-
公开(公告)号：CN110347837A
公开(公告)日：2019-10-18
申请号：CN201910643706.2
申请日：2019-07-17
Abstract: 本发明提供了一种心血管疾病非计划再住院风险预测方法，基于与患者健康相关的结构化数据以及非结构化数据构成的多源异构医疗健康数据，应用基于深度神经网络的多模型集成算法,构建非计划再住院风险预测模型。本发明可以准确分析外部环境变化对患者非计划再住院的影响，同时应用文本挖掘技术提取非结构化数据的关键信息，全面挖掘患者健康影响因子。本发明解决了现有技术中缺乏外部环境变化对患者健康的影响分析、非结构化数据信息挖掘不足以及非平衡分类样本预测准确率较低的问题，提升了心血管疾病患者非计划再住院的预测准确性。
-
公开(公告)号：CN110010248A
公开(公告)日：2019-07-12
申请号：CN201910306367.9
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于代价敏感集成学习模型的再入院风险预测方法；具体步骤包括：1)、获取医疗和外部环境数据信息，构建多源高维特征矩阵；2)、基于自动编码器的高维特征矩阵非线性压缩表示；3)、构建以代价敏感支持向量机为弱学习器的集成学习模型；4)、预测集经过步骤1、步骤2特征处理，输入训练模型，得到再入院风险预测结果。本发明针对患者人口学信息、既往住院史、家族史以及外部环境特征，构建多源高维特征矩阵，提取更多有助于全面反映患者健康状况的特征信息；基于自动编码器的高维特征矩阵非线性压缩表示，实现对稀疏特征的降维；针对样本不均衡问题，构建以代价敏感支持向量机为弱学习器的集成学习模型，提高再入院风险识别精度。
-
公开(公告)号：CN114898879B
公开(公告)日：2023-04-21
申请号：CN202210539116.7
申请日：2022-05-10
Applicant: 电子科技大学
Abstract: 本发明涉及医疗信息技术领域，涉及一种基于图表示学习的慢病风险预测方法；将结构化数据抽象为图数据，构建个人疾病网络表示患者个体；个人疾病网络中节点表示所患疾病，有向边的方向表示疾病出现的先后顺序，权值表示在患者个体的住院序列中，该有向边关联的有向疾病对出现的频率；通过词嵌入方法生成个人疾病网络中疾病节点的初始表示；并设计了一种集成图卷积和图池化的整图分类预测模型对个人疾病网络进行学习，生成对患者的嵌入表示。其中，图卷积层为多关系注意力卷积，可按照时序方向分别聚合节点的领域信息；图池化层为集成边权重的边收缩池化，可实现对个人疾病网络的层次化学习；最后，基于患者的嵌入表示实现对个体未来慢病风险的预测。
-
公开(公告)号：CN115985442A
公开(公告)日：2023-04-18
申请号：CN202310071845.9
申请日：2023-02-07
Applicant: 电子科技大学
IPC: G16H10/60 , G16H50/50 , G06F18/22 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图对比学习的癌症生存预测模型构建方法，属于信息技术领域，解决了癌症生存预测模型的效果受限问题。包括步骤S1：获取癌症患者的临床数据和历史共病数据，进行数据预处理；S2：构建患者疾病关系图，并用相关临床特征初始化癌症患者特征表示，用独热编码初始化疾病特征表示；S3：基于S2，构建正负疾病样本对；S4：基于S2、S3和图卷积网络生成疾病节点的特征表示，并构建对比损失；S5：基于患者疾病关系图结构和图神经网络生成癌症患者的特征表示，并构建分类损失；S6：模型训练、优化损失函数并对癌症患者的生存情况进行分类预测。本发明考虑患者的共病特征对癌症的生存状态的影响，获得更准确的预测效果。
-
公开(公告)号：CN110010248B
公开(公告)日：2023-01-10
申请号：CN201910306367.9
申请日：2019-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于代价敏感集成学习模型的再入院风险预测方法；具体步骤包括：1)、获取医疗和外部环境数据信息，构建多源高维特征矩阵；2)、基于自动编码器的高维特征矩阵非线性压缩表示；3)、构建以代价敏感支持向量机为弱学习器的集成学习模型；4)、预测集经过步骤1、步骤2特征处理，输入训练模型，得到再入院风险预测结果。本发明针对患者人口学信息、既往住院史、家族史以及外部环境特征，构建多源高维特征矩阵，提取更多有助于全面反映患者健康状况的特征信息；基于自动编码器的高维特征矩阵非线性压缩表示，实现对稀疏特征的降维；针对样本不均衡问题，构建以代价敏感支持向量机为弱学习器的集成学习模型，提高再入院风险识别精度。
-
Patent Agency Ranking
公开(公告)号：CN113345564B
公开(公告)日：2022-08-05
