[發明專利]一種基于自適應集成學習模型的再入院風險預測方法

有效

• 申請號: 202010971129.2
• 申請日: 2020-09-16
• 公開（公告）號: CN112086195B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 邱航;張振;鄭鑫;胡智栩
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06N3/126
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 何凡

本發明公開了一種基于自適應集成學習模型的再入院風險預測方法，包括以下步驟：采集患者的基本信息和臨床診療信息，并構建臨床高維特征矩陣以及再住院標簽；對臨床高維特征矩陣依次進行數據預處理和KPCA降維，得到降維特征集；構建自適應集成學習模型并根據降維特征集和再住院標簽對其訓練，將待預測患者的降維特征集輸入訓練完成的自適應集成學習模型中，得到患者的再入院風險預測結果。本發明提出了一種基于自適應集成學習模型的再入院風險預測方法，通過集成學習模型準確預測患者再入院風險，輔助醫生對高風險患者提前采取干預措施，有助于降低患者疾病負擔、減輕患者經濟負擔，有助于降低醫院再入院率以及提升醫療服務質量。

技術領域

本發明屬于計算機科學領域，具體涉及一種基于自適應集成學習模型的再入院風險預測方法。

背景技術

再入院率是反映醫院醫療質量和管理水平的重要指標，準確預測患者再入院風險，為醫生和醫院管理者提供輔助決策支撐，從而可以有效降低再入院率。在提高醫療服務質量和降低治療費用的同時，幫助醫院更加有效合理的分配醫療資源。目前，關于再入院風險預測研究仍存在一些問題：

再入院風險預測的特征具有高維、非線性的特點，傳統的線性降維方式不能取得很好的降維效果。

再入院風險預測主流方法分為兩種：一是傳統的統計學方法，這類方法的預測精度不高；另一種是機器學習算法，在一定程度上解決傳統統計學方法預測精度不足的問題，但預測效果仍有待提升。集成學習模型使用多個基模型的預測結果作為訓練一個新的元學習器的特征，已經被成功地應用在一些科學領域的預測，并被證明比單個機器學習模型更有效。但在再入院風險預測的研究中，由于缺乏背景知識，集成學習模型很難選擇有效的模型組合，進而影響了模型的預測效果。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于自適應集成學習模型的再入院風險預測方法解決了現有技術中存在的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于自適應集成學習模型的再入院風險預測方法，包括以下步驟：

S1、采集患者的基本信息和臨床診療信息，并通過基本信息和臨床診療信息構建臨床高維特征矩陣以及再住院標簽；

S2、對臨床高維特征矩陣進行數據預處理，并對預處理后的臨床高維特征矩陣進行KPCA降維，得到降維特征集；

S3、構建自適應集成學習模型，并將患者的降維特征集和再住院標簽輸入自適應集成學習模型進行訓練；

S4、將待預測患者的降維特征集輸入訓練完成的自適應集成學習模型中，得到患者的再入院風險預測結果。

進一步地，所述步驟S3中構建自適應集成學習模型的具體步驟為：

C1、選擇備選基模型和元學習器；

C2、通過遺傳算法自適應地選擇不同元學習器對應的基模型，構建3個最優集成模型；

C3、以權重投票機制為基礎，并通過粒子群優化算法調整3個集成模型的權重，獲取自適應集成學習模型。

進一步地，所述步驟C1中備選基模型包括支持向量機、邏輯斯特回歸、貝葉斯模型、分類和回歸樹、梯度提升決策樹、極端隨機樹、隨機森林、卷積神經網絡、多層感知機、極端梯度提升、引導聚集算法和自適應增強算法；

所述步驟C1中元學習器包括線性模型Logistic?Regression、樹模型Classification?and?Regression?Tree和深度學習模型Multi-layer?Perceptron。

進一步地，所述步驟C2包括以下分步驟：

C2.1、對所有備選基模型進行離散化，采用二進制編碼方法對離散化后的備選基模型進行編碼，并初始化，隨機生成M個編碼個體；