够灵活的使用时间信息，同时使得急性胰腺炎器官衰竭预测模型的判断也更接近于真实世界中对于疾病自然进程的一种刻画。
一种急性胰腺炎诱发器官衰竭的预测模型，包括以下步骤：
S100、患者信息预处理，采用{Variables,Time}记录事件及时间节点；
S200、按照时间的先后顺序对事件进行排序，采用Decay机制填补缺失值；
S300、使用Embedding机制对数据进行one-hot编码，映射到实向量空间中，对数据进行归一化后输入Phased LSTM模型，
其中依据患者从入院到某一事件的时间节点这段间隔时间计算时间门输出，利用时间门的输出结果来加速模型训练过程，输出层的神经元为2，采用softmax函数作为激活函数。
优选的，步骤S200中，Decay机制具体体现为公式(1)～(9)，其作用为引入衰减率
Figure BDA0003040068970000021
对上一时刻的各指标观测值进行衰减，从而对目前时刻的缺失值进行填补。
Figure BDA0003040068970000022
Figure BDA0003040068970000023
Figure BDA0003040068970000024
Figure BDA0003040068970000025
Figure BDA0003040068970000026
其中，
Figure BDA0003040068970000027
表示行数为Tn，列数为D的实数矩阵，R是实数的记号，n是某一个患者的索引号，因为每个患者的实数矩阵可能有不同的矩阵行数，所以记为Tn；
Xn表示患者n的特征矩阵，Sn表示患者n的各特征采集的时间信息矩阵，Mn表示患者n的各特征是否缺失的指示矩阵，Δn表示患者n的各特征采集的时间间隔矩阵，X′n表示患者n的各特征在某采集时间点的上一个采集时间点的特征矩阵；
Figure BDA0003040068970000031
分别表示患者n的各个特征变量的向量；
Figure BDA0003040068970000032
分别代表患者n的各个特征变量的采集时间的向量，
Figure BDA0003040068970000033
分别代表患者n的各个特征变量采集时是否缺失的指示向量，
Figure BDA0003040068970000034
分别代表患者n的各个特征变量采集的时间间隔的向量；
Figure BDA0003040068970000035
分表表示患者n的各个特征变量在某个采集时间点的上一个采集时间点的特征信息的向量；
Figure BDA0003040068970000036
Figure BDA0003040068970000037
其中，
Figure BDA0003040068970000038
表示患者n的各个特征的均值向量；
Figure BDA0003040068970000039
表示采集点时间间隔，下标j代表某患者特征矩阵的行号，
Figure BDA00030400689700000310
代表某行某个特征的具体的时间，
Figure BDA00030400689700000311
代表某行某个特征是否缺失；
Γj＝exp{-max(0，WΓΔj+bΓ)} (8)
Figure BDA00030400689700000312
其中，把
Figure BDA00030400689700000313
记为对xj′的衰减率，xj′表示第j个时间点的上一个时刻的特征值，
Figure BDA00030400689700000314
记为对hj-1的衰减率，
Figure BDA00030400689700000315
和
Figure BDA00030400689700000316
统一记为Γj，WΓ为权重，bΓ为偏移，Δj为sj时刻的间隔时间信息；
Figure BDA00030400689700000317
表示j时刻的特征d的值，其是由特征d的均值
Figure BDA00030400689700000318
和上一时刻的特征值
Figure BDA00030400689700000319
由衰减率
Figure BDA00030400689700000320
加权而来，
Figure BDA00030400689700000321
是向量Γj的分量，
Figure BDA00030400689700000322
为第d个变量的第j次测量值是否缺失，
Figure BDA00030400689700000323
为sj时刻的特征d的原始值。
优选的，步骤S300中，对于Phased LSTM模型，其网络结构由公式(10)～公式(20)定义，
ij＝σ(xjWxi+hj-1Whi+bi) (10)
fj＝σ(xjWxf+hj-1Whf+bf) (11)
cj＝σ⊙cj-1+it⊙σ(xjWxc+hj-1Whc+bc) (12)
oj＝σ(xjWxo+hj-1Who+bo) (13)
hj＝oj⊙σ(cj) (14)
其中，i表示输入门，f表示遗忘门，c表示细胞状态，o表述输出门，σ表示sigmoid激活函数，W代表权重，b代表偏移，其下标代表权重和偏移的归属，下标j代表行号，⊙代表点乘运算，xj代表j行特征的值。
优选的，Γj对hj-1的衰减，以及时间门的计算和时间门对细胞状态和隐含层的影响的公式为公式(15)～公式(21)，
Figure BDA0003040068970000041
Figure BDA0003040068970000042
