一种坏死性急性胰腺炎患者手术时机预测模型专利检索-网格模型电脑图像专利检索查询-专利查询网

一种坏死性急性胰腺炎患者手术时机预测模型

阅读：438发布：2020-05-08

专利汇可以提供一种坏死性急性胰腺炎患者手术时机预测模型专利检索，专利查询，专利分析的服务。并且本发明公开一种坏死性急性胰腺炎患者手术时机预测模型，包括以下步骤：S100、收集并清洗病例数据，病例数据包括病人的入院数据和住院数据；S200、对病例数据进行整理得到预处理数据，预处理数据的序列形式为{Variables,Time}；S300、对预处理数据中的类别型变量使用Embedding机制进行one-hot编码，然后再映射到实向量空间中；S400、对S300得到的数据进行归一化后，引入LSTM模型，LSTM模型为多任务模型，LSTM模型的输出层设置病人入院后48小时死亡情况、剩余住院天数、是否发生器官衰竭、是否进行手术四个结局指标。本发明能够根据每一位急性胰腺炎坏死患者的特点确定其最佳手术时机，以改善急性胰腺炎坏死手术患者预后情况。，下面是一种坏死性急性胰腺炎患者手术时机预测模型专利的具体信息内容。

权利要求

1.一种坏死性急性胰腺炎患者手术时机预测模型，其特征在于包括以下步骤：
S100、收集并清洗病例数据，病例数据包括病人的入院数据和住院数据；
S200、对病例数据进行整理得到预处理数据，预处理数据的序列形式为{Variables，Time}；
S300、对预处理数据中的类别型变量使用Embedding机制进行one-hot编码，然后再映射到实向量空间中；
S400、对S300得到的数据进行归一化后，引入LSTM模型，LSTM模型为多任务模型，LSTM模型的输出层设置病人入院后48小时死亡情况、剩余住院天数、是否发生器官衰竭、是否进行手术四个结局指标。
2.根据权利要求1所述的预测模型，其特征在于：步骤S400中，
LSTM模型的训练过程包括前向过程、后向过程，前向过程的公式为，
ij＝σi(xjWxi+hj-1Whi+bi)    (1)
fj＝σf(xtWxf+hj-1Whf+bf)    (2)
cj＝ft⊙cj-1+it⊙σc(xjWxc+hj-1Whc+bc)    (3)
oj＝σo(xtWxo+hj-1Who+bo)       (4)
hj＝σj⊙σh(cj)            (5)
其中，dT代表T时刻是否发生器官衰竭，m代表是否死亡，lT代表T时刻的剩余住院时间，pi代表是否进行手术。
3.根据权利要求2所述的预测模型，其特征在于：前向过程中的损失函数公式为，ψ＝λd·ψd+λl·ψl+λm·ψm+λp·ψp    (14)
其中CE代表交叉熵函数，λd，λm，λl，λp分别是各部分损失函数的权重，以超参数的形式引入。
4.根据权利要求2或3所述的预测模型，其特征在于：LSTM模型的超参数信息采用网格搜索法寻优，选出在验证集上表现最优的参数组合作为模型最终结果。
5.根据权利要求4所述的预测模型，其特征在于：超参数信息包括神经元个数，隐含层层数。
6.根据权利要求5所述的预测模型，其特征在于：后向过程实际为参数优化过程，采用Adam 算法进行反向传播求解。
7.根据权利要求1所述的预测模型，其特征在于：病例数据包括人口特征数据，HIS系统、LIS系统、RIS系统、CIS系统的信息。

说明书全文

一种坏死性急性胰腺炎患者手术时机预测模型

技术领域

[0001] 本发明涉及神经网络领域，尤其涉及一种坏死性急性胰腺炎患者手术时机预测模型。

背景技术

[0002] 目前我国几乎没有关于坏死性急性胰腺炎患者手术时机的预测模型；众所周知，不同疾病的时间序列特征以及变量特征是不同的，虽然已经存在其他已知的若干疾病的预测模型，但由于上述差异的存在，不能直接套用。以往关于疾病预测的模型主要集中于传统的统计学方法，由于数据的异构性，大多数难以考虑复杂的时间信息，也难以模拟患者真实的疾病发展状态。

