CN117894473A - 一种自适应集成学习模型的出院准备评估方法及系统 - Google Patents
一种自适应集成学习模型的出院准备评估方法及系统 Download PDFInfo
- Publication number
- CN117894473A CN117894473A CN202410056725.6A CN202410056725A CN117894473A CN 117894473 A CN117894473 A CN 117894473A CN 202410056725 A CN202410056725 A CN 202410056725A CN 117894473 A CN117894473 A CN 117894473A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- model
- classification
- base
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000002360 preparation method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000013145 classification model Methods 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 208000019901 Anxiety disease Diseases 0.000 claims description 3
- 230000036506 anxiety Effects 0.000 claims description 3
- 230000003920 cognitive function Effects 0.000 claims description 3
- 230000037213 diet Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000006996 mental state Effects 0.000 claims description 3
- 230000002980 postoperative effect Effects 0.000 claims description 3
- 230000009323 psychological health Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种自适应集成学习模型的出院准备评估方法及系统，属于医疗控制系统技术领域。其中，该方法包括：获取原始医用数据并进行预处理，划分为训练集和测试集；构建自适应评估模型，对训练集进行数据采样得到数据子集，采用基分类器对自适应评估模型进行分类预测得到第一分类预测结果；将数据子集作为训练集训练基分类器得到基分类模型，将测试集作为基分类模型的输入得到测试集预测结果；将测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用测试集作为堆叠分类模型的输入得到第二分类预测结果；将第一分类预测结果与第二分类预测结果进行信效度评估得到出院计划综合评估量表。实现了基于多方位信息的综合出院准备评估考量。
Description
技术领域
本发明属于医疗控制系统技术领域，具体涉及一种自适应集成学习模型的出院准备评估方法及系统。
背景技术
随着持续增长的院后卫生服务需求与医疗资源紧张的矛盾日益显著，在出院计划的实践过程中早期评估以确定高需求患者是促进其顺利实施的关键，由于关注点不同，护患双方对出院准备情况的认识并不一致，且对出院准备度的评估也存在差异；现有技术主要根据现有医疗控制系统中的数据信息做出主观判断，缺乏有效的整体评估标准，在面对大量数据时，无法及时做出响应，且数值型的评判标准无法适应数据分布的变化，在实际问题处理上缺乏综合考量。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种自适应集成学习模型的出院准备评估方法及系统；
本发明的目的可以通过以下技术方案实现：
S1：获取原始医用数据，对所述原始医用数据中缺失的属性值进行量化填充得到预处理结果，将所述预处理结果划分为训练集和测试集；
S2：构建自适应评估模型，分析所述训练集的类别平衡性得到不平衡率，预设检测阈值，若所述不平衡率小于所述检测阈值，则对所述训练集进行数据采样得到数据子集，若所述不平衡率大于所述检测阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果；
S3：将所述数据子集作为训练集训练基分类器得到基分类模型，将所述测试集作为所述基分类模型的输入得到测试集预测结果；
S4：将所述测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用所述测试集作为所述堆叠分类模型的输入得到第二分类预测结果；
S5：将所述第一分类预测结果与所述第二分类预测结果进行信效度评估得到出院计划综合评估量表。
