[发明专利]一种基于图神经网络的患者住院时长早期预测方法及装置

权利要求书

1.一种基于图神经网络的患者住院时长早期预测方法，其特征在于，包括以下步骤：

S1、对获取的病案首页数据集进行预处理，并提取患者住院时长标签；

S2、分别提取患者的基础特征和历史特征；

S3、根据预处理后的病案首页数据集，提取疾病向量；

S4、构建患者相似性网络；

S5、基于患者住院时长标签、基础特征、历史特征、疾病向量以及患者相似性网络，利用GraphSAGE图神经网络构建住院时长早期预测模型；

S6、利用住院时长早期预测模型预测待预测样本的住院时长，得到患者住院时长早期预测结果；

所述步骤S6包括以下步骤：

S601、输入待预测样本信息；

S602、将待预测样本信息输入至患者相似性网络中，并获取患者相似性网络中节点的二阶采样邻居；

S603、根据待预测样本信息提取包含基础特征、历史特征以及疾病向量的特征向量；

S604、根据二阶采样邻居以及特征向量，利用住院时长早期预测模型输出待预测样本的住院时长，得到患者住院时长早期预测结果。

2.根据权利要求1所述的基于图神经网络的患者住院时长早期预测方法，其特征在于，所述患者住院时长标签具体为：根据患者的入院日期和出院日期之差获取患者的住院时长标签；

所述基础特征包括患者的个体信息和医院信息；所述历史特征包括患者历史住院时长的统计信息。

3.根据权利要求1所述的基于图神经网络的患者住院时长早期预测方法，其特征在于，所述步骤S3包括以下步骤：

S301、基于预处理后的病案首页数据集，构建疾病共现网络；

S302、根据所述疾病共现网络，利用Node2Vec算法生成疾病的低维向量嵌入表示，并利用聚合方法将同一患者的所有低维向量嵌入表示进行整合，完成对疾病向量的提取：

AGGREGATE_sum＝∑_i∈Dd_i

其中，AGGREGATE_sum表示求和聚合函数，d_i表示疾病i的低维向量表示，D表示该患者的疾病集合。

4.根据权利要求3所述的基于图神经网络的患者住院时长早期预测方法，其特征在于，所述步骤S301包括以下步骤：

S3011、将预处理后的病案首页数据集按患者的身份证号进行聚合，并将患者不同的住院记录诊断进行归类；

S3012、根据归类结果，构建患者-疾病二维表；

S3013、根据患者-疾病二维表，利用相对危险度RR值衡量疾病对之间的风险，并将其作为网络边的权重RR_ij；

S3014、计算RR_ij置信下区间，并对于所有疾病对的RR_ij与对应的置信区间，保留RR_ij1且置信下区间1的网络边；

S3015、根据保留的网络边，生成疾病共现网络。

5.根据权利要求1所述的基于图神经网络的患者住院时长早期预测方法，其特征在于，所述步骤S4包括以下步骤：

S401、根据患者住院时的疾病，生成利用邻接矩阵A表示的患者-疾病二部图，其中行代表患者，列代表疾病；

S402、对患者-疾病二部图进行压缩，并计算患者间的疾病共现次数，从而构建患者相似性网络，其中，患者相似性网络中患者i和患者j的边的权重e_ij的表达式如下：

e_ij＝A_i’:*A_j’:

其中，A_i,:表示邻接矩阵A的第i行，即第i个患者的疾病表征向量，A_j,:表示邻接矩阵A的第j行，即第j个患者的疾病表征向量，*表示运算符，为向量的点积。