[发明专利]一种基于病历的深度学习预测医疗轨迹的方法

摘要

本发明公开了一种基于病历的深度学习预测医疗轨迹的方法，包括以下步骤：S1、将入院时的诊断信息和干预信息通过编码方案进行编码，并将编码转换为向量；分别得到诊断信息转换向量xt∈RM和干预信息转换向量得到Pt∈RM；将一次入院的诊断信息和干预信息转换成一个2M维的向量[xt,pt]；S2、将向量[xt,pt]输入LSTM模型；求出当前输出值ht得到当前疾病状态；S3、根据疾病状态ht预测诊断代码dt+1，通过诊断代码dt+1对疾病的进展进行预测；S4、计算时间t的干预代码st；在LSTM模型中增加时间结构，在多个时间范围内汇集历史疾病状态，对于每段水平时间轴的状态进行汇集，将所有疾病状态汇集并堆积成向被反馈到神经网络中预测未来风险结果Y。

主权项

1.一种基于病历的深度学习预测医疗轨迹的方法，其特征在于：包括以下步骤：S1、将入院时的诊断信息和干预信息通过编码方案进行编码，将编码后的入院信息转换成向量，诊断信息的转换向量为Ad1，...，Adk，干预信息的转换向量为Bs1，...，Bsk，汇集所有的诊断信息转换向量得到xt∈RM，汇集所有干预信息转换向量得到Pt∈RM；最后，将一次入院的诊断信息和干预信息转换成一个2M维的向量[xt,pt]；S2、将步骤S1中的向量[xt,pt]输入LSTM模型，LSTM模型在时间为t时的记忆为ct∈RK，ct被输入门it∈RK、遗忘门ft∈RK、输出门ot∈RK控制，三个门都是sigmoid单元，每个门的每个元素的值设置为0到1之间，it、ft、ot的值分别为：其中mt＝1，则入院方式是非计划的，mt>1，则入院方式是计划的；ft＝σ(Wfxt+Ufht‑1+Pfpt‑1+bf)其中Pt‑1是时间步t‑1的干预信息转换向量，Pf是遗忘门的干预权重向量。ot＝σ(Woxt+Uoht‑1+Popt+bo)其中P0是输出门的干预权重矩阵，Pt是时间步t的干预信息转换向量；W{i,f,o}，U{i,f,o}，b{i,f,o}是参数，σ表示向量的按元素的sigmoid函数；在时间步t，首先通过输入值xt∈RM、先前的LSTM单元的输出ht‑1∈RK构成一个挤压tanh函数：gt＝tanh(Wcxt+Ucht‑1+bc)根据先前的记忆ct‑1得到现在的记忆ct：ct＝ft*ct‑1+it*gt根据记忆ct计算出当前输出值ht:ht＝ot*tanh(ct)*表示两个向量的乘积；根据当前输出值ht得到当前疾病状态；S3、根据疾病状态ht预测诊断代码dt+1，其计算公式为：其中softmax(Z)＝ez/∑z’ez’，wc是编码参数；通过诊断代码dt+1对疾病的进展进行预测；S4、计算时间t的干预代码st，其计算公式为：其中vc是编码参数；S5、在LSTM模型中增加时间结构，在多个时间范围内汇集历史疾病状态，对于每段水平时间轴的状态汇集，用以下公式衡量最近事件：其中rt＝[mt+log(1+Δt:n)]‑1，Δt:n是按月测量的t时刻和当前n时的时间；mt＝1表示紧急入院，mt＝2表示常规入院。将所有疾病状态汇集并堆积成向被反馈到神经网络中预测未来风险结果Y。