[發(fā)明專(zhuān)利]基于動(dòng)態(tài)圖和醫(yī)學(xué)知識(shí)圖譜的疾病預(yù)測(cè)方法及相關(guān)設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202011161296.7
• 申請(qǐng)日: 2020-10-27
• 公開(kāi)（公告）號(hào): CN112017776B
• 公開(kāi)（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 徐嘯;劉小雙;徐銜;孫瑜堯
• 申請(qǐng)（專(zhuān)利權(quán)）人: 平安科技（深圳）有限公司
• 主分類(lèi)號(hào): G16H50/20
• 分類(lèi)號(hào): G16H50/20;G16H50/30;G16H50/70;G06N3/04;G06N3/08;G06F16/36
• 代理公司: 廣州三環(huán)專(zhuān)利商標(biāo)代理有限公司 44202
• 代理人: 熊永強(qiáng)

本發(fā)明實(shí)施例涉及醫(yī)療技術(shù)領(lǐng)域，公開(kāi)了一種基于動(dòng)態(tài)圖和醫(yī)學(xué)知識(shí)圖譜的疾病預(yù)測(cè)方法及相關(guān)設(shè)備，該方法包括：獲取與樣本醫(yī)療數(shù)據(jù)中歷史診療數(shù)據(jù)的醫(yī)學(xué)知識(shí)圖譜對(duì)應(yīng)的圖結(jié)構(gòu)，并確定圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的初始知識(shí)表征向量以及初始狀態(tài)表征向量；根據(jù)歷史診療數(shù)據(jù)更新得到每個(gè)節(jié)點(diǎn)的知識(shí)表征向量和狀態(tài)表征向量；將每個(gè)節(jié)點(diǎn)的知識(shí)表征向量和狀態(tài)表征向量輸入多層感知機(jī)模型，得到每個(gè)用戶(hù)的結(jié)局?jǐn)?shù)據(jù)，并根據(jù)結(jié)局?jǐn)?shù)據(jù)訓(xùn)練多層感知機(jī)模型得到疾病預(yù)測(cè)模型；將待測(cè)試用戶(hù)的目標(biāo)醫(yī)療數(shù)據(jù)輸入疾病預(yù)測(cè)模型，得到待測(cè)試用戶(hù)下一次就診的預(yù)測(cè)結(jié)局?jǐn)?shù)據(jù)，利用動(dòng)態(tài)圖技術(shù)提高了疾病預(yù)測(cè)結(jié)果的準(zhǔn)確度。本發(fā)明涉及區(qū)塊鏈技術(shù)，上述預(yù)測(cè)結(jié)局?jǐn)?shù)據(jù)可存儲(chǔ)于區(qū)塊鏈中。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)療技術(shù)領(lǐng)域，尤其涉及一種基于動(dòng)態(tài)圖和醫(yī)學(xué)知識(shí)圖譜的疾病預(yù)測(cè)方法及相關(guān)設(shè)備。

背景技術(shù)

疾病預(yù)測(cè)是基于用戶(hù)的歷史信息推斷未來(lái)的疾病或臨床事件的風(fēng)險(xiǎn)，為解決數(shù)據(jù)驅(qū)動(dòng)的疾病預(yù)測(cè)方法容易受數(shù)據(jù)量有限、數(shù)據(jù)偏差較大的影響，很多工作嘗試將醫(yī)學(xué)知識(shí)圖譜融入疾病預(yù)測(cè)過(guò)程，以提升預(yù)測(cè)精準(zhǔn)度和與現(xiàn)有醫(yī)學(xué)知識(shí)的吻合度。

