[发明专利]患者住院时长的预测方法、装置、电子设备及存储介质

说明书

本申请公开了一种患者住院时长的预测方法、装置、电子设备及存储介质，该方法包括：利用多个二分类基学习器级联串接构建有序多分类的预测模型；利用训练数据集训练各个基学习器直至每一基学习器达到性能指标要求，得到训练好的预测模型；根据预设预测特征选取待预测样本输入训练好的预测模型，得到预测结果。本申请的方法利用多个二分类基学习器级联串接构建有序多分类的预测模型，保留了有序多分类结局变量中各个类别间的序列递进关系，且不假设有序类别间为等比关系，更符合真实数据特征，通过将数据集逐层拆分，使得用于各层基学习器训练的数据集中两个类别的数据相对平衡，有效解决多类别间数据不平衡的问题，提高了预测结果准确率。

技术领域

本申请涉及数据处理技术领域，具体涉及一种患者住院时长的预测方法、装置、电子设备及存储介质。

背景技术

住院时长是评价医疗资源利用效率的关键指标，智能化的住院时长预测系统可以辅助临床医生识别疾病风险较高的患者，提供及时的医疗干预，从而改善患者的住院预后；也可辅助医生合理安排有限的医疗资源，使得医疗资源的利用效率达到最大化；还可在患者入院初期为患者及其家属提供住院时长相关的信息咨询，使得患者及其家属可以对其病情与住院可能情况掌握更多信息，由此提高患者的医疗服务满意度并减少由于信息不对称所造成的医患矛盾。

以肾脏疾病为例，慢性肾脏疾病是由各种原发性肾脏疾病及糖尿病、高血压等导致肾脏损害引起的一组常见慢性疾病群。我国的肾脏病医疗卫生体系亟需结合智能化的临床决策支持系统以提高医疗效率，改善患者预后。

现有的患者住院时长预测一般是依据临床医生的工作经验，由于患者病情的复杂性，医生的工作经验主观性过高，患者住院时长预测的难度大、分析效率低、准确率低，无法有效地辅助医生的临床决策、提升医疗效率。

考虑到真实世界中住院时长受人为因素影响具有一定的波动性，精确到天的数值型住院时长的预测模型往往误差较大。将住院时长预测从数值型预测问题转换为有序多分类预测问题，各个分类组间患者特征差异更为典型，可以由此提升模型预测准确率，且分类结果能提供足够的信息用于临床决策支持与患者咨询。目前，有序多分类问题一般基于数值型预测模型或无序多分类预测模型解决：数值型预测模型假设结局变量多个类别之间遵循等比相关关系，而真实世界中有序多分类数据的多个类别间往往并不遵循严格的等比相关关系；无序多分类预测模型则直接忽视了有序多分类结局变量各个类别之间的递进关系，预测模型的性能往往受到一定限制。同时，当有序多分类结局变量各个类别之间存在数据不平衡问题时，无序多分类预测模型会产生较大的预测误差。

发明内容

本申请的目的是提供一种患者住院时长的预测方法、装置、电子设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本申请实施例的一个方面，提供一种患者住院时长的预测方法，包括：

利用多个二分类基学习器级联串接构建有序多分类的预测模型；

利用训练数据集训练各个所述基学习器直至每一所述基学习器达到性能指标要求，得到训练好的预测模型；

根据预设预测特征，选取待预测样本输入所述训练好的预测模型，得到预测结果。

进一步地，在所述利用训练数据集训练各个所述基学习器之前，所述预测方法还包括：

基于医院信息管理系统中患者的电子病历数据，进行数据清理，提取训练数据构成训练数据集。

进一步地，在所述根据预设预测特征，选取待预测样本输入所述训练好的预测模型之前，所述预测方法还包括：

从所述医院信息管理系统的电子病历数据中或者从所述训练数据集中筛选出对患者的住院时长预测价值高的预测特征；