[发明专利]基于深度学习的儿科互联网+门诊爽约预测方法及设备

权利要求书

1.一种基于深度学习的儿科互联网+门诊爽约预测方法，其特征在于，包括：

接收门诊预约请求，根据所述门诊预约请求确定门诊诊疗特征值信息；所述特征值至少包括：患儿社会人口学特征、临床预约特征、预约时间特征和时间依赖性特征；

将所述门诊诊疗特征值信息输入预先训练的深度网络学习模型，得到爽约预测结果；

其中，所述时间依赖性特征包括以下特征中的至少一种：

既往线上/下爽约率、既往线上/下预约提前取消时间、既往线上/下门诊迟到率、上一次预约就诊的线上/下爽约情况、上一次预约提前取消时间和上一次线上/下门诊迟到情况。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过多个数据来源获取样本数据；

将所述样本数据按照来源划分为训练数据集、内部验证数据集和外部验证数据集；

对所述训练数据集进行特征值提取，提取的特征值至少包括：患儿社会人口学特征、临床预约特征、预约时间特征、时间依赖性特征和爽约情况；

将所有特征值中的分类型变量进行one-hot处理，连续型变量进行标准化处理；

将所述训练数据集划分为多等份，轮流将其中1份作为测试数据，其余份作为训练数据，根据所述训练数据训练所述深度网络学习模型，并根据所述测试数据得到模型评估结果。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据每次训练得到的模型评估结果的平均值确定所述深度网络学习模型的精度。

4.根据权利要求2所述的方法，其特征在于，通过多个数据来源获取样本数据后，所述方法还包括：

对所述样本数据进行缺失值处理；所述缺失值处理的方法为以下方法中的至少一种：自动缺失数据处理法、非自动缺失数据处理法和格外标注策略。

5.根据权利要求4所述的方法，其特征在于，所述自动缺失数据处理法包括：对缺失数据不进行处理与填充，通过所述深度网络学习模型自动化处理缺失数据；

所述非自动缺失数据处理法包括：丢弃策略、均值插补策略、向前/向后插补策略、回归插补策略和链式方程多重插补策略；

其中，所述丢弃策略包括：删除缺失数据，根据是否存在缺失值，将训练数据集和验证数据集划分为包含缺失数据和不包含缺失数据两类；所述验证数据集包括所述内部验证数据集和所述外部验证数据集；

根据所述丢弃策略进行训练和测试的形式包括：

在包含缺失数据的训练数据集进行训练，并在包含缺失数据的测试数据集进行测试；

在包含缺失数据的训练数据集进行训练，并在不包含缺失数据的测试数据集进行测试；

在不包含缺失数据的训练数据集进行训练，并在包含缺失数据的测试数据集进行测试；

在不包含缺失数据的训练数据集进行训练，并在不包含缺失数据的测试数据集进行测试；

所述均值插补策略包括：用变量的平均值或众数填充缺失数据；

所述向前/向后插补策略包括：采用患儿相邻日期的门诊数据进行补漏处理；

所述回归插补策略包括：基于样本数据建立回归方程，对于缺失值的对象，将其已知的变量值代入回归方程求解缺失值；

所述链式方程多重插补包括：假设所有缺失数据均为随机丢失，缺失数据的性质与非缺失数据有关，通过运行多个回归模型，并根据非缺失数据，对每个缺失数据的缺失值进行条件建模插补；

所述格外标注策略包括：在样本数据中添加一个变量，用于指示样本数据的值是否缺失。

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在预设环境中构建所述深度网络学习模型，确定所述深度网络学习模型的后端、损失函数和梯度下降法；

所述深度网络学习模型包括至少4个隐藏层和1个输出层；所述隐藏层和所述输出层的激活函数不同；

所述深度网络学习模型基于预设迭代次数进行训练，且设定早停。