疾病预测方法、装置、电子设备及计算机可读存储介质

1.本发明涉及医疗数据处理技术领域，尤其涉及一种疾病预测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.近年来，随着医疗信息化的不断发展，电子设备可以在电子健康记录数据中，即在电子病历中获得越来越多的健康数据，这些健康数据可以包括：病情内容、诊断过程和结果，及治疗过程等。其中，这些健康数据具有时序性，可蕴含大量有价值的医疗数据信息，是数据驱动医疗发展的主要载体。
3.现有的基于电子健康记录数据进行疾病预测的方法可以基于传统的机器学习和统计技术，例如：逻辑回归、支持向量机和随机森林等。然而，由于电子健康记录数据具有长期依赖性及时间不规则性等特性，就容易导致电子设备基于该电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果。


技术实现要素：

4.本发明提供一种疾病预测方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中由于电子健康记录数据具有长期依赖性及时间不规则性等特性，就容易导致电子设备基于该电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果的缺陷，实现将电子健康记录数据对应的在线时间序列预测作为一个持续学习问题，利用lstm模型及时间卷积网络，可有效协调在线时间序列预测与持续学习之间的关系，以解决该电子健康记录数据无法兼顾长期依赖性和时间不规则性的问题，从而提高疾病预测结果的准确性。
5.本发明提供一种疾病预测方法，包括：
6.根据获取的电子健康记录数据，确定在线时间序列预测；
7.将该在线时间序列预测输入至长短期记忆lstm模型，得到该lstm模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；
8.将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
9.根据本发明提供的一种疾病预测方法，该lstm模型是基于以下步骤进行训练得到的：获取该历史在线时间序列预测及该历史平稳片段集之间的累计误差；根据该累计误差，对预训练lstm模型进行调整，得到训练好的lstm模型。
10.根据本发明提供的一种疾病预测方法，该时间卷积网络是基于以下步骤进行训练得到的：获取预训练时间卷积网络对应的自适应参数；利用偏导数建模方法，根据该自适应参数，确定该预训练时间卷积网络对应的第一适应系数；利用稀疏记忆交互方法，根据该历
史平稳片段集及该第一适应系数，对该预训练时间卷积网络进行训练，得到训练好的时间卷积网络。
11.根据本发明提供的一种疾病预测方法，该利用偏导数建模方法，根据该自适应参数，确定该预训练时间卷积网络对应的第一适应系数，包括：利用偏导数建模方法中的梯度公式，确定该预训练时间卷积网络对应的当前梯度；将该当前梯度进行映射，得到第一适应系数；其中，该梯度公式为系数；其中，该梯度公式为表示该当前梯度；γ表示第一系数，γ∈(0，1)；表示该自适应参数的指数移动平均值ema对应的梯度；表示该历史平稳片段集在第l层第t时刻对应的梯度。
12.根据本发明提供的一种疾病预测方法，该利用稀疏记忆交互方法，根据该历史平稳片段集及该第一适应系数，对该预训练时间卷积网络进行训练，得到训练好的时间卷积网络，包括：根据该历史平稳片段集，确定中间适应系数；利用稀疏记忆交互方法中的适应系数公式，确定该预训练时间卷积网络对应的第二适应系数；根据该第二适应系数，对该预训练时间卷积网络进行调整，得到训练好的时间卷积网络；其中，该适应系数公式为u
′
l
表示该第二适应系数；t表示第二系数，t∈(0，1)；u
l
表示该第一适应系数；表示中间适应系数。
13.根据本发明提供的一种疾病预测方法，该根据该历史平稳片段集，确定中间适应系数，包括：利用稀疏记忆交互方法中的第一公式，确定该平稳片段集包括的每个时间平稳片段；利用第二公式，确定预设数量的目标时间平稳片段；根据第三公式，确定中间适应系数；其中，该第一公式为r
l
＝softmax(m
lul
)；该第二公式为r
l(k)
＝topk(r
l
)；该第三公式为m
l
表示关联存储器，存储所述第一适应系数；r
l
表示该关联存储器m
l
对应的注意力权重；k表示该预设数量；r
l(k)
表示该平稳片段集中检索最相关的前预设数量k个记忆项，该记忆项为时间平稳片段；r
l(k)
[i]表示该r
l(k)
中第i个时间平稳片段；m
l
[i]表示述关联存储器m
l
中第i行记忆项；表示该中间适应系数。
[0014]
根据本发明提供的一种疾病预测方法，该方法还包括：根据该平稳片段集，更新该训练好的时间卷积网络中包括的该历史平稳片段集，得到新的历史平稳片段集。
[0015]
本发明还提供一种疾病预测装置，包括：
[0016]
确定模块，用于根据获取模块获取的电子健康记录数据，确定在线时间序列预测；
