CN108090686B - 一种医疗事件风险评估分析方法及*** - Google Patents

一种医疗事件风险评估分析方法及*** Download PDF

Info

Publication number
CN108090686B
CN108090686B CN201711470848.0A CN201711470848A CN108090686B CN 108090686 B CN108090686 B CN 108090686B CN 201711470848 A CN201711470848 A CN 201711470848A CN 108090686 B CN108090686 B CN 108090686B
Authority
CN
China
Prior art keywords
event
medical
medical event
sequence
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711470848.0A
Other languages
English (en)
Other versions
CN108090686A (zh
Inventor
张铭
刘卢琛
沈剑豪
王子昌
唐建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN201711470848.0A priority Critical patent/CN108090686B/zh
Publication of CN108090686A publication Critical patent/CN108090686A/zh
Application granted granted Critical
Publication of CN108090686B publication Critical patent/CN108090686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Child & Adolescent Psychology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种医疗事件风险评估分析方法及***，所述方法包括：对健康电子病历数据进行预处理，生成医疗事件序列；生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。本发明实施例提供的医疗事件风险评估分析方法及***，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测。

Description

一种医疗事件风险评估分析方法及***
技术领域
本发明涉及医疗设备技术领域，尤其涉及一种医疗事件风险评估分析方法及***。
背景技术
近年来，随着各种疾病发生率的逐年上升，疾病的预防和治疗越来越受到大家的关注。为了更好地实现疾病的预防和治疗，虽然已经开发出很多用于辅助治疗和显示的计算机方法，但是很少有能够对健康状况进行预测的方法及***。如何及时准确地对病人的健康状况进行预测，进而对不同治疗方案的风险进行评估，有助于医生及时提供更好的治疗方案。
现有技术方案中的，对于健康状况预测，一般是利用医学文本数据进行风险评估，利用长短期记忆网络（LongShort-TermMemory，LSTM）模型来实现某一种类疾病的预测，数据源单一，信息种类少，而且LSTM模型虽然能够处理长期依赖的问题，可以学习长期依赖信息。但是常规的LSTM模型仅能够利用长时语义关联特征对单一种类医疗事件进行学习，无法区分不同事件类型，进而无法对混合医疗事件进行风险评估。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种医疗事件风险评估分析方法及***。
本发明的一个方面，提供了一种医疗事件风险评估分析方法，所述方法包括：
对健康电子病历数据进行预处理，生成医疗事件序列；
生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；
将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。
其中，所述生成所述医疗事件序列中每一医疗事件的事件向量包括：
采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。
其中，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。
其中，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到阶段性的长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；
所述阶段性的长短期记忆神经网络中设置有周期门，所述周期门用于对输入的事件属性向量序列的采样周期进行控制。
其中，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络Clockwork RNN中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
本发明的另一个方面，提供了一种医疗事件风险评估分析***，所述***包括：
预处理模块，用于对健康电子病历数据进行预处理，生成医疗事件序列；
特征提取模块，用于生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；
特征向量生成模块，用于将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；
评估模块，用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。
其中，所述特征提取模块，具体用于采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。
其中，所述评估模块，具体用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。
本申请实施例中提供的技术方案，具有如下技术效果或优点：
本发明实施例提供的一种医疗事件风险评估分析方法及***，能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提出的一种医疗事件风险评估分析方法的流程图；
图2为本发明实施例提出的医疗混合事件序列的示意图；
图3为现有技术中的基础LSTM的神经元的结构示意图；
图4为本发明实施例提出的混合事件LSTM的神经元的结构实体图；
图5为本发明实施例提出的一种医疗事件风险评估分析***的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示意性示出了本发明实施例提出的一种医疗事件风险评估分析方法的流程图。参照图1，本发明实施例提出的医疗事件风险评估分析方法具体包括：
S101、对健康电子病历数据进行预处理，生成医疗事件序列。
S102、生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量。
本实施例中，具体可以采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。
S103、将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；
S104、将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。
本发明实施例提供的一种医疗事件风险评估分析方法，能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。
本发明实施例中，步骤S104中的将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，具体通过以下步骤实现：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。
