一种病症预警方法、装置、设备及介质与流程

本发明涉及医疗检测数据领域，尤其涉及一种病症预警方法、装置、设备及介质。
背景技术：
：随着科学技术的发展，越来越多的患者通过手术被救治，但是患者手术后很容易被感染。器官衰竭感染病症是由患者对感染的反应失调引起的危及生命的器官功能障碍，是重症监护室中的常见疾病及患者死亡的主要原因之一，现有技术中，可以基于患者的生命标志物，如降钙元素等，结合患者的病症评分，基于一个预测模型，输出患者病发的概率，但是这种方法中，仅使用了单一的生物标志物预测，使得预测结果准确度偏低，另一方面，仅使用一个模型会受到模型的偏好的影响，影响预测结果的准确性。技术实现要素：本发明实施例提供了一种病症预警方法、装置、设备及介质，用以解决现有的病症预警准确度较低的问题。本发明实施例提供一种病症预警方法，所述方法包括：将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中；将所述至少两种预测模型的输出作为新的特征输入到集成模型中；根据所述集成模型的输出，确定所述预测时间段所述待预测患者病发预设疾病的概率。进一步地，将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中之前，所述方法还包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足该治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的数据的目标最大值、目标最小值、目标中位数和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二设定时长内该生命体征的总数据。进一步地，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长；获取所述待预测患者的氧分压与吸氧浓度的比值的最小值。进一步地，所述至少两种预测模型包括：第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型和第三预测模型为梯度提升机lightgbm模型。进一步地，当包括多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型时，对每个预测模型以及集成模型的训练过程包括：获取训练集中的任一样本数据，所述样本数据包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及所述目标患者在采集所述第三目标数据和第四目标数据之后的预设时间段是否病发预设疾病的标识信息；将所述样本数据输入到所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中；将所述多层感知器预测模型输出的第一目标预测结果、所述短期记忆神经网络预测模型输出的第二目标预测结果，以及所述lightgbm模型输出的第三目标预测结果输入到集成模型中；根据所述集成模型的输出的是否病发预设疾病的信息以及所述样本数据对应的是否病发预设疾病的标识信息，对所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及所述集成模型的参数进行调整。进一步地，所述集成模型为回归模型。本发明实施例还提供一种病症预警装置，所述装置包括：获取模块，用于获取预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据；预测模块，用于将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中；将所述至少两种预测模型的输出作为新的特征输入到集成模型中；根据所述集成模型的输出，确定所述预测时间段所述待预测患者病发预设疾病的概率。进一步地，所述预测模块，具体用于将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的数据的目标最大值、目标最小值、目标中位数和目标平均值；若所述生命体征为第二类生命体征，则将预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则确定所述待预测患者的第二设定时长内该生命体征的总数据。进一步地，所述预测模块，具体用于获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长；获取所述待预测患者的氧分压与吸氧浓度的比值的最小值。进一步地，所述至少两种预测模型包括：第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型和第三预测模型为梯度提升机lightgbm模型。进一步地，所述装置还包括：训练模块，用于获取训练集中的任一样本数据，所述样本数据包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及所述目标患者在采集所述第三目标数据和第四目标数据之后的预设时间段是否病发预设疾病的标识信息；将所述样本数据输入到所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中；将所述多层感知器预测模型输出的第一目标预测结果、所述短期记忆神经网络预测模型输出的第二目标预测结果，以及所述lightgbm模型输出的第三目标预测结果输入到集成模型中；根据所述集成模型的输出的是否病发预设疾病的信息以及所述样本数据对应的是否病发预设疾病的标识信息，对所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及所述集成模型的参数进行调整。