JP2024061599A - A system for identifying abnormalities in the course of medical treatment based on a hierarchical neural network - Google Patents

A system for identifying abnormalities in the course of medical treatment based on a hierarchical neural network Download PDF

Info

Publication number
JP2024061599A
JP2024061599A JP2023095902A JP2023095902A JP2024061599A JP 2024061599 A JP2024061599 A JP 2024061599A JP 2023095902 A JP2023095902 A JP 2023095902A JP 2023095902 A JP2023095902 A JP 2023095902A JP 2024061599 A JP2024061599 A JP 2024061599A
Authority
JP
Japan
Prior art keywords
node
medical
medical event
patient
visit
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.)
Granted
Application number
JP2023095902A
Other languages
Japanese (ja)
Other versions
JP7365747B1 (en
Inventor
▲勁▼松 李
▲銘▼▲鴻▼ 徐
▲勝▼▲強▼ 池
雨 田
天舒 周
Original Assignee
之江実験室
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 之江実験室 filed Critical 之江実験室
Application granted granted Critical
Publication of JP7365747B1 publication Critical patent/JP7365747B1/en
Publication of JP2024061599A publication Critical patent/JP2024061599A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • 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
    • 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)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】本発明は階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提供する。【解決手段】データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含む。本発明は、階層図ニューラルネットワークモデル構築及び訓練方法を提出し、複雑な縦方向電子カルテデータに対してモデリング分析を行い、時系列情報及び共起情報の融合利用を実現する。本発明は、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の３つの階層に分け、低階層、細粒度の診療イベント階層から高階層、粗粒度の患者階層に分け、診療過程異常の階層化定量化及び総合評価方法を設計し、かつ診療過程異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。【選択図】図１[Problem] The present invention provides a system for identifying abnormalities in the course of disease diagnosis based on a hierarchical neural network. [Solution] The system includes a data collection module, a data preprocessing module, a hierarchical neural network construction module, a clinical process abnormality score calculation module, and a clinical process abnormality identification application module. The present invention proposes a method for constructing and training a hierarchical neural network model, performs modeling analysis on complex longitudinal electronic medical record data, and realizes the integrated use of time series information and co-occurrence information. The present invention classifies abnormalities in the course of disease diagnosis into three hierarchies, namely, clinical event abnormalities, medical examination abnormalities, and patient abnormalities, and divides them from a low hierarchical fine-grained clinical event hierarchical level to a high hierarchical coarse-grained patient hierarchical level. It designs a hierarchical quantification and comprehensive evaluation method for abnormalities in the course of diagnosis, and provides a classification method for abnormalities in the course of diagnosis, and accurately locates which specific time and which clinical step the abnormalities occur in. [Selected Figure] Figure 1

Description

本発明は、医療健康情報技術分野に属し、具体的に階層図ニューラルネットワークに基づく疾患診療過程異常識別システムに関する。 The present invention belongs to the field of medical and health information technology, and specifically relates to a system for identifying abnormalities in the course of disease diagnosis and treatment based on a hierarchical neural network.

臨床診療過程において、同じ診断を有する患者であっても、異なる臨床症状及び疾患進行軌跡を有する。患者の異質性により、同じ診断の患者は、差異が巨大な診療過程を有することを引き起こす。なお、医療従事者は、臨床ガイドに要求された診療解決手段おおび介入措置に対する了解が不足であり、臨床ガイドに対する依存性が不足であり、及び診療過程に関する医療費及び医療保険償還などの原因により、診療過程の差異を引き起こすと同時、不正確なまたは不適当な医療行為をも導入し、患者の治療効果低下及び医療費増加などの問題を引き起こす。したがって、実際の医療シナリオでは、差異が巨大な診療過程において異常な診療行為を識別し、医療従事者が患者の病状変化に基づいてタイムリー、正確な診療解決手段を調整することを支援し、診療品質を向上し、治療予後を改善することに役たち、診療行為を規範し、医療保険費を制御することに役立つ。 In the clinical treatment process, patients with the same diagnosis have different clinical symptoms and disease progression trajectories. The heterogeneity of patients causes patients with the same diagnosis to have treatment processes with large differences. In addition, medical professionals may not fully understand the treatment solutions and intervention measures required by the clinical guide, may not fully rely on the clinical guide, and may be forced to pay medical expenses and medical insurance reimbursement for the treatment process. This may lead to differences in the treatment process and may lead to the introduction of inaccurate or inappropriate medical procedures, resulting in problems such as reduced treatment efficacy and increased medical expenses. Therefore, in real medical scenarios, it is necessary to identify abnormal treatment procedures in the treatment process with large differences, and help medical professionals adjust timely and accurate treatment solutions based on the changes in the patient's condition, which is helpful in improving the quality of treatment and improving the prognosis, regulating treatment procedures, and controlling medical insurance costs.

従来の診療過程における異常識別解決手段は主として、（１）ガウス分布に基づく方法であって、データがガウス分布に従うと仮定し、診療行為のサンプル値に対して周波数分布図を作成し、平均値に３倍標準差を加減算した以外のサンプルを異常データとしてマークする。このような方法は、データ自体が正規性を備える必要があり、かつ平均値及び分散自体がいずれも異常値にとても敏感であり、影響を受けやすい。なお、当該方法は、単一の受診イベントのみを処理することができず、複数種類の診療データを同時に利用することができず、かつ縦方向電子カルテの時系列情報を無視する。（２）テーマモデルに基づく方法であって、電子カルテデータを受診を単位として分割し、テーマモデルを用いて毎回受診するテーマをマイニングすることにより、所定のテーマの特定の診療イベントの出現確率、及び所定の受診の特定のテーマの出現確率を取得する。確率を乗算することで、所定の受診の特定の診療イベントの出現確率を取得し、この確率に基づいて診療イベントが異常であるか否かを判断することができる。当該方法は、診療過程時間次元の情報を無視し、診療イベントの間には時間前後順序があり、受診の間にも時間前後順序がある。（３）ベイジアンネットワークに基づく方法であって、各診療イベントを１つのノードとし、ベイジアンネットワークを構築することにより各ノードに異常識別を行いかつ異常スコア値を与える。異常検出を行った後、各ノードの異常スコア値はいずれも現在時刻及び過去時刻の情報を総合したものである。当該方法におけるノード異常の初期スコアは、専門家注釈に依存し、主観性が大きく、かつ取得コストが高い。なお、当該方法は、異なる受診イベントの間の時系列情報を利用することができない。 The main means for identifying abnormalities in the medical process in the past are (1) a method based on Gaussian distribution, which assumes that data follows a Gaussian distribution, creates a frequency distribution map for sample values of medical procedures, and marks samples other than those obtained by adding or subtracting three times the standard difference to the mean value as abnormal data. This method requires that the data itself has normality, and both the mean value and the variance themselves are very sensitive to abnormal values and are easily affected. In addition, this method cannot process only a single medical examination event, cannot use multiple types of medical data simultaneously, and ignores the time series information of the longitudinal electronic medical record. (2) A method based on a theme model, which divides electronic medical record data into units of visits, and uses a theme model to mine themes for each visit to obtain the occurrence probability of a specific medical event of a given theme and the occurrence probability of a specific theme of a given visit. By multiplying the probabilities, the occurrence probability of a specific medical event of a given visit can be obtained, and based on this probability, it can be determined whether a medical event is abnormal. This method ignores the information of the time dimension of the medical process, and there is a time sequence between medical events and a time sequence between visits. (3) A method based on a Bayesian network, in which each medical event is treated as a node, and a Bayesian network is constructed to identify anomalies and assign an anomaly score to each node. After anomaly detection, the anomaly score value of each node is a combination of information from the current time and past times. The initial score of node anomalies in this method depends on expert annotations, is highly subjective, and is expensive to obtain. In addition, this method cannot utilize time series information between different medical examination events.

電子カルテデータは複雑であり、人口統計学、バイオマーカー及び臨床特徴などの多次元データを含むだけでなく、かつ複雑な縦方向時系列情報を有し、患者は複数回の受診情報を有し、異なる時間には異なる診療イベントを有する。従来方法は、複雑な縦方向電子カルテデータを処理することが困難であり、異なる受診データの間の関係を利用することができない。なお、臨床診療過程において、正常診療過程から大きく逸脱する異常患者に加えて、異常は一回の受診イベント異常、または受診過程における単一の診療イベント異常と表現することもできる。一回の診療イベントの出現の有無及び出現の前後順序のみに基づいて当該診療イベントに異常があるか否かを直接判断することができず、当該診療イベントを患者のこの回の受診イベントに入れて、さらに患者の全ての診療記録に入れて総合的に判断する必要がある。 Electronic medical record data is complex, and not only contains multi-dimensional data such as demographics, biomarkers, and clinical characteristics, but also has complex longitudinal time series information, and patients have multiple consultation information and different medical events at different times. Conventional methods have difficulty processing complex longitudinal electronic medical record data and cannot utilize the relationship between different consultation data. In addition to abnormal patients who significantly deviate from the normal medical process in the clinical treatment process, abnormalities can also be expressed as a single consultation event abnormality, or a single medical event abnormality in the clinical treatment process. It is not possible to directly determine whether a single medical event is abnormal based only on the presence or absence of the occurrence of the medical event and the order of its occurrence, and it is necessary to enter the medical event into the patient's current consultation event and then into all of the patient's medical records to make a comprehensive judgment.

