一种出血预测模型的构建训练方法及装置与流程

技术特征：
1.一种出血预测模型的构建训练方法，其特征在于，包括：获取第一样本参数信息和训练参数信息；根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，所述第一算法模型为以极端梯度回归模型为基础、包括最优样本参数信息的算法模型；依据所述训练参数信息对所述第一算法模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，包括：根据极端梯度回归模型和自动寻优技术将所述第一样本参数信息调整为最优样本参数信息；根据所述最优样本参数信息确定第一算法模型。3.根据权利要求1所述的方法，其特征在于，所述获取样本参数信息和训练参数信息之后，还包括：根据所述第一样本参数构建极端梯度回归模型；所述根据所述第一样本参数构建极端梯度回归模型，包括：对所述第一样本参数信息进行降低空间分辨率的重采样，得到第二样本参数信息，使所述第二样本参数信息的空间分辨率与所述第一样本参数信息的空间分辨率相同；基于所述第二样本参数信息和所述第一样本参数信息，迭代建立决策树，形成极端梯度回归模型。4.根据权利要求1所述的方法，其特征在于，所述获取第一样本参数信息和训练参数信息之前，还包括：获取研究需求；根据所述研究需求获取需求样本参数信息和第一数据标准，所述第一数据标准为对应所述需求样本参数信息的筛选标准；筛选所述需求样本参数信息确定第一样本参数信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述研究需求获取需求样本参数信息和数据标准之后，还包括：根据所述研究需求确定数据治理方案；根据所述数据治理方案确定第二数据标准，所述第二数据标准为对应数据治理方案的数据质量筛选标准。6.根据权利要求1所述的方法，其特征在于，所述依据所述训练参数信息对所述第一算法模型进行训练包括：将所述训练参数信息输入至所述第一算法模型中，所述训练参数为实时采集更新的参数信息；更新所述第一算法模型。7.根据权利要求6所述的方法，其特征在于，所述更新所述第一算法模型之后，还包括：获取第一时刻的历史算法模型和第二时刻更新后的算法模型，所述第一时刻早于所述第二时刻；将所述历史算法模型和更新后的算法模型比对评估，确定对所述历史算法模型的评估结果，所述评估结果用于指示所述历史算法模型的灵敏度和稳定性。
8.一种出血预测模型的构建训练装置，其特征在于，所述装置包括：获取模块，用于获取第一样本参数信息和训练参数信息；第一算法模型确定模块，用于根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，所述第一算法模型为以极端梯度回归模型为基础、包括最优样本参数信息的算法模型；模型训练模块，用于依据所述训练参数信息对所述第一算法模型进行训练。9.根据权利要求8所述的装置，其特征在于，所述装置还包括：需求获取模块，用于获取研究需求；标准信息获取模块，用于根据所述研究需求获取需求样本参数信息和第一数据标准，所述第一数据标准为对应所述需求样本参数信息的筛选标准；筛选模块，用于筛选所述需求样本参数信息确定第一样本参数信息。10.根据权利要求8所述的装置，其特征在于，所述装置还包括：治理方案确定模块，用于根据所述研究需求确定数据治理方案；第二数据标准确定模块，用于根据所述数据治理方案确定第二数据标准，所述第二数据标准为对应数据治理方案的数据质量筛选标准。

技术总结
本申请提供了一种出血预测模型的构建训练方法。在执行所述方法时，获取第一样本参数信息和训练参数信息；根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，依据所述训练参数信息对所述第一算法模型进行训练。通过获取覆盖性广的参数信息，保证预测模型指标的全面性，以手术通用指标为基础构建通用模型，在保证通用手术预测准确度的基础上，结合在线训练技术，根据研究需求对不同专科手术方向进行模型深化，进一步提升专科手术围术期出血预测性能。升专科手术围术期出血预测性能。升专科手术围术期出血预测性能。


技术研发人员：徐丽玲 张光明 马驰野 张文一 施盈 吴建人 戎蓉 徐佳鼎 陈义 贺奇
受保护的技术使用者：上海慈欣健康科技有限公司
技术研发日：2022.09.14
技术公布日：2022/11/29