一种慢性病健康状态预测方法、装置及设备

本发明属于医学数据分析与预测，尤其涉及一种慢性病健康状态预测方法、装置及设备。

背景技术：

1、高血压、冠心病、慢性心律失常等等是常见的慢性病，而对于慢性病的治疗是一个长期的过程。例如随着老龄化进程的不断加速，冠心病的患病率和死亡率急速增长，由于冠心病发病率的不断提升，伴随而来的缓慢性心律失常严重威胁患者生命质量。植入型心脏起搏器(pacemaker，pm)是治疗各类心动缓慢心律失常的重要手段，心脏起搏适用范围不断扩大和起搏技术的提高，使心脏起搏器植入数量持续增加。心脏起搏器作为特殊的体内电子器械，患者需要定期到医院随访检查。每年累计有百万例患者需要到医院诊室进行pm植入术后检查，这将极大占用医疗资源，同时患者的时间成本、经济成本也大大增加，由此构造一个随访智能诊断模型具有重要意义，为将来实现患者足不出户、完全智能化随访提供研究基础。

2、随着大数据、人工智能研究的不断深入，现有的患者健康状态预测算法在高血压、肾损伤等常规的患病预测方面已取得一定的效果，而在术后随访健康预测方面，如心脏起搏器植入术后需要患者定期随访检查，由于这是一类慢性病、数据周期长、非单一疾病，所以常见模型表现得不尽人意。近年随着深度学习的发展，深度神经网络解决了部分医疗领域数据规模大、数据维度高、数据周期长的痛点，在性能和准确率方面取得了一定的成果。

3、但是当前的慢性病数据的分析以及基于分析得到的结果，至少存在如下技术问题：神经网络在患者健康预测方面大都以预测是否患某种病为结果，而对于心脏起搏植入术后随访患者健康预测这种慢性病的诊断预测尚未有足够研究，原因在于随访患者病程周期较长、数据序列较长、数据维度高，再加上该类慢性病病因较为复杂且多以专家经验为主，现有的方法存在预测准确率不高的技术问题。

技术实现思路

1、针对现有技术中存在的缺陷，本发明的目的在于提供一种慢性病健康状态预测方法、装置及设备。本发明针对慢性病的随访患者的健康状态评估这一复杂场景提出了一种良好的预测网络框架，且设计了个性化的自注意力融合机制并将其应用于模型中，有效提升了预测精度。

2、为达到以上目的，本发明采取的技术方案是：

3、将基本信息特征表示和动态随访数据特征表示进行融合，形成融合后的数据；

4、将融合后的数据通过多头自注意力机制进行处理，形成处理数据；

5、基于第一全连接层对所述处理数据处理形成慢性病健康预测结果。

6、在上述技术方案的基础上，在将基本信息特征表示和动态随访数据特征表示进行融合之前，还包括：

7、通过第二全连接层对患者基本信息提取形成所述基本信息特征表示；

8、通过深度神经网络对以时间序列形式建模的慢性病的动态随访数据进行处理形成所述动态随访数据特征表示。

9、在上述技术方案的基础上，所述患者基本信息包括性别、民族、籍贯、身高、体重、起搏器植入原因、主诉症状、出院诊断、是否起搏依赖、植入位置和既往病史中的一个或多个；所述动态随访数据包括心律、收缩压、舒张压、体温、血氧、术后并发症、术后反应、肺部ct、随访种类、起搏器电池状态参数、起搏异常事件、植入电极状态参数和心脏超声相关参数中的一个或多个。

