【技术实现步骤摘要】
急性加重的预测方法及装置、电子设备和存储介质
[0001]本公开涉及急性加重的预测
，尤其涉及一种急性加重的预测方法及装置、电子设备和存储介质。
技术介绍
[0002]慢阻肺急性加重(AECOPD)是慢阻肺临床过程中的重要事件，也是慢阻肺患者健康状况和预后的主要决定因素。慢阻肺患者的肺功能会随着时间不断下降，而每一次急性发作则会加速这一过程，导致肺功能进一步下降，生活质量变差，死亡率变高。
[0003]临床上AECOPD是一种急性起病的过程，慢阻肺患者呼吸系统症状出现急性加重(典型表现为呼吸困难加重、咳嗽加剧、痰量增多和/或痰液呈脓性)，超出日常的变异，并且导致需要改变药物治疗。AECOPD是一种临床除外诊断，临床和/或实验室检查没有发现其他可以解释的特异疾病(例如：肺炎、充血性心力衰竭、气胸、胸腔积液、肺栓塞和心律失常等)。通过治疗，呼吸系统症状的恶化可能改善，但也许不能改善，典型的症状将在几天至几周内缓解。
技术实现思路
[0004]本公开提出了一种急性加重的预测方法及装置、电子设备和存储介质技术方案。
[0005]根据本公开的一方面，提供了一种急性加重的预测方法，包括：
[0006]获取多个患者在第一时间及第二时间对应的急性加重次数、在所述第一时间的临床文本数据以及/或肺图像；
[0007]根据所述第一时间及第二时间对应的急性加重次数，确定训练标签；
[0008]利用所述临床文本数据以及/或所述肺图像及对应的所述训练标签对预设分类器进行训练；>[0009]基于训练的所述预设分类器，利用待预测患者在第一时间的临床文本数据以及/或肺图像，完成所述待预测患者在第二时间的急性加重预测。
[0010]优选地，所述根据所述第一时间及第二时间对应的急性加重次数，确定训练标签的方法，包括：
[0011]若所述第二时间对应的急性加重次数大于所述第一时间对应的急性加重次数，则所述训练标签为急性加重；否则，所述训练标签为非急性加重。
[0012]优选地，所述利用所述临床文本数据以及/或所述肺图像及对应的所述训练标签对预设分类器进行训练的方法，包括：
[0013]分别根据所述临床文本数据以及/或所述肺图像得到对应的第一局部特征及第一全局特征；
[0014]利用所述第一局部特征及第一全局特征及对应的所述训练标签对预设分类器进行训练；
[0015]以及/或，
[0016]所述基于训练的所述预设分类器，利用待预测患者在第一时间的临床文本数据以及/或肺图像，完成所述待预测患者在第二时间的急性加重预测的方法，包括：
[0017]根据所述待预测患者在第一时间的临床文本数据以及/或肺图像得到对应的第二局部特征及第二全局特征；
[0018]基于训练的所述预设分类器，利用所述第二局部特征及第二全局特征，完成所述待预测患者在第二时间的急性加重预测。
[0019]优选地，所述利用所述第一局部特征及第一全局特征及对应的所述训练标签对预设分类器进行训练的方法，包括：
[0020]对所述第一局部特征及第一全局特征进行融合操作，得到第一融合特征；
[0021]利用所述第一融合特征及对应的所述训练标签对预设分类器进行训练；
[0022]以及/或，
[0023]所述利用所述第二局部特征及第二全局特征，完成所述待预测患者在第二时间的急性加重预测的方法，包括：
[0024]对所述第二局部特征及第二全局特征进行融合操作，得到第二融合特征；
[0025]基于训练的所述预设分类器，利用所述第二融合特征，完成所述待预测患者在第二时间的急性加重预测。
[0026]优选地，所述根据所述待预测患者在第一时间的临床文本数据以及/或肺图像得到对应的第二局部特征及第二全局特征的方法，包括：
[0027]基于所述第一局部特征，在所述待预测患者在第一时间的临床文本数据以及/或肺图像对应的特征中，选择与所述第一局部特征相同的特征；
[0028]以及，获取根据所述临床文本数据以及/或所述肺图像得到对应的第一全局特征的模型；
[0029]基于所述模型，利用所述待预测患者在第一时间的临床文本数据以及/或肺图像得到对应的第二全局特征。
[0030]优选地，所述的预测方法，还包括：在所述获取待预测患者对应的临床文本数据以及/或肺图像对应的影像特征后，对所述患者进行慢性阻塞性肺病进行识别或分级；
[0031]若所述患者患有所述慢性阻塞性肺病或所述患者的慢性阻塞性肺病达到设定分级，则对所述待预测患者进行预测。
[0032]优选地，所述对所述患者进行慢性阻塞性肺病进行识别或分级的方法，包括：
[0033]确定所述待预测患者对应的临床文本数据是否包括肺功能数据；
[0034]若包括，基于所述肺功能数据对所述患者进行慢性阻塞性肺病进行识别或分级；