[0017]
输出模块，用于将该在线时间序列预测输入至长短期记忆lstm模型，得到该lstm模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0018]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述疾病预测方法。
[0019]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现如上述任一种所述疾病预测方法。
[0020]
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述疾病预测方法。
[0021]
本发明提供的疾病预测方法、装置、电子设备及计算机可读存储介质，通过根据获取的电子健康记录数据，确定在线时间序列预测；将所述在线时间序列预测输入至长短期记忆lstm模型，得到所述lstm模型输出的平稳片段集，所述平稳片段集包括多个时间平稳片段，所述lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将所述平稳片段集输入至时间卷积网络，得到所述时间卷积网络输出的疾病预测结果，所述时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对所述历史平稳片段集进行训练得到的。该方法用以解决现有技术中由于电子健康记录数据具有长期依赖性及时间不规则性等特性，就容易导致电子设备基于该电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果的缺陷，实现将电子健康记录数据对应的在线时间序列预测作为一个持续学习问题，利用lstm模型及时间卷积网络，可有效协调在线时间序列预测与持续学习之间的关系，以解决该电子健康记录数据无法兼顾长期依赖性和时间不规则性的问题，从而提高疾病预测结果的准确性。
附图说明
[0022]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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。
[0023]
图1是本发明提供的疾病预测方法的流程示意图；
[0024]
图2是本发明提供的疾病预测装置的结构示意图；
[0025]
图3是本发明提供的电子设备的结构示意图。
具体实施方式
[0026]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作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。
[0027]
需要说明的是，现有技术中，电子健康记录数据具有的长期依赖性指的是历史疾病及干预措施与患者未来疾病的发展都有着较为紧密的依赖关系。例如：电子设备会将患者每次的检查诊断用药记录以电子病历的形式进行存档，该电子设备病历可对患者未来诊疗措施提供依据，进而在很大程度上，影响了患者疾病的发展。
[0028]
电子健康记录数据具有的时间不规则性指的是电子病例中的数据是偶发性的。例如：患者到医院接受一次诊疗时，电子设备才会记录相应的数据，但患者到达医院接受诊疗的时间基本是随机的。
[0029]
综上，电子设备基于电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果。
[0030]
需要说明的是，本发明实施例涉及的执行主体可以是疾病预测装置，也可以是电子设备，下面以电子设备为例对本发明实施例进行进一步地说明。
[0031]
如图1所示，本发明提供的疾病预测方法的流程示意图，可以包括：
[0032]
101、根据获取的电子健康记录数据，确定在线时间序列预测。
[0033]
其中，电子健康记录数据指的是患者的健康诊断记录，可以包括：用药记录、手术记录及体检记录等。
[0034]
在线时间序列预测指的是将电子健康记录数据在不同时间分别对应的数值，按时间先后顺序排列而形成的序列。
[0035]
电子设备在获取电子健康记录数据之后，可以获取该电子健康记录数据在不同时间分别对应的数值按时间先后顺序排列而形成的序列，即获取该电子健康记录数据对应的在线时间序列预测，以便该电子设备后续基于该在线时间序列预测，可对该电子健康记录数据进行准确预测。
[0036]
102、将在线时间序列预测输入至长短期记忆lstm模型，得到lstm模型输出的平稳片段集。
[0037]
其中，平稳片段集包括多个时间平稳片段，长短期记忆(long short-term memory，lstm)模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的。
[0038]
时间平稳片段指的是电子健康记录数据在预设周期内的连续序列。每个时间平稳片段可作为持续学习的学习任务，这些学习任务的变化点与环境无关。
