CN113053530B - 一种医疗时序数据综合信息提取方法 - Google Patents
一种医疗时序数据综合信息提取方法 Download PDFInfo
- Publication number
- CN113053530B CN113053530B CN202110404818.XA CN202110404818A CN113053530B CN 113053530 B CN113053530 B CN 113053530B CN 202110404818 A CN202110404818 A CN 202110404818A CN 113053530 B CN113053530 B CN 113053530B
- Authority
- CN
- China
- Prior art keywords
- time step
- time
- medical
- steps
- output
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000003993 interaction Effects 0.000 claims abstract description 25
- 230000036541 health Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 13
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001186 cumulative effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 150000004715 keto acids Chemical class 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G16H50/50—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
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种医疗时序数据综合信息提取方法，属于人工智能数据处理技术领域。包括以下步骤：获取医疗时序特征矩阵
对X进行动态建模获得累积表示
对每个时间步长的输出和最后一个时间步长的输出进行交互获得各时间步长的交互结果
对每个时间步长与最后一个时间步长的交互分配注意力权重
通过将
与
做乘加运算汇总所有时间步长与最后一个时间步长交互后的总体表示
将
与
拼接对X进行全面建模
本发明能够很好的对时间步长之间的交互进行建模，从而更有效的学习患者动态变化的健康状况，而且这些变化都是因人而异的，通过注意力机制区分不同交互的重要性，由此可提供更全面表示患者EMR数据的能力、可获得更好的分析性能并提供细粒度的医学分析结果。
Description
技术领域
本发明涉及一种数据处理方法，特别涉及一种医疗时序数据综合信息提取方法，属于人工智能数据处理技术领域。
背景技术
医疗保健分析旨在通过数据驱动的方法分析各种医疗保健数据，从而帮助医疗保健决策并提供个性化的治疗建议，从而改善患者管理。随着卫生信息化建设的进步和大数据的发展，国际科研工作者对医疗大数据的保存和挖掘研究有了越来越高的重视度和参与度，其中电子健康记录(EHR)是用于医疗保健分析的重要数据源之一。电子健康记录包含了多种形式的信息，比如人口统计信息(如年龄、性别、身高、出入院时间、是否死亡等)、患者的动态医疗信息(如生命体征、化验结果、用药情况等)、生物图像信息(超声波图像、核磁共振检测图像、CT图像等)。但是EHR也存在着一些不可忽视的问题，例如数据时间不规则性，数据异质性，数据嘈杂，数据维度高等。这些问题大大阻碍了从EHR数据挖掘创造价值的过程。为了解决这些问题，医疗研究人员提出了各种深度学习模型来更好地表达患者的病情，从而提高模型的分析性能(如准确率等)。而在医疗保健分析模型的设计中，医学特征之间的交互作用对于反映患者的健康状况至关重要。我们以糖尿病为例，糖尿病已经成为了全世界最严重的代谢疾病之一。
为了防止该糖尿病患者的病情继续恶化，临床医生总会经常检查该患者的血糖值(Glucose)以及其他和糖尿病相关的医学特征(如PH值，乳酸值(Lactate)，酮酸值(Keto-acid)等)，从而判断患者是否出现严重并发症；因此，时间步长之间的相互作用(即时间级交互)可以描述患者健康状况的动态变化。众所周知，任何病，如糖尿病的发病过程及其并发症，都是随时间变化的动态过程。为了模拟这种动态变化过程，大多数传统的深度学习模型都采用基于递归神经网络(RNN，Sutskever，I.，Vinyals，O.，&Le，Q.V.(2014).Sequenceto sequence learning with neural networks.arXiv preprint arXiv：1409.3215.)，然后使用最后一个时刻的表示来表达病人最近的健康状况，因为理论上这种表达总结了所有时间的信息。但是，所有基于RNN的模型中，较早时间的信息的影响会逐步减弱，并且该类型的模型也无法有效的获取特征之间的内在联系。其他有一些先进模型利用注意力机制来解决这些问题，但是它们通常以粗力度的方式直接组合所有特征的信息。这些方式在捕获信息交互上能力相对有限。
发明内容
本发明的目的在于针对现有技术的上述部分或全部不足，提供一种医疗时序数据综合信息提取方法，包括以下内容：
S1获取医疗时序特征矩阵
其中t∈{1，2，...，Tt}是时间步长的索引，xt∈R|C|表示对应时间步长t的特征向量，|C|表示特征向量的长度；
作为优选，所述xt是第t个时间步长的原始医学特征的交互表示。
S2对所述X中时序数据进行动态建模，表示如下：
