技术领域
[0001] 本
发明涉及
数据处理领域，特别是涉及一种肾透析治疗方案推荐方法及系统。
背景技术
[0002] 肾透析又称人工肾，也称为
血液透析法(简称血透)或洗肾，它是血液
净化技术的一种。肾透析对减轻肾功能衰竭患者症状，延长生存期均有一定意义。在肾透析病人多，治疗周期长情况下，建立一个高效的推荐模型，辅助医生确定肾透析治疗方案具有重要意义。
[0003] 确定肾透析治疗方案需要参考许多因素，需要全面考虑对患者的就诊信息；
现有技术中，往往是依靠医生大量临床经验，而我国医生数量和病患数量不成比例，医生分摊到每个病患上的时间大打折扣，既不能充分利用患者的就诊信息，使患者的就医
质量价低，并且增大了医生的工作压
力。
发明内容
[0004] 本发明的目的是提供一种肾透析治疗方案推荐方法及系统，利用患者的就诊信息确定对应的治疗方案，提高了就诊信息的利用率，提高了患者就诊的质量，降低了医生的工作压力。
[0005] 为实现上述目的，本发明提供了如下方案：
[0006] 一种肾透析治疗方案推荐方法，所述方法包括：
[0007] 获取已有病患的诊疗
大数据；所述已有病患的诊疗大数据包括：已有病患的体征数据和与所述已有病患的体征数据对应的治疗方案；已有病患的体征数据包括：病患类型、并发症、当前体重、年龄、性别和干体重；所述治疗方案包括透析模式和
透析器种类组合，以及抗凝剂种类和抗凝剂首剂量组合；
[0008] 以所述已有病患的体征数据为输入，以与所述已有病患的体征数据对应的治疗方案为输出，对神经网络模型进行训练；
[0009] 获取初诊病患的体征数据；所述初诊病患的体征数据包括病患类型、并发症、当前体重、年龄、性别和干体重；
[0010] 根据所述初诊病患的体征数据，利用所述神经网络模型，得到所述初诊病患的治疗方案；
[0011] 提取复诊病患的历史体征数据；
[0012] 根据所述复诊病患的历史体征数据，利用长短时记忆网络，得到所述复诊病患的治疗方案。
[0013] 可选的，在所述获取已有病患的诊疗大数据之后还包括，判断所述已有病患的干体重是否缺失；若是，则利用公式Y＝y+Δy计算所述干体重，对所述已有病患的干体重数据进行补全；若否，则根据所述已有病患的诊疗大数据训练神经网络模型；
[0014] 其中，y为现体重，Δy为干体重与现体重的差值；所述干体重与现体重的差值通过公式f(x1,x2,x3,x4,x5)＝Δy计算；所述x1表示已有病患的患病类型；所述x2表示已有病患的并发症；所述x3表示已有病患的当前体重；所述x4表示已有病患的年龄；所述x5表示已有病患的患性别。
[0015] 可选的，在所述以所述已有病患的体征数据为输入，以与所述已有病患的体征数据对应的治疗方案为输出，对神经网络模型进行训练，得到神经网络模型之前包括，利用合成少数过
采样技术对补全后的所述已有病患的体征数据进行处理。
[0016] 可选的，所述神经网络模型包括：
输入层、隐层和
输出层；所述隐层包括多个批标准化层，所述输入层与批标准化层之间、批标准化层与批标准化层之间、以及批标准化层与所述输出层之间均包括多个全连接层。
[0017] 可选的，所述长短时记忆网络模型包括：输入
门xt、输出门ht和遗忘门ft；所述输入门对应的输入序列为x＝(x1,1,x1,2,...,x1,5,yi,h1,1,h1,2；...；xT,1,xT,2,...,xT,5,yT,hT,1,hT,2)；所述输出门对应的序列为h＝(hT+1,1,hT+1,2)；其中xi,j是患者第i次就诊的第j个体征数据，yi为第i次就诊的现体重；hi,1是第i次就诊的透析模式和透析器种类组合，hi,2第i次就诊的抗凝剂种类和抗凝剂首剂量组合；T是就诊次数，1≤i≤T，1≤j≤5。
[0018] 一种肾透析治疗方案推荐系统，所述系统包括：