进一步地，所述集成模型为回归模型。本发明实施例还提供一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一的病症预警方法的步骤。本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述任一的病症预警方法的步骤。由于本发明实施例将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中，将该至少两种预测模型的输出作为新的特征输入到集成模型中，根据该集成模型的输出，确定该预测时间段所述待预测患者病发预设疾病的概率，在本发明实施例中，采用多个模型进行病症预警，提高了对病症预警的准确度，提高了用户的使用感。附图说明为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种病症预警方法的过程示意图；图2为本发明实施例提供的预测在预设时间段待预测患者是否会病发预设疾病的流程图；图3为本发明实施例提供的一种病症预警装置的结构示意图；图4为本发明实施例提供的一种电子设备结构示意图。具体实施方式为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。为了提高病症预警的准确度，本发明实施例提供了一种病症预警方法、装置、设备及介质。实施例1：图1为本发明实施例提供的一种病症预警方法的过程示意图，该过程包括以下步骤：s101：将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中。本发明实施例提供的一种病症预警方法应用于电子设备，该电子设备可以是服务器、pc客户端等。本发明实施例可以用于预测未来预测时间段内待预测患者的是否病发预设疾病。例如，可以用于预测未来一小时内待预测患者是否病发器官衰竭感染病症，预测未来两小时内待预测患者是否病发器官衰竭感染病症，预测未来三小时内该待预测患者是否病发器官衰竭感染病症等。具体的，预测时间段不同，所采用的数据也不同。模型训练的时候，采用的样本是能够预测多长时间段病发预设疾病，则在进行使用时，该模型即可实现对该预设时间段是否发生预设疾病进行预测。在本发明实施例中，可以根据预测需求，将预测时间段之前的预设时间范围内采集到的待预测患者的生命体征的数据和治疗的数据输入到至少两种预测模型中。其中，该生命体征的数据为该待预测患者的各项检查数据以及身体的基本数据等，该治疗数据为该待预测患者的治疗时的用药数据等。在本发明实施例中，该至少两种预测模型的输入相同，且该至少两种预测模型均为预测在预测时间段内该待预测患者是否病发预设疾病的模型。具体的，该至少两种预测模型均会输出该待预测患者病发预设疾病的概率。s102：将所述至少两种预测模型的输出作为新的特征输入到集成模型中。在本发明实施例中，该至少两种预测模型中的每个预测模型，都输出预测的该待预测患者在该预测时间段病发预设疾病的概率。在至少两种预测模型输出该待预测患者在该预测时间段病发预设疾病的概率之后，将该至少两种预测模型的输出作为新的特征输入到集成模型中。例如，一种预测模型输出的该待预测患者在预设时间段内病发预设疾病的概率为0.4，一种预测模型输出的该待预测患者在预设时间段病发预设疾病的概率为0.25，则将上述两个预设时间段内病发预设疾病的概率作为新的特征，输入到集成模型中，即将至少两种预测模型预测的该待预测患者的病发预设疾病的概率输入到集成模型中。s103：根据所述集成模型的输出，确定所述预测时间段所述待预测患者病发预设疾病的概率。在本发明实施例中，该集成模型会基于输入的至少两种预测模型输出的病发预设疾病的概率，输出待预测患者病发预设疾病的概率，可以根据该集成模型输出的该待预测患者病发预设疾病的概率以及预设的病发预设疾病的概率阈值，确定在预设时间段该待预测患者是否病发预设疾病。若该待预测患者病发预设疾病的概率大于预设的病发预设疾病的概率阈值，则认为在预设时间段该待预测患者会病发预设疾病；若该待预测患者病发预设疾病的概率小于预设的病发预设疾病的概率阈值，则认为该待预测患者不会病发预设疾病。在本发明实施例中，为了确保预测的准确性，该预设的病发预设疾病的概率阈值可以是0.12、0.18、0.2、0.26和0.28。例如，若预设的病发预设疾病的概率阈值为0.12，集成模型输出的该待预测患者病发预设疾病的概率为0.35，此时该待预测患者病发预设疾病的概率大于预设的病发预设疾病的概率阈值，则认为该待预测患者会病发预设疾病；若集成模型输出的该待预测患者病发预设疾病的概率为0.1，此时该待预测患者病发预设疾病的概率小于预设的病发预设疾病的概率阈值，则认为该待预测患者不会病发预设疾病。例如，若预设的病发预设疾病的概率阈值为0.18，集成模型输出的该待预测患者病发预设疾病的概率为0.35，此时该待预测患者病发预设疾病的概率大于预设的病发预设疾病的概率阈值，则认为该待预测患者会病发预设疾病；若集成模型输出的该待预测患者病发预设疾病的概率为0.1，此时该待预测患者病发预设疾病的概率小于预设的病发预设疾病的概率阈值，则认为该待预测患者不会病发预设疾病。