CN114582511B - 一种支气管扩张症急性加重期预警方法、装置、设备及介质 - Google Patents
一种支气管扩张症急性加重期预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114582511B CN114582511B CN202210490341.6A CN202210490341A CN114582511B CN 114582511 B CN114582511 B CN 114582511B CN 202210490341 A CN202210490341 A CN 202210490341A CN 114582511 B CN114582511 B CN 114582511B
- Authority
- CN
- China
- Prior art keywords
- index
- bronchial
- etiology
- classifier
- disease
- 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
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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种支气管扩张症急性加重期预警方法、装置、设备及介质,将患者不同时间的就诊信息输入至预警模型,由预警模型输出患者未来一段时间是否会出现急性加重期;所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期。本发明提供的支气管扩张症急性加重期预警方法、装置、设备及介质,能够实现对支气管扩张症急性加重期进行较为准确的预测。
Description
技术领域
本发明涉及支气管扩张症急性加重期预警方法、装置、设备及介质,属于检测预警技术领域。
背景技术
支气管扩张是由于支气管机器周围肺组织慢性化脓性炎症和纤维化,使支气管壁的肌肉和弹性组织破坏,导致支气管变形及持久扩张。支扩病程长且复杂,临床表现多样,轻重程度不一,进一步加重基础疾病致肺功能下降,预后差,严重影响生活质量。
目前,还无法准确的对气管扩张症急性加重期进行预警,现阶段主要靠医者的主观经验进行判断,判断准确率低,且无依据,容易导致患者错过治疗时间,产生较为严重的生命危害。
因此,有必要支气管扩张症急性加重期预警方法进行深入研究,以对现有状况进行改善。
发明内容
为了克服上述问题,本发明人进行了深入研究,设计出一种支气管扩张症急性加重期预警方法,将患者不同时间的就诊信息输入至预警模型,由预警模型输出患者未来一段时间是否会出现急性加重期;
所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期;
所述支气管既往病史是指能够诱发支气管的指标,所述支气管临床体征是指能够表征支气管患者体征的指标,所述支气管合并症是指能够影响支气管治疗病程的其它病症指标;
所述支气管检验值包括患者的烟曲霉菌皮试、曲菌沉淀素、类风湿因子、抗核抗体、抗中心粒细胞胞质抗体和汗液氯化物检测结果;
所述病程指标是指能够表示患病程度的指标,所述病因指标是指能够体现患病原因的指标;
所述预测模型为时间循环神经网络模型。
在一个优选的实施方式中,所述病程指标通过病程分类器获得,所述病程分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病程分类,所述病程指标为病程分类器中的连接层之间的传递参数;
所述肺功能为能够表征患者肺部情况的指标,所述支气管影像学是指能够表征支气管患者CT影像的指标,所述支气管临床检验信息是指能够表征支气管病变的检验指标。
在一个优选的实施方式中,所述病因指标通过病因分类器获得,所述病因分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病因分类,所述病因指标为病因分类器中连接层间的传递参数。
在一个优选的实施方式中,所述病因分类器具有多个全连接层,多个全连接层之间通过激活函数连接。
在一个优选的实施方式中,所述病程指标为生化免疫影像学病程聚合特征,由所述病程分类器中倒数第二个全连接层输出;
所述病因指标为生化免疫影像学病因聚合特征,由所述病因分类器中倒数第二个全连接层输出。
在一个优选的实施方式中,所述预警模型为长短期记忆网络模型,包括多个依次串联的LSTM单元,将不同时间的就诊信息输入至不同的LSTM单元,使得网络模型中越靠后的LSTM单元输入的就诊信息对应的时间越靠后,
当不同时间的就诊信息的总数小于网络模型中LSTM单元的个数时,无对应就诊信息的LSTM输入为0。
另一方面,本发明还提供了一种支气管扩张症急性加重期预警装置,包括:
数据获取模块,获取患者不同时间的就诊信息;
预警模型,用于预测患者未来一段时间是否会出现急性加重期,其中设置有时间循环神经网络模型;
所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期;
所述支气管既往病史是指能够诱发支气管的指标,所述支气管临床体征是指能够表征支气管患者体征的指标,所述支气管合并症是指能够影响支气管治疗病程的其它病症指标;
所述支气管检验值包括患者的烟曲霉菌皮试、曲菌沉淀素、类风湿因子、抗核抗体、抗中心粒细胞胞质抗体和汗液氯化物检测结果;
