數(shù)據(jù)驅(qū)動(dòng)的醫(yī)療（data driven healthcare）旨在運(yùn)用大規(guī)模的數(shù)據(jù),通過數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等方法,實(shí)現(xiàn)疾病風(fēng)險(xiǎn)預(yù)測,以提供最好的和最個(gè)性化的護(hù)理。電子病歷中蘊(yùn)含著大量有價(jià)值的信息,是推動(dòng)這一數(shù)據(jù)驅(qū)動(dòng)醫(yī)療革命成功的主要載體。然而,電子病歷中一次入院包含可變大小的多次診斷,使得入院信息難以表示;且每次入院在時(shí)間上具有無規(guī)律性,同時(shí)疾病的發(fā)展具有長期依賴性,以上是實(shí)現(xiàn)有效疾病預(yù)測的現(xiàn)實(shí)挑戰(zhàn)。隨著深度學(xué)習(xí)領(lǐng)域知識和技術(shù)的不斷發(fā)展,研究基于電子病歷運(yùn)用深度學(xué)習(xí)技術(shù)對疾病風(fēng)險(xiǎn)預(yù)測的方法,為醫(yī)生診斷提供參照,對于提高臨床診斷的及時(shí)性、準(zhǔn)確性,降低醫(yī)療成本具有現(xiàn)實(shí)意義。但是,目前國內(nèi)外的相關(guān)研究不是很多,為了解決上述挑戰(zhàn),本文將做如下研究:1、針對電子病歷信息難以表示,即電子病歷中記錄的入院信息極其稀疏,本文基于自然語言處理（Natural Language Processing,NLP）中詞嵌入模型,通過對診斷進(jìn)行特定編碼表示,把同種類型的向量池化成一個(gè)向量,然后一次入院被特定類型的池化向量表示,通過這種方式可變大小的入院被嵌入到一個(gè)連續(xù)的向量空間,將作為預(yù)測模型的輸入。2、針對電子... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

ICD-10網(wǎng)頁圖

特征向量直接從EHR中得到,將EHR記錄建模為如圖2.2所示的圖像矩陣[8],其中X軸對應(yīng)于時(shí)間戳,Y軸對應(yīng)于事件值。注意,不同的事件可能有不同的值范圍和類型（例如,血壓具有連續(xù)值）。此外,每個(gè)事件可以是瞬時(shí)的（由單個(gè)像素表示）,也可以具有一定的持續(xù)時(shí)間（由圖像中的線段表示）。這提供了一種簡潔的表示,可以有效地使用圖像來編碼大量的時(shí)間信息,包括事件值、時(shí)間和持續(xù)時(shí)間時(shí)不同事件之間的關(guān)系以及成對事件之間的間隔。2.1.2.2 基于縱向矩陣

從EHR事件中為每個(gè)患者構(gòu)建一個(gè)縱向患者矩陣,該矩陣由兩個(gè)維度組成：特征維度和時(shí)間維度。構(gòu)造這種矩陣的一種簡單方法是在兩個(gè)維度中使用最細(xì)的粒度：使用醫(yī)療事件類型作為特征維度的特征空間,使用日期作為時(shí)間維度的基本單位。不幸的是,用這種方法構(gòu)建的患者矩陣太稀疏,沒有用處。作為一種補(bǔ)救方法,我們通過每周為單位對時(shí)間聚合,每個(gè)醫(yī)療特征在一個(gè)時(shí)間點(diǎn)上的值由該周內(nèi)相應(yīng)醫(yī)療事件的計(jì)數(shù)給出。特征粒度的選擇不應(yīng)過于粗糙,否則在檢索過程中可能會丟失更精細(xì)級別特征中的預(yù)測信息。但基于此的構(gòu)建得到的矩陣仍很稀疏。最后,需要把縱向病人矩陣作為分類器的特征向量。由于患者有不同長度的記錄,通常會定義一個(gè)感興趣的觀察窗,并在觀察窗內(nèi)提取所有患者的匯總統(tǒng)計(jì)數(shù)據(jù)（如平均值、標(biāo)準(zhǔn)差）。整個(gè)過程如圖2.3所示[10]。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的心血管疾病風(fēng)險(xiǎn)預(yù)測模型[J]. 安瑩,黃能軍,楊榮,陳先來.  中國醫(yī)學(xué)物理學(xué)雜志. 2019(09)
[2]基于LSTM神經(jīng)網(wǎng)絡(luò)的麻疹發(fā)病率預(yù)測[J]. 韓天齊,宋波.  電腦與電信. 2018(05)
[3]結(jié)合LSTM和CNN混合架構(gòu)的深度神經(jīng)網(wǎng)絡(luò)語言模型[J]. 王毅,謝娟,成穎.  情報(bào)學(xué)報(bào). 2018(02)



本文編號：3495339