CN113057587A - 一种病症预警方法、装置、电子设备及存储介质 - Google Patents
一种病症预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113057587A CN113057587A CN202110285178.5A CN202110285178A CN113057587A CN 113057587 A CN113057587 A CN 113057587A CN 202110285178 A CN202110285178 A CN 202110285178A CN 113057587 A CN113057587 A CN 113057587A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- training
- patient
- sample data
- data set
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 65
- 201000010099 disease Diseases 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 239
- 239000013610 patient sample Substances 0.000 claims abstract description 104
- 238000013508 migration Methods 0.000 claims abstract description 30
- 230000005012 migration Effects 0.000 claims abstract description 30
- 239000000523 sample Substances 0.000 claims description 94
- 238000012360 testing method Methods 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 206010040047 Sepsis Diseases 0.000 abstract description 26
- 238000003745 diagnosis Methods 0.000 abstract description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 11
- 229910052760 oxygen Inorganic materials 0.000 description 11
- 239000001301 oxygen Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 230000004872 arterial blood pressure Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000036387 respiratory rate Effects 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 239000003242 anti bacterial agent Substances 0.000 description 3
- 229940088710 antibiotic agent Drugs 0.000 description 3
- 230000003115 biocidal effect Effects 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical group O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 108010049003 Fibrinogen Proteins 0.000 description 2
- 102000008946 Fibrinogen Human genes 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 description 2
- UCTWMZQNUQWSLP-UHFFFAOYSA-N adrenaline Chemical compound CNCC(O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 229940012952 fibrinogen Drugs 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 238000005399 mechanical ventilation Methods 0.000 description 2
- 210000000440 neutrophil Anatomy 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 description 1
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical group OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 102000004420 Creatine Kinase Human genes 0.000 description 1
- 108010042126 Creatine kinase Proteins 0.000 description 1
- 238000008789 Direct Bilirubin Methods 0.000 description 1
- JRWZLRBJNMZMFE-UHFFFAOYSA-N Dobutamine Chemical compound C=1C=C(O)C(O)=CC=1CCNC(C)CCC1=CC=C(O)C=C1 JRWZLRBJNMZMFE-UHFFFAOYSA-N 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 206010053159 Organ failure Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 108010000499 Thromboplastin Proteins 0.000 description 1
- 102000002262 Thromboplastin Human genes 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002924 anti-infective effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229960001089 dobutamine Drugs 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000001616 monocyte Anatomy 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 229960002748 norepinephrine Drugs 0.000 description 1