具体地，所述原始医用数据包括患者自评量表、专家建议量表、照顾者自评量表、入院时间、术前时间、术后时间、疾病类别；所述患者自评量表包括人际关系敏感度、心理健康指数、焦虑状况、出院偏向度、睡眠状况、饮食状况、身体不适感共7项条目属性，上述7项条目属性的取值为1-10，所述专家建议量表包括体力恢复状态、精神状态、认知功能状态、健康评估、后遗症风险共5项条目属性，上述5项条目属性的取值为1-10，所述照顾者自评量表包括应对和管理紧急情况、照顾压力、出院照顾准备、亲属照顾出院意向值共4项条目属性，上述4项条目属性的取值为1-10，集成所述原始数据共20项属性，对采集的原始医用数据中缺失的属性值进行量化填充得到预处理结果。
作为本发明的一种优选技术方案，所述量化填充方法为：
对所述原始医用数据标注不同类别，将不同属性数据之间的相互距离标注为1，将相同属性数据之间的相互距离标注为0；将全部数据的属性值进行归一化，赋予不同属性数据相同的权值，并计算属性间的不完整信息相似度，计算公式为：
其中，S为不完整信息相似度，P为离散型属性个数，q为数据属性，j为数据集合任一簇中心，a为连续型数值属性，b、c为不同类别信息，cj、ck为c类信息下的第j、k个属性，q为数据集合；
通过所述不完整信息相似度计算原始医用数据的信息熵，以所述信息熵为参照对所述原始医用数据进行缺失数据填充，计算公式为：
其中，F为缺失数据的填充函数，H为信息熵，E为占位系数，K1、K2为相同类别中的不同数据，U为同类数据的相关性系数，d为缺失数据有效取值区间，k为属性取值；
将处理后的原始数据按照9：1的比例划分为训练集和测试集。
具体地，所述S2包括：
通过所述自适应评估模型将所述训练集分为多数样本集和少数样本集两类，预设数据子集个数和迭代次数；
从所述多数样本集中选取循环样本，将所述循环样本与所述少数样本集组成循环数据子集，通过所述循环数据子集训练集成分类器，并通过调整所述集成分类器的参数控制误差矩阵，并预设误差阈值和检测阈值；
选取所述误差矩阵小于所述误差阈值对应的所述循环样本，并在所述多数样本集中剔除所述循环样本，若所述多数样本集于所述少数样本集的比值小于所述检测阈值，则将所述循环数据子集保存为数据子集，若所述多数样本集于所述少数样本集的比值大于设定的不平衡率阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果。
具体地，所述基分类器训练方法为：通过输入的训练数据构建决策树集合得到目标函数，计算公式为：
其中，O(t)为目标函数，为训练损失，i为训练样本计数，n为训练样本总数，k为决策树计数，K为决策树棵树的总数，g为复杂系数，T为叶子节点个数，λ为梯度常数，||wk||2为叶子节点的L2范数；
根据最优叶子权重求解所述目标函数得到模型参数，通过训练数据对所述基分类器进行迭代训练得到基分类模型。
具体地，所述堆叠分类器训练方法为：将每个基分类模型的输出结果组成新的训练集，基于所述基分类模型的特征分配权重，通过交叉验证拟合所述基分类模型得到堆叠分类模型，计算公式为：
其中，(cl，wl)为堆叠分类模型，c为基分类模型，w为基分类模型对应的权重，e为损失函数，n为基分类模型计数，N为基分类模型总数，sl-1为基分类器组成的集成模型，xn为模型输入，yn为模型输出。
一种自适应集成学习模型的出院准备评估系统，包括数据预处理模块、自适应分类模块、模型训练模块、模型集成模块、分类预测模块；
所述数据预处理模块用于获取原始医用数据，对所述原始医用数据进行预处理后划分为训练集和测试集；
所述自适应分类模块用于构建自适应评估模型，分析所述训练集的类别平衡性得到不平衡率，预设检测阈值，若所述不平衡率小于所述检测阈值，则对所述训练集进行数据采样得到数据子集，若所述不平衡率大于所述检测阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果；
所述模型训练模块用于将所述数据子集作为训练集训练基分类器得到基分类模型，将所述测试集作为所述基分类模型的输入得到测试集预测结果；
所述模型集成模块用于将所述测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用所述测试集作为所述堆叠分类模型的输入得到第二分类预测结果；
所述分类预测模块用于将所述第一分类预测结果与所述第二分类预测结果进行信效度评估得到出院计划综合评估量表。
本发明的有益效果为：
(1)通过设置自适应评估模型来提取医用数据中的局部信息，并通过对数据填充来弥补系统信息录入时的缺失值，构建符合当前数据分布的训练集，能够对变化的数据自适应学习，提升分类模型的适应性，综合多方位信息考量，做出合理性评估。
(2)通过设置集成模型对超出阈值的不平衡数据进行处理，有效解决不平衡数据对模型的干扰，借助堆叠策略弥补数据欠采样的缺陷，充分利用原始样本数据。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的一种自适应集成学习模型的出院准备评估方法的流程示意图；。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
请参阅图1，一种自适应集成学习模型的出院准备评估方法：