[0019] 已有病患的诊疗大数据获取单元，用于获取已有病患的诊疗大数据；所述已有病患的诊疗大数据包括：已有病患的体征数据和与所述已有病患的体征数据对应的治疗方案；已有病患的体征数据包括：病患类型、并发症、当前体重、年龄、性别和干体重；所述治疗方案包括透析模式和透析器种类组合，以及抗凝剂种类和抗凝剂首剂量组合；
[0020] 神经网络模型训练单元，用于以所述已有病患的体征数据为输入，以与所述已有病患的体征数据对应的治疗方案为输出，对神经网络模型进行训练；
[0021] 初诊病患的体征数据获取单元，用于获取初诊病患的体征数据；所述初诊病患的体征数据包括病患类型、并发症、当前体重、年龄、性别和干体重；
[0022] 初诊病患的治疗方案确定单元，用于根据所述初诊病患的体征数据，利用所述神经网络模型，确定所述初诊病患的治疗方案；
[0023] 复诊病患的历史体征数据获取单元，用于提取复诊病患的历史体征数据；
[0024] 复诊病患的治疗方案确定单元，用于根据所述复诊病患的历史体征数据，利用长短时记忆网络，得到所述复诊病患的治疗方案。
[0025] 可选的，所述系统还包括：已有病患的干体重数据补全单元，所述已有病患的干体重数据补全单元分别与所述已有病患的诊疗大数据获取单元和神经网络模型训练单元连接，用于判断所述所述已有病患的干体重是否缺失；若是，则利用公式Y＝y+Δy计算所述干体重，对所述已有病患的干体重数据进行补全；若否，则将所述已有病患的诊疗大数据传输至所述神经网络模型训练单元，对神经网络模型进行训练；
[0026] 其中，y为现体重，Δy为干体重与现体重的差值；所述干体重与现体重的差值通过公式f(x1,x2,x3,x4,x5)＝Δy计算；所述x1表示已有病患的患病类型；所述x2表示已有病患的并发症；所述x3表示已有病患的当前体重；所述x4表示已有病患的年龄；所述x5表示已有病患的患性别。
[0027] 可选的，所述系统还包括：已有病患的体征数据
过采样处理单元，所述已有病患的体征数据过采样处理单元分别与所述已有病患的干体重数据补全单元和所述初诊病患的治疗方案确定单元连接连接，用于根据合成少数过采样技术对补全后的所述初诊病患的体征数据进行处理。
[0028] 可选的，所述神经网络模型包括：输入层、隐层和输出层；所述隐层包括多个批标准化层，所述输入层与批标准化层之间、批标准化层与批标准化层之间、以及批标准化层与所述输出层之间均包括多个全连接层。
[0029] 可选的，所述长短时记忆网络模型包括：输入门xt、输出门ht和遗忘门ft；所述输入门对应的输入序列为x＝(x1,1,x1,2,...,x1,5,yi,h1,1,h1,2；...；xT,1,xT,2,...,xT,5,yT,hT,1,hT,2)；所述输出门对应的序列为h＝(hT+1,1,hT+1,2)；其中xi,j是患者第i次就诊的第j个体征数据，yi为第i次就诊的现体重；hi,1是第i次就诊的透析模式和透析器种类组合，hi,2第i次就诊的抗凝剂种类和抗凝剂首剂量组合；T是就诊次数，1≤i≤T，1≤j≤5。
[0030] 根据本发明提供的具体
实施例，本发明公开了以下技术效果：本发明公开了一种肾透析治疗方案推荐方法，对于初诊患者，基于
深度神经网络对已有病患诊疗大数据进行挖掘，对神经网络模型进行训练，得到神经网络模型，用于对初诊病患的体征数据进行处理，推荐最优治疗方案，对于复诊病人，利用长短时记忆网络，对其个人诊疗数据进行个性化学习，推荐个性化治疗方案。本发明还公开了与肾透析治疗方案推荐方法对应的系统，同样也可以为患者推荐合理的治疗方案。本发明充分利用了已有患者和就诊患者的就诊信息，提高了就诊信息资源的利用率；同时根据就诊信息能够得到更加适合患者的治疗方案，提高了就诊质量，并且减轻的医生的工作压力。
附图说明
[0031] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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。