10、在上述技术方案的基础上，所述多头自注意力机制的工作过程为：

11、确定每个注意头形成的隐层特征表示及该特征表示中每个因素的权重参数；

12、基于所有注意头的隐层特征表示及各因素的权重参数形成最终的特征向量表达数据。

13、在上述技术方案的基础上，在通过第二全连接层对患者基本信息提取形成所述基本信息特征表示之前，还包括，对所述第二全连接层和所述深度神经网络进行训练；

14、所述对所述第二全连接层和所述深度神经网络进行训练，具体步骤包括：

15、从医院的电子病历中收集患者数据，其中，所述患者数据包含所述患者基本信息和所述动态随访数据；

16、对所述患者数据进行预处理，形成训练集和验证集；

17、利用所述训练集对所述神经网络进行训练，利用验证集对训练的神经网络进行验证优化，形成最终的神经网络。

18、在上述技术方案的基础上，所述对所述患者数据进行预处理，具体步骤包括：

19、删除重复数据、异常数据和缺失值填充；

20、在上述技术方案的基础上，进行缺失值填充的具体步骤包括：

21、使用当前缺失值位置预设距离内的样本，作为当前缺失值预设范围内的邻样本，其中，预设距离计算方法为：

22、

23、

24、其中，dxy为预设距离，weight为两坐标点间的非缺失值权重参数，distance为两坐标点间的直线距离，y1、y2...yn为缺失值所在坐标，x1、x2…xn为其他值所在的坐标；

25、使用邻样本对应位置数值的均值填充当前缺失值。

26、本发明还提供一种慢性病健康状态预测装置，包括：

27、融合单元，其用于将基本信息特征表示和动态随访数据特征表示进行融合，形成融合后的数据；

28、注意力处理单元，其用于将融合后的数据通过多头自注意力机制进行处理，形成处理数据；

29、第一全连接层单元，其用于由第一全连接层对所述处理数据处理形成慢性病健康预测结果。

30、在上述技术方案的基础上，还包括：

31、第二全连接层单元，其用于对患者基本信息提取形成所述基本信息特征表示；

32、神经网络单元，其用于对以时间序列形式建模的慢性病的动态随访数据进行处理形成所述动态随访数据特征表示。

33、本发明还提供一种慢性病健康状态预测设备，包括：

34、存储器，其用于存储计算机程序；

35、处理器，其用于执行所述存储器中存储的计算机程序，以执行以上所述的慢性病健康状态预测方法。

36、与现有技术相比，本发明的优点在于：本发明针对慢性病的随访患者的健康状态评估这一复杂场景提出了一种良好的预测网络框架。通过对基本信息和随访数据的分别处理并结合多头自注意力机制实现了健康状态的准确预测。

37、针对性地分离基本信息和随访数据，并将随访数据建模成时间序列形式，对于慢性病随访患者预测提供了一种基于时间序列数据挖掘的完整解决方案；设计个性化的自注意力融合机制并将其应用于模型中，有效提升预测精度。

技术特征：

1.一种慢性病健康状态预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种慢性病健康状态预测方法，其特征在于，在将基本信息特征表示和动态随访数据特征表示进行融合之前，还包括：

3.如权利要求2所述的一种慢性病健康状态预测方法，其特征在于：

4.如权利要求1所述的一种慢性病健康状态预测方法，其特征在于，所述多头自注意力机制的工作过程为：

5.如权利要求2所述的一种慢性病健康状态预测方法，其特征在于：

6.如权利要求5所述的一种慢性病健康状态预测方法，其特征在于，所述对所述患者数据进行预处理，具体步骤包括：

7.如权利要求6所述的一种慢性病健康状态预测方法，其特征在于，进行缺失值填充的具体步骤包括：

8.一种慢性病健康状态预测装置，其特征在于，包括：

9.如权利要求8所述的一种慢性病健康状态预测装置，其特征在于，还包括：

10.一种慢性病健康状态预测设备，其特征在于，包括：

技术总结
本发明公开了一种慢性病健康状态预测方法、装置及设备，涉及医学数据分析与预测技术领域，其中，预测方法包括：将基本信息特征表示和动态随访数据特征表示进行融合，形成融合后的数据；将融合后的数据通过多头自注意力机制进行处理，形成处理数据；基于第一全连接层对所述处理数据处理形成慢性病健康预测结果。针对性地分离基本信息和随访数据，并将随访数据建模成时间序列形式，对于慢性病随访患者预测提供了一种基于时间序列数据挖掘的完整解决方案，设计个性化的自注意力融合机制并将其应用于模型中，有效提升预测精度。

技术研发人员：武小平,蒙志鹏,赵芳
受保护的技术使用者：武汉大学
技术研发日：
技术公布日：2024/1/14