一种预测康复状态的方法、电子设备及存储介质与流程

本发明涉及计算机应用，特别是涉及一种预测康复状态的方法、电子设备及存储介质。

背景技术：

1、精神障碍患者，尤其是严重精神障碍的患者，在管理和康复的过程中面临许多挑战。诸如转诊风险、危险行为、自知力和服药依从性等关键的临床指标需要关注，这些指标之间相互影响，有时会形成复杂的相互作用网络。然而，当前在医疗体系中，对这些关键指标的处理往往是分散的，缺乏整合和协同。并且，过往的预测模型多数仅能处理单一类型的数据，只能对单一任务进行预测与评估，这无法满足复杂情况下的精神障碍患者管理需求。

2、现有技术中的基于人工智能技术的医疗辅助决策模型，虽然提供了一种新的处理方式，但普遍存在的鲁棒性与公平性问题，使得其在实践应用中受到限制。

3、因此，亟需提供一种能同时对多项任务进行预测和评估，并准确预测康复状态的方法。

技术实现思路

1、本发明的目的在于，提供一种预测康复状态的方法、电子设备及存储介质，实现运用深度学习技术，尤其是tabnet模型，涉及多个不同的临床指标，准确预测患者康复状态的效果。

2、为了解决上述发明目的，本发明提供了一种预测康复状态的方法，包括：

3、收集非结构化文本数据和结构化诊断信息并进行整理；

4、提取数据特征，筛选康复状态关联变量；

5、特征预处理；

6、构建基于tabnet的多任务学习模型，为多个任务设计一个tabnet层作为共享层，在tabnet层之后，分别为每个任务添加独立的适应层和分类器。

7、可选的，将所述非结构化文本数据和所述结构化诊断信息整理为研究用非结构化数据表和研究用结构化数据表。

8、可选的，针对所述结构化诊断信息，整合自变量与结局变量，计算指标评估时间及风险发生时间间隔，整理形成研究用结构化数据表。

9、可选的，所述筛选康复状态关联变量包括：确定康复状态关键指标，包括：转诊风险、危险行为、自知力和服药依从性。

10、可选的，所述特征预处理的过程包括：针对文本类别型特征引入描述性的文本表示，对数值型特征进行无量纲化处理，并使用插值方法进行缺失值填补。

11、可选的，所述特征预处理的过程之后还包括特征融合：将预处理后的所述文本类别型特征和所述数值型特征进行融合。

12、可选的，在所述构建基于tabnet的多任务学习模型之前，还包括交叉验证及非平衡数据处理：数据划分为训练集、验证集和测试集；进行交叉验证，用以调整模型的超参数、验证内部效度和外部效度；引入权重用以平衡不同任务之间的损失。

13、可选的，在所述构建基于tabnet的多任务学习模型之后还包括模型验证：输入测试集到训练好的模型中，将输出的预测结果与真实的结果进行比较，验证模型的外部效度，并通过分析模型的预测结果和真实结果的一致性，评估模型的预测精度。

14、可选的，还包括模型解释和改进：通过分析模型的预测结果，识别影响预测精度的主要因素，并根据所述主要因素进行模型的改进；

15、通过对模型进行深入解释，用以提高模型的可解释性。

16、可选的，针对难度系数高的任务，加深分类器的网络层数，并引入权重。

17、本发明还提供一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以运行时执行如上所述的方法的步骤。

18、本发明还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如上所述的方法的步骤。

19、与现有技术相比，本方案提供的预测方法涉及多个不同的临床指标，使用tabnet模型独立处理和提取结构化诊断信息的特征，根据各个任务的重要性和预测难度进行自我调整，保证模型的性能，使得模型的预测更准确；利用深度学习模型处理结构化诊断信息，使得医疗相关人员评估患者康复状态时可以利用更丰富的信息，提高评估的准确性。

技术特征：

1.一种预测康复状态的方法，其特征在于，包括：

2.如权利要求1所述的预测康复状态的方法，其特征在于，将所述非结构化文本数据和所述结构化诊断信息整理为研究用非结构化数据表和研究用结构化数据表。

3.如权利要求2所述的预测康复状态的方法，其特征在于，针对所述结构化诊断信息，整合自变量与结局变量，计算指标评估时间及风险发生时间间隔，整理形成研究用结构化数据表。

4.如权利要求1所述的预测康复状态的方法，其特征在于，所述筛选康复状态关联变量包括：确定康复状态关键指标，包括：转诊风险、危险行为、自知力和服药依从性。

5.如权利要求1所述的预测康复状态的方法，其特征在于，所述特征预处理的过程包括：针对文本类别型特征引入描述性的文本表示，对数值型特征进行无量纲化处理，并使用插值方法进行缺失值填补。

6.如权利要求5所述的预测康复状态的方法，其特征在于，所述特征预处理的过程之后还包括特征融合：将预处理后的所述文本类别型特征和所述数值型特征进行融合。

7.如权利要求1所述的预测康复状态的方法，其特征在于，在所述构建基于tabnet的多任务学习模型之前，还包括交叉验证及非平衡数据处理：数据划分为训练集、验证集和测试集；

8.如权利要求7所述的预测康复状态的方法，其特征在于，在所述构建基于tabnet的多任务学习模型之后还包括模型验证：输入测试集到训练好的模型中，将输出的预测结果与真实的结果进行比较，验证模型的外部效度，并通过分析模型的预测结果和真实结果的一致性，评估模型的预测精度。

9.如权利要求8所述的预测康复状态的方法，其特征在于，还包括模型解释和改进：通过分析模型的预测结果，识别影响预测精度的主要因素，并根据所述主要因素进行模型的改进；

10.如权利要求1所述的预测康复状态的方法，其特征在于，针对难度系数高的任务，加深分类器的网络层数，并引入了权重衰减策略用以防止过拟合。

11.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至10任一项所述的方法的步骤。

12.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至10任一项所述的方法的步骤。

技术总结
本发明揭示了一种基于TabNet的多任务学习模型，以预测严重精神障碍患者康复状态的方法，模型使用结构化诊断信息，聚焦四个关键临床指标：转诊风险、危险行为、自知力和服药依从性，优化多任务学习的平衡，提升预测准确性，降低过拟合风险，并增强模型的透明度与可信度，本发明提供的方法适用于精神康复领域的多任务需求，亦可扩展至其他健康领域。

技术研发人员：刘钊,郑兴山,肖建平,刘东利
受保护的技术使用者：上海宇聆高新技术有限公司
技术研发日：
技术公布日：2024/4/17