所述病程指标是指能够表示患病程度的指标,所述病因是指能够体现患病原因的指标。
在一个优选的实施方式中,所述预警模型包括病程分类器,所述病程分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息输入,输出为患者的病程分类。
此外,本发明还提供了一种电子设备,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上述的方法。
此外,本发明还提供了一种存储有计算机指令的计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的方法。
本发明所具有的有益效果包括:
(1)实现对支气管扩张症急性加重期进行较为准确的预测,预测准确率达到80%以上;
(2)预警操作简单,易于推广使用。
附图说明
图1示出根据本发明一种优选实施方式的支气管扩张症急性加重期预警装置示意图;
图2示出根据本发明一种优选实施方式的支气管扩张症急性加重期预警方法中病因分类器结构示意图;
图3示出根据本发明一种优选实施方式的支气管扩张症急性加重期预警方法中病程分类器结构示意图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
根据本发明提供的一种支气管扩张症急性加重期预警方法,将患者不同时间的就诊信息输入至预警模型,由预警模型输出患者未来一段时间是否会出现急性加重期;
所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期;
所述支气管既往病史是指能够诱发支气管的指标,所述支气管临床体征是指能够表征支气管患者体征的指标,所述支气管合并症是指能够影响支气管治疗病程的其它病症指标;
所述支气管检验值包括患者的烟曲霉菌皮试、曲菌沉淀素、类风湿因子、抗核抗体、抗中心粒细胞胞质抗体和汗液氯化物检测结果;
所述病程指标是指能够表示患病程度的指标,所述病因指标是指能够体现患病原因的指标;
所述预测模型为时间循环神经网络模型。
传统的支气管扩张症预测,都是依靠医者的主观经验,并没有研究多次就诊信息之间的关系,以及就诊信息中哪些具体的指标对支气管扩张急性加重期的影响。
在本发明中,通过神经网络建立多次就诊信息与支气管扩张急性加重期之间的隐性联系,同时,对就诊信息中具体的信息类型进行了甄别,以提高预测的准确性。
进一步地,所述支气管既往病史信息包括有无幼年下呼吸道感染史、有无既往铜绿假单胞菌感染阳性、有无既往支扩急性加重频次、有无HIV感染、有无器官移植、有无长期使用免疫抑制剂、有无出现慢性呼吸道症状或反复肺部感染者;
以及包括吸烟年限、一年内急性加重次数是否大于2次,最近两年是否有住院史。
进一步地,所述支气管临床体征,包括是否有长期慢性咳嗽,优选为是否有超过8周的慢性咳嗽,还包括是否有反复咳血、是否有粘液脓性或脓性痰。
进一步地,所述支气管合并症,包括是否有转移性恶性肿瘤、是否有血液恶性肿瘤、是否有慢性阻塞性肺病、是否有认知障碍、是否有炎症性肠病、是否有肝脏疾病、是否有结缔组织病、是否有缺铁性贫血、是否有糖尿病、是否有哮喘、是否有肺动脉高压、是否有周围血管性疾病、是否有缺血性心脏病。
进一步地,所述支气管检验值包括烟曲霉菌皮试是否阳性、曲菌沉淀素是否阳性、抗核抗体是否阳性、抗中心粒细胞胞质抗体是否阳性、类风湿因子范围、汗液氯化物范围。
发明人经过大量的研究,发现上述指标均与支气管扩张症急性加重期有隐性的关联,上述指标的选择,不仅丰富了预测条件,还极大的提高了预测准确度,使得最终预测结果能够达到80%以上。
进一步地,还将就诊信息进行预处理,便于就诊信息输入至预警模型,优选地,采用one-hot编码方式对就诊信息进行预处理,将不同的就诊信息表征为布尔值、整型或数组向量,例如是否有幼年下呼吸道感染史可以表示为布尔值:1表示是、0表示否;用药类型可以表示为8维向量,例如{0,0,0,0,0,1,1,0};优选地,将范围值进行数据截断,即只保留最大的值,以减少训练神经网络过程中梯度下降算法的运算压力,避免梯度爆炸。
在一个优选的实施方式中,在使用就诊信息之前,还对就诊信息数据进行归一化处理,优选采用线性归一化处理。
进一步地,所述用药类型可按本领域技术人员的常规经验设定,例如常规上,用药类型按照临床分类一般为8类药物。
进一步地,所述病程指标、病因指标、也可按本领域技术人员的常规经验设定,例如常规上,将病程设置为非支扩、支扩稳定期、支扩急性加重期、并发症(少量咳血、合并慢性呼吸衰竭、合并肺动脉高压伴长期低氧血症)4类,即病程指标为1、2、3、4;所述病因按常规分类为10类,即病因指标为1-10,然而,发明人发现,这样设置获得的预测并不准确,这是由于病因、病程相同的患者仍然具有较大差异。
在一个优选的实施方式中,所述病程指标通过病程分类器获得,所述病程分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病程分类,所述病程指标为病程分类器中的连接层之间的传递参数;
所述肺功能为能够表征患者肺部情况的指标,所述支气管影像学是指能够表征支气管患者CT影像的指标,所述支气管临床检验信息是指能够表征支气管病变的检验指标。
优选地,所述肺功能包括肺活量范围、肺总容量范围、残气量/肺总量范围,一秒用力呼气量或用力肺活量范围、支扩实验(FEV1,FEV1’)范围。
