电子健康记录缺失数据预测与填充方法研究

发布时间：2021-01-14 15:58

　　电子健康记录（EHR）包含了患者的身体状况、疾病信息、免疫状况、住院记录等个人健康相关的信息。利用神经网络等深度学习方法从大量的EHR数据中挖掘医学规律有助于及早发现疾病并进行治疗。然而,由于数据记录不及时、数据测量条件有限等客观原因,常常导致EHR数据存在大量缺失数据项,极大限制了机器学习方法的应用,因此,必须寻找有效的方法处理缺失数据项。论文通过分析EHR数据和现有缺失数据预测方法的特点,提出了两种基于循环神经网络（RNN）的缺失数据预测方法,并对MIMIC-III数据集的缺失数据进行处理,然后基于填充后的数据集预测住院期间患者死亡率,以验证缺失数据处理方法的有效性。论文主要工作如下:（1）提出了一种基于长短时记忆网络（LSTM）的EHR缺失数据预测与填充方法。首先,从EHR数据中提取出病人生理数据字段,标记字段中的缺失数据项,同时标记带有缺失数据项的患者相应就诊数据,形成新的数据集。其次,基于新的数据集训练LSTM模型,然后使用训练后的模型预测缺失数据项,根据标记将预测值填入缺失位置以形成完整数据集。最后,采用平均绝对误差（MAE）方法和住院期间患者死亡率预测方法验证预测数据。实... 

【文章来源】： 陈宣池 山东师范大学

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 EHR研究现状
        1.2.2 缺失数据处理研究现状
        1.2.3 LSTM研究现状
    1.3 主要内容和创新点
    1.4 论文的组织架构
    1.5 本章小结
第二章 缺失数据处理方法研究
    2.1 缺失数据处理方法
        2.1.1 缺失数据
        2.1.2 常规缺失数据处理方法
    2.2 长短时记忆网络
        2.2.1 背景及现状
        2.2.2 基本LSTM结构
    2.3 本章小结
第三章 基于LSTM的 EHR缺失数据预测与填充方法
    3.1 方法描述
        3.1.1 方法过程描述
        3.1.2 字段选择和数据预处理
        3.1.3 LSTM模型
    3.2 验证方法
        3.2.1 平均绝对误差法
        3.2.2 住院期间患者死亡率预测结果验证法
    3.3 实验与分析
        3.3.1 数据集
        3.3.2 实验对比算法
        3.3.3 实验结果与分析
    3.4 本章小结
第四章 基于Attention-BiLSTM的 EHR缺失数据预测与填充方法
    4.1 引言
    4.2 方法描述
        4.2.1 BiLSTM模型
        4.2.2 注意力机制
        4.2.3 Attention-BiLSTM模型
    4.3 实验与分析
        4.3.1 数据准备
        4.3.2 实验设置
        4.3.3 平均绝对误差实验
        4.3.4 住院期间患者死亡率预测实验
    4.4 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 下一步研究工作
参考文献
攻读硕士学位期间的主要成果
致谢


【参考文献】：
期刊论文
[1]LSTM在输变电设备缺失值填补中的应用[J]. 辜超,白德盟,王晶,闫丹凤.  电测与仪表. 2019(05)
[2]采用双向LSTM模型的雷达HRRP目标识别[J]. 徐彬,陈渤,刘家麒,王鹏辉,刘宏伟.  西安电子科技大学学报. 2019(02)
[3]基于CNN和双向LSTM融合的实体关系抽取[J]. 张晓斌,陈福才,黄瑞阳.  网络与信息安全学报. 2018(09)
[4]基于双向LSTM神经网络模型的中文分词[J]. 金宸,李维华,姬晨,金绪泽,郭延哺.  中文信息学报. 2018(02)
[5]MIMIC-Ⅲ电子病历数据集及其挖掘研究[J]. 陈静,李保萍.  信息资源管理学报. 2017(04)
[6]深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 陈亮,王震,王刚.  电力信息与通信技术. 2017(05)



本文编号：2977134