其中，
是处理t个时间步长后得到的输出结果，l是一个预先定义的超参数，表示信息含量的多少，f表示循环神经网络模型；
作为优选，所述f为GRU模型。
S3通过下式对每个时间步长的输出和最后一个时间步长的输出进行交互：
其中，⊙表示向量hi和
的元素积(即两个向量逐元素乘积)，
表示第i个时间步长输出和最后一个时间步长输出之间的相关作用，i∈{1，2，...，Tt-1}；
S4通过下式计算注意力权重：
其中，
是模型需要训练的参数，
表示第i个时间步长输出与最后一个时间步长输出之间产生的交互所对应的注意力权重，T表示转置运算；
S5通过下式汇总所有时间步长与最后一个时间步长交互后的总体表示
S6通过下式对所述X进行更加全面地建模
其中，
表示将
与
拼接。
另一方面，本发明还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的一种医疗时序数据综合信息提取方法。
另一方面，本发明还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述的一种医疗时序数据综合信息提取方法。
有益效果
本发明提出的一种医疗时序数据综合信息提取方法，能够很好的对时间步长之间的交互进行建模，从而更有效的学习患者动态变化的健康状况，而且这些变化都是因人而异的。通过设计注意力机制，从而能够区分不同交互的重要性。同时，借助该网络，本发明可以提供更全面地表示患者EMR数据的能力、可以获得更好的分析性能并提供细粒度的医学分析结果。
附图说明
图1为本发明实施例一所述方法的流程图；
图2为存活患者(上图)和非存活患者(下图)的时间级交互作用的注意力权重(百分比)，三角形对应的实线表示特定群组的患者随时间变化的平均注意力权重，其余实线表示每位存活患者或非存活患者随时间变化的注意力权重。
具体实施方式
下面结合附图，具体说明本发明的优选实施方式。
参见附图1，实施例一实现了本发明所述的一种医疗时序数据综合信息提取方法，附图1是实施例一方法的流程图，包括以下步骤：
S1获取医疗时序特征矩阵
其中t∈{1，2，...，Tt}是时间步长的索引，xt∈R|C|表示对应时间步长t的特征向量，|C|表示特征向量的长度；
举例而言，所述xt可以是第t个时间步长(如1小时)的原始医学特征值构成的向量，如血糖值(Glucose)，PH值，乳酸值(Lactate)，酮酸值(Keto-acid)，低压值，高压值，血浆HCO3浓度等；也可以是原始医学特征值标准化后的值构成的向量；较优的，也可以是第t个时间步长的所有原始医学特征值交互后的特征表示，如发明人的专利“一种医疗时序数据医学特征交互表示方法”。
S2对所述X中时序数据进行动态建模，表示如下：
其中，
是处理t个时间步长后得到的输出结果，l是一个预先定义的超参数，表示信息含量的多少，f表示循环神经网络模型；
循环神经网络模型是能够递归总结先前所有步长输入信息的深度神经网络，如RNN模型，较优的，所述f为GRU模型。循环神经网络模型在对时间序列的建模上具有明显的优势。考虑到信息随着时间的流逝而会不断的被更新，一些变种循环神经网络模型(如GRU，LSTM等)增加了多个门控机制来选择性的遗忘和更新时序信息。我们在此选择GRU模型来对时间序列进行建模，因为相比于LSTM模型，GRU模型已经被多次证明在减少参数数量的同时，能够保证效果与LSTM相近。在GRU中，每个时间步长的影响会随着时间而衰减。因此，最后一个时间步长理论上总结了先前所有时间步长的输入信息，并且能够作为下游任务的最终表示形式。但是文献(Ma，F.，Chitta，R.，Zhou，J.，You，Q.，Sun，T.，&Gao，J.(2017，August).Dipole：Diagnosis prediction in healthcare via attention-basedbidirectional recurrent neural networks.In Proceedings of the23rd ACM SIGKDDinternational conference on knowledge discovery and data mining(pp.1903-1911).)证明了尽快最后一个时间步长的输出拥有上述优势，但是仍然不能充分的表示患者的健康状况。考虑到最后一个时间步长输出的优势，我们致力于研究该输出与之前所有时间步长输出之间产生的相互作用。
S3采用两个向量的元素积来显式地对时间级交互
进行建模，如下式：
其中，⊙表示向量hi和
的元素积(即两个向量逐元素乘积)，
表示第i个时间步长输出和最后一个时间步长输出之间的相关作用，i∈{1，2，...，Tt-1}；
S4注意力权重：
为了更专注于患者的几个关键时间步长，设计一个注意力机制来为不同的交互作用计算不同的注意力权重，其计算公式如下：
其中，
是模型需要训练的参数，
表示第i个时间步长输出与最后一个时间步长输出之间产生的交互所对应的注意力权重，T表示转置运算；通过上述计算可知
S5汇总所有时间步长与最后一个时间步长交互后的总体表示
利用S4获得的注意力权重β，可以汇总时间级别的交互作用，然后生成总体表示
以描述患者的动态健康状况，其计算公式如下：
S6全面建模患者的健康状况：
通过对最后一个时间步长的输出和时间级交互表达进行拼接，对患者健康状况更加全面地建模
其计算公式如下：
其中，
表示将
与
拼接。
根据
就可以利用现有的二分类预测进行健康预测了，如使用Sigmoid激活函数来进行模型预测：
其中
是需要训练的模型参数。
试验结果
