[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

说明书

本发明提供再入院预测模型训练方法、再入院预测方法、装置及设备，包括：获取历史心衰患者的临床数据；基于临床数据，提取与心衰患者再入院结局相关的特征，得到第一训练集；基于第一训练集，构建因果网络模型，对因果网络模型进行训练，得到最优因果网络结构；基于最优因果网络结构，剔除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；基于第二训练集，构建目标再入院预测模型，对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。通过提取心衰患者临床数据中与再入院临床结局有关的特征，通过再入院临床结局相关特征，可以确定心衰患者发生再入院概率及再入院干预方式，进而实现对心衰患者的及时干预。

技术领域

本发明涉及心衰疾病研究领域，具体涉及再入院预测模型训练方法、再入院预测方法、装置及设备。

背景技术

慢性心力衰竭(Chronic heart failure,CHF)是一种复杂异质的综合性疾病，由心室充盈或射血功能障碍引起，随着病情进展可能造成身体各个器官供血不足，从而导致器官衰竭，甚至死亡等现象，严重影响患者生命质量。心力衰竭疾病状态呈现出多病共存现象，表现为一种全身性、多系统、且不断变化的疾病，可能会导致一系列不同的临床结局事件。因此，对于心衰患者再住院的把控可有效改善患者不良结局事件发生，还可大大降低降低医疗费用成本。

相关技术中，缺乏对心衰患者发生再入院的因果推断，很难确定造成心衰患者再入院的原因，进而无法对心衰患者的再入院情况进行准确预测和及时干预。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中无法对心衰患者的再入院情况进行准确预测和及时干预的缺陷，从而提供再入院预测模型训练方法、再入院预测方法、装置及设备。

结合第一方面，本发明提供一种再入院预测模型训练方法，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。

在该方式中，通过提取心衰患者临床数据中与再入院临床结局有关的特征，训练得到心衰患者的因果网络结构，识别出潜在混杂着因素，进一步剔除与再入院临床结局无因果关系的特征，更为高效地筛选患者再入院临床结局相关特征。通过再入院临床结局相关特征，训练得到再入院预测模型，进一步可以确定心衰患者发生再入院概率及再入院干预方式，进而可以实现对心衰患者的及时干预，减少了心衰患者发生再入院临床结局，进一步提高了患者的生命质量。

结合第一方面，在第一方面的第一实施例中，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。

结合第一方面的第一实施例，在第一方面的第二实施例中，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：