申请号：CN202110601268.0
申请日：2021-05-31
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于图神经网络的患者住院时长早期预测方法及装置，属于数据处理技术领域，该方法包括：获取病案首页数据集，并进行预处理；提取患者的基础特征和历史特征；根据预处理后的病案首页数据集，提取疾病向量；构建患者相似性网络；基于患者住院时长标签、基础特征、历史特征、疾病向量以及患者相似性网络，利用GraphSAGE图神经网络构建住院时长早期预测模型；利用住院时长早期预测模型预测待预测样本的住院时长，得到患者住院时长早期预测结果。本发明在入院点对患者的住院时长进行早期预测，具有更高的适用价值。
-
公开(公告)号：CN114795114A
公开(公告)日：2022-07-29
申请号：CN202210348106.5
申请日：2022-03-29
Applicant: 电子科技大学
IPC: A61B5/00
Abstract: 本发明属于医疗信息技术领域，尤其涉及一种基于多模态学习的一氧化碳中毒迟发性脑病预测方法，通过结合贝叶斯网络结构学习算法和医生建议，构建特征依赖图；基于特征依赖图，构建图嵌入前馈神经网络，将特征间的依赖关系集成到神经网络结构中，以得到结构化特征的向量表示；并设计特征融合结构，获取融合多模态信息后的向量表示，并将该向量输入到非线性神经网络层，最终得到一氧化碳中毒患者是否会发生迟发性脑病的预测结果。本发明充分融合多模态的诊疗信息，应用于早期预测时，仅需要结构化的数据作为模型输入，因此一定程度上降低了实际应用中预测模型对多模态数据完整性的需求，解决了在数据缺失的情况下无法实现准确预测的问题。
-
公开(公告)号：CN112086187B
公开(公告)日：2022-04-19
申请号：CN202010971130.5
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于复杂网络的疾病进展路径挖掘方法，基于临床诊疗数据、基因疾病关联数据和通路疾病关联数据，构建有向表型疾病网络、基于基因的疾病关联网络和基于通路的疾病关联网络，并对节点间的边权值加权求和得到有向的复杂疾病网络；基于病死率对复杂疾病网络进行分类，得到源疾病群和目标疾病群；采用双向最大平均权值路径算法，搜索源疾病到目标疾病的疾病进展路径；最后，计算疾病进展得分，量化疾病进展路径的相对重要性。本发明通过挖掘疾病发展路径，量化疾病进展路径相对重要性，找到存在显著统计学关系的疾病进展轨迹，为疾病预防提供支撑，从而对预防低死亡风险疾病发展成高死亡风险疾病的研究具有重要意义。
-
公开(公告)号：CN107680676A
公开(公告)日：2018-02-09
申请号：CN201710877528.0
申请日：2017-09-26
Applicant: 电子科技大学 , 成都数联易康科技有限公司
CPC classification number: G06F17/30563 , G06F17/30303 , G06N99/005
Abstract: 本发明公开了一种基于电子病历数据驱动的妊娠期糖尿病预测方法，在智慧医疗服务中发挥日益重要的作用，本文发明了基于机器学习的妊娠期糖尿病（gestational diabetes mellitus,GDM）妊娠期糖尿病预测框架，根据采集数据的不同时间窗划分方法，构建了全域数据预测模型、分期数据预测模型和周数据预测模型三组预测框架。在识别预测问题后，通过输入与ETL数据清洗、病案编码与特征数据关联、电子病历数据预处理、二次数据处理、特征工程、机器学习、预测应用七个步骤，实现了高维度电子病历的数据挖掘。使用临床数据构建了关于确诊的标记数据集，并将其划分为用于模型训练和测试的2个子集。通过支持向量机、贝叶斯网络、决策树以及基于集成的混合模型进行预测，实现GDM模式分类。
-
公开(公告)号：CN108846503B
公开(公告)日：2022-07-08
申请号：CN201810471661.0
申请日：2018-05-17
Applicant: 电子科技大学 , 四川省卫生和计划生育信息中心
Abstract: 本发明公开了一种基于神经网络的呼吸系统疾病患病人次动态预测方法。该方法通过从病案中提取呼吸系统疾病门急诊和住院患者人次分布，综合区域空气污染物浓度、区域气象数据、节假日、星期几效应和区域社会经济水平等信息。该方法是利用一种基于LSTM神经网络模型来实现的，该方法包括如下几个步骤：步骤一：多源数据整合；步骤二：数据预处理；步骤三：构建LSTM神经网络模型；步骤四：模型验证与调优；步骤五：增量学习与动态预测。通过以较高的精确度动态预测区域范围内呼吸系统疾病患病人次，为解决区域医疗卫生资源优化配置和研究空气污染对疾病负担的影响等问题提供科学依据。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.022 seconds)
