基于循环神经网络预测感染风险的方法、装置及电子设备与流程

本发明属于医疗数据处理，具体而言，涉及基于循环神经网络预测感染风险的方法、装置及电子设备。

背景技术：

1、在医疗服务领域，医院是患者接受治疗、康复的重要场所。医院内感染又称医院获得性感染或医院感染，其定义是发生在医院内的一切感染。由于医院环境中患者的流动性大、病情各异，以及密集的医疗设备和操作，使得医院成为感染易发、高发的地方。尤其是近年来，随着医疗技术的进步和新型病原体的出现，医院内感染问题愈发严重。首先，医院内人员密集，患者与医护人员、患者与患者之间的接触频繁，增加了感染传播的机会；其次，医院内使用的医疗设备、器械等往往需要多人共用，若清洁消毒不到位，极易成为感染传播的途径；此外，医院内的空气流通、环境卫生、老年群体与术后群体人群抵抗力差等因素也会影响感染的发生。

2、目前还没有能够有效预测医院内感染风险的方案,虽然有很多规章制度来减少院感的发生率，但是无法完全将院感发生率归零，目前院内感染都是在患者已经感染后，再通过上报作为不良事件进行归档。现有技术缺少能够预测患者医院内感染风险的方法，提高患者医院内感染预测的准确度，对于解决医院内感染问题具有重大意义。

技术实现思路

1、为了解决上述技术问题，本发明提供基于循环神经网络预测感染风险的方法、装置及电子设备。

2、第一方面，本发明提供了基于循环神经网络预测感染风险的方法，包括：

3、收集患者医疗数据；

4、患者医疗数据预处理，包括对患者医疗数据进行清洗与标准化处理；

5、根据预处理后的患者医疗数据，提取与感染风险关联的特征数据，包括患者的生理指标数据、护理措施数据、用药数据与患者医疗检验数据；

6、根据特征数据计算特征参数，构建特征参数数据集；特征参数包括生理指标的变化率、护理措施的频率与抗生素用药数据；

7、将特征参数数据集划分为训练集与验证集；

8、构建循环神经网络模型，预设循环神经网络模型的参数，将训练集中的特征参数按照时间顺序输入循环神经网络模型，利用循环神经网络模型计算患者在下一时间节点发生感染的概率；

9、通过梯度下降优化损失函数更新循环神经网络模型的参数；

10、利用特征参数数据集中的验证集计算循环神经网络模型的性能指标，使得循环神经网络模型的性能指标满足设定值，得到感染风险预测模型；

11、实时采集当前患者的医疗数据并进行预处理，提取特征数据并根据特征数据计算特征参数，利用感染风险预测模型计算患者感染风险的实时的概率值；

12、绘制患者感染风险的实时的概率值随时间变化的曲线图并进行显示；

13、系统预设患者感染风险的实时的概率值的安全阈值，根据患者感染风险的实时的概率值与安全阈值进行报警。

14、第二方面，本发明提供了基于循环神经网络预测感染风险的装置，包括收集单元、预处理单元、特征提取单元、数据集构建单元、划分单元、模型构建单元、参数更新单元、验证单元、处理单元、绘制单元与报警单元；

15、收集单元，用于收集患者医疗数据；

16、预处理单元，用于患者医疗数据预处理，包括对患者医疗数据进行清洗与标准化处理；

17、特征提取单元，用于根据预处理后的患者医疗数据，提取与感染风险关联的特征数据，包括患者的生理指标数据、护理措施数据、用药数据与患者医疗检验数据；

18、数据集构建单元，用于根据特征数据计算特征参数，构建特征参数数据集；特征参数包括生理指标的变化率、护理措施的频率与抗生素用药数据；

19、划分单元，用于将特征参数数据集划分为训练集与验证集；

20、模型构建单元，用于构建循环神经网络模型，预设循环神经网络模型的参数，将训练集中的特征参数按照时间顺序输入循环神经网络模型，利用循环神经网络模型计算患者在下一时间节点发生感染的概率；

21、参数更新单元，用于通过梯度下降优化损失函数更新循环神经网络模型的参数；

22、验证单元，用于利用特征参数数据集中的验证集计算循环神经网络模型的性能指标，使得循环神经网络模型的性能指标满足设定值，得到感染风险预测模型；

23、处理单元，用于实时采集当前患者的医疗数据并进行预处理，提取特征数据并根据特征数据计算特征参数，利用感染风险预测模型计算患者感染风险的实时的概率值；

24、绘制单元，用于绘制患者感染风险的实时的概率值随时间变化的曲线图并进行显示；

25、报警单元，用于系统预设患者感染风险的实时的概率值的安全阈值，根据患者感染风险的实时的概率值与安全阈值进行报警。

26、第二方面，本发明提供了本发明提供了一种电子设备，包括：

27、处理器和存储器；

28、所述存储器，用于存储计算机操作指令；

29、所述处理器，用于通过调用所述计算机操作指令，执行所述的基于循环神经网络预测感染风险的方法。

30、在上述技术方案的基础上，本发明还可以做如下改进。

31、进一步，患者医疗数据预处理过程中，对患者医疗数据进行清洗包括对缺失值进行填补和对异常值进行删除；

32、对缺失值中不随时间变化而波动的数值进行填补时使用患者医疗数据的均值或中位数或众数进行填补；

33、对缺失值中随时间变化而波动的数值进行填补时使用插值方法进行填补；

34、插值方法包括线性插值法、多项式插值法与样条插值法；

35、对患者医疗数据进行标准化处理包括将各个数据源的患者医疗数据转化为相同的数据格式。

36、进一步，循环神经网络模型包括输入层、rnn层、输出层与dense层；

37、输入层用于输入特征参数；

38、rnn层用于设定特征参数的权重，对特征参数进行加权处理；

39、设为时间，为时间点的输入特征，为时间点的隐藏状态，表征接收当前时间点的输入特征和前一个时间点的隐藏状态并输出当前时间点的隐藏状态，则rnn层表示为：

40、；

41、dense层设置有softmax激活函数；设为在时间点预测的患者发生感染的概率，为输出层的权重，为输出层的偏置，softmax函数将输出值转换为[0,1]之间的概率值，在循环神经网络模型的输出层使用softmax函数将隐藏状态映射到一个概率分布，得到：

42、。

43、进一步，通过梯度下降优化损失函数更新循环神经网络模型的参数，包括：

44、设表示模型参数，是学习率，是损失函数关于循环神经网络模型的参数的梯度，则梯度下降优化损失函数表示为：

45、。

46、进一步，利用特征参数数据集中的验证集计算循环神经网络模型的性能指标，性能指标包括准确率、召回率与f1值；

47、设为真正例，为真负例，为假正例，为假负例，准确率为，则准确率为：

48、；

49、设召回率为，则：

50、；

51、设循环神经网络模型的精确度为，f1值准确率和召回率的加权调和平均值，则：

52、。

53、进一步，系统预设患者感染风险的实时的概率值的安全阈值，根据患者感染风险的实时的概率值与安全阈值进行报警，当患者感染风险的实时的概率值大于或等于预设的安全阈值时，系统发出报警，否则系统不发出报警。

54、进一步，还包括根据患者感染风险的实时的概率值进行等级划分，得到患者感染风险的等级，对患者感染风险的等级进行显示。

55、本发明的有益效果是：本发明通过构建循环神经网络模型的方式，结合患者的生理指标数据、护理措施数据、用药数据、患者医疗检验数据等多源数据，实现患者感染风险的准确预测。