[發明專利]一種風險預測模型的構建方法、設備、終端及存儲介質

有效

• 申請號: 202011096855.0
• 申請日: 2020-10-14
• 公開（公告）號: CN112270994B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 馮新星;陳燕燕
• 申請（專利權）人: 中國醫學科學院阜外醫院
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/30;G06N3/08
• 代理公司: 深圳智趣知識產權代理事務所(普通合伙) 44486
• 代理人: 崔艷崢

1.一種風險預測模型的構建方法，其特征在于，包括：

步驟S1、獲取糖尿病合并冠心病患者的多個屬性數據；

步驟S2、基于信息增益評價函數對各所述屬性數據進行評估，得到各所述屬性數據的信息增益，并基于多個所述屬性數據組成數據集；

步驟S3、初始化迭代次數N，N＝1；

步驟S4、第N次基于所述數據集在深度神經網絡中進行訓練生成模型；

步驟S5、基于損失函數對所述模型進行性能評估，得到性能值；

步驟S6、若所述性能值與初始模型的性能值的差值不大于性能閾值，從所述數據集剔除所述信息增益最小的一個或多個所述屬性數據，并將所述迭代次數加1后作為N，返回步驟S4；所述初始模型為N＝1時基于所有所述屬性數據形成的所述數據集在深度神經網絡中進行訓練生成的；

步驟S7、若所述性能值與所述初始模型的性能值的差值大于性能閾值，將第N-1次生成的模型作為用于預測糖尿病合并冠心病人的心血管死亡風險的最終模型；

在將第N-1次生成的模型作為所述最終模型之后，該方法還包括：

將第N-1次生成的模型對應的所述數據集中信息增益最小的所述屬性數據作為第一屬性數據；

將第N-2次生成的模型對應的所述數據集中信息增益最小的所述屬性數據作為第二屬性數據；

基于所述第一屬性數據與所述第二屬性數據兩者的信息增益確定針對所述屬性數據的信息增益閾值。

2.如權利要求1所述的方法，其特征在于，所述屬性數據關聯有病例樣本的數據；所述步驟S2，包括：

基于信息增益評價函數與所述病例樣本的數據確定第一信息熵，且基于信息增益評價函數、所述屬性數據及所述病例樣本的數據確定第二信息熵；所述第一信息熵為所述病例樣本中心血管死亡事件的信息熵；所述第二信息熵為不同的所述屬性數據取值下的心血管死亡事件的信息熵；

基于所述第一信息熵與所述第二信息熵的差值確定各所述屬性數據的信息增益。

3.如權利要求1或2所述的方法，其特征在于，所述信息增益評價函數為：

G(D，A)＝H(D)-H(D|A) ；

其中，G(D，A)為所述信息增益；

H(D)為第一信息熵；p_i包括p₀、p₁；N₀和N₁分別為所述屬性數據對應的糖尿病合并冠心病患者中沒有發生心血管死亡事件和發生心血管死亡事件的病例數；H(D|A)＝∑_a∈A(p(A＝a)·H(D|A＝a))；

A為所述屬性數據，a為所述屬性數據的值；p(A＝a)為所述屬性數據的值為a時的概率；H(D|A＝a)為當所述屬性數據的值是a時的第二信息熵。

4.如權利要求1所述的方法，其特征在于，所述步驟S6，包括：

若所述性能值與初始模型的性能值的差值不大于性能閾值，基于預設的剔除閾值從所述數據集剔除所述信息增益最小的一個或多個所述屬性數據；

其中，剔除的一個所述屬性數據的所述信息增益小于所述剔除閾值，或剔除的多個所述屬性數據的所述信息增益的和小于所述剔除閾值。

5.如權利要求1所述的方法，其特征在于，所述步驟S1，包括：

獲取糖尿病合并冠心病患者的病例樣本；其中，所述病例樣本包括沒有發生心血管死亡的第一病例樣本和發生心血管死亡的第二病例樣本；所述第一病例樣本的數量大于所述第二病例樣本的數量；

對所述第一病例樣本進行隨機下采樣，以使所述第一病例樣本的數量和所述第二病例樣本的數量相同；

在所述第一病例樣本與第二病例樣本中獲取屬性數據。

6.如權利要求1所述的方法，其特征在于，所述步驟S4，包括：

基于所述屬性數據確定輸入值，并基于所述屬性數據關聯的病例樣本的數據確定輸出值；

基于所述輸入值與輸出值確定所述深度神經網絡中每個連接的權值以及每個神經元的偏差值；

基于所述權值與所述偏差值建立針對糖尿病合并冠心病人的心血管死亡風險預測模型。