CN115602317A - 一种基于深度学习的七点血糖预测模型构建方法及装置 - Google Patents
一种基于深度学习的七点血糖预测模型构建方法及装置 Download PDFInfo
- Publication number
- CN115602317A CN115602317A CN202211353707.1A CN202211353707A CN115602317A CN 115602317 A CN115602317 A CN 115602317A CN 202211353707 A CN202211353707 A CN 202211353707A CN 115602317 A CN115602317 A CN 115602317A
- Authority
- CN
- China
- Prior art keywords
- data
- point blood
- model
- deep learning
- blood sugar
- 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
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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/151—Devices specially adapted for taking samples of capillary blood, e.g. by lancets, needles or blades
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/15—Devices for taking samples of blood
- A61B5/157—Devices characterised by integrated means for measuring characteristics of blood
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Hematology (AREA)
- Primary Health Care (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于深度学习的七点血糖预测模型构建方法及装置,所述方法包括:采集若干名病患状态特征数据;对采集的数据进行处理,对非时序数据进行缺失填充,对时序数据进行数据切片处理;对处理后的数据进行划分,按照比例将数据分为训练集和验证集;构建七点血糖预测的神经网络模型;通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型;将选取的最终模型作为七点血糖预测模型用于预测。本发明基于深度学习的七点血糖预测模型构建方法,能通过历史血糖变化进行未来七点血糖预测,为临床指导提供参考。
Description
技术领域
本发明涉及七点血糖预测技术领域,具体地,涉及一种基于深度学习的七点血糖预测模型构建方法及装置。
背景技术
既往基于点血糖的血糖预测模型大多通过输入患者血糖及部分病史特征、运动及饮食情况,使用诸如自回归模型、多项式模型、隐变量模型以及机器学习等方法构建短时间内的血糖预测,常存在预测时间较短、训练人群与真实世界存在差异等缺陷。此外,现有的血糖预测模型多用于1型糖尿病患者、ICU或者门诊患者,在住院的2型糖尿病患者中的研究还较少,只能进行短时血糖数值预测,还无法做到预测患者长时间血糖水平。
发明内容
针对现有技术中的缺陷,本发明的目的在于提供一种基于深度学习的七点血糖预测模型构建方法及装置,能通过以往血糖变化进行血糖数值范围预测预警,准确、科学,为临床用药指导提供参考和预警。
为解决上述问题,本发明的技术方案为:
一种基于深度学习的七点血糖预测模型构建方法,包括以下步骤:
采集若干名病患状态特征数据;
对采集的数据进行处理,对非时序数据进行缺失填充,对时序数据进行数据切片处理;
对处理后的数据进行划分,按照比例将数据分为训练集和验证集;
构建七点血糖预测的神经网络模型;
通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型;
将选取的最终模型作为七点血糖预测模型用于预测。
优选地,所述采集若干名病患状态特征数据的步骤具体包括:通过医院信息系统获取病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据以及通过指尖血糖采集获取七点血糖记录的时序数据。
优选地,所述对采集的数据进行处理,对非时序数据进行缺失填充,对时序数据进行数据切片处理的步骤具体包括:
从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入,通过固定的缺失编码和平均编码对缺失的特征进行填充,并通过深度学习模型中的编码器编码得到病患的非时序信息特征编码;
对胰岛素注射记录与口服药物记录时间进行离散化处理,处理间隔为1小时;
对连续血糖记录的时序数据进行切片处理,切片长度为24小时。
优选地,所述对处理后的数据进行划分,按照比例将数据分为训练集和验证集的步骤中,按照0.7:0.3的比例将数据分为训练集和验证集。
优选地,所述构建七点血糖预测的神经网络模型的步骤具体包括:
构建多层全连接层组成的非时序编码器,对非时序信息进行编码得到对应的高维特征表示;
构建编码层对离散类的时序数据转换至连续特征,在时间维度上与七点血糖值进行拼接,通过LSTM层和Transformer层分别处理得到对应高维特征表达;