[0039]
在一些实施例中，lstm模型可以是电子设备基于以下步骤进行训练得到的：电子设备获取历史在线时间序列预测及历史平稳片段集之间的累计误差；该电子设备根据累计误差，对预训练lstm模型进行调整，得到训练好的lstm模型。
[0040]
假设历史在线时间序列预测与历史平稳片段集的数量都为n个，n为大于等于1的整数，其中，第i个历史在线时间序列预测与第i个历史平稳片段集对应。电子设备可以获取第一个历史在线时间序列预测与第一个历史平稳片段集之间的第一误差，再获取第二个历史在线时间序列预测与第二个历史平稳片段集之间的第二误差，以此类推，该电子设备基于这n个历史在线时间序列预测及这n个历史平稳片段集，可以获取n个误差；然后，该电子设备将这n个误差进行累计，即将这n个误差进行求和，得到累计误差；接着，该电子设备根据该累计误差，对预训练lstm模型中的模型参数进行调整，得到训练好的lstm模型，该训练好的lstm模型中的模型参数更为准确。这样一来，在该电子设备获取了在线时间序列预测之后，可以将该在线时间序列预测直接输入至该训练好的lstm模型，得到该训练好的lstm模型输出的平稳片段集，该平稳片段集也是较为准确的。
[0041]
需要说明的是，在预训练lstm模型进行训练的过程中，在线时间序列预测不需要单独的测试集，这样可有效节省电子设备的使用功耗。
[0042]
103、将平稳片段集输入至时间卷积网络，得到时间卷积网络输出的疾病预测结果。
[0043]
其中，时间卷积网络(temporal convolutional network，tcn)是利用偏导数建模方法及稀疏记忆交互方法，对历史平稳片段集进行训练得到的，该tcn可视为主干深度神经网络。
[0044]
疾病预测结果指的是患者未来的疾病诊断发展走向。
[0045]
在一些实施例中，时间卷积网络可以是电子设备基于以下步骤进行训练得到的：电子设备获取预训练时间卷积网络对应的自适应参数；该电子设备利用偏导数建模方法，根据自适应参数，确定预训练时间卷积网络对应的第一适应系数；该电子设备利用稀疏记忆交互方法，根据历史平稳片段集及第一适应系数，对预训练时间卷积网络进行训练，得到训练好的时间卷积网络。
[0046]
可选的，电子设备利用偏导数建模方法，根据自适应参数，确定预训练时间卷积网络对应的第一适应系数，可以包括：电子设备获取适配器中的偏导数建模方法；该电子设备利用该偏导数建模方法，根据自适应参数，确定预训练时间卷积网络对应的第一适应系数。
[0047]
可选的，电子设备利用稀疏记忆交互方法，根据历史平稳片段集及第一适应系数，对预训练时间卷积网络进行训练，得到训练好的时间卷积网络，可以包括：电子设备获取关联存储器中的稀疏记忆交互方法；该电子设备利用该稀疏记忆交互方法，根据历史平稳片段集及第一适应系数，对预训练时间卷积网络进行训练，得到训练好的时间卷积网络。
[0048]
电子设备在增强时间卷积网络的动态预测能力的过程中，分析了适配器的贡献与关联存储器的贡献：电子设备在对预训练时间卷积网络进行训练的过程中，如果只构建了适配器，那么，该预训练时间卷积网络可能无法有效学习重复训练模型；如果只构建了关联存储器，那么，该预训练时间卷积网络可能无法有效解决数据突然变化的快速适应问题。所以，该电子设备既要构建适配器，也要构建关联存储器，这样一来，该电子设备利用适配器中的偏导数建模方法可有效解决数据突然变化的快速适应问题，利用关联存储器中的稀疏记忆交互方法可有效促进对重复训练模式的学习，从而使得该电子设备不仅可有效提高时间卷积网络在线学习速率，还也可有效增强该时间卷积网络的动态预测能力。
[0049]
在一些实施例中，电子设备利用偏导数建模方法，根据自适应参数，确定预训练时间卷积网络对应的第一适应系数，可以包括：电子设备利用偏导数建模方法中的梯度公式，确定预训练时间卷积网络对应的当前梯度；该电子设备将当前梯度进行映射，得到第一适应系数。
[0050]
其中，梯度公式为
[0051]
表示当前梯度；γ表示第一系数，γ∈(0，1)；表示自适应参数的指数移动平均值(exponential moving average，ema)对应的梯度；表示历史平稳片段集在第l层第t时刻对应的梯度。
[0052]
第一适应系数可用u
l
表示。
[0053]
当触发适配器与关联存储器进行交互的过程中，预训练时间卷积网络的当前自适应系数无法捕获整个训练事件，所以，电子设备可以先利用偏导数建模方法中的梯度公式，确定预训练时间卷积网络对应的当前梯度该当前梯度的准确性较高，然后，该电子设备基于该当前梯度得到第一适应系数u
l
。这样一来，该电子设备利用该适配器，通过注意力读取查询并检索过去最相似的数据转换，可得到准确性较高的第一适应系数u
l
。
[0054]
在一些实施例中，电子设备利用稀疏记忆交互方法，根据历史平稳片段集及第一适应系数，对预训练时间卷积网络进行训练，得到训练好的时间卷积网络，可以包括：电子