例如，若预设的病发预设疾病的概率阈值为0.2，集成模型输出的该待预测患者病发预设疾病的概率为0.35，此时该待预测患者病发预设疾病的概率大于预设的病发预设疾病的概率阈值，则认为该待预测患者会病发预设疾病；若集成模型输出的该待预测患者病发预设疾病的概率为0.1，此时该待预测患者病发预设疾病的概率小于预设的病发预设疾病的概率阈值，则认为该待预测患者不会病发预设疾病。例如，若预设的病发预设疾病的概率阈值为0.26，集成模型输出的该待预测患者病发预设疾病的概率为0.35，此时该待预测患者病发预设疾病的概率大于预设的病发预设疾病的概率阈值，则认为该待预测患者会病发预设疾病；若集成模型输出的该待预测患者病发预设疾病的概率为0.1，此时该待预测患者病发预设疾病的概率小于预设的病发预设疾病的概率阈值，则认为该待预测患者不会病发预设疾病。例如，若预设的病发预设疾病的概率阈值为0.28，集成模型输出的该待预测患者病发预设疾病的概率为0.35，此时该待预测患者病发预设疾病的概率大于预设的病发预设疾病的概率阈值，则认为该待预测患者会病发预设疾病；若集成模型输出的该待预测患者病发预设疾病的概率为0.1，此时该待预测患者病发预设疾病的概率小于预设的病发预设疾病的概率阈值，则认为该待预测患者不会病发预设疾病。由于本发明实施例将预测时间段之前预设时间范围内采集到的待预测患者的生命体征的数据输入到至少两种预测模型中，将该至少两种预测模型的输出作为新的特征输入到集成模型中，根据该集成模型的输出，确定该预测时间段该待预测患者病发预设疾病的概率，在本发明实施例中，采用至少两个预测模型进行病症预警，提高了对病症预警的准确度，提高了用户的使用感。实施例2：为了准确预测待预测患者是否会病发预设疾病，在上述实施例的基础上，在本发明实施例中，将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中之前，所述方法还包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的数据的目标最大值、目标最小值、目标中位数和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二设定时长内该生命体征的总数据。针对每个生命体征和治疗的数据，由于该数据可能存在波动，因此在本发明实施例中，在将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和用药的数据输入到至少两种预测模型中之前，要对该待预测患者的生命体征和用药的数据进行分类。从而获取满足该生命体征要求的第一目标数据和满足用药要求的第二目标数据。对于生命体征的数据，有的生命体征随着短暂的时间的变化，会存在波动起伏，例如心率、呼吸频率等，但是有的生命体征在短时间内是不会变化的，如体重、年龄等。因此，在本发明实施例中，将生命体征进行了分类，对于不同种类的生命体征的数据的处理方法不同。具体的，在本发明实施例中，将随着短暂的时间的变化，会存在波动起伏的生命体征分为第一类生命体征。其中，该第一类生命体征包括：平均动脉压、心率、收缩压、舒张压、呼吸频率、体温、格拉斯哥评分、氧分压、吸氧浓度、指脉氧饱和度、潮气量、气道峰压、呼气末正压、氧气流量、白细胞计数、血红蛋白、红细胞压积、肌酐、胆红素、直接胆红素、血小板、国际标准化比值、凝血活酶时间、谷草转氨酶、碱性磷酸酶、乳酸、血糖、钾、钙、尿素氮、磷、镁、氯、脑钠肽、肌钙蛋白i、纤维蛋白原、c反应蛋白、酸碱度、二氧化碳分压、碳酸氢根、碱剩余、动脉血氧饱和度、白蛋白、凝血酶原时间、钠、肌酸激酶、肌酸激酶mb、乳酸脱氢酶、尿酸、单核细胞计数、淋巴细胞计数、肺泡-动脉氧分压差、红细胞计数、中性粒细胞计数、抗生素、尿量、去甲肾上腺素、肾上腺素、多巴胺、多巴酚丁胺。在本发明实施例中，若该生命体征为第一类生命体征，则对该生命体征的数据进行处理，得到预设时间范围内的该生命体征数据的目标最大值、目标最小值、目标中位数和目标平均值。例如，该生命体征为心率，预设时间范围为1个小时，则需要纪录每个小时的心率，并针对每个小时的心率计算最小值、最大值、中位数以及平均值。在本发明实施例中，将在短时间内不会发生变化的生命体征作为第二类生命体征。其中，该第二类生命体征包括：体重、机械通气、sofa评分、年龄。对于该第二类生命体征由于其在短时间内不会发生变化，则可以获取该预设时间范围内采集的该生命体征的数据。在本发明实施例中，将需要统计设定时长的数据的生命体征作为第三类生命体征。其中该第三类生命体征包括：液体出入量平衡和尿量。对于该第三类生命体征，由于其需要统计设定时长的数据，因此获取待预测患者的第二设定时长内的该生命体征的总数据。具体的，该第二设定时长一般为24小时，但是也可以根据实际情况进行改变。为了准确预测待预测患者是否会病发预设疾病，在上述各实施例的基础上，在本发明实施例中，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长；获取所述待预测患者的氧分压与吸氧浓度的比值的最小值。在本发明实施例中，对于治疗，该待预测患者在治疗过程中可能会服用设定的药物，若该待预测患者服用了设定的药物，则获取该待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量。