[发明专利]基于卷积神经网络模型的慢性病复发预测方法和装置

说明书

本申请涉及一种基于卷积神经网络模型的慢性病复发预测方法和装置。所述方法包括：获取待测诊断数据；所述待测诊断数据包括有进出院时间；根据所述进出院时间，将所述待测诊断数据作为模型训练样本；采用所述模型训练样本训练所述卷积神经网络模型，得到训练后模型；所述训练后模型用于对所述待测诊断数据进行慢性病复发预测。通过本方案的采用，可以解决训练样本分布不平衡的问题，进而提高慢性病复发预测结果的准确性。

技术领域

本申请涉及疾病防控领域，特别是涉及一种基于卷积神经网络模型的慢性病复发预测方法、装置、计算机设备和存储介质。

背景技术

慢性阻塞性肺部疾病(Chronic obstructive pulmonary disease，COPD)，简称为慢阻肺，一直是一种难以治愈的慢性阻塞性疾病。据统计，2015年，全球估计有317万人死于慢性阻塞性肺病，占同年世界死亡率的5％；2016年全球有2.51亿例慢性阻塞性肺部疾病病例，慢阻肺对人类生命的威胁已经不容忽视。

为了改善这一情况，越来越多的学者和医学机构开始关注对该慢性病在一年内的复发预测，以此来防范该疾病病情的加重。然而，现有的慢性病复发预测方法，存在较多的数据缺失、数据不均，导致数据结果的准确度不高。

因此，现有的慢性病复发预测方法存在着计算结果准确率低的问题。

发明内容

基于此，有必要针对上述慢性病复发预测方法存在着计算结果准确率低的技术问题，提供一种能够合理解决上述技术问题的、基于卷积神经网络模型的慢性病复发预测方法、装置、计算机设备和存储介质。

一种基于卷积神经网络模型的慢性病复发预测方法，所述方法包括：

获取待测诊断数据；所述待测诊断数据包括有进出院时间；

根据所述进出院时间，将所述待测诊断数据作为模型训练样本；

采用所述模型训练样本训练所述卷积神经网络模型，得到训练后模型；所述训练后模型用于对所述待测诊断数据进行慢性病复发预测。

在其中一个实施例中，所述获取待测诊断数据，包括：

获取慢性病诊断数据；

确定所述慢性病诊断数据的预测影响系数；所述预测影响系数根据对所述慢性病复发预测的重要程度确定；

根据所述预测影响系数，在所述慢性病诊断数据中提取有用的诊断数据，作为所述待测诊断数据。

在其中一个实施例中，所述进出院时间包括初次进出院时间和/或再次进出院时间。

在其中一个实施例中，当所述进出院时间包括初次进出院时间时，所述初次进出院时间包括初次入院时间和/或初次出院时间；

当所述进出院时间包括再次进出院时间时，所述再次进出院时间包括再次入院时间和/或再次出院时间。

在其中一个实施例中，当所述进出院时间包括初次出院时间和再次入院时间时，所述根据所述进出院时间，将所述待测诊断数据作为模型训练样本，包括：

获取所述初次出院时间和所述再次入院时间；

计算所述再次入院时间与所述初次出院时间的间隔时间；

当所述间隔时间小于365时，生成所述待测诊断数据的正标签，并且，当所述间隔时间大于等于365时，生成所述待测诊断数据的负标签；

将所述正标签的待测诊断数据与所述负标签的待测诊断数据按预设比例，作为所述模型训练样本。

在其中一个实施例中，将所述正标签的待测诊断数据与所述负标签的待测诊断数据按1：1.5的比例，作为所述模型训练样本。