[發明專利]一種基于循環神經網絡的慢性疾病病情變化事件預測裝置

有效

• 申請號: 201811548823.2
• 申請日: 2018-12-18
• 公開（公告）號: CN109659033B
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 黃正行;孫周健;段會龍
• 申請（專利權）人: 浙江大學
• 主分類號: G16H50/50
• 分類號: G16H50/50;G06Q10/04;G06N3/08;G06K9/62
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

本發明公開了一種基于循環神經網絡的慢性疾病病情變化事件預測裝置，包括存儲器、處理器以及計算機程序，存儲器中存有預處理模塊和慢性疾病病情變化事件預測模型，預測模型包括預處理模塊、病情特征提取模塊和分類模塊；處理器執行計算機程序時實現以下步驟：接收患者多次入院所生成的長期縱向數據，預處理模塊對數進行據預處理，將每次入院的數據重建為一個特征向量，作為待測數據集；以待測數據集作為輸入，病情特征提取模塊提取病情特征輸入到分類模塊；分類模塊輸出各類標志病情發生變化的事件的預測概率。該預測裝置可對慢性疾病患者在目標時間窗口內發生標志疾病病情變化的事件進行預測，從而輔助醫生制定合理的診療措施，降低醫療開支。

技術領域

本發明屬于數據處理領域，具體涉及一種基于循環神經網絡的慢性疾病病情變化事件預測裝置。

背景技術

慢性疾病是我國居民死亡的主要原因，據統計，近年來，我國死亡人口中，約有86％死于各種慢性疾病。慢性疾病的主要特點是，持續時間較長、病情難以逆轉、致病原因較為復雜。預測慢性疾病在未來可能發生的病情變化事件對于評估慢性疾病預后十分重要，也有助于對慢性疾病進行更為精準的治療。

現有的慢性疾病重大事件預測方法多為臨床醫學研究成果，使用的技術手段基本類似，多為隊列研究的方法。具體的實施策略是，1)確定疾病病情發生重大變化的標志性事件(終點事件)，例如一年內再次入院、死亡等；2)將某種慢性病病人納入研究隊列，記錄病人被納入研究隊列時的各項生理指標；3)對病人進行長期隨訪，病人如若在隨訪過程中發生了先前定義的標志性事件，則記錄事件的發生時間。4)使用醫學統計學方法，分析事件發生的主要風險因素。5)根據主要風險因素建立模型，預測一個病人是否會在規定時間窗口內發生終點事件。醫學研究中，各類風險預測模型的區別主要在于使用的數據不同、使用的數據特征不同，而方法基本類似。以心力衰竭這一慢性疾病為例，美國華盛頓大學基于包含了1,125名患者的隊列，提出了能夠預測預測病人1年，2年，3年死亡率的西雅圖心衰模型，該模型使用了臨床中常見的24項病人特征，使用的方法是Cox風險比例回歸。西班牙巴塞羅那自治大學基于2507名患者的隊列，提出了可以預測患者1月與1年心源性再入院的Red-In模型，使用的方法是邏輯回歸。臨床醫學中常用基于線性模型的疾病終點事件預測模型，只能對病人被納入隊列時所記錄的數據進行分析，無法及時追蹤病人病情變化后對終點事件發生概率的影響，從而限制了預測能力。另一方面，臨床模型所使用的終點事件過于嚴格，對于很多慢性疾病而言，其疾病演變是一個相當漫長的過程，對于疾病癥狀較輕的病人，無需使用死亡這樣的終點事件評估其在幾年內的預后情況。

近年來，深度學習技術的發展，主要是循環神經網絡的應用，為疾病事件提供了全新的可用方法，循環神經網絡使得追蹤病人長期病情變化數據，從而給出更為精準，更符合實際需求的病情變化事件預測成為可能。但是，循環神經網絡的原始設計雖然可以，但是并不適合接受病人的長期病情數據，這是由于其一般用于接受時間間隔相同的序列數據，而慢性疾病病人的入院時間間隔往往是無規律可循的。這一不同在一定程度上限制了循環神經網絡在疾病病情演變事件預測上的應用。

發明內容

本發明的目的是提供一種基于循環神經網絡的慢性疾病病情變化事件預測裝置，可一定程度上緩解輸入時間間隔不一致的問題，對慢性疾病患者在目標時間窗口內發生標志疾病病情變化的事件進行更為精準的預測，從而輔助醫生制定合理的診療措施，支持臨床決策，降低醫療開支。

為實現上述目的，本發明提供以下技術方案：

一種基于循環神經網絡的慢性疾病病情變化事件預測裝置，包括計算機存儲器、計算機處理器以及存儲在所述計算機存儲器中并可在所述計算機處理器上執行的計算機程序：

所述計算機存儲器中存有預處理模塊和慢性疾病病情變化事件預測模型，所述慢性疾病病情變化事件預測模型包括預處理模塊、病情特征提取模塊和分類模塊；

所述計算機處理器執行所述計算機程序時實現以下步驟：