[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

本發明公開了一種基于對比學習的終末期腎病并發癥風險預測系統，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；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。本發明基于傾向性得分匹配與SMOTE結合，進行數據擴增和正負樣本匹配，以擴增結構化的終末期腎病數據，并解決正負樣本不均衡的問題；從多個角度防止特征崩潰現象，獲得更好的表征效果，從而提高模型性能。

技術領域

本發明涉及一種醫療健康信息技術領域，尤其涉及一種基于對比學習的終末期腎病并發癥風險預測系統。

背景技術

終末期腎病病程長，在長期的治療過程中可能發生多種并發疾病，包括血管通路感染、高血壓、冠心病、失眠、抑郁等，嚴重影響患者生存質量。因此，對終末期腎病并發癥進行風險預測及早期干預十分必要。在長期的治療過程中，醫院電子信息系統隨時間積累了大量的結構化醫療數據，包含了多維度、多尺度的臨床特征以及多種類的結局事件標簽。真實場景下的臨床數據面臨結構復雜、正負樣本不均衡、部分類別樣本量較少的問題，難以直接應用現有的機器學習方法獲得有效的預測結果。當今對比學習已經廣泛應用于各個領域，通過對比式的學習架構學習表征從而提升整體模型性能，但是將其應用于終末期腎病并發癥風險預測仍然面臨一些問題。一方面傳統對比學習容易發生特征崩潰問題。自監督式的對比學習的一個弊端在于沒有正負樣例的修正，非常容易把所有輸入映射到同一向量，從而發生特征崩潰問題。即使引入標簽數據進行監督學習，雖然嵌入向量不會完全崩潰，但它們仍有可能會沿著特定的維度崩潰，這導致嵌入向量只能在較低維度的子空間中有效。另一方面，傳統對比學習面向圖像數據和文本數據，其數據擴增方法（如圖像的翻轉、變色、縮放等操作）并不適用于結構化的醫療數據。

本專利旨在克服現有技術的不足，針對終末期腎病場景下的復雜數據難以融合處理以及標簽不均衡等問題，提出一種基于對比學習的終末期腎病并發癥風險預測系統，構建終末期腎病并發癥風險預測系統，為臨床決策提供準確、有效的決策支持。

發明內容

本發明的目的在于提供一種基于對比學習的終末期腎病并發癥風險預測系統，解決了現有技術中終末期腎病場景下的復雜數據難以融合處理以及標簽不均衡的問題。

本發明采用的技術方案如下：

一種基于對比學習的終末期腎病并發癥風險預測系統，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；

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。

進一步地，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。

進一步地，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。