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
- A61B5/412—Detecting or monitoring sepsis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种病症预警方法、装置、电子设备及存储介质，用以提升脓毒症诊断效率。本发明实施例获取病患预设时长内的病患数据，对所述病患数据进行预处理，得到病患特征；基于目标预测模型，根据所述病患特征进行病症预测，获取所述病患对应的预测病发概率；其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。由于本发明实施例能够根据病患数据，预测病患的未来病发概率，进而能够及早发现疾病并预防，提升诊断效率。
Description
技术领域
本发明涉及医疗技术领域，特别涉及一种病症预警方法、装置、电子设备及存储介质。
背景技术
脓毒症是一种危及生命的凶险疾病，脓毒症是由感染引起的全身炎症反应综合征，脓毒症的病情凶险，病死率高，全球每天约14,000人死于其并发症，据国外流行病学调查显示，脓毒症的病死率已经超过心肌梗死，成为重症监护病房内非心脏病人死亡的主要原因。近年来，尽管抗感染治疗和器官功能支持技术取得了长足的进步，脓毒症的病死率仍高达30％～70％。脓毒症治疗花费高，医疗资源消耗大，严重影响人类的生活质量，已经对人类健康造成巨大威胁。因此，及早识别诊断脓毒症并予以有效防治，是提高患者生存率的关键。
脓毒症的临床诊断定义从1.0发展到3.0，也在不断变化更新。但在目前的临床诊断中，由于脓毒症的发病机制复杂，影响因素较多，基于医生经验或简单的统计分析方式，难以在脓毒症早期感染时进行识别并治疗，诊断效果并不理想。
发明内容
本发明提供了一种病症预警方法、装置、电子设备及存储介质，用以提升脓毒症诊断效率。
第一方面，本发明实施例提供一种病症预警方法，该方法包括：
对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；
基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。
上述实施例中，在获取病患预设时长内的病患数据后，对病患数据进行预处理得到病患特征，将病患特征输入到目标预测模型中，获取目标预测模型输出的病患对应的预测病发概率，从而能够根据病患数据，预测病患的未来病发概率，进而能够及早发现疾病并预防。本发明实施例中目标检测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的，而第一预测模型是根据第一病患样本数据进行训练得到的，由于第一病患样本数据的样本数量大于第二病患样本数据的样本数量，基于第一病患样本数据训练得到的第一预测模型适用性较广，基于第二病患样本数据对第一预测模型进行迁移训练，能够得到准确性更高且针对性更强的目标预测模型，提高病症预测的准确度。
在一些示例性的实施方式中，根据下列方式对所述第一预测模型进行训练：根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。
上述实施例中，对第一病患样本数据集进行标注，并进行预处理后，获取可用于对第一预测模型进行训练的第一训练样本数据集，根据第一训练样本数据集对初始预测模型训练后，得到的第一预测模型的适用性较广，可以用于进行迁移训练。
在一些示例性的实施方式中，所述根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型，包括：
将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。
在一些示例性的实施方式中，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
上述实施例中，将第一训练样本数据集拆分为第一训练集、第一验证集和第一测试集后对第一预测模型进行训练，可以根据第一验证集选择初始预测模型的超参数，并根据第一训练集对初始预测模型进行训练，在训练结束后根据第一测试集检测模型是否符合预期，提升第一预测模型的训练效率。
在一些示例性的实施方式中，根据下列方式对所述目标预测模型进行迁移训练：根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集；根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型。
上述实施例中，对第二病患样本数据进行标注，并进行预处理后，获取可用于对第一预测模型进行迁移训练的第二训练样本数据集，采用迁移训练方式，防止由于第二病患样本数据集中样本数量较少导致的模型过拟合，从而能够根据迁移训练获取较为准确的目标预测模型。
在一些示例性的实施方式中，所述根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型，包括：
将所述第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集；根据所述第二验证集从所有第二预测模型中选择AUC指标最大的第二预测模型，其中所述第二预测模型与所述第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；根据所述第二训练集对选择的第二预测模型进行的迭代训练，得到第三预测模型；若所述第三预测模型的指标参数大于预设阈值，则将所述第三预测模型作为目标预测模型；其中，所述第三预测模型的指标参数是根据所述第二测试集确定的。
在一些示例性的实施方式中，所述第三预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
上述实施例中，将第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集，根据第二验证集选择第二预测模型，并根据第二训练集对选择的第二预测模型进行的迭代训练，在训练结束后根据第二测试集检测模型是否符合预期，提升目标预测模型的训练效率。
第二方面，本发明实施例提供的一种病症预警装置，包括：
处理模块，用于对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；
确定模块，用于基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；
其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。
在一些示例性的实施方式中，所述病症预警装置还包括模型训练模块；
所述模型训练模块用于根据下列方式对所述第一预测模型进行训练：
根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。
在一些示例性的实施方式中，所述模型训练模块根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型时，具体用于将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。
