[發明專利]器官衰竭感染病癥的預測、預測模型的訓練方法及系統

在審

• 申請號: 202110285409.2
• 申請日: 2021-03-17
• 公開（公告）號: CN113057589A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 薛佩姣;賴志明;林志哲;蔣勁峰;薛佳佳
• 申請（專利權）人: 上海電氣集團股份有限公司
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 楊東明;林嵩

1.一種器官衰竭感染病癥預測模型的訓練方法，其特征在于，所述訓練方法包括：

獲取參考數據集；

提取所述參考數據集中與器官衰竭感染病癥關聯的第一病癥數據；

基于所述第一病癥數據訓練得到器官衰竭感染病癥預警模型；其中，所述器官衰竭感染病癥預警模型用于輸出器官衰竭感染病癥的發病概率；

獲取目標數據集；

基于所述目標數據集對所述器官衰竭感染病癥預警模型進行增量學習訓練，以得到目標病癥預測模型。

2.如權利要求1所述的器官衰竭感染病癥預測模型的訓練方法，其特征在于，所述基于所述目標數據集對所述器官衰竭感染病癥預警模型進行增量學習訓練，以得到目標病癥預測模型的步驟包括：

根據所述目標數據集劃分出訓練集；

采用所述訓練集對所述器官衰竭感染病癥預警模型進行增量學習訓練以得到目標病癥預測模型。

3.如權利要求2所述的器官衰竭感染病癥預測模型的訓練方法，其特征在于，所述參考數據集為MIMIC數據集，所述目標數據集為國內患者病患數據；和/或，

所述采用所述訓練集對所述器官衰竭感染病癥預警模型進行增量學習訓練以得到目標病癥預測模型的步驟包括：

基于Learn++增量學習算法采用所述訓練集對所述器官衰竭感染病癥預警模型進行增量學習訓練以得到目標病癥預測模型；

其中，所述Learn++算法中的弱分類器均采用多層感知器MLP。

4.如權利要求3所述的器官衰竭感染病癥預測模型的訓練方法，其特征在于，所述獲取目標數據集的步驟包括：

每隔設定時間獲取更新后的國內患者數據對應的數據量；

當所述數據量大于第一設定閾值時，則根據更新后的國內患者數據形成一個批次數據并作為所述目標數據集；

所述采用所述訓練集對所述器官衰竭感染病癥預警模型進行增量學習訓練以得到目標病癥預測模型的步驟包括：

采用首次批次數據對應的所述訓練集對所述器官衰竭感染病癥預警模型進行增量學習訓練以得到中間病癥預測模型；

依次采用不同批次數據對應的所述訓練集對基于上一批次數據訓練得到的中間病癥預測模型進行更新；

采用當前批次數據劃分出的測試集對當前的中間病癥預測模型進行測試以獲取第一測試結果，采用之前若干批次數據劃分出的測試集對當前的中間病癥預測模型進行測試以獲取第二測試結果；

當所述第一測試結果與所述第二測試結果的差值小于第二設定閾值時，則將當前批次數據對應的中間病癥預測模型作為所述病癥預測模型。

5.如權利要求1所述的器官衰竭感染病癥預測模型的訓練方法，其特征在于，所述基于所述第一病癥數據訓練得到器官衰竭感染病癥預警模型的步驟包括：

基于所述第一病癥數據獲取若干病例對應的歷史標注結果，以及與每個病例在歷史連續設定時長內對應的用于表征器官衰竭感染病癥的歷史特征數據；

采用機器學習算法基于每個病例對應的所述歷史特征數據和所述歷史標注結果訓練得到所述器官衰竭感染病癥預警模型；

其中，所述器官衰竭感染病癥預警模型用于預測患者在未來連續設定時長后的發病概率；

所述機器學習算法包括多層感知器MLP、支持向量機SVM、集成學習Light GBM和長短時記憶網絡LSTM中的至少一種。

6.一種器官衰竭感染病癥的預測方法，其特征在于，所述預測方法包括：

獲取待測病患數據；

將所述待測病患數據輸入權利要求1-5中任一項基于所述的器官衰竭感染病癥預測模型的訓練方法得到的所述病癥預測模型，以獲取目標預測結果。