一种医疗事件风险评估分析方法及系统与流程

本发明涉及医疗设备技术领域，尤其涉及一种医疗事件风险评估分析方法及系统。

背景技术：

近年来，随着各种疾病发生率的逐年上升，疾病的预防和治疗越来越受到大家的关注。为了更好地实现疾病的预防和治疗，虽然已经开发出很多用于辅助治疗和显示的计算机方法，但是很少有能够对健康状况进行预测的方法及系统。如何及时准确地对病人的健康状况进行预测，进而对不同治疗方案的风险进行评估，有助于医生及时提供更好的治疗方案。

现有技术方案中的，对于健康状况预测，一般是利用医学文本数据进行风险评估，利用长短期记忆网络(longshort-termmemory，lstm)模型来实现某一种类疾病的预测，数据源单一，信息种类少，而且lstm模型虽然能够处理长期依赖的问题，可以学习长期依赖信息。但是常规的lstm模型仅能够利用长时语义关联特征对单一种类医疗事件进行学习，无法区分不同事件类型，进而无法对混合医疗事件进行风险评估。

技术实现要素：

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种医疗事件风险评估分析方法及系统。

本发明的一个方面，提供了一种医疗事件风险评估分析方法，所述方法包括：

对健康电子病历数据进行预处理，生成医疗事件序列；

生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；

将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。

其中，所述生成所述医疗事件序列中每一医疗事件的事件向量包括：

采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。

其中，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。

其中，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到阶段性的长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；

所述阶段性的长短期记忆神经网络中设置有周期门，所述周期门用于对输入的事件属性向量序列的采样周期进行控制。

其中，所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，包括：

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络clockworkrnn中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

本发明的另一个方面，提供了一种医疗事件风险评估分析系统，所述系统包括：

预处理模块，用于对健康电子病历数据进行预处理，生成医疗事件序列；

特征提取模块，用于生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；

特征向量生成模块，用于将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；

评估模块，用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。

其中，所述特征提取模块，具体用于采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。

其中，所述评估模块，具体用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。

本申请实施例中提供的技术方案，具有如下技术效果或优点：

本发明实施例提供的一种医疗事件风险评估分析方法及系统，能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提出的一种医疗事件风险评估分析方法的流程图；

图2为本发明实施例提出的医疗混合事件序列的示意图；

图3为现有技术中的基础lstm的神经元的结构示意图；

图4为本发明实施例提出的混合事件lstm的神经元的结构实体图；

图5为本发明实施例提出的一种医疗事件风险评估分析系统的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示意性示出了本发明实施例提出的一种医疗事件风险评估分析方法的流程图。参照图1，本发明实施例提出的医疗事件风险评估分析方法具体包括：

s101、对健康电子病历数据进行预处理，生成医疗事件序列。

s102、生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量。

本实施例中，具体可以采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。

s103、将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；

s104、将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。

本发明实施例提供的一种医疗事件风险评估分析方法，能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。

本发明实施例中，步骤s104中的将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，具体通过以下步骤实现：

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。

本发明实施例的技术要点是挖掘医疗混合事件序列的信息，进行未来某一时间节点对某一医疗事件是否发生的预测。医疗混合事件序列如图2所示。

一个医疗事件序列是一个医疗事件按时间排序组成的序列，包含有上千类的不同医疗事件。每种医疗事件出现频率，次数，密度不同。上千种医疗事件按照时间顺序排序得到医疗事件序列。

本发明实施例基于机器学习和神经网络的方法，使用的结构为lstm(长短期记忆网络longshort-termmemory)，具体而言，是分段lstm(phasedlstm)。在此基础上，本发明实施例优化了对于混合类型事件的向量表示，从而形成了混合事件helstm(heterogeneouseventlstmhelstm)

图3为基础lstm的神经元基本结构，图4为helstm的神经元基本结构。主要区别在于，基础的lstm神经元中有三个门函数，分别为输入门(inputgate)，输出门(outputgate)，遗忘门(forgetgate)。

公式中，it，ft，ot分别表示t时刻的输入门，输出门和遗忘门函数。ct是激活向量，xt和ht分别为t时刻的输入向量和t时刻的隐藏层输出向量。σ表示sigmoid激活函数，tanh表示双曲正切激活函数。w均为参数矩阵。

而在helstm中，加入了一个新的事件门js,t。事件门由两部分构成，分别为一个事件过滤器(eventfilter)和一个周期门(phasedgate)。事件过滤器只允许特定的某些种类事件输入进神经元，周期门使得只有特定周期下该神经元才是开放的。这样就保证了每个神经元只会抓取特定几类事件的特征，并对其进行了采样。这样子就解决了时间的复杂多样性问题和医疗事件序列过长而导致的训练效果变差问题。事件门的开闭由周期门中的某个特定的周期控制，只有当门开放时才能更新上图各个参数。

es＝σ(wemtanh(wmss+bm)+be)

