一种病症预警方法、装置、设备及介质与流程

本发明涉及智能医疗
技术领域：
，尤其涉及一种病症预警方法、装置、设备及介质。
背景技术：
：随着社会的不断发展，人们生活水平逐渐提高，通过身体数据来进行病症预警的应用也越来越广泛。现有技术中，在进行病症预警时，通过以下方式来判断是否存在发病风险：一、获取原始诊疗数据后，用标准数据模板对原始诊疗数据进行梳理，自动提取原始诊疗数据中与所述标准数据模板相匹配的数据以得到标准诊疗数据，根据预定规则从标准诊疗数据中实时提取与脓毒症有关的标准诊疗数据，并计算得到第一医疗指数数据；根据第一预设参考指数判断第一医疗指数数据是否处于异常范围，若是则发出第一预警信息。整个数据处理过程仅根据标准数据模板，而各医院或相关机构的数据集格式各不相同，无法普遍适用。二、根据预定时间窗内的sofa(序贯器官衰竭估计)分值上升2分以上来预测病症是否发生。仅根据这一条件进行病症预测将导致预测结果不准确、不及时。由此可知，现有技术在进行病症预警时，存在预测不及时、不准确以及无法预测的问题。技术实现要素：本发明提供了一种病症预警方法、装置、设备及介质，用以解决现有技术进行病症预警时，预测不及时、不准确以及无法预测的问题。第一方面，本发明提供了一种病症预警方法，所述方法包括：获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据；其中所述生命体征的数据包括至少一类生命体征对应的数据，所述治疗的数据包括所述待预测患者服用设定的药物的数据；基于预先训练完成的多层感知机模型，根据输入的所述生命体征和治疗的数据，获取所述多层感知机模型输出的预测结果；根据所述预测结果，确定所述待预测患者在所述预测时间段内预设疾病的病发概率。进一步地，所述获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的目标最大值、目标最小值和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二预设时间段内该生命体征的总数据；若所述生命体征为第四类生命体征，则获取预设时间范围内所述生命体征的目标平均值。进一步地，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长。进一步地，所述多层感知机模型通过以下方式训练：获取样本集中的任一样本数据，以及所述样本数据对应的预设时间长度后是否病发预设疾病的标识信息；将所述样本数据输入到多层感知机模型中，获取所述样本数据的预测结果；根据所述标识信息和所述预测结果，对所述多层感知机模型进行训练。进一步地，所述多层感知机模型中使用的激活函数为线性整流relu函数。第二方面，本发明实施例提供了一种病症预警装置，所述装置包括：获取模块，用于获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据；其中所述生命体征的数据包括至少一类生命体征对应的数据，所述治疗的数据包括所述待预测患者服用设定的药物的数据；预测模块，用于基于预先训练完成的多层感知机模型，根据输入的所述生命体征和治疗的数据，获取所述多层感知机模型输出的预测结果；确定模块，用于根据所述预测结果，确定所述待预测患者在所述预测时间段内预设疾病的病发概率。进一步地，所述获取模块，具体用于将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的目标最大值、目标最小值和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二预设时间段内该生命体征的总数据；若所述生命体征为第四类生命体征，则获取预设时间范围内所述生命体征的目标平均值。进一步地，所述获取模块，具体用于获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长。进一步地，所述装置还包括：训练模块，用于获取样本集中的任一样本数据，以及所述样本数据对应的预设时间长度后是否病发预设疾病的标识信息；将所述样本数据输入到多层感知机模型中，获取所述样本数据的预测结果；根据所述标识信息和所述预测结果，对所述多层感知机模型进行训练。第三方面，本发明实施例提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一所述病症预警方法的步骤。第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述病症预警方法的步骤。由于在本发明实施例中，将获取的生命体征和治疗的数据输入到训练完成的多层感知机模型中，并通过多层感知机模型，获取预测结果，根据预测结果确定预设时间段内发生预设疾病的概率，因此可以及时准确地预测疾病发生的概率。