[0032] 图1为本发明提供的肾透析治疗方案推荐方法流程示意图；
[0033] 图2为本发明提供的肾透析治疗方案推荐的系统连接图。
[0034] 图3为本发明的神经网络模型示意图；
[0035] 图4为本发明的长短时记忆网络模型示意图。
具体实施方式
[0036] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
[0037] 本发明的目的是提供一种肾透析治疗方案推荐方法及系统，通过神将网络模型和长短长短时记忆网络模型为患者推荐最优的治疗方案，减轻了医生的工作压力，并且提高了患者的就诊质量。
[0038] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0039] 如图1所示，本发明公开的肾透析治疗方案推荐方法包括：
[0040] 步骤101：获取已有病患的诊疗大数据；所述已有病患的诊疗大数据包括：已有病患的体征数据和与所述已有病患的体征数据对应的治疗方案；已有病患的体征数据包括：病患类型、并发症、当前体重、年龄、性别和干体重；所述治疗方案包括透析模式和透析器种类组合，以及抗凝剂种类和抗凝剂首剂量组合。通过获取已有病患的诊疗大数据，为没有历史数据的病人快速提供可供参考的治疗方案，辅助医生决策。
[0041] 数据缺失是体征数据中的常见现象，医院中已有的患者诊疗数据往往存在数据缺失，不完整的体征数据无法直接用于病情诊断，造成大量数据浪费。
[0042] 在实际病情诊断中，干体重缺失是最常见的，且干体重不能使用仪器直接测量。本
申请在实际应用中，采用
支持向量机(support vector machine，SVM)的数据补全方法，建立干体重与其他数据之间的关联，通过其他数据补全干体重，能够更好的反应干体重与其他体征数据的关系。
[0043] 具体的，利用公式Y＝y+Δy计算所述干体重，对所述已有病患的干体重数据进行补全。
[0044] 其中，y为现体重，Δy为干体重与现体重的差值；所述干体重与现体重的差值通过公式f(x1,x2,x3,x4,x5)＝Δy计算；所述x1表示已有病患的患病类型；所述x2表示已有病患的并发症；所述x3表示已有病患的当前体重；所述x4表示已有病患的年龄；所述x5表示已有病患的患性别。
[0045] 由于干体重的数值范围较大，若直接对干体重进行预测，输出误差对实际应用中的干体重影响较大。本申请以干体重与现体重的差值为输出，缩小了输出范围，可有效提升补全数据在实际应用中的准确性，提高了输出误差的数据敏感性。
[0046] 如果干体重数据不缺失，则可以直接对已有病患的诊疗大数据进行处理。
[0047] 为了缓解类别
不平衡对处理过程造成的结果不准确的影响，本申请还利用合成少数过采样技术对补全后的所述已有病患的体征数据进行处理。
[0048] 合成少数过采样技术可平衡样本类别比例，消除学习样本中大类的过拟合导向，使深度神经网络更好地学习治疗方案和体征数据的映射关系。
[0049] 将过采样处理之后的所述初诊病患的体征数据作为神经网络模型的输入，训练神经网络模型。
[0050] 步骤102：以所述已有病患的体征数据为输入，以与所述已有病患的体征数据对应的治疗方案为输出，对神经网络模型进行训练。
[0051] 本实实施例中，神经网络模型包括：输入层、隐层和输出层，并且利用基于全连接(Dense)层和批标准化(Batch Normalizatio，BN)层搭建的深度神经网络，建立治疗方案和病人体征数据间的通用关联，为新病人推荐合适的治疗方案。
[0052] 如图3所述，治疗方案和体征数据之间的映射关系是非线性的，故本方法通过深度神经网络中多个全连接层的
叠加拟合治疗方案和体征数据之间复杂的非线性映射关系。