Figure BDA0003040068970000043
Figure BDA0003040068970000044
Figure BDA0003040068970000045
kj＝sin(WsSj+bs)+Cs (20)
Figure BDA0003040068970000046
其中，
Figure BDA0003040068970000047
表示隐含层更新的中间量，
Figure BDA0003040068970000048
表示经过时间门加权求和后得到的隐含层，
Figure BDA0003040068970000049
表示细胞状态更新的中间量，cj表示更新后的细胞状态，hj为更新后的隐含层，
Figure BDA00030400689700000410
记为对hj-1的衰减率，kj表示时间门，Ws，bs，Cs为周期函数的各项参数，L为模型的目标函数，N为每次迭代所使用的样本量，Tn为某患者的总测量次数，ynj表示某患者某一时刻的结局，pnj表示某患者某时刻的结局的预测概率。
优选的，Phased LSTM模型采用Adam算法进行反向传播求解。
优选的，Phased LSTM模型的超参数信息采用网格搜索法寻优，选出在验证集上表现最优的参数组合作为模型最终结果。
优选的，超参数信息包括神经元个数，隐含层层数。
优选的，所述事件包括患者入院后的用药信息、实验室检查信息、电子病历信息和放射系统的检查信息。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述预测模型。
本发明还提供一种急性胰腺炎诱发器官衰竭的预测系统，包括：
服务器，用于存储患者信息；
上述计算机设备。
本发明的模型无需专门进行相关医学测试，能够对急性胰腺炎患者日常的检测、治疗和用药等信息进行数据处理，处理后的数据可用于及时、准确预测患者发生器官衰竭的风险。本发明的有益效果包括：
1、本发明通过引入Decay机制，改进了以往由于异步采样变量所带来的缺失值填补方法，通过模型训练所得的衰减率γ能够使插值更接近真实情况。
2、通过引入Time gate，时间信息得以充分利用，使得对于时间敏感的预测任务能够达到更高精度。
3、本发明可以尽可能多的囊括病人的电子记录信息，增加模型的决策能力。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为本发明的模型概念图；
图2为本发明的技术细节图。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1急性胰腺炎诱发器官衰竭的预测模型
如图1、图2所示，本实施例整合患者入院后的用药信息，实验室检查信息，电子病历信息，放射系统的检查信息等，并统一整理成结构化数据的形式，保留各事件的时间节点信息，即{Variables,Time}；
按时间的先后顺序进行排序，缺失值填补采用Decay机制。在网络的输入层，对于类别型变量使用Embedding机制进行one-hot编码，然后再映射到合适维度的实向量空间中，数值事件值归一化后直接引入。
输入层连接Phased LSTM层，神经元个数采用超参数进行选择。
在Phased LSTM层中，依据患者从入院到某一事件的时间节点这段间隔时间计算时间门输出，利用时间门的输出结果来加速模型训练过程。输出层的神经元为2，采用softmax函数作为激活函数。
分别表示患者在未来7天内发生或者不发生器官衰竭的概率，损失函数采用交叉熵函数，具体技术细节请参考图2。
实际使用时，开发语言采用python3.5版本，涉及的包包括numpy、pytorch。首先把患者的用药数据、实验室检测数据、体温单数据等信息整理成{Variables,Time}的序列形式，
采用公式(1)-(9)对原始数据进行缺失值填补，
Figure BDA0003040068970000071
Figure BDA0003040068970000072
Figure BDA0003040068970000073
Figure BDA0003040068970000074
Figure BDA0003040068970000075
Figure BDA0003040068970000076
Figure BDA0003040068970000077
Γj＝exp{-max(0，WΓΔj+bΓ)} (8)
Figure BDA0003040068970000078
在公式(1)-(6)中，
Figure BDA0003040068970000079
表示行数为Tn，列数为D的实数矩阵，R是实数的记号，n是某一个患者的索引号，因为每个患者的实数矩阵可能有不同的矩阵行数，所以记为Tn，但所有患者的实数矩阵的列数肯定是一样的，所以D未带下标。Xn表示患者n的特征矩阵，Sn表示患者n的各特征采集的时间信息矩阵，Mn表示患者n的各特征是否缺失的指示矩阵，Δn表示患者n的各特征采集的时间间隔矩阵，X′n表示患者n的各特征在某采集时间点的上一个采集时间点的特征矩阵。
Figure BDA00030400689700000710
分别表示患者n的各个特征变量的向量；
Figure BDA00030400689700000711
分别代表患者n的各个特征变量的采集时间的向量，
Figure BDA00030400689700000712
分别代表患者n的各个特征变量采集时是否缺失的指示向量，
Figure BDA00030400689700000713