将LSTM层和Transformer层处理结果拼接融合,得到状态向量;
构建多层堆叠的全连接和线性映射层对输入的状态向量处理以输出常数预测值。
优选地,所述构建编码层对离散类的时序数据进行转换至连续特征的步骤具体包括:
采用编码层将类别信息转换至连续特征;
将用量信息与编码后的类别信息在时间维度上拼接,同时在时间维度上与七点血糖值进行拼接。
优选地,所述通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型的步骤中,对模型进行训练,使用Adam优化器,设定学习率,学习率为七点调整,调整范围为0.01至0.001,训练次数为400次,并根据验证集最优的原则选取最终的模型。
进一步地,本发明还提供一种基于深度学习的七点血糖预测模型构建装置,所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器,所述处理器配置为经由执行所述可执行指令来执行如上所述的基于深度学习的七点血糖预测模型构建方法。
与现有技术相比,本发明基于深度学习的七点血糖预测模型构建方法通过指尖血糖仪采取患者七点血糖,配合病患基本信息及化验检验信息,构建七点血糖预测的神经网络模型,进行训练,再通过深度学习的神经网络模型进行预测,可预测糖尿病患者接下来一整天的血糖变化趋势,为临床用药指导提供参考和预警。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的基于深度学习的七点血糖预测模型构建方法流程框图;
图2为本发明实施例提供的神经网络模型的内部数据处理结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,将使本发明的技术方案及其有益效果显而易见。
具体地,图1为本发明实施例提供的基于深度学习的七点血糖预测模型构建方法流程框图,如图1所示,所述方法包括以下步骤:
S1:采集若干名病患状态特征数据;
具体地,采集若干名病患状态特征数据,包括有通过医院信息系统(HospitalInformation System,HIS)获取的病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据,还包括有通过指尖血糖采集获取的七点血糖记录的时序数据,所述七点血糖记录的时序数据包括早餐前、早餐后、午餐前、午餐后、晚餐前、晚餐后、睡前的血糖数据。
利用医院收集的7372名住院病人的病史、化验检验、胰岛素注射记录、口服药物记录、七点血糖记录作为模型输入数据。其中病人的病史作为基本信息在入院时由医生录入,为非时序信息;化验检验通常在病人住院期间的前1~2天完成,同样是非时序信息。胰岛素注射记录和口服药物记录是时序信息,它们包括具体使用时间(精确到分钟)和使用剂量。
S2:对采集的数据进行处理,对非时序数据进行缺失填充,对时序数据进行数据切片处理;
具体地,采集的数据中,胰岛素记录较为稀疏,不同品牌的胰岛素在注射记录在时序信息出现次数不均匀,有的胰岛素出现次数很少,直接学习会造成深度学习模型有不平衡的问题。为此我们对胰岛素做了一些处理,在网络中融入了胰岛素的分类信息(预混胰岛素、短效胰岛素和基础胰岛素)、起效时间、峰值时间、持续时间、注射值。
经过筛选与糖尿病相关的信息,从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入,但并不是每一位病人都做了详尽的检查,会造成了非时序信息的缺失。对于缺失的特征,通过使用固定的缺失编码和平均编码对缺失的特征进行填充,并通过深度学习模型中的编码器编码,得到病患的非时序信息特征编码。
对胰岛素注射记录与口服药物记录时间进行了离散化处理,处理间隔为1小时。
对连续血糖记录的时序数据进行切片处理,切片长度为24小时。
S3:对处理后的数据进行划分,按照比例将数据分为训练集和验证集;
具体地,对处理后的数据进行划分,按照0.7:0.3的比例将数据分为训练集和验证集。
S4:构建七点血糖预测的神经网络模型;
具体地,构建七点血糖预测的神经网络模型,采用多头注意力编码器分别对非时序和时序两种不同模态的输入信息进行编码,构建如图2所示的血糖预测的神经网络模型。
构建多层全连接层组成的非时序编码器,对非时序信息进行编码得到对应的高维特征(128维)表示。
构建编码层对离散类的时序数据转换至连续特征,胰岛素注射记录与口服药物记录均包括有类别信息和用量信息,类别信息属于离散类数据,采用编码层将类别信息转换至连续特征,并将用量信息与编码后的类别信息在时间维度上拼接,同时在时间维度上与连续血糖值进行拼接,通过LSTM层和Transformer层分别处理得到时序信息的高维特征表达,经过拼接后得到T(时间长度)*M(特征数)的向量,其中M维的特征是t时刻的状态(包括胰岛素、口服药和血糖值)的高维表达。
将时序特征与非时序特征进一步拼接融合后,得到128维的向量。
构建多层堆叠的全连接和线性映射层对输入的状态向量处理以输出常数预测值。
S5:通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型;
具体地,对模型进行训练,使用Adam优化器,设定学习率,通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型。
使用Adam优化器,学习率为动态调整,调整范围为0.01至0.001,训练次数为400次,并根据验证集最优的原则选取最终的模型。
S6:将选取的最终模型作为七点血糖预测模型用于预测。
基于高质量的患者病史、药物情况、连续血糖监测等信息,本发明利用深度学习模型构建血糖预测模型,效果优于既往模型,下表1展示了本申请模型与Baseline、XGBoost模型和医生预测的对比,评估指标为MAE(mmol/L)。
