[发明专利]一种风险预测模型的构建方法、设备、终端及存储介质

权利要求书

1.一种风险预测模型的构建方法，其特征在于，包括：

步骤S1、获取糖尿病合并冠心病患者的多个属性数据；

步骤S2、基于信息增益评价函数对各所述属性数据进行评估，得到各所述属性数据的信息增益，并基于多个所述属性数据组成数据集；

步骤S3、初始化迭代次数N，N＝1；

步骤S4、第N次基于所述数据集在深度神经网络中进行训练生成模型；

步骤S5、基于损失函数对所述模型进行性能评估，得到性能值；

步骤S6、若所述性能值与初始模型的性能值的差值不大于性能阈值，从所述数据集剔除所述信息增益最小的一个或多个所述属性数据，并将所述迭代次数加1后作为N，返回步骤S4；所述初始模型为N＝1时基于所有所述属性数据形成的所述数据集在深度神经网络中进行训练生成的；

步骤S7、若所述性能值与所述初始模型的性能值的差值大于性能阈值，将第N-1次生成的模型作为用于预测糖尿病合并冠心病人的心血管死亡风险的最终模型；

在将第N-1次生成的模型作为所述最终模型之后，该方法还包括：

将第N-1次生成的模型对应的所述数据集中信息增益最小的所述属性数据作为第一属性数据；

将第N-2次生成的模型对应的所述数据集中信息增益最小的所述属性数据作为第二属性数据；

基于所述第一属性数据与所述第二属性数据两者的信息增益确定针对所述属性数据的信息增益阈值。

2.如权利要求1所述的方法，其特征在于，所述属性数据关联有病例样本的数据；所述步骤S2，包括：

基于信息增益评价函数与所述病例样本的数据确定第一信息熵，且基于信息增益评价函数、所述属性数据及所述病例样本的数据确定第二信息熵；所述第一信息熵为所述病例样本中心血管死亡事件的信息熵；所述第二信息熵为不同的所述属性数据取值下的心血管死亡事件的信息熵；

基于所述第一信息熵与所述第二信息熵的差值确定各所述属性数据的信息增益。

3.如权利要求1或2所述的方法，其特征在于，所述信息增益评价函数为：

G(D，A)＝H(D)-H(D|A) ；

其中，G(D，A)为所述信息增益；

H(D)为第一信息熵；p_i包括p₀、p₁；N₀和N₁分别为所述属性数据对应的糖尿病合并冠心病患者中没有发生心血管死亡事件和发生心血管死亡事件的病例数；H(D|A)＝∑_a∈A(p(A＝a)·H(D|A＝a))；

A为所述属性数据，a为所述属性数据的值；p(A＝a)为所述属性数据的值为a时的概率；H(D|A＝a)为当所述属性数据的值是a时的第二信息熵。

4.如权利要求1所述的方法，其特征在于，所述步骤S6，包括：

若所述性能值与初始模型的性能值的差值不大于性能阈值，基于预设的剔除阈值从所述数据集剔除所述信息增益最小的一个或多个所述属性数据；

其中，剔除的一个所述属性数据的所述信息增益小于所述剔除阈值，或剔除的多个所述属性数据的所述信息增益的和小于所述剔除阈值。

5.如权利要求1所述的方法，其特征在于，所述步骤S1，包括：

获取糖尿病合并冠心病患者的病例样本；其中，所述病例样本包括没有发生心血管死亡的第一病例样本和发生心血管死亡的第二病例样本；所述第一病例样本的数量大于所述第二病例样本的数量；

对所述第一病例样本进行随机下采样，以使所述第一病例样本的数量和所述第二病例样本的数量相同；

在所述第一病例样本与第二病例样本中获取属性数据。

6.如权利要求1所述的方法，其特征在于，所述步骤S4，包括：

基于所述属性数据确定输入值，并基于所述属性数据关联的病例样本的数据确定输出值；

基于所述输入值与输出值确定所述深度神经网络中每个连接的权值以及每个神经元的偏差值；

基于所述权值与所述偏差值建立针对糖尿病合并冠心病人的心血管死亡风险预测模型。