在一些示例性的实施方式中，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
在一些示例性的实施方式中，所述模型训练模块用于根据下列方式对所述目标预测模型进行迁移训练：根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集；根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型。
在一些示例性的实施方式中，所述模型训练模块用于根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型时，具体用于将所述第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集；根据所述第二验证集从所有第二预测模型中选择AUC指标最大的第二预测模型，其中所述第二预测模型与所述第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；根据所述第二训练集对选择的第二预测模型进行的迭代训练，得到第三预测模型；若所述第三预测模型的指标参数大于预设阈值，则将所述第三预测模型作为目标预测模型；其中，所述第三预测模型的指标参数是根据所述第二测试集确定的。
在一些示例性的实施方式中，所述第三预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
第三方面，本发明实施例提供的一种电子设备，包括：处理器和存储器；
其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如上述第一方面所述的病症预警方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的病症预警方法。
另外，第二方面至第四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种病症预警方法流程图；
图2为本发明实施例提供的一种目标预测模型的训练方式流程图；
图3为本发明实施例提供的一种病症预警方法的具体实施流程图；
图4为本发明实施例提供的一种病症预警装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清除、详尽地描述。其中，在本发明实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本发明实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本发明实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
下面对文中出现的一些术语进行解释：
1、机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
2、迁移学习(Transfer Learning)，是一种机器学习方法，指的是一个预训练的模型被重新用在另一个任务中，具体可以为把一个领域(源领域)的知识，迁移到另外一个领域(目标领域)，使得目标领域能够取得更好的学习效果。
通常，源领域数据量充足，而目标领域数据量较小，则为防止直接使用目标领域的数据进行模型训练导致模型过拟合，可以采用迁移学习的方式进行模型训练，基于迁移学习进行模型训练的方法可以称为迁移训练方法。如本发明实施例中第一病患样本数据集中的数据为源领域数据，第二病患样本数据集中的数据为目标领域数据。
3、迭代，是计算机解决问题的一种基本方法。利用计算机运算速度快、适合做重复性操作的特点，让计算机对一组指令(或一定步骤)进行重复执行，在每次执行这组指令(或这些步骤)时，都从变量的原值推出它的一个新值。
脓毒症是一种由感染引起的全身炎症反应综合征，由于脓毒症的发病机制复杂，影响因素较多，导致临床诊断效率较低且难以及早对脓毒症进行识别诊断并进行防治。因此，仅依靠医生经验或简单的统计分析，并不能提高对脓毒症的诊断效率，随着机器学习在各领域的应用，如何利用机器学习对脓毒症的医疗诊断效果进行提升，成为亟待解决的问题。
基于上述问题，本发明实施例提供一种病症预警方法，如图1所示，包括以下步骤：
S101、对预设时长内采集到的病患的病患数据进行预处理，得到病患特征。
S102、基于目标预测模型，根据病患特征进行病症预测，确定病患对应的预测病发概率。
其中，目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；第一预测模型是根据第一病患样本数据集训练得到的，第一病患样本数据集的样本数量大于第二病患样本数据集的样本数量。
本发明实施例在获取病患预设时长内的病患数据后，对病患数据进行预处理得到病患特征，将病患特征输入到目标预测模型中，获取目标预测模型输出的病患对应的预测病发概率，从而能够根据病患数据，预测病患的未来病发概率，进而能够及早发现疾病并预防。本发明实施例中目标检测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的，而第一预测模型是根据第一病患样本数据进行训练得到的，由于第一病患样本数据的样本数量大于第二病患样本数据的样本数量，基于第一病患样本数据训练得到的第一预测模型适用性较广，基于第二病患样本数据对第一预测模型进行迁移训练，能够得到准确性更高且针对性更强的目标预测模型，提高病症预测的准确度。
下面对本发明实施例提供的病症预警方法进行详细介绍：
在步骤S101中，对于需要进行脓毒症监测的病患，获取预设时长内的病患数据，该病患的病患数据可以由对病患进行体征监测的各医疗器械生成，如病患的心率、平均动脉压、收缩压、呼吸频率、体温等；或者通过病患的病历记录进行采集，如病患的年龄、体重等短时间内不会发生较大变化的数据；或者通过对病患的血液、组织等进行医学检查生成，如病患的红细胞计数、中性粒细胞计数等。
在获取到病患预设时长内的病患数据后，对病患数据进行预处理，得到病患特征，例如，获取某病患5小时内的病患数据，具体的，可以分别统计每小时病患的各项数据，统计5次后组成5小时内的病患数据。
一种可选的实施方式中，根据下列方式对病患数据进行预处理：
1、从病患数据中提取预设字段对应的数据，获取初始病患特征。
具体实施中，由于病患数据中包含的数据类型较多，根据医生经验，对可能造成感染脓毒症的数据进行提取，例如，从病患数据中提取平均动脉压、心率、收缩压、舒张压、呼吸频率、体温、氧分压、吸氧浓度等字段对应的数据，作为初始病患特征。
2、对初始病患特征做归一化处理，得到病患特征。
具体实施中，可以对初始病患特征中的各个特征采用最小最大规范化方法进行归一化处理，例如，根据下列公式进行归一化处理：
其中，yi为对xi进行归一化处理后的特征，n为与xi属于同字段的病患数据的数量；min1≤j≤n{xj}为n个同字段的病患数据中数值最小的病患数据，max1≤j≤n{xj}为n个同字段的病患数据中数值最大的病患数据。
在步骤S102中，将病患特征输入到目标预测模型中，获取目标预测模型输出的病患对应的预测病发概率，该预测病发概率为预测的未来预设时长内病患可能患脓毒症的概率。