附图说明为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种病症预警确定过程示意图；图2为本发明实施例提供的多层感知机模型示意图；图3为本发明实施例提供的sigmoid函数、tanh函数以及relu函数曲线图示意图；图4为本发明实施例提供的一种病症预警装置的结构示意图；图5为本发明实施例提供的一种电子设备结构示意图。具体实施方式为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图本发明作进一步地详细描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。为了可以及时、准确地进行病症预警，本发明实施例提供了一种病症预警方法、装置、设备及介质。实施例1：图1为本发明实施例提供的一种病症预警过程示意图，该过程包括以下步骤：s101：获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据；其中所述生命体征的数据包括至少一类生命体征对应的数据，所述治疗的数据包括所述待预测患者服用设定的药物的数据。本发明实施例提供的病症预警应用于电子设备，该电子设备可以是服务器、pc等智能设备。本发明实施例可以用于预测预测时间段内的待预测患者的是否病发预设疾病。例如，可以用于预测未来一小时内待预测患者是否病发器官衰竭感染病症，预测未来两小时内待预测患者是否病发器官衰竭感染病症，预测未来三小时内该待预测患者是否病发器官衰竭感染病症等。具体的，预测时间段不同，所采用的数据也不同。模型训练的时候，采用的样本数据是能够预测多长时间段病发预设疾病，则在进行使用时，该模型即可实现对该预设时间段是否发生预设疾病进行预测。在本发明实施例中，可以根据预测需求，获取预测时间段之前的预设时间段内的生命体征的数据和治疗的数据。其中，该生命体征的数据包括该待预测患者的各项检查数据以及身体的基本数据中至少一类生命体征对应的数据，该治疗的数据包括所述待预测患者服用设定的药物的数据。并且在本发明实施例中获取的预设时间段内的生命体征的数据和治疗的数据可以是获取待预测患者每小时的数据，根据每小时的数据确定生命体征的数据和治疗的数据，具体的生命体征和治疗的数据如何确定，在此不做限制。在本发明实施例中获取生命体征和治疗的数据时，基于公共数据库重症医学数据库(mimiciii)中的待预测患者的数据进行的获取。s102：基于预先训练完成的多层感知机模型，根据输入的所述生命体征和治疗的数据，获取所述多层感知机模型输出的预测结果。为了准确地对病症进行确定，在本发明实施例中保存有预先训练完成的病症预警模型，其中，病症预警模型在本发明实施例中为多层感知机模型，并且在本发明实施例中，可以根据预测需求，将预测时间段之前的预设时间范围内获取到的待预测患者的生命体征的数据和治疗的数据输入到训练完成的多层感知机模型中，多层感知机模型会输出经过处理后的预测结果，其中预测结果可以是预测时间段内病发预设疾病的概率，也可以是预测时间段内不会病发预设疾病的概率，当然也可以同时包含预测时间段内病发预设疾病的概率，以及预测时间段内不会病发预设疾病的概率，其中两个概率的和为1。例如，将待预测患者的生命体征的数据和治疗的数据，输入到多层感知机模型中，多层感知机模型的输出的预测时间段内病发及不病发预设疾病的概率分别为0.4和0.6。s103：根据所述预测结果，确定所述待预测患者在所述预测时间段内病发预设疾病的概率。在本发明实施例中，该多层感知机模型会基于输入的生命体征和治疗的数据，输出预测结果，并且输出的预测结果中包含在预测时间段内病发预设疾病的概率和/或在预测时间段内不病发预设疾病的概率，因此在本发明实施例中，会根据预测结果中的病发预设疾病的概率，预测待预测患者在预测时间段内病发预设疾病的概率。由于在本发明实施例中，将获取的生命体征和治疗的数据输入到训练完成的多层感知机模型中，并通过多层感知机模型，获取预测结果，根据预测结果确定预设时间段内发生预设疾病的概率，因此可以及时准确地预测疾病发生的概率。实施例2：为了准确地获取生命体征和治疗的数据，在上述实施例的基础上，在本发明实施例中，所述获取预测时间段之前的预设时间段内的待预测患者的生命体征和治疗的数据包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的目标最大值、目标最小值和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二预设时间段内该生命体征的总数据；若所述生命体征为第四类生命体征，则获取预设时间范围内所述生命体征的目标平均值。