[发明专利]一种慢性病加重风险评估与告警系统

说明书

本发明提出一种慢性病加重风险评估与告警系统，包括预处理模块，核心指标特征抽取模块，多维时序数据特征抽取模块和特征融合与预警模块。所述预处理模块对医学数据进行全面的预处理得到核心指标数据的历史序列和多维特征的历史数据；所述核心指标特征抽取模块建立了所述核心指标数据的历史序列中相邻时间点的时间间隔与长期记忆传递之间的关联，得到第一组基准特征；所述多维时序数据特征抽取模块对所述多维时序数据进行抽取得到第二组基准特征；所述特征融合与预警模块将所述第一组基准特征和第二组基准特征进行融合，然后进行预警分析。

技术领域

本发明涉及一种评估与告警系统，尤其涉及一种慢性病加重风险评估与告警系统。

背景技术

随着生活水平的提高，人类的主要死因已经从原来的意外伤害，传染病等逐渐转移到了慢性疾病上，根据世界卫生组织公布的人类死因数据显示，心血管，肿瘤，慢性呼吸道疾病等慢性病所占的比例在近二十多年内急剧增加。慢性病由于其发病周期长，复发性高的特点，给患者和医疗机构带来了巨大的就诊负担，有效的预防手段和早期确诊可以及时进行医疗干预，减轻因病情加重带来的人力和物力损失。因此，如何尽早的确诊慢性病，并对慢性病患者的病情进行预测有十分重要的现实意义。

与此同时，信息技术的飞速发展和向医学领域的扩展，为医学研究提供了新的契机。医学数据的存储方式从原来的纸质病例为主逐渐向电子病例转化，大量的医学数据得以以结构化的格式完整的存储到数据库中，借助计算机强大的数据分析和计算能力，医学研究进入了新的阶段。

慢性病加重风险评估系统的底层任务是通过分析(1)患者的基本统计信息，包括性别，年龄等；(2)对患者一段时间的调查数据，包括日常行为习惯信息，自我评估信息等，以慢性阻塞性肺疾病COPD为例，常用的自评测试表包括CAT，MRC等；(3)患者所处的环境信息，包括大气污染物，温度，湿度等信息，对患者当前病情做出风险评估，并给出相应的告警信息。目前已有的慢性病加重风险评估方案根据输入的数据类型可分为两类。横截面数据分析：对某一时间点的数据进行建模分析，主要通过回归模型建立各项数据和加重风险之间的关系，此类模型相对简单并且只利用了单时间片的数据，忽略上述三种数据在时间上的延展性和关联性；时序数据分析：对上述某一种数据随时间的变化进行建模，主要通过传统的自回归模型进行建模，包括移动平均模型(MA)，自回归模型(AR)，自回归移动平均模型(ARIMA)等，此类模型考虑了该类型数据的时序依赖性，但是只能对单一的时序数据建模，风险评估结果的参考价值较低。

随着人工智能技术的发展，基于深度学习的时序数据分析模型逐渐成为了当前时序数据分析的主流技术。利用深度模型强大的特征抽取和分析特性，可以从多维时序数据中抽取有效的高维特征并加以分析和建模。目前较常用的时序深度模型以循环神经网络(RNN)为代表，并在其基础上演变出了各种变形，包括长短期记忆模型(LSTM)，GRU(GatedRecurrent Unit)等。深度学习模型的发展为医学数据分析提供了新的思路和解决方案，但是如何有效地结合医学先验知识将深度模型应用到医学领域仍面临巨大的挑战。

发明内容

本发明包括预处理模块，核心指标特征抽取模块，多维时序数据特征抽取模块和特征融合与预警模块；所述预处理模块对医学数据进行全面的预处理得到核心指标数据的历史序列和多维特征的历史数据；所述核心指标特征抽取模块建立了所述核心指标数据的历史序列中相邻时间点的时间间隔与长期记忆传递之间的关联，得到第一组基准特征；所述多维时序数据特征抽取模块对所述多维时序数据进行抽取得到第二组基准特征；所述特征融合与预警模块将所述第一组基准特征和第二组基准特征进行融合，然后进行预警分析。