[发明专利]基于因果推断的分群模型构建方法和医疗数据处理方法

说明书

本发明涉及人工智能及数字医疗技术领域，提供一种基于因果推断的分群模型构建方法，包括将多个样本患者的多个样本数据输入待训练模型中，通过待训练模型输出每个样本患者对于其对应的样本患者分群结果数据的倾向性分值以及每个样本患者对应的多个样本预期累计奖励值；从多个样本预期累计奖励值中，确定每个样本患者的目标样本预期累计奖励值；基于预设的损失函数、每个样本患者的倾向性分值以及对应的目标样本预期累计奖励值，调整待训练模型中的模型参数，以得到分群模型。本发明通过待训练模型结合因果推断分析对多个样本数据进行训练，消除对于患者分群结果数据的选择偏差，使得模型拟合得更加合理，训练后的模型应用准确率更高。

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种基于因果推断的分群模型构建方法和医疗数据处理方法。

背景技术

在医疗领域，患者分群对疾病诊断、疾病预测、用药治疗等方面有重要意义。目前，通常采用深度强化学习模型对患者群体进行划分。深度强化学习模型多是利用多层神经网络捕捉特征之间的相关性依赖以估计“收益”。

然而，在实际医疗领域应用场景中，患者的实际分群决策与某些特征存在高相关性。医生会根据诊断指南或临床经验，对患者有针对地选择分群决策。这种采取决策的分布偏倚会影响深度强化学习模型的学习。现有的深度强化学习模型的学习和训练过程由于样本数据中存在决策的分布偏移，导致基于深度强化学习模型训练完成的分群模型在进行患者分群决策时存在准确性低、不合理等问题。

发明内容

有鉴于此，本发明实施例提供了一种基于因果推断的分群模型构建方法、系统、计算机设备、计算机可读存储介质及医疗数据处理方法，用于解决现有的深度强化学习模型的学习和训练过程由于样本数据中存在决策的分布偏移，导致基于深度强化学习模型训练完成的分群模型在进行患者分群决策时存在准确性低、不合理的问题。

本发明实施例是通过下述技术方案来解决上述技术问题：

本发明的一个方面提供了一种基于因果推断的分群模型构建方法，包括：

获取多个样本患者的多个样本数据，每个样本患者的多个样本数据包括多个基本数据、多个患者历史随访数据和样本患者分群结果数据；

将所述多个样本患者的多个样本数据输入待训练模型中，通过所述待训练模型输出每个样本患者对于其对应的样本患者分群结果数据的倾向性分值，以及通过所述待训练模型输出每个样本患者对应所述待训练模型中的每个模型患者分群结果数据的样本预期累计奖励值，其中，所述倾向性分值表示样本患者对应于样本患者分群结果数据的概率；

从每个所述样本患者的样本预期累计奖励值中，确定每个样本患者对应的目标样本预期累计奖励值；及

基于预设的损失函数、每个样本患者的倾向性分值以及对应的目标样本预期累计奖励值，调整所述待训练模型中的模型参数，以优化得到分群模型。

可选地，所述预设的损失函数包括第一损失函数、第二损失函数和第三损失函数；

所述基于预设的损失函数、每个样本患者的倾向性分值以及对应的目标样本预期累计奖励值，调整所述待训练模型中的模型参数，以优化得到分群模型，包括：

基于所述第一损失函数和所述每个样本患者对应的目标样本预期累计奖励值，计算得到回归损失值；

基于所述第二损失函数和所述每个样本患者的倾向性分值，计算得到倾向性分值对应的第一损失值；

基于所述第三损失函数和所述每个样本患者对应的目标样本预期累计奖励值，计算得到目标样本预期累计奖励值对应的第二损失值；

对所述回归损失值、所述第一损失值和所述第二损失值求和以得到损失值；

根据所述损失值对所述待训练模型中的所述模型参数进行修改，以得到修改后的待训练模型；及