一种基于多维度特征工程的医院感染风险预测方法及装置
本发明涉及医疗感染预警,尤其涉及一种基于多维度特征工程的医院感染风险预测方法及装置。
背景技术:
1、医院感染是医疗质量管理中的核心问题,显著增加患者死亡率、住院时间和医疗成本。早期识别高风险患者并进行干预是防控的关键。传统的医院感染监测需要医生基于相关诊断标准对患者逐一进行排查,具有人工依赖性强、数据时效性差、全面综合性监测困难等问题。
2、随着医院信息化的发展,电子病历系统中积累了海量的多源异构临床数据,为构建数据驱动的实时医院感染风险预测模型提供了可能。然而,如何高效地利用这些复杂、高维、稀疏的数据,构建精准、可信、实用的预测工具,仍是当前研究的难点和热点。
3、现有的医院感染风险预测方法多依赖少数几个临床指标,未能系统、有效整合患者基本信息、检验结果、手术记录、体温时序数据、用药记录等多源异构数据,使得大量有价值的临床信息被浪费,模型预测能力受限,导致最终的医院感染风险预测结果的精度欠佳。
技术实现思路
1、本发明提供了一种基于多维度特征工程的医院感染风险预测方法及装置,解决了现有的医院感染风险预测方法使得大量有价值的临床信息被浪费,模型预测能力受限,导致最终的医院感染风险预测结果的精度欠佳的技术问题。
2、本发明第一方面提供的一种基于多维度特征工程的医院感染风险预测方法,包括:
3、获取患者多源异构临床数据,并对所述患者多源异构临床数据进行数据预处理,输出无样本依赖的抽样后临床数据;
4、对所述无样本依赖的抽样后临床数据进行多维度特征提取,输出多维度临床特征集;
5、对所述多维度临床特征集进行特征筛选,输出最优核心特征集;
6、根据所述最优核心特征集,构建目标医院感染风险预测模型;
7、采用所述目标医院感染风险预测模型对个体患者数据进行风险计算,输出个体化感染风险概率,并对所述个体化感染风险概率进行二分类判定,输出医院感染风险预警结果。
8、可选地,所述对所述患者多源异构临床数据进行数据预处理,输出无样本依赖的抽样后临床数据,包括:
9、对所述患者多源异构临床数据进行清洗和标准化,得到标准化后的患者多源异构临床数据;
10、对所述标准化后的患者多源异构临床数据中的数值型字段按临床合理范围进行截断或修正,输出异常值处理后数据;
11、对所述异常值处理后数据中的缺失项进行类型标记,输出缺失值标记后数据;
12、对所述缺失值标记后数据进行时间标准化,输出时间标准化后数据;
13、对所述时间标准化后数据按病案号完成患者分组;
14、依据所述患者分组内是否包含手术将住院记录划分为两个子集,并对两个子集分别随机抽取住院记录,输出无样本依赖的抽样后临床数据。
15、可选地,所述多维度临床特征集包括基本信息特征子集、检验特征子集、手术特征子集、体温特征子集和药品特征子集;所述对所述无样本依赖的抽样后临床数据进行多维度特征提取,输出多维度临床特征集,包括:
16、对所述无样本依赖的抽样后临床数据中的身高体重字段进行bmi计算,输出bmi特征数据;
17、对所述bmi特征数据中的年龄字段进行年龄分段,输出年龄分段特征数据;
18、对所述年龄分段特征数据进行住院天数与季节特征生成处理,输出时间维度特征数据;
19、对所述时间维度特征数据进行诊断归类与合并症得分计算,输出合并症特征数据;
20、对所述合并症特征数据进行脆弱性评分构建,输出基本信息特征子集;
21、对所述无样本依赖的抽样后临床数据中的检验指标采用滑动窗口法进行峰值提取,输出检验指标峰值数据;
22、对所述检验指标峰值数据进行采样时间记录,输出检验指标时序数据;
23、对所述检验指标时序数据进行末次检验距入院天数计算,输出检验特征子集;
24、对所述无样本依赖的抽样后临床数据中的手术信息进行等级标准化,输出标准化手术等级数据;
25、对所述标准化手术等级数据采用nlp技术进行手术关键词提取,输出手术关键词特征数据;
26、对所述手术关键词特征数据进行手术风险评分构建,输出手术风险评分数据;
27、对所述手术风险评分数据进行多次手术聚合特征计算,输出手术特征子集;
28、对所述无样本依赖的抽样后临床数据中的体温数据进行基础统计特征计算,输出体温基础统计数据;
29、对所述体温基础统计数据进行入院预设时间段发热分析,输出早期发热特征数据;
30、对所述早期发热特征数据进行发热动态特征量化,输出体温特征子集;
31、对所述无样本依赖的抽样后临床数据中的药品信息进行分类映射,输出药品分类特征数据;
32、对所述药品分类特征数据进行用药次数统计,输出用药频次特征数据;
33、对所述用药频次特征数据进行二元使用特征生成,输出药品特征子集。