従来技術の不足について、本発明は、階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提出する。 To address the shortcomings of the prior art, the present invention presents a system for identifying abnormalities in the course of disease diagnosis based on a hierarchical neural network.

本発明の目的は、以下の技術的解決手段によって実現される。 The objective of the present invention is achieved by the following technical solutions:

（１）患者の基本情報及び患者診療データを収集するためのデータ収集モジュールと、
（２）データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築するデータ前処理モジュールと、
（３）診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築するための診療過程階層ネットワーク構築サブモジュールと、
階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得するノード初期ベクトル表現取得サブモジュールと、
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行うモデル構築及び訓練サブモジュールと、
を含む階層図ニューラルネットワーク構築モジュールと、
（４）階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する診療過程異常スコア算出モジュールと、
（５）患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける診療過程異常識別適用モジュールと、
を含む、階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 (1) a data collection module for collecting basic information and patient medical data of a patient;
(2) a data preprocessing module that performs preprocessing on the data collected by the data collection module to construct a medical event set, a visit set, and a patient set;
(3) a medical process hierarchical network construction submodule for constructing a medical process hierarchical network including three hierarchical levels: medical events, consultations, and patients;
a node initial vector representation acquisition sub-module that acquires initial vector representations of medical event nodes, medical encounter nodes, and patient nodes by adopting a hierarchical representation learning method;
a model construction and training submodule that constructs a hierarchical neural network model based on the node initial vector representation of each layer and performs comprehensive training of multiple layers using a graph attention mechanism;
A hierarchical neural network construction module including:
(4) a clinical process anomaly score calculation module that hierarchically calculates anomalies based on the training results of the hierarchical neural network and identifies clinical process anomalies by layer;
(5) a medical process anomaly identification application module, which preprocesses the patient structured data, divides it into medical event nodes, medical encounter nodes and patient nodes, calculates the initial vector representations of different nodes, obtains the trained node vector representations using a hierarchical neural network model, and combines them with the node initial vector representations to calculate the node anomaly values of each hierarchy, and finds the abnormal nodes;
A disease diagnostic process abnormality identification system based on a hierarchical neural network.

さらに、前記診療過程階層ネットワーク構築サブモジュールにおいて、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成する。 Furthermore, in the medical process hierarchical network construction submodule, a medical event set, a consultation set, and a patient set are configured as node sets, each consultation and all medical events that occurred during the current consultation are connected to configure a medical event consultation edge set, each patient and all consultations of that patient are connected to configure a patient consultation edge set, the medical event consultation edge set and the patient consultation edge set are configured as edge sets, and the node set and the edge set together configure a medical process hierarchical network.

さらに、前記ノード初期ベクトル表現取得サブモジュールにおいて、毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得する。 Furthermore, in the node initial vector representation acquisition submodule, the medical events for each visit are arranged according to time, and training is performed using a word pocket model to acquire the medical event node initial vector representation, and the medical event long short-term memory autoencoder model and the visit long short-term memory autoencoder model are sequentially used to acquire the visit node initial vector representation and the patient node initial vector representation.

さらに、前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがＬであり、順に各診療イベントノードの前、後の各Ｌ個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する。 Furthermore, the initial vector representation of the medical event node is obtained by one-hot encoding the medical event node, and training the one-hot encoding result of the medical event node using a word pocket model, specifically:
Obtain a one-hot encoding of the medical event node, arrange the medical event nodes according to a time series in units of consultation to generate a medical event sequence, the length of the observation window is L, and the L medical event nodes before and after each medical event node are input nodes of the word pocket model in sequence, and each input node is multiplied by an input weight matrix and added to obtain a hidden layer vector, and the hidden layer vector is multiplied by an output weight matrix, and then activates using softmax to obtain a predicted value of the medical event node;
Training is performed using the reconstruction loss of the medical event node to obtain the input weight matrix of the word pocket model, and after training is completed, the one-hot encoding of the medical event node is multiplied by the input weight matrix to obtain the initial vector representation of the medical event node.

さらに、前記受診ノード初期ベクトル表現の取得は具体的に、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、診療イベント長短期記憶自己エンコーダモデルを構築し、診療イベントシーケンスを入力し、診療イベントノードの再構成損失を用いて訓練を行い、訓練完成後、診療イベント長短期記憶自己エンコーダモデルのエンコーダを用いて診療イベントシーケンスを一定の長さのベクトルにエンコードし、受診ノード初期ベクトル表現を取得する。 Furthermore, the initial vector representation of the medical consultation node is specifically obtained by arranging the medical event nodes according to a time series with each medical consultation as a unit to generate a medical event sequence, constructing a medical event long short-term memory autoencoder model, inputting the medical event sequence, and training using the reconstruction loss of the medical event node. After training is completed, the encoder of the medical event long short-term memory autoencoder model is used to encode the medical event sequence into a vector of a certain length to obtain the initial vector representation of the medical consultation node.

さらに、前記患者ノード初期ベクトル表現の取得は具体的に、患者を単位として時系列に応じて受診ノードを配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診シーケンスを入力し、受診ノードの再構成損失を用いて訓練を行い、訓練完成後、受診長短期記憶自己エンコーダモデルのエンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現を取得する。 Furthermore, the patient node initial vector representation is specifically obtained by arranging the patient nodes according to a time series with the patient as a unit to generate a patient sequence, constructing a patient long short-term memory autoencoder model, inputting the patient sequence, and training using the reconstruction loss of the patient node. After the training is completed, the encoder of the patient long short-term memory autoencoder model is used to encode the patient sequence into a vector of a certain length to obtain the patient node initial vector representation.

さらに、前記モデル構築及び訓練サブモジュールにおいて、Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出し、交差エントロピを利用して図関係再構成損失を算出し、図ノード再構成損失及び図関係再構成損失を利用して階層図ニューラルネットワークモデルを訓練する。 Furthermore, in the model construction and training submodule, the L2 norm is used to calculate the diagram node reconstruction loss of the node vector representation and the initial vector representation after passing through the hierarchical diagram neural network, the cross entropy is used to calculate the diagram relationship reconstruction loss, and the diagram node reconstruction loss and the diagram relationship reconstruction loss are used to train the hierarchical diagram neural network model.

さらに、前記階層図ニューラルネットワークモデルの訓練過程において、ノード初期ベクトル表現及びノード隣接マトリックスを階層図ニューラルネットワークに入力し、前記階層図ニューラルネットワークが複数層のグラフアテンション層を有し、あるノードに対して、各層のグラフアテンション層は、その隣り合うノードと自体との間の類似係数を１つずつ算出し、類似係数により当該層アテンション係数を算出し、当該層アテンション係数を利用して当該ノードの当該層でのノードベクトル表現を更新し、当該ノードが全ての層グラフアテンション訓練を経った後、当該ノードに対応するノードベクトル表現を取得する。 Furthermore, in the training process of the hierarchical neural network model, the node initial vector representation and the node adjacency matrix are input into the hierarchical neural network, the hierarchical neural network has multiple graph attention layers, for a certain node, the graph attention layer of each layer calculates the similarity coefficient between itself and its adjacent nodes one by one, calculates the attention coefficient of the layer according to the similarity coefficient, and updates the node vector representation of the node in the layer using the attention coefficient of the layer, and obtains the node vector representation corresponding to the node after the node has undergone all-layer graph attention training.

さらに、前記診療過程異常スコア算出モジュールにおいて、ある回の受診について、診療イベント集合における各診療イベントとこの回の受診の内積を算出し、活性化した後に各診療イベントの出現確率を取得し、すなわち、診療イベント異常値であり、
下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントである。 Furthermore, in the medical process abnormality score calculation module, for a certain visit, calculate the inner product of each medical event in the medical event set and this visit, and obtain the occurrence probability of each medical event after activation, that is, the medical event abnormal value;
A lower threshold and an upper threshold are defined, and two methods for judging abnormalities of medical events are defined. If the abnormal value of a medical event is smaller than the lower threshold and the medical event occurs in this visit, it is an unexpected event. If the abnormal value of a medical event is larger than the upper threshold and the medical event does not occur in this visit, it is a missing event.

