基于ICD诊断码的对象划分方法、存储介质及电子病历系统技术方案

本发明专利技术涉及一种基于ICD诊断码的对象划分方法、存储介质及电子病历系统。该基于ICD诊断码的对象划分方法包括：对预定类别的对象所具有的ICD诊断码构建本体树；通过GloVe模型对本体树中的所有节点进行训练，构建初始表征矩阵；结合多层感知机与初始表征矩阵学习注意力权重，以对本体树中的叶子节点构建ICD诊断码表征矩阵；通过对象编码矩阵对ICD诊断码表征矩阵进行映射，以将映射的结果输入对象划分架构；基于无监督学习，通过对象划分架构，将对象聚集到不同的集群中；或者基于有监督学习，通过对象划分架构，将对象分类到特定的类别中。将对象分类到特定的类别中。将对象分类到特定的类别中。

【技术实现步骤摘要】
基于ICD诊断码的对象划分方法、存储介质及电子病历系统


[0001]本专利技术涉及对象划分方法，特别是涉及基于ICD诊断码的对象划分方法、存储介质、计算机设备及电子病历系统。

技术介绍

[0002]器官衰竭是ICU即重症加强护理病房（Intensive Care Unit）监护中致死率最高的病因之一。器官衰竭的患者的生活质量很差，且器官衰竭的死亡率和发病率很高，并给各国带来了巨大的卫生支出。一个国家的卫生系统必须更好地了解这些器官衰竭之间的潜在关系，以便采取预防措施并更有效地进行早期干预以提高死亡率和治疗率。然而，由于与呈现症状和患者表现变化相关的广泛诊断，及时和正确地识别重要器官衰竭患者可能具有挑战性。此外，这些器官衰竭的病理和临床复杂性很高。