S1：获取原始医用数据，对所述原始医用数据中缺失的属性值进行量化填充得到预处理结果，将所述预处理结果划分为训练集和测试集；
S2：构建自适应评估模型，分析所述训练集的类别平衡性得到不平衡率，预设检测阈值，若所述不平衡率小于所述检测阈值，则对所述训练集进行数据采样得到数据子集，若所述不平衡率大于所述检测阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果；
S3：将所述数据子集作为训练集训练基分类器得到基分类模型，将所述测试集作为所述基分类模型的输入得到测试集预测结果；
S4：将所述测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用所述测试集作为所述堆叠分类模型的输入得到第二分类预测结果；
S5：将所述第一分类预测结果与所述第二分类预测结果进行信效度评估得到出院计划综合评估量表。
具体地，所述原始医用数据包括患者自评量表、专家建议量表、照顾者自评量表、入院时间、术前时间、术后时间、疾病类别；所述患者自评量表包括人际关系敏感度、心理健康指数、焦虑状况、出院偏向度、睡眠状况、饮食状况、身体不适感共7项条目属性，上述7项条目属性的取值为1-10，所述专家建议量表包括体力恢复状态、精神状态、认知功能状态、健康评估、后遗症风险共5项条目属性，上述5项条目属性的取值为1-10，所述照顾者自评量表包括应对和管理紧急情况、照顾压力、出院照顾准备、亲属照顾出院意向值共4项条目属性，上述4项条目属性的取值为1-10，集成所述原始数据共20项属性，对采集的原始医用数据中缺失的属性值进行量化填充得到预处理结果。
作为本发明的一种优选技术方案，所述量化填充方法为：
对所述原始医用数据标注不同类别，将不同属性数据之间的相互距离标注为1，将相同属性数据之间的相互距离标注为0；将全部数据的属性值进行归一化，赋予不同属性数据相同的权值，并计算属性间的不完整信息相似度，计算公式为：
其中，S为不完整信息相似度，P为离散型属性个数，q为数据属性，j为数据集合任一簇中心，a为连续型数值属性，b、c为不同类别信息，cj、ck为c类信息下的第j、k个属性，q为数据集合；
通过所述不完整信息相似度计算原始医用数据的信息熵，以所述信息熵为参照对所述原始医用数据进行缺失数据填充，计算公式为：
其中，F为缺失数据的填充函数，H为信息熵，E为占位系数，K1、K2为相同类别中的不同数据，U为同类数据的相关性系数，d为缺失数据有效取值区间，k为属性取值；
将处理后的原始数据按照9：1的比例划分为训练集和测试集。
本实施例中，采用基于sklearn模块内置的SimpleImputer方法实现数据填充，使用lightgbm进行快速、高效的内存插补，通过变量大量应用插补程序。通过将命名列表传递给variable_schema，为要估算的每个变量指定预测变量。通过传递有效值的字典来指定mean_match_candidates和变量，变量名作为键。
具体地，所述S2包括：
通过所述自适应评估模型将所述训练集分为多数样本集和少数样本集两类，预设数据子集个数和迭代次数；
从所述多数样本集中选取循环样本，将所述循环样本与所述少数样本集组成循环数据子集，通过所述循环数据子集训练集成分类器，并通过调整所述集成分类器的参数控制误差矩阵，并预设误差阈值和检测阈值；
选取所述误差矩阵小于所述误差阈值对应的所述循环样本，并在所述多数样本集中剔除所述循环样本，若所述多数样本集于所述少数样本集的比值小于所述检测阈值，则将所述循环数据子集保存为数据子集，若所述多数样本集于所述少数样本集的比值大于设定的不平衡率阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果。
本实施例中，采用平衡级联算法减少多数类样本中的冗余样本，使得多数类和少数类样本数据尽可能平衡，有效克服利用随机欠采样技术随机去除样本而造成信息丢失的缺点，根据正负样本不平衡率设置数据子集的数量从而得到一个可调节数据子集数量的数据集合。提高数据集整体的代表性和鲁棒性，避免获得非代表性的预测。
具体地，所述基分类器训练方法为：通过输入的训练数据构建决策树集合得到目标函数，计算公式为：
其中，O(t)为目标函数，为训练损失，i为训练样本计数，n为训练样本总数，k为决策树计数，K为决策树棵树的总数，g为复杂系数，T为叶子节点个数，λ为梯度常数，||wk||2为叶子节点的L2范数；
根据最优叶子权重求解所述目标函数得到模型参数，通过训练数据对所述基分类器进行迭代训练得到基分类模型。
本实施例中，采用XGBoost算法训练数据迭代构建决策树集合使得模型残差不断往梯度方向减少，从而构建出一个具有较强鲁棒性和分类性能的集成模型，在GBDT的基础上对目标函数进行了二阶泰勒展开，在模型训练过程中使用了二阶导数加快模型的收敛速度。
具体地，所述堆叠分类器训练方法为：将每个基分类模型的输出结果组成新的训练集，基于所述基分类模型的特征分配权重，通过交叉验证拟合所述基分类模型得到堆叠分类模型，计算公式为：
其中，(cl，wl)为堆叠分类模型，c为基分类模型，w为基分类模型对应的权重，e为损失函数，n为基分类模型计数，N为基分类模型总数，sl-1为基分类器组成的集成模型，xn为模型输入，yn为模型输出。
