[发明专利]糖尿病早期风险评估方法、装置、计算机设备及介质

权利要求书

1.糖尿病早期风险评估方法，其特征在于，包括：

获取医疗数据，以得到初始数据；

对所述初始数据进行预处理，以得到中间数据；

将所述中间数据输入GDM预测模型内进行妊娠期糖尿病早期风险预测，以得到预测结果；

发送所述预测结果至终端，以供终端持有者进行预警和干预；

其中，所述GDM预测模型是通过若干个预处理后的医疗数据作为样本集训练神经网络所得的。

2.根据权利要求1所述的糖尿病早期风险评估方法，其特征在于，所述医疗数据包括门诊病历、实验室检验、超声影像检查、住院病历病程记录中至少一种。

3.根据权利要求1所述的糖尿病早期风险评估方法，其特征在于，所述对所述初始数据进行预处理，以得到中间数据，包括：

对所述初始数据中的临床病例资料进行筛选和汇总，以得到汇总后的数据；

对汇总后的数据进行数据转换和特征提取，以得到关键特征；

对所述关键特征进行缺失值填补，以得到填补结果；

对所述填补结果进行归一化处理，以得到处理后的数据；

对处理后的数据进行异常值剔除，以得到中间数据。

4.根据权利要求1所述的糖尿病早期风险评估方法，其特征在于，所述GDM预测模型是通过若干个预处理后的医疗数据作为样本集训练神经网络所得的，包括：

对若干个预处理后的医疗数据构成的样本集基于树的计算实时变量的信息增益率进行特征选择，以得到动态资料的特征；

对若干个预处理后的医疗数据构成的样本集利用梯度提升树生成固定资料的特征；

融合动态资料的特征以及固定资料的特征，以得到新特征；

构建GRU模型，利用所述新特征对所述GRU模型进行训练，采用预设定的评价指标评价训练后的所述GRU模型，以得到GDM预测模型。

5.根据权利要求4所述的糖尿病早期风险评估方法，其特征在于，所述对若干个预处理后的医疗数据构成的样本集基于树的计算实时变量的信息增益率进行特征选择，以得到动态资料的特征，包括：

对若干个预处理后的医疗数据构成的样本集内动态数据集分别通过XGBoost模型和RF模型计算对应的预测值，并对两个预测值进行求平均值；

选择平均值大于预设的信息增益率阈值所对应的动态数据，以得到动态资料的特征。

6.根据权利要求4所述的糖尿病早期风险评估方法，其特征在于，所述对若干个预处理后的医疗数据构成的样本集利用梯度提升树生成固定资料的特征，包括：

构建梯度提升树，并对若干个预处理后的医疗数据构成的样本集生成固定资料的特征；

其中，所述构建梯度提升树，包括：

计算梯度提升树的负梯度；

更新对应的基学习器；

对每轮产生的基学习器通过线性相加，以得到梯度提升树。

7.根据权利要求4所述的糖尿病早期风险评估方法，其特征在于，所述评价指标包括准确率、查准率、召回率、F1值、混淆矩阵及ROC曲线下面积的度量值。

8.糖尿病早期风险评估装置，其特征在于，包括：

数据获取单元，用于获取医疗数据，以得到初始数据；

预处理单元，用于对所述初始数据进行预处理，以得到中间数据；

预测单元，用于将所述中间数据输入GDM预测模型内进行妊娠期糖尿病早期风险预测，以得到预测结果；

发送单元，用于发送所述预测结果至终端，以供终端持有者进行预警和干预。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。

10.一种介质，其特征在于，所述介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。