[发明专利]在实体之间学习和应用背景相似性

说明书

本文公开的技术涉及学习和应用背景患者相似性。可以提供(602)多个模板相似性函数(118)。每个模板相似性函数可以将查询实体特征向量的相应的特征子集与候选实体特征向量的对应的特征子集进行比较。可以提供(604)复合相似性函数(120)作为所述模板相似性函数的相应输出的加权组合。可以提供(606)多个标记的实体向量作为背景训练数据。可以应用(608)逼近函数以针对每个相应标记的实体向量来逼近第一背景标记。可以通过以下操作，基于所述复合相似性函数来训练(610)第一背景特异性复合相似性函数：基于所述逼近函数针对所述第一背景训练数据的所述应用的输出，使用第一损失函数来学习针对所述多个模板相似性函数的第一背景权重。

相关申请的交叉引用

本申请要求于2017年4月20日提交的美国临时申请US 62/487720的优先权和权益，通过引用将其全部内容并入本文。

技术领域

本文描述的各种实施例总体上针对实体数据分析。更具体地，但非排他性地，本文公开的各种方法和装置涉及用于学习和应用实体背景相似性的技术。

背景技术

已经开发了各种临床决策支持(“CDS”)算法来提供针对近期和/或长期患者恶化的风险评分。这些技术有助于更好地识别高危患者并给出恰当规划介入过程的临床时间。有时，这种治疗决策步骤由临床指南来确定。然而，指南不是个性化的且无法考虑所有可能的情况。相反，常常需要临床医生来做出决策并且他/她必须依赖于过去的经验。

发明内容

本公开内容针对用于学习和应用实体背景相似性的技术。例如，在各种实施例中，本文所述的技术可以由正在处置特定患者实体的临床医生(例如，医师、护士)、护理人员等使用以识别相似的其他患者，特别是在特定医学背景中相似的其他患者。通过识别其他背景相似的患者，临床医生能够了解哪种处置是有效的或无效的，哪种处置倾向于产生特定的结果等。本文描述了各种现场即时治疗决策支持工具(例如，由(一个或多个)处理器运行的软件)，这些工具为临床医生提供了关于正在接受处置的患者(在本文中也被称为“查询患者”)的各种信息，包括与各种医学背景中的查询患者相似的其他患者(例如，共特征群体)。

在各种实施例中，可以采用诸如人工智能(例如，深度学习、机器学习、内核分类、多内核学习等)和/或统计技术的技术来促进对背景相似患者的识别。例如，在一些实施例中，可以生成多个(或“池”)“模板相似性函数”。模板相似性函数池中的每个模板相似性函数可以将与查询患者相关联的特征向量的某个子集和与一个或多个其他患者(在本文中将被称为“候选患者”)相关联的(一个或多个)特征向量的对应子集进行比较。诸如患者之类的实体可以具有随时间变化的状态。因此，诸如查询患者特征向量之类的实体特征向量可以被视为在特定时刻或时间窗口期间实体状态的“快照”。例如，随着时间的流逝并且随着患者经历更多的检验、处置、测量等，患者的特征向量也可以类似地随时间变化。

在一些实施例中，可以设计或“调谐”每个模板相似性函数以确定两个患者在与患者相关联的特征向量的给定特征子集方面有多相似。因此，每个模板相似性函数的形状可以由与正被比较的特征子集相关联的群体统计量(例如，分布)来指导。这些群体统计量可以例如从回顾性患者数据库中导出。在一些实施例中，可以调谐模板相似性函数中的一个或多个，以突出显示或放大具有共同异常值的患者之间的相似性，该异常值例如为落到特定特征的分布的“尾部”的离群值。总体而言，模板相似性函数池可以提供两个患者之间的多样化的相似性观点。

在一些实施例中，可以将来自模板相似性函数池的输出提供为针对在本文中被称为“复合相似性函数”的输入(例如在其上进行应用)。在一些实施例中，复合相似性函数可以基于模板相似性函数池的输出来计算查询患者与候选患者的“复合相似性得分”。在各种实施例中，复合相似性函数可以采取机器学习模型、深度学习模型、统计模型等的形式。在一些实施例中，复合相似性函数可以计算模板相似性函数池的输出的凸组合。