本实施例中，所有模型已采用5折交叉验证进行参数寻优，基分类器由1个LSTM层、2个全连接层和1个sigmoid输出层组成；初始学习率设置为0.001，使用Adam优化器进行训练，最大训练次数设置为200次。
一种自适应集成学习模型的出院准备评估系统，包括数据预处理模块、自适应分类模块、模型训练模块、模型集成模块、分类预测模块；
所述数据预处理模块用于获取原始医用数据，对所述原始医用数据进行预处理后划分为训练集和测试集；
所述自适应分类模块用于构建自适应评估模型，分析所述训练集的类别平衡性得到不平衡率，预设检测阈值，若所述不平衡率小于所述检测阈值，则对所述训练集进行数据采样得到数据子集，若所述不平衡率大于所述检测阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果；
所述模型训练模块用于将所述数据子集作为训练集训练基分类器得到基分类模型，将所述测试集作为所述基分类模型的输入得到测试集预测结果；
所述模型集成模块用于将所述测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用所述测试集作为所述堆叠分类模型的输入得到第二分类预测结果；
所述分类预测模块用于将所述第一分类预测结果与所述第二分类预测结果进行信效度评估得到出院计划综合评估量表。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (7)
1.一种自适应集成学习模型的出院准备评估方法，其特征在于，包括：
S1：获取原始医用数据，对所述原始医用数据中缺失的属性值进行量化填充得到预处理结果，将所述预处理结果划分为训练集和测试集；
S2：构建自适应评估模型，分析所述训练集的类别平衡性得到不平衡率，预设检测阈值，若所述不平衡率小于所述检测阈值，则对所述训练集进行数据采样得到数据子集，若所述不平衡率大于所述检测阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果；
S3：将所述数据子集作为训练集训练基分类器得到基分类模型，将所述测试集作为所述基分类模型的输入得到测试集预测结果；
S4：将所述测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用所述测试集作为所述堆叠分类模型的输入得到第二分类预测结果；
S5：将所述第一分类预测结果与所述第二分类预测结果进行信效度评估得到出院计划综合评估量表。
2.根据权利要求1所述的一种自适应集成学习模型的出院准备评估方法，其特征在于，所述原始医用数据包括患者自评量表、专家建议量表、照顾者自评量表、入院时间、术前时间、术后时间、疾病类别；所述患者自评量表包括人际关系敏感度、心理健康指数、焦虑状况、出院偏向度、睡眠状况、饮食状况、身体不适感共7项条目属性，上述7项条目属性的取值为1-10，所述专家建议量表包括体力恢复状态、精神状态、认知功能状态、健康评估、后遗症风险共5项条目属性，上述5项条目属性的取值为1-10，所述照顾者自评量表包括应对和管理紧急情况、照顾压力、出院照顾准备、亲属照顾出院意向值共4项条目属性，上4项条目属性的取值为1-10，集成所述原始数据共20项属性，对采集的原始医用数据中缺失的属性值进行量化填充得到预处理结果。
3.根据权利要求1所述的一种自适应集成学习模型的出院准备评估方法，其特征在于，所述量化填充方法为：
对所述原始医用数据标注不同类别，将不同属性数据之间的相互距离标注为1，将相同属性数据之间的相互距离标注为0；将全部数据的属性值进行归一化，赋予不同属性数据相同的权值，并计算属性间的不完整信息相似度，计算公式为：
其中，S为不完整信息相似度，P为离散型属性个数，q为数据属性，j为数据集合任一簇中心，a为连续型数值属性，b、c为不同类别信息，cj、ck为c类信息下的第j、k个属性，q为数据集合；
通过所述不完整信息相似度计算原始医用数据的信息熵，以所述信息熵为参照对所述原始医用数据进行缺失数据填充，计算公式为：
其中，F为缺失数据的填充函数，H为信息熵，E为占位系数，K1、K2为相同类别中的不同数据，U为同类数据的相关性系数，d为缺失数据有效取值区间，k为属性取值；
将处理后的原始数据按照9：1的比例划分为训练集和测试集。
4.根据权利要求1所述的一种自适应集成学习模型的出院准备评估方法，其特征在于，所述S2包括：
通过所述自适应评估模型将所述训练集分为多数样本集和少数样本集两类，预设数据子集个数和迭代次数；
从所述多数样本集中选取循环样本，将所述循环样本与所述少数样本集组成循环数据子集，通过所述循环数据子集训练集成分类器，并通过调整所述集成分类器的参数控制误差矩阵，并预设误差阈值和检测阈值；
选取所述误差矩阵小于所述误差阈值对应的所述循环样本，并在所述多数样本集中剔除所述循环样本，若所述多数样本集于所述少数样本集的比值小于所述检测阈值，则将所述循环数据子集保存为数据子集，若所述多数样本集于所述少数样本集的比值大于设定的不平衡率阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果。
