[发明专利]一种可解释的动态疾病严重程度预测方法

说明书

本发明公开了一种可解释的动态疾病严重程度预测方法，包括：抽取SOFA评分、患者状态和药物使用信息；根据药物使用信息，链接到UMLS标准术语，构建药物相关知识图谱；将药物相关知识图谱嵌入降维，得到药物实体的嵌入；根据当前时刻的SOFA变化值确定所属的类别为i，将所述患者状态、药物实体的嵌入分别乘以对应权重矩阵的第i行；将所述SOFA评分、进行权重处理后的患者状态和药物实体的嵌入拼接的时间序列数据输入到TCN预测模型，输出预测的SOFA评分趋势，并训练更新权重矩阵；对预测的SOFA评分趋势进行解释。本发明能够对SOFA评分的变化趋势更敏感，更准确地预测SOFA评分，并对预测结果进行解释。

技术领域

本发明涉及疾病严重程度预测技术领域，尤其涉及一种可解释的动态疾病严重程度预测方法。

背景技术

随着数据库技术的不断发展，医院逐渐收集和存储了大量的电子病历，如何对这种海量的真实数据进行知识挖掘逐渐吸引了研究者们的注意。知识发现和机器学习方法既可用于发现患者数据中的新模式，也可用于分类和预测目的，如结果或风险评估。对于重症监护病房(ICU)的护理人员来说，实时的疾病严重程度是一个重要的关注点，也是挽救患者生命的关键。如果能够学习丰富的电子病历信息，为ICU的临床决策制定提供有力的支持，对于临床实践来说会是一个巨大的贡献。自20世纪90年代初发展以来，The SequentialOrgan Failure Assessment即SOFA评分已被纳入危重病护理的各个方面，它综合反应了六个器官系统功能，包括呼吸系统，心血管系统，肾脏，神经系统，肝脏和血液系统。其值越大，患者的疾病严重程度就越高。在疾病严重程度预测任务中，如果可以动态地预测ICU患者的SOFA评分趋势，就能够帮助临床医生更好地应对患者的状况，做出更为恰当的临床决策。目前已有许多基于电子病历数据挖掘的疾病严重程度预测模型，然而，这些方法对SOFA评分的变化趋势不够敏感，预测准确度不够，且对预测结果解释不足。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供一种可解释的动态疾病严重程度预测方法，能够对SOFA评分的变化趋势更敏感，更准确地预测SOFA评分。

(二)技术方案

基于上述的技术问题，本发明提供一种可解释的动态疾病严重程度预测方法，包括以下方法：

S1、从MIMIC-III数据库中抽取SOFA评分、患者状态和药物使用信息，处理成时间序列的格式，并进行预处理；

S2、根据所述药物使用信息，通过被使用的药物的名称链接到UMLS术语库中的药物实体、关系和相应的医学实体，构建药物相关知识图谱；

S3、使用知识图谱嵌入模型将所述药物相关知识图谱嵌入到一个低维连续向量空间，得到所有药物实体的嵌入；

S4、根据所述SOFA评分得到当前时刻的SOFA变化值，根据当前时刻的SOFA变化值确定所属的类别为i，将所述患者状态、药物实体的嵌入分别乘以患者状态权重矩阵、药物权重矩阵的第i行进行权重处理，i＝1,2,···,7；权重矩阵中第i行j列的值θ_ij或ω_ij分别表示第i类下第j个患者状态或第j种药物对SOFA变化值的影响权重值，N₁表示患者状态总数，N₂表示药物总数：

S5、将所述SOFA评分、进行权重处理后的患者状态和药物实体的嵌入拼接的时间序列数据输入到TCN预测模型，输出预测的SOFA评分趋势；并根据所述预测的SOFA评分趋势得到所属的预测类别，通过SGD学习模型分别训练更新所述患者状态权重矩阵和药物权重矩阵。

进一步的，还包括：