[发明专利]一种基于异构图神经网络的ICU心衰预测系统

说明书

本发明公开了一种基于异构图神经网络的ICU心衰预测系统，包括计算机存储器和计算机处理器，计算机存储器中存有心衰预测模型；心衰预测模型包括两层时间感知门控图注意力神经网络、一个环境Transformer层以及两层全连接层；计算机处理器执行计算机程序时实现以下步骤：提取心衰相关病人在住院第一次进入ICU后前48小时的实验检测、输液、处方药数据，构成EHR数据；通过提取得到的EHR数据构建时间感知EHR异构图，输入训练好的心衰预测模型得到预测的输出概率，该输出概率的结果用于医生评估当前的治疗方案。利用本发明，可以解决实际应用中通过心衰相关病人第一次进入ICU前48小时数据预测本次住院期间是否会死亡不够准确的问题，从而指导医生的后续治疗方案。

技术领域

本发明属于医疗数据处理技术领域，尤其是涉及一种基于异构图神经网络的ICU心衰预测系统。

背景技术

以往患者前往医院接受医生的诊断和质量往往通过纸质记录的方式对过程进行记录。然而通过这种方式的记录，不仅复诊的医生和患者无法方便地查看过去的诊断和检查记录，想要进行临床研究的医生也往往苦于无法获取这些复杂而又混乱的医疗记录。随着大数据时代的来临，各行各业逐渐开始用电子数据的方式记录行业中日常产生的各种数据，临床医疗领域也逐渐开始使用电子健康记录(Electronic Health Record，EHR)的方式对临床医疗数据进行记录、统一整理和存储。

EHR数据是通过电子数据采集的个人健康信息和医疗事件的记录，通过大数据的方式加以整理保存。它往往涵盖了病人长时间内的人口管理信息、诊断信息、实验检测和生化检测等检测记录、收费记录、手术记录和输液记录等治疗记录以及非结构化的医嘱信息和图像信息。随着EHR体系在各个医院的建立，越来越多的临床数据被采集和整理，不仅使得患者和复诊医生能更方便地查看过去的记录，也使得临床医生获得了大量真实且整洁的数据进行临床研究，促进了医学的发展。其中，在其他领域中大放光彩的机器学习和深度学习算法也被引入到了临床医学中，通过机器快速且不会疲劳的大量计算代替人工进行医学规律的发现，辅助医生诊断、预后和治疗。然而，因为EHR数据本身具有的特性以及医疗领域的关键性，传统的机器学习与深度学习方法面临着许多困难，针对临床EHR数据的人工智能算法尚待深入研究。

EHR数据首先由于其作为时序数据，每个医疗变量也都会随着时间的变化而变化，因此每个时间点采集得到的数据与其前后的时间点的数据有着关联关系。此外，不同于采用固定频率采集的心电时序数据或体检数据，EHR数据可能会有不规则的时间间隔，导致传统的时序模型很难进行学习。其次，每个时间点中EHR数据含有的大量医疗变量间常常会有复杂的内在关系，例如几种药物的同时使用会相互影响而产生与单种药物使用的不同效果，同一种疾病也可能会产生多种不同的并发症，并影响患者的多项检测结果。不仅如此，每个时间点中出现的医疗变量数据种类也可能因为医生的选择或其他客观原因，导致部分数据可能会在一些时间点出现删失。

由于ICU EHR数据包括一段时间内各个时间点病人的各种信息，这些信息往往会随着时间的变化呈一定趋势的变化，而这些趋势的变化往往暗示着病人病情的发展状况。不同于其他的EHR数据，ICU中EHR数据的时间间隔和检查频率往往与病人病情发展情况有关，例如该时间点病人病情好转，其主治医生选择的检查的频次可能更为稀疏，而另一时间点病人病情转危，主治医生的访视的频率也会相应地提高。因此，ICU中EHR数据往往会出现不规则的时间间隔。T-LSTM与Data-GRU通过将各个时间点间的时间间隔输入时间衰退函数计算衰退因子。在长短记忆网络(Long Short Term Memory，LSTM)与门控循环单元(GatedRecurrent Unit，GRU)中，通过衰退因子对上一个时间步的记忆进行衰退，作为候选记忆进行后续的计算，有效地处理了非规则间隔的时间序列数据。HiTANet学习了Transformer的思想，将带有时序编码的数据通过标准Transformer模型计算的局部权重，通过计算每个时间点与最后一个时间点的时间间隔，来计算Transformer中的K矩阵，和患者的全局表征计算得到的Q矩阵结合得到全局权重，并与得到的特征相乘，从而对非规则的时间间隔进行建模。