5.根据权利要求1所述的一种自适应集成学习模型的出院准备评估方法，其特征在于，所述基分类器训练方法为：通过输入的训练数据构建决策树集合得到目标函数，计算公式为：
其中，O(t)为目标函数，为训练损失，i为训练样本计数，n为训练样本总数，k为决策树计数，K为决策树棵树的总数，g为复杂系数，T为叶子节点个数，λ为梯度常数，||wk||2为叶子节点的L2范数；
根据最优叶子权重求解所述目标函数得到模型参数，通过训练数据对所述基分类器进行迭代训练得到基分类模型。
6.根据权利要求1所述的一种自适应集成学习模型的出院准备评估方法，其特征在于，所述堆叠分类器训练方法为：将每个基分类模型的输出结果组成新的训练集，基于所述基分类模型的特征分配权重，通过交叉验证拟合所述基分类模型得到堆叠分类模型，计算公式为：
其中，(cl，wl)为堆叠分类模型，c为基分类模型，w为基分类模型对应的权重，e为损失函数，n为基分类模型计数，N为基分类模型总数，sl-1为基分类器组成的集成模型，xn为模型输入，yn为模型输出。
7.一种自适应集成学习模型的出院准备评估系统，用于执行如权利要求1-6中任一所述的一种自适应集成学习模型的出院准备评估方法，其特征在于，包括数据预处理模块、自适应分类模块、模型训练模块、模型集成模块、分类预测模块；
所述数据预处理模块用于获取原始医用数据，对所述原始医用数据进行预处理后划分为训练集和测试集；
所述自适应分类模块用于构建自适应评估模型，分析所述训练集的类别平衡性得到不平衡率，预设检测阈值，若所述不平衡率小于所述检测阈值，则对所述训练集进行数据采样得到数据子集，若所述不平衡率大于所述检测阈值，则采用基分类器对所述自适应评估模型进行分类预测得到第一分类预测结果；
所述模型训练模块用于将所述数据子集作为训练集训练基分类器得到基分类模型，将所述测试集作为所述基分类模型的输入得到测试集预测结果；
所述模型集成模块用于将所述测试集预测结果作为训练数据训练堆叠分类器得到堆叠分类模型，使用所述测试集作为所述堆叠分类模型的输入得到第二分类预测结果；
所述分类预测模块用于将所述第一分类预测结果与所述第二分类预测结果进行信效度评估得到出院计划综合评估量表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410056725.6A CN117894473A (zh) | 2024-01-16 | 2024-01-16 | 一种自适应集成学习模型的出院准备评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410056725.6A CN117894473A (zh) | 2024-01-16 | 2024-01-16 | 一种自适应集成学习模型的出院准备评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117894473A true CN117894473A (zh) | 2024-04-16 |
Family
ID=90640774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410056725.6A Pending CN117894473A (zh) | 2024-01-16 | 2024-01-16 | 一种自适应集成学习模型的出院准备评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117894473A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110289097A (zh) * | 2019-07-02 | 2019-09-27 | 重庆大学 | 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统 |
| US20210034305A1 (en) * | 2019-03-19 | 2021-02-04 | Boe Technology Group Co., Ltd. | Question generating method and apparatus, inquiring diagnosis system, and computer readable storage medium |
| CN114664451A (zh) * | 2022-05-19 | 2022-06-24 | 浙江省肿瘤医院 | 用于预测直肠癌患者术后出院准备度的模型 |
| CN115438731A (zh) * | 2022-09-05 | 2022-12-06 | 浙江财经大学 | 一种基于混合采样的公平感知集成模型训练方法 |
| CN116453694A (zh) * | 2023-04-28 | 2023-07-18 | 武汉大学 | 基于有放回欠采样集成框架的疾病风险预测方法及系统 |
-
2024