[0053] 第l(l>0)层神经网络输出为：zl＝σ(wlzl-1+bl)，
[0054] 其中σ表示激活函数，zl为体征数据向量，最后一层输出推荐的治疗方案。
[0055] 另外本方法通过增加全连接层的总层数和单个全连接层的神经元数，更好地拟合治疗方案和体征数据之间的非线性关系。
[0056] 隐层包括多个批标准化层，输入层与批标准化层之间、批标准化层与批标准化层之间、以及批标准化层与输出层之间均包括多个全连接层。
[0057] 本申请引入的BN层，限定输出的最速下降区间，同时为了不破坏特征分布，解决了神经网络层数的增加，前层参数产生的变化经多层传递后不断放大，使参数传播过程中梯度的更新难以控制，导致反向传播中出现梯度爆炸，模型训练速度缓慢的问题。BN层使用可学习参数γ和β，使模型可恢复出原始网络所要学习的特征分布。引入BN层后，抹去了参数尺度的影响，使得整体参数更新更加稳健。BN层的前向传导过程为：
[0058]
[0059]
[0060]
[0061]
[0062] 其中，μB为当前隐层输出的平均值，σB为本层输出的方差，yi为标准化后的数值。
[0063] 步骤103：获取初诊病患的体征数据；所述初诊病患的体征数据包括病患类型、并发症、当前体重、年龄、性别和干体重。
[0064] 步骤104：根据所述初诊病患的体征数据，利用所述神经网络模型，得到所述初诊病患的治疗方案。
[0065] 步骤105：提取复诊病患的历史体征数据。
[0066] 如果复诊病患的历史体征数据存在干体重缺失的情况，可以根据复诊患者其他历史体征数据，利用SVM进行数据补全，然后对补全后的体征数据进行过采样处理。
[0067] 步骤106：根据处理后的所述复诊病患的历史体征数据，利用长短时记忆网络，得到长短时记忆网络模型针对所述复诊病患的治疗方案推荐结果。
[0068] 本申请的长短时记忆网络模型包括：输入门xt、输出门ht和遗忘门ft。
[0069] 如图4所示，为本发明的长短时记忆网络模型的示意图，所述输入门对应的输入序列为x＝(x1,1,x1,2,...,x1,5,yi,h1,1,h1,2；...；xT,1,xT,2,...,xT,5,yT,hT,1,hT,2)；所述输出门对应的序列为h＝(hT+1,1,hT+1,2)；其中xi,j是患者第i次就诊的第j个体征数据，yi为第i次就诊的现体重；hi,1是第i次就诊的透析模式和透析器种类组合，hi,2第i次就诊的抗凝剂种类和抗凝剂首剂量组合；T是就诊次数，1≤i≤T，1≤j≤5。
[0070] 每条时序诊疗数据包括患病类型、当前体重、并发症、干体重、年龄和性别，为了获取最能反映病人身体变化趋势及最新身体状态的历史数据，本实施例中选取最近的几条时序信息组合成一个时间片，该时间片作为长短时记忆网络模型的输入。在一个时间片中，我们使用ht-1表示经过上一时刻后的历史信息，xt表示当前时刻的输入信息。
[0071] 通过利用长短时记忆网络模型的遗忘门，可以确定对历史就诊信息的遗忘程度ft，ft的表达式为：
[0072] ft＝σ(Wf·g(ht,xt)+bf)，
[0073] 其中，σ为sigmod激活函数，g表示向量拼接，Wf和bf是要学习的参数，其中σ的表达式为：
[0074]
[0075] 和遗忘部分历史数据一样，现时刻的诊疗信息也并不是都有用，长短时记忆网络使用输入门(input gate)决定当前信息的保存程度it，it的表达式为：
[0076] it＝σ(Wi·g(ht-1,xt)+bi)，
[0077] 通过ft和it确定经过该时刻后保留的历史信息，整个时间片流转完毕后，LSTM网络有过滤地学习病人的历史信息，在学习过程中抛弃一部分过时的，与病人当前身体状态无关的无用信息，更好地模拟医生在实际诊疗中的行为习惯，为复诊病人推荐符合病情发展的个性化治疗方案，辅助医生决策。长短时记忆网络模型法对类别不敏感，使推荐的治疗方案结果更加稳定。
