一种基于深度学习从电子病历中预测疾病风险的方法

发布时间：2021-11-14 21:05

　　数据驱动的医疗（data driven healthcare）旨在运用大规模的数据,通过数据分析、机器学习等方法,实现疾病风险预测,以提供最好的和最个性化的护理。电子病历中蕴含着大量有价值的信息,是推动这一数据驱动医疗革命成功的主要载体。然而,电子病历中一次入院包含可变大小的多次诊断,使得入院信息难以表示;且每次入院在时间上具有无规律性,同时疾病的发展具有长期依赖性,以上是实现有效疾病预测的现实挑战。随着深度学习领域知识和技术的不断发展,研究基于电子病历运用深度学习技术对疾病风险预测的方法,为医生诊断提供参照,对于提高临床诊断的及时性、准确性,降低医疗成本具有现实意义。但是,目前国内外的相关研究不是很多,为了解决上述挑战,本文将做如下研究:1、针对电子病历信息难以表示,即电子病历中记录的入院信息极其稀疏,本文基于自然语言处理（Natural Language Processing,NLP）中词嵌入模型,通过对诊断进行特定编码表示,把同种类型的向量池化成一个向量,然后一次入院被特定类型的池化向量表示,通过这种方式可变大小的入院被嵌入到一个连续的向量空间,将作为预测模型的输入。2、针对电子... 

【文章来源】：华侨大学福建省

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

ICD-10网页图

特征向量直接从EHR中得到,将EHR记录建模为如图2.2所示的图像矩阵[8],其中X轴对应于时间戳,Y轴对应于事件值。注意,不同的事件可能有不同的值范围和类型（例如,血压具有连续值）。此外,每个事件可以是瞬时的（由单个像素表示）,也可以具有一定的持续时间（由图像中的线段表示）。这提供了一种简洁的表示,可以有效地使用图像来编码大量的时间信息,包括事件值、时间和持续时间时不同事件之间的关系以及成对事件之间的间隔。2.1.2.2 基于纵向矩阵

从EHR事件中为每个患者构建一个纵向患者矩阵,该矩阵由两个维度组成：特征维度和时间维度。构造这种矩阵的一种简单方法是在两个维度中使用最细的粒度：使用医疗事件类型作为特征维度的特征空间,使用日期作为时间维度的基本单位。不幸的是,用这种方法构建的患者矩阵太稀疏,没有用处。作为一种补救方法,我们通过每周为单位对时间聚合,每个医疗特征在一个时间点上的值由该周内相应医疗事件的计数给出。特征粒度的选择不应过于粗糙,否则在检索过程中可能会丢失更精细级别特征中的预测信息。但基于此的构建得到的矩阵仍很稀疏。最后,需要把纵向病人矩阵作为分类器的特征向量。由于患者有不同长度的记录,通常会定义一个感兴趣的观察窗,并在观察窗内提取所有患者的汇总统计数据（如平均值、标准差）。整个过程如图2.3所示[10]。

【参考文献】：
期刊论文
[1]基于深度学习的心血管疾病风险预测模型[J]. 安莹,黄能军,杨荣,陈先来.  中国医学物理学杂志. 2019(09)
[2]基于LSTM神经网络的麻疹发病率预测[J]. 韩天齐,宋波.  电脑与电信. 2018(05)
[3]结合LSTM和CNN混合架构的深度神经网络语言模型[J]. 王毅,谢娟,成颖.  情报学报. 2018(02)



本文编号：3495339