为了准确地对获取待预测患者在预测时间段内病发的概率，在本发明实施例中，首先要获取该待预测患者的生命体征和治疗的数据，并且在获取生命体征和治疗的数据时，由于不同的生命体征和治疗的数据的获取方式不同，因此在本发明实施例中，针对该带预测患者的生命体征和治疗分别进行确定，对获取的数据进行处理，其中，不同的生命体征和治疗的处理过程并不相同，并在处理后，判断处理后的数据是否满足该生命体征要求和满足该治疗要求，若满足该生命体征要求则称之为第一目标数据，若满足该治疗要求，则称之为第二目标数据，在本发明实施例中第一目标数据和第二目标数据是为了便于进行区分。并且在本发明实施例中处理的过程可以是获取最大值、获取最小值、也可以是获取平均值，具体的，如何进行处理，不同的生命体征和不同的治疗对应的数据的处理过程不同，在此不做限制。对于生命体征的数据，有的生命体征随着短暂的时间的变化，会存在波动起伏，例如心率、呼吸频率等，但是有的生命体征在短时间内是不会变化的，如体重、年龄等。因此，在本发明实施例中，将生命体征进行了分类，对于不同类的生命体征的数据的处理方法不同。具体的，在本发明实施例中，将随着短暂的时间的变化，会存在波动起伏的生命体征划分为第一类生命体征。其中，该第一类生命体征包括：平均动脉压、心率、收缩压、舒张压、呼吸频率、体温、氧气压、吸氧浓度、指脉氧饱和度、潮气量、气道峰压以及纤维蛋白原。其中，第一类生命体征如表1所示，表1中的第一列为所要获取的序号，表1中第二列为生命体征的英文名称，表1中的第三列为生命体征的名称，表1中的第四列为对生命体征所要获取的目标数据的方式。由表1可知，每个生命体征都要获取目标最大值、目标最小值、目标平均值，如果第一类生命体征包含表1中的12个，也就是说针对第一类生命体征共获取36个数据。表1在本发明实施例中，若该生命体征为第一类生命体征，则对该生命体征的数据进行处理，得到预设时间范围内的该生命体征数据的目标最大值、目标最小值和目标平均值。例如，该生命体征为心率，预设时间范围为1个小时，则需要记录每个小时的心率，并针对每个小时的心率计算最小值、最大值以及平均值，将该最小值、最大值以及平均值。在本发明实施例中，将在短时间内不会发生变化的生命体征划分为第二类生命体征。其中，该第二类生命体征包括：体重、机械通气、sofa评分、年龄。对于该第二类生命体征由于其在短时间内不会发生变化，则可以不对该生命体征的数据进行处理，直接获取预设时间范围内的该生命体征的数据。其中，第二类生命体征如表2所示，表2中的第一列为所要获取的序号，表1中第二列为生命体征的英文名称，表2中的第三列为生命体征的名称，表2中的第四列为对生命体征的所要获取的目标数据的方式。由表2可知，每个生命体征都将获取数据的本身值，如果第二类生命体征包括表2中的4个，也就是说第二类生命体征共获取4个数据。表2在本发明实施例中，将需要统计设定时长的数据的生命体征划分为第三类生命体征。其中该第三类生命体征包括：液体出入量平衡和尿量。对于该第三类生命体征，由于其需要统计设定时长的数据，并获取待预测患者的第二设定时长内的该生命体征的总数据。具体的，该第二设定时长一般为24小时，若获取的液体静平衡和尿量的时间不足24小时，则进行等比扩大，具体的，如何获取液体静平衡和尿量，在此不做限制。其中，第三类生命体征如表3所示，表3中的第一列为所要获取的序号，表3中第二列为生命体征的英文名称，表3中的第三列为生命体征的名称，表3中的第四列为对生命体征的所要获取的目标数据的方式，由表3可知，每个生命体征都要获取该生命体征的总数据，如果第三类生命体征包含表3中的2个，也就是说针对第三类生命体征共获取2个数据。表3在本发明实施例中，由于对每个生命体征数据按照小时进行整理，并且对于很多生命体征来说，由于记录的频率很低，每小时获取的最大值、最小值、平均值、中位数四个数据基本相同，以表4为例进行说明，其中表4第一列为生命体征的英文名称，表4中的第二列为生命体征数据的中文名称，表4中的第三列为生命体征获取的数据，由表4可以对于这些生命体征来说，获取的最大值、最小值、平均数、中位数四个数据基本接近或完成相同，因此对于这一类生命体征来说，考虑到对其进行精简，加快对模型对数据处理的速度，仅取平均值一个数据。max_sedimentation_rate血沉最大值56.10392avg_sedimentation_rate血沉平均值56.10392median_sedimentation_rate血沉中位数56.10392min_sedimentation_rate血沉最小值56.10392max_sv每搏量最大值69.92518avg_sv每搏量平均值69.74782median_sv每搏量中位数69.74685min_sv每搏量最小值69.57211表4具体的，在本发明实施例中，将每小时获取的最大值、最小值、平均值、中位数四个数据基本相同的生命体征划分为第四类生命体征。