[發明專利]基于人工智能的患者分群方法、裝置、設備及存儲介質

有效

• 申請號: 202010400972.5
• 申請日: 2020-05-13
• 公開（公告）號: CN111696660B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 蔣雪涵;孫行智;徐卓揚;胡崗
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06N3/0464;G06N3/08;G06F18/23
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 于亭

本發明涉及人工智能技術領域，公開了一種基于人工智能的患者分群方法，用于提高患者分群的準確性。包括：讀取多名患者的歷史醫療數據，從歷史醫療數據中提取出每個患者的多項預設生理指標的時序測量數據，以及每個患者的治療方案數據；根據時序測量數據，對應生成每個患者的多項預設生理指標隨時間的變化關系圖像；將治療方案數據轉換為對應的治療方案編碼；將變化關系圖像輸入至卷積神經網絡中，并將治療方案編碼作為目標輸出訓練目標卷積神經網絡；獲取目標卷積神經網絡的最后一層全連接層輸出的圖像編碼，根據圖像編碼對多名患者進行聚類，以將多名患者劃分為多個患者集群。本發明還涉及區塊鏈技術，所述變化關系圖像存儲于區塊鏈中。

技術領域

本發明涉及人工智能的機器學習技術領域，尤其涉及基于人工智能的患者分群方法、裝置、設備及存儲介質。

背景技術

隨著醫療水平的提高和居民健康數據的積累，獲取患者每個臨床指標隨時間變化的軌跡不再困難。而通過多個臨床指標隨時間變化的軌跡對患者進行精準分群、進行個性化治療方案的選擇以及預測患者預后，相比于僅使用單次指標具有更高的精準度。

目前常用的用于軌跡分類的方法之一是上世紀90年代由Daniel?Nagin等人課題組提出的基于多項式擬合和貝葉斯信息準則的半參數混合模型，該方法的主要缺點是僅能對單個指標的軌跡變化聚類，不能處理離散型變量，且要求數據符合正態分布，應用多項式對固定時間間隔的分類使得由該方法得到的擬合軌跡與實際軌跡的偏差比較大。近年來，機器學習算法廣泛應用于醫療數據分析，其中對多個指標軌跡變化分析是通過由多個變量定義的狀態在多維空間的變化實現的，這種方法的缺點是隨著考慮的變量數目增加，狀態空間復雜度呈指數級增長，狀態空間稀疏，軌跡間相似距離的計算需要人為定義，帶來聚類的系統性偏差，實際的軌跡聚類效果有限。

因而，目前缺乏一種精確的基于多臨床指標的患者分群方法，從而無法為精準化的臨床決策提供支持。

發明內容

本發明的主要目的在于提出一種基于人工智能的患者分群方法、裝置、設備及存儲介質，旨在提高基于多臨床指標進行患者分群的準確性。

本發明第一方面提供了一種基于人工智能的患者分群方法，所述基于人工智能的患者分群方法包括如下步驟：

讀取預先保存在歷史醫療數據庫中的多名患者的歷史醫療數據，從所述歷史醫療數據中提取出每個患者的多項預設生理指標的時序測量數據，以及每個患者的治療方案數據；

根據提取出的每個患者的多項預設生理指標的時序測量數據，對應生成每個患者的多項預設生理指標隨時間的變化關系圖像，其中，所述多項預設生理指標隨時間的變化關系圖像中包括與所述多項預設生理指標一一對應的多條顏色各不相同的軌跡，且不同患者的相同預設生理指標所對應的軌跡顏色相同；

將提取出的每個患者的治療方案數據轉換為對應的治療方案編碼；

將生成的每個患者的多項預設生理指標隨時間的變化關系圖像輸入至卷積神經網絡中，并將所述治療方案編碼作為所述卷積神經網絡的目標輸出進行模型訓練，得到訓練后的目標卷積神經網絡；

獲取所述目標卷積神經網絡的最后一層全連接層輸出的圖像編碼，根據所述圖像編碼對所述多名患者進行聚類，以將所述多名患者劃分為多個患者集群。

可選的，在本發明第一方面的第一種實現方式中，所述變化關系圖像存儲于區塊鏈中，所述根據提取出的每個患者的多項預設生理指標的時序測量數據，對應生成每個患者的多項預設生理指標隨時間的變化關系圖像的步驟包括：

將提取出的每個患者的多項預設生理指標的時序測量數據進行歸一化處理；

根據歸一化處理后的每個患者的多項預設生理指標的時序測量數據，對應繪制每個患者的多項預設生理指標隨時間的變化關系折線圖；