事件过滤器的表达式如上，其中σ表示sigmoid函数，tanh表示双曲正切函数，w，b等均为训练中学习的参数。通过这个部分可以让每个神经元关注各自不同的一组事件种类，从而更好的学习出混合事件序列中的信息。

上图是事件门js,t的表达式。其组成由两部分构成，一部分的事件过滤器e，另一部分则是周期门k。k是一个周期性变化的函数：给定了周期τ，则k随着τ进行周期变化，在φ＝1/2*r时为1，即完全打开；在φ＝0时完全关闭。只有在门打开时所有参数才可以更新，这样就可以对输入的部分进行周期性的采样，解决输入序列过长的问题。

yt＝s#gmoid(wpht+bp)

上式中是损失函数，采用了交叉熵的形式。其中y为预测的结果，表示真实指标。y的公式中，h为最终隐藏层的输出，w和b为要在训练中学习的参数。

在本发明的一个可选实施例中，步骤s104中的所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，还可以通过以下步骤实现：

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到阶段性的长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；其中，所述阶段性的长短期记忆神经网络中设置有周期门，所述周期门用于对输入的事件属性向量序列的采样周期进行控制。

本发明实施例中，还可以采用阶段性的长短期记忆神经网络phasedlstm，实现对事件属性向量序列的学习。该实现方案只加入了周期门进行周期化采样，没有对混合事件类型进行处理。

在本发明的另一个可选实施例中，步骤s104中的所述将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估，还可以通过以下步骤实现：

将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络clockworkrnn中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

本发明实施例中，还可以时间序列神经网络clockworkrnn实现对事件属性向量序列的学习。该实现方案是一个处理事件序列周期性的模型，采用对不同周期的节点分组的方式进行学习。但是时间复杂度较高，且也没有对混合事件类型进行处理。

本发明实施例提供的一种医疗事件风险评估分析方法及系统，提出了由周期门和事件过滤器组成的事件门的构想，对lstm进行改进，能更好的学习长混合医疗事件序列，使得更加能学习到混合序列中各种类事件之间的关联性；在医疗事件学习中引入了事件向量表征的概念，能更好的区分不同事件类型，学习到不同事件之间的复杂相关性和不同事件内部相异的序列特征。本发明能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

图5示意性示出了本发明实施例的一种医疗事件风险评估分析系统的结构框图。参照图5，本发明实施例提供的一种医疗事件风险评估分析系统，具体包括预处理模块201、特征提取模块202、特征向量生成模块203以及评估模块204，其中：

预处理模块201，用于对健康电子病历数据进行预处理，生成医疗事件序列；

特征提取模块202，用于生成所述医疗事件序列中每一医疗事件的事件向量，并根据各个医疗事件对应的统计量数值生成每一医疗事件的属性向量；

特征向量生成模块203，用于将各个医疗事件的事件向量和属性向量进行合并，生成所述医疗事件序列中每一医疗事件的事件属性向量；

评估模块204，用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到预设的医疗事件预测模型，通过所述医疗事件预测模型进行医疗事件风险评估。

本发明实施例提供的一种医疗事件风险评估分析系统，能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。

在本发明实施例中，所述特征提取模块202，具体用于采用独热编码方式对所述医疗事件序列进行编码，生成每一医疗事件的事件向量。

在本发明实施例中，所述评估模块204，具体用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

在本发明的一个可选实施例中，评估模块204，具体还用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到阶段性的长短期记忆神经网络中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测；其中，所述阶段性的长短期记忆神经网络中设置有周期门，所述周期门用于对输入的事件属性向量序列的采样周期进行控制。

在本发明的另一个可选实施例中，评估模块204，具体还用于将所述医疗事件序列对应的事件属性向量序列作为训练集输入到时间序列神经网络clockworkrnn中学习，得到每种医疗事件的向量表征，并基于每种医疗事件的向量表征进行医疗事件的分类预测。

其中，所述长短期记忆神经网络中设置有事件门结构，所述事件门结构包括事件过滤器和周期门，所述事件过滤器用于实现对医疗事件序列的向量特征的捕捉，所述周期门用于控制所述事件过滤器的开放周期，所述开放周期为所述事件过滤器的采样周期。

本发明实施例提供的一种医疗事件风险评估分析方法及系统，提出了由周期门和事件过滤器组成的事件门的构想，对lstm进行改进，能更好的学习长混合医疗事件序列，使得更加能学习到混合序列中各种类事件之间的关联性；在医疗事件学习中引入了事件向量表征的概念，能更好的区分不同事件类型，学习到不同事件之间的复杂相关性和不同事件内部相异的序列特征。本发明能够更好的捕捉医疗事件的分类特性和数值特性，进而更准确的捕捉到医疗事件序列的特征，更充分地利用实际的电子健康记录的各类事件数据来进行风险评估或者针对病人的其他类型医疗事件预测，提高预测准确率并降低预测所需时间。

在此提供的仿真方法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。