基于患者诊疗疾病信息的再入院风险预测方法及

本公开涉及智慧医疗，具体涉及了一种基于患者诊疗疾病信息的再入院风险预测方法及系统。背景技术：1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。2、再入院是指患者在完成一次医院治疗后，过了一段时间后由于疾病复发或并发症的出现而需要重新入院接受治疗的情况。这是医疗体系中备受关注的重要问题之一，因为再入院的高发生率不仅给医疗资源的利用带来了挑战，还对医疗效率和患者的生活质量产生了负面影响。近年来，随着电子健康记录(electronic health record，ehr)的广泛兴起，大量患者的就诊信息都记录在其中，包括患者的人口统计学信息、临床信息、诊断结果、治疗记录等等，为开展再入院预测提供了数据基础，同时可以借助人工智能模型对这些数据进行深度分析与挖掘，有效找出数据中重要的部分，准确可靠地进行再入院预测。通过再入院预测模型，医护人员可以及时识别患者30天内再次入院的风险，并采取有针对性的预防性干预措施。这些措施可以包括调整药物治疗方案、加强康复护理、提供健康教育等，旨在降低患者再入院的可能性。这种方法不仅有助于减少医疗资源的浪费，提高医疗效率，还能够改善患者的生活质量，减少疾病对其健康和生活的负面影响。因此，非常有必要开展再入院预测，为医疗机构提供科学的决策支持和个性化的医疗管理方案，从而实现医疗资源的有效利用和患者健康的全面管理。3、现有的进行再入院预测的模型普遍存在忽视了编码之间的共同作用对患者再入院风险的影响以及模型泛化能力较差等问题。首先来看，疾病之间存在着一些内在联系，但大多模型都忽视了这种内在联系，例如某些模型可能发现心血管疾病与再入院之间存在相关性，但未进一步探讨心血管疾病与胃溃疡同时存在时对再入院风险的综合影响，然而这种内在联系对再入院风险的预测是不可忽视的；其次来看，诊疗之间、疾病与诊疗之间也存在着一些内在联系，会对再入院风险的预测产生不可估量的作用。现有的再入院预测模型存在一个限制，即缺乏对患者个体差异的充分考虑。这些个体差异包括生理状况、生活方式、生活地点以及医疗历史等方面。由于这些差异的存在，即使一个预测模型在训练数据上表现良好，但在面对新的患者群体时可能无法有效地适应和预测其再入院风险。这意味着模型在实际应用中面临挑战，特别是在医院这种变量极不确定的环境下，模型的泛化能力受到限制。针对上面提到的两个问题，如何快速有效地挖掘编码之间的内在联系，考量它们共同存在时对再入院预测模型的影响、如何有效处理和利用患者间数据的多样性，提高模型对不同患者的泛化能力和预测性能，成为当前再入院预测研究中的一项重要任务。技术实现思路1、针对上述缺陷，本公开提出了一种基于患者诊疗疾病信息的再入院风险预测方法及系统，利用疾病编码及诊疗编码彼此之间的共现信息，实现潜在关联信息的挖掘，并根据潜在关联构建患者表征图，采用数据增强方法，利用图对比学习自适应地捕捉与任务相关的拓扑结构，通过节点及边采样的形式，构造新视图，提升数据丰富度，减少数据差异对模型的影响，提高模型泛化性能。2、为了实现上述目的，本公开采用如下技术方案：3、本公开第一方面提供了一种基于患者诊疗疾病信息的再入院风险预测方法，包括以下步骤：4、根据疾病编码和诊疗编码构建患者表征图，对患者表征图进行特征提取，得到患者表征图的表示；5、对患者表征图的表示进行多次操作，得到节点采样视图嵌入和边采样视图嵌入，并计算二者的对比损失；6、基于患者表征图的表示、节点采样视图嵌入和边采样视图嵌入构建患者单次入院的表示；7、构建再入院预测模型，将患者单次入院的表示输入再入院预测模型中，得到预测标签，计算预测标签和真实标签的有监督损失；8、结合对比损失和有监督损失对再入院预测模型的参数进行优化，得到训练好的再入院预测模型；9、利用训练好的再入院预测模型进行患者再入院预测。10、作为进一步的实现方式，对患者表征图的表示进行多次操作，得到节点采样视图嵌入和边采样视图嵌入，具体为：11、对患者表征图的表示进行数据增强操作，得到增强的患者表征图；12、利用类别感知图注意力机制来对增强的患者表征图进行信息传播和聚合，对提取的特征进行池化和投影操作，得到节点采样视图嵌入和边采样视图嵌入。