其中该第四类生命体征包括：呼气末正压、氧气流量、白细胞计数、血红蛋白、红细胞压积、肌酐、胆红素、直接胆红素、血小板、国际标准化比值、凝血活酶时间、谷草转氨酶、乳酸、血糖、钾、尿素氮、磷、镁、氯、肌钙蛋白、酸碱度、二氧化碳分压、碳酸氢根、碱剩余、动脉血氧饱和度、白蛋白、凝血酶原时间、钠、肌酸激酶、肌酸激酶mb、乳酸脱氢酶、碱性磷酸酶、尿酸、单核细胞计数、淋巴细胞计数、肺泡-动脉氧分压差、红细胞计数、中性粒细胞计数、去甲肾上腺素、肾上腺素、多巴胺、多巴酚丁胺。其中，第四类生命体征如表5所示，表5中的第一列为所要获取的序号，表5中第二列为生命体征的英文名称，表5中的第三列为生命体征的名称，表5中的第四列为对生命体征的所要获取的目标数据的方式。由表5可知，每个生命体征都要获取目标平均值，如果第四类生命体征包含表5中的42个，也就是说针对第四类生命体征共获取42个数据。表5如果生命体征包含表1、表2、表3和表5中生命体征，则共需获取表1中的12个生命体征的目标最大值、目标最小值、目标平均值，表2中4个生命体征的数据的本身值，表3中2个生命体征的设定时间段内的总数据，表5中的42个生命体征的目标平均值，也就是说生命体征共获取84(84＝12*3+4+2+42)个数据。为了准确地获取待预测患者的治疗的数据，在上述各实施例的基础上，在本发明实施例中，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长。在本发明实施例中，对于治疗，该待预测患者在治疗过程中可能会服用设定的药物，若该待预测患者服用了设定的药物，则获取该待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物。具体的，该设定的药物一般为抗生素，该第一设定时长可以是12小时，该第二设定时长可以是24小时，该第三设定时长可以是48小时，但是也可以根据实际情况对该第一设定时长、第二设定时长和第三设定时长进行改变。其中，在本发明实施例中，第一设定时长、第二设定时长和第三设定时长不相同，此外，第一设定时长要小于第二设定时长，第二设定时长要小于第一设定时长。例如，获取待预测患者在12小时的抗生素服用量，24小时的抗生素服用量以及48小时的抗生素服用量。具体的，时长为多久，在此不做限制。由于在实际应用场景中，即使待预测患者未进入医院，通过询问也会知道待预测患者设定时长内服用抗生素的服用量，因此，并不需要待预测患者在医院或者icu持续待够设定的时长，并且即使待预测患者需要长期服用抗生素，则只需对获取的时长的待预测患者服用抗生素的服用量，根据第一预设时长、第二预设时长、第三预设时长以及获取的待预测患者服用抗生素药量的药量，即可获取第一预设时长、第二预设时长、第三预设时长服用的抗生素的药量。其中，治疗所需获取的目标数据如表6所示，表6中的第一列为所要获取的序号，表6中第二列为生命体征的英文名称，表6中的第三列为治疗的名称，表6中的第四列为对治疗所要获取的目标数据的方式，由表6可知，满足治疗要求的数据共3个，每个治疗都要获取满足治疗要求的设定时长的数据，如果治疗包含表6中的3个，也就是说针对治疗共获取3个数据。表6由上述描述可知，如果生命体征包含表1、表2、表3和表5中所需获取的84个数据，治疗包含表6中的3个数据，也就是说生命体征和治疗的数据共获取87个数据。因此若要获取5小时的生命体征和治疗的数据，则需获取435(435＝87*5)个数据。实施例3：为了准确地进行病症预警，在上述各实施例的基础上，在本发明实施例中，所述多层感知机模型通过以下方式训练：获取样本集中的任一样本数据，以及所述样本数据对应的预设时间长度后是否病发预设疾病的标识信息；将所述样本数据输入到多层感知机模型中，获取所述样本数据的预测结果；根据所述标识信息和所述预测结果，对所述多层感知机模型进行训练。在本发明实施例中，在对多层感知机模型进行训练时，样本集中包含多个样本数据，其中每个样本数据都包含有目标患者的满足生命体征要求和治疗要求的数据，以及该目标患者在采集满足生命体征要求和治疗要求的数据之后的预设时间长度是否病发预设疾病的标识信息。例如0表示正样本，正样本为未病发，1表示负样本，负样本为病发。在本发明实施例中，将样本数据输入到多层感知机模型中，多层感知机模型会输出预测结果，根据预测结果以及标识信息，对该多层感知机模型进行训练。并且，在本发明实施例中每个样本数据的获取过程为，需要对从公共数据库重症医学数据库获取目标患者的数据，并对获取的数据进行预处理及特征提取，生成满足生命体征要求和治疗要求的数据。