分别代表患者n的各个特征变量采集的时间间隔的向量；
Figure BDA00030400689700000714
分表表示患者n的各个特征变量在某个采集时间点的上一个采集时间点的特征信息的向量。
Figure BDA0003040068970000081
表示患者n的各个特征的均值向量。
公式(7)表示采集点时间间隔
Figure BDA0003040068970000082
的具体计算方式，其中，下标j代表某患者特征矩阵的行号，
Figure BDA0003040068970000083
代表某行某个特征的具体的时间，
Figure BDA0003040068970000084
代表某行某个特征是否缺失。
公式(9)中，
Figure BDA0003040068970000085
表示j时刻的特征d的值是由均值向量
Figure BDA0003040068970000086
和上一时刻的特征值
Figure BDA0003040068970000087
由衰减率
Figure BDA0003040068970000088
加权而来。这里的
Figure BDA0003040068970000089
是向量Γj的分量。根据公式(9)，利用时间信息Sn，缺失指示变量Mn，间隔时间信息Δn，将原始的特征矩阵Xn变成无缺失值的
Figure BDA00030400689700000810
衰减率有两种，一种是对xj′进行衰减，另外一种是对隐含层向量hj-1进行衰减，为了区分，把
Figure BDA00030400689700000811
记为对xj′的衰减率，
Figure BDA00030400689700000812
记为对hj-1的衰减率。他们的计算方式都是公式(8)所展示的方式，只是权重WΓ和偏移bΓ不同。为了简化，下文中没有特意区别
Figure BDA00030400689700000813
和
Figure BDA00030400689700000814
统一记为Γj。
Phased LSTM和核心前向过程计算参考公式(10)-(21)，
ij＝σ(xjWxi+hj-1Whi+bi) (10)
fj＝σ(xjWxf+hj-1Whf+bf) (11)
cj＝σ⊙cj-1+it⊙σ(xjWxc+hj-1Whc+bc) (12)
oj＝σ(xjWxo+hj-1Who+bo) (13)
hj＝oj⊙σ(cj) (14)
Figure BDA0003040068970000091
Figure BDA0003040068970000092
Figure BDA0003040068970000093
Figure BDA0003040068970000094
Figure BDA0003040068970000095
kj＝sin(WsSj+bs)+Cs (20)
Figure BDA0003040068970000096
公式(10)-(14)是LSTM模型的公式，其中i表示输入门，f表示遗忘门，c表示细胞状态，o表述输出门，σ表示sigmoid激活函数，W代表权重，b代表偏移，其下标代表权重和偏移的归属。⊙代表点乘运算。下标j代表行号。注意，在公式(10)-(14)中，xj和由公式(9)计算出来的各特征所组成的向量
Figure BDA0003040068970000097
等价，这里每一个特征矩阵的行号j都会有一个对应的时间sj，xj代表已经填补以后，没有缺失值的sj时刻的某患者的特征向量。
公式(15)-公式(21)中，
Figure BDA0003040068970000098
表示隐含层更新的中间量，
Figure BDA0003040068970000099
表示经过时间门加权求和后得到的隐含层,
Figure BDA00030400689700000910
表示细胞状态更新的中间量，cj表示更新后的细胞状态。Γj表示sj时刻的衰减率是由t时刻的间隔时间信息Δj的函数计算而来；其中WΓ表示权重，bΓ表示偏移。其他量与前述一致。kj表示时间门，通过周期函数kj＝sin(WsSj+bs)+Cs计算时间门，Ws,bs,Cs为周期函数的各项参数，在后向传播时同梯度下降法进行估计。公式(21)为模型的目标函数。N为每次迭代所使用的样本量，Tn为某患者的总测量次数，ynj表示某患者某一时刻的结局，pnj表示某患者某时刻的结局的预测概率。
公式(11)-(15)是LSTM网络结构，公式(16)-(20)阐述了
Figure BDA00030400689700000911
对hj-1的衰减，以及时间门的计算和时间门对细胞状态和隐含层的影响。公式(21)是模型的损失函数，在模型训练中用于前向过程的误差计算和后向过程的梯度计算。
优化算法采用Adam算法进行反向传播求解。
神经元个数，隐含层层数等超参数信息采用网格搜索法寻优，选出在验证集上表现最优的参数组合作为模型最终结果。
实施例2急性胰腺炎诱发器官衰竭的预测系统
本实施例提供一种急性胰腺炎诱发器官衰竭的预测系统，包括通过数据接口连接的服务器和计算机设备。
服务器，用于存储患者信息；
计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1中的预测模型。
通过上述实施例可见，本发明的模型无需专门进行相关医学测试，能够对急性胰腺炎患者日常的检测、治疗和用药等信息进行数据处理，处理后的数据可用于及时、准确预测患者发生器官衰竭的风险。

