[发明专利]早产风险预测方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种早产风险预测方法、装置、计算机设备及存储介质。所述方法包括：获取孕期的医疗数据，并对所述医疗数据进行划分，以得到初始数据；对所述初始数据进行预处理，以得到预处理后的数据；对预处理后的数据输入至早产风险预测模型内进行早产风险预测，以得到预测结果；反馈所述预测结果至终端，以在终端进行显示；其中，所述预产期预测模型是通过若干个医疗数据进行预处理后形成样本集并依序训练GRU模型以及LGBM模型所得的。通过实施本发明实施例的方法可实现结合孕妇各个时期的特征，进行早产高危人群的早期筛查，获取更加准确的预测结果。

技术领域

本发明涉及人工智能技术领域，更具体地说是指早产风险预测方法、装置、计算机设备及存储介质。

背景技术

早产是指妊娠不足37周而终止妊娠，按病因分为自发性早产和医源性早产，是新生儿死亡及病残的首要原因，且影响新生儿的远期健康。当下国内二胎政策下早产儿的发生率呈上升趋势，因此早期预测早产并采取预防性措施对降低早产儿病死率、提高早产儿生存率存在重要的意义。临床上认为宫颈筛查和胎儿纤维连接蛋白可有效预测早产，其中宫颈筛查是最有效的筛查方法，但因成本预算暂无法在全人群进行普查，目前仅针对宫颈机能不全的孕妇进行宫颈检查；而基于胎儿纤维连接蛋白检查的方法特异性高，检出率低，通常只作为排查工具。此外，炎症因子、基因检测等预测手段仍需进一步的医学临床验证。

目前传统的早产预测模型的构建基于单一指标或进行指标的联合检测，利用统计学方法建立Logistic回归模型，此类方法的结构简单，而早产病因机制复杂，各危险因素之间的非线性相互作用关系复杂，模型须考虑疾病的整体性、复杂性和动态性，而结构简单的统计模型很难满足预测需求，且输入指标多为特殊检查项，难以进行大规模临床验证。因此，基于电子病历常规诊疗数据的机器学习模型以其高精度、高效率在母胎医学领域中得到广泛的应用，旨在获得更优秀的筛查模型，如Koivu等人利用纽约公开数据集基于人工神经网络和梯度增强决策树等算法构建预测模型，早产的AUC约为0.64，而Abraham利用电子病历中的高危因素构建预测模型，AUC约为0.59，但现有的机器学习研究均未涉及到时序研究，且模型的效果相对较差，灵敏度仅为0.33～0.37，需要继续通过添加生化和/或生物物理标记来改进模型，但是整个模型预测的准确率较低。

因此，有必要设计一种新的方法，实现结合孕妇各个时期的特征，进行早产高危人群的早期筛查，获取更加准确的预测结果。

发明内容

本发明的目的在于克服现有技术的缺陷，提供早产风险预测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：早产风险预测方法，包括：

获取孕期的医疗数据，并对所述医疗数据进行划分，以得到初始数据；

对所述初始数据进行预处理，以得到预处理后的数据；

对预处理后的数据输入至早产风险预测模型内进行早产风险预测，以得到预测结果；

反馈所述预测结果至终端，以在终端进行显示；

其中，所述预产期预测模型是通过若干个医疗数据进行预处理后形成样本集并依序训练GRU模型以及LGBM模型所得的。

其进一步技术方案为：所述初始数据包括产妇个人档案资料、产前检查资料、孕检数据、超声影像检查记录以及产时分娩数据中的分娩时间。

其进一步技术方案为：所述对所述初始数据进行预处理，以得到预处理后的数据，包括：

对所述初始数据进行数据转换和特征提取，以得到关键特征；

对所述关键特征进行缺失值填补，以得到填补结果；

对所述填补结果进行归一化处理，以得到处理后的数据；

对处理后的数据进行异常值剔除，以得到合格数据；