在本发明实施例中，在进行模型训练时，针对不同的预设时间段是否病发预设疾病的预测需求，输入的数据也是不同的。例如，当前的训练内容是预测五小时后的是否病发器官衰竭感染病症，此时针对每一个样本数据，确定该样本数据对应的目标患者病发器官衰竭感染病症的时间，将该病发器官衰竭感染病症的时间确定为0时刻，获取该0时刻前5-10个小时的数据，并将该0时刻前5-10个小时的数据输入到多层感知器预测模型中。当模型训练完成后，则该模型可以针对输入获取生命体征和用药的数据所对应时刻后的5小时是否会病发器官衰竭感染病症。其中，预处理包括忽略异常值、合并重复数据、处理矛盾数据及填补缺失值，特征提取及上述实施例提到的按照生命体征和治疗的要求，对获取的数据进行分别处理。其中，忽略异常值指的是，各生命体征和治疗的数据，都有预设的范围，超过预设的范围则认为异常，则将这个病例的数据进行删除；合并重复数据指的是，在进行数据获取时，mimiciii数据集包含多个数据，其中有的数据可能是重复记录的，则针对这种数据取平均值；处理矛盾数据指的是，mimiciii数据集包含多个数据，会出现同一个病例同一个时间的数据不止一种值，取先处理得到的值为该生命体征或治疗的数据；填补缺失值指的是，数据集中某时刻某生命体征或治疗的数据缺失，就用该病例对应的数据集中前一时刻的该生命体征或该治疗的来填补，如果前一时刻的该数据也缺失，则使用所有病例中该生命体征或该治疗数据的中位数来进行填补。为了准确地进行病症预警，在上述各实施例的基础上，在本发明实施例中，所述多层感知机模型中使用的激活函数为线性整流(relu)函数。在多层感知机模型中，除了输入节点，每个节点都是一个带有非线性激活函数的神经元，使得多层感知机模型能够输出近似非线性的函数。其中，常用的激活函数有sigmoid,tanh,relu函数，其公式分别为：sigmoid函数：tanh函数：relu函数：f(x)＝max(0,x)图3为本发明实施例提供的sigmoid函数、tanh函数以及relu函数曲线图示意图。由于sigmoid函数的输出映射在(0,1)之间，单调连续输出范围有限，优化稳定可以用作输出层，但由于其软饱和性，容易造成梯度消失问题，并且输出没有以0为中心；tanh函数的收敛速度比sigmoid函数快，且输出以0为中心，但也会出现软饱和现象，梯度消失问题并没有解决；relu函数在随机梯度下降算法中收敛速度快，不会出现像sigmoid和tanh函数那样梯度消失问题，并提供了网络稀疏表达能力，但输出不以0为中心。在本发明实施例中，考虑到收敛速度和避免梯度消失问题，激活函数选择relu函数。并且在本发明实施例中，多层感知机模型(mlp)是一种前向结构的人工神经网络，由简单的相互连接的神经元或节点组成，其中，多层感知机模型模拟人类大脑神经元结构，每个圆圈代表一个神经元或节点。多层感知机模型中包含输入层、输出层以及隐层，其中隐层可以包含多个。图2为本发明实施例提供的多层感知机模型示意图，图2由输入层x(x1,x2…)，输出层o(o1,o2…)以及多个中间隐层(h1,h2…)组成，每一层不同的权重(w1,w2,w3…)全连接到下一层。其中图2中包含输入层、第一隐层、第二隐层以及输出层，并且图2中第一列为输入层，第二列为第一隐层，第三列为第二隐层，第四列为输出层，图2中输入层共四个节点表示输入的数据为4维数据，其中每个节点处理一个维度的数据，输出层包含两个节点，可以输出两个数据，其中一个数据表示病发预设疾病的概率，另一个表示不病发预设疾病的概率。图2中w1、w2、w3为每一层对应的权重，其中权重为模型训练中需要调整的参数。在本发明实施例中，为了准确地对多层感知机模型进行训练，选用shap解释包(模型输出解释器)分析各个生命体征或病症的数据对多层感知机模型的影响。在本发明实施例中，通过shap解释包构建一个加性的解释模型，每个生命体征或病症的数据都视为“贡献者”，对于每个样本数据，多层感知机模型都会产生预测值，shapvalue就是该样本数据中每个生命体征或病症的数据所分配到的数值。例如第i个样本，第i个样本中的第j个数据为xij，模型对该样本数据的数据结果为yi，整个模型所有样本的目标变量均值为ybase，那么shapvalue服从以下等式：yi＝ybase+f(xi1)+f(xi2)+...+f(xik)其中f(xi1)为根据激活函数确定的第i个样本第1个数据的输出结果，其中f(xij)为xij的shap值。直观上看，f(xi1)就是第i个样本中第1个特征对最终预测值yi的贡献值，当f(xi1)>0时，说明该生命特征或病症的数据提升了预测值，起正向作用；反之，说明该生命特征或病症的数据使得预测值降低，起反作用。