[發明專利]一種基于圖表示學習的慢病風險預測方法

在審

• 申請號: 202210539116.7
• 申請日: 2022-05-10
• 公開（公告）號: CN114898879A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 邱航;楊萍;王利亞
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H50/20
• 代理公司: 成都先導云創知識產權代理事務所(普通合伙) 51321
• 代理人: 李坤

本發明涉及醫療信息技術領域，涉及一種基于圖表示學習的慢病風險預測方法；將結構化數據抽象為圖數據，構建個人疾病網絡表示患者個體；個人疾病網絡中節點表示所患疾病，有向邊的方向表示疾病出現的先后順序，權值表示在患者個體的住院序列中，該有向邊關聯的有向疾病對出現的頻率；通過詞嵌入方法生成個人疾病網絡中疾病節點的初始表示；并設計了一種集成圖卷積和圖池化的整圖分類預測模型對個人疾病網絡進行學習，生成對患者的嵌入表示。其中，圖卷積層為多關系注意力卷積，可按照時序方向分別聚合節點的領域信息；圖池化層為集成邊權重的邊收縮池化，可實現對個人疾病網絡的層次化學習；最后，基于患者的嵌入表示實現對個體未來慢病風險的預測。

技術領域

本發明涉及醫療信息技術領域，尤其涉及一種基于圖表示學習的慢病風險預測方法。

背景技術

近年來，慢性病成為影響人們生活和健康的重要疾病，嚴重威脅著人們身體健康。常見慢性病有心腦血管疾病、糖尿病、慢性呼吸系統疾病等。這些慢性病間往往存在著復雜的關系，如多病共存、共病等，慢性病之間也存在著一定的發展和演進方向，充分挖掘慢性病之間的復雜關系或發展規律有助于提高慢病風險預測的準確性。慢病風險預測的關鍵在于基于患者的歷史醫療記錄，準確推測患者未來的慢性病患病情況，以輔助臨床決策和精確診斷，這對提示患者及時采取預防措施，降低慢病危險因素，減輕慢病負擔也有著重要意義。

現有的基于數據驅動的疾病預測有以下一些方法：(1)提取結構化的特征來描述患者歷史健康狀況，并進一步利用機器學習、深度學習等方法進行特征篩選，預測患者的疾病風險；但結構化的特征往往難以反映原始數據中豐富的關系型信息，如疾病間的復雜關系。

(2)利用節點預測的方法，即把患者抽象成圖的節點，利用圖的領域信息更新患者節點的嵌入向量，從而進一步實現疾病風險預測；但該方法無法很好地考慮到疾病發生的時序信息；在現有的方法中，少有利用整圖分類策略實現對個體未來患病風險的預測。

發明內容

為了解決上述現有技術中存在的問題，本發明擬提供一種能夠利用整圖分類策略實現對個體未來患病風險預測的基于圖表示學習的慢病風險預測方法。

本發明采用的技術方案如下：

一種基于圖表示學習的慢病風險預測方法，包括以下步驟：

步驟1：基于病案首頁數據提取患者的住院記錄數據，并將其儲存在數據庫中；

步驟2：基于數據庫中的住院記錄數據建立由節點和有向邊構成的個人疾病網絡；所述節點用于表示疾病，邊的方向表示疾病出現的先后順序，權值表示在患者個體的住院序列中，該有向邊關聯的有向疾病對出現的頻率；

步驟3：在步驟1中提取的住院記錄數據中提取訓練樣本，并基于訓練樣本定義詞嵌入模型，使用噪音對比估計損失函數(NCE,Noise?Contrastive?Estimation)訓練所述詞嵌入模型，并基于訓練好的詞嵌入模型得到每個疾病的初始向量；

步驟4：基于個人疾病網絡構建慢病風險預測模型。

本發明將結構化數據抽象為圖數據，構建個人疾病網絡表示患者個體。個人疾病網絡中，節點表示患者所患疾病，邊的方向表示疾病出現的先后順序，權值表示在患者個體的住院序列中，該有向邊關聯的有向疾病對出現的頻率；個人疾病網絡基于患者個體的歷史診斷信息構建，且唯一表征該患者。其次，通過詞嵌入方法生成個人疾病網絡中疾病節點的初始表示。然后，基于慢病風險預測模型對個人疾病網絡進行學習，從而生成對患者的嵌入表示，關注患者個體的疾病演進規律，有助于提高未來慢病風險預測的準確性。

并且本發明的個人疾病網絡具有比原始結構化的數據更豐富的關系型信息，能夠充分表達患者的歷史疾病進展趨勢。患者的歷史疾病發展趨勢往往指示著其未來的疾病風險，因此個人疾病網絡的方向性有利于預測模型提取時序信息和疾病關系。