さらに、前記診療過程異常スコア算出モジュールにおいて、階層図ニューラルネットワークに基づいて再構成されたノード隣接マトリックスから、再構成された診療イベントと受診との接続関係を抽出し、再構成診療イベント受診隣接マトリックスを構築し、同時に再構成された受診と患者との接続関係を抽出し、再構成受診患者隣接マトリックスを構築し、原及び再構成診療イベント受診隣接マトリックス、原及び再構成受診患者隣接マトリックス、ノード初期ベクトル表現及び訓練されたノードベクトル表現に基づいて、受診ノード異常値と患者ノード異常値を算出し、かつそれぞれの異常値閾値とそれぞれ比較し、異常ノードであるか否かを判断する。 Furthermore, in the medical process abnormality score calculation module, the connection relationship between the reconstructed medical event and the visit is extracted from the node adjacency matrix reconstructed based on the hierarchical neural network, and a reconstructed medical event visit adjacency matrix is constructed. At the same time, the connection relationship between the reconstructed visit and the patient is extracted, and a reconstructed patient visit adjacency matrix is constructed. Based on the original and reconstructed medical event visit adjacency matrices, the original and reconstructed patient visit adjacency matrices, the node initial vector representation, and the trained node vector representation, the visit node abnormality value and the patient node abnormality value are calculated, and compared with the respective abnormality thresholds to determine whether or not the node is abnormal.

本発明の有益な効果としては、本発明は、階層図ニューラルネットワークモデル構築及び訓練方法を提出し、複雑な縦方向電子カルテデータに対してモデリング分析を行い、時系列情報及び共起情報の融合利用を実現する。本発明は、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の３つの階層に分け、低階層、細粒度の診療イベント階層から高階層、粗粒度の患者階層に分け、診療過程異常の階層化定量化及び総合評価方法を設計し、かつ診療過程異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。 The beneficial effects of the present invention include: it proposes a method for constructing and training a hierarchical neural network model, performs modeling analysis on complex longitudinal electronic medical record data, and realizes the integrated use of time series information and co-occurrence information. The present invention divides disease treatment process abnormalities into three hierarchies, namely, treatment event abnormalities, medical consultation abnormalities, and patient abnormalities, and divides them from a low-level, fine-grained treatment event hierarchy to a high-level, coarse-grained patient hierarchy; designs a hierarchical quantification and comprehensive evaluation method for treatment process abnormalities; and provides a classification method for treatment process abnormalities, accurately locating which specific time and treatment step the abnormality occurs in.

本発明の実施例による疾患診療過程異常識別システム構成図である。1 is a configuration diagram of a system for identifying abnormalities in the course of diagnosis and treatment of a disease according to an embodiment of the present invention. 本発明の実施例による診療過程階層ネットワーク構成図である。FIG. 2 is a diagram showing a hierarchical network configuration of a medical procedure according to an embodiment of the present invention. 本発明の実施例による単語ポケットモデルＣＢＯＷ構成図である。FIG. 2 is a diagram showing the configuration of a word pocket model CBOW according to an embodiment of the present invention. 本発明の実施例による診療イベント長短期記憶自己エンコーダ構成図である。FIG. 2 is a diagram illustrating the configuration of a clinical event long short-term memory autoencoder according to an embodiment of the present invention. 本発明の実施例による階層図ニューラルネットワークモデル構成図である。FIG. 2 is a diagram showing a hierarchical neural network model configuration according to an embodiment of the present invention.

本発明の上記目的、特徴及び利点をより分かりやすくするために、以下、図面を参照して本発明の実施形態を詳細に説明する。 In order to more clearly explain the above-mentioned objects, features and advantages of the present invention, the following detailed description of an embodiment of the present invention will be given with reference to the drawings.

本発明を十分に理解するために、以下の説明では、多くの具体的な詳細が記載されているが、本発明は、ここで説明するものとは異なる他の方式で実施することもでき、当業者は、本発明の意味合いに違反することなく、同様の拡張を行うことができるため、本発明は、以下に開示される具体的な実施例に限定されない。 In order to fully understand the present invention, many specific details are set forth in the following description, but the present invention can be embodied in other ways different from those described herein, and those skilled in the art can make similar extensions without violating the spirit of the present invention, so the present invention is not limited to the specific examples disclosed below.

本発明の実施例は、階層図ニューラルネットワークに基づく疾患診療過程異常識別システムを提供し、図１に示すように、当該システムは、データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含む。各モジュールの具体的な機能が下記の通りである。 An embodiment of the present invention provides a disease diagnostic process abnormality identification system based on a hierarchical neural network. As shown in FIG. 1, the system includes a data collection module, a data preprocessing module, a hierarchical neural network construction module, a diagnostic process abnormality score calculation module, and a diagnostic process abnormality identification application module. The specific functions of each module are as follows:

一、データ収集モジュールは、患者の基本情報及び患者診療データを収集する階ためのものであり、患者診療データは、患者受診情報及び診断、実験室検証、医学検査、手術ならびに薬物使用データを含む。 First, the data collection module is used to collect basic patient information and patient medical data, including patient consultation information and diagnosis, laboratory verification, medical examination, surgery and drug use data.

二、データ前処理モジュールは、データ収集モジュールで収集されたデータに対して前処理を行う。実験室検証データは、正常参照範囲に基づいて、実験室検証の結果を低、高及び正常という三種の結果類別に分け、実験室検証名称、結果類別を保留する。医学検査、手術データを簡単な自然言語処理技術で処理し、検査部位、類別及び手術名称を保留する。診断集合、検証集合、手術集合及び薬物使用集合を取得し、前記診断集合、検証集合、手術集合及び薬物使用集合を合併して診療イベント集合を構成し、診療イベント集合における元素を診療イベントと呼ぶ。患者受診情報を受診集合として構成し、患者を患者集合として構成する。 Second, the data pre-processing module performs pre-processing on the data collected by the data collection module. The laboratory validation data is divided into three result categories, namely low, high and normal, based on the normal reference range, and the laboratory validation name and result category are reserved. The medical test and surgery data is processed using simple natural language processing techniques, and the examination site, category and surgery name are reserved. A diagnosis set, a validation set, a surgery set and a medication use set are obtained, and the diagnosis set, validation set, surgery set and medication use set are merged to form a medical event set, and the elements in the medical event set are called medical events. The patient consultation information is composed of a consultation set, and the patients are composed of a patient set.

三、階層図ニューラルネットワーク構築モジュールは、診療過程階層ネットワーク構築サブモジュール、ノード初期ベクトル表現取得サブモジュール、モデル構築及び訓練サブモジュールを含み、以下、各サブモジュールの実現過程を詳細に説明する。
（１）診療過程階層ネットワーク構築サブモジュール
図２に示すように、診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築する。診療イベント集合が

