CN112967816B - 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统 - Google Patents
一种急性胰腺炎器官衰竭预测方法、计算机设备和系统 Download PDFInfo
- Publication number
- CN112967816B CN112967816B CN202110454703.1A CN202110454703A CN112967816B CN 112967816 B CN112967816 B CN 112967816B CN 202110454703 A CN202110454703 A CN 202110454703A CN 112967816 B CN112967816 B CN 112967816B
- Authority
- CN
- China
- Prior art keywords
- patient
- time
- representing
- information
- characteristic
- 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 27
- 206010033645 Pancreatitis Diseases 0.000 title claims abstract description 25
- 206010033647 Pancreatitis acute Diseases 0.000 title claims abstract description 25
- 201000003229 acute pancreatitis Diseases 0.000 title claims abstract description 25
- 206010053159 Organ failure Diseases 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 22
- 210000004027 cell Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 8
- 206010030113 Oedema Diseases 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000001808 exosome Anatomy 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 208000009663 Acute Necrotizing Pancreatitis Diseases 0.000 description 1
- 208000003322 Coinfection Diseases 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010058096 Pancreatic necrosis Diseases 0.000 description 1
- 108010019160 Pancreatin Proteins 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940088598 enzyme Drugs 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 210000004923 pancreatic tissue Anatomy 0.000 description 1
- 229940055695 pancreatin Drugs 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 206010034674 peritonitis Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008673 vomiting 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
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
技术领域
本发明涉及神经网络领域,尤其涉及一种急性胰腺炎器官衰竭预测方法、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方法,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。
其中,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;
分别表示患者n的各个特征变量的向量;/>分别代表患者n的各个特征变量的采集时间的向量,/>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,/>分别代表患者n的各个特征变量采集的时间间隔的向量;xn′1,xn′2,…,xn′D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;
其中,表示患者n的各个特征的均值向量;/>表示采集点时间间隔,下标j代表某患者特征矩阵的行号,/>代表某行某个特征的具体的时间,/>代表某行某个特征是否缺失;
Γj=exp{-max(0,WrΔj+bΓ)} (8)
其中,把记为对xj′的衰减率,xj′表示第j个时间点的上一个时刻的特征值,记为对hj-1的衰减率,/>和/>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;
表示j时刻的特征d的值,其是由特征d的均值/>和上一时刻的特征值/>由衰减率/>加权而来,/>是向量Γj的分量,/>为第d个变量的第j次测量值是否缺失,/>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=(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),
kj=sin(WsSj+bs)+Cs (20)
其中,表示隐含层更新的中间量,/>表示经过时间门加权求和后得到的隐含层,/>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,/>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方法。
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,
Γj=exp{-max(0,WΓΔj+bΓ)} (8)
在公式(1)-(6)中,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。
分别表示患者n的各个特征变量的向量;/>分别代表患者n的各个特征变量的采集时间的向量,/>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,/>分别代表患者n的各个特征变量采集的时间间隔的向量;xn′1,xn′2,…,xn′D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。
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的具体计算方式,其中,下标j代表某患者特征矩阵的行号,/>代表某行某个特征的具体的时间,/>代表某行某个特征是否缺失。
公式(9)中,表示j时刻的特征d的值是由均值向量/>和上一时刻的特征值/>由衰减率/>加权而来。这里的/>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/>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/>记为对xj′的衰减率,/>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/>和/>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=(xjWxf+hj-1Whf+bf) (11)
cj=σ⊙cj-1+it⊙σ(xjWxc+hj-1Whc+bc) (12)
oj=σ(xjWxo+hj-1Who+bo) (1-3)
hj=oj⊙σ(cj) (14)
kj=sin(WsSj+bs)+Cs (20)
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,表示隐含层更新的中间量,/>表示经过时间门加权求和后得到的隐含层,/>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 (6)
1.一种急性胰腺炎诱发器官衰竭的预测方法,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;
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,
其中,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,每个患者的实数矩阵有不同的矩阵行数,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;
分别表示患者n的各个特征变量的向量;/>分别代表患者n的各个特征变量的采集时间的向量,/>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,/>分别代表患者n的各个特征变量采集的时间间隔的向量;xn′1,xn′2,…,xn′D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;
其中,表示患者n的各个特征的均值向量;δj (d)表示采集点时间间隔,下标j代表某患者特征矩阵的行号,sj (d)代表某行某个特征的具体的时间,/>代表某行某个特征是否缺失;
