[发明专利]基于多维数据的死亡率实时预测方法、系统及电子设备

说明书

本发明属于死亡率预测技术领域，公开了基于多维数据的死亡率实时预测方法、系统及电子设备。所述方法包括：获取若干类时序变量及非时序变量；基于第一随机森林模型获取目标时序变量及目标非时序变量；获取与目标时序变量相应的各时序历史数据及第一标签作为时序训练样本，与目标非时序变量相应的非时序历史数据及第二标签作为非时序训练样本；基于时序训练样本训练得到目标注意力LSTM模型，并基于非时序训练样本迭代训练得到目标第二随机森林模型；基于目标注意力LSTM模型及目标第二随机森林模型得到自当前时刻后目标时段内的实时死亡率。本发明基于多维数据，结合注意力LSTM和随机森林算法进行死亡率实时预测，提高了预测准确性。

技术领域

本发明涉及死亡率预测技术领域，具体涉及基于多维数据的死亡率实时预测方法、系统及电子设备。

背景技术

死亡率预测是ICU临床实践中的重要课题。目前，死亡率预测手段分为两种，一种为基于医学专家经验及回归分析的传统生物统计预测方法，另一种为基于人工智能的预测方法。

其中，由于所述传统生物统计预测方法需要人工定义风险因素，且建立在线性模型的基础上，因此预测结果的主观性高且准确度低。因此开始有些研究通过人工智能来预测死亡率。但现有的基于人工智能的预测方法在实际使用时仍具有以下缺陷：

首先，现有的基于人工智能的预测方法多进行ICU患者的死亡率固定预测，即只基于患者进入ICU后一段时间内(一般为24小时或48小时)的监测数据进行一次死亡率预测。但对于患者而言，其生命特征是处于实时变化的，而该类固定预测的死亡率往往与患者的实际情况存在较大的误差。其次，现有的基于人工智能的预测方法多倾向于采用ICU设备获取的呼吸频率、心率等时序数据，而忽略了与生命状态密切相关的非时序数据；也导致预测的固定死亡率存在较大的误差。再者，虽然也有部分基于人工智能的预测方法同时采用了时序数据和非时序数据进行死亡率预测，但未考虑采用的人工智能模型对数据类型的敏感性，如部分神经网络模型无法同时适用于时序数据和非时序数据，进而导致同时考虑时序数据和非时序数据得到的死亡率固定预测结果却低于仅考虑时序数据得到的死亡率固定预测结果。

发明内容

本发明目的在于提供基于多维数据的死亡率实时预测方法、系统及电子设备，以改善当前基于人工智能的预测方法进行ICU死亡率预测时仍存在的预测准确率低的技术问题。

为达成上述目的，本发明提出如下技术方案：

基于多维数据的死亡率实时预测方法，包括：

获取若干类时序变量及非时序变量；

输入所述所有类型的时序变量及非时序变量相应的变量数据至第一随机森林模型以获取每类所述时序变量及非时序变量的重要度；并以重要度大于预设阈值的各类所述时序变量及各类所述非时序变量分别作为目标时序变量及目标非时序变量；

获取若干感兴趣的时间点前溯预设时段内的与各类所述目标时序变量相应的各时序历史数据，及由该感兴趣时间点后溯预设时段的患者类型确定的各所述时序历史数据的第一标签作为时序训练样本；并获取若干感兴趣的时间点前溯预设时段内的与各类所述目标非时序变量相应的各非时序历史数据，及由该感兴趣时间点后溯预设时段的患者类型确定的各所述非时序历史数据的第二标签作为非时序训练样本；其中，与未死亡患者相应的第一标签及第二标签均为0，与死亡患者相应的第一标签及第二标签均为1；

以各类目标时序变量的重要度作为权重对每一所述时序训练样本中的各时序历史数据进行加权处理，并基于各加权处理结果对注意力LSTM模型进行迭代训练以获取目标注意力LSTM模型；基于所述非时序训练样本进行第二随机森林模型的迭代训练以获取目标第二随机森林模型；