Claims (10)

1.一种急性胰腺炎诱发器官衰竭的预测模型，其特征在于包括以下步骤：
S100、患者信息预处理，采用{Variables,Time}记录事件及时间节点；
S200、按照时间的先后顺序对事件进行排序，采用Decay机制填补缺失值；
S300、使用Embedding机制对数据进行one-hot编码，映射到实向量空间中，对数据进行归一化后输入Phased LSTM模型，
其中依据患者从入院到某一事件的时间节点这段间隔时间计算时间门输出，利用时间门的输出结果来加速模型训练过程，输出层的神经元为2，采用softmax函数作为激活函数。
2.根据权利要求1所述的预测模型，其特征在于：步骤S200中，Decay机制具体体现为公式(1)～(9)，其作用为引入衰减率
Figure FDA0003040068960000011
对上一时刻的各指标观测值进行衰减，从而对目前时刻的缺失值进行填补，
Figure FDA0003040068960000012
Figure FDA0003040068960000013
Figure FDA0003040068960000014
Figure FDA0003040068960000015
Figure FDA0003040068960000016
其中，
Figure FDA0003040068960000017
表示行数为Tn，列数为D的实数矩阵，R是实数的记号，n是某一个患者的索引号，因为每个患者的实数矩阵可能有不同的矩阵行数，所以记为Tn；
Xn表示患者n的特征矩阵，Sn表示患者n的各特征采集的时间信息矩阵，Mn表示患者n的各特征是否缺失的指示矩阵，Δn表示患者n的各特征采集的时间间隔矩阵，X′n表示患者n的各特征在某采集时间点的上一个采集时间点的特征矩阵；
Figure FDA0003040068960000021
分别表示患者n的各个特征变量的向量；
Figure FDA0003040068960000022
分别代表患者n的各个特征变量的采集时间的向量，
Figure FDA0003040068960000023
分别代表患者n的各个特征变量采集时是否缺失的指示向量，
Figure FDA0003040068960000024
分别代表患者n的各个特征变量采集的时间间隔的向量；
Figure FDA00030400689600000218
分表表示患者n的各个特征变量在某个采集时间点的上一个采集时间点的特征信息的向量；
Figure FDA0003040068960000025
Figure FDA0003040068960000026
其中，
Figure FDA0003040068960000027
表示患者n的各个特征的均值向量；
Figure FDA0003040068960000028
表示采集点时间间隔，下标j代表某患者特征矩阵的行号，
Figure FDA0003040068960000029
代表某行某个特征的具体的时间，
Figure FDA00030400689600000210
代表某行某个特征是否缺失；
Γj＝exp{-max(0，WΓΔj+bΓ)} (8)
Figure FDA00030400689600000211
其中，把
Figure FDA00030400689600000212
记为对xj′的衰减率，xj′表示第j个时间点的上一个时刻的特征值，
Figure FDA00030400689600000213
记为对hj-1的衰减率，hj-1表示第j个时间点的隐含层状态，
Figure FDA00030400689600000214
和
Figure FDA00030400689600000215
统一记为Γj，WΓ为权重，bΓ为偏移，Δj为sj时刻的间隔时间信息；
Figure FDA00030400689600000216
表示sj时刻的特征d的值，其是由特征d的均值
Figure FDA00030400689600000217
和上一时刻的特征值
Figure FDA0003040068960000031
由衰减率
Figure FDA0003040068960000032
加权而来，
Figure FDA0003040068960000033
是向量Γt的分量，
Figure FDA0003040068960000034
