[发明专利]一种大规模医疗数据知识挖掘与治疗方案推荐系统

权利要求书

1.一种大规模医疗数据知识挖掘与治疗方案推荐系统，其特征在于：包括数据集预处理模块、疾病严重程度预测模块、治疗有效性测度模块、病患相似度测量模块、药物治疗方案推荐模块，其中：

所述数据集预处理模块用于获取真实的电子病历数据，对由多种异构数据源组成的电子病历数据进行预处理，预处理后的电子病例包含五类病患信息，分别是静态的人口统计信息P^Static、诊断描述信息Diagnosis、实验室指标Chechup、药物处方Treatment、出院结果R；

所述疾病严重程度预测模块用于通过数据集预处理模块获得的人口统计信息、诊断描述信息、实验室指标数据训练双向异构LSTM网络，得到每个病患的治疗过程中的疾病严重程度评分；所述疾病严重程度预测模块为双向异构LSTM网络，其整体结构如下：

其中，input为异构LSTM网络的输入，包括实验室生理特征指标、人口统计信息和诊断描述信息，为疾病严重程度评分；

每个时间步t的双向异构LSTM定义如下:

f_t＝σ(W_f[Chechup_t,h_t-1]+b_f) f_t′＝σ(W_f′[Chechup_t,h_t′₊₁]+b′_f)

i_t＝σ(W_i[Chechup_t,h_t-1]+b_i) i_t′＝σ(W_i′[Chechup_t,h_t′₊₁]+b_i′)

o_t＝σ(W_o[Chechup_t,h_t-1]+b_o) o_t′＝σ(W_o′[Chechup_t,h_t′₊₁]+b_o′)

d_t＝σ(W_dC_t-1+b_d) d_t′＝σ(W_d′C_t′₊₁+b_d′)

h_t＝o_ttanh(C_t) h_t′＝o_t′tanh(C_t′)

D＝relu(W_dense[h_t,h_t′]+W_staticP^Static+b_dense)

其中，σ为Sigmoid函数tanh为tanh函数relu为ReLu函数f(x)＝max(0,x)，W为各个权重矩阵，b表示偏差项，W,b是模型网络要学习的参数；Diagnosis_t，Chechup_t分别为t时刻的诊断描述信息、实验室指标；i，f，o，C和h，分别是输入门，遗忘门，输出门，存储器单元和隐藏状态，使用单元状态C_t-1构造分解门d_t，用于控制所添加信息的量；由遗忘门f_t控制，将附加候选值和上一时刻单元状态C_t-1添加到当前单元状态C_t；由输入门i_t控制新状态信息的更新程度，将添加到当前单元状态C_t；

前向和后向LSTM结构相同，使用没有上标“’”表示前向LSTM网络,有上标“’”表示后向LSTM网络；添加一个完全连接层D来操作静态的人口统计信息P^Static与前向和后向LSTM的输出，前向和后向LSTM的输出的密集连接的权重为W_dense,W_static为静态信息的权重，b_dense为这一层的偏差项；然后输入到sigmoid层，out表示此层为输出层，最后得到预测的疾病严重程度评分模型使用SOFA评分作为训练双向异构LSTM模型的计算Cross Entropy的真实值y，最小化交叉熵，最终得到每个病患的疾病严重程度评分曲线；固化训练后的双向异构LSTM网络的结构和参数，当新的病患进入，使用双向异构LSTM网络得到新病患的实时疾病严重程度评分；

所述治疗有效性测度模块用于通过疾病严重程度预测模块得到的疾病严重程度评分、当前治疗对下一阶段的影响程度、以及数据集预处理模块获得的出院结果，得到有效治疗测度信息；

所述病患相似度测量模块用于构建病人的相似度测量关系，通过沉淀在双向异构LSTM网络中的信息和病患的静态人口统计学信息，计算病患间的相似性；

所述药物治疗方案推荐模块用于根据治疗有效性测度模块得到的有效治疗测度信息、病患相似度测量模块得到的病人的相似度测量关系，引入药物处方信息的时间序列，得到下一阶段药物治疗方案推荐，过滤不良反应药物和包含当前病患过敏药物的药物的治疗组合，将与病人相似度高的前s个有效治疗和无效或负效果的治疗的治疗实例提供给医生。