所述支气管影像学包括支气管内径/伴行肺动脉直径量、支气管是否从中心到外周逐渐变细、是否距外周胸膜1cm或近纵隔胸膜范围内可见支气管影、是否有支气管壁增厚、是否有黏液嵌塞、呼气相CT是否发现“马赛克”征或“气体陷闭”、影像叶数是否大于2。
优选地,所述支气管临床检验信息包括微生物是否为阳性、白细胞计数 、中性粒计数、淋巴细胞计数、嗜酸计数、嗜碱计数、血小板计数、IgE范围(ng/ml)、IgG范围、IgA、IgM 、血气pH范围、血气、血气、补体CH50、补体C3 、补体C4 、C反应蛋白范围、降钙素原范围。
进一步地,在将肺功能、支气管影像学、支气管临床检验信息输入病程分类器前,将这些信息进行与就诊信息相同的预处理和归一化处理。
在一个优选的实施方式中,所述病因指标通过病因分类器获得,所述病因分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病因分类,所述病因指标为病因分类器中连接层间的传递参数。
在本发明中,将病程分类、病程指标分离开,将病因分类、病因指标分离开,目前,病程分类、病因分类已有较为成熟的结论,即病程可分为4类,病因可分为10类,通过神经网络表征患者的肺功能、支气管影像学、支气管临床检验信息与病因、病程之间的隐性关系,进而将取神经网络中的中间传递参数作为病程指标和病因指标,以更好的表示不同患者的情况。
在本发明中,本领域技术人员可自由设置病因分类器和病程分类器的具体结构,在一个优选的实施方式中,所述病因分类器和/或病程分类器具有多个全连接层,多个全连接层之间通过激活函数连接,以实现分类器的非线性处理能力。
进一步优选地,所述病因分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、20、10。
优选地,所述病程分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、8、4。
其中,通过将倒数第二个全连接层的输出向量设置最后一个全连接层输出向量的两倍,保障了充足的信息提取效果。
更优选地,病因分类器中,依次使用Sigmoid、LeakReLU、LeakReLU激活函数连接4个全连接层;
病程分类器中,依次使用Sigmoid、LeakReLU、ReLU激活函数连接4个全连接层,从而获得更好的准确率。
在一个优选的实施方式中,所述病程指标为生化免疫影像学病程聚合特征,由所述病因分类器中倒数第二个全连接层输出。
在一个优选的实施方式中,所述病因指标为生化免疫影像学病因聚合特征,由所述病因分类器中倒数第二个全连接层输出。
采用患者的生化免疫影像学病因、病程聚合特征替代肺功能、支气管影像学、支气管临床检验信息输入至预警模型中,降低了预警模型输入向量的维度,降低了运算复杂度。
根据本发明,所述预警模型为长短期记忆网络模型,包括多个依次串联的LSTM单元,将不同时间的就诊信息输入至不同的LSTM单元,使得网络模型中越靠后的LSTM单元输入的就诊信息对应的时间越靠后,
在一个优选的实施方式中,所述预警模型包括20个依次串联的LSTM单元,依次输入20个不同时期的就诊信息,优选地,所述就诊信息为近10年来、每年两次的就诊信息。
进一步地,当不同时间的就诊信息的总数小于网络模型中LSTM单元的个数时,无对应就诊信息的LSTM输入为0。
预警模型以及病因分类器、病程分类器均需要进行训练后才能使用,训练用训练集本领域技术人员可从医院医疗系统中真实案例数据中获得。
发明人发现,医院医疗系统中的数据量较少,且分布不均,只采用医疗系统中的数据制作训练集并不能很好的训练出准确的模型。
在一个优选的实施方式中,除采用医疗系统中的真实案例数据外,还制作部分仿真数据,以真实案例数据和仿真数据共同制作训练集。
在本发明中,采用真实案例数据制作的样本称为真实样本,采用仿真数据制作的样本称为仿真样本,进一步地,所述仿真样本通过如下方式构造:
S1、构造单次就诊仿真数据;
S2、将单次就诊仿真数据进行组合形成仿真样本,并为仿真样本中单次就诊仿真数据赋予分类和病程标签。
S1中,单次就诊仿真数据包括就诊数据的所有类别,其中,
年龄、性别、体重指数、血型根据真实案例数据中的概率分布进行构造,例如真实案例数据中性别男女比为6:4,则单次就诊仿真数据中性别男女比也为6:4;
二元信息,如支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、支气管影像学中的是否阳性等信息,根据真实案例数据中各项的比例构造后组合获得,
范围信息,如肺功能、支气管临床检验信息中各项检测范围,依据取值分布,逐项在正常值和异常值区间内等比随机生成检测值,而后随机组合获得。
在S2中,将仿真数据采用随机组合方式构造出样本,由专家选择出合理的样本作为仿真样本,并为仿真样本的分类和病程打标签。
进一步优选地,在S1中,单次就诊仿真数据为期望训练集的6倍以上数据,便于组合出足够的仿真样本量。
进一步优选地,在S2中,选择选择50%的真实病例作为病例模板,按同类病因且不恶化病程原则,从单次就诊仿真数据中抽取若干单次仿真数据,随机替换真实病例中小于50%以内的单次就诊信息或增加30%以内的单次就诊信息,改造成仿真样本,避免训练中出现过拟合现象。
在一个优选的实施方式中,采用真实案例数据制作验证集和测试集,训练集、验证集和测试集的比例优选为8:1:1。
在一个优选的实施方式中,在训练病因分类器和病程分类器时,训练集中仿真样本与真实样本的比例为5:5。更优选地,训练集中真实样本占总真实样本的30%,验证集和测试集中的样本占总真实样本的70%。
