技术特征：
1.基于gru-ode-bayes脓毒血症模型构建方法，其特征在于，包括：从医院的重症监护及医院感染系统的数据库中获取患者数据；对患者数据进行变量以及特征的筛选，获取到包含筛选后的变量或特征的筛选数据；将所述筛选数据输入到搭建好的多个不同参数的gru-ode-bayes模型中，对多个不同参数的gru-ode-bayes模型进行训练，根据多个模型训练的输出结果选取最终的gru-ode-bayes模型。2.根据权利要求1所述的方法，其特征在于，所述对患者数据进行变量以及特征的筛选包括：在患者数据中，选取包含sepsis-3以及cdc算法中相关变量的数据，纳入筛选数据；对剩下的患者数据，采用统计学方法，判断是否满足正态性；满足正态性的情况下，采用t检验，通过对剩下的患者数据中重复抽样多次，对某特征值进行统计学检验后得到单次p
m
值，将每次获得的p
m
值相加后求其平均值，得到p值；再通过某特征的条数总和/患者的全数据条数，得到mr值；不满足正态性的情况下，采用mann whitney检验，得到p值，再通过某特征的条数总和/患者的全数据条数，得到mr值；当p以及mr值满足预设的条件时，将包含该特征的患者数据纳入到筛选数据中。3.根据权利要求2所述的方法，其特征在于，所述根据多个模型训练的输出结果选取最终的gru-ode-bayes模型包括：多个模型训练的输出结果为曲线下面积、灵敏度、特异度、阳性预测值、阴性预测值以及f1值，选取曲线下面积、灵敏度、特异度以及阳性预测值综合最高的gru-ode-bayes模型作为最终的gru-ode-bayes模型。4.根据权利要求2所述的方法，其特征在于，还包括：对筛选数据中的人口学特征不做特殊处理，保留原始值；对筛选数据中的连续性数据进行归一化处理，使得数据值保持在统一水平；对筛选数据中的时序性数据构建标记特征；将处理后的筛选数据输入搭建好的多个不同参数的gru-ode-bayes模型中。5.根据权利要求2所述的方法，其特征在于，所述当p以及mr值满足预设的条件时，将包含该特征的患者数据纳入到筛选数据中包括：当p小于0.1以及mr小于0.99时，将包含该特征的患者数据纳入到筛选数据中。6.基于gru-ode-bayes脓毒血症识别方法，其特征在于，所述方法基于权利要求1-5任一项所述的基于gru-ode-bayes脓毒血症模型构建方法得到的所述gru-ode-bayes脓毒血症模型，所述识别方法包括：获取患者的数据，对患者数据进行变量以及特征的筛选；将包含筛选后的变量或特征的数据输入到搭建好的gru-ode-bayes脓毒血症模型中；gru-ode-bayes脓毒血症模型输出每一位患者被识别为患脓毒血症的概率p1及非脓毒血症的概率p0；取概率p1以及概率p0中更大的值作为结果，从而将患者分为脓毒血症发病患者或未发病患者。
7.基于gru-ode-bayes脓毒血症模型构建装置，其特征在于，所述装置包括：数据获取模块：用于从医院的重症监护及医院感染系统的数据库中获取患者数据；变量及特征筛选模块：用于对患者数据进行变量以及特征的筛选，获取到包含筛选后的变量或特征的筛选数据；最终gru-ode-bayes模型获取模块：用于将所述筛选数据输入到搭建好的多个不同参数的gru-ode-bayes模型中，对多个不同参数的gru-ode-bayes模型进行训练，根据多个模型训练的输出结果选取最终的gru-ode-bayes模型。8.基于gru-ode-bayes脓毒血症识别装置，其特征在于，所述装置包括：筛选模块：用于获取患者的数据，对患者数据进行变量以及特征的筛选；输入模块：用于将包含筛选后的变量或特征的数据输入到搭建好的gru-ode-bayes脓毒血症模型中；输出模块：用于通过gru-ode-bayes脓毒血症模型输出每一位患者被识别为患脓毒血症的概率p1及非脓毒血症的概率p0；识别模块：用于取概率p1以及概率p0中更大的值作为结果，从而将患者分为脓毒血症发病患者或未发病患者。9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现如权利要求1-5任一项或权利要求6所述的方法中的各个步骤。
技术总结
本发明涉及基于GRU-ODE-Bayes脓毒血症模型构建及识别方法、装置及存储介质，包括：通过从医院的重症监护及医院感染系统的数据库中获取患者数据；对患者数据进行变量以及特征的筛选，再将筛选变量或特征的数据输入到搭建好的多个不同参数的GRU-ODE-Bayes模型中，由于对数据进行了特征及变量的筛选，最终输入到GRU-ODE-Bayes模型的数据量明显减少，同时对患者的数据有充分的利用，本申请选用GRU-ODE-Bayes模型来识别脓毒血症，GRU-ODE-Bayes模型是在GRU模型的基础上，利用常微分方程（ODE）方程解决相邻时点的模型更新问题，利用贝叶斯方法更新对零星观测的模型参数，通过GRU-ODE-Bayes模型，可以在一些稀疏的非规律时序性的医疗数据进行检测或预测研究时，同时保障数据的利用度和对复杂疾病的识别效果。的利用度和对复杂疾病的识别效果。的利用度和对复杂疾病的识别效果。
技术研发人员：孙鑫 王雯 王鸣岐 刘梅 何俏 付波
受保护的技术使用者：四川大学华西医院
技术研发日：2022.07.11
技术公布日：2022/10/25