本发明应用上述方法在两个真实世界的公共临床数据集PhysioNet2012数据集(Goldberger，A.L.，Amaral，L.A.，Glass，L.，Hausdorff，J.M.，Ivanov，P.C.，Mark，R.G.，...&Stanley，H.E.(2000).PhysioBank，PhysioToolkit，and PhysioNet：componentsof a new research resource for complex physiologic signals.circulation，101(23)，e215-e220.)和MIMIC-III数据集(Johnson，A.E.，Pollard，T.J.，Shen，L.，Li-Wei，H.L.，Feng，M.，Ghassemi，M.，...&Mark，R.G.(2016).MIMIC-III，a freely accessiblecritical care database.Scientific data，3(1)，1-9.)中进行了评估。样本建模应用上述实施例方法，使用二进制交叉熵作为目标函数，为所有样本计算真实样本标签y和预测样本标签
之间的损失：
其中N是训练样本数量，使用反向传播算法结合Adam优化器来训练样本标签y和预测样本标签
之间的损失。
在这两个数据集中，我们选用院内死亡率预测任务来为本发明和基准模型进行评估。该任务是根据入院后48小时内收集的医学记录来预测患者是否会在医院内死亡。我们首先在两个数据集中进行数据标准化过程，然后将样本分为80％：10％：10％来分别作为训练集，验证集和测试集。
在验证集中学习了最佳性能模型后，我们报告该模型在测试集上的结果，包括二进制交叉熵损失(BCE损失)，接收者操作特征曲线下的面积(AUC-ROC得分)以及精确召回曲线下的面积(AUC-PR得分)。此外，我们对每个模型进行了五次实验以报告实验结果。
用于与本发明对比的基准模型如下：
·线性回归模型(LR)：LR求出时间序列数据中每个医学特征的平均值并以此作为输入。此类输入也用于Xgboost，FM和AFM中；
·Xgboost模型：Xgboost是一种可伸缩的端到端树增强算法，可以很好地处理缺失率较高的数据；
·FM：与LR相比，FM使用了线性嵌入机制丰富了特征信息，并且能够捕获了特征之间的交互作用；
·AFM：与FM相比，AFM增加了注意力权重，以区分特征交互的重要性；
·GRU：GRU是一种广泛采用的基于RNN的模型，可以很好地处理时间序列数据；
·SAnD：SAnD采用带有遮罩的自我注意机制来对时间序列数据进行建模，并且使用密集插值策略和位置编码来处理时间顺序；
·RETAIN：RETAIN使用两个逆序的RNN模型同时学习访问级别和变量级别的注意力权重，并且提高了模型的可解释性；
·Dipole：Dipole以双向GRU模型为核心，设计了三种不同的注意力机制(即Dipolel，Dipoleg，Dipolec)来更好地挖掘时间上的信息；
试验结果如表1所示：
我们用EDUTEM表示本发明。
表1 Physionet2012数据集和MIMIC-III数据集上的院内死亡率预测任务的BCE损失，AUC-ROC得分和AUC-PR得分(平均值±标准差)
从表中可以看出，本发明方法在两个数据集中均表现最佳。与在Physionet2012数据集和MIMIC-III数据集上最具竞争力的基准模型相比，EDUTEM模型在AUC-PR上分别有1.18％和1.2％的提升。所有指标都得到了提升进一步证实了EDUTEM模型的有效性。
为了说明本发明方法有效性的原理，我们首先将所有患者样本分为两组，即生存患者和非生存患者，然后在时间级别上分析两组患者的解释结果。参见图2，我们在图2中说明了最后一个时间步长和之前所有的时间步长(即47小时)之间的交互的注意权重。从这两条实线中，我们发现在两组实验组中，时间级交互计算通常都更加关注患者的后期状况，因为由于时间顺序，这些时间步长上的状况通常更接近患者的最终健康状况。此外，与存活患者相比，非存活患者的病情更加多样且不稳定，并且该模块可以给予在开始的或中期的几个时间步骤更多的注意力权重，这些时间步骤对于这些患者而言更为关键。在这些时间步骤中，医疗电子记录通常会比较丰富，因此也经常会包含一些反映健康状况突然变化的异常值能够表示患者健康状况的突然变化。此外，患者之间学习到的注意权重互不相同的现象证明我们的时间级交互计算可以有效地识别与患者状况密切相关的时间步长。
因此，通过时间级交互计算，EDUTEM可以突出关键的时间步长，作为临床医生的辅助信息，以促进患者状况监测和患者管理。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称并不构成对该单元本身的限定。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本发明的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种医疗时序数据综合信息提取方法，其特征在于，包括以下内容：
S1获取医疗时序特征矩阵
其中t∈{1,2,…,Tt}是时间步长的索引，xt∈R|C|表示对应时间步长t的特征向量，|C|表示特征向量的长度；
S2对所述X中时序数据进行动态建模，表示如下：
其中，
是处理t个时间步长后得到的输出结果，l是一个预先定义的超参数，表示信息含量的多少，f表示循环神经网络模型；
S3通过下式对每个时间步长的输出和最后一个时间步长的输出进行交互：
其中，⊙表示向量hi和
的元素积，
表示第i个时间步长输出和最后一个时间步长输出之间的相关作用，i∈{1,2,…,Tt-1}；
S4通过下式计算注意力权重：
其中，
是模型需要训练的参数，
表示第i个时间步长输出与最后一个时间步长输出之间产生的交互所对应的注意力权重，T表示转置运算；
S5通过下式汇总所有时间步长与最后一个时间步长交互后的总体表示
S6通过下式对患者健康状况更加全面地建模
其中，
表示将
与
拼接。