具体的，该设定的药物一般为抗生素，该第一设定时长可以是12小时，该第二设定时长可以是24小时，该第三设定时长可以是48小时，但是也可以根据实际情况对该第一设定时长、第二设定时长和第三设定时长进行改变。其中，在本发明实施例中，第一设定时长、第二设定时长和第三设定时长不相同，此外，第一设定时长要小于第二设定时长，第二设定时长要小于第一设定时长。例如，获取待预测患者在12小时的抗生素服用量，24小时的抗生素服用量以及48小时的抗生素服用量。在本发明实施例中，还需获取待预测患者的氧分压和吸氧浓度的比值的最小值。实施例3：为了准确预测待预测患者是否会病发预设疾病，在上述各实施例的基础上，在本发明实施例中，所述至少两种预测模型包括：第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型和第三预测模型为梯度提升机lightgbm模型。在本发明实施例中，至少两种预测模型包括三个，分别为第一预测模型、第二预测模型和第三预测模型，其中第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型，第三预测模型为梯度提升机(lightgradientboostingmachine，lightgbm)模型。为了准确预测待预测患者是否会病发预设疾病，在上述各实施例的基础上，在本发明实施例中，当预测模型包括多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型时，对每个预测模型以及集成模型的训练过程包括：获取训练集中的任一样本数据，所述样本数据包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及所述目标患者在采集所述第三目标数据和第四目标数据之后的预设时间段是否病发预设疾病的标识信息；将所述样本数据输入到所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中；将所述多层感知器预测模型输出的第一目标预测结果、所述长短期记忆神经网络预测模型输出的第二目标预测结果，以及所述lightgbm模型输出的第三目标预测结果输入到集成模型中；根据所述集成模型的输出的是否病发预设疾病的信息以及所述样本数据对应的是否病发预设疾病的标识信息，对所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及所述集成模型的参数进行调整。为了准确预测待预测患者是否会病发预设疾病，在上述各实施例的基础上，在本发明实施例中，所述集成模型为回归模型。在本发明实施例中，在对多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及集成模型进行训练时，训练集中包含多个样本数据，其中每个样本数据中都包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及该目标患者在采集该第三目标数据及该第四目标数据之后的预设时间长度是否病发预设疾病的标识信息。将该样本数据输入到多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中，多层感知器预测模型会输出第一目标预测结果，长短期记忆神经网络预测模型会输出第二目标预测结果，lightgbm模型会输出第三目标预测结果。得到第一目标预测结果、第二目标预测结果和第三目标预测结果之后，将第一目标预测结果、第二目标预测结果和第三目标预测结果输入到集成模型中，由该集成模型输出是否病发预设疾病的信息。根据该集成模型输出的是否病发预设疾病的信息，以及该样本数据对应的是否病发预设疾病的标识信息，对该多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及集成模型的参数进行调整。例如，0为负样本，负样本为病发，1为正样本，正样本为未病发，根据预测结果以及表示信息，对该多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及集成模型的参数进行调整。在本发明实施例中，在进行模型训练时，针对不同的预设时间段是否病发预设疾病的预测需求，输入的数据也是不同的。例如，当前的训练内容是预测五小时后的是否病发器官衰竭感染病症，此时针对每一个样本数据，确定该样本数据对应的目标患者病发器官衰竭感染病症的时间，将该病发器官衰竭感染病症的时间确定为0时刻，获取该0时刻前五个小时的预设时间范围的数据，并将该0时刻前五个小时的预设时间范围的数据输入到多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中。当模型训练完成后，则该模型可以针对输入获取生命体征和用药的数据所对应时刻后的5小时是否会病发器官衰竭感染病症。另外，在本发明实施例中，在将样本数据输入到多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中之前，要对该样本数据进行异常值判断，即判断该样本数据是否存在异常数据，若存在，则不将该异常值输入到多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中，若该样本数据中不存在异常值，则将该样本数据输入到多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中。