13、作为进一步的实现方式，在进行数据增强之前，还需要利用节点嵌入层对患者表征图中的节点进行编码，获得节点的嵌入表示，利用边嵌入层对患者表征图中的边进行编码，获得边的嵌入表示。14、作为进一步的实现方式，对患者表征图的表示进行数据增强操作，具体为：将节点的嵌入表示和患者表征图的表示输入节点采样器，生成新的节点嵌入，将新的节点嵌入输入线性层获取节点采样操作在拓扑结构上的概率，并使用gumbel-softmax重参数化，获得节点是否被保留的掩码向量，得到节点级采样新视图；15、将边的两端的节点的嵌入表示、患者表征图的表示和边的嵌入表示输入边采样器，生成新的边嵌入，将新的边嵌入输入线性层获取边采样操作在拓扑结构上的概率，并使用gumbel-softmax重参数化，获得节点是否被保留的掩码向量，得到边级采样新视图。16、作为进一步的实现方式，增强的患者表征图包括节点级采样新视图和边级采样新视图。17、作为进一步的实现方式，利用类别感知图注意力机制来对增强的患者表征图进行信息传播和聚合，具体为：18、分别计算节点级采样新视图和边级采样新视图中，每个节点及其邻居节点之间的注意力权重；19、将计算得到的注意力权重在所有节点的邻居中进行归一化；20、将邻居实体的信息使用注意力权重以线性组合的方式汇总；21、在执行了n层信息传播和聚合后，得到每个节点的多层表示，将每一层的表示连接成一个单一向量作为视图中每个节点的最终特征表示。22、作为进一步的实现方式，根据疾病编码和诊疗编码构建患者表征图，具体为：23、将单次就诊时的不同疾病编码和不同诊疗编码均视作节点，并将疾病编码和诊疗编码本身具备的含义作为节点自身的特征，构建了节点特征矩阵；24、获取疾病与疾病、诊疗与诊疗以及疾病与诊疗之间的共现信息，并计算节点间互信息，构建邻接矩阵；25、根据节点特征矩阵和邻接矩阵构建患者表征图。26、本公开第二方面提供了一种基于患者诊疗疾病信息的再入院风险预测系统，包括：27、表征图构建模块，被配置为：根据疾病编码和诊疗编码构建患者表征图，对患者表征图进行特征提取，得到患者表征图的表示；28、对比损失计算模块，被配置为：对患者表征图的表示进行多次操作，得到节点采样视图嵌入和边采样视图嵌入，并计算二者的对比损失；29、患者单次入院的表示构建模块，被配置为：基于患者表征图的表示、节点采样视图嵌入和边采样视图嵌入构建患者单次入院的表示；30、有监督损失计算模块，被配置为：构建再入院预测模型，将患者单次入院的表示输入再入院预测模型中，得到预测标签，计算预测标签和真实标签的有监督损失；31、模型训练模块，被配置为：结合对比损失和有监督损失对再入院预测模型的参数进行优化，得到训练好的再入院预测模型；32、模型预测模块，被配置为：利用训练好的再入院预测模型进行患者再入院预测。33、本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现本公开第一方面所述的基于患者诊疗疾病信息的再入院风险预测方法中的步骤。34、本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现本公开第一方面所述的基于患者诊疗疾病信息的再入院风险预测方法中的步骤。35、与现有技术相比，本公开的有益效果为：36、(1)本发明提出一种基于患者诊疗疾病信息的再入院风险预测方法，由于疾病之间、诊疗之间、疾病与诊疗之间存在着不容忽视的内在联系，对再入院预测任务起到重要作用。本发明利用训练数据集中的疾病编码及诊疗编码彼此之间的共现信息，计算点互信息值矩阵(pmi)，实现对疾病与疾病、诊疗与诊疗、疾病与诊疗间的潜在关联信息的挖掘，并根据潜在关联信息构建患者表征图进行模型训练，增加了模型的认知范围，提升了模型的预测性能。37、(2)本发明的基于患者诊疗疾病信息的再入院风险预测方法，针对传统的再入院模型泛化能力较低，使用固有的训练数据进行模型的训练，当输入了未见过的患者样本时往往会导致模型的失败。本发明公开的方法是对患者表征图应用基于图对比学习的数据增强操作，自适应地捕捉与任务相关的拓扑结构，同时应用节点采样和边采样生成两个增强视图，增加样本的丰富度，有助于帮助模型应对未知的患者样本数据，挖掘数据中存在的共性，提高了模型的泛化能力。38、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。