目前一些方法嘗試在深度學(xué)習(xí)模型中引入知識(shí)圖譜，以應(yīng)對(duì)醫(yī)療數(shù)據(jù)量不足和數(shù)據(jù)偏差所帶來(lái)的影響。由于知識(shí)圖譜是靜態(tài)圖，而用戶(hù)的歷史信息是動(dòng)態(tài)更新的，所以現(xiàn)有的基于知識(shí)圖譜的疾病預(yù)測(cè)方法往往難以考慮歷史信息的時(shí)序性，進(jìn)而影響預(yù)測(cè)性能。因此，如何更有效地提高疾病預(yù)測(cè)結(jié)果的準(zhǔn)確性非常重要。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種基于動(dòng)態(tài)圖和醫(yī)學(xué)知識(shí)圖譜的疾病預(yù)測(cè)方法及相關(guān)設(shè)備，通過(guò)對(duì)醫(yī)學(xué)知識(shí)圖譜對(duì)應(yīng)的圖結(jié)構(gòu)進(jìn)行更新，可以實(shí)現(xiàn)利用動(dòng)態(tài)圖技術(shù)提高疾病預(yù)測(cè)結(jié)果的精準(zhǔn)度，以及提高疾病預(yù)測(cè)結(jié)果與現(xiàn)有醫(yī)學(xué)知識(shí)的匹配度。

第一方面，本發(fā)明實(shí)施例提供了一種基于動(dòng)態(tài)圖和醫(yī)學(xué)知識(shí)圖譜的疾病預(yù)測(cè)設(shè)備，所述設(shè)備包括：存儲(chǔ)器和處理器；

所述存儲(chǔ)器，用于存儲(chǔ)程序指令；

所述處理器，用于調(diào)用所述程序指令，當(dāng)所述程序指令被執(zhí)行時(shí)，用于執(zhí)行以下操作：

獲取訓(xùn)練集中每個(gè)用戶(hù)的樣本醫(yī)療數(shù)據(jù)，其中，所述樣本醫(yī)療數(shù)據(jù)包括所述訓(xùn)練集中每個(gè)用戶(hù)的歷史診療數(shù)據(jù)和歷史結(jié)局?jǐn)?shù)據(jù)，所述歷史診療數(shù)據(jù)包括n次歷史就診記錄中的診斷數(shù)據(jù)、藥物數(shù)據(jù)、檢查數(shù)據(jù)、就診時(shí)間中的一種或多種， n為大于或等于1的正整數(shù)；

獲取與所述歷史診療數(shù)據(jù)的醫(yī)學(xué)知識(shí)圖譜對(duì)應(yīng)的圖結(jié)構(gòu)，并確定所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的初始知識(shí)表征向量以及所述每個(gè)節(jié)點(diǎn)的初始狀態(tài)表征向量，其中，所述圖結(jié)構(gòu)由多個(gè)節(jié)點(diǎn)和邊組成；

根據(jù)所述歷史診療數(shù)據(jù)更新所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的初始知識(shí)表征向量和初始狀態(tài)表征向量，得到所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的知識(shí)表征向量和狀態(tài)表征向量；

將所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的知識(shí)表征向量和狀態(tài)表征向量輸入多層感知機(jī)模型，得到所述訓(xùn)練集中每個(gè)用戶(hù)的結(jié)局?jǐn)?shù)據(jù)，并根據(jù)所述結(jié)局?jǐn)?shù)據(jù)訓(xùn)練所述多層感知機(jī)模型得到疾病預(yù)測(cè)模型；

獲取待測(cè)試用戶(hù)的目標(biāo)醫(yī)療數(shù)據(jù)，并將所述待測(cè)試用戶(hù)的目標(biāo)醫(yī)療數(shù)據(jù)輸入訓(xùn)練得到的疾病預(yù)測(cè)模型，得到所述待測(cè)試用戶(hù)下一次就診的預(yù)測(cè)結(jié)局?jǐn)?shù)據(jù)。

進(jìn)一步地，所述處理器確定所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的初始知識(shí)表征向量以及所述每個(gè)節(jié)點(diǎn)的初始狀態(tài)表征向量時(shí)，具體用于：

對(duì)所述圖結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)隨機(jī)添加初始化向量，并確定所述每個(gè)節(jié)點(diǎn)的初始化向量為所述每個(gè)節(jié)點(diǎn)的初始知識(shí)表征向量；以及，

對(duì)所述圖結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)添加零向量，并確定所述每個(gè)節(jié)點(diǎn)的零向量為所述每個(gè)節(jié)點(diǎn)的初始狀態(tài)表征向量。

進(jìn)一步地，所述處理器根據(jù)所述歷史診療數(shù)據(jù)更新所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的初始知識(shí)表征向量和初始狀態(tài)表征向量，得到所述圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的知識(shí)表征向量和狀態(tài)表征向量時(shí)，具體用于：