Figure 2024061599000002
であり、受診集合が
Figure 2024061599000003
であり、患者集合が
Figure 2024061599000004
であり、ここで、ＮＥ、ＮＶ、ＮＰがそれぞれ診療イベント数、受診数及び患者数を表す。診療イベント集合、受診集合及び患者集合は共にノード集合
Figure 2024061599000005
を構成し、ノード個数がＮＮ＝ＮＥ＋ＮＶ＋ＮＰである。
毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合
Figure 2024061599000006
を構成する。各患者と当該患者の全ての受診を接続して受診患者エッジ集合
Figure 2024061599000007
を構成する。診療イベント受診エッジ集合と受診患者エッジ集合とが共にエッジ集合
Figure 2024061599000008
を構成する。ノード集合Ｎとエッジ集合Ｓとが共に診療過程階層ネットワークＧ＝（Ｎ，Ｓ）を構成する。
（２）ノード初期ベクトル表現取得サブモジュール
電子カルテ内の毎回受診における診療イベントを時系列に応じて配列し、単語ポケットモデルＣＢＯＷを利用して訓練し、診療イベントノード初期ベクトル表現を取得する。診療イベントノード初期ベクトル表現を診療イベント長短期記憶自己エンコーダモデルに入力し、診療イベントノードの再構成損失を用いて訓練を行い、受診ノード初期ベクトル表現を取得する。受診ノード初期ベクトル表現を受診長短期記憶自己エンコーダモデルに入力し、受診ノードの再構成損失を用いて訓練を行い、患者ノード初期ベクトル表現を取得する。具体的に、
まず、全ての診療イベントノードをワンホットエンコードし、そして単語ポケットモデルＣＢＯＷを用いて診療イベントノードのワンホットエンコード結果を訓練する。図３に示すように、診療イベントノードＥｉのワンホットエンコード結果は長さがＮＥのベクトルであり、Ｏｉと記する。受診を単位として、毎回受診における診療イベントノードを受診時系列に応じて１つの診療イベントシーケンスとして配列する。観察ウィンドウの長さがＬであり、順に各診療イベントノードの前のＬ個の診療イベントノードと後のＬ個の診療イベントノードを入力ノードとし、診療イベントノードの前または後のＬ個未満の診療イベントノードの場合、欠いている診療イベントノードを０ベクトルで填充し、各入力ノードに何れも入力重みマトリックスＷを乗算しかつ加算して隠し層ベクトルＨを取得する。
Figure 2024061599000009
 隠し層ベクトルＨに出力重みマトリックスＷ′を乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードＥｉの予測値Ｏｉ′を取得する。診療イベントノードの再構成損失Ｌｒｅｃ－ＣＢＯＷ算出式が下記の通りである。
Figure 2024061599000010
 ここで、ｏｉｊがＯｉにおける第ｊ次元の値であり、ｏｉｊ′がＯｉ′における第ｊ次元の値である。Ａｄａｍ最適化器を用いて逆方向に伝播して単語ポケットモデル訓練を行い、単語ポケットモデルの重みマトリックスＷを取得する。観察ウィンドウの長さ２、３、５として訓練効果が高い単語ポケットモデルを訓練することを試みる。訓練終了後、診療イベントノードＥｉの初期ベクトル表現
Figure 2024061599000011
は、診療イベントノードのワンホットエンコードＯｉ及び入力重みマトリックスＷによって取得され、算出式は下記の通りである。
Figure 2024061599000012
 全ての診療イベントノード初期ベクトル表現ＢＥを取得した後、診療イベントノードを受診を単位として時系列に応じて診療イベントシーケンス
Figure 2024061599000013
として配列し、Ｔがこの回の受診における診療イベントの数であり、ここで、診療イベントノードＥｉの初期ベクトル表現が
Figure 2024061599000014
である。図４に示すように、診療イベント長短期記憶自己エンコーダモデルを構築して、診療イベントシーケンスを入力して訓練する。診療イベント長短期記憶自己エンコーダモデルをエンコーダＦＥｎｃｏｄｅｒとデコーダＦＤｅｃｏｄｅｒの２つの部分に分け、潜在ベクトルＣによって接続し、各部分が全て長短期記憶ユニットＬＳＴＭで構成される。エンコーダ及びデコーダにおいて長短期記憶ユニットの数が同じであり、ユニットの数を変更することにより、異なる長さの診療イベント入力シーケンス及び診療イベント出力シーケンスをサポートする。診療イベントシーケンスをエンコーダに入力した後、潜在ベクトルＣを取得し、そして潜在ベクトルＣをデコーダの入力とし、潜在ベクトルＣをデコードし、再構成された診療イベントシーケンス
Figure 2024061599000015
を徐々に出力し、診療イベントノードの再構成損失Ｌｒｅｃ－ＬＳＴＭを用いて診療イベント長短期記憶自己エンコーダモデルを訓練する。
Figure 2024061599000016
 ここで、
Figure 2024061599000017
がＬ２ノルムであり、
Figure 2024061599000018
が診療イベントノードＥｉ′の初期ベクトル表現である。訓練完成後、エンコーダ部分を用いて原診療イベントシーケンスをエンコードし、取得された潜在ベクトルＣは長さが
Figure 2024061599000019
と同じベクトルであり、当該ベクトルを当該診療イベントシーケンスによって代表される受診ノード初期ベクトル表現ＢＶとする。受診ノード初期ベクトル表現ＢＶを取得した後、受診ノード初期ベクトル表現の取得方法に従って、患者ノード初期ベクトル表現を取得する。患者を単位として時系列に応じて患者の受診を配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診ノードの再構成損失を用いて訓練を行う。訓練完成後、エンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現Ｂｐを取得する。
これまでのところ、診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得する。
（３）モデル構築及びサブモジュール訓練
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して訓練を行う。Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出する。交差エントロピを利用して図関係再構成損失を算出する。２つの部分の再構成損失を用いて階層図ニューラルネットワークモデルを訓練する。
第１のステップで、階層図ニューラルネットワークを図５に示すように構築する。階層図ニューラルネットワークにおけるノード初期ベクトル表現は、診療イベントノード初期ベクトル表現、受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現で構成され、ノード初期ベクトル表現
Figure 2024061599000020
は、ベクトルをスプライシングする。診療イベント受診エッジ集合ＳＥＶに基づいて診療イベント受診隣接マトリックスＡＥＶを構築する。受診患者エッジ集合ＳＶＰに基づいて受診患者隣接マトリックスＡＶＰを構築する。エッジ集合Ｓに基づいて階層図ニューラルネットワークにおけるノード隣接マトリックスＡを構築し、ノード隣接マトリックスＡの情報は、診療イベント受診隣接マトリックスＡＥＶと受診患者隣接マトリックスＡＶＰにおける情報で構成される。階層図ニューラルネットワークは、Ｍ層のグラフアテンション層と再構成損失の２つの部分で構成される。
第２のステップで、階層図ニューラルネットワークを訓練する。ノード初期ベクトル表現Ｂとノード隣接マトリックスＡを階層図ニューラルネットワークに入力し、グラフアテンションメカニズムを用いてノード初期ベクトル表現を更新する。ノードＮｉの初期ベクトル表現Ｂｉに対して、第ｍ層のグラフアテンション層のノードベクトル表現が
Figure 2024061599000021
である。ノードＮｉ及びその隣り合うノードＮ（Ｎｉ）に対して、各層のグラフアテンション層は、隣り合うノード
Figure 2024061599000022
とそれ自身の間の類似係数
Figure 2024061599000023
を１つずつ算出し、
Figure 2024061599000024
 ここで、Ｗｍが第ｍ層の共有パラメータであり、ノードベクトル表現に対して線形マッピングを行い、第１の層が入力するのは、ノードＮｉの初期ベクトル表現
Figure 2024061599000025
である。
Figure 2024061599000026
がマッピング関数であり、ベクトルから実数へのマッピングを実現し、単層ニューラルネットワークによって実現できる。第ｍ層のアテンション係数
Figure 2024061599000027
の算出式が下記の通りであり、
Figure 2024061599000028
 ここで、
Figure 2024061599000029
が活性化関数である。
アテンション係数を用いて
Figure 2024061599000030
を更新し、算出式は以下の通りであり、
Figure 2024061599000031
 ここで、
Figure 2024061599000032
が活性化関数であり、
Figure 2024061599000033
がノードＮｊの第ｍ層でのノードベクトル表現である。ノードＮｉがＭ層グラフアテンション訓練を経った後、ノードベクトル表現
Figure 2024061599000034
を取得する。全てのノードに対してＭ層のグラフアテンション訓練を行い、総体ノードベクトル表現ＺＭを取得し、ＺＭをは更新後の診療イベントノードベクトル表現
Figure 2024061599000035
、受診ノードベクトル表現
Figure 2024061599000036
及び患者ノードベクトル表現
Figure 2024061599000037
で構成され、
Figure 2024061599000038
である。
訓練されたノードベクトル表現及び初期ベクトル表現の図ノード再構成損失をＬ２ノルムを利用して算出し、診療イベントノード再構成損失が
Figure 2024061599000039
であり、受診ノード再構成損失が
Figure 2024061599000040
であり、患者ノード再構成損失が
Figure 2024061599000041
である。
交差エントロピを利用して図関係再構成損失を算出し、階層図ニューラルネットワークに基づいて取得されたノードベクトル表現は、階層図ニューラルネットワークを再構成し、再構成された隣接マトリックス
Figure 2024061599000042
が下記の通りであり、
Figure 2024061599000043
 ここで、（ＺＭ）ＴがＺＭの転置マトリックスであり、
Figure 2024061599000044
がｓｉｇｍｏｉｄ活性化関数である。図関係再構成損失Ｌｒｅｃ－Ａを算出し、
Figure 2024061599000045
 ここで、
Figure 2024061599000046
である。
第３のステップでは、図ノード再構成損失と図関係再構成損失に基づいて階層図ニューラルネットワークモデルの総体損失関数を構築する。総体損失関数Ｌが下記の通りであり、
Figure 2024061599000047
 ここで、α、βが異なる損失項の重要性を調整するハイパーパラメータであり、デフォルトでは０．１に設定される。患者診療データを利用して階層図ニューラルネットワークモデル訓練を行い、モデルパラメータを特定する。 3. The hierarchical neural network construction module includes a medical procedure hierarchical network construction sub-module, a node initial vector representation acquisition sub-module, and a model construction and training sub-module. The implementation process of each sub-module is described in detail below.
(1) Medical process hierarchical network construction submodule As shown in Figure 2, a medical process hierarchical network is constructed that includes three hierarchical levels: medical events, consultations, and patients.
Figure 2024061599000002
and the visit set is
Figure 2024061599000003
and the patient set is
Figure 2024061599000004
where N E , N V , and N P respectively represent the number of medical events, the number of visits, and the number of patients. The set of medical events, the set of visits, and the set of patients are all node sets.
Figure 2024061599000005
where the number of nodes is N N =N E +N V +N P .
A medical event-attendance edge set is created by connecting all medical events that occurred during each visit and the current visit.
Figure 2024061599000006
A patient-visit edge set is constructed by connecting each patient with all visits to that patient.
Figure 2024061599000007
The medical event edge set and the medical patient edge set are both edge sets
Figure 2024061599000008
The node set N and the edge set S together constitute a medical process hierarchical network G=(N, S).
(2) Node Initial Vector Representation Acquisition Submodule The medical events for each visit in the electronic medical record are arranged in chronological order, and trained using the word pocket model CBOW to obtain the initial vector representation of the medical event node. The initial vector representation of the medical event node is input into a medical event long short-term memory autoencoder model, and training is performed using the reconstruction loss of the medical event node to obtain the initial vector representation of the visit node. The initial vector representation of the visit node is input into a medical event long short-term memory autoencoder model, and training is performed using the reconstruction loss of the visit node to obtain the initial vector representation of the patient node. Specifically,
First, all medical event nodes are one-hot encoded, and the one-hot encoding result of the medical event node is trained using the word pocket model CBOW. As shown in FIG. 3, the one-hot encoding result of the medical event node Ei is a vector with a length of N E , which is denoted as Oi . Taking a visit as a unit, the medical event nodes in each visit are arranged into a medical event sequence according to the visit time sequence. The length of the observation window is L, and the L medical event nodes before and after each medical event node are input nodes in sequence. When there are less than L medical event nodes before or after a medical event node, the missing medical event node is filled with a 0 vector, and each input node is multiplied by the input weight matrix W and added to obtain the hidden layer vector H.
Figure 2024061599000009
 The hidden layer vector H is multiplied by the output weight matrix W′, and then activation processing is performed using softmax to obtain the predicted value O i ′ of the medical event node E i . The formula for calculating the reconstruction loss L rec-CBOW of the medical event node is as follows:
