[发明专利]事件预测模型的构建方法、事件预测模型及应用

权利要求书

1.一种事件预测模型的构建方法，其特征在于，包括：

获取预定区域内历史目标事件发生前各选定时间节点的预测因子数据；

按各选定时间节点对所获取的预测因子数据进行分类，分别建立各选定时间节点下的预测因子数据库；

利用所述各选定时间节点下的预测因子数据库分别训练多个选定的人工智能模型；

根据各选定时间节点下预测效果评分最高的人工智能模型，构建目标事件的预测模型。

2.根据权利要求1所述的事件预测模型的构建方法，其特征在于，所述方法还包括：

对所述预测模型进行内部验证和外部验证；

其中，所述外部验证包括时段验证和空间验证。

3.根据权利要求2所述的事件预测模型的构建方法，其特征在于，所述时段验证具体包括：

在所述预测模型构建过程中持续获取所述目标事件的各选定时间节点的预测因子数据；

在所述预测模型构建完成后，利用新获取的预测因子数据对所述预测模型进行验证。

4.根据权利要求1所述的事件预测模型的构建方法，其特征在于，所述方法还包括：

获取预定区域之外其他区域内的历史目标事件发生前各选定时间节点的预测因子数据，以建立迁移学习数据库对所述预测模型进行迁移训练。

5.根据权利要求4所述的事件预测模型的构建方法，其特征在于，所述方法还包括：

持续获取所述预定区域内目标事件发生前所述各选定时间节点的预测因子数据，实时更新到所述各选定时间节点下的预测因子数据库中，对所述预测模型进行增量训练。

6.根据权利要求1所述的事件预测模型的构建方法，其特征在于，所述多个选定的人工智能模型包括：分类树模型、回归树模型、随机森林模型、极限梯度提升模型、人工神经网络模型和支持向量机模型中的至少三个。

7.根据权利要求1所述的事件预测模型的构建方法，其特征在于，利用所述各选定时间节点下的预测因子数据库训练多个选定的人工智能模型，具体包括：

分别以所述各选定时间节点下的预测因子数据库为样本集，从各所述样本集中有放回随机抽样形成训练集，训练所述多个选定的人工智能模型，用以预测所述目标事件的发生概率。

8.根据权利要求1所述的事件预测模型的构建方法，其特征在于，所述预测效果评分根据ROC曲线、AUC和Brier分数来判定。

9.一种事件预测模型的构建方法，其特征在于，包括：

获取预定区域内院内心搏骤停患者发生院内心搏骤停前的诊疗数据；

按照标准数据模板对所获取的诊疗数据进行筛选，得到各选定时间节点的院内心搏骤预测因子数据；

按各选定时间节点对所得到的院内心搏骤预测因子数据进行分类，分别建立各选定时间节点下的院内心搏骤停预测因子数据库；

利用所述各选定时间节点下的院内心搏骤停预测因子数据库分别训练多个选定的人工智能模型；

根据各选定时间节点下预测效果评分最高人工智能模型，构建院内心搏骤停事件的预测模型。

10.根据权利要求9所述的事件预测模型的构建方法，其特征在于，所述院内心搏骤停事件的预测模型的验证方法包括内部验证和外部验证，所述外部验证包括时段验证和空间验证。

11.根据权利要求10所述的事件预测模型的构建方法，其特征在于，所述空间验证具体包括：使用麻省理工公共临床数据库对所述初步预测模型进行验证。

12.根据权利要求9所述的事件预测模型的构建方法，其特征在于，所述院内心搏骤预测因子数据至少包括心率、呼吸频率、年龄、血肌酐、收缩压、舒张压和氧合指数。

13.一种院内心搏骤停预测模型，其特征在于，由权利要求9～12中任一项所述的方法构建形成。