[发明专利]再入院预测模型训练方法、再入院预测方法、装置及设备

权利要求书

1.一种再入院预测模型训练方法，其特征在于，所述方法包括：

获取历史心衰患者的临床数据；

基于所述临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集；

基于所述第一训练集，构建因果网络模型，对所述因果网络模型进行训练，得到最优因果网络结构；

基于所述最优因果网络结构，剔除所述第一训练集中与心衰患者再入院结局无因果关系的特征，得到第二训练集；

基于所述第二训练集，构建目标再入院预测模型，对所述目标再入院预测模型进行训练，得到训练好的目标再入院预测模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集，包括：

基于所述临床数据，确定特征变量、结局变量及干预变量；

对所述临床数据进行缺失值填补，得到第一数据集；

基于所述特征变量，对所述第一数据集进行变量值截断，得到第二数据集；

基于所述结局变量，对所述第二数据集进行不均衡处理，得到第三数据集；

对所述第三数据集进行单因素分析筛选与心衰患者再入院结局相关的特征，得到所述第一训练集。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一训练集，构建因果网络模型，对所述因果网络模型进行训练，得到最优因果网络结构，包括：

基于所述第一训练集，确定目标特征变量，构建第一局部结构；

计算所述第一局部结构的评分值，确定评分值最大的第二局部结构；

计算所述第二局部结构中每一特征变量对应局部结构的评分值，将评分值最大的局部结构作为最优因果网络结构。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第一训练集，确定目标特征变量，构建第一局部结构，包括：

基于所述第一训练集，计算得到特征变量之间的最小关联度；

基于所述最小关联度，确定所述目标特征变量，获取所述目标特征变量对应的初始节点集；

将特征变量中与所述目标特征变量之间的关联度不为0的第一特征变量加入所述初始节点集，构建第一局部结构。

5.根据权利要求2所述的方法，其特征在于，所述基于所述第二训练集，构建目标再入院预测模型，对所述目标再入院预测模型进行训练，得到训练好的目标再入院预测模型，包括：

基于所述第二训练集，构建多任务学习模型，所述多任务学习模型的学习任务包括：再入院概率和再入院干预方式；

基于所述干预变量，对所述第二训练集进行划分，得到干预后的处理组与未干预的对照组；

基于所述处理组与对照组，对所述多任务学习模型进行训练，得到所述目标再入院预测模型。

6.一种再入院预测方法，其特征在于，所述方法包括：

获取目标心衰患者的目标临床数据；

将所述目标临床数据输入目标再入院预测模型中，推断得到所述目标临床数据对应发生再入院概率及再入院干预方式，其中，所述目标再入院预测模型是利用权利要求1-5任意一项所述的再入院预测模型训练方法训练得到的。

7.一种再入院预测模型训练装置，其特征在于，所述装置包括：

第一获取单元，用于获取历史心衰患者的临床数据；

特征提取单元，用于基于所述临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集；

第一构建单元，用于基于所述第一训练集，构建因果网络模型，对所述因果网络模型进行训练，得到最优因果网络结构；

筛选单元，用于基于所述最优因果网络结构，剔除所述第一训练集中与心衰患者再入院结局无因果关系的特征，得到第二训练集；

第二构建单元，用于基于所述第二训练集，构建目标再入院预测模型，对所述目标再入院预测模型进行训练，得到训练好的目标再入院预测模型。