[0003] 国内外指南建议急性胰腺炎坏死患者手术时机尽量延迟在四周以后，但并未给出哪些患者可以在四周前手术的具体建议，或给出针对个体建议的最佳手术时机。不是所有急性胰腺炎坏死患者都能等到四周以后手术，且能等到四周以后手术的急性胰腺炎坏死患者也存在究竟延迟到什么时候才是最佳的手术时机选择的问题。

发明内容

[0004] 本发明旨在提供一种坏死性急性胰腺炎患者手术时机预测模型，采用带有时序数据分析能力的长短时神经网络模型根据急性胰腺炎坏死患者入院时的基本情况以及住院中病情的进展情况动态预测急性胰腺炎坏死患者最佳手术时机，从而根据每一位急性胰腺炎坏死患者的特点确定其最佳手术时机，以改善急性胰腺炎坏死手术患者预后情况。

[0005] 为达到上述目的，本发明是采用以下技术方案实现的：

[0006] 本发明公开一种坏死性急性胰腺炎患者手术时机预测模型，包括以下步骤：

[0007] S100、收集并清洗病例数据，病例数据包括病人的入院数据和住院数据；

[0008] S200、对病例数据进行整理得到预处理数据，预处理数据的序列形式为{Variables，Time}；

[0009] S300、对预处理数据中的类别型变量使用Embedding机制进行one-hot编码，然后再映射到实向量空间中；

[0010] S400、对S300得到的数据进行归一化后，引入LSTM模型，LSTM模型为多任务模型，LSTM模型的输出层设置病人入院后48小时死亡情况、剩余住院天数、是否发生器官衰竭、是否进行手术四个结局指标。

[0011] 优选的，步骤S400中，

[0012] LSTM模型的训练过程包括前向过程、后向过程，前向过程的公式为，[0013] ij＝σi(xjWxi+hj-1Whi+bi) (1)

[0014] fj＝σf(xtWxf+hj-1Whf+bf) (2)

[0015] cj＝ft⊙cj-1+it⊙σc(xjWxc+hj-1Whc+bc) (3)

[0016] oj＝σo(xtWxo+hj-1Who+bo) (4)

[0017] hj＝σj⊙σh(cj) (5)

[0018]

[0019]

[0020]

[0021]

[0022] 其中，dT代表T时刻是否发生器官衰竭，m代表是否死亡，lT代表T时刻的剩余住院时间，pi代表是否进行手术。

[0023] 优选的，前向过程中的损失函数公式为，

[0024]

[0025]

[0026]

[0027]

[0028] ψ＝λd·ψd+λl·ψl+λm·ψm+λp·ψp (14)

