[发明专利]一种重症监护病房提早转入预测方法、系统及存储介质

说明书

本发明公开了一种重症监护病房提早转入预测方法、系统及存储介质，方法包括：获取历史数据，获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，训练分类器得到训练好的模型；利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。本发明挑选出具有提早分类能力的子序列输入模型，而且本发明采用的带标签的数据集合包括异步多元时间序列，使用了具有异步性的时间序列，使得训练好的模型具有不失异步性，而且具有效果很好的提早预测转入重症监护病房的能力。本发明可广泛应用于医疗数据挖掘领域。

技术领域

本发明涉及医疗数据挖掘领域，尤其涉及一种重症监护病房提早转入预测方法、系统及存储介质。

背景技术

随着智能医疗的不断研究探索和快速发展，医学智能诊断成为智能医疗的重要内容。医学智能诊断可以辅助医生诊断，提高医生的工作效率，同时降低漏诊和误诊的风险。其中重症监护病房(ICU)预测任务在医学智能诊断中的重要性一直受到研究者的关注，它通过监测患者的生理和生命体征来判断患者病情是否恶化，进而判断是否需要及时转入重症监护病房(ICU)。但在实际情况中，患者的生理体征数据基本上是一个异步多元(或异步多变量)的时间序列，异步即各项生理体征的测量是相互独立的，而不是在同一时间且同一间隔下测量得到；多元是指患者的生理体征包括体温、呼吸、心率等多种变量。若智能诊断过程中能够综合考虑患者生理体征数据、预测目标和实际情景等因素，尽早预测出患者的病情，从而避免ICU转诊延误，最终减少因为延迟入住ICU而导致的高死亡率和额外的资源消耗。

目前在ICU转移预测上，现有技术主要为基于离散型数据和连续性数据进行建模并预测，而ICU转移预测任务在数据上、目标上和场景上都有自己的独特性，这些独特性使得现有的研究技术存在以下一些问题：

基于离散性数据的现有技术将不同时段所测得的患者的各项生理体征数据当成一个个离散的点，在模型训练和预测时忽视了测量点的时间维度信息，因此不能对不完整的信息提前做出决策判断，并且不具有可解释性；而基于连续性数据的现有技术主要针对单变量或少量针对同步多变量的时间序列分类，无法直接对异步多变量的时间序列进行建模，且即使对该类时间序列进行处理后再建模，也会引起额外的数据误差，从而造成预测效果降低。因此，现有的ICU转移预测技术中很难直接针对异步多变量的时间序列建立一个具有可解释性的模型来供医生提前做出决策判断，进而减少患者的死亡率。

发明内容

为了解决上述技术问题，本发明的目的是提供一种效果好的，具有异步性的重症监护病房提早转入预测方法、系统及存储介质。

本发明提出了一种重症监护病房提早转入预测方法，包括以下步骤：

获取历史数据，对历史数据进行数据处理，获取带标签的数据集合；

获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型；

利用所述训练好的模型对实时临床数据进行预测分类，提早识别出病情恶化而需要转入重症监护病房的患者。

在本发明的一些实施例中，所述获取带标签的数据集合中具有提早分类能力的子序列，将所述具有提早分类能力的子序列映射到低维空间，输入预先设置的分类器，训练分类器得到训练好的模型这一步骤，包括以下步骤：

获取所述带标签的数据集合中，异步多元时间序列的子序列；

计算所述子序列间的距离，所述距离包括子序列间的距离和序列到子序列的距离；

从子序列中选择出具有提早分类能力的子序列；

采用所述具有提早分类能力的子序列训练分类器模型。