技术实现思路

[0003]基于此，有必要针对很少有研究报告和分析对象的特征问题，提供一种基于ICD诊断码的对象划分方法、存储介质、计算机设备及电子病历系统。
[0004]本申请提供一种基于ICD诊断码的对象划分方法，包括：对预定类别的对象所具有的ICD诊断码构建本体树；通过GloVe模型对所述本体树中的所有节点进行训练，构建初始表征矩阵；结合多层感知机与所述初始表征矩阵学习注意力权重，以对所述本体树中的叶子节点构建ICD诊断码表征矩阵；通过对象编码矩阵对所述ICD诊断码表征矩阵进行映射，以将映射的结果输入对象划分架构；基于无监督学习，通过所述对象划分架构，将所述预定类别的对象聚集到不同的集群中；或者基于有监督学习，通过所述对象划分架构，将所述预定类别的对象分类到特定的类别中。
[0005]上述基于ICD诊断码的对象划分方法，通过对象的划分，例如对象的聚类或对象的分类，将对象聚类到具有鲁棒性的不同集群中，从而将对象按照具有相似的潜在特征进行分组；或者将对象分类到不同标签的特定类别中，从而将不同类别的对象进行分离。
[0006]在其中一个实施例中，所述对预定类别的对象所具有的ICD诊断码构建本体树，包括：选择预定数量的属于预定类别之一的对象；确定每一个对象具有的所有ICD诊断码；根据所有对象的ICD诊断码，构建所述本体树。
[0007]在其中一个实施例中，所述结合多层感知机与所述初始表征矩阵学习注意力权重，以对所述本体树中的叶子节点构建ICD诊断码表征矩阵，包括：确定所述本体树的叶子节点的数量；
基于所述初始表征矩阵，根据所述叶子节点的数量通过所述多层感知机学习注意力权重，以构建所述ICD诊断码表征矩阵。
[0008]在其中一个实施例中，所述通过对象编码矩阵对所述ICD诊断码表征矩阵进行映射，以将映射的结果输入对象划分架构，包括：将对象的3D编码矩阵映射成2D编码矩阵作为所述对象编码矩阵；将所述对象编码矩阵与所述ICD诊断码表征矩阵执行内积运算，以作为所述对象划分架构的输入。
[0009]在其中一个实施例中，所述基于无监督学习，通过所述对象划分架构，将所述预定类别的对象聚集到不同的集群中，包括：将所述映射的结果输入自动编码器；对所述自动编码器应用损失函数，以计算总损失；当所述总损失符合收敛要求时，对所述自动编码器应用聚类算法，以将所述预定类别的对象聚集到不同的集群中。
[0010]在其中一个实施例中，所述对所述自动编码器应用损失函数，以计算总损失，包括：对所述自动编码器应用逐层重建损失函数，以计算重建损失；对所述自动编码器的瓶颈层应用聚类损失函数，以计算聚类损失；对所述重建损失和所述聚类损失求和，以获得所述总损失。
[0011]在其中一个实施例中，所述对所述自动编码器应用逐层重建损失函数，以计算重建损失，包括：对所述自动编码器中的最初输入和最终输出以及每一对中间层的输出分别计算均方误差并做加权求和，作为所述重建损失。
[0012]在其中一个实施例中，所述对所述自动编码器的瓶颈层应用聚类损失函数，以计算聚类损失，包括：对所述自动编码器的瓶颈层应用K均值聚类损失函数，以计算所述聚类损失。
[0013]在其中一个实施例中，所述当所述总损失符合收敛要求时，对所述自动编码器应用聚类算法，以将所述预定类别的对象聚集到不同的集群中，包括：抽取所述自动编码器的瓶颈层作为所述预定类别的对象的隐式表达；对所述隐式表达执行K均值聚类，以将所述预定类别的对象聚集到不同的集群中。
[0014]在其中一个实施例中，当所述总损失符合收敛要求时，所述方法还包括：利用交叉验证和早停法确定是否终止训练以防止过拟合；根据所述总损失的梯度，更新参数；根据更新后的参数，重新计算所述总损失，直至所述总损失在验证集上符合收敛要求。
[0015]在其中一个实施例中，所述基于有监督学习，通过所述对象划分架构，将所述预定类别的对象分类到特定的类别中，包括：将所述映射的结果输入另一多层感知机；对所述另一多层感知机的输出应用有监督学习的损失函数，以将所述预定类别的对象分类到特定的类别中。
[0016]在其中一个实施例中，所述对所述另一多层感知机的输出应用有监督学习的损失函数，以将所述预定类别的对象分类到特定的类别中，包括：对所述另一多层感知机的输出应用交叉熵损失函数；当所述交叉熵损失函数的输出在验证集上符合收敛要求时，实现所述预定类别的对象被分类到特定的类别中。
[0017]在其中一个实施例中，所述预定类别的对象是曾经发生过器官衰竭的对象；所述器官衰竭包括心脏衰竭、呼吸衰竭和肾衰竭。
[0018]在其中一个实施例中，相同的集群中的对象具有相同的既往并发症特征。
[0019]在其中一个实施例中，所述特定的类别为所述心脏衰竭、所述呼吸衰竭和所述肾衰竭之一。
[0020]本申请还提供一种非暂时性存储介质，存储有计算机可读指令，其中，当所述计算机可读指令被处理器执行时，实现如上所述的方法的步骤。
[0021]本申请还提供一种计算机设备，包括处理器和存储器，所述存储器存储有计算机可读指令，其中，当所述计算机可读指令被所述处理器执行时，实现如上所述的方法的步骤。
[0022]本申请还提供一种电子病历系统，包括如上所述的计算机设备。
[0023]本申请的基于ICD诊断码的对象划分方法仅用于辅助医生诊断，或者同时根据历史数据向个人发出警报或提醒个人的健康状况。
附图说明
[0024]图1为根据一实施例的基于ICD诊断码的对象划分方法的流程图；图2为根据一实施例的电子病历系统的示意图；图3为根据一实施例的深度聚类模型的示意图；图4为根据一实施例的深度神经网络分类模型的示意图；图5为根据一实施例的本体树的示意图；图6为根据一实施例将对象3D矩阵转换成2D的对象编码矩阵的示意图；图7为根据一实施例的对象被聚集到不同的集群中的示意图；图8为根据一实施例的对象被分类到特定的类别中的示意图；图9为根据一个实施例的计算机设备的内部结构示意图。
具体实施方式
[0025]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的较佳的实施例。但是，本专利技术可以以许本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ICD诊断码的对象划分方法，包括：对预定类别的对象所具有的ICD诊断码构建本体树；通过GloVe模型对所述本体树中的所有节点进行训练，构建初始表征矩阵；结合多层感知机与所述初始表征矩阵学习注意力权重，以对所述本体树中的叶子节点构建ICD诊断码表征矩阵；通过对象编码矩阵对所述ICD诊断码表征矩阵进行映射，以将映射的结果输入对象划分架构；基于无监督学习，通过所述对象划分架构，将所述预定类别的对象聚集到不同的集群中；或者基于有监督学习，通过所述对象划分架构，将所述预定类别的对象分类到特定的类别中。2.根据权利要求1所述的方法，其特征在于，所述对预定类别的对象所具有的ICD诊断码构建本体树，包括：选择属于预定类别之一的对象；确定每一个对象具有的所有ICD诊断码；根据所有对象的ICD诊断码，构建所述本体树。3.根据权利要求1所述的方法，其特征在于，所述结合多层感知机与所述初始表征矩阵学习注意力权重，以对所述本体树中的叶子节点构建ICD诊断码表征矩阵，包括：确定所述本体树的叶子节点的数量；基于所述初始表征矩阵，根据所述叶子节点的数量通过所述多层感知机学习注意力权重，以构建所述ICD诊断码表征矩阵。4.根据权利要求1所述的方法，其特征在于，所述通过对象编码矩阵对所述ICD诊断码表征矩阵进行映射，以将映射的结果输入对象划分架构，包括：将对象的3D编码矩阵映射成2D编码矩阵作为所述对象编码矩阵；将所述对象编码矩阵与所述ICD诊断码表征矩阵执行内积运算，以作为所述对象划分架构的输入。5.根据权利要求1所述的方法，其特征在于，所述基于无监督学习，通过所述对象划分架构，将所述预定类别的对象聚集到不同的集群中，包括：将所述映射的结果输入自动编码器；对所述自动编码器应用损失函数，以计算总损失；当所述总损失符合收敛要求时，对所述自动编码器应用聚类算法，以将所述预定类别的对象聚集到不同的集群中。6.根据权利要求5所述的方法，其特征在于，所述对所述自动编码器应用损失函数，以计算总损失，包括：对所述自动编码器应用逐层重建损失函数，以计算重建损失；对所述自动编码器的瓶颈层应用聚类损失函数，以计算聚类损失；对所述重建损失和所述聚类损失求和，以获得所述总损失。7.根据权利要求6所述的方法，其特征在于，所述对所述自动编码器应用逐层重建损失函数，以计算重建损失，包括：对所述自动编码器中的最初输入和最终输出以及每一对中间层的输出分别计算均...

【专利技术属性】
技术研发人员：刘张代红，杨扬，大卫，
申请(专利权)人：牛津大学创新有限公司，
类型：发明
国别省市：