2.根据权利要求1所述的方法，其特征在于，所述xt是第t个时间步长的原始医学特征的交互表示。
3.根据权利要求1或2所述的方法，其特征在于，所述f为GRU模型。
4.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-3所述的方法。
5.一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-3所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110404818.XA CN113053530B (zh) | 2021-04-15 | 2021-04-15 | 一种医疗时序数据综合信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110404818.XA CN113053530B (zh) | 2021-04-15 | 2021-04-15 | 一种医疗时序数据综合信息提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113053530A CN113053530A (zh) | 2021-06-29 |
| CN113053530B true CN113053530B (zh) | 2022-06-28 |
Family
ID=76519548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110404818.XA Active CN113053530B (zh) | 2021-04-15 | 2021-04-15 | 一种医疗时序数据综合信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113053530B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116614A (zh) * | 2022-07-05 | 2022-09-27 | 安徽讯飞医疗股份有限公司 | 一种健康状态评估方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110691548A (zh) * | 2017-07-28 | 2020-01-14 | 谷歌有限责任公司 | 用于从电子健康记录中预测和总结医疗事件的系统和方法 |
| CN111798954A (zh) * | 2020-06-11 | 2020-10-20 | 西北工业大学 | 基于时间注意力机制和图卷积网络的药物组合推荐方法 |
| CN111951965A (zh) * | 2020-07-31 | 2020-11-17 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11620528B2 (en) * | 2018-06-12 | 2023-04-04 | Ciena Corporation | Pattern detection in time-series data |
| US20200342968A1 (en) * | 2019-04-24 | 2020-10-29 | GE Precision Healthcare LLC | Visualization of medical device event processing |
-
2021
- 2021-04-15 CN CN202110404818.XA patent/CN113053530B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110691548A (zh) * | 2017-07-28 | 2020-01-14 | 谷歌有限责任公司 | 用于从电子健康记录中预测和总结医疗事件的系统和方法 |
| CN111798954A (zh) * | 2020-06-11 | 2020-10-20 | 西北工业大学 | 基于时间注意力机制和图卷积网络的药物组合推荐方法 |
| CN111951965A (zh) * | 2020-07-31 | 2020-11-17 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种面向临床领域时序知识图谱的链接预测模型;陈德华等;《计算机研究与发展》;20171215(第12期);全文 * |
| 深度电子病历分析研究综述;蒋友好;《电脑知识与技术》;20180525(第15期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113053530A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Interpretable prediction of 3-year all-cause mortality in patients with heart failure caused by coronary heart disease based on machine learning and SHAP | |
| Pathan et al. | Analyzing the impact of feature selection on the accuracy of heart disease prediction | |
| Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
| Subanya et al. | Feature selection using artificial bee colony for cardiovascular disease classification | |
