[发明专利]事件预测方法、装置、电子设备及存储介质

说明书

本申请实施例提供了一种事件预测方法、装置、电子设备及存储介质，应用于智慧医疗领域，该方法包括获取目标患者在第一预设时间范围的事件序列，以及该目标患者的目标特征数据，该目标特征数据包括在该第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；利用预训练的时间序列模型根据该在第一预设时间范围的事件序列，以及该目标特征数据进行事件预测，得到该目标患者在第二预设时间范围的事件序列，该第二预设时间范围在该第一预设时间范围之后；通过终端设备输出该第二预设范围的事件序列。采用本申请，可以提升事件预测准确度。本申请涉及区块链技术，如可将第二预设时间范围的事件序列写入区块链。

技术领域

本申请涉及计算机技术领域，尤其涉及一种事件预测方法、装置、电子设备及存储介质。

背景技术

中国有超过1.3亿慢性肾病患者，患病人数占全球第一位。然而，一些疾病诸如慢性肾病等慢性疾病早期并不会出现症状，公众对这些的知晓率很低，而一旦发病便不可逆转。例如，对于慢性肾病，进展到一定程度时需要进行透析等治疗，还会带来心肌梗塞、心力衰竭、脑卒中等严重并发症。因此，及早进行肾病患者并发症风险预测以及死亡预测，可以辅助医生及早进行干预，提高患者的重视程度，预防潜在的风险。

现有的肾病患者预测模型大多采用一种不良事件作为终点事件进行预测建模，没有考虑到患者可能同时有发生多种风险事件/进行多种干预手段的可能性，也难以在预测不良事件的同时预测何时发生风险事件。并且，有些风险事件是同向风险关系，比如随着病情进展，患者患心肌梗塞、心力衰竭的风险都会增加；有些属于竞争性风险事件，比如患者进行透析有可能减轻患者发生其他并发症的风险。传统的统计学习方法并不能很好地捕捉到不同结局之间的相互关系，造成事件预测准确性降低。

发明内容

本申请实施例提供了一种事件预测方法、装置、电子设备及存储介质，可以提升事件预测的准确度。

第一方面，本申请实施例提供了一种事件预测方法，包括：

获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；

利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及所述目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；

通过终端设备输出所述第二预设范围的事件序列。

可选地，所述利用预训练的时间序列模型根据所述在第一预设时间范围的事件序列，以及目标特征数据进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，包括：

根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；

调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列。

可选地，所述时间序列模型包括循环神经网络RNN模型，所述调用预训练的时间序列模型根据所述第一特征矩阵和所述目标特征矩阵进行事件预测，得到所述目标患者在第二预设时间范围的事件序列，包括：

通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；

通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；

根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；

通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列。