设备根据历史平稳片段集，确定中间适应系数；该电子设备利用稀疏记忆交互方法中的适应系数公式，确定预训练时间卷积网络对应的第二适应系数；该电子设备根据第二适应系数，对预训练时间卷积网络进行调整，得到训练好的时间卷积网络。
[0055]
其中，适应系数公式为
[0056]u′
l
表示第二适应系数；t表示第二系数，t∈(0，1)；u
l
表示第一适应系数；表示中间适应系数。
[0057]
电子设备在根据历史平稳片段集，确定中间适应系数之后，可以利用稀疏记忆交互方法中的适应系数公式，准确确定预训练时间卷积网络对应的第二适应系数，也即，该第二适应系数的准确性较高；然后，该电子设备根据第二适应系数，对预训练时间卷积网络中的网络参数进行调整，得到训练好的时间卷积网络，该训练好的时间卷积网络也是较为准确的。
[0058]
在一些实施例中，电子设备根据历史平稳片段集，确定中间适应系数，可以包括：电子设备利用稀疏记忆交互方法中的第一公式，确定平稳片段集包括的每个时间平稳片段；该电子设备利用第二公式，确定预设数量的目标时间平稳片段；该电子设备根据第三公式，确定中间适应系数；
[0059]
其中，第一公式为r
l
＝softmax(m
lul
)；
[0060]
第二公式为r
l(k)
＝topk(r
l
)；
[0061]
第三公式为
[0062]ml
表示关联存储器，可存储第一适应系数u
l
；r
l
表示关联存储器m
l
对应的注意力权重；k表示预设数量；r
l(k)
表示平稳片段集中检索最相关的前预设数量k个记忆项，记忆项为时间平稳片段；r
l(k)
[i]表示r
l(k)
中第i个时间平稳片段；m
l
[i]表示述关联存储器m
l
中第i行记忆项；表示中间适应系数。
[0063]
由于关联存储器中存在存储冲突的模式，所以，该电子设备可以在该关联存储器中存储的记忆项中，检索前k个最相关的记忆项来使用稀疏注意力。
[0064]
示例性的，k的取值为2。
[0065]
电子设备利用稀疏记忆交互方法中的第一公式、第二公式及第三公式，可以准确得到历史平稳片段集对应的中间适应系数，以便该电子设备基于准确性较高的中间适应系数，能够更加准确地对预训练时间卷积网络中的网络参数进行调整。
[0066]
在一些实施例中，在步骤103之后，方法还可以包括：电子设备根据平稳片段集，更新训练好的时间卷积网络中包括的历史平稳片段集，得到新的历史平稳片段集。
[0067]
可选的，电子设备根据平稳片段集，更新训练好的时间卷积网络中包括的历史平稳片段集，得到新的历史平稳片段集，可以包括但不限于以下其中一种实现方式：
[0068]
实现方式1：电子设备利用稀疏记忆交互方法中的第四公式，将新的历史平稳片段集存储在关联存储器中。
[0069]
其中，第四公式为
[0070]m′
l1
表示利用第四公式，得到新的历史平稳片段集所存储的关联存储器；表示外积运算。
[0071]
电子设备基于可以得到新的历史平稳片段集，该外积运算可有效将该新的历史平稳片段集存储在记忆项指示的相关位置，例如：关联存储器中。
[0072]
实现方式2：电子设备利用稀疏记忆交互方法中的第五公式，将新的历史平稳片段集存储在关联存储器中。
[0073]
其中，第五公式为m
′
l2
←
m1/max(1，||m1||2)。
[0074]m′
l2
表示表示利用第四公式，得到新的历史平稳片段集所存储的关联存储器。
[0075]
电子设备基于m1/max(1，||m1||2)可以得到新的历史平稳片段集，然后，再将该新的历史平稳片段集存储在关联存储器中。
[0076]
上述过程可应用于在线持续学习场景，不需要对检测任务进行显式切换，从而放宽了任务边界的定义，使得lstm模型及时间卷积网络可不断地改进对训练数据的学习，提高了lstm模型及时间卷积网络的学习效率。
[0077]
在本发明实施例中，根据获取的电子健康记录数据，确定在线时间序列预测；将在线时间序列预测输入至长短期记忆lstm模型，得到lstm模型输出的平稳片段集；将平稳片段集输入至时间卷积网络，得到时间卷积网络输出的疾病预测结果。该方法用以解决现有技术中由于电子健康记录数据具有长期依赖性及时间不规则性等特性，就容易导致电子设备基于该电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果的缺陷，实现将电子健康记录数据对应的在线时间序列预测作为一个持续学习问题，利用lstm模型及时间卷积网络，可有效协调在线时间序列预测与持续学习之间的关系，以解决该电子健康记录数据无法兼顾长期依赖性和时间不规则性的问题，从而提高疾病预测结果的准确性。
[0078]
下面对本发明提供的疾病预测装置进行描述，下文描述的疾病预测装置与上文描述的疾病预测方法可相互对应参照。
[0079]
如图2所示，本发明提供的疾病预测装置的结构示意图，可以包括：
[0080]
确定模块201，用于根据获取模块203获取的电子健康记录数据，确定在线时间序列预测；
[0081]