在一个优选的实施方式中,在训练预警模型时,验证集为真实样本,且验证集样本数量占总真实样本的70%,并按病因等比例从总真实样本中抽取;剩余的真实样本和与其等量的仿真样本作为测试集,训练集全部为仿真样本。
发明人通过大量的试验,采用上述优选方式构造的训练集对上述优选实施方式中的预警模型进行训练,训练好的模型,能够实现支气管扩张症急性加重期80%以上的预测准确率。
本发明还提供了一种支气管扩张症急性加重期预警装置,包括:数据获取模块,获取患者不同时间的就诊信息;
预警模型,用于预测患者未来一段时间是否会出现急性加重期,其中设置有时间循环神经网络模型;
所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期;
所述支气管既往病史是指能够诱发支气管的指标,所述支气管临床体征是指能够表征支气管患者体征的指标,所述支气管合并症是指能够影响支气管治疗病程的其它病症指标;
所述支气管检验值包括患者的烟曲霉菌皮试、曲菌沉淀素、类风湿因子、抗核抗体、抗中心粒细胞胞质抗体和汗液氯化物检测结果;
所述病程指标是指能够表示患病程度的指标,所述病因指标是指能够体现患病原因的指标。
优选地,所述系统还包括信息预处理模块,用于将就诊信息进行预处理,便于就诊信息输入至预警模型,优选地,采用one-hot编码方式对就诊信息进行预处理,将不同的就诊信息表征为布尔值、整型或数组向量,例如是否有幼年下呼吸道感染史可以表示为布尔值:1表示是、0表示否;用药类型可以表示为8维向量,例如{0,0,0,0,0,1,1,0};优选地,将范围值进行数据截断,即只保留最大的值,以减少训练神经网络过程中梯度下降算法的运算压力,避免梯度爆炸。
优选地,所述信息预处理模块,还对就诊信息数据进行归一化处理,优选采用线性归一化处理。
优选地,所述预警模型包括病程分类器,所述病程分类器为全连接神经网络,将患者的肺功能、支气管影像学、支气管临床检验信息输入病因分类器,由病程分类器输出患者的病程分类;
优选地,所述预警模型包括病因分类器,所述病因分类器为全连接神经网络,将患者的肺功能、支气管影像学、支气管临床检验信息输入病因分类器,由病因分类器输出患者的病因分类。
进一步优选地,所述病因分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、20、10。
优选地,所述病程分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、8、4。
更优选地,病因分类器中,依次使用Sigmoid、LeakReLU、LeakReLU激活函数连接4个全连接层;
病程分类器中,依次使用Sigmoid、LeakReLU、ReLU激活函数连接4个全连接层,从而获得更好的准确率。
在一个优选的实施方式中,所述病因指标为生化免疫影像学病因聚合特征,由所述病因分类器中倒数第二个全连接层输出。
在一个优选的实施方式中,所述病程指标为生化免疫影像学病程聚合特征,由所述病程分类器中倒数第二个全连接层输出。
优选地,所述预警模型为长短期记忆网络模型,包括多个依次串联的LSTM单元,所述预警模型包括20个依次串联的LSTM单元。
在一个优选的实施方式中,所述数据获取模块还用于构造训练集、验证集和测试集,
所述数据获取模块包括真实样本子模块和仿真样本子模块,所述仿真样本子模块用于构造单次就诊仿真数据,将单次就诊仿真数据进行组合形成仿真样本,并为仿真样本中单次就诊仿真数据赋予分类和病程标签;
进一步,所述仿真样本子模块选择选择50%的真实病例作为病例模板,按同类病因且不恶化病程原则,从单次就诊仿真数据中抽取若干单次仿真数据,随机替换真实病例中小于50%以内的单次就诊信息或增加30%以内的单次就诊信息,改造成仿真样本。
所述真实样本子模块用于将真实案例数据制作成样本。
本发明中以上描述的方法的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的方法和装置,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的方法和装置实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与V P S服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
实施例
实施例1
通过医院信息系统(HIS系统)中抽取某医院10年支气管扩张症相关病例,将其制作为真实样本,并按以下方式构造仿真样本,
S1、构造单次就诊仿真数据;
S2、将单次就诊仿真数据进行组合形成仿真样本,并为仿真样本中单次就诊仿真数据赋予分类和病程标签。
S1中,单次就诊仿真数据包括就诊数据的所有类别,其中,年龄、性别、体重指数、血型根据真实案例数据中的概率分布进行构造,二元信息根据真实案例数据中各项的比例构造后组合获得,范围信息依据取值分布,逐项在正常值和异常值区间内等比随机生成检测值,而后随机组合获得。在S2中,将仿真数据采用随机组合方式构造出样本,由专家选择出合理的样本作为仿真样本,并为仿真样本的分类和病程打标签。在S2中,选择选择50%的真实病例作为病例模板,按同类病因且不恶化病程原则,从单次就诊仿真数据中抽取若干单次仿真数据,随机替换真实病例中小于50%以内的单次就诊信息或增加30%以内的单次就诊信息,改造成仿真样本,
