[发明专利]一种融合多元异构数据的心衰患者再入院预测方法

说明书

本发明提供了一种融合多元异构数据的心衰患者再入院预测方法；对电子健康记录中的结构化信息、临床出院记录进行预处理，提取患者的所有入院记录数据；静态信息、时序数据和临床记录分别通过one‑hot编码、Doc2Vec和TransformerEncoder模块生成患者的多模特征，再将其传递到最大池化层后进行拼接；基于余弦相似度计算患者之间的相似性，构建患者网络图，再将经过线性变换后的患者节点特征与边的隐藏特征输入到GIN层中，聚合邻域的时空特征生成患者的最终特征；将提取到的患者特征信息送入分类模型中进行训练，保存模型，并对患者再入院进行预测。本发明有效的提取了患者异构数据的特征信息，在进行30天内再入院预测时准确率更高，有效降低心力衰竭患者的发病率和死亡率。

技术领域

本发明涉及医学人工智能处理技术领域，具体涉及一种融合多元异构数据的心衰患者再入院预测方法。

背景技术

心力衰竭是一种流行性疾病，全球患病人数约为3770万，虽然心力衰竭死亡率在近年有明显降低，但仍然是再入院全因分析中最常见的疾病，相关研究表明，其30天内再入院率为25％。而且高再入院率会造成医院资源紧缺以及患者经济负担。因此，根据患者的实际情况进行精准预测，以判断其是否需要再次入院，可以极大的缓解医疗资源紧缺状况。

近年来，医疗数据挖掘在深度学习迅速发展的背景下，已经取得了极大进展，临床决策辅助和个性化诊疗也成为了研究人员最感兴趣的研究方向，最近研究方法主要分为两类，分别是基于EHR时序数据预测方法和基于图神经网络预测方法。但是这两类方法均存在一定的缺陷。例如基于EHR时序数据预测方法往往仅使用单一的时序数据，忽略了挖掘患者多模异质信息对预测结果的影响。而基于图神经网络预测方法大多都使用简单的图神经网络方法，仅仅考虑不同数据之间的逻辑关系，对图节点的空间结构没有引起足够关注。

发明内容

本发明的目的在于，提出一种融合异构医疗记录以预测心衰患者30天再入院的模型，其提高了预测结果的准确性，能更好的辅助医生进行临床诊断决策。

为实现上述目的，本申请的技术方案为：一种融合多元异构数据的心衰患者再入院预测方法，包括：

步骤1：对电子健康记录中的结构化信息、临床出院记录进行预处理，提取患者历次入院就诊记录；

步骤2：将静态信息、时序数据和临床出院记录分别通过one-hot编码、Doc2Vec模块和TransformerEncoder模块生成患者的多模特征，将其传递到最大池化层后进行拼接；

步骤3：基于余弦相似度获取患者之间的相似性，构建患者网络图，再将经过线性变换后的患者节点特征与边的隐藏特征输入到图同构网络GIN中，聚合邻域的时空特征生成患者特征信息；

步骤4：将提取到的患者特征信息送入分类模型中进行训练，保存模型，并对患者再入院进行预测；

步骤5：加载所述模型，输入待预测的患者住院信息，对患者再入院情况进行预测并输出预测结果。

进一步地，步骤1具体包括：

步骤1.1：对电子健康记录中的生理检测指标、人口基本信息、入院就诊的出院记录进行筛选，删除关键指标不全的患者数据；

步骤1.2：将处理好的数据，根据《国际疾病分类》ICD-9编码398.91，402.01，402.11，402.91，425.x，428.x，428.xx筛选出心力衰竭患者；

步骤1.3：将筛选出的30天内再次入院患者标记为1，反之，标记为0；

步骤1.4：标记后的数据集按照训练集：验证集：测试集为8：1：1的比例划分。

进一步地，步骤2利用三个编码器分别对患者的历次入院就诊记录进行嵌入表示，具体包括：