[发明专利]预测疾病终点事件的方法、装置及电子设备

说明书

本公开涉及一种预测疾病终点事件的方法、装置、电子设备及计算机可读介质。该方法包括：采集疾病发生和诊疗阶段的信息作为T0时序点特征；采集每次复查时的信息作为相应复查时的Ti时序点特征；利用深度学习神经网络模型预测未来时间窗内的疾病终点事件，其中包括：在所述深度学习神经网络模型的DNN模型中，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；通过所述深度学习神经网络模型的时序神经网络模型接收每个时序点的DNN模型输出的所述多维向量；通过所述深度学习神经网络模型的输出层接收来自所述时序神经网络模型的输入，产生输出结果。根据本申请的方案能够提高预测准确性。

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种预测疾病终点事件的方法、方法、装置、电子设备及计算机可读介质。

背景技术

疾病终点事件是指某疾病发病之后经过治疗，未来一段时间内复发、死亡等事件的发生。不同疾病关注的终点事件有所不同，例如，肿瘤领域比较关注预后的n年生存期，脑卒中比较关注预后复发的风险等。当前流行的预测方法都是基于人工神经网络、决策树、逻辑回归、svm等传统机器学习方法。

基于机器学习方法等终点事件预测是基于大量历史患者的病历数据作为训练集，患者的基本信息、发病情况、治疗过程、复查情况等作为特征，通过病历数据的处理或者随访取得患者终点事件是否发生作为标注，采用有监督等机器学习方法进行学习，最终训练得到一个模型使得它在训练集上的准确率最高。模型训练完成之后，对于一个新的患者，把患者相关特征输入模型后得到患者终点事件发生的风险或概率。

当前对于特征选择和处理基本是基于统计的单因子和多因子分析进行特征选择，特征选择好之后直接作为模型输入信息。

但是，现有模型存在预测准确率较低等问题。

因此，需要一种新的预测疾病终点事件的方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请提供一种预测疾病终点事件的方法，能够提高预测准确性。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提供一种预测疾病终点事件的方法，包括：采集疾病发生和诊疗阶段的信息作为T0时序点特征；采集每次复查时的信息作为相应复查时的Ti时序点特征；利用深度学习神经网络模型预测未来时间窗内的疾病终点事件，其中包括：在所述深度学习神经网络模型的DNN模型中，对应于每个时序点，分别接收所述T0时序点特征至所述Ti时序点特征的其中之一，并输出多维向量；通过所述深度学习神经网络模型的时序神经网络模型接收每个时序点的DNN模型输出的所述多维向量；通过所述深度学习神经网络模型的输出层接收来自所述时序神经网络模型的输入，产生输出结果。

根据一些实施例，所述T0时序点特征包括下述特征中的至少一种：患者首次发病就诊时的疾病相关因素；诊疗行为信息。

根据一些实施例，所述Ti时序点特征可包括下述特征中的至少一种：体征信息；查体信息；检查检验信息；及生活习惯信息。

根据一些实施例，前述方法还包括：从历史患者的病历信息和/或随访信息中抽取标注信息以训练所述深度学习神经网络模型。

根据一些实施例，训练所述深度学习神经网络模型时使用的时间窗口与预测时使用的未来时间窗口相同。

根据一些实施例，所述时序神经网络模型包括RNN、LSTM、GRU、双向RNN或SRU。

根据一些实施例，前述方法还包括：将所述T0时序点特征至所述Ti时序点特征进行词向量处理。