评价指标 | Baseline | XGBoost | 医生预测 | 本申请模型 |
MAE | 3.45 | 2.62 | 2.41 | 2.15 |
表1
本申请模型计划在住院糖尿病患者中使用,通过与HIS系统相连获取患者病史、用药、七点血糖等基本信息,将获取数据输入模型中,模型可预测该患者未来七点血糖,包括早餐前、早餐后、午餐前、午餐后、晚餐前、晚餐后、睡前血糖值。最终预测结果的形式是:“患者未来一天的七点血糖为:早餐前9.9mmol/L、早餐后16.4mmol/L、午餐前12.4mmol/L、午餐后11.9mmol/L、晚餐前13.6mmol/L、晚餐后14.5mmol/L、睡前13.7mmol/L”。
本发明还公开了一种基于深度学习的七点血糖预测模型构建装置,所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器,所述处理器配置为经由执行所述可执行指令来执行如上所述的基于深度学习的七点血糖预测模型构建方法。
综上所述,本发明基于深度学习的七点血糖预测模型构建方法通过指尖血糖仪采取患者七点血糖,配合病患基本信息及化验检验信息,构建七点血糖预测的神经网络模型,进行训练,再通过深度学习的神经网络模型进行预测,可预测糖尿病患者接下来一整天的血糖变化趋势,为临床用药指导更好的提供参考和预警。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于深度学习的七点血糖预测模型构建方法,其特征在于,所述方法包括以下步骤:
采集若干名病患状态特征数据;
对采集的数据进行处理,对非时序数据进行缺失填充,对时序数据进行数据切片处理;
对处理后的数据进行划分,按照比例将数据分为训练集和验证集;
构建七点血糖预测的神经网络模型;
通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型;
将选取的最终模型作为七点血糖预测模型用于预测。
2.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法,其特征在于,所述采集若干名病患状态特征数据的步骤具体包括:通过医院信息系统获取病患基本信息及化验检验信息的非时序数据、胰岛素注射记录与口服药物记录的时序数据以及通过指尖血糖采集获取七点血糖记录的时序数据。
3.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法,其特征在于,所述对采集的数据进行处理,对非时序数据进行缺失填充,对时序数据进行数据切片处理的步骤具体包括:
从病患的病例信息和化验检验信息中选取若干个特征组成非时序输入,通过固定的缺失编码和平均编码对缺失的特征进行填充,并通过深度学习模型中的编码器编码得到病患的非时序信息特征编码;
对胰岛素注射记录与口服药物记录时间进行离散化处理,处理间隔为1小时;
对连续血糖记录的时序数据进行切片处理,切片长度为24小时。
4.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法,其特征在于,所述对处理后的数据进行划分,按照比例将数据分为训练集和验证集的步骤中,按照0.7:0.3的比例将数据分为训练集和验证集。
5.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法,其特征在于,所述构建七点血糖预测的神经网络模型的步骤具体包括:
构建多层全连接层组成的非时序编码器,对非时序信息进行编码得到对应的高维特征表示;
构建编码层对离散类的时序数据转换至连续特征,在时间维度上与七点血糖值进行拼接,通过LSTM层和Transformer层分别处理得到对应高维特征表达;
将LSTM层和Transformer层处理结果拼接融合,得到状态向量;
构建多层堆叠的全连接和线性映射层对输入的状态向量处理以输出常数预测值。
6.根据权利要求5所述的基于深度学习的七点血糖预测模型构建方法,其特征在于,所述构建编码层对离散类的时序数据进行转换至连续特征的步骤具体包括:
采用编码层将类别信息转换至连续特征;
将用量信息与编码后的类别信息在时间维度上拼接,同时在时间维度上与七点血糖值进行拼接。
7.根据权利要求1所述的基于深度学习的七点血糖预测模型构建方法,其特征在于,所述通过训练集数据对模型进行训练,并根据验证集最优的原则选取最终模型的步骤中,对模型进行训练,使用Adam优化器,设定学习率,学习率为动态调整,调整范围为0.01至0.001,训练次数为400次,并根据验证集最优的原则选取最终的模型。
8.一种基于深度学习的七点血糖预测模型构建装置,其特征在于,所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的基于深度学习的七点血糖预测模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353707.1A CN115602317A (zh) | 2022-11-01 | 2022-11-01 | 一种基于深度学习的七点血糖预测模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353707.1A CN115602317A (zh) | 2022-11-01 | 2022-11-01 | 一种基于深度学习的七点血糖预测模型构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115602317A true CN115602317A (zh) | 2023-01-13 |