本发明实施例还提供一种目标预测模型的训练方法，由于脓毒症多发于ICU中的患者，但ICU病患数据较少，仅使用ICU病患数据进行模型训练有可能导致模型过拟合，恶化模型性能，因此，本发明实施例提供一种迁移训练方法，根据第一病患样本数据集训练第一预测模型，再根据第二病患样本数据集对第一预测模型进行迁移训练，得到目标预测模型，其中，第一病患样本数据集的样本数量大于第二病患样本数据集的样本数量，具体的，第一病患样本数据集与第二病患样本数据集可以具有以下特性：
1、第一病患样本数据集为公共病患数据集，如第一病患样本数据集为重症监护医学信息库(Medical Information Mart for Intensive Care，MIMIC)公共数据集。
2、生成第二病患样本数据集的设备中包括生成所述病患的病患数据的设备，或生成第二病患样本数据集的设备与生成所述病患的病患数据的设备位于同一个区域，其中所述病患为需要基于目标预测模型进行病发概率预测的病患。
举例来说，第二病患样本数据集中每个样本包含的病患数据是设备A、设备B和设备C中的至少一个设备生成的，使用第二病患样本数据集对第一预测模型进行迁移训练后得到目标预测模型，使用目标预测模型进行病发概率预测的患者的病患数据是设备A和设备B生成的，或者使用目标预测模型进行病发概率预测的患者的病患数据是设备D生成的，而设备D与设备A、设备B以及设备C位于同一个区域，例如位于相同ICU，或位于相同病院。
3、第二病患数据集符合预设条件，其中预设条件为样本采集环境条件或设备属性条件。
举例来说，样本采集环境条件可以为采集样本的ICU的空间细菌总数、温度、湿度在预设范围中；医疗设备属性条件可以为生成第二病患数据集的设备的精确度在预设范围中。
可以理解的是，根据符合预设条件的第二病患数据集对第一预测模型进行迁移训练后得到目标预测模型，获取患者的病患数据也满足预设条件时，基于目标预测模型得到的该患者的预测病发概率更准确。
本发明实施例提供的目标预测模型的训练方式参照图2，包括以下步骤：
S201、根据第一病患样本数据集中每个样本对应的患病结果，对第一病患样本数据集中的样本进行标注。
具体实施中，可以根据临床诊断脓毒症的规则确定每个样本对应的患病结果，例如，根据脓毒症3.0标准和专业医生建议，若样本对应的病患疑似感染，并且感染前后序贯器官衰竭估计(Sequential organ failure assessment，SOFA)评分变化超过2分，则确定该样本脓毒症为阳性，将该样本标注为正样本，并确定该阳性病例脓毒症的发作时刻；若样本不满足阳性条件且该样本对应的患者在ICU连续72小时内SOFA评分不大于1分，则确定该样本脓毒症为阴性，将该样本标注为负样本。
S202、对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集。
具体实施中，对标注后的第一病患样本数据集中包含异常数据的样本进行异常数据处理，异常数据处理可以包括去除异常值、合并重复数据、处理矛盾数据、填补缺失值等处理中的部分或全部，其中若样本中缺失数据，可以根据该样本对应的病患的其它时间段统计的数据对缺失值进行填补，或使用默认值对缺失值进行填补。
提取异常数据处理后的第一病患样本数据集中的预设字段对应的病患数据作为初始训练特征，具体实施中，可以根据采集时间周期性提取预设字段对应的病患数据，如以1小时为周期，连续提取5次预设字段的病患数据作为初始训练特征；对初始训练特征进行归一化处理，得到第一训练样本。具体实施中，可以采用最小最大规范化方法对初始训练特征进行归一化处理。
S203、根据第一训练样本数据集对初始预测模型进行训练，得到第一预测模型。
一种可选的实施方式为，将第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；根据第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；可以理解的是，由于初始预测模型的每个超参数均对应一个选值范围，不同的超参数选值组合对应多个可选的初始预测模型。具体实施中，根据第一训练集对每一个初始预测模型进行迭代训练，并在每次迭代训练后基于第一验证集确定每次迭代训练后的初始预测模型的接受者操作特性曲线(receiver operating characteristic curve，ROC)曲线下面积(Area Under the Curve，AUC)指标，在第N+1次迭代训练后，确定第N次迭代训练后的初始预测模型的AUC指标大于第N-1次迭代训练后的初始预测模型的AUC指标且大于第N+1次迭代训练后的初始预测模型的AUC指标，则将第N次迭代训练后的初始预测模型的AUC指标作为该初始预测模型的AUC指标，重复以上过程，确定所有初始预测模型的AUC指标，并从所有初始预测模型中选择AUC指标最大的初始预测模型。
根据所述第一训练集对选择的初始预测模型进行迭代训练，并在每次迭代训练后基于第一验证集确定每次迭代训练后的初始预测模型的AUC指标，确定M轮迭代训练后的初始预测模型的AUC指标不大于上一轮迭代训练后的初始预测模型的AUC指标时，停止迭代训练，并将M轮迭代训练后的初始预测模型作为目标初始预测模型。
根据测试集确定目标初始预测模型的指标参数，例如确定目标初始预测模型的准确度(Accuracy，ACC)指标、AUC指标、敏感度(Sensitivity，SENS)指标、特异度(Specificity，SPEC)指标，在确定目标初始预测模型的指标参数均大于预设阈值时，将目标初始预测模型作为第一预测模型。
S204、根据第二病患样本数据集中每个样本对应的患病结果，对第二病患样本数据集中的样本进行标注。
对第二病患样本数据集中的样本进行标注方式可以参见步骤S201实施，重复之处不再赘述。
S205、对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集。
获取第二训练样本数据集方式可以参见步骤S202实施，重复之处不再赘述。
S206、根据第二训练样本数据集对第一预测模型进行训练，得到目标预测模型。
具体实施中，将第二训练样本数据集拆分为第二训练集、第二验证集和第二测试集。根据第一预测模型确定多个第二预测模型，其中，第二预测模型与第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；模型参数为迭代训练中能够根据梯度下降法进行调整的参数。
根据第二验证集从所有预测模型中选择AUC指标最大的第二预测模型，根据第二训练集对选择的第二预测模型进行迭代训练，得到第三预测模型，第三预测模型为迭代训练过程中得到的所有模型中AUC指标最大的模型。
根据第三测试集确定第三预测模型的指标参数，并确定第三预测模型的指标参数大于预设阈值时，将第三预测模型作为目标预测模型。
需要说明的是，目标预测模型的具体训练方式可以参见步骤S203实施，重复之处不再赘述。
在第一预测模型与目标预测模型训练过程中，可以采用LightGBM方法、XGBoost方法、多层感知器(Multi_Layer Perceptron，MLP)、长短记忆网络(Long Short-TermMemory，LSTM)、支持向量机(Support Vector Machine，SVM)等方法进行模型训练，本发明对此不作限制。
下面以一个具体实施例对本发明提供的病症预警方法进行进一步介绍，参考图3，该实施例包括以下步骤：
