[发明专利]一种基于多算法融合的压力性损伤风险预测装置及方法

权利要求书

1.一种基于多算法融合的压力性损伤风险预测装置，用于对医疗机构获得性压力损伤风险进行预测，其特征在于，包括处理单元(100)，其中，

处理单元(100)配置为执行如下步骤：

获取可分析病历数据，并基于显著风险变量对可分析病历数据进行重新分配，从而生成针对特定目标人群的第一分类训练集；

利用随机森林模型对第一分类训练集进行回归建模，从而生成关于该第一分类训练集的第一压力性损伤风险预测模型；

对第一压力性损伤风险预测模型进行分类得到表征第一压力性损伤风险预测模型特征的第二类风险变量以及第二权值，并基于第二类风险变量将多个第一压力性损伤风险预测模型结合从而生成第二压力性损伤风险预测模型；

其中，第二权值表示第二类风险变量在第一压力性损伤风险预测模型中与压力性损伤发生相关的关联程度；

基于基尼系数作为随机森林模型的分裂或竞争规则，从而获取第一压力性损伤风险预测模型的第二类风险变量和第二权值，其中，第二权值为基尼系数；

利用第二压力性损伤风险预测模型进行压力性损伤风险预测，

处理单元(100)配置为：

利用随机森林模型对第一分类训练集内的病历数据进行分类从而获取关于该第一分类训练集的第一类风险变量；

基于随机森林模型对第一分类训练集和对应该第一分类训练集的第一类风险变量进行回归以获取表征多个第一类风险变量之间相互关系的第一权值；

基于第一权值对第一分类训练集进行划分形成多个第二分类训练集，并采用随机森林模型对多个第二分类训练集进行建模以生成多个第一压力性损伤风险预测模型。

2.根据权利要求1所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：

以第一类风险变量为自变量，并且以第一类风险变量之间的是否关联为因变量建立多元逻辑回归模型；

基于多元逻辑回归模型获取多个第一类风险变量之间的关联程度；

基于关联程度对第一分类训练集进行划分从而生成第二分类训练集。

3.根据权利要求1所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：

基于每个第一类风险变量之间的关联程度构建相互关系表；

获取第一权值小于第一阈值的第一类风险变量对；

基于相互关系表计算该第一类风险变量对所包括的第一类风险变量的数量。

4.根据权利要求1所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：

若相同的第一类风险变量的数量超过第二阈值，则寻找下一对第一权值小于第二阈值的第一类风险变量对；

若相同的第一类风险变量的数量小于等于第二阈值，则选择该第一类风险变量对产生其他第一类风险量的数量最少的第一类风险变量作为孤立的第一类风险变量。

5.根据权利要求1所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：

将第二分类训练集中第二类风险变量的数据量平均；

基于关联程度划分第二类风险变量，从而生成多个第三类风险变量；

基于多个第三类风险变量进行建模生成第二压力性损伤风险预测模型。

6.一种压力性损伤风险预测方法，用于对医疗机构获得性压力损伤风险进行预测，其特征在于，所述方法包括：

获取可分析病历数据，并基于显著风险变量对可分析病历数据进行重新分配，从而生成针对特定目标人群的第一分类训练集；

利用随机森林模型对第一分类训练集进行回归建模，从而生成关于该第一分类训练集的第一压力性损伤风险预测模型；

对第一压力性损伤风险预测模型进行分类得到表征第一压力性损伤风险预测模型特征的第二类风险变量以及第二权值，并基于第二类风险变量将多个第一压力性损伤风险预测模型结合从而生成第二压力性损伤风险预测模型；

其中，第二权值表示第二类风险变量在第一压力性损伤风险预测模型中与压力性损伤发生相关的关联程度；

基于基尼系数作为随机森林模型的分裂或竞争规则，从而获取第一压力性损伤风险预测模型的第二类风险变量和第二权值，其中，第二权值为基尼系数；

利用第二压力性损伤风险预测模型进行压力性损伤风险预测，

处理单元(100)配置为：

利用随机森林模型对第一分类训练集内的病历数据进行分类从而获取关于该第一分类训练集的第一类风险变量；

基于随机森林模型对第一分类训练集和对应该第一分类训练集的第一类风险变量进行回归以获取表征多个第一类风险变量之间相互关系的第一权值；

基于第一权值对第一分类训练集进行划分形成多个第二分类训练集，并采用随机森林模型对多个第二分类训练集进行建模以生成多个第一压力性损伤风险预测模型。