[发明专利]患病持续时长预测方法、装置、计算机设备及存储介质

权利要求书

1.一种患病持续时长预测方法，其特征在于，包括下述步骤：

获取用户的个人信息，根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息；

获取所述用户的历史就诊信息，其中，所述历史就诊信息包括检验检查名称、检验检查取值和就诊次序，基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息；

对所述第一编码信息和所述第二编码信息进行拼接，得到目标向量；

输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长。

2.根据权利要求1所述的患病持续时长预测方法，其特征在于，所述基于双向编码器网络分别对所述检验检查名称、所述检验检查取值和所述就诊次序进行编码得到所述用户的第二编码信息的步骤包括：

对所述检验检查名称按照所述就诊次序从低到高进行编码，得到第一特征向量；

对所述检验检查取值按照所述就诊次序从低到高进行编码，得到第二特征向量；

对所述就诊次序进行编码，得到第三特征向量；

根据所述双向编码器网络对所述第一特征向量、所述第二特征向量和所述第三特征向量进行编码转换，得到所述用户的第二编码信息。

3.根据权利要求2所述的患病持续时长预测方法，其特征在于，所述根据所述双向编码器网络对所述第一特征向量、所述第二特征向量和所述第三特征向量进行编码转换，得到所述用户的第二编码信息的步骤包括：

对所述第一特征向量、所述第二特征向量和所述第三特征向量进行求和，计算得到总编码信息；

基于所述双向编码器网络对所述总编码信息进行编码转换，得到所述用户的第二编码信息。

4.根据权利要求3所述的患病持续时长预测方法，其特征在于，所述基于所述双向编码器网络对所述总编码信息进行编码转换，得到所述用户的第二编码信息的步骤包括：

基于所述双向编码器网络对所述总编码信息进行位置编码、嵌入编码和分割编码，得到特征向量，选取所述特征向量的第一个向量作为所述用户的第二编码信息。

5.根据权利要求1所述的患病持续时长预测方法，其特征在于，所述根据预设的深度学习网络对所述个人信息进行编码，得到所述用户的第一编码信息的步骤包括：

获取所述个人信息的高维稀疏向量；

将所述高维稀疏向量输入至所述深度学习网络中，选取根据所述深度学习网络中计算得到的最低维度的密实向量作为所述用户的第一编码信息。

6.根据权利要求1所述的患病持续时长预测方法，其特征在于，在所述输入所述目标向量至预设的预测模型，根据所述预测模型的全连接层对所述目标向量进行计算，得到所述用户的预测时长向量，根据所述预测模型的激活层对所述预测时长向量进行计算，得到所述用户的预测持续时长的步骤之前还包括：

构建基础预测模型，并采集多组用户的历史检验数据和真实时长数据作为所述基础编码器网络的训练数据和验证数据；

根据所述训练数据对所述基础预测模型的参数进行调整，在调整后的所述基础预测模型对所述验证数据的验证通过率大于等于预设阈值时，确定调整后的所述基础预测模型为所述预设的预测模型。

7.根据权利要求6所述的患病持续时长预测方法，其特征在于，所述根据所述训练数据对所述基础预测模型的参数进行调整的步骤包括：

输入所述训练数据中的历史检验数据至所述基础预测模型通过所述基础预测模型对所述历史检验数据的输出结果进行预测，得到预测结果；

根据所述预测结果和所述真实时长数据的计算损失函数，根据所述损失函数对所述基础预测模型的参数进行调整。