S301、对MIMIC数据集和医院ICU病患数据集中包含异常数据的样本进行异常数据处理；
具体的，异常数据处理可以包括去除异常值、合并重复数据、处理矛盾数据、填补缺失值等处理中的部分或全部。
S302、根据MIMIC数据集中每个样本对应的患病结果，对MIMIC数据集中的样本进行标注；以及根据医院ICU病患数据集中每个样本对应的患病结果，对医院ICU病患数据集中的样本进行标注。
具体标注方式可以参见图2中步骤S201实施，重复之处不再赘述。
S303、提取标注后的MIMIC数据集中预设字段对应的病患数据作为第一初始训练特征；以及提取标注后的医院ICU病患数据集中预设字段对应的病患数据作为第二初始训练特征。
举例来说，从病患数据中提取平均动脉压、心率、收缩压、舒张压、呼吸频率、体温、氧分压、吸氧浓度、指脉氧饱和度、潮气量、气道峰压、呼气末正压、氧气流量、白细胞计数、血红蛋白、红细胞压积、肌酐、胆红素、直接胆红素、血小板、国际标准化比值、凝血活酶时间、谷草转氨酶、乳酸、血糖、钾、尿素氮、磷、镁、氯、肌钙蛋白i、纤维蛋白原、酸碱度、二氧化碳分压、碳酸氢根、碱剩余、动脉血氧饱和度、白蛋白、凝血酶原时间、钠、肌酸激酶、肌酸激酶MB、乳酸脱氢酶、碱性磷酸酶、尿酸、单核细胞计数、淋巴细胞计数、肺泡-动脉氧分压差、红细胞计数、中性粒细胞计数、去甲肾上腺素、肾上腺素、多巴胺、多巴酚丁胺、体重、尿量、24小时体液静平衡、机械通气、12小时内抗生素服用数量、24小时内抗生素服用数量、48小时内抗生素服用数量、SOFA评分、年龄共63个字段对应的病患数据。
具体的，提取每小时预设字段对应的病患数据的最大值、最小值、平均值、中位数四个值作为该预设字段对应的病患特征，由于有些字段的病患数据在短时间内不会发生较大变化，可以对这些字段对应的特征数量进行精简，例如，尿量、24小时液体静平衡、12小时内抗生素服用数量、24小时内抗生素服用数量、48小时内抗生素服用数量、机械通气、SOFA评分、年龄、体重共计9个字段对应的病患数据较长时间无变化或为常量，因此可以取其本身的一个数据作为该字段对应的病患特征。有12个字段(平均动脉压、心率、收缩压、舒张压、呼吸频率、体温、氧分压、吸氧浓度、指脉氧饱和度、潮气量、气道峰压、纤维蛋白原)对应的病患数据变化频率较高，因此分别选取最大值、最小值、平均数三个值作为每个字段对应的病患特征。剩余42个字段各取其平均数作为每个字段对应的病患特征，综上，获取87个病患特征。
根据以上方式，连续5小时提取同一病例的病患特征，获取到87*5个病患特征，作为该病例对应的初始训练特征。对多个病例分别重复以上操作，获取足够多病例的初始训练特征。
S304、对第一初始训练特征进行归一化处理，得到第一训练样本数据集；对第二初始训练特征进行归一化处理，得到第二训练样本数据集。
可选的，采用最小最大规范化方法对初始训练特征进行归一化处理。
S305、根据第一训练样本数据集对初始预测模型进行训练，得到第一预测模型。
一种可选的实施方式，将第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；具体实施中，可以按比例对第一训练样本数据集进行拆分，例如按照7:1:2的比例将第一训练样本数据集拆分为第一训练集、第一验证集和第一测试集三个子集。
根据第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；例如，初始预测模型的超参数可以包括叶节点数目(num_leaves)、学习率(learning_rate)、每次迭代特征比例(feature_fraction)和L2范数(lambda_L2)。
根据第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；该目标初始预测模型为迭代训练过程中得到的所有模型中AUC指标最大的模型。
根据测试集确定目标初始预测模型的指标参数，例如确定目标初始预测模型ACC指标、AUC指标、SENS指标、SPEC指标，在确定目标初始预测模型的指标参数均大于预设阈值时，将目标初始预测模型作为第一预测模型。
S306、根据第二训练样本数据集对第一预测模型进行迁移训练，得到目标预测模型。
一种可选的实施方式中，将第二训练样本数据集拆分为第二训练集、第二验证集和第二测试集；具体实施中，可以按比例对第二训练样本数据集进行拆分，例如按照7:1:2的比例将第二训练样本数据集拆分为第二训练集、第二验证集和第二测试集三个子集。
根据第一预测模型确定多个第二预测模型，其中，第二预测模型与第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；模型参数为迭代训练中能够根据梯度下降法进行调整的参数，第二预测模型的超参数可以包括叶节点数目(num_leaves)、学习率(learning_rate)、每次迭代特征比例(feature_fraction)和L2范数(lambda_L2)。
根据第二验证集从所有预测模型中选择AUC指标最大的第二预测模型，根据第二训练集对选择的第二预测模型进行迭代训练，得到第三预测模型，第三预测模型为迭代训练过程中得到的所有模型中AUC指标最大的模型。
根据第三测试集确定第三预测模型的指标参数，并确定第三预测模型的指标参数大于预设阈值时，将第三预测模型作为目标预测模型。
S307、获取病患连续5小时内每小时的病患数据，对病患数据进行预处理，得到病患特征。
S308、将病患的病患特征输入到目标预测模型中，获取目标预测模型输出的病患对应的预测病发概率。
在一些实例中，根据本发明实施例提供的迁移训练方式训练得到的目标预测模型的指标参数，相比于直接使用第二病患样本数据集进行训练的预测模型的指标参数均有提高，例如表1示出一实例中直接使用第二病患样本数据集进行训练得到的预测模型的指标参数，表2示出另一实例中根据本发明实施例提供的迁移训练方式得到的目标预测模型的指标参数，可见目标预测模型的指标参数相较于直接使用第二病患样本数据集进行训练得到的预测模型的指标参数均有提升。
表1直接使用第二病患样本数据集进行训练得到的预测模型的指标参数
表2迁移训练方式得到的目标预测模型的指标参数
需要说明的是，本发明实施例提供的病症预警方法，可以应用于脓毒症病症预警，还可以应用于其它病症的病症预警，在应用于其它病症的病症预警时，需要获取其他病症对应的训练样本数据集，并根据本发明实施例提供的模型训练方式进行模型训练，具体实施可以参见上述实施例描述，此处不再赘述。
基于同一发明构思，本发明实施例还提供了一种病症预警装置，由于该装置解决问题的原理与本发明实施例的病症预警方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，为本发明实施例一种病症预警装置400，包括：
处理模块401，用于对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；
确定模块402，用于基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；
其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。
在一些示例性的实施方式中，所述病症预警装置400还包括模型训练模块403；