本发明实施例的技术要点是挖掘医疗混合事件序列的信息，进行未来某一时间节点对某一医疗事件是否发生的预测。医疗混合事件序列如图2所示。
一个医疗事件序列是一个医疗事件按时间排序组成的序列，包含有上千类的不同医疗事件。每种医疗事件出现频率，次数，密度不同。上千种医疗事件按照时间顺序排序得到医疗事件序列。
本发明实施例基于机器学习和神经网络的方法，使用的结构为LSTM（长短期记忆网络 Long Short-Term Memory），具体而言，是分段LSTM（Phased LSTM）。在此基础上，本发明实施例优化了对于混合类型事件的向量表示，从而形成了混合事件HELSTM（Heterogeneous Event LSTM HELSTM）
图3为基础LSTM的神经元基本结构，图4为HELSTM的神经元基本结构。主要区别在于，基础的LSTM神经元中有三个门函数，分别为输入门（Input Gate），输出门（OutputGate），遗忘门（Forget Gate）。
Figure 50488DEST_PATH_IMAGE001
公式中，it，ft，ot分别表示t时刻的输入门，输出门和遗忘门函数。Ct是激活向量，xt和ht分别为t时刻的输入向量和t时刻的隐藏层输出向量。σ表示sigmoid激活函数，tanh表示双曲正切激活函数。W均为参数矩阵。
而在HELSTM中，加入了一个新的事件门js,t。事件门由两部分构成，分别为一个事件过滤器（event filter）和一个周期门（phased gate）。事件过滤器只允许特定的某些种类事件输入进神经元，周期门使得只有特定周期下该神经元才是开放的。这样就保证了每个神经元只会抓取特定几类事件的特征，并对其进行了采样。这样子就解决了时间的复杂多样性问题和医疗事件序列过长而导致的训练效果变差问题。事件门的开闭由周期门中的某个特定的周期控制，只有当门开放时才能更新上图各个参数。
Figure 142203DEST_PATH_IMAGE002
事件过滤器的表达式如上，其中σ表示sigmoid函数，tanh表示双曲正切函数，W，b等均为训练中学习的参数。通过这个部分可以让每个神经元关注各自不同的一组事件种类，从而更好的学习出混合事件序列中的信息。
Figure 338829DEST_PATH_IMAGE003
Figure 686634DEST_PATH_IMAGE004
上图是事件门js,t的表达式。其组成由两部分构成，一部分的事件过滤器e，另一部分则是周期门k。k是一个周期性变化的函数：给定了周期τ，则k随着τ进行周期变化，在φ=1/2 * R时为1，即完全打开；在φ=0时完全关闭。只有在门打开时所有参数才可以更新，这样就可以对输入的部分进行周期性的采样，解决输入序列过长的问题。
Figure 892487DEST_PATH_IMAGE005
Figure 274927DEST_PATH_IMAGE006
上式中是损失函数，采用了交叉熵的形式。其中y为预测的结果，
Figure 173613DEST_PATH_IMAGE007
表示真实指标。y的公式中，h为最终隐藏层的输出，w和b为要在训练中学习的参数。
在本发明的一个可选实施例中，步骤S104中的所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，还可以通过以下步骤实现：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到阶段性的长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；其中，所述阶段性的长短期记忆神经网络中设置有周期门，所述周期门用于对输入的事件属性向量序列的采样周期进行控制。
本发明实施例中，还可以采用阶段性的长短期记忆神经网络Phased LSTM，实现对事件属性向量序列的学习。该实现方案只加入了周期门进行周期化采样，没有对混合事件类型进行处理。
在本发明的另一个可选实施例中，步骤S104中的所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，还可以通过以下步骤实现：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络Clockwork RNN中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
本发明实施例中，还可以时间序列神经网络Clockwork RNN实现对事件属性向量序列的学习。该实现方案是一个处理事件序列周期性的模型，采用对不同周期的节点分组的方式进行学习。但是时间复杂度较高，且也没有对混合事件类型进行处理。
本发明实施例提供的一种医疗事件风险评估分析方法及***，提出了由周期门和事件过滤器组成的事件门的构想，对LSTM进行改进，能更好的学习长混合医疗事件序列，使得更加能学习到混合序列中各种类事件之间的关联性；在医疗事件学习中引入了事件向量表征的概念，能更好的区分不同事件类型，学习到不同事件之间的复杂相关性和不同事件内部相异的序列特征。本发明能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图5示意性示出了本发明实施例的一种医疗事件风险评估分析***的结构框图。参照图5，本发明实施例提供的一种医疗事件风险评估分析***，具体包括预处理模块201、特征提取模块202、特征向量生成模块203以及评估模块204，其中：
预处理模块201，用于对健康电子病历数据进行预处理，生成医疗事件序列；
特征提取模块202，用于生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；
特征向量生成模块203，用于将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；
评估模块204，用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。
本发明实施例提供的一种医疗事件风险评估分析***，能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。
在本发明实施例中，所述特征提取模块202，具体用于采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。
在本发明实施例中，所述评估模块204，具体用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
在本发明的一个可选实施例中，评估模块204，具体还用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到阶段性的长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；其中，所述阶段性的长短期记忆神经网络中设置有周期门，所述周期门用于对输入的事件属性向量序列的采样周期进行控制。
在本发明的另一个可选实施例中，评估模块204，具体还用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络Clockwork RNN中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。
本发明实施例提供的一种医疗事件风险评估分析方法及***，提出了由周期门和事件过滤器组成的事件门的构想，对LSTM进行改进，能更好的学习长混合医疗事件序列，使得更加能学习到混合序列中各种类事件之间的关联性；在医疗事件学习中引入了事件向量表征的概念，能更好的区分不同事件类型，学习到不同事件之间的复杂相关性和不同事件内部相异的序列特征。本发明能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。
在此提供的仿真方法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。