为第d个变量的第j次测量值是否缺失，
Figure FDA0003040068960000035
为sj时刻的特征d的原始值。
3.根据权利要求1所述的预测模型，其特征在于：步骤S300中，对于Phased LSTM模型，其网络结构由公式(10)～公式(20)定义，
ij＝σ(xjWxi+hj-1Whi+bi) (10)
fj＝σ(xjWxf+hj-1Waf+bf) (11)
cj＝σ⊙cj-1+it⊙σ(xjWxc+hj-1Whc+bc) (12)
oj＝σ(xjWxo+hj-1Who+bo) (13)
hj＝oj⊙σ(cj) (14)
其中，i表示输入门，f表示遗忘门，c表示细胞状态，o表述输出门，σ表示sigmoid激活函数，W代表权重，b代表偏移，其下标代表权重和偏移的归属，下标j代表行号，⊙代表点乘运算，xj代表j行特征的值。
4.根据权利要求3所述的预测模型，其特征在于：Гj对hj-1的衰减，以及时间门的计算和时间门对细胞状态和隐含层的影响的公式为公式(15)～公式(21)，
Figure FDA0003040068960000036
Figure FDA0003040068960000037
Figure FDA0003040068960000038
Figure FDA0003040068960000039
Figure FDA00030400689600000310
kj＝sin(WsSj+bs)+Cs (20)
Figure FDA00030400689600000311
其中，
Figure FDA00030400689600000312
表示隐含层更新的中间量，
Figure FDA00030400689600000313
表示经过时间门加权求和后得到的隐含层，
Figure FDA00030400689600000314
表示细胞状态更新的中间量，cj表示更新后的细胞状态，hj为更新后的隐含层，
Figure FDA0003040068960000041
记为对hj-1的衰减率，kj表示时间门，Ws,bs,Cs为周期函数的各项参数，L为模型的目标函数，N为每次迭代所使用的样本量，Tn为某患者的总测量次数，ynj表示某患者某一时刻的结局，pnj表示某患者某时刻的结局的预测概率。
5.根据权利要求3或4所述的预测模型，其特征在于：Phased LSTM模型采用Adam算法进行反向传播求解。
6.根据权利要求5所述的预测模型，其特征在于：Phased LSTM模型的超参数信息采用网格搜索法寻优，选出在验证集上表现最优的参数组合作为模型最终结果。
7.根据权利要求1所述的预测模型，其特征在于：超参数信息包括神经元个数，隐含层层数。
8.根据权利要求1所述的预测模型，其特征在于：所述事件包括患者入院后的用药信息、实验室检查信息、电子病历信息和放射系统的检查信息。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一项所述的预测模型。
10.一种急性胰腺炎诱发器官衰竭的预测系统，包括：
服务器，用于存储患者信息；
权利要求9所述的计算机设备。
CN202110454703.1A 2021-04-26 2021-04-26 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统 Active CN112967816B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110454703.1A CN112967816B (zh) 2021-04-26 2021-04-26 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统
PCT/CN2021/090728 WO2022226843A1 (zh) 2021-04-26 2021-04-28 一种用于急性胰腺炎器官衰竭预测的计算机设备和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110454703.1A CN112967816B (zh) 2021-04-26 2021-04-26 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统