所述模型训练模块403用于根据下列方式对所述第一预测模型进行训练：
根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。
在一些示例性的实施方式中，所述模型训练模块403根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型时，具体用于将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。
在一些示例性的实施方式中，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
在一些示例性的实施方式中，所述模型训练模块403用于根据下列方式对所述目标预测模型进行迁移训练：根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集；根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型。
在一些示例性的实施方式中，所述模型训练模块403用于根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型时，具体用于将所述第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集；根据所述第二验证集从所有第二预测模型中选择AUC指标最大的第二预测模型，其中所述第二预测模型与所述第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；根据所述第二训练集对选择的第二预测模型进行的迭代训练，得到第三预测模型；若所述第三预测模型的指标参数大于预设阈值，则将所述第三预测模型作为目标预测模型；其中，所述第三预测模型的指标参数是根据所述第二测试集确定的。
在一些示例性的实施方式中，所述第三预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
基于同一发明构思，本发明实施例还提供了一种电子设备，由于该设备解决问题的原理与本发明实施例的病症预警方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图5所示，为本发明实施例一种电子设备500，包括：处理器501和存储器502；
存储器502，用于存储处理器501执行的计算机程序。存储器502可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器502也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flashmemory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器502可以是上述存储器的组合。
处理器501，可以包括一个或多个中央处理单元(central processing unit，CPU)，图形处理单元(Graphics Processing Unit，GPU)或者为数字处理单元等等。
本发明实施例中不限定上述存储器502和处理器501之间的具体连接介质。本发明实施例在图5中以存储器502和处理器501之间通过总线503连接，总线503在图5中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线503可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，所述存储器502存储有程序代码，当所述程序代码被所述处理器501执行时，使得所述处理器501执行下列过程：
对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。
在一些示例性的实施方式中，所述处理器501具体用于根据下列方式对所述第一预测模型进行训练：根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。
在一些示例性的实施方式中，所述处理器501具体用于将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。
在一些示例性的实施方式中，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
在一些示例性的实施方式中，所述处理器501具体用于根据下列方式对所述目标预测模型进行迁移训练：根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集；根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型。
在一些示例性的实施方式中，所述处理器501具体用于将所述第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集；根据所述第二验证集从所有第二预测模型中选择AUC指标最大的第二预测模型，其中所述第二预测模型与所述第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；根据所述第二训练集对选择的第二预测模型进行的迭代训练，得到第三预测模型；若所述第三预测模型的指标参数大于预设阈值，则将所述第三预测模型作为目标预测模型；其中，所述第三预测模型的指标参数是根据所述第二测试集确定的。
在一些示例性的实施方式中，所述第三预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
本发明实施例提供一种计算机可存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述病症预警方法的步骤。其中，可存储介质可以为非易失可存储介质。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种病症预警方法，其特征在于，该方法包括：
对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；
基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；
其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。
2.如权利要求1所述的方法，其特征在于，根据下列方式对所述第一预测模型进行训练：
根据所述第一病患样本数据集中每个样本对应的患病结果，对所述第一病患样本数据集中的样本进行标注；
对标注后的第一病患样本数据集中的样本进行预处理，获取第一训练样本数据集；
根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型。
3.如权利要求2所述的方法，其特征在于，所述根据所述第一训练样本数据集对初始预测模型进行训练，得到所述第一预测模型，包括：
将所述第一训练样本数据集拆分为第一训练集、第一验证集以及第一测试集；
根据所述第一验证集从所有初始预测模型中选择AUC指标最大的初始预测模型，其中不同的初始预测模型中的至少一个同类的超参数的值不同；
根据所述第一训练集对选择的初始预测模型进行迭代训练，得到目标初始预测模型；
