[發明專利]一種基于全記憶事件序列挖掘模型的用藥分析方法

有效

• 申請號: 201710077612.4
• 申請日: 2017-02-14
• 公開（公告）號: CN106874668B
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 熊贇;林濤;朱揚勇
• 申請（專利權）人: 復旦大學
• 主分類號: G16H20/10
• 分類號: G16H20/10;G16H50/70
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.基于全記憶事件序列挖掘模型的用藥分析方法，其特征在于，具體步驟為：

（1）首先，對患者歷史用藥數據進行預處理，即采集用藥事件序列的原始數據，將原始用藥數據轉換成用藥事件發生序列；然后，對用藥事件序列數據進行處理，將序列中的每個事件都用一個或多個類別型的變量進行表示；

（2）對于已經處理好的類別型變量表示的事件序列，設置一個特定的記憶長度閾值，選擇高于該閾值的序列用于構造訓練數據集；

（3）采用基于全記憶事件序列方法構建訓練預測模型；

所述構建訓練預測模型方法的具體步驟為：

（a）設置一個最大記憶數量T，使用的記憶數量不能超過這個數量，通常設置大于數據中大部分序列的長度；

（b）初始化變換矩陣A，把預測事件的前一個事件投影到多維連續空間中的向量，并求和形成一個向量q；

（c）初始化變換矩陣B、C，把預測事件之前的所有事件分別投影到多維連續空間中的多個向量，這些稱為記憶向量，表示預測事件的所有記憶；

（d ）使用向量q和經過B投影矩陣變換后的向量做內積，形成權重向量，再使用這些權重向量和經過C投影矩陣變換后的記憶向量加權求和，形成最終的一個記憶向量表示m；

（e ）向量m和向量q相加，作為預測分類器的輸入，并使用一個變換矩陣W，投影到原始的離散事件空間，再使用softmax函數，得到下一個預測事件的每一項的概率；

（f ）使用交叉熵損失函數作為目標函數，使用梯度下降的方法求參數，即求得參數A、B、C和W；

（4）對于新的用藥事件序列，輸入預測模型實現對未來時間節點的用藥事件進行預測。

2.如權利要求1所述的基于全記憶事件序列挖掘模型的用藥分析方法，其特征在于，步驟（1）中的患者歷史用藥數據的事件序列的轉化表示方法，該步驟將患者歷史用藥記錄表示為事件，每個事件用一個或多個類別型變量表示。

3.如權利要求1所述的基于全記憶事件序列挖掘模型的用藥分析方法，其特征在于，步驟（2）中將患者用藥的歷史事件作為記憶序列，形成記憶特征表示。

4.如權利要求1所述的基于全記憶事件序列挖掘模型的用藥分析方法，其特征在于，步驟（4）把新的用藥事件序列作為訓練好的預測模型的輸入，使用模型輸出預測結果。

5.如權利要求1所述的基于全記憶事件序列挖掘模型的用藥分析方法，其特征在于，步驟（2）中所述構造訓練數據集方法的具體步驟為：

（1）設置一個特定的記憶長度閾值M，高于這個閾值的序列才用于構造訓練數據集合；

（2）對于每個事件序列，從第M+1個時間節點開始設置預測節點，采集訓練集；預測節點的每個類別變量作為模型的輸出，當前節點之前的所有節點作為模型的輸入；預測節點不斷向右移動，每移動一個時間節點就形成一個或多個新的訓練數據。