Γj=exp{-max(O,WΓΔj+bΓ)} (8)
其中,把记为对xj′的衰减率,xj′表示第j个时间点的上一个时刻的特征值,/>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,/>和/>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;
表示sj时刻的特征d的值,其是由特征d的均值/>和上一时刻的特征值/>由衰减率/>加权而来,/>是向量Γt的分量,/>为第d个变量的第j次测量值是否缺失,/>为sj时刻的特征d的原始值;
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) (1-4)
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;
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),
kj=sin(WsSj+bs)+Cs (20)
其中,表示隐含层更新的中间量,/>表示经过时间门加权求和后得到的隐含层,/>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,/>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;
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。
2.根据权利要求1所述的预测方法,其特征在于:Phased LSTM模型采用Adam算法进行反向传播求解。
3.根据权利要求2所述的预测方法,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。
4.根据权利要求1所述的预测方法,其特征在于:超参数信息包括神经元个数,隐含层层数。
5.一种计算机设备,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1-4任一项所述的预测方法。
6.一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5所述的计算机设备。
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 CN112967816A (zh) | 2021-06-15 |
CN112967816B true 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) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951845B (zh) * | 2021-12-01 | 2022-08-05 | 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 |
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 (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE535502C2 (sv) * | 2010-09-14 | 2012-08-28 | Calmark Sweden Ab | System och metod för att analysera risk eller förekomst av organsvikt |
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 |
-
2021
- 2021-04-26 CN CN202110454703.1A patent/CN112967816B/zh active Active
- 2021-04-28 WO PCT/CN2021/090728 patent/WO2022226843A1/zh active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (1)
Title |
---|
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;房龙;许颖颖;杜时雨;;中国医学前沿杂志(电子版)(第03期);138-142 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022226843A1 (zh) | 2022-11-03 |
CN112967816A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967816B (zh) | 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统 | |
Liestbl et al. | Survival analysis and neural nets | |
Brause | Medical analysis and diagnosis by neural networks | |
US7801839B2 (en) | Method for training a learning-capable system | |
Alirezaei et al. | A bi-objective hybrid optimization algorithm to reduce noise and data dimension in diabetes diagnosis using support vector machines | |
CN111243752A (zh) | 一种急性胰腺炎诱发器官衰竭的预测模型 | |
Saoud et al. | Using feature selection techniques to improve the accuracy of breast cancer classification | |
Sakinah et al. | LSTM with adam optimization-powered high accuracy preeclampsia classification | |
Djerioui et al. | Heart Disease prediction using MLP and LSTM models | |
WO2023025956A1 (en) | Method and system for deconvolution of bulk rna-sequencing data | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
Mostaar et al. | Use of artificial neural networks and PCA to predict results of infertility treatment in the ICSI method | |
Andini et al. | Utilization of rough sets method with optimization genetic algorithms in heart failure cases | |
Kanchanamala et al. | Heart disease prediction using hybrid optimization enabled deep learning network with spark architecture | |
CN116682565B (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
CN115565669A (zh) | 一种基于gan和多任务学习的癌症生存分析方法 | |
АБУБАКАР et al. | Analytical review of publications on machine learning methods in oncology and approach to evaluating their quality | |
Suganthi et al. | Effective heart disease prediction using distinct machine learning techniques | |
Wang et al. | AI-Based Optimal Treatment Strategy Selection for Female Infertility for First and Subsequent IVF-ET Cycles | |
Bamidele et al. | Survival model for diabetes mellitus patients’ using support vector machine | |
Feli et al. | An Intelligent Model for Prediction of In-Vitro Fertilization Success using MLP Neural Network and GA Optimization | |
Bhatia | Deep learning-based approach for thyroid dysfunction prediction | |
Rusyana et al. | Prediction Analysis Of Four Disease Risk Using Decision Tree C4. 5 | |
Fetić et al. | A practical implementation of machine learning in predicting breast cancer | |
Sekar et al. | Feature selection and weighing for case-based reasoning system using random forests |
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 |