[0029] 其中CE代表交叉熵函数，λd,λm,λl,λp分别是各部分损失函数的权重，以超参数的形式引入。

[0030] 优选的，LSTM模型的超参数信息采用网格搜索法寻优，选出在验证集上表现最优的参数组合作为模型最终结果。

[0031] 优选的，超参数信息包括神经元个数，隐含层层数。

[0032] 优选的，后向过程实际为参数优化过程，采用Adam 算法进行反向传播求解。

[0033] 优选的，病例数据包括人口特征数据，HIS系统、LIS系统、RIS系统、CIS系统的信息。

[0034] 本发明的有益效果：

[0035] 1、本发明提出了一种输出组合，使预测模型训练的过程中能够更全面的考虑患者的信息。

[0036] 2、本发明纳入的变量多，能够较为完整的描述患者在院内的疾病自然过程。

[0037] 3、本发明能够为每一位患者提供个性化的手术时机建议。附图说明

[0038] 图1为本发明的概念示意图；

[0039] 图2为本发明中LSTM的模型结构图。

具体实施方式

[0040] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。

[0041] LSTM，即Long short term network，是指长短时神经网络模型。

[0042] HIS医院信息系统hospital information system；

[0043] LIS实验室信息系统laboratory information system；

[0044] RIS放射信息系统Radiological information system；

[0045] CIS临床信息系统Clinical information system。

[0046] 如图1、图2所示，本发明收集四川大学华西医院10年急性胰腺炎患者电子病历数据，并进行数据清洗。

[0047] 采用图2所示的LSTM网络结构针对急性胰腺炎坏死患者电子病历数据进行时序建模，

[0048] 采用图1所示的流程，预测不同时刻的死亡风险，从而得到最佳手术时机。模型采用多个输出的方式，所构造的损失函数也由各部分的输出加权求和产生，这种设计使得模型在训练的时候能够考虑多方面的信息。

[0049] 在网络的输入层，对于类别型变量使用Embedding机制进行one-hot编码，然后再映射到合适维度的实向量空间中，数值事件值归一化后直接引入。

[0050] 输出层设置病人入院后48小时死亡情况，剩余住院天数，是否发生器官衰竭，是否进行手术四个结局指标。损失函数分别采用交叉熵函数和平方误差函数。

[0051] 实际使用时，开发语言采用python3.5版本，涉及的包包括numpy、pytorch。提取华西胰腺外科10年的病人的入院和住院数据，主要包括人口特征数据，HIS系统、LIS系统、RIS系统、CIS系统的信息，并进行清洗，整理成{Variables，Time}的序列形式。通过输入到图2所示模型进行训练，整个训练过程分为前向过程和后向过程，前向过程由公式1-9定义，为多输出的LSTM前向过程；

[0052] ij＝σi(xjWxi+hj-1Whi+bi) (1)

[0053] fj＝σf(xtWxf+hj-1Whf+bf) (2)

[0054] cj＝ft⊙cj-1+it⊙σc(xjWxc+hj-1Whc+bc) (3)

[0055] oj＝σo(xtWxo+hj-1Who+bo) (4)

[0056] hj＝σj⊙σh(cj) (5)

[0057]

[0058]

[0059]

[0060]

[0061]

[0062]

[0063]

[0064]

[0065] ψ＝λd·ψd+λl·ψl+λm·ψm+λp·ψp (14)

[0066] 其中，dT代表T时刻是否发生器官衰竭，

[0067] m代表是否死亡，

[0068] lT代表T时刻的剩余住院时间，以天为时间单位，

[0069] pi代表是否进行手术，

[0070] CE代表交叉熵函数，

[0071] λd,λm,λl,λp分别是各部分损失函数的权重，以超参数的形式引入。后向过程实际为参数优化过程，采用Adam算法进行反向传播求解。损失函数由公式10-14定义。神经元个数，隐含层层数等超参数信息采用网格搜索法寻优，选出在验证集上表现最优的参数组合作为模型最终结果。

[0072] 当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

标题	发布/更新时间	阅读量
一种基于Tersoff力场的石墨烯多级粗粒化方法	2020-05-08	728
一种基于融合神经网络的视频中人体行为识别方法	2020-05-11	786
基于人工骨修复材料的生物肋骨鼻及下颌仿真整形技术	2020-05-08	854
一种自助式购物管理系统	2020-05-08	539
一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质	2020-05-11	271
基于多粒度学习的软件界面元素检测方法、系统、计算机设备和存储介质	2020-05-08	70
一种基于张量流递归神经网络的检测分拨系统及方法	2020-05-08	798
一种动态传输3D模型的方法	2020-05-08	814
一种基于GTV的心脏左心室运动分析方法	2020-05-08	859
钻孔布置方案的鲁棒性评估方法和装置	2020-05-08	150

一种坏死性急性胰腺炎患者手术时机预测模型

一种坏死性急性胰腺炎患者手术时机预测模型

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：