| Orchard et al. | Improving prediction of risk of hospital admission in chronic obstructive pulmonary disease: application of machine learning to telemonitoring data | |
| Baker et al. | Continuous and automatic mortality risk prediction using vital signs in the intensive care unit: a hybrid neural network approach | |
| Dyagilev et al. | Learning (predictive) risk scores in the presence of censoring due to interventions | |
| Vairavan et al. | Prediction of mortality in an intensive care unit using logistic regression and a hidden Markov model | |
| Patil et al. | A proposed model for lifestyle disease prediction using support vector machine | |
| Marathe et al. | Prediction of heart disease and diabetes using naive Bayes algorithm | |
| Liang et al. | Heart failure disease prediction and stratification with temporal electronic health records data using patient representation | |
| CN113053530B (zh) | 一种医疗时序数据综合信息提取方法 | |
| Strickler et al. | Exploring a global interpretation mechanism for deep learning networks when predicting sepsis | |
| Owusu et al. | Longitudinal healthcare analytics for early detection and progression of neurological diseases: A clinical decision support system. | |
| Wang et al. | Multi-branching Temporal Convolutional Network with Tensor Data Completion for Diabetic Retinopathy Prediction | |
| Ejiyi et al. | Enhanced Cardiovascular Disease Prediction Modelling using Machine Learning Techniques: A Focus on CardioVitalnet | |
| Hassan et al. | Efficient prediction of coronary artery disease using machine learning algorithms with feature selection techniques | |
| Husnain et al. | Harnessing AI for early detection of cardiovascular diseases: Insights from predictive models using patient data | |
| CN113012808B (zh) | 一种健康预测方法 | |
| Mansouri et al. | A hybrid machine learning approach for early mortality prediction of ICU patients | |
| An et al. | Merge: A multi-graph attentive representation learning framework integrating group information from similar patients | |
| Cesario et al. | Early Identification of Patients at Risk of Sepsis in a Hospital Environment | |
| Kavinilavu et al. | Integrated Machine Learning for Accurate Detection of Heart Stroke Diseases | |
| CN112951417B (zh) | 一种医疗时序数据医学特征交互表示方法 | |
| An et al. | PARSE: A personalized clinical time-series representation learning framework via abnormal offsets analysis |
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 |