采用真实案例数据制作验证集和测试集,训练集、验证集和测试集的比例为8:1:1,其中,约有1000例跨度十年的支扩病例脱敏信息。
采用训练集训练预警模型,其中预警模型的输入为患者不同时间的就诊信息,所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期;
所述支气管既往病史是指能够诱发支气管的指标,所述支气管临床体征是指能够表征支气管患者体征的指标,所述支气管合并症是指能够影响支气管治疗病程的其它病症指标;
所述支气管检验值包括患者的烟曲霉菌皮试、曲菌沉淀素、类风湿因子、抗核抗体、抗中心粒细胞胞质抗体和汗液氯化物检测结果;所述病程指标通过病程分类器获得,所述病程分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病程分类,所述病程指标为病程分类器中的连接层之间的传递参数;
所述肺功能为能够表征患者肺部情况的指标,所述支气管影像学是指能够表征支气管患者CT影像的指标,所述支气管临床检验信息是指能够表征支气管病变的检验指标。
所述病因指标通过病因分类器获得,所述病因分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病因分类,所述病因指标为病因分类器中连接层间的传递参数。
进一步地,所述病因分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、20、10,所述病程分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、8、4,病因分类器中,依次使用Sigmoid、LeakReLU、LeakReLU激活函数连接4个全连接层;病程分类器中,依次使用Sigmoid、LeakReLU、ReLU激活函数连接4个全连接层,
所述病程指标由所述病因分类器中倒数第二个全连接层输出,所述病因指标由所述病因分类器中倒数第二个全连接层输出。
所述预警模型为长短期记忆网络模型,包括20个依次串联的LSTM单元,依次输入近10年来、每年两次的就诊信息。
进行多次训练,训练完成后通过验证集对训练好的预警模型进行验证,挑选其中最优的模型作为最终的预警模型。
采用测试集对获得的预警模型进行检测,将模型预测结果与实际结果做比对,最终,预警模型输出患者未来一年支气管扩张症急性加重期出现的预测准确率为86.93%,即获得了良好的预测效果。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”“相连”“连接”应作广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体的连接普通;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (3)
1.一种支气管扩张症急性加重期预警方法,其特征在于,
将患者不同时间的就诊信息输入至预警模型,由预警模型输出患者未来一段时间是否会出现急性加重期;
所述就诊信息包括年龄、性别、体重指数、血型、支气管既往病史、支气管临床体征、支气管合并症、支气管检验值、病程指标、病因指标、用药类型、上次发病时间以及上次发病是否为急性加重期;
所述支气管既往病史是指能够诱发支气管的指标,所述支气管临床体征是指能够表征支气管患者体征的指标,所述支气管合并症是指能够影响支气管治疗病程的其它病症指标;
所述支气管检验值包括患者的烟曲霉菌皮试、曲菌沉淀素、类风湿因子、抗核抗体、抗中心粒细胞胞质抗体和汗液氯化物检测结果;
所述预警模型为时间循环神经网络模型;
所述预警模型为长短期记忆网络模型,包括多个依次串联的LSTM单元,将不同时间的就诊信息输入至不同的LSTM单元,使得网络模型中越靠后的LSTM单元输入的就诊信息对应的时间越靠后,
当不同时间的就诊信息的总数小于网络模型中LSTM单元的个数时,无对应就诊信息的LSTM输入为0;
所述病程指标是指能够表示患病程度的指标,所述病因指标是指能够体现患病原因的指标;
所述病程指标通过病程分类器获得,所述病程分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病程分类,所述病程指标为病程分类器中的连接层之间的传递参数;所述病因指标通过病因分类器获得,所述病因分类器为全连接神经网络,输入为患者的肺功能、支气管影像学、支气管临床检验信息,输出为患者的病因分类,所述病因指标为病因分类器中连接层间的传递参数,通过神经网络表征患者的肺功能、支气管影像学、支气管临床检验信息与病因、病程之间的隐性关系,进而将神经网络中的中间传递参数作为病程指标和病因指标;
所述肺功能为能够表征患者肺部情况的指标,所述支气管影像学是指能够表征支气管患者CT影像的指标,所述支气管临床检验信息是指能够表征支气管病变的检验指标;
所述病因分类器具有多个全连接层,多个全连接层之间通过激活函数连接,倒数第二个全连接层的输出向量设置为最后一个全连接层输出向量的两倍;所述病程分类器具有多个全连接层,多个全连接层之间通过激活函数连接,倒数第二个全连接层的输出向量设置为最后一个全连接层输出向量的两倍;
所述病因分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、20、10,所述病程分类器包括4个全连接层,4个全连接层中神经元数量依次为128、256、8、4;
