[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

本發明屬于數據挖掘、醫療信息和大數據技術領域，具體為一種基于全記憶事件序列挖掘模型的用藥分析方法。本發明方法將原始用藥數據轉換成類別型的用藥事件發生序列，把所有類別型用藥事件序列的每個用藥事件節點轉換為歐式空間的多維向量表示；然后根據要預測的用藥事件的前一個節點來對所有歷史記錄的事件加權求和，形成預測事件的記憶的特征表示，作為預測下一個事件向量的分類器的標準輸入，把要預測的事件的多維向量表示作為輸出，訓練一個預測模型，再把歐式空間的多維向量映射回原來的類別型空間，使用所有用藥事件序列訓練；最后，對于新的用藥事件序列，輸入訓練好的模型，用于預測未來事件。本方法能夠利用盡可能多的數據來用于決策，從而減少決策的失誤。

技術領域

本發明屬于數據挖掘、醫療信息和大數據技術領域，具體涉及一種基于全記憶事件序列挖掘模型的用藥分析方法。

背景技術

有效的用藥方案對于患者獲取最佳治療是非常重要的。利用已經積累的大規模的患者臨床用藥歷史數據進行分析建模，有助于醫生對患者下一步用藥提供決策支持。數據挖掘方法已經被用于用藥分析，傳統的用藥數據挖掘方法采用頻繁模式挖掘發現頻繁出現的用藥組合，推斷藥物之間的關聯。然而，一方面，不考慮用藥順序的頻繁模式挖掘忽略了疾病演變的特征對用藥的影響；另一方面，雖然已有考慮“序”和時間特征的頻繁序列模式挖掘方法被使用，然而，大量冗余的結果模式和關聯規則限制了方法的實際應用。更重要的是，患者的用藥并不是簡單的考慮先后關系，還需要考慮在治療過程中前序不同時間點的用藥對目標時間點的用藥的影響的差異。

本發明針對患者用藥歷史數據，提出一種基于全記憶事件序列挖掘模型的用藥分析方法。首先，采用事件序列形式建模表示用藥歷史數據，即形成用藥事件序列；然后，針對患者疾病隨時間的變化，以及用藥受不同階段用藥情況的影響，將需要預測事件的時間節點前的所有事件看作為預測事件的記憶，對預測事件記憶加權構成事件記憶特征表示，并構建訓練數據集；再構建訓練模型，設置損失函數，求解參數；最后，對于待預測用藥事件序列實現事件預測。該方法不僅考慮了時間順序，以及不同階段患者用藥的影響差異，而且對比以往的一階或高階事件序列分析方法，能夠利用盡可能多的數據來用于決策，從而減少決策的失誤。

發明內容

本發明的主要目的是提供一種基于用藥記錄數據的用藥分析方法，能夠使用患者周期內所有歷史用藥事件記憶來幫助預測下一個用藥事件的發生。

本發明提供了一種基于全記憶事件序列挖掘模型的用藥分析方法，事件序列的記憶是以預測事件的時間節點為前提定義的，在預測事件的時間節點前的所有事件被看作為預測事件的記憶。本發明的主要思想是：將原始用藥數據轉換成類別型的用藥事件發生序列，把所有類別型用藥事件序列的每個用藥事件節點轉換為歐式空間的多維向量表示，此基礎上，根據要預測的用藥事件的前一個節點（稱為當前事件）來對所有歷史記錄的事件（預測事件的記憶，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）加權求和，形成預測事件的記憶的特征表示，作為預測下一個事件向量的分類器的標準輸入，把要預測的事件的多維向量表示作為輸出，訓練一個預測模型，再把歐式空間的多維向量映射回原來的類別型空間，使用所有用藥事件序列訓練；最后，對于新的用藥事件序列，輸入訓練好的模型，用于預測未來事件。該方法不僅考慮了時間順序，以及不同階段患者用藥的影響差異，而且對比以往的一階或高階事件序列分析方法，能夠利用盡可能多的數據來用于決策，從而減少決策的失誤。

本發明提供的基于全記憶事件序列挖掘模型的用藥分析方法，其流程如圖1所示，具體步驟如下：

（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；