[發明專利]基于對比學習的終末期腎病并發癥風險預測系統

有效

• 申請號: 202210838416.5
• 申請日: 2022-07-18
• 公開（公告）號: CN114913982B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 李勁松;王豐;池勝強;田雨;周天舒
• 申請（專利權）人: 之江實驗室
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06Q10/04;G06K9/62;G06N3/08
• 代理公司: 北京志霖恒遠知識產權代理有限公司 11435
• 代理人: 戴莉

1.一種基于對比學習的終末期腎病并發癥風險預測系統，其特征在于，包括：

終末期腎病數據準備模塊，用于利用醫院電子信息系統和日常監測設備提取患者的結構化數據，并對所述結構化數據處理得到擴增結構化數據；

所述終末期腎病數據準備模塊包括：

數據擴增單元，用于將所述結構化數據處理得到的原始融合特征采用傾向性得分匹配與SMOTE相結合的數據擴增方法，得到擴增結構化數據；

所述數據擴增單元具體包括：

融合特征組件：用于將發生終末期腎病并發癥的患者作為正樣本，未發生終末期腎病并發癥的患者作為負樣本，以所述原始融合特征來表示正樣本和負樣本，將所述正樣本和所述負樣本的原始融合特征進行歸一化操作，得到融合特征；

傾向性評分組件：用于任意選取所述融合特征的一個維度作為干預變量，所述融合特征的其余維度作為協變量集，通過損失函數優化，得到傾向性評分；

匹配組件：用于所有所述正樣本構成正樣本全集，所有所述負樣本構成負樣本全集，所述正樣本全集基于所述傾向性評分匹配所述負樣本全集中的負樣本子集；

正樣本擴增組件：用于對所述正樣本全集通過SMOTE算法獲得擴增正樣本，所述正樣本全集和所述擴增正樣本構成正樣本擴增集；

負樣本擴增組件：用于對所述負樣本子集通過SMOTE算法獲得擴增負樣本，所述負樣本子集和所述擴增負樣本構成負樣本擴增集；

擴增組件：用于將所述正樣本擴增集和所述負樣本擴增集共同構成擴增結構化數據；

并發癥風險預測模塊，用于構建并發癥表征學習模型和并發癥風險預測模型，將所述擴增結構化數據通過所述并發癥表征學習模型訓練學習得到并發癥表征，并利用所述并發癥表征通過所述并發癥風險預測模型進行終末期腎病并發癥風險預測；

所述并發癥表征學習模型的總損失函數的參數構建包括歸一化表征，所述歸一化表征的確定方式包括：通過將所述擴增結構化數據成對的輸入至并發癥表征學習模型的編碼器，得到初始的并發癥表征，所述初始的并發癥表征通過并發癥表征學習模型的投影器得到對比表征，所述對比表征經過特征歸一化操作得到歸一化表征。

2.如權利要求1所述的一種基于對比學習的終末期腎病并發癥風險預測系統，其特征在于，所述終末期腎病數據準備模塊具體包括：

數據獲取單元，用于利用醫院電子信息系統和日常監測設備提取結構化數據；

數據清洗單元，用于對所述結構化數據進行缺失值處理、錯誤值的檢測、重復數據的消除和/或不一致性的消除操作，得到靜態數據、一維時序數據和二維時序數據；

數據融合單元，用于對所述一維時序數據和所述二維時序數據分別采用一維卷積、二維卷積操作得到的一維壓縮數據和所述靜態數據進行拼接后得到原始融合特征；

數據擴增單元，用于將所述原始融合特征采用傾向性得分匹配與SMOTE相結合的數據擴增方法，得到擴增結構化數據。

3.如權利要求1所述的一種基于對比學習的終末期腎病并發癥風險預測系統，其特征在于，所述結構化數據包括人口統計學數據、手術數據、用藥數據、化驗數據、診斷數據和日常監測數據。

4.如權利要求1所述的一種基于對比學習的終末期腎病并發癥風險預測系統，其特征在于，所述并發癥風險預測模塊具體包括：

并發癥表征學習模型構建單元：用于構建并發癥表征學習模型；

并發癥風險預測模型構建單元：用于構建并發癥風險預測模型；

并發癥表征學習單元：用于對所述擴增結構化數據通過所述并發癥表征學習模型訓練學習得到并發癥表征；

風險預測單元：用于將所述并發癥表征通過所述并發癥風險預測模型進行終末期腎病并發癥風險預測。

5.如權利要求4所述的一種基于對比學習的終末期腎病并發癥風險預測系統，其特征在于，所述并發癥表征學習模型構建單元具體包括：

并發癥表征學習模型定義組件：用于構建網絡結構和總損失函數；

并發癥表征學習模型優化組件：用于通過梯度下降法對所述網絡結構中的參數進行優化，使得總損失函數達到收斂，完成并發癥表征學習模型的構建。