[0078] 本发明还公开了一种与肾透析治疗方案推荐方法对应的推荐系统，如图2所示，该系统包括：已有病患的诊疗大数据获取单元201、神经网络模型训练单元202、初诊病患的体征数据获取单元203、初诊病患的治疗方案确定单元204、复诊病患的历史体征数据获取单元205和复诊病患的治疗方案确定单元206。
[0079] 已有病患的诊疗大数据获取单元201用于获取已有病患的诊疗大数据；所述已有病患的诊疗大数据包括：已有病患的体征数据和与所述已有病患的体征数据对应的治疗方案；已有病患的体征数据包括：病患类型、并发症、当前体重、年龄、性别和干体重；所述治疗方案包括透析模式和透析器种类组合，以及抗凝剂种类和抗凝剂首剂量组合。
[0080] 通过获取已有病患的诊疗大数据，为没有历史数据的病人快速提供可供参考的治疗方案，辅助医生决策，不仅提高了诊疗数据的利用率，还能够降低医生的工作压力。
[0081] 数据缺失是体征数据中的常见现象，医院中已有的患者诊疗数据往往存在数据缺失，不完整的体征数据无法直接用于病情诊断，造成大量数据浪费。
[0082] 在实际病情诊断中，干体重缺失是最常见的，且干体重不能使用仪器直接测量。本申请在实际应用中，采用支持向量机(support vector machine，SVM)的数据补全方法，建立干体重与其他数据之间的关联，通过其他数据补全干体重，能够更好的反应干体重与其他体征数据的关系。
[0083] 具体的，利用公式Y＝y+Δy计算所述干体重，对所述已有病患的干体重数据进行补全。
[0084] 其中，y为现体重，Δy为干体重与现体重的差值；所述干体重与现体重的差值通过公式f(x1,x2,x3,x4,x5)＝Δy计算；所述x1表示已有病患的患病类型；所述x2表示已有病患的并发症；所述x3表示已有病患的当前体重；所述x4表示已有病患的年龄；所述x5表示已有病患的患性别。
[0085] 由于干体重的数值范围较大，若直接对干体重进行预测，输出误差对实际应用中的干体重影响较大。本申请以干体重与现体重的差值为输出，缩小了输出范围，可有效提升补全数据在实际应用中的准确性，提高了输出误差的数据敏感性。
[0086] 如果干体重数据不缺失，则可以直接对已有病患的诊疗大数据进行处理。
[0087] 为了缓解类别不平衡对处理过程造成的结果不准确的影响，本申请还利用合成少数过采样技术对补全后的所述已有病患的体征数据进行处理。
[0088] 合成少数过采样技术可平衡样本类别比例，消除学习样本中大类的过拟合导向，使深度神经网络更好地学习治疗方案和体征数据的映射关系。
[0089] 将过采样处理之后的所述初诊病患的体征数据作为神经网络模型的输入，训练神经网络模型。
[0090] 神经网络模型训练单元202用于以所述已有病患的体征数据为输入，以与所述已有病患的体征数据对应的治疗方案为输出，对神经网络模型进行训练。
[0091] 本实实施例中，神经网络模型包括：输入层、隐层和输出层，并且利用基于全连接(Dense)层和批标准化(Batch Normalizatio，BN)层搭建的深度神经网络，建立治疗方案和病人体征数据间的通用关联，为新病人推荐合适的治疗方案。
[0092] 如图3所述，治疗方案和体征数据之间的映射关系是非线性的，故本方法通过深度神经网络中多个全连接层的叠加拟合治疗方案和体征数据之间复杂的非线性映射关系。
[0093] 第l(l>0)层神经网络输出为：zl＝σ(wlzl-1+bl)，
[0094] 其中σ表示激活函数，zl为体征数据向量，最后一层输出推荐的治疗方案。
[0095] 另外本方法通过增加全连接层的总层数和单个全连接层的神经元数，更好地拟合治疗方案和体征数据之间的非线性关系。