Family
ID=84850618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211353707.1A Pending CN115602317A (zh) | 2022-11-01 | 2022-11-01 | 一种基于深度学习的七点血糖预测模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115602317A (zh) |
-
2022
- 2022-11-01 CN CN202211353707.1A patent/CN115602317A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11961621B2 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
Tang et al. | Democratizing EHR analyses with FIDDLE: a flexible data-driven preprocessing pipeline for structured clinical data | |
Ge et al. | An Interpretable ICU Mortality Prediction Model Based on Logistic Regression and Recurrent Neural Networks with LSTM units. | |
Johnson et al. | Reproducibility in critical care: a mortality prediction case study | |
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
WO2013036677A1 (en) | Medical informatics compute cluster | |
Do et al. | Classification of asthma severity and medication using TensorFlow and multilevel databases | |
Deng et al. | Evaluating machine learning models for sepsis prediction: A systematic review of methodologies | |
CN115249541A (zh) | 一种基于深度学习的动态血糖预测模型构建方法 | |
CN113270192A (zh) | 基于动静态数据结合与深度自编码器的血透风险预测系统 | |
CN112908452A (zh) | 事件数据建模 | |
CN113838577A (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
Yang et al. | Disease prediction model based on bilstm and attention mechanism | |
Mandyam et al. | COP-E-CAT: cleaning and organization pipeline for EHR computational and analytic tasks | |
Zhang et al. | Merits: medication recommendation for chronic disease with irregular time-series | |
Mohammadi et al. | Learning to identify patients at risk of uncontrolled hypertension using electronic health records data | |
CN115602317A (zh) | 一种基于深度学习的七点血糖预测模型构建方法及装置 | |
CN116230222A (zh) | 对冠心病住院患者死亡概率预测的方法 | |
CN117116462A (zh) | 一种糖化血红蛋白值的预测方法、系统及装置 | |
Gupta et al. | An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health | |
CN113782197A (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
Brankovic et al. | Elucidating discrepancy in explanations of predictive models developed using emr | |
CN115762698B (zh) | 一种医疗慢病检查报告数据提取方法及系统 | |
KR102380027B1 (ko) | 바이오 빅 데이터 시각화 방법을 이용한 환자 건강진단 단말 | |
Kim | Development and Validation of Traumatic Brain Injury Outcome Prognosis Model and Identification of Novel Quantitative Data-Driven Endotypes |
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 |