34、可选地,所述对所述多维度临床特征集进行特征筛选,输出最优核心特征集,包括:
35、对所述多维度临床特征集以入院时间为锚点进行时间对齐处理,输出时间对齐后特征数据;
36、对所述时间对齐后特征数据进行特征合并,输出病例聚合后特征集;
37、对所述病例聚合后特征集按指标类型进行缺失值填充,输出特征插补后特征集;
38、对所述特征插补后特征集进行卡方检验筛选,输出分类特征显著数据;
39、对所述特征插补后特征集进行mann-whitney u检验筛选,输出连续特征显著数据;
40、对所述分类特征显著数据与所述连续特征显著数据进行合并,输出显著特征子集;
41、对所述显著特征子集采用lasso回归进行特征筛选,输出最优核心特征集。
42、可选地,所述根据所述最优核心特征集,构建目标医院感染风险预测模型,包括:
43、对所述最优核心特征集采用网格搜索结合分层交叉验证进行参数寻优处理,输出模型最优参数数据;
44、依据所述模型最优参数数据进行类别权重设置,输出优化后模型配置;
45、以所述最优核心特征集为输入,并按照所述优化后模型配置进行模型训练,输出所述目标医院感染风险预测模型。
46、可选地,还包括:
47、将测试集数据输入所述目标医院感染风险预测模型进行预测计算,输出模型预测结果数据;
48、对所述模型预测结果数据进行roc-auc指标计算,输出模型区分度评估数据;
49、对所述模型预测结果数据进行混淆矩阵计算,输出模型分类性能数据;
50、对所述模型区分度评估数据与所述模型分类性能数据进行整合,输出模型性能评估结果。
51、可选地,还包括:
52、采用shap方法对所述个体化感染风险概率进行特征贡献度分解,输出特征贡献度结果数据;
53、对特征贡献度结果数据进行shap蜂群图生成处理,输出shap可视化分析图。
54、本发明第二方面提供的一种基于多维度特征工程的医院感染风险预测装置,包括:
55、获取模块,用于获取患者多源异构临床数据,并对所述患者多源异构临床数据进行数据预处理,输出无样本依赖的抽样后临床数据;
56、提取模块,用于对所述无样本依赖的抽样后临床数据进行多维度特征提取,输出多维度临床特征集;
57、筛选模块,用于对所述多维度临床特征集进行特征筛选,输出最优核心特征集;
58、构建模块,用于根据所述最优核心特征集,构建目标医院感染风险预测模型;
59、预测模块,用于采用所述目标医院感染风险预测模型对个体患者数据进行风险计算,输出个体化感染风险概率,并对所述个体化感染风险概率进行二分类判定,输出医院感染风险预警结果。
60、本发明第三方面提供的一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述的基于多维度特征工程的医院感染风险预测方法的步骤。
61、本发明第四方面提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述所述的基于多维度特征工程的医院感染风险预测方法。
62、从以上技术方案可以看出,本发明具有以下优点:
63、本发明的上述技术方案提供了一种基于多维度特征工程的医院感染风险预测方法,获取患者多源异构临床数据,并对患者多源异构临床数据进行数据预处理,输出无样本依赖的抽样后临床数据;对无样本依赖的抽样后临床数据进行多维度特征提取,输出多维度临床特征集;对多维度临床特征集进行特征筛选,输出最优核心特征集;根据最优核心特征集,构建目标医院感染风险预测模型;采用目标医院感染风险预测模型对个体患者数据进行风险计算,输出个体化感染风险概率,并对个体化感染风险概率进行二分类判定,输出医院感染风险预警结果;基于上述方案,本发明通过获取患者多源异构临床数据并完成数据预处理,保障了数据质量与有效性,通过对无样本依赖的抽样后临床数据进行多维度特征提取,能够全面整合并深度挖掘多源异构临床数据中的各类潜在价值信息,充分释放了多维度临床数据的信息价值,为模型提供了丰富、全面且贴合临床实际的特征输入,通过对多维度临床特征集进行特征筛选,精准剔除冗余无效特征、筛选出最优核心特征集,减少了无效特征对模型的干扰,聚焦关键预测信息,有效提升了模型的学习效率与预测能力,通过根据最优核心特征集构建目标医院感染风险预测模型,使得模型能够依托高价值核心特征精准捕捉临床数据与医院感染风险之间的内在关联,进一步强化了模型的预测能力,通过采用目标医院感染风险预测模型对个体患者数据进行风险计算并完成二分类判定,能够精准输出个体化感染风险概率并给出明确的风险预警结果,从而显著提升了医院感染风险预测的精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com