- 2024-01-16 CN CN202410056725.6A patent/CN117894473A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210034305A1 (en) * | 2019-03-19 | 2021-02-04 | Boe Technology Group Co., Ltd. | Question generating method and apparatus, inquiring diagnosis system, and computer readable storage medium |
| CN110289097A (zh) * | 2019-07-02 | 2019-09-27 | 重庆大学 | 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统 |
| CN114664451A (zh) * | 2022-05-19 | 2022-06-24 | 浙江省肿瘤医院 | 用于预测直肠癌患者术后出院准备度的模型 |
| CN115438731A (zh) * | 2022-09-05 | 2022-12-06 | 浙江财经大学 | 一种基于混合采样的公平感知集成模型训练方法 |
| CN116453694A (zh) * | 2023-04-28 | 2023-07-18 | 武汉大学 | 基于有放回欠采样集成框架的疾病风险预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王冰花;汪晖;王成爽;: "出院准备服务评估工具的研究进展", 护士进修杂志, no. 04, 22 February 2020 (2020-02-22), pages 46 - 49 * |
| 陈宇等: "人工智能在教育治理中的应用与发展", 31 December 2021, 华中科技大学出版社, pages: 124 - 125 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109411082B (zh) | 一种医疗质量评价及就诊推荐方法 | |
| US20240203599A1 (en) | Method and system of for predicting disease risk based on multimodal fusion | |
| CN109935336B (zh) | 一种儿童呼吸科疾病的智能辅助诊断系统 | |
| CN111563533B (zh) | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 | |
| WO2019042099A1 (zh) | 一种中药生产过程知识系统 | |
| CN111899882B (zh) | 一种预测癌症的方法及系统 | |
| CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
| CN112331349B (zh) | 一种脑卒中复发监测系统 | |
| CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
| WO2024131524A1 (zh) | 一种基于食物图像分割的抑郁症膳食管理方法 | |
| CN112732690A (zh) | 一种用于慢病检测及风险评估的稳定系统及方法 | |
| CN113674862A (zh) | 一种基于机器学习的急性肾功能损伤发病预测方法 | |
| CN113593708A (zh) | 基于集成学习算法的脓毒症预后预测方法 | |
| CN115527673A (zh) | 一种基于大数据的心理健康风险筛查系统及其方法 | |
| CN115205601A (zh) | 一种基于人工智能与知识图谱的医学检验结果审核系统 | |
| CN118197515A (zh) | 一种青少年肥胖风险预警的方法、系统及设备 | |
| CN108198115A (zh) | 一种用于学生管理的应用管控系统 | |
| CN117894473A (zh) | 一种自适应集成学习模型的出院准备评估方法及系统 | |
| CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
| Miller | Modeling concept acquisition in the context of a unified theory of cognition | |
| CN115171842A (zh) | 基于证候信息的图神经网络中药推荐方法 | |
| CN115064276A (zh) | 一种使用自注意力机制的疾病预测方法 | |
| CN113470819A (zh) | 基于随机森林的非平衡小样本压疮不良事件早期预测方法 | |
| CN114255865A (zh) | 一种基于循环神经网络的诊疗项目预测方法 | |
| Shi et al. | How to combine CBR and RBR for diagnosing multiple medical disorder cases |
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 |