[发明专利]一种脓毒症治疗策略的学习方法及装置

权利要求书

1.一种脓毒症治疗策略的学习方法，其特征在于，包括：

基于样本数据建立关于脓毒症治疗策略的马尔科夫决策模型；所述样本数据为脓毒症患者在预设时间内的病理数据；

根据所述马尔科夫决策模型，建立脓毒症的死亡率预测模型，并获取脓毒症患者各个特征的死亡率权重；

利用所述死亡率权重对样本数据进行标记，生成目标样本；

预测脓毒症治疗策略，利用深度强化学习方法来学习治疗策略。

2.根据权利要求1所述的脓毒症治疗策略的学习方法，其特征在于，在所述基于样本数据建立关于脓毒症治疗策略的马尔科夫决策模型之后，还包括：

对马尔科夫决策模型中的数据进行数据清洗，包括将数据损失超过预设值的治疗轨迹进行剔除，利用KNN算法进行数据填充。

3.根据权利要求2所述的脓毒症治疗策略的学习方法，其特征在于，所述根据所述马尔科夫决策模型，建立脓毒症的死亡率预测模型，并获取脓毒症患者各个特征的死亡率权重，包括：

基于所述马尔科夫决策模型，利用极限梯度提升算法进行二分类训练，将患者在每个时间序列的状态作为特征值，以最终存活情况作为标签，训练生成死亡率预测模型；

基于死亡率预测模型，将患者按最终存活或死亡的情况划分，利用KNN算法，基于闵可夫斯基距离公式计算患者各个特征的死亡率权重。

4.根据权利要求2所述的脓毒症治疗策略的学习方法，其特征在于，所述深度强化学习方法为Double Dueling DQN深度强化学习方法。

5.根据权利要求4所述的脓毒症治疗策略的学习方法，其特征在于，所述利用深度强化学习方法来学习治疗策略，包括修改损失函数以及对AI治疗策略的动作选择增加现实限制。

6.一种脓毒症治疗策略的学习方法，其特征在于，包括：

基于样本数据建立关于脓毒症治疗策略的马尔科夫决策模型；所述样本数据为脓毒症患者在预设时间内的病理数据；

根据所述马尔科夫决策模型，建立脓毒症的死亡率预测模型，并获取脓毒症患者各个特征的死亡率权重；

利用所述死亡率权重对样本数据进行标记，生成目标样本，将所述目标样本作为脓毒症治疗策略的学习样本。

7.根据权利要求6所述的脓毒症治疗策略的学习方法，其特征在于，在所述基于样本数据建立关于脓毒症治疗策略的马尔科夫决策模型之后，还包括：

对马尔科夫决策模型中的数据进行数据清洗，包括将数据损失超过预设值的治疗轨迹进行剔除，利用KNN算法进行数据填充。

8.根据权利要求7所述的脓毒症治疗策略的学习方法，其特征在于，所述根据所述马尔科夫决策模型，建立脓毒症的死亡率预测模型，并获取脓毒症患者各个特征的死亡率权重，包括：

基于所述马尔科夫决策模型，利用极限梯度提升算法进行二分类训练，将患者在每个时间序列的状态作为特征值，以最终存活情况作为标签，训练生成死亡率预测模型；

基于死亡率预测模型，将患者按最终存活或死亡的情况划分，利用KNN算法，基于闵可夫斯基距离公式计算患者各个特征的死亡率权重。

9.一种脓毒症治疗策略的学习装置，其特征在于，包括：

数据处理单元，用于基于样本数据建立关于脓毒症治疗策略的马尔科夫决策模型；所述样本数据为脓毒症患者在预设时间内的病理数据；

权重计算单元，用于根据所述马尔科夫决策模型，建立脓毒症的死亡率预测模型，并获取脓毒症患者各个特征的死亡率权重；

标记单元，用于利用所述死亡率权重对样本数据进行标记，生成目标样本；

学习单元，用于预测脓毒症治疗策略，利用深度强化学习方法来学习治疗策略。

10.一种脓毒症治疗策略的学习装置，其特征在于，包括：

数据处理模块，用于基于样本数据建立关于脓毒症治疗策略的马尔科夫决策模型；所述样本数据为脓毒症患者在预设时间内的病理数据；

权重计算模块，用于根据所述马尔科夫决策模型，建立脓毒症的死亡率预测模型，并获取脓毒症患者各个特征的死亡率权重；

样本生成模块，用于利用所述死亡率权重对样本数据进行标记，生成目标样本，将所述目标样本作为脓毒症治疗策略的学习样本。