[0096] 隐层包括多个批标准化层，输入层与批标准化层之间、批标准化层与批标准化层之间、以及批标准化层与输出层之间均包括多个全连接层。
[0097] 本申请引入的BN层，限定输出的最速下降区间，同时为了不破坏特征分布，解决了神经网络层数的增加，前层参数产生的变化经多层传递后不断放大，使参数传播过程中梯度的更新难以控制，导致反向传播中出现梯度爆炸，模型训练速度缓慢的问题。BN层使用可学习参数γ和β，使模型可恢复出原始网络所要学习的特征分布。引入BN层后，抹去了参数尺度的影响，使得整体参数更新更加稳健。BN层的前向传导过程为：
[0098]
[0099]
[0100]
[0101]
[0102] 其中，μB为当前隐层输出的平均值，σB为本层输出的方差，yi为标准化后的数值。
[0103] 初诊病患的体征数据获取单元203用于获取初诊病患的体征数据；所述初诊病患的体征数据包括病患类型、并发症、当前体重、年龄、性别和干体重。
[0104] 初诊病患的治疗方案确定单元204用于以所述初诊病患的体征数据作为所述神经网络模型的输入，利用训练好的神经网络模型，确定所述初诊病患的治疗方案。
[0105] 复诊病患的历史体征数据获取单元205用于提取复诊病患的历史体征数据。
[0106] 如果复诊病患的历史体征数据存在干体重缺失的情况，可以根据复诊患者其他历史体征数据，利用SVM进行数据补全，然后对补全后的体征数据进行过采样处理。
[0107] 复诊病患的治疗方案确定单元206用于根据预处理后的所述复诊病患的历史体征数据，利用长短时记忆网络，确定所述复诊病患的治疗方案。
[0108] 长短时记忆网络模型包括：输入门xt、输出门ht和遗忘门ft；所述输入门对应的输入序列为x＝(x1,1,x1,2,...,x1,5,yi,h1,1,h1,2；...；xT,1,xT,2,...,xT,5,yT,hT,1,hT,2)；所述输出门对应的序列为h＝(hT+1,1,hT+1,2)；其中xi,j是患者第i次就诊的第j个体征数据，yi为第i次就诊的现体重；hi,1是第i次就诊的透析模式和透析器种类组合，hi,2第i次就诊的抗凝剂种类和抗凝剂首剂量组合；T是就诊次数，1≤i≤T，1≤j≤5。
[0109] 每条时序诊疗数据包括患病类型、当前体重、并发症、干体重、年龄和性别，为了获取最能反映病人身体变化趋势及最新身体状态的历史数据，本实施例中选取最近的几条时序信息组合成一个时间片，该时间片作为长短时记忆网络模型的输入。在一个时间片中，我们使用ht-1表示经过上一时刻后的历史信息，xt表示当前时刻的输入信息。
[0110] 通过利用长短时记忆网络模型的遗忘门，可以确定对历史就诊信息的遗忘程度ft，ft的表达式为：
[0111] ft＝σ(Wf·g(ht,xt)+bf)，
[0112] 其中，σ为sigmod激活函数，g表示向量拼接，Wf和bf是要学习的参数，其中σ的表达式为：
[0113]
[0114] 和遗忘部分历史数据一样，现时刻的诊疗信息也并不是都有用，长短时记忆网络使用输入门(input gate)决定当前信息的保存程度it，it的表达式为：
[0115] it＝σ(Wi·g(ht-1,xt)+bi)，
[0116] 通过ft和it确定经过该时刻后保留的历史信息，整个时间片流转完毕后，LSTM网络有过滤地学习病人的历史信息，在学习过程中抛弃一部分过时的，与病人当前身体状态无关的无用信息，更好地模拟医生在实际诊疗中的行为习惯，为复诊病人推荐符合病情发展的个性化治疗方案，辅助医生决策。长短时记忆网络模型法对类别不敏感，使推荐的治疗方案结果更加稳定。
[0117] 本
说明书中的实施例采用递进的方式描述。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0118] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