若所述目标初始预测模型的指标参数大于预设阈值，则将所述目标初始预测模型作为第一预测模型；
其中，所述目标初始预测模型的指标参数是根据所述第一测试集确定的。
4.如权利要求3所述的方法，其特征在于，所述目标初始预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
5.如权利要求1所述的方法，其特征在于，根据下列方式对所述目标预测模型进行迁移训练：
根据所述第二病患样本数据集中每个样本对应的患病结果，对所述第二病患样本数据集中的样本进行标注；
对标注后的第二病患样本数据集中的样本进行预处理，获取第二训练样本数据集；
根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型。
6.如权利要求5所述的方法，其特征在于，所述根据所述第二训练样本数据集对所述第一预测模型进行训练，得到所述目标预测模型，包括：
将所述第二训练样本数据集拆分为第二训练集、第二验证集以及第二测试集；
根据所述第二验证集从所有第二预测模型中选择AUC指标最大的第二预测模型，其中所述第二预测模型与所述第一预测模型的模型参数相同，且不同的第二预测模型中的至少一个同类的超参数的值不同；
根据所述第二训练集对选择的第二预测模型进行的迭代训练，得到第三预测模型；
若所述第三预测模型的指标参数大于预设阈值，则将所述第三预测模型作为目标预测模型；
其中，所述第三预测模型的指标参数是根据所述第二测试集确定的。
7.如权利要求6所述的方法，其特征在于，所述第三预测模型为所述迭代训练过程中得到的所有模型中AUC指标最大的模型。
8.一种病症预警装置，其特征在于，包括：
处理模块，用于对预设时长内采集到的病患的病患数据进行预处理，得到病患特征；
确定模块，用于基于目标预测模型，根据所述病患特征进行病症预测，确定所述病患对应的预测病发概率；
其中，所述目标预测模型是根据第二病患样本数据集对第一预测模型进行迁移训练得到的；所述第一预测模型是根据第一病患样本数据集训练得到的，所述第一病患样本数据集的样本数量大于所述第二病患样本数据集的样本数量。
9.一种电子设备，其特征在于，包括：处理器和存储器；
其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1～7任一项所述的病症预警方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1～7任一项所述的病症预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110285178.5A CN113057587A (zh) | 2021-03-17 | 2021-03-17 | 一种病症预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110285178.5A CN113057587A (zh) | 2021-03-17 | 2021-03-17 | 一种病症预警方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113057587A true CN113057587A (zh) | 2021-07-02 |
Family
ID=76560888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110285178.5A Pending CN113057587A (zh) | 2021-03-17 | 2021-03-17 | 一种病症预警方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113057587A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674864A (zh) * | 2021-08-30 | 2021-11-19 | 重庆大学 | 一种恶性肿瘤合并静脉血栓栓塞症风险预测方法 |
| CN113871009A (zh) * | 2021-09-27 | 2021-12-31 | 山东师范大学 | 一种重症监护病房中脓毒症预测***、存储介质及设备 |
| CN114480554A (zh) * | 2022-02-24 | 2022-05-13 | 重庆市急救医疗中心(重庆市第四人民医院、重庆市急救医学研究所) | 一种生物标志物组在制备用于筛查脓毒症的lip评分工具中的应用和评分方法及其*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019008798A1 (en) * | 2017-07-07 | 2019-01-10 | Ntt Data Corporation | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM |
| CN110123277A (zh) * | 2019-05-17 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的数据处理*** |
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN111951975A (zh) * | 2020-08-19 | 2020-11-17 | 哈尔滨工业大学 | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 |
| US20200375549A1 (en) * | 2019-05-31 | 2020-12-03 | Informed Data Systems Inc. D/B/A One Drop | Systems for biomonitoring and blood glucose forecasting, and associated methods |
| WO2021022933A1 (zh) * | 2019-08-06 | 2021-02-11 | 平安科技（深圳）有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
| CN112447298A (zh) * | 2020-11-24 | 2021-03-05 | 平安科技（深圳）有限公司 | 基于联邦迁移学习的神经退行性疾病建模装置及相关设备 |
-
2021
- 2021-03-17 CN CN202110285178.5A patent/CN113057587A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019008798A1 (en) * | 2017-07-07 | 2019-01-10 | Ntt Data Corporation | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM |
| CN110123277A (zh) * | 2019-05-17 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的数据处理*** |