提前小时数准确度auc敏感性特异性10.85830.94530.88330.883320.83890.91310.85560.788930.83750.94350.86670.900040.86330.92980.86000.926750.85560.93350.85560.8833表1表1为本发明实施例提供的模型的指标数据，如表1所示，该表1中的第一列为提前小时数，即预测哪一时间待预测患者是否病发预设疾病，其中，1为预测1小时后该待预测患者是否病发预设疾病，2为预测2小时后该待预测患者是否病发预设疾病，3为预测3小时后该待预测患者是否病发预设疾病，4为预测4小时后该待预测患者是否病发预设疾病，5为预测5小时后该待预测患者是否病发预设疾病。其中，预测的病发时间不同，该模型对应的准确度、auc、敏感性以及特异性也不同。图2为本发明实施例提供的预测在预设时间段待预测患者是否会病发预设疾病的流程图，该图2包括：s201：获取该待预测患者的生命体征和治疗的数据。s202：确定该生命体征和治疗的数据中不存在异常值。s203：对该生命体征和治疗的数据进行处理，得到满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据。s204：将该第一目标数据和第二目标数据输入到多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中。s205：将多层感知器预测模型输出的第一预测结果，长短期记忆神经网络预测模型输出的第二预测结果，以及lightgbm模型输出的第三预测结果输入到集成模型中。s206：根据所述集成模型的输出，确定所述预测时间段所述待预测患者是否病发预设疾病。实施例4：图3为本发明实施例提供的一种登录状态的维护装置的结构示意图，该装置包括：获取模块301，用于获取预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据。预测模块302，用于将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中；将所述至少两种预测模型的输出作为新的特征输入到集成模型中；根据所述集成模型的输出，确定所述预测时间段所述待预测患者病发预设疾病的概率。在一种可能的实施方式中，所述预测模块302，用于将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的数据的目标最大值、目标最小值、目标中位数和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二设定时长内该生命体征的总数据。在一种可能的实施方式中，所述预测模块302，具体用于获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长；获取所述待预测患者的氧分压与吸氧浓度的比值的最小值。在一种可能的实施方式中，所述至少两种预测模型包括：第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型和第三预测模型为梯度提升机lightgbm模型。在一种可能的实施方式中，所述装置包括：训练模块303，用于获取训练集中的任一样本数据，所述样本数据包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及所述目标患者在采集所述第三目标数据和第四目标数据之后的预设时间段是否病发预设疾病的标识信息；将所述样本数据输入到所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中；将所述多层感知器预测模型输出的第一目标预测结果、所述短期记忆神经网络预测模型输出的第二目标预测结果，以及所述lightgbm模型输出的第三目标预测结果输入到集成模型中；根据所述集成模型的输出的是否病发预设疾病的信息以及所述样本数据对应的是否病发预设疾病的标识信息，对所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及所述集成模型的参数进行调整。在一种可能的实施方式中，所述集成模型为回归模型。实施例5：图4为本发明实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例还提供了一种电子设备，如图4所示，包括：处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信；所述存储器403中存储有计算机程序，当所述程序被所述处理器401执行时，使得所述处理器401执行如下步骤：将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中；将所述至少两种预测模型的输出作为新的特征输入到集成模型中；根据所述集成模型的输出，确定所述预测时间段所述待预测患者病发预设疾病的概率。在一种可能的实施方式中，将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中之前，所述方法还包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的数据的目标最大值、目标最小值、目标中位数和目标平均值；若所述生命体征为第二类生命体征，则获取预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则获取所述待预测患者的第二设定时长内该生命体征的总数据。