[发明专利]一种基于全记忆事件序列挖掘模型的用药分析方法

说明书

本发明属于数据挖掘、医疗信息和大数据技术领域，具体为一种基于全记忆事件序列挖掘模型的用药分析方法。本发明方法将原始用药数据转换成类别型的用药事件发生序列，把所有类别型用药事件序列的每个用药事件节点转换为欧式空间的多维向量表示；然后根据要预测的用药事件的前一个节点来对所有历史记录的事件加权求和，形成预测事件的记忆的特征表示，作为预测下一个事件向量的分类器的标准输入，把要预测的事件的多维向量表示作为输出，训练一个预测模型，再把欧式空间的多维向量映射回原来的类别型空间，使用所有用药事件序列训练；最后，对于新的用药事件序列，输入训练好的模型，用于预测未来事件。本方法能够利用尽可能多的数据来用于决策，从而减少决策的失误。

技术领域

本发明属于数据挖掘、医疗信息和大数据技术领域，具体涉及一种基于全记忆事件序列挖掘模型的用药分析方法。

背景技术

有效的用药方案对于患者获取最佳治疗是非常重要的。利用已经积累的大规模的患者临床用药历史数据进行分析建模，有助于医生对患者下一步用药提供决策支持。数据挖掘方法已经被用于用药分析，传统的用药数据挖掘方法采用频繁模式挖掘发现频繁出现的用药组合，推断药物之间的关联。然而，一方面，不考虑用药顺序的频繁模式挖掘忽略了疾病演变的特征对用药的影响；另一方面，虽然已有考虑“序”和时间特征的频繁序列模式挖掘方法被使用，然而，大量冗余的结果模式和关联规则限制了方法的实际应用。更重要的是，患者的用药并不是简单的考虑先后关系，还需要考虑在治疗过程中前序不同时间点的用药对目标时间点的用药的影响的差异。

本发明针对患者用药历史数据，提出一种基于全记忆事件序列挖掘模型的用药分析方法。首先，采用事件序列形式建模表示用药历史数据，即形成用药事件序列；然后，针对患者疾病随时间的变化，以及用药受不同阶段用药情况的影响，将需要预测事件的时间节点前的所有事件看作为预测事件的记忆，对预测事件记忆加权构成事件记忆特征表示，并构建训练数据集；再构建训练模型，设置损失函数，求解参数；最后，对于待预测用药事件序列实现事件预测。该方法不仅考虑了时间顺序，以及不同阶段患者用药的影响差异，而且对比以往的一阶或高阶事件序列分析方法，能够利用尽可能多的数据来用于决策，从而减少决策的失误。

发明内容

本发明的主要目的是提供一种基于用药记录数据的用药分析方法，能够使用患者周期内所有历史用药事件记忆来帮助预测下一个用药事件的发生。

本发明提供了一种基于全记忆事件序列挖掘模型的用药分析方法，事件序列的记忆是以预测事件的时间节点为前提定义的，在预测事件的时间节点前的所有事件被看作为预测事件的记忆。本发明的主要思想是：将原始用药数据转换成类别型的用药事件发生序列，把所有类别型用药事件序列的每个用药事件节点转换为欧式空间的多维向量表示，此基础上，根据要预测的用药事件的前一个节点（称为当前事件）来对所有历史记录的事件（预测事件的记忆，设置一个特定的记忆长度阈值，选择高于该阈值的序列用于构造训练数据集）加权求和，形成预测事件的记忆的特征表示，作为预测下一个事件向量的分类器的标准输入，把要预测的事件的多维向量表示作为输出，训练一个预测模型，再把欧式空间的多维向量映射回原来的类别型空间，使用所有用药事件序列训练；最后，对于新的用药事件序列，输入训练好的模型，用于预测未来事件。该方法不仅考虑了时间顺序，以及不同阶段患者用药的影响差异，而且对比以往的一阶或高阶事件序列分析方法，能够利用尽可能多的数据来用于决策，从而减少决策的失误。

本发明提供的基于全记忆事件序列挖掘模型的用药分析方法，其流程如图1所示，具体步骤如下：

（1）首先，对患者历史用药数据进行预处理，即采集用药事件序列的原始数据，将原始用药数据转换成用药事件发生序列；然后，对用药事件序列数据进行处理，将序列中的每个事件都用一个或多个类别型的变量进行表示；

（2）对于已经处理好的类别型变量表示的事件序列，设置一个特定的记忆长度阈值，选择高于该阈值的序列用于构造训练数据集；

（3）采用基于全记忆事件序列方法构建训练预测模型；