Figure 2024061599000010
 Here, oij is the j-th dimension value in Oi , and oij ' is the j-th dimension value in Oi '. The Adam optimizer is used to train the word pocket model by backpropagation to obtain the weight matrix W of the word pocket model. The length of the observation window is set to 2, 3, and 5 to try to train the word pocket model with high training effect. After the training is completed, the initial vector representation of the medical event node Ei is
Figure 2024061599000011
is obtained by the one-hot encoding O i of the medical event node and the input weight matrix W, and the calculation formula is as follows:
Figure 2024061599000012
 After obtaining the initial vector representations B E of all medical event nodes, the medical event nodes are treated as a unit of medical visits in a time series manner and the medical event sequence is calculated.
Figure 2024061599000013
where T is the number of clinical events in this visit, and the initial vector representation of the clinical event node E i is
Figure 2024061599000014
As shown in FIG. 4, a clinical event long short-term memory autoencoder model is constructed and trained by inputting a clinical event sequence. The clinical event long short-term memory autoencoder model is divided into two parts, an encoder F Encoder and a decoder F Decoder , and connected by a latent vector C, and each part is composed of a long short-term memory unit LSTM. The number of long short-term memory units is the same in the encoder and the decoder, and different lengths of clinical event input sequences and clinical event output sequences are supported by changing the number of units. After the clinical event sequence is input to the encoder, the latent vector C is obtained, and the latent vector C is used as the input of the decoder, and the latent vector C is decoded to obtain the reconstructed clinical event sequence.
Figure 2024061599000015
We gradually output the L rec-LSTM and train a clinical event long short-term memory autoencoder model using the reconstruction loss L rec-LSTM of the clinical event node.
Figure 2024061599000016
 here,
Figure 2024061599000017
is the L2 norm,
Figure 2024061599000018
is the initial vector representation of the clinical event node E i ′. After the training is completed, the encoder part is used to encode the original clinical event sequence, and the obtained latent vector C has a length of
Figure 2024061599000019
is the same vector as, and the vector is the consultation node initial vector representation B V represented by the medical event sequence. After obtaining the consultation node initial vector representation B V , obtain the patient node initial vector representation according to the method of obtaining the consultation node initial vector representation. The consultation sequence is generated by arranging the patient's visits according to a time series with the patient as a unit, and a consultation long short-term memory autoencoder model is constructed and trained using the reconstruction loss of the consultation node. After training is completed, the encoder is used to encode the consultation sequence into a vector of a certain length to obtain the patient node initial vector representation B p .
So far, we obtain initial vector representations of clinical event nodes, encounter nodes and patient nodes.
(3) Model Construction and Submodule Training A hierarchical graph neural network model is constructed based on the node initial vector representation of each layer, and training is performed using a graph attention mechanism. The L2 norm is used to calculate the graph node reconstruction loss of the node vector representation and the initial vector representation after passing through the hierarchical graph neural network. The cross entropy is used to calculate the graph relationship reconstruction loss. The reconstruction losses of the two parts are used to train the hierarchical graph neural network model.
In the first step, a hierarchical neural network is constructed as shown in Fig. 5. The node initial vector representation in the hierarchical neural network is composed of a medical event node initial vector representation, a medical visit node initial vector representation, and a patient node initial vector representation, and the node initial vector representation
Figure 2024061599000020
splices the vector. A medical event attendance adjacency matrix A EV is constructed based on the medical event attendance edge set S EV . A patient attendance adjacency matrix A VP is constructed based on the patient attendance edge set S VP . A node adjacency matrix A in the hierarchical graph neural network is constructed based on the edge set S, and the information of the node adjacency matrix A is composed of the information in the medical event attendance adjacency matrix A EV and the patient attendance adjacency matrix A VP . The hierarchical graph neural network is composed of two parts: a graph attention layer with M layers and a reconstruction loss.
In the second step, the graph neural network is trained. The node initial vector representation B and the node adjacency matrix A are input to the graph neural network, and the graph attention mechanism is used to update the node initial vector representation. For the initial vector representation B i of node N i , the node vector representation of the m-th graph attention layer is
Figure 2024061599000021
For a node N i and its adjacent nodes N(N i ), the graph attention layer of each layer
Figure 2024061599000022
The similarity coefficient between and itself
Figure 2024061599000023
Calculate each one,
Figure 2024061599000024
 Here, W m is the shared parameter of the mth layer, which performs linear mapping on the node vector representation, and the first layer inputs the initial vector representation of node N i
Figure 2024061599000025
It is.
Figure 2024061599000026
is a mapping function that realizes the mapping from vectors to real numbers and can be realized by a single-layer neural network.
Figure 2024061599000027
The calculation formula is as follows:
Figure 2024061599000028
 here,
Figure 2024061599000029
is the activation function.
Using the attention coefficient
Figure 2024061599000030
The calculation formula is as follows:
Figure 2024061599000031
 here,
Figure 2024061599000032
is the activation function,
Figure 2024061599000033
is the node vector representation of node Nj in the m-th layer. After node Nj undergoes M-layer graph attention training, the node vector representation
Figure 2024061599000034
Then, M-layer graph attention training is performed on all nodes to obtain the total node vector representation ZM , and ZM is the updated medical event node vector representation.
Figure 2024061599000035
, the vector representation of the receiving node
Figure 2024061599000036
and patient node vector representation
Figure 2024061599000037
It is composed of
Figure 2024061599000038
It is.
The node reconstruction loss of the trained node vector representation and the initial vector representation is calculated using the L2 norm, and the medical event node reconstruction loss is
Figure 2024061599000039
and the reconstruction loss of the receiving node is
Figure 2024061599000040
and the patient node reconstruction loss is
Figure 2024061599000041
It is.
The graph relation reconstruction loss is calculated using cross entropy, and the node vector representation obtained based on the hierarchical graph neural network is reconstructed into the reconstructed adjacency matrix
Figure 2024061599000042
is as follows,
Figure 2024061599000043
 Here, ( ZM ) T is the transpose matrix of ZM ,
Figure 2024061599000044
is the sigmoid activation function. Calculate the relational reconstruction loss L rec-A ,
Figure 2024061599000045
 here,
Figure 2024061599000046
It is.
In the third step, an overall loss function of the hierarchical diagram neural network model is constructed based on the diagram-node reconstruction loss and the diagram-relation reconstruction loss. The overall loss function L is as follows:
Figure 2024061599000047
 Here, α and β are hyperparameters that adjust the importance of different loss terms, and are set to 0.1 by default. The patient clinical data is used to train the hierarchical neural network model and identify the model parameters.

