[发明专利]精神分裂症病情稳定性预测模型及其构建方法

说明书

本发明涉及预测模型技术领域，具体地说，涉及精神分裂症病情稳定性预测模型及其构建方法。其步骤为：剔除原始数据中的死亡信息和非精神障碍患者资料信息以及无效数据信息；将诊断为精神分裂症的患者信息和相关因素的预处理后原始数据作为二维数据矩阵；将语料库通过词袋模型和跳跃模型进行词预测监督学习；将二维数据矩阵和词嵌入矩阵相乘；通过特征提取层对词嵌入向量进行特征提取；将数据特征通过全连接神经网络判别层以输出预测结果。该预测模型对于精神分裂症患者病情稳定性的确定，比起现有技术更省时、省力、简单、快捷；且可以不需要精神科执业医师，仅仅由基层卫生技术人员将患者相关信息输入模型，即可分析得出患者的病情是否稳定。

技术领域

本发明涉及技术领域，具体地说，涉及精神分裂症病情稳定性预测模型及其构建方法。

背景技术

对于精神分裂症患者病情稳定性的确定，现有技术必需由执业精神科医师仔细检查患者的精神状况(大约40-50分钟)，包括感觉、知觉、思维、情感和意志行为、自知力等，询问患者家属，得知患者的社会功能状况、服药情况等，并根据患者的精神症状是否消失、自知力是否完全恢复，工作、社会功能是否恢复，以及患者是否存在药物不良反应，对照国家《重性精神疾病管理治疗工作规范(2012年版)》的相关规定，才能将患者分为病情稳定、基本稳定和不稳定三大类。且由于全国范围内精神科执业医师人数严重不足，很难完成国家“严重精神障碍管理治疗项目”中庞大的分裂症患者群体的病情稳定性评估。

发明内容

本发明的目的在于提供精神分裂症病情稳定性预测模型及其构建方法，以解决上述背景技术中提出的问题。

为实现上述目的，一方面，本发明提供精神分裂症病情稳定性预测模型，包括输入模块、词嵌入矩阵层模块、特征提取层模块、判别层模块和输出模块，输入模块用于输入被诊断为精神分裂症的患者信息和相关因素，词嵌入矩阵层模块用于通过词袋模型和跳跃模型进行词预测监督学习，以形成词嵌入矩阵，特征提取层模块用于将自注意力神经网络和卷积神经网络多层叠加，作为特征提取层，判别层模块用于通过特征提取层对词嵌入向量进行特征提取，获取数据特征，输入模块用于数据特征通过全连接神经网络判别层以输出预测结果。

另一方面，本发明还提供一种精神分裂症病情稳定性预测模型的构建方法，包括上述的精神分裂症病情稳定性预测模型，其方法步骤如下：

S1、原始数据预处理，剔除原始数据中的死亡信息和非精神障碍患者资料信息以及无效数据信息；

S2、建立语料库，将诊断为精神分裂症的患者信息和相关因素的预处理后原始数据作为二维数据矩阵，将二维数据矩阵作为语料库；

S3、形成词嵌入矩阵，将语料库通过词袋模型和跳跃模型进行词预测监督学习，形成词嵌入矩阵；

S4、获取词嵌入向量，将二维数据矩阵和词嵌入矩阵相乘，得到词嵌入向量；

S5、建立特征提取层，将自注意力神经网络和卷积神经网络多层叠加，作为特征提取层；

S6、获取数据特征，通过特征提取层对词嵌入向量进行特征提取，获取数据特征；

S7、输出预测结果，将数据特征通过全连接神经网络判别层以输出预测结果，即病情是否稳定概率。

作为优选，S1原始数据预处理中，原始数据选取国家严重精神障碍信息系统的累计资料信息数据。

作为优选，S2建立语料库中，诊断为精神分裂症的患者信息和相关因素包括有年龄、性别、受教育程度、两系三代精神疾病家族史、经济状况、是否已进行抗精神病药物治疗、首次发病至得到治疗时间差、既往住院次数、是否服药规律、有无自知力。

作为优选，S3形成词嵌入矩阵中，词袋模型用于对块数据进行聚类，采用传统欧式距离公式计算块数据之间的距离，进而完成块数据的聚类分析，词袋模型算法的主要过程如下：