在本发明实施例中可以将获取到的样本数据按照7：1：2进行划分，划分为训练集、验证集和测试集。通过训练集对多层感知机模型进行训练，并通过验证集选择出多层感知机模型中最优的基本参数，利用测试集测试模型训练的效果。例如，可以选用5小时的数据对器官衰竭病症进行预测，在获取数据后，结合疑似感染情况和sofa分值上升情况，将获取的样本数据标记为正样本(阳性，也就是未病发)，或负样本(阴性，也就是病发)，将获取的连续5小时的数据，共435个数据，展开为一行，作为多层感知机模型的输入，其中，在本发明实施例中则，输入包含435个节点，每个节点处理一维数据，其中基本参数包括：batch_size(批大小)，train_iter(训练步数)，weight_decay(权重衰减)，lr(学习率)和dropout(保留率)，并且在本发明实施例中训练方法可以采用adagradoptimizer方法。在本发明实施例中，通过训练集对多层感知机模型进行训练，利用验证集选择模型中最优的基本参数，利用测试集测试模型训练的效果。在本发明实施例中，根据获取的数据和标识信息，利用验证集可知，多层感知机模型利用六层结构模型预测的效果是最好的，因此在本发明实施例中，多层感知机模型可以选用六层结构。在本发明实施例中，若输入的生命体征和病症的数据包含435维，并且选用六层结构，则每层节点数如表7所示，表7中第一行为每一层的名称，表7中第二行为对应的节点数，由表7可知，输入节点共435个，经过映射第一隐层共256个节点，第二隐层共128个节点，第三隐层共64个节点，第四隐层共24个节点，第五隐层共24个节点，输出层共2个节点。inputlayer1layer2layer3layer4layer5output4352561286424242表7并且，在本发明实施例中，将测试集带入多层感知机模型进行测试时，将测试结果与对样本数据的标识结果进行比较，计算得到模型的评价指标，获得的评价指标如表8所示，其中表8中测试集acc为评价标准中的准确度，auc为评价标准中的曲线下面积，sens为评价标准中的敏感度，spec为评价标准中的特异度。表8中第一行为后边行的介绍，表8中第二行为模型提前1个小时预测是否病发预设疾病的各评价参数值，表8中第三行为提前2个小时预测是否病发预设疾病的各评价参数值，表8中第四行为提前3个小时预测是否病发预设疾病的各评价参数值，表8中第五行为提前4个小时预测是否病发预设疾病的各评价参数值，表8中第六行为提前5个小时预测是否病发预设疾病的各评价参数值，表8中第七行为提前1-5小时预测是否病发预设疾病的各评价参数值的平均值，通过表8可知，多层感知机模型的效果比较好。提前小时数测试集acc测试集auc测试集sens测试集spec10.82000.90240.78190.858220.82030.89920.78370.857030.81780.89990.77480.860840.81700.90190.77090.863150.82240.90530.77070.8741平均0.81950.90170.77640.8626表8实施例4：图4为本发明实施例提供的一种病症预警装置的结构示意图，该装置包括：获取模块401，用于获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据；其中所述生命体征的数据包括至少一类生命体征对应的数据，所述治疗的数据包括所述待预测患者服用设定的药物的数据；预测模块402，用于基于预先训练完成的多层感知机模型，根据输入的所述生命体征和治疗的数据，获取所述多层感知机模型输出的预测结果；确定模块403，用于根据所述预测结果，确定所述待预测患者在所述预测时间段内预设疾病的病发概率。在一种可能的实施方式中，所述获取模块401，具体用于将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的目标最大值、目标最小值和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二预设时间段内该生命体征的总数据；若所述生命体征为第四类生命体征，则获取预设时间范围内所述生命体征的目标平均值。在一种可能的实施方式中，所述获取模块401，具体用于获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长。在一种可能的实施方式中，所述装置还包括：训练模块404，用于获取样本集中的任一样本数据，以及所述样本数据对应的预设时间长度后是否病发预设疾病的标识信息；将所述样本数据输入到多层感知机模型中，获取所述样本数据的预测结果；根据所述标识信息和所述预测结果，对所述多层感知机模型进行训练。