四、診療過程異常スコア算出モジュール
階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する。隣り合うノードの間の関係に基づいて異常値を算出し、かつ異常値に基づいてノードが異常であるか否かを判断する。
ある回の受診Ｖｊに対して、診療イベント集合Ｅにおける各診療イベントと受診Ｖｊの内積を算出し、活性化後に、当該診療イベントの出現確率を取得し、すなわち、当該診療イベントの異常値である。診療イベントノードＥｉの異常値

Figure 2024061599000048
の算出式が下記の通りであり、
Figure 2024061599000049
 ここで、
Figure 2024061599000050
がｓｉｇｍｏｉｄ活性化関数である。
下限閾値θｌｏｗ及び上限閾値θｕｐを定義し、θｌｏｗとθｕｐの値が実験に基づいて設定し、または経験に基づいてそれをθｌｏｗ＝０．０１、θｕｐ＝０．９に設定し、かつ二種の診療イベント異常判断方式を以下のように定義する。意外イベント：
Figure 2024061599000051
、かつＥｉが受診Ｖｊに出現した場合、当該診療イベントの発生率がとても低いが、イベントが発生した。消失イベント：
Figure 2024061599000052
、かつＥｉが受診Ｖｊに出現していない場合、当該診療イベントの発生率がとても高いが、イベントが発生していない。
再構成された診療イベントと受診との接続関係を再構成された隣接マトリックス
Figure 2024061599000053
から抽出し、再構成診療イベント受診隣接マトリックス
Figure 2024061599000054
を構築する。再構成された受診と患者の接続関係を抽出し、再構成受診患者隣接マトリックス
Figure 2024061599000055
を構築する。受診ノードＶｊの異常値
Figure 2024061599000056
の算出式が下記の通りであり、
Figure 2024061599000057
 患者ノードＰｋの異常値
Figure 2024061599000058
の算出式が下記の通りであり、
Figure 2024061599000059
 ここで、
Figure 2024061599000060
がｓｉｇｍｏｉｄ活性化関数であり、
Figure 2024061599000061
、
Figure 2024061599000062
はＥｉとＶｊの接続関係がそれぞれ
Figure 2024061599000063
に対応する値であり、
Figure 2024061599000064
はＶｊとＰｋの接続関係がそれぞれ
Figure 2024061599000065
に対応する値であり、
Figure 2024061599000066
は受診Ｖｊにおける診療イベントの数であり、
Figure 2024061599000067
は患者Ｐｋの受診数であり、
Figure 2024061599000068
は、異なる損失項重要性を調整するハイパーパラメータである。受診ノードに対して、ノード異常値が設定された異常値閾値θｖよりも大きい時、当該ノードが異常であると判断される。患者ノードに対して、ノード異常値が設定された異常値閾値θｐよりも大きい時、当該ノードが異常であると判断される。θｖ及びθｐがそれぞれ受診ノード及び患者ノードの異常値閾値であり、その値が実験に基づいて設定される。 4. Clinical process abnormality score calculation module: Calculate the abnormality value hierarchically based on the training result of the hierarchical neural network, identify the clinical process abnormality layer by layer, calculate the abnormality value according to the relationship between adjacent nodes, and judge whether the node is abnormal based on the abnormality value.
For a certain visit Vj , calculate the inner product of each medical event in the medical event set E and the visit Vj , and obtain the occurrence probability of the medical event after activation, that is, the abnormal value of the medical event .
Figure 2024061599000048
The calculation formula is as follows:
Figure 2024061599000049
 here,
Figure 2024061599000050
is the sigmoid activation function.
A lower threshold θ low and an upper threshold θ up are defined, and the values of θ low and θ up are set based on experiments or based on experience as θ low =0.01, θ up =0.9. Two types of abnormality judgment methods for medical events are defined as follows: Unexpected event:
Figure 2024061599000051
, and E i occurs in visit V j , then the event has occurred, although the incidence of the medical event is very low.
Figure 2024061599000052
, and E i does not occur in visit V j , then the incidence of the medical event is very high, but the event does not occur.
The reconstructed adjacency matrix shows the reconstructed relationship between medical events and consultations.
Figure 2024061599000053
Extracted from and reconstructed medical event encounter adjacency matrix
Figure 2024061599000054
We extract the connection relationship between the reconstructed visits and patients and construct the reconstructed visit-patient adjacency matrix
Figure 2024061599000055
The abnormal value of the receiving node Vj is constructed as
Figure 2024061599000056
The calculation formula is as follows:
Figure 2024061599000057
 Outliers of patient node P k
Figure 2024061599000058
The calculation formula is as follows:
Figure 2024061599000059
 here,
Figure 2024061599000060
is the sigmoid activation function,
Figure 2024061599000061
,
Figure 2024061599000062
The connection relationship between E i and V j is
Figure 2024061599000063
is the value corresponding to
Figure 2024061599000064
The connection between V j and P k is
Figure 2024061599000065
is the value corresponding to
Figure 2024061599000066
is the number of clinical events in visit V j ,
Figure 2024061599000067
is the number of visits for patient P k ,
Figure 2024061599000068
is a hyperparameter that adjusts the importance of different loss terms. For a visit node, when the node outlier is greater than a set outlier threshold θ v , the node is judged to be anomalous. For a patient node, when the node outlier is greater than a set outlier threshold θ p , the node is judged to be anomalous. θ v and θ p are the outlier thresholds of the visit node and the patient node, respectively, and their values are set based on experiments.

五、診療過程異常識別適用モジュール
患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、診療イベントノードをワンホットエンコードした後に訓練された単語ポケットモデルに入力し、診療イベントノード初期ベクトル表現を取得する。診療イベントノード初期ベクトル表現を訓練された診療イベント長短期記憶自己エンコーダモデルにおけるエンコーダに入力し、受診ノード初期ベクトル表現を取得する。同様に、受診ノード初期ベクトル表現を訓練された受診長短期記憶自己エンコーダモデルのエンコーダに入力し、患者ノード初期ベクトル表現を取得する。
各ノードを階層図ニューラルネットワークモデルに入力し、更新後の診療イベントベクトル表現、受診ベクトル表現及び患者ベクトル表現を取得する。更新後のベクトル表現と更新前のベクトル表現を用いて各階層のノード異常値を算出し、閾値と比較し、異常のノードを見つける。 V. Medical process anomaly identification application module After preprocessing the patient structured data, it is divided into medical event nodes, medical examination nodes and patient nodes, and the medical event nodes are one-hot encoded and then input into the trained word pocket model to obtain the initial vector representation of the medical event nodes. The initial vector representation of the medical event nodes is input into the encoder in the trained medical event long short-term memory autoencoder model to obtain the initial vector representation of the medical examination nodes. Similarly, the initial vector representation of the medical examination nodes is input into the encoder in the trained medical examination long short-term memory autoencoder model to obtain the initial vector representation of the patient nodes.
Each node is input into a hierarchical neural network model to obtain updated medical event vector representations, visit vector representations, and patient vector representations. The updated and pre-update vector representations are used to calculate node abnormality values for each layer, which are then compared with a threshold to find abnormal nodes.

本発明は、階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得する。先ず、単語ポケットモデルを用いて診療イベントノードの初期ベクトル表現を取得する。そして、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得する。診療イベントと受診の時系列情報を保留するだけではなく、かつ各階層ベクトル表現が何れも前の層の情報を含む。 The present invention employs a hierarchical representation learning method to obtain the initial vector representations of medical event nodes, medical encounter nodes, and patient nodes. First, the initial vector representation of the medical event node is obtained using a word pocket model. Then, the initial vector representation of the medical encounter node and the initial vector representation of the patient node are obtained using the medical event long short-term memory autoencoder model and the encounter long short-term memory autoencoder model, respectively. Not only does it retain the time series information of medical events and encounters, but each hierarchical vector representation also contains the information of the previous layer.

本発明は、階層図ニューラルネットワークモデルを提出し、モデルは、診療イベント、受診、患者の３つの階層の情報及び階層の間の互相関係を含み、グラフアテンションメカニズム及び４つの再構成損失により階層図ニューラルネットワークに対して複数の階層の総合訓練を行う。 The present invention proposes a hierarchical neural network model, which includes three hierarchical levels of information: medical events, consultations, and patients, and the interrelationships between the hierarchical levels. A graph attention mechanism and four reconstruction losses are used to perform comprehensive training of multiple hierarchical levels for the hierarchical neural network.

本発明は、階層図ニューラルネットワークモデルに基づき、疾患診療過程異常を診療イベント異常、受診異常及び患者異常の３つの階層の異常に分け、診療過程異常の階層化定量化及び総合評価方法を設計する。各階層のノードは全て隣り合うノードの間の関係に基づいて異常値を算出し、かつ診療イベント異常の分類方法を提供し、診療が具体的にどの回でどの診療ステップで発生するかを精確に位置決めする。 Based on a hierarchical neural network model, the present invention divides abnormalities in the medical treatment process of a disease into three hierarchical levels: abnormalities in medical treatment events, abnormalities in medical consultations, and abnormalities in patients, and designs a method for hierarchical quantification and comprehensive evaluation of abnormalities in the medical treatment process. The nodes in each level calculate abnormal values based on the relationships between adjacent nodes, and a method for classifying abnormalities in medical treatment events is provided, which allows accurate determination of which specific time and step of the treatment occurs.