| US20200375549A1 (en) * | 2019-05-31 | 2020-12-03 | Informed Data Systems Inc. D/B/A One Drop | Systems for biomonitoring and blood glucose forecasting, and associated methods |
| WO2021022933A1 (zh) * | 2019-08-06 | 2021-02-11 | 平安科技（深圳）有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
| CN110444263A (zh) * | 2019-08-21 | 2019-11-12 | 深圳前海微众银行股份有限公司 | 基于联邦学习的疾病数据处理方法、装置、设备及介质 |
| CN111951975A (zh) * | 2020-08-19 | 2020-11-17 | 哈尔滨工业大学 | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 |
| CN112447298A (zh) * | 2020-11-24 | 2021-03-05 | 平安科技（深圳）有限公司 | 基于联邦迁移学习的神经退行性疾病建模装置及相关设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674864A (zh) * | 2021-08-30 | 2021-11-19 | 重庆大学 | 一种恶性肿瘤合并静脉血栓栓塞症风险预测方法 |
| CN113674864B (zh) * | 2021-08-30 | 2023-08-11 | 重庆大学 | 一种恶性肿瘤合并静脉血栓栓塞症风险预测方法 |
| CN113871009A (zh) * | 2021-09-27 | 2021-12-31 | 山东师范大学 | 一种重症监护病房中脓毒症预测***、存储介质及设备 |
| CN114480554A (zh) * | 2022-02-24 | 2022-05-13 | 重庆市急救医疗中心(重庆市第四人民医院、重庆市急救医学研究所) | 一种生物标志物组在制备用于筛查脓毒症的lip评分工具中的应用和评分方法及其*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Raim: Recurrent attentive and intensive model of multimodal patient monitoring data | |
| Ge et al. | An Interpretable ICU Mortality Prediction Model Based on Logistic Regression and Recurrent Neural Networks with LSTM units. | |
| CN113057587A (zh) | 一种病症预警方法、装置、电子设备及存储介质 | |
| Nachimuthu et al. | Early detection of sepsis in the emergency department using Dynamic Bayesian Networks | |
| KR102446376B1 (ko) | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 | |
| Guillén et al. | Predictive models for severe sepsis in adult ICU patients | |
| CN116631562B (zh) | 一种生成电子病历出院记录的方法、装置及电子设备 | |
| Blaivas et al. | Development of a deep learning network to classify inferior vena cava collapse to predict fluid responsiveness | |
| JP2018518207A (ja) | 集中治療室における臨床値の自動化された分析及びリスク通知のためのシステム | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及*** | |
| CN113066579A (zh) | 生理状态预测方法和装置、电子设备及存储介质 | |
| CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
| Rout et al. | Deep Learning in Early Prediction of Sepsis and Diagnosis | |
| CN116705302A (zh) | 一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法 | |
| CN113017572B (zh) | 一种重症预警方法、装置、电子设备及存储介质 | |
| Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
| Zhang et al. | Modelling EHR timeseries by restricting feature interaction | |
| CN113057588A (zh) | 一种病症预警方法、装置、设备及介质 | |
| US20220409122A1 (en) | Artificial Intelligence Assisted Medical Diagnosis Method For Sepsis And System Thereof | |
| CN113057586B (zh) | 一种病症预警方法、装置、设备及介质 | |
| CN115762698B (zh) | 一种医疗慢病检查报告数据提取方法及*** | |
| Cauli | Predicting Myocardial Injury After Noncardiac Surgery | |
| Martono et al. | Blood Alcohol Concentration Screening at Emergency Room: Designing a Classification Model Using Machine Learning | |
| Bamidele et al. | Survival model for diabetes mellitus patients’ using support vector machine | |
| US20230395267A1 (en) | Procedure and Prediction System to Determine the Probability of a Patient Suffering from Sepsis |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |
|
| RJ01 | Rejection of invention patent application after publication |