[发明专利]一种基于深度学习模型GPT-2的脓毒症早期预警方法

说明书

本发明公开了一种基于深度学习模型GPT‑2的脓毒症早期预警方法，在选定的时间跨度内提取ICU内病患的特征变量，组成一个高维度、随时间变化的序列，并将该序列经过数据预处理后输入到基于改进的GPT‑2模型中以结合病患的近期临床表现提取到与ICU病患目前病情最接近的一种有效表示，将得到的该表示输入到一个全连接前馈网络层预测患者在接下来的时间内患有脓毒症的概率。本发明可以最大程度利用ICU内的病患常规指标，并可以根据时间的变化来预测病患面临的风险，类似于重症监护医生每日查房期间反复分析和更新重症监护病房的患者管理，该方法结合病患前几天的临床表现，根据大量可用数据做出预测结果，具有时效性，准确度更高。

技术领域

本发明属于医疗数据挖掘领域，涉及一种基于GPT-2模型的脓毒症的早期预警方法。

背景技术

脓毒症是一种对生命安全有着严重威胁的疾病，脓毒症是因感染导致的全身炎症反应综合症，是ICU患者常见高危并发症和致死的主要原因之一。全球中每年估计有3000万人患有脓毒症，因脓毒致死人数超过600万人，脓毒症的治疗费用非常高，且面临的风险也非常大。因发病率、致死率高以及昂贵的治疗费用，脓毒症已经成为全球高度关注的公共医疗问题。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。临床上对脓毒症的发病规律研究已取得一定进展，但脓毒症的发病机制复杂，涉及变量因素较多，诊断准确率还有待提高。有研究表明，脓毒症的早期发现和及时的抗生素治疗对于改善脓毒症患者面临死亡得到风险至关重要，每延迟一小时治疗都会使死亡率增加4％-8％。尽早地发现可能发展成脓毒症的患者并对其给与及时治疗，对于提高病人在ICU内的生存率有着具有重要的研究价值和意义。目前的研究大都从医学角度出发，大部分使用的是基于统计分析以及简单的逻辑回归、决策树等模型，较少有人将深度学习模型应用于医疗领域。现有的这些学习方法需要事先进行人工处理的特征选择，没有充分利用ICU环境中常规收集的全部特征，从而可能导致学习到的模型忽略了复杂的非线性构造的潜在特征，而这些潜在特征可能对脓毒症的发展与预测有着不可分割的密切关系。此外，对于脓毒症的预测应该是随着病患在ICU内的临床数据不断更新连续进行的，而目前的方法不能处理时变输入。基于深度学习的模型正在较好地解决着大部分领域处理涉及大量快速变化的高维度复杂数据的问题，越来越多的医务人员也期望利用基于深度学习的方法开展对医疗数据的挖掘，进而帮助其提高对疾病的深层认知和诊断效率。

发明内容

为了解决现有技术中ICU患者脓毒症临床诊断困难、准确率不高的问题，本发明提供了一种基于深度学习模型GPT-2的脓毒症早期预警方法。该方法根据数据挖掘流程，从电子病例中提取出ICU病人的若干天的多项生理指标数值，对其进行清洗、数据样本类不平衡等预处理操作，使用改进的GPT2模型构建预测模型，输出ICU内病人不同天数内患脓毒症的概率，以达到早期预警，减小病人因脓毒症而死亡的风险的目的。本发明的方法可以最大程度利用ICU内的病患常规指标，并可以根据时间的变化来预测病患面临的风险，类似于重症监护医生每日查房期间反复分析和更新重症监护病房的患者管理，该方法结合病患前几天的临床表现，根据大量可用数据做出预测结果，具有时效性，准确度更高。

本发明的目的是通过以下技术方案实现的：

一种基于深度学习模型GPT-2的脓毒症早期预警方法，在选定的时间跨度内提取ICU内病患的特征变量，组成一个高维度、随时间变化的序列，并将该序列经过数据预处理后输入到基于改进的GPT-2模型中以结合病患的近期临床表现提取到与ICU病患目前病情最接近的一种有效表示，将得到的该表示输入到一个全连接前馈网络层预测患者在接下来的时间内患有脓毒症的概率，具体包括如下步骤：

步骤1：从电子病历或者医疗数据集中提取患者进入ICU后若干天的多个预测特征变量序列，以时间为顺序区分这些特征变量序列，其中：所述预测特征变量序列是一个高纬度的随时间变化的序列，主要表现为：选定所需要的时间跨度，以天数为单位提取进入ICU病房的病患的时间跨度内的特征变量值，组成若干个随时间变化的特征变量序列，特征变量主要包括生命体征变量、实验室测量指标、药物记录、人口统计学信息等；