所述病程指标为生化免疫影像学病程聚合特征,由所述病程分类器中倒数第二个全连接层输出;
所述病因指标为生化免疫影像学病因聚合特征,由所述病因分类器中倒数第二个全连接层输出;
预警模型以及病因分类器、病程分类器均需要进行训练后才能使用,除采用医疗系统中的真实案例数据外,还制作部分仿真数据,以真实案例数据和仿真数据共同制作训练集;
所述仿真样本通过如下方式构造:
S1、构造单次就诊仿真数据;
S2、将单次就诊仿真数据进行组合形成仿真样本,并为仿真样本中单次就诊仿真数据赋予分类和病程标签;
S1中,单次就诊仿真数据包括就诊数据的所有类别。
2. 一种电子设备,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权利要求1所述的方法。
3.一种存储有计算机指令的计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490341.6A CN114582511B (zh) | 2022-05-07 | 2022-05-07 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490341.6A CN114582511B (zh) | 2022-05-07 | 2022-05-07 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114582511A CN114582511A (zh) | 2022-06-03 |
CN114582511B true CN114582511B (zh) | 2022-11-15 |
Family
ID=81767768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210490341.6A Active CN114582511B (zh) | 2022-05-07 | 2022-05-07 | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114582511B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690584B (zh) * | 2024-02-02 | 2024-04-12 | 吉林大学 | 基于智能ai的慢性病患者管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021148966A1 (en) * | 2020-01-23 | 2021-07-29 | Novartis Ag | A computer-implemented system and method for outputting a prediction of an exacerbation and/or hospitalization of asthma |
CN113223708A (zh) * | 2021-05-24 | 2021-08-06 | 浙江医院 | 病症风险预测模型的构建方法和相关设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018085563A1 (en) * | 2016-11-02 | 2018-05-11 | Respiratory Motion, Inc. | Respiratory early warning scoring systems and methods |
CN109346183A (zh) * | 2018-09-18 | 2019-02-15 | 山东大学 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
CN110693493B (zh) * | 2019-10-12 | 2022-05-31 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 |
CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
CN114255865A (zh) * | 2020-09-23 | 2022-03-29 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于循环神经网络的诊疗项目预测方法 |
CN114403806A (zh) * | 2022-01-08 | 2022-04-29 | 北京数字众智科技有限公司 | 一种危险疾病预警及通知系统 |
-
2022
- 2022-05-07 CN CN202210490341.6A patent/CN114582511B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021148966A1 (en) * | 2020-01-23 | 2021-07-29 | Novartis Ag | A computer-implemented system and method for outputting a prediction of an exacerbation and/or hospitalization of asthma |
