[发明专利]疾病预后风险预测模型训练方法、装置及电子设备

说明书

本申请提供了一种疾病预后风险预测模型训练方法、装置、电子设备及计算机可读存储介质；方法包括：基于患者的健康档案构建训练集；基于训练集中各样本的特征为粒度对基于树的模型进行训练；根据所述基于树的模型的路径确定风险规则，每个所述风险规则包括至少两个维度的特征；基于所述风险规则和所述训练集中各样本的特征，对疾病预后风险预测模型进行训练。通过本申请，能够提高疾病预后风险预测的准确度。

技术领域

本申请涉及人工智能技术和大数据技术，尤其涉及一种疾病预后风险预测模型训练方法、装置、电子设备及计算机可读存储介质。

背景技术

疾病预后是对某种疾病的了解，除了先了解其临床表现、化验及影像学、病因、病理、病情规律等方面之外，重要的是根据治疗时机和方法结合治疗操作中所发现的新情况，对疾病的近期和远期疗效、转归恢复或进展程度的评估。疾病预后与患者的治疗时机、疾病的发生程度、医学水平、合并的疾病、医生的个人能力、体质、年龄、患者是否正视疾病或对疾病的认知能力、是否继续治疗等诸多因素有关。确定疾病预后风险是医学领域的一项重要工作，然而现有技术中对于疾病预后风险的评估通常是根据独立的因素判断，并为考虑各因素之间的非线性关联。

以心脏疾病为例，心脏疾病的一种严重表现或晚期表现时心力衰竭。心力衰竭是一种临床综合症，其特征是肺循环或体循环中的血液淤血、器官和组织的血液灌注不足。心力衰竭由于具有高死亡率和再入院率的特点，因此，心力衰竭的预后的风险评估显得尤为重要。

在相关技术提供的方案中，提出基于西雅图高频模型心力衰竭患者的死亡率，利用有效新增治疗的增强反馈(EFFECT)的模型来预测心力衰竭的死亡率，利用分类和回归树模型来预测记性失代偿性心力衰竭的院内死亡率和风险分层。

在相关技术提供的方案中，提出基于时序模式挖掘的医学知识挖掘管道，用于早期检测充血性心力衰竭，或者通过精制的临床知识模型(Refined-Clinical KnowledgeModel，R-CKM)挖掘医学知识。

然而，上述相关技术提供的方案中，均未能基于特征之间的非线性关系进行建模，也仅仅是基于诊断维度进行医学知识挖掘，或挖掘医学知识的准确度不高。

发明内容

本申请实施例提供一种疾病预后风险预测模型训练方法、装置、电子设备及计算机可读存储介质，能够基于特征之间的非线性关系进行疾病预后风险预测模型的训练，提高挖掘医学知识的准确度。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种疾病预后风险预测模型训练方法，包括：

基于患者的健康档案构建训练集；

基于训练集中各样本的特征为粒度对基于树的模型进行训练；

根据所述基于树的模型的路径确定风险规则，每个所述风险规则包括至少两个维度的特征；

基于所述风险规则和所述训练集中各样本的特征，对疾病预后风险预测模型进行训练。

在一些实施例中，所述对疾病预后风险预测模型进行训练之后，所述方法还包括：

基于医学参数对每个所述风险规则进行医学知识挖掘，得到特征与疾病预后风险的关系。

在一些实施例中，所述基于医学参数对每个所述风险规则进行医学知识挖掘，得到特征与疾病预后风险的关系包括：

确定所述医学参数包括的患者第一预设时间内的死亡比例、医疗有效性、风险规则的重要性和风险规则的系数满足第一条件，则所述医学参数对应的风险规则包括的特征对应的疾病预后风险为高风险。所述第一条件包括：

患者第一预设时间内的死亡比例大于第一阈值、确定医疗有效性小于第二阈值、风险规则的重要性大于第三阈值、且风险规则的系数大于第四阈值。