[发明专利]一种基于因果推理构建的疾病预后风险评估模型的方法

权利要求书

1.一种基于因果推理构建的疾病预后风险评估模型的方法，其特征在于，所述的方法包括：

采集患者特征，对预后风险特征进行标注作为真值标签，获得带有真值标签的训练样本；其中，所述的标注的预后风险特征为一年内是否再次入院；

将所述的训练样本作为输入，通过全连接神经网络提取特征得到特征输出集φ；

将特征输出集φ作为输入，根据患者治疗方案进行全连接神经网络分类，将所述训练样本中的真值标签作为输出；

获得疾病预后风险评估模型，其中，所述的疾病预后风险评估模型，用于评估患者一年内再入院的概率；

其中，

所述的方法借助因果推理，得到分别使用不同治疗方案时，患者一年内再入院的概率；

所述的训练样本的数据集设为，N代表患者总数，P代表每一个患者；每一个患者由特征和治疗方案组成，即，其中，m代表病人特征的维度，t代表治疗方案的种数；

其中，所述的患者特征选自体征、检查检验信息、病程报告、药物使用记录、一年内是否再次入院、既往病史或预防性的诊疗。

2.根据权利要求1所述的方法，其特征在于，所述的疾病选自癌症或心脑血管疾病；所述的心脑血管疾病选自心力衰竭、先天性心脏病、心肌病、肺动脉高压、动脉粥样硬化、高血脂、血液粘稠、高血压或遗传性主动脉疾病。

3.根据权利要求1或2所述的方法，其特征在于，所述的疾病为心力衰竭。

4.根据权利要求1所述的方法，其特征在于，所述的全连接神经网络为将N位患者的特征X输入m层全连接网络，每一层网络的变换过程为，为激活函数。

5.根据权利要求4所述的方法，其特征在于：

将所述的训练样本作为输入，通过全连接神经网络提取特征得到特征输出集φ，包括：将N位患者的特征X输入m层全连接网络，每一层网络的变换过程为，为激活函数，所述的激活函数为relu激活函数。

6.根据权利要求5所述的方法，其特征在于：

将特征输出集φ作为输入，根据患者治疗方案进行全连接神经网络分类，将所述训练样本中的真值标签作为输出，包括：以全连接神经网络提取特征得到的特征输出集作为输入，建立t个全连接神经网络分类器，每个患者根据治疗方案分别进入各自的分类器中，分类器为k层全连接网络，每一层的变换过程为，，其中，最后一层输出分类结果时，获得疾病预后风险评估模型。

7.根据权利要求6所述的方法，其特征在于，所述的疾病预后风险评估模型采用交叉熵代价函数作为损失函数表示疾病治疗方案的效果评估模型拟合的好坏，所述的交叉熵代价函数的计算方式如下：

其中，N是所有输入x的个数，j则代表第几个输入；并通过梯度下降算法来更新参数W和b，表达式如下：

。

8.根据权利要求1-7任一所述的方法构建的疾病预后风险评估模型。

9.一种基于因果推理的疾病预后风险评估系统，其特征在于，所述的系统包括输入模块、存储模块、计算模块及输出模块，所述的存储模块存储权利要求8所述的疾病预后风险评估模型。