CN113223708A (zh) * | 2021-05-24 | 2021-08-06 | 浙江医院 | 病症风险预测模型的构建方法和相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114582511A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN111316281A (zh) | 基于机器学习的自然语言情境中数值数据的语义分类 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
US20200395129A1 (en) | Systems and methods for identification of clinically similar individuals, and interpretations to a target individual | |
CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
CN114582511B (zh) | 一种支气管扩张症急性加重期预警方法、装置、设备及介质 | |
Uddin et al. | Machine learning based diabetes detection model for false negative reduction | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
Mounika et al. | Prediction of type-2 diabetes using machine learning algorithms | |
Zou et al. | Automatic detection of congestive heart failure based on multiscale residual unet++: From centralized learning to federated learning | |
Kalpana et al. | Prediction of Heart Disease Using Machine Learning | |
CN111681767B (zh) | 一种电子病历数据处理方法及系统 | |
US20220375554A1 (en) | Distributed data gathering and recommendation in phytotherapy | |
CN109087712A (zh) | 一种基于随机子空间集成学习的主动脉夹层筛查模型及其建立方法、系统和模型 | |
do Amaral et al. | Clinical decision support systems to improve the diagnosis and management of respiratory diseases | |
Noori et al. | A comparative analysis for diabetic prediction based on machine learning techniques | |
Aljawarneh et al. | Pneumonia detection using enhanced convolutional neural network model on chest x-ray images | |
González et al. | Trialscope a unifying causal framework for scaling real-world evidence generation with biomedical language models | |
Sarawgi | Uncertainty-aware ensembling in multi-modal ai and its applications in digital health for neurodegenerative disorders | |
Cheng et al. | Mining discriminative patterns to predict health status for cardiopulmonary patients | |
Singer et al. | Burden of illness in progressive fibrosing interstitial lung disease | |
CN117116476B (zh) | 下游任务预测方法、装置及计算机可读存储介质 | |
Chauhan | A mobile platform for non-invasive diabetes screening | |
Jeong et al. | DeepHealthNet: Adolescent Obesity Prediction System Based on a Deep Learning Framework | |
US20220409122A1 (en) | Artificial Intelligence Assisted Medical Diagnosis Method For Sepsis And System Thereof |
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 |