Publications (2)

Publication Number Publication Date
CN112967816A true CN112967816A (zh) 2021-06-15
CN112967816B CN112967816B (zh) 2023-08-15

Family

ID=76281240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110454703.1A Active CN112967816B (zh) 2021-04-26 2021-04-26 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统

Country Status (2)

Country Link
CN (1) CN112967816B (zh)
WO (1) WO2022226843A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113903460A (zh) * 2021-12-10 2022-01-07 中国医学科学院北京协和医院 一种预测重症急性胰腺炎的系统及其应用
CN113951845A (zh) * 2021-12-01 2022-01-21 中国人民解放军总医院第一医学中心 创伤严重失血伤情预测方法与系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298947B (zh) * 2023-03-07 2023-11-03 中国铁塔股份有限公司黑龙江省分公司 一种蓄电池核容监测装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130171678A1 (en) * 2010-09-14 2013-07-04 Calmark Sweden Ab System and method for analyzing risk or presence of organ failure
CN109493933A (zh) * 2018-08-08 2019-03-19 浙江大学 一种基于注意力机制的不良心血管事件的预测装置
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
CN110289096A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于深度学习的icu院内死亡率预测方法
KR20190115330A (ko) * 2018-04-02 2019-10-11 주식회사 씨씨앤아이리서치 만성 호흡기 질환의 급성 악화 예측용 애플리케이션
WO2019208998A1 (ko) * 2018-04-27 2019-10-31 한국과학기술원 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계
EP3620983A1 (en) * 2018-09-05 2020-03-11 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
CN110881969A (zh) * 2019-11-27 2020-03-17 太原理工大学 一种基于Stacking集成学习的心力衰竭预警方法
CN111081377A (zh) * 2020-01-16 2020-04-28 四川大学 一种坏死性急性胰腺炎患者手术时机预测模型
CN111243752A (zh) * 2020-01-16 2020-06-05 四川大学华西医院 一种急性胰腺炎诱发器官衰竭的预测模型
WO2020115487A1 (en) * 2018-12-07 2020-06-11 Oxford University Innovation Limited Method and data processing apparatus for generating real-time alerts about a patient
CN111581339A (zh) * 2020-04-09 2020-08-25 天津大学 基于树状lstm对生物医学文献的基因事件的抽取方法
CN112420201A (zh) * 2020-11-25 2021-02-26 哈尔滨工业大学 用于icu死亡率预测的深度级联框架和icu死亡率预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102225278B1 (ko) * 2020-01-31 2021-03-10 주식회사 스탠다임 질의되는 개체와 관련되는 질병, 유전자 또는 단백질을 예측하는 방법 및 이를 이용하여 구축되는 예측 시스템