Claims (7)

1.一种医疗事件风险评估分析方法，其特征在于，所述方法包括：
对健康电子病历数据进行预处理，生成医疗事件序列；
生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；
将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估；
所述将所述医疗事件序列对应的事件属性 向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医 疗事件风险评估，包括：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；
所述长短期记忆神经网络中设置有事件门 结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序 列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为 所述事件过滤器的采样周期。
2.根据权利要求1所述的方法，其特征在于，所述生成所述医疗事件序列中每一医疗事件的事件向量包括：
采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。
3.根据权利要求1所述的方法，其特征在于，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：
将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络Clockwork RNN中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
4.一种医疗事件风险评估分析***，其特征在于，所述***包括：
预处理模块，用于对健康电子病历数据进行预处理，生成医疗事件序列；
特征提取模块，用于生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；
特征向量生成模块，用于将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；
评估模块，用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。
5.根据权利要求4所述的***，其特征在于，所述特征提取模块，具体用于采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。
6.根据权利要求4所述的***，其特征在于，所述评估模块，具体用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。
7.根据权利要求6所述的***，其特征在于，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。
CN201711470848.0A 2017-12-29 2017-12-29 一种医疗事件风险评估分析方法及*** Active CN108090686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711470848.0A CN108090686B (zh) 2017-12-29 2017-12-29 一种医疗事件风险评估分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711470848.0A CN108090686B (zh) 2017-12-29 2017-12-29 一种医疗事件风险评估分析方法及***

Publications (2)

Publication Number Publication Date
CN108090686A CN108090686A (zh) 2018-05-29
CN108090686B true CN108090686B (zh) 2022-01-25

Family

ID=62180572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711470848.0A Active CN108090686B (zh) 2017-12-29 2017-12-29 一种医疗事件风险评估分析方法及***

Country Status (1)