在一种可能的实施方式中，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长；获取所述待预测患者的氧分压与吸氧浓度的比值的最小值。在一种可能的实施方式中，所述至少两种预测模型包括：第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型和第三预测模型为梯度提升机lightgbm模型。在一种可能的实施方式中，当包括多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型时，对每个预测模型以及集成模型的训练过程包括：获取训练集中的任一样本数据，所述样本数据包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及所述目标患者在采集所述第三目标数据和第四目标数据之后的预设时间段是否病发预设疾病的标识信息；将所述样本数据输入到所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中；将所述多层感知器预测模型输出的第一目标预测结果、所述短期记忆神经网络预测模型输出的第二目标预测结果，以及所述lightgbm模型输出的第三目标预测结果输入到集成模型中；根据所述集成模型的输出的是否病发预设疾病的信息以及所述样本数据对应的是否病发预设疾病的标识信息，对所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及所述集成模型的参数进行调整。在一种可能的实施方式中，所述集成模型为回归模型。由于上述电子设备解决问题的原理与病症预警方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口402用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。上述处理器可以是通用处理器，包括中央处理器、网络处理器(networkprocessor，np)等；还可以是数字指令处理器(digitalsignalprocessing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。实施例6：；在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行时实现如下步骤：将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中；将所述至少两种预测模型的输出作为新的特征输入到集成模型中；根据所述集成模型的输出，确定所述预测时间段所述待预测患者病发预设疾病的概率。在一种可能的实施方式中，将预测时间段之前预设时间范围内采集到的待预测患者的生命体征和治疗的数据输入到至少两种预测模型中之前，所述方法还包括：将所述生命体征和治疗数据进行分类，获取满足生命体征要求的第一目标数据和满足治疗要求的第二目标数据；若所述生命体征为第一类生命体征，则获取预设时间范围内的所述生命体征的数据的目标最大值、目标最小值、目标中位数和目标平均值；若所述生命体征为第二类生命体征，则将预设时间范围内的所述生命体征的数据；若所述生命体征为第三类生命体征，则确定所述待预测患者的第二设定时长内该生命体征的总数据。在一种可能的实施方式中，所述获取满足该治疗要求的第二目标数据包括：获取所述待预测患者第一设定时长、第二设定时长以及第三设定时长内服用设定的药物服用量，其中，第一设定时长小于第二设定时长，第二设定时长小于第三设定时长；获取所述待预测患者的氧分压与吸氧浓度的比值的最小值。在一种可能的实施方式中，所述至少两种预测模型包括：第一预测模型为多层感知器预测模型，第二预测模型为长短期记忆神经网络预测模型和第三预测模型为梯度提升机lightgbm模型。在一种可能的实施方式中，当包括多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型时，对每个预测模型以及集成模型的训练过程包括：获取训练集中的任一样本数据，所述样本数据包含目标患者的满足生命体征要求的第三目标数据和满足该治疗要求的第四目标数据，以及所述目标患者在采集所述第三目标数据和第四目标数据之后的预设时间段是否病发预设疾病的标识信息；将所述样本数据输入到所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型中；将所述多层感知器预测模型输出的第一目标预测结果、所述短期记忆神经网络预测模型输出的第二目标预测结果，以及所述lightgbm模型输出的第三目标预测结果输入到集成模型中；根据所述集成模型的输出的是否病发预设疾病的信息以及所述样本数据对应的是否病发预设疾病的标识信息，对所述多层感知器预测模型，长短期记忆神经网络预测模型和lightgbm模型以及所述集成模型的参数进行调整。在一种可能的实施方式中，所述集成模型为回归模型。由于上述提供的计算机可读取介质解决问题的原理与病症预警方法相似，因此处理器执行上述计算机可读取介质中的计算机程序后，实现的步骤可以参见上述其他实施例，重复之处不再赘述。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。当前第1页12