醫(yī)療信息化的深入推進與醫(yī)療數據的劇增,導致“數據爆炸、信息稀缺”的問題日益凸顯。如何將雜亂無章的數據變成有用的信息,就變得尤為迫切與關鍵。如果人工處理這些數據,不僅耗時耗力,而且處理質量也無法保證,基于醫(yī)療數據的復雜決策和精準醫(yī)療也就無從談起。將醫(yī)療數據信息化,最好的辦法就是對現有的醫(yī)療數據進行挖掘,將數據轉化為知識,進而提供醫(yī)療決策支撐。本文從醫(yī)療健康電子檔案入手,以重癥監(jiān)護室（ICU）數據為具體研究對象,圍繞疾病診斷與病人死亡率評估這兩個醫(yī)療應用場景,對醫(yī)療數據挖掘中使用到的關鍵技術進行了系統(tǒng)性的研究,具體研究工作如下:1.提出了一種多源多任務的疾病診斷方法。針對ICU數據,提出了一種基于注意力機制的通用疾病診斷方法。該方法可以使用統(tǒng)一的模型對ICU中所有的常見疾病進行診斷,并且可以獲得較現有方法更高的診斷精度。由于前期對疾病進行診斷的工作主要集中在對單一疾病進行診斷上,所以針對不同的疾病需要單獨開發(fā)不同的診斷模型。若應用于ICU中,就需要開發(fā)部署幾十個這樣的模型,不僅費時費力,模型的兼容性也是一個很大的問題。因此,本方法致力于構造一個統(tǒng)一的模型框架解決這一問題�？紤]到病人基礎生理... 

【文章來源】：吉林大學吉林省211工程院校985工程院校教育部直屬院校

【文章頁數】：148 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現狀
        1.2.1 醫(yī)療數據挖掘
        1.2.2 疾病診斷
        1.2.3 死亡率預測
        1.2.4 缺失值填充
    1.3 本文主要工作
    1.4 本文組織結構
第2章 實驗數據及相關工作概述
    2.1 數據來源
    2.2 數據獲取
    2.3 數據結構
    2.4 相關工作概述
    2.5 本文主要使用的相關算法
        2.5.1 極端梯度提升(XGBoost)
        2.5.2 循環(huán)神經網絡(RNN)
        2.5.3 長短記憶網絡(LSTM)
        2.5.4 門控循環(huán)單元(GRU)
        2.5.5 時域卷積網絡(TCN)
    2.6 本章小結
第3章 基于注意力的多源多任務ICU疾病診斷方法
    3.1 引言
    3.2 相關工作
    3.3 模型與方法
        3.3.1 問題定義
        3.3.2 用于處理時序信息的多模態(tài)多任務模型
        3.3.3 輸入表示與窗口對齊
        3.3.4 壓縮層
        3.3.5 門控循環(huán)神經網絡層
        3.3.6 多頭注意力機制
        3.3.7 線性層
    3.4 實驗與分析
        3.4.1 實驗數據描述
        3.4.2 實驗設置
        3.4.3 對比方法
        3.4.4 評價指標
    3.5 實驗結果與討論
    3.6 本章小結
第4章 深度可解釋性病人死亡率預測方法
    4.1 引言
    4.2 相關工作
    4.3 模型與方法
        4.3.1 問題定義
        4.3.2 數據嵌入表示
        4.3.3 窗口對齊操作
        4.3.4 數據流壓縮
        4.3.5 任務智能的Attention層
        4.3.6 GRU層
        4.3.7 多頭Attention與前饋層
        4.3.8 線性層與Soft Max層
        4.3.9 Focal Loss
        4.3.10 輸出與解釋
    4.4 實驗與分析
        4.4.1 數據集
        4.4.2 實驗設置
        4.4.3 對比方法
        4.4.4 評價指標
        4.4.5 模塊消融性研究
        4.4.6 實驗結果與討論
    4.5 本章小結
第5章 集成疾病診斷與死亡率預測方法
    5.1 引言
    5.2 相關工作
    5.3 模型與方法
        5.3.1 問題定義
        5.3.2 時序數據多模態(tài)多任務建模
        5.3.3 窗口對齊操作
        5.3.4 壓縮層
        5.3.5 門控神經網絡層
        5.3.6 多頭Attention與前饋傳播
        5.3.7 輸出層
        5.3.8 模型解釋
    5.4 實驗與分析
        5.4.1 實驗數據描述
        5.4.2 實驗設置
        5.4.3 對比方法
        5.4.4 評價指標
        5.4.5 實驗結果與討論
    5.5 本章小結與展望
第6章 醫(yī)療時序數據缺失值處理方法
    6.1 引言
        6.1.1 臨床時序多變量數據缺失值插補
        6.1.2 ICU死亡率預測
    6.2 預備知識
        6.2.1 關鍵概念定義
        6.2.2 問題定義
    6.3 模型與方法
        6.3.1 輸入層
        6.3.2 整理層
        6.3.3 循環(huán)與回歸層
        6.3.4 評估層
        6.3.5 約束層
        6.3.6 死亡率預測
    6.4 實驗與分析
        6.4.1 數據集與實驗設置
        6.4.2 對比方法
        6.4.3 評價指標
        6.4.4 實驗結果與討論
    6.5 本章小結
第7章 總結與展望
    7.1 工作總結
    7.2 工作展望
參考文獻
作者簡介及在學期間科研成果
    作者簡介
    學術論文
    投稿論文
    發(fā)明專利
    軟件著作
    參加項目
    學術獎勵
致謝