以上の記載は本発明の好ましい実施形態だけであり、本発明は好ましい実施例で以上のように開示されているが、本発明を限定するものではない。当業者は本発明の技術的解決手段の範囲から逸脱することなく、上記開示された方法及び技術内容を利用して本発明の技術的解決手段に対して多くの可能な変動及び修飾を行い、又は同等変化の等価実施例に修正することができる。したがって、本発明の技術的解決手段の内容から逸脱せず、本発明の技術的思想に基ついて以上の実施例に対して行われたいかなる簡単な修正、同等変化及び修飾は、いずれも依然として本発明の技術的解決手段の保護範囲内に属する。 The above description is only a preferred embodiment of the present invention, and the present invention is disclosed above in a preferred embodiment, but does not limit the present invention. Those skilled in the art can make many possible variations and modifications to the technical solution of the present invention using the above disclosed methods and technical content without departing from the scope of the technical solution of the present invention, or modify it into an equivalent embodiment of equivalent changes. Therefore, any simple modifications, equivalent changes and modifications made to the above embodiments based on the technical idea of the present invention without departing from the content of the technical solution of the present invention still fall within the protection scope of the technical solution of the present invention.

Claims (6)

階層図ニューラルネットワークに基づく疾患診療過程異常識別システムであって、データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含み、
前記データ収集モジュールは、患者の基本情報及び患者診療データを収集することに用いられ、
前記データ前処理モジュールは、前記データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築することに用いられ、
前記階層図ニューラルネットワーク構築モジュールは、診療過程階層ネットワーク構築サブモジュール、ノード初期ベクトル表現取得サブモジュール及びモデル構築及び訓練サブモジュールを含み、
前記診療過程階層ネットワーク構築サブモジュールは、診療イベント、受診、患者の３つの階層を含む診療過程階層ネットワークを構築することに用いられ、具体的に、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成し、
前記ノード初期ベクトル表現取得サブモジュールは、階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得することに用いられ、具体的に、電子カルテ内の毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得し、
前記モデル構築及び訓練サブモジュールは、各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行い、
前記診療過程異常スコア算出モジュールは、階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別することであって、具体的には、
ある回の受診について、診療イベント集合における各診療イベントとこの回の受診的内積を算出し、活性化した後に各診療イベントの出現確率を取得し、すなわち、診療イベント異常値であり、
下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を以下のように定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントであり、
階層図ニューラルネットワークに基づいて再構成されたノード隣接マトリックスから、再構成された診療イベントと受診との接続関係を抽出し、再構成診療イベント受診隣接マトリックスを構築し、同時に再構成された受診と患者との接続関係を抽出し、再構成受診患者隣接マトリックスを構築し、原及び再構成診療イベント受診隣接マトリックス、原及び再構成受診患者隣接マトリックス、ノード初期ベクトル表現及び訓練されたノードベクトル表現に基づいて、受診ノード異常値及び患者ノード異常値を算出し、かつそれぞれの異常値閾値とそれぞれ比較し、異常ノードであるか否かを判断し、
前記診療過程異常識別適用モジュールは、患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける
ことを特徴とする階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 A disease diagnostic process abnormality identification system based on a hierarchical neural network, comprising: a data collection module, a data preprocessing module, a hierarchical neural network construction module, a diagnostic process abnormality score calculation module, and a diagnostic process abnormality identification application module;
The data collection module is used for collecting basic information and medical data of patients;
The data pre-processing module is used for pre-processing the data collected by the data collection module to construct a medical event set, a consultation set and a patient set;
The hierarchical neural network construction module includes a clinical process hierarchical network construction submodule, a node initial vector representation acquisition submodule, and a model construction and training submodule;
The medical process hierarchical network construction submodule is used to construct a medical process hierarchical network including three hierarchical levels: medical events, visits, and patients. Specifically, a medical event set, a visit set, and a patient set are configured as a node set, each visit and all medical events occurring in the current visit are connected to form a medical event visit edge set, each patient and all visits of the patient are connected to form a visit patient edge set, the medical event visit edge set and the visit patient edge set are configured as an edge set, and the node set and the edge set together constitute a medical process hierarchical network;
The node initial vector representation acquisition submodule is used to acquire the initial vector representations of medical event nodes, medical encounter nodes and patient nodes by adopting a hierarchical representation learning method. Specifically, the medical events of each visit in the electronic medical record are arranged according to time, and a word pocket model is used for training to acquire the initial vector representation of the medical event node. Then, the medical event long short-term memory autoencoder model and the visit long short-term memory autoencoder model are used to acquire the initial vector representation of the visit node and the initial vector representation of the patient node;
The model construction and training submodule constructs a hierarchical neural network model based on the node initial vector representation of each layer, and performs joint training of multiple layers using a graph attention mechanism;
The medical process abnormality score calculation module is for calculating abnormal values hierarchically based on the training result of the hierarchical neural network, and identifying the medical process abnormality by layer, specifically,
For a certain visit, calculate the inner product of each medical event in the medical event set and this visit, and obtain the occurrence probability of each medical event after activation, that is, the medical event abnormal value;
A lower limit threshold and an upper limit threshold are defined, and two types of abnormality judgment methods for medical events are defined as follows: if the abnormal value of a medical event is smaller than the lower limit threshold and the medical event occurs in this visit, it is an unexpected event; if the abnormal value of a medical event is larger than the upper limit threshold and the medical event does not appear in this visit, it is a missing event;
Extract the connection relationship between the reconstructed medical event and the visit from the node adjacency matrix reconstructed based on the hierarchical neural network, construct a reconstructed medical event visit adjacency matrix, and at the same time extract the connection relationship between the reconstructed visit and the patient, construct a reconstructed patient visit adjacency matrix. Calculate the visit node abnormal value and the patient node abnormal value based on the original and reconstructed medical event visit adjacency matrices, the original and reconstructed patient visit adjacency matrices, the node initial vector representation and the trained node vector representation, and respectively compare them with the respective abnormal value thresholds to determine whether they are abnormal nodes;
The diagnostic process abnormality identification application module preprocesses patient structured data, divides it into a diagnostic event node, a medical examination node and a patient node, calculates initial vector expressions of different nodes, obtains the trained node vector expressions using a hierarchical neural network model, and combines them with the node initial vector expressions to calculate node abnormal values of each hierarchy, thereby finding abnormal nodes. 前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがＬであり、順に各診療イベントノードの前、後の各Ｌ個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにｓｏｆｔｍａｘを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 The medical event node initial vector representation is obtained by one-hot encoding the medical event node, and training the one-hot encoding result of the medical event node using a word pocket model, specifically:
Obtain a one-hot encoding of the medical event node, arrange the medical event nodes according to a time series in units of consultation to generate a medical event sequence, the length of the observation window is L, and the L medical event nodes before and after each medical event node are input nodes of the word pocket model in sequence, and each input node is multiplied by an input weight matrix and added to obtain a hidden layer vector, and the hidden layer vector is multiplied by an output weight matrix, and then activates using softmax to obtain a predicted value of the medical event node;
The disease diagnostic process abnormality identification system based on the hierarchical neural network described in claim 1, characterized in that training is performed using the reconstruction loss of the clinical event node to obtain the input weight matrix of the word pocket model, and after training is completed, the one-hot encoding of the clinical event node is multiplied by the input weight matrix to obtain the clinical event node initial vector representation. 前記受診ノード初期ベクトル表現の取得は具体的に、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、診療イベント長短期記憶自己エンコーダモデルを構築し、診療イベントシーケンスを入力し、診療イベントノードの再構成損失を用いて訓練を行い、訓練完成後、診療イベント長短期記憶自己エンコーダモデルのエンコーダを用いて診療イベントシーケンスを一定の長さのベクトルにエンコードし、受診ノード初期ベクトル表現を取得する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 The system for identifying abnormalities in the diagnosis and treatment process of a disease based on a hierarchical neural network as claimed in claim 1, characterized in that the initial vector representation of the consultation node is obtained by specifically arranging the medical event node according to a time series in units of consultation to generate a medical event sequence, constructing a medical event long short-term memory autoencoder model, inputting the medical event sequence, and training using the reconstruction loss of the medical event node. After the training is completed, the encoder of the medical event long short-term memory autoencoder model is used to encode the medical event sequence into a vector of a certain length, and an initial vector representation of the consultation node is obtained. 前記患者ノード初期ベクトル表現の取得は具体的に、患者を単位として時系列に応じて受診ノードを配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診シーケンスを入力し、受診ノードの再構成損失を用いて訓練を行い、訓練完成後、受診長短期記憶自己エンコーダモデルのエンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現を取得する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 The system for identifying abnormalities in the diagnosis and treatment process of disease based on a hierarchical neural network as described in claim 1, characterized in that the acquisition of the patient node initial vector representation is specifically performed by arranging the consultation nodes according to a time series on a patient-by-patient basis to generate a consultation sequence, constructing a consultation long short-term memory autoencoder model, inputting the consultation sequence, and training using the reconstruction loss of the consultation node. After the training is completed, the encoder of the consultation long short-term memory autoencoder model is used to encode the consultation sequence into a vector of a certain length, and the patient node initial vector representation is acquired. 前記モデル構築及び訓練サブモジュールにおいて、Ｌ２ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出し、交差エントロピを利用して図関係再構成損失を算出し、図ノード再構成損失及び図関係再構成損失を利用して階層図ニューラルネットワークモデルを訓練する
ことを特徴とする請求項１に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 The disease diagnostic process abnormality identification system based on a hierarchical neural network according to claim 1, characterized in that in the model construction and training submodule, a graph-node reconstruction loss of the node vector representation and the initial vector representation after passing through the hierarchical neural network is calculated using an L2 norm, a graph relationship reconstruction loss is calculated using a cross-entropy, and the graph node reconstruction loss and the graph relationship reconstruction loss are used to train the hierarchical neural network model. 前記階層図ニューラルネットワークモデルの訓練過程において、ノード初期ベクトル表現及びノード隣接マトリックスを階層図ニューラルネットワークに入力し、前記階層図ニューラルネットワークが複数層のグラフアテンション層を有し、あるノードに対して、各層のグラフアテンション層は、その隣り合うノードと自体との間の類似係数を１つずつ算出し、類似係数により当該層のアテンション係数を算出し、当該層のアテンション係数を利用して当該ノードの当該層でのノードベクトル表現を更新し、当該ノードが全ての層グラフアテンション訓練を経った後、当該ノードに対応するノードベクトル表現を取得する
ことを特徴とする請求項５に記載の階層図ニューラルネットワークに基づく疾患診療過程異常識別システム。 The disease diagnostic process abnormality identification system based on a hierarchical neural network according to claim 5, characterized in that, in the training process of the hierarchical neural network model, the node initial vector representation and the node adjacency matrix are input into the hierarchical neural network, the hierarchical neural network has multiple graph attention layers, for a certain node, the graph attention layer of each layer calculates the similarity coefficient between itself and its adjacent nodes one by one, calculates the attention coefficient of the layer according to the similarity coefficient, and updates the node vector representation of the node in the layer using the attention coefficient of the layer, and obtains the node vector representation corresponding to the node after the node has undergone all-layer graph attention training.
JP2023095902A 2022-10-20 2023-06-09 Disease treatment process abnormality identification system based on hierarchical neural network Active JP7365747B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211287887.8 2022-10-20
CN202211287887.8A CN115359870B (en) 2022-10-20 2022-10-20 Disease diagnosis and treatment process abnormity identification system based on hierarchical graph neural network