[0035]否则，获取所述患者的肺图像，利用所述肺图像对所述患者进行慢性阻塞性肺病进行识别或分级。
[0036]根据本公开的一方面，提供了一种急性加重的预测装置，包括：
[0037]获取单元，用于获取多个患者在第一时间及第二时间对应的急性加重次数、在所述第一时间的临床文本数据以及/或肺图像；
[0038]确定单元，用于根据所述第一时间及第二时间对应的急性加重次数，确定训练标签；
[0039]训练单元，用于利用所述临床文本数据以及/或所述肺图像及对应的所述训练标
签对预设分类器进行训练；
[0040]预测单元，用于基于训练的所述预设分类器，利用待预测患者在第一时间的临床文本数据以及/或肺图像，完成所述待预测患者在第二时间的急性加重预测。
[0041]根据本公开的一方面，提供了一种电子设备，包括：
[0042]处理器；
[0043]用于存储处理器可执行指令的存储器；
[0044]其中，所述处理器被配置为：执行上述急性加重的预测方法。
[0045]根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述急性加重的预测方法。
[0046]在本公开实施例中，根据所述第一时间及第二时间对应的急性加重次数，确定训练标签；利用所述临床文本数据以及/或所述肺图像及对应的所述训练标签对预设分类器进行训练；基于训练的所述预设分类器，利用待预测患者在第一时间的临床文本数据以及/或肺图像，完成所述待预测患者在第二时间的急性加重预测。以解决目前急性发作则会加速这一过程，导致肺功能进一步下降，生活质量变差，死亡率变高的问题。
[0047]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
[0048]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0049]此处的附图被并入说明书中并构成本说明书的一部分，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种急性加重的预测方法，其特征在于，包括：获取多个患者在第一时间及第二时间对应的急性加重次数、在所述第一时间的临床文本数据以及/或肺图像；根据所述第一时间及第二时间对应的急性加重次数，确定训练标签；利用所述临床文本数据以及/或所述肺图像及对应的所述训练标签对预设分类器进行训练；基于训练的所述预设分类器，利用待预测患者在第一时间的临床文本数据以及/或肺图像，完成所述待预测患者在第二时间的急性加重预测。2.根据权利要求1所述的预测方法，其特征在于，所述根据所述第一时间及第二时间对应的急性加重次数，确定训练标签的方法，包括：若所述第二时间对应的急性加重次数大于所述第一时间对应的急性加重次数，则所述训练标签为急性加重；否则，所述训练标签为非急性加重。3.根据权利要求1或2所述的预测方法，其特征在于，所述利用所述临床文本数据以及/或所述肺图像及对应的所述训练标签对预设分类器进行训练的方法，包括：分别根据所述临床文本数据以及/或所述肺图像得到对应的第一局部特征及第一全局特征；利用所述第一局部特征及第一全局特征及对应的所述训练标签对预设分类器进行训练；以及/或，所述基于训练的所述预设分类器，利用待预测患者在第一时间的临床文本数据以及/或肺图像，完成所述待预测患者在第二时间的急性加重预测的方法，包括：根据所述待预测患者在第一时间的临床文本数据以及/或肺图像得到对应的第二局部特征及第二全局特征；基于训练的所述预设分类器，利用所述第二局部特征及第二全局特征，完成所述待预测患者在第二时间的急性加重预测。4.根据权利要求3所述的预测方法，其特征在于，所述利用所述第一局部特征及第一全局特征及对应的所述训练标签对预设分类器进行训练的方法，包括：对所述第一局部特征及第一全局特征进行融合操作，得到第一融合特征；利用所述第一融合特征及对应的所述训练标签对预设分类器进行训练；以及/或，所述利用所述第二局部特征及第二全局特征，完成所述待预测患者在第二时间的急性加重预测的方法，包括：对所述第二局部特征及第二全局特征进行融合操作，得到第二融合特征；基于训练的所述预设分类器，利用所述第二融合特征，完成所述待预测患者在第二时间的急性加重预测。5.根据权利要求3或4所述的预测方法，...
【专利技术属性】
技术研发人员：李玮，杨英健，王世聪，曾楠嵘，段文馨，刘洋，郭英委，康雁，
申请(专利权)人：深圳技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。