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130171678A1 (en) * 2010-09-14 2013-07-04 Calmark Sweden Ab System and method for analyzing risk or presence of organ failure
KR20190115330A (ko) * 2018-04-02 2019-10-11 주식회사 씨씨앤아이리서치 만성 호흡기 질환의 급성 악화 예측용 애플리케이션
WO2019208998A1 (ko) * 2018-04-27 2019-10-31 한국과학기술원 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계
CN109493933A (zh) * 2018-08-08 2019-03-19 浙江大学 一种基于注意力机制的不良心血管事件的预测装置
EP3620983A1 (en) * 2018-09-05 2020-03-11 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
WO2020115487A1 (en) * 2018-12-07 2020-06-11 Oxford University Innovation Limited Method and data processing apparatus for generating real-time alerts about a patient
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
CN110289096A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于深度学习的icu院内死亡率预测方法
CN110881969A (zh) * 2019-11-27 2020-03-17 太原理工大学 一种基于Stacking集成学习的心力衰竭预警方法
CN111081377A (zh) * 2020-01-16 2020-04-28 四川大学 一种坏死性急性胰腺炎患者手术时机预测模型
CN111243752A (zh) * 2020-01-16 2020-06-05 四川大学华西医院 一种急性胰腺炎诱发器官衰竭的预测模型
CN111581339A (zh) * 2020-04-09 2020-08-25 天津大学 基于树状lstm对生物医学文献的基因事件的抽取方法
CN112420201A (zh) * 2020-11-25 2021-02-26 哈尔滨工业大学 用于icu死亡率预测的深度级联框架和icu死亡率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘燕德;: "基于注意力LSTM网络的电力线路故障智能检测", 中国有线电视, no. 06, pages 37 - 40 *
房龙;许颖颖;杜时雨;: "血清白介素-6检测联合序贯器官衰竭评估和多器官功能障碍评分预测高脂血症性急性胰腺炎严重程度及预后的临床价值", 中国医学前沿杂志(电子版), no. 03, pages 138 - 142 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113951845A (zh) * 2021-12-01 2022-01-21 中国人民解放军总医院第一医学中心 创伤严重失血伤情预测方法与系统
CN113903460A (zh) * 2021-12-10 2022-01-07 中国医学科学院北京协和医院 一种预测重症急性胰腺炎的系统及其应用

Also Published As

Publication number Publication date
CN112967816B (zh) 2023-08-15
WO2022226843A1 (zh) 2022-11-03

Similar Documents

Publication Publication Date Title
CN112967816A (zh) 一种用于急性胰腺炎器官衰竭预测的计算机设备和系统
CN106778014B (zh) 一种基于循环神经网络的患病风险预测建模方法
US5893069A (en) System and method for testing prediction model
US7801839B2 (en) Method for training a learning-capable system
US20210233658A1 (en) Identifying Relevant Medical Data for Facilitating Accurate Medical Diagnosis
Putter et al. Tutorial in biostatistics: competing risks and multi‐state models
Wright A systematist’s guide to estimating Bayesian phylogenies from morphological data
Šíma Neural expert systems
CN115862848B (zh) 基于临床数据筛选和医学知识图谱的疾病预测系统和装置
Adams Bayesian analysis of linear dominance hierarchies
CN111243752A (zh) 一种急性胰腺炎诱发器官衰竭的预测模型
CN111081377A (zh) 一种坏死性急性胰腺炎患者手术时机预测模型
CN116598014A (zh) 基于图注意力机制和语言大模型的医疗缺失数据补全方法
Cui et al. Medskim: Denoised health risk prediction via skimming medical claims data
Ahmed et al. Improved Barnacle Mating Optimizer-based least square support vector machine to predict COVID-19 confirmed cases with total vaccination
US20040106113A1 (en) Prediction of estrogen receptor status of breast tumors using binary prediction tree modeling
Pantazis et al. Analyzing longitudinal data in the presence of informative dropout: The jmre1 command
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质
Debray et al. Dealing with missing data in an IPD meta‐analysis
CN107644147A (zh) 从多个结果确定充分原因的系统和方法
Yazid et al. Clinical pathway variance prediction using artificial neural network for acute decompensated heart failure clinical pathway
Dey et al. Deep Greedy Network: a tool for medical diagnosis on exiguous dataset of COVID-19
Irani et al. Using artificial neural nets for statistical discovery: Observations after using back-propagation, expert systems, and multiple-linear regression on clinical trial data
US20230085062A1 (en) Generating a recommended periodic healthcare plan
Mani et al. A simulation study of three related causal data mining algorithms

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