Publications (2)

Publication Number Publication Date
JP7365747B1 JP7365747B1 (en) 2023-10-20
JP2024061599A true JP2024061599A (en) 2024-05-07

Family

ID=84008912

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023095902A Active JP7365747B1 (en) 2022-10-20 2023-06-09 Disease treatment process abnormality identification system based on hierarchical neural network

Country Status (2)

Country Link
JP (1) JP7365747B1 (en)
CN (1) CN115359870B (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116759041B (en) * 2023-08-22 2023-12-22 之江实验室 Medical time sequence data generation method and device considering diagnosis and treatment event relationship

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977645B1 (en) * 2017-08-25 2019-06-12 주식회사 메디웨일 Eye image analysis method
CN109659035A (en) 2018-12-13 2019-04-19 平安医疗健康管理股份有限公司 Medical data exception recognition methods, equipment and storage medium based on machine learning
CN109659033B (en) * 2018-12-18 2021-04-13 浙江大学 Chronic disease state of an illness change event prediction device based on recurrent neural network
CN111754476A (en) * 2019-06-19 2020-10-09 北京昆仑医云科技有限公司 Method and system for disease quantitative modeling of anatomical tree structures
CN110909867A (en) * 2019-11-26 2020-03-24 南通恒趣新材料有限公司 Graph neural network visual analysis method based on force guide graph
CN111370084B (en) * 2020-02-07 2023-10-03 山东师范大学 BiLSTM-based electronic health record representation learning method and system
CN111667917A (en) * 2020-06-10 2020-09-15 北京小白世纪网络科技有限公司 Method, system and equipment for realizing traditional Chinese medicine diagnosis and treatment based on neural network
CN111738335A (en) * 2020-06-23 2020-10-02 鲁东大学 Time series data abnormity detection method based on neural network
CN113516226A (en) * 2021-05-18 2021-10-19 长沙理工大学 Hybrid model multivariate time sequence anomaly detection method based on graph neural network
CN113517076A (en) * 2021-07-30 2021-10-19 齐鲁工业大学 Disease case number prediction method and system based on graph neural network and transfer learning
CN113990495B (en) * 2021-12-27 2022-04-29 之江实验室 Disease diagnosis prediction system based on graph neural network
CN114564573A (en) * 2022-03-14 2022-05-31 天津大学 Academic cooperative relationship prediction method based on heterogeneous graph neural network
CN114881115A (en) * 2022-04-02 2022-08-09 中国科学院计算技术研究所 Multivariate time series anomaly detection method and system based on graph neural network
CN114496234B (en) * 2022-04-18 2022-07-19 浙江大学 Cognitive-atlas-based personalized diagnosis and treatment scheme recommendation system for general patients
CN114783603A (en) * 2022-04-18 2022-07-22 北京交通大学 Multi-source graph neural network fusion-based disease risk prediction method and system
CN115185736B (en) * 2022-09-09 2023-01-31 南京航空航天大学 Micro-service call chain abnormity detection method and device based on graph convolution neural network

Also Published As

Publication number Publication date
JP7365747B1 (en) 2023-10-20
CN115359870A (en) 2022-11-18
CN115359870B (en) 2023-03-24

Similar Documents

Publication Publication Date Title
CN109935336B (en) Intelligent auxiliary diagnosis system for respiratory diseases of children
CN113744873B (en) Heating to-be-checked auxiliary differential diagnosis system based on task decomposition strategy
CN109065171B (en) Integrated learning-based Kawasaki disease risk assessment model construction method and system
CN108305690A (en) The nervous system disease point examines the system for distribution of out-patient department of method and the nervous system disease
CN114999629B (en) AD early prediction method, system and device based on multi-feature fusion
JP2024061599A (en) A system for identifying abnormalities in the course of medical treatment based on a hierarchical neural network
CN116189866A (en) Remote medical care analysis system based on data analysis
CN114724710A (en) Emergency scheme recommendation method and device for emergency events and storage medium
CN113889229A (en) Construction method of medical image diagnosis standard based on human-computer combination
CN113342973A (en) Diagnosis method of auxiliary diagnosis model based on disease two-classifier
Zhang et al. A time-sensitive hybrid learning model for patient subgrouping
CN113658688B (en) Clinical decision support method based on word segmentation-free deep learning
Chaurasia et al. Detection of Parkinson's disease by using machine learning stacking and ensemble method
Chae et al. Comparison of alternative knowledge model for the diagnosis of asthma
Cerqueiro-Pequeño et al. Conceptual Design of a New Methodology Based on Intelligent Systems Applied to the Determination of the User Experience in Ambulances
Priya et al. A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach
Velusamy et al. Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images
Ravaji et al. CSChO-deep MaxNet: Cat swam chimp optimization integrated deep maxout network for heart disease detection
Scientific INTELLIGENT ALZHEIMER’S DISEASE PREDICTION USING EXPLAINABLE BOOSTING MACHINE
Bozhenko et al. Application of Data Preprocessing in Medical Research
Adgaonkar et al. K-Means and Decision Tree Approach to Predict the Severity of Diabetes Cases
Solaiman et al. X-Ray classification to detect COVID-19 using ensemble model
Kumar et al. Classification of Chronic Kidney Disease in Adults Using Enhanced Recurrent Neural Networks
CN117912715A (en) Infectious disease prediction method and system based on knowledge fusion network
Walid et al. Identification of Bone Marrow Cell Morphologies Using a Novel Residual CNN-LSTM Aided Ensemble Technique

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230609

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230704

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230920

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231008

R150 Certificate of patent or registration of utility model

Ref document number: 7365747

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150