买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原理工大学

摘要：本发明涉及心力衰竭患者的再入院预测方法，具体为基于多模态模型的心力衰竭再入院预测方法，本方法使用深度学习网络模型的方法对结构化数据和非结构化数据进行融合处理，最终预测心衰患者的再入院情况。本发明首先对心衰患者的结构化和非结构化数据进行预处理，然后使用Transformer模型、BERT模型分别对不同的患者数据进行处理，本发明采用晚期融合方法，在以上模型训练基础上使用AdaBoost算法进行集成学习融合，从而为心力衰竭患者的再入院提供了一种新的有效方法。

主权项：1.基于多模态模型的心力衰竭再入院预测方法，其特征在于：包括模型训练阶段和预测阶段；模型训练阶段包括以下步骤：预处理：训练阶段所用到的结构化数据和非结构化数据是再次入院患者的上次出院的文本病例中的数据；对结构化数据采用如下预处理方法：（1）因为结构化数据中缺失值属于完全随机丢失，使用线性回归根据其他值估计缺失值，得到结构化数据的完整数据；（2）使用线性归一化进行对完整数据归一化处理；（3）使用one-hot编码对归一化处理后的完整数据进行特征向量化处理，得到结构化数据的特征向量；对非结构化数据采用如下预处理方法：（1）对非结构化数据中文本数据去除标点符号；（2）对去除标点符号后的文本数据去除非法字符；（3）对去除非法字符后的文本数据去除数字；（4）将去除数字后的文本数据进行截断处理，使文本长度保持在固定值；训练模型：将结构化数据的特征向量输入到Transformer模型中，Transformer模型输出编码向量；将预处理后的非结构化数据输入到BERT模型，BERT模型输出编码向量；编码向量都输入到AdaBoost模型中，AdaBoost模型输出患者是否再入院的结论；在训练过程根据损失函数自动调整Transformer模型，BERT模型和Adaboost模型的参数；当模型训练完成后，利用模型对新采集到的测试集数据进行预测，根据预测结果和期望结果计算预测误差，最终的准确率达到95%以上；预测阶段的过程为：将当下即将出院条件患者的文本病例中数据进行预处理，结构化数据的特征向量输入到Transformer模型得到编码向量，将预处理后的非结构化数据输入到BERT模型，BERT模型输出编码向量，编码向量都输入到AdaBoost模型进行融合，AdaBoost模型输出该患者未来一段时间是否还需要再入院的结论，若得到还需要再入院的结论，出院时提醒患者定期到医院检查，避免错过最佳治疗时间。

全文数据：

权利要求：

百度查询： 太原理工大学 基于多模态模型的心力衰竭再入院预测方法