[发明专利]一种心血管疾病非计划再住院风险预测方法

权利要求书

1.一种心血管疾病非计划再住院风险预测方法，其特征在于，包括如下步骤：

S1、获取与患者健康相关的结构化数据以及非结构化数据；

S2、根据患者的ID、入院时间、出院时间以及出院主诊断构建患者的再住院标签集合；

S3、利用文本分词模型Bi-LSTM-CRF对所述非结构化数据的文本数据进行文本分词处理，并根据所述分词处理后的文本数据生成词频矩阵；

S4、根据所述分词处理后的文本数据构建LDA主题模型，并根据所述LDA主题模型以及词频矩阵计算患者的特征向量；

S5、根据患者的ID合并所述患者的再住院标签集合、与患者健康相关的结构化数据以及所述患者的特征向量，并利用基于深度神经网络的多模型集成算法预测心血管疾病患者非计划再住院风险；

所述步骤S5包括如下步骤：

S501、根据患者的ID合并所述患者的再住院标签集合、与患者健康相关的结构化数据以及所述的患者特征向量获取交叉验证数据子集；

S502、根据所述交叉验证数据子集利用逻辑回归算法LR、支持向量机算法SVM、朴素贝叶斯算法NB、随机森林算法RF以及极端梯度提升算法XGBoost五种算法构建第一阶段分类预测模型，并根据所述第一阶段分类预测模型分别得到第一阶段分类预测模型的再住院风险预测结果；

S503、根据患者的ID合并所述第一阶段分类预测结果及患者的再住院标签集合，形成新的数据集；

S504、利用所述新的数据集构建深度神经网络模型，并通过5折交叉验证优化深度神经网络模型的参数，得到训练后的深度神经网络模型；

所述步骤S504中的构建深度神经网络模型包括定义所述深度神经网络模型的目标函数以及所述深度神经网络模型的激活函数；

所述深度神经网络模型的目标函数J(W,b)的表达式如下：

其中，λ为正则项系数，x′_r为患者的特征，y_r为患者的再住院标签，m为样本量，n_l为神经网络层数，s_l为在l层的神经元数量，W和b均为深度神经网络模型的参数，且和为连接第l-1层神经元j与第l层神经元i的关联权重，且j＝1,2,…,s_l-1，i＝1,2,…,s_l l＝2,3,…,n_l，为第l层神经元i的偏倚，h_W,b表示激活函数；

所述深度神经网络输出层的激活函数h_W,b(x′)的表达式如下：

其中，为第n_l层第i个神经元的输出，f(·)为激活函数，为连接第n_l-2层神经元s_l-1与第n_l-1层神经元i的关联权重，为第n_l-1层神经元i的偏倚；

S505、将所述新的数据集输入至所述训练后的深度神经网络模型，并根据所述训练后的深度神经网络模型输出心血管疾病患者非计划再住院风险的预测值。

2.根据权利要求1所述的心血管疾病非计划再住院风险预测方法，其特征在于，所述步骤S1中所述与患者健康相关的结构化数据包括：与患者相关的人口统计信息、常规检查信息、临床诊疗信息、药物治疗信息、家族史信息以及患者所处的外部环境信息；

所述与患者健康相关的非结构化数据包括：与患者相关的医嘱、病程进展以及影像信息的检查结果。

3.根据权利要求1所述的心血管疾病非计划再住院风险预测方法，其特征在于，所述步骤S2具体为：

根据患者的ID、入院时间、出院时间以及出院主诊断判断患者第t次因心血管疾病住院与第t+1次因心血管疾病住院的入院时间间隔是否小于31天，若是，则该患者的第t次非计划再住院标签为1，否则该患者的第t次非计划再住院标签为0，从而完成对患者再住院标签集合的构建。