实施例5：图5为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例还提供了一种电子设备，如图5所示，包括：处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信；所述存储器503中存储有计算机程序，当所述程序被所述处理器501执行时，使得所述处理器501执行如下步骤：获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据；其中所述生命体征的数据包括至少一类生命体征对应的数据，所述治疗的数据包括所述待预测患者服用设定的药物的数据；基于预先训练完成的多层感知机模型，根据输入的所述生命体征和治疗的数据，获取所述多层感知机模型输出的预测结果；根据所述预测结果，确定所述待预测患者在所述预测时间段内预设疾病的病发概率。在一种可能的实施方式中，所述获取预测时间段之前的预设时间段内的待预测患者的生命体征和治疗的数据包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的目标最大值、目标最小值和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二预设时间段内该生命体征的总数据；若所述生命体征为第四类生命体征，则获取预设时间范围内所述生命体征的目标平均值。在一种可能的实施方式中，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长。在一种可能的实施方式中，所述多层感知机模型通过以下方式训练：获取样本集中的任一样本数据，以及所述样本数据对应的预设时间长度后是否病发预设疾病的标识信息；将所述样本数据输入到多层感知机模型中，获取所述样本数据的预测结果；根据所述标识信息和所述预测结果，对所述多层感知机模型进行训练。在一种可能的实施方式中，所述多层感知机模型中使用的激活函数为线性整流relu函数。由于上述电子设备解决问题的原理与病症预警方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口502用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。上述处理器可以是通用处理器，包括中央处理器、网络处理器(networkprocessor，np)等；还可以是数字指令处理器(digitalsignalprocessing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。实施例6：在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行时实现如下步骤：获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据；其中所述生命体征的数据包括至少一类生命体征对应的数据，所述治疗的数据包括所述待预测患者服用设定的药物的数据；基于预先训练完成的多层感知机模型，根据输入的所述生命体征和治疗的数据，获取所述多层感知机模型输出的预测结果；根据所述预测结果，确定所述待预测患者在所述预测时间段内预设疾病的病发概率。在一种可能的实施方式中，所述获取预测时间段之前的第一预设时间段内的待预测患者的生命体征和治疗的数据包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的目标最大值、目标最小值和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二预设时间段内该生命体征的总数据；若所述生命体征为第四类生命体征，则获取预设时间范围内所述生命体征的目标平均值。在一种可能的实施方式中，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长。在一种可能的实施方式中，所述多层感知机模型通过以下方式训练：获取样本集中的任一样本数据，以及所述样本数据对应的预设时间长度后是否病发预设疾病的标识信息；将所述样本数据输入到多层感知机模型中，获取所述样本数据的预测结果；根据所述标识信息和所述预测结果，对所述多层感知机模型进行训练。在一种可能的实施方式中，所述多层感知机模型中使用的激活函数为线性整流relu函数。由于上述提供的计算机可读取介质解决问题的原理与病症预警方法相似，因此处理器执行上述计算机可读取介质中的计算机程序后，实现的步骤可以参见上述其他实施例，重复之处不再赘述。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。当前第1页12