【參考文獻】：
期刊論文
[1]基于數據挖掘的智能電網調度技術研究[J]. 石智永,管曉峰,侯盡然,王國民,耿琦.  電子設計工程. 2019(22)
[2]基于電信大數據的信用卡精準營銷算法研究及應用[J]. 成晨,韓玉輝,程新洲,張恒.  郵電設計技術. 2019(09)
[3]基于多維深層數據關聯(lián)的醫(yī)學知識挖掘研究進展[J]. 杜建.  農業(yè)圖書情報. 2019(03)
[4]基于數據挖掘的疾病分類預測模型的構建[J]. 李榮華,張燕,黃俊,黃程成,莫盡友.  電腦知識與技術. 2019(11)
[5]基于關聯(lián)規(guī)則的醫(yī)療大數據挖掘算法[J]. 岳根霞.  微電子學與計算機. 2019(04)
[6]數據挖掘技術在醫(yī)療診斷中的應用——感知機模型診斷心臟病[J]. 張一寧.  電子制作. 2019(04)
[7]eICU合作研究數據庫申請及數據提取流程[J]. 郭曉娟,田國祥,閆小妮,馮曉婕,趙帆帆,呂軍.  中國循證心血管醫(yī)學雜志. 2019(01)
[8]深度學習與醫(yī)學影像分析研究進展[J]. 趙地.  人工智能. 2018(04)
[9]基于深度學習的醫(yī)學圖像分割技術[J]. 亢寒,張榮國,陳寬.  人工智能. 2018(04)
[10]基于關聯(lián)規(guī)則對423例強直性脊柱炎患者血小板參數與免疫炎癥代謝指標的數據挖掘研究[J]. 方妍妍,劉健,萬磊,忻凌,董文哲,文建庭,黃旦,宋倩.  中國免疫學雜志. 2018(07)

博士論文
[1]基于電子病歷數據的臨床決策支持研究[D]. 王昱.浙江大學 2016

碩士論文
[1]基于肺部CT的醫(yī)療影像處理與識別優(yōu)化研究[D]. 佟宇琪.吉林大學 2019
[2]基于特征提取的ICU患者死亡風險預測研究[D]. 許僑洋.南京大學 2019
[3]基于相關性分析的關聯(lián)規(guī)則挖掘及其應用[D]. 楊寧.蘭州大學 2019
[4]小樣本臨床數據的擴增協(xié)同分類輔助診斷方法研究與應用[D]. 康越.西安電子科技大學 2019
[5]缺失數據插補方法及其在醫(yī)學領域的應用研究[D]. 陳婉嬌.華南理工大學 2019
[6]粗糙集與證據理論在醫(yī)療智能診斷系統(tǒng)中的應用研究[D]. 武金艷.湖南大學 2010
[7]數據挖掘技術在處理交通流數據中的研究及應用[D]. 陳磊.長安大學 2009
[8]HIS中醫(yī)療費用的數據挖掘[D]. 付光金.吉林大學 2005
[9]基于數據倉庫的醫(yī)保決策支持系統(tǒng)[D]. 孫偉.南京航空航天大學 2004



本文編號：3614088