输出模块202，用于将该在线时间序列预测输入至长短期记忆lstm模型，得到该lstm模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0082]
可选的，获取模块203，具体用于获取该历史在线时间序列预测及该历史平稳片段集之间的累计误差；
[0083]
输出模块202，具体用于根据该累计误差，对预训练lstm模型进行调整，得到训练好的lstm模型。
[0084]
可选的，获取模块203，用于获取预训练时间卷积网络对应的自适应参数；
[0085]
确定模块201，具体用于利用偏导数建模方法，根据该自适应参数，确定该预训练时间卷积网络对应的第一适应系数；利用稀疏记忆交互方法，根据该历史平稳片段集及该第一适应系数，对该预训练时间卷积网络进行训练，得到训练好的时间卷积网络。
[0086]
可选的，确定模块201，具体用于利用偏导数建模方法中的梯度公式，确定该预训
练时间卷积网络对应的当前梯度；将该当前梯度进行映射，得到第一适应系数；其中，该梯度公式为度公式为表示该当前梯度；γ表示第一系数，γ∈(0，1)；表示该自适应参数的指数移动平均值ema对应的梯度；表示该历史平稳片段集在第l层第t时刻对应的梯度。
[0087]
可选的，确定模块201，具体用于根据该历史平稳片段集，确定中间适应系数；利用稀疏记忆交互方法中的适应系数公式，确定该预训练时间卷积网络对应的第二适应系数；根据该第二适应系数，对该预训练时间卷积网络进行调整，得到训练好的时间卷积网络；其中，该适应系数公式为u
′
l
表示该第二适应系数；t表示第二系数，t∈(0，1)；u
l
表示该第一适应系数；表示中间适应系数。
[0088]
可选的，确定模块201，具体用于利用稀疏记忆交互方法中的第一公式，确定该平稳片段集包括的每个时间平稳片段；利用第二公式，确定预设数量的目标时间平稳片段；根据第三公式，确定中间适应系数；其中，该第一公式为r
l
＝softmax(m
lul
)；该第二公式为r
l(k)
＝topk(r
l
)；该第三公式为m
l
表示关联存储器，存储所述第一适应系数；r
l
表示该关联存储器m
l
对应的注意力权重；k表示该预设数量；r
l(k)
表示该平稳片段集中检索最相关的前预设数量k个记忆项，该记忆项为时间平稳片段；r
l(k)
[i]表示该r
l(k)
中第i个时间平稳片段；m
l
[i]表示述关联存储器m
l
中第i行记忆项；表示该中间适应系数。
[0089]
可选的，确定模块201，还用于根据该平稳片段集，更新该训练好的时间卷积网络中包括的该历史平稳片段集，得到新的历史平稳片段集。
[0090]
如图3所示，是本发明提供的电子设备的结构示意图，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、关联存储器(memory)330、通信总线340和适配器350，其中，处理器310，通信接口320，关联存储器330和适配器350通过通信总线340完成相互间的通信。处理器310可以调用关联存储器330和适配器350中的逻辑指令，以执行疾病预测方法，该方法包括：根据获取的电子健康记录数据，确定在线时间序列预测；将该在线时间序列预测输入至长短期记忆lstm模型，得到该lstm模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0091]
此外，上述的关联存储器330和适配器350中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0092]
可选的，本发明实施例涉及的电子设备可以包括：计算机、移动终端及可穿戴设备等。
[0093]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的疾病预测方法，该方法包括：根据获取的电子健康记录数据，确定在线时间序列预测；将该在线时间序列预测输入至长短期记忆lstm模型，得到该lstm模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0094]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的疾病预测方法，该方法包括：根据获取的电子健康记录数据，确定在线时间序列预测；将该在线时间序列预测输入至长短期记忆lstm模型，得到该lstm模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0095]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0096]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0097]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。