Country Link
CN (1) CN108090686B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109817338A (zh) * 2019-02-13 2019-05-28 北京大学第三医院（北京大学第三临床医学院） 一种慢性病加重风险评估与告警***
CN110705688B (zh) * 2019-09-05 2023-07-07 创新先进技术有限公司 对操作事件进行风险评估的神经网络***、方法及装置
CN111144658B (zh) * 2019-12-30 2023-06-16 医渡云（北京）技术有限公司 医疗风险预测方法、装置、***、存储介质与电子设备
CN111724897B (zh) * 2020-06-12 2022-07-01 电子科技大学 一种运动功能数据处理方法及***
CN113871026A (zh) * 2021-10-14 2021-12-31 曹庆恒 一种医疗风险评估***及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104321015A (zh) * 2012-03-29 2015-01-28 昆士兰大学 用于处理患者声音的方法与装置
CN105955959A (zh) * 2016-05-06 2016-09-21 深圳大学 一种情感分类方法及***
CN106203496A (zh) * 2016-07-01 2016-12-07 河海大学 基于机器学习的水文曲线提取方法
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务***
CN106599933A (zh) * 2016-12-26 2017-04-26 哈尔滨工业大学 一种基于联合深度学习模型的文本情感分类方法
CN106779467A (zh) * 2016-12-31 2017-05-31 成都数联铭品科技有限公司 基于自动信息筛选的企业行业分类***
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI578262B (zh) * 2015-08-07 2017-04-11 緯創資通股份有限公司 風險評估系統及資料處理方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104321015A (zh) * 2012-03-29 2015-01-28 昆士兰大学 用于处理患者声音的方法与装置
CN105955959A (zh) * 2016-05-06 2016-09-21 深圳大学 一种情感分类方法及***
CN106203496A (zh) * 2016-07-01 2016-12-07 河海大学 基于机器学习的水文曲线提取方法
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务***
CN106599933A (zh) * 2016-12-26 2017-04-26 哈尔滨工业大学 一种基于联合深度学习模型的文本情感分类方法
CN106779467A (zh) * 2016-12-31 2017-05-31 成都数联铭品科技有限公司 基于自动信息筛选的企业行业分类***
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析***

Also Published As

Publication number Publication date
CN108090686A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108090686B (zh) 一种医疗事件风险评估分析方法及***
Zheng et al. MOOC dropout prediction using FWTS-CNN model based on fused feature weighting and time series
CN109326353B (zh) 预测疾病终点事件的方法、装置及电子设备
Soares et al. Neural network programming with Java
US7389282B2 (en) System and method for predictive analysis and predictive analysis markup language
Wu et al. Applications of deep learning for smart water networks
CN111695779A (zh) 一种知识追踪方法、装置及存储介质
Kőrösi et al. MOOC performance prediction by deep learning from raw clickstream data
WO2022062193A1 (zh) 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质
Rahman et al. Predicting human design decisions with deep recurrent neural network combining static and dynamic data
CN117786602A (zh) 一种基于多元信息交互的长周期多元时间序列预测方法
Smith et al. Learning continuous chaotic attractors with a reservoir computer
Leke et al. Proposition of a theoretical model for missing data imputation using deep learning and evolutionary algorithms
Wang et al. A transformer-based multi-entity load forecasting method for integrated energy systems
Chen et al. Personalized expert recommendation systems for optimized nutrition
Akram et al. A comprehensive survey on Pi-Sigma neural network for time series prediction
Lu et al. On model-guided neural networks for system identification
Pang et al. A robust approach for multivariate time series forecasting
CN112749797B (zh) 一种神经网络模型的剪枝方法及装置
Al-Selwi et al. RNN-LSTM: From applications to modeling techniques and beyond—Systematic review
Pu et al. Embedding cognitive framework with self-attention for interpretable knowledge tracing
Siebra et al. Behavioral data categorization for transformers-based models in digital health
Zhao et al. Neural-Network-Based Feature Learning: Recurrent Neural Network
Zhu et al. Design of an artificial intelligence algorithm teaching system for universities based on probabilistic neuronal network model
Hadiyat et al. Comparing statistical feature and artificial neural networks for control chart pattern recognition: a case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant