[发明专利]一种非等间隔时间的体检数据患病风险预测系统

说明书

本发明涉及一种非等间隔时间的体检数据患病风险预测系统，属于计算机技术领域，包括服务器及客户端，所述服务器包括：医疗数据预处理模块、药物功效信息库、文本特征提取模块、非等间隔病历特征序列构建模块、疾病信息序列构建模块、体检信息序列标签库、语义特征提取网络、异构图构建模块、异构图卷积网络、体检指标库及患病风险预测模型，其中患病风险预测模型用于根据体检指标序列和疾病的属性特征，预测患各种疾病的风险，并根据疾病和药物间的相关性信息推荐相关药物，输出到客户端。本系统能够得到更全面预测结果及推荐药物。

技术领域

本发明属于计算机技术领域，涉及一种非等间隔时间的体检数据患病风险预测系统。

背景技术

现有的体检项目往往只是看重指标是否在合理范围内，并没有考虑到各个指标的变化趋势，这种变化趋势中可能存在的患病风险。在现有患者的病历信息中存在疾病的潜在特征，某患者体检数据的患病风险是可以通过计算疾病的潜在特征和体检数据的相关性来进行预测的，如果可以提前知道患病风险并对疾病进行干预，可以减轻甚至避免疾病。

想要通过体检数据对患病风险进行预测，学习现有的病历信息是必要的。基于电子病历构建预测模型的方法主要可以分为三类：(1)基于人工内审的方法，该方法主要是对电子病历进行语料训练并总结出实体分布的整体特征。(2)基于统计学工具的方法，如系统回归，meta分析等。该方法主要是分析指标与正常值之间是否存在显著差异，判断与疾病相关性及关联强度，进而判定是否有风险。(3)基于机器学习的方法，使用已有的数据训练机器学习模型，实现疾病风险的预测。相较于前两种方法，机器学习方法可以通过复杂的线性映射获取到病历数据中更深层次的特征。目前预测患病风险的常用方式是基于机器学习的方法，

在电子病历库中，病历是单独存在的，使用现有的机器学习方法只能学习到病历的内容信息，并不能从病历中挖掘出实体(患者，疾病，药物，病症)间的相关性。同时，患者的病历可根据就诊时间以序列的形式存储和表示，病历以及病历间的时间间隔可以用于衡量患者疾病的发展趋势。通过基于病历序列的疾病趋势分析以及实体间的相关性，可实现患病风险的预测。而病历间的时间间隔往往是不相等的，具有突发性和随意性。想要挖掘具有非等间隔时间的病历序列特征及实体之间的相关性，现有的机器学习方法难以完成。

发明内容

有鉴于此，本发明的目的在于提供一种非等间隔时间的体检数据患病风险预测系统，对非等间隔时间的病历序列进行特征提取，使用图神经网络挖掘病历实体间的相关性。

为达到上述目的，本发明提供如下技术方案：

一种非等间隔时间的体检数据患病风险预测系统，包括服务器及客户端，所述服务器包括：

医疗数据预处理模块：用于收集医疗数据并进行预处理，生成医疗病历文本数据；

药物功效信息库：用于存储每一种药物所对应的功效信息；

文本特征提取模块：用于提取医疗病历文本数据中的病历特征及药物功效信息库中各药物的功效特征；

非等间隔病历特征序列构建模块：用于根据患者信息及其对应的历史病历，构建每个患者的病历特征集，并按时间顺序排列，生成非等间隔病历特征序列；

疾病信息序列构建模块：用于根据病历的患者信息、体检指标信息、疾病信息，构建每个患者的疾病信息集，并按时间顺序排列，生成该名患者的疾病信息序列；

体检信息序列标签库：用于存储疾病信息序列中的体检指标信息和疾病信息；

语义特征提取网络：用于对非等间隔病历特征序列进行处理，提取语义特征；

异构图构建模块：用于将医疗文本数据中的患者、药物、病症、疾病关系构建为异构图，其中非等间隔病历特征序列的语义特征作为患者节点的属性，药物功效特征作为药物节点的属性；