發(fā)布時間：2021-06-18 11:05

　　隨著科學技術的日新月異,醫(yī)療健康事業(yè)的蓬勃發(fā)展,疾病的診斷和治療也越來越科學化和規(guī)范化。不過現階段的醫(yī)療診斷主要是依靠醫(yī)生的專業(yè)知識和豐富的臨床經驗。伴隨著健康醫(yī)療事業(yè)的發(fā)展,健康醫(yī)療數據的規(guī)模也越來越大,從這些數據中可以挖掘疾病的相關信息。電子健康檔案本身包含著豐富的病人相關信息,如個人信息,具體的患病以及用藥情況。這些信息會對病人未來疾病的預測起到幫助作用,進而對醫(yī)療決策提供診斷輔助。《“健康中國2030”規(guī)劃綱要》也明確指出,推進健康中國建設,要堅持預防為主,強化早診斷、早治療、早康復。疾病診斷預測的研究可以來解決上述問題,提高醫(yī)療服務水平。同時疾病診斷預測也是精準醫(yī)療的核心關鍵技術。根據病人的電子健康檔案進行診斷預測仍然存在一些問題未能得到很好的解決。電子健康檔案本身存在數據量大,維度高,存在缺失和噪聲,時序性等特性。這些特性使得使用傳統的機器學習算法來解決疾病診斷預測問題的效果不佳。一些人將深度學習模型如循環(huán)神經網絡等應用到疾病診斷預測中去,取得了不錯的效果。但仍存在一些問題,如未對電子健康檔案數據進行充分的利用,模型的性能并不是非常理想。針對當前的研究現狀,本文從數據廣度和... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

圖３－１年齡與就醫(yī)率的關系圖??該圖是數據集跨度從２０１４年７月２９日到２０１５年７月２９日這一年的時間間??

山東大學碩士學位論文??和藥品編碼組合起來的醫(yī)學編碼，第Ｔ次則使用疾病編碼分組信息。??所有人的就醫(yī)次數如圖３－２所示。??１２０００?４?——??１００００?－??８０００?－?Ｉ??ＤＨ??＾?６０００－??ｍ??４０００?－??２０００?－?－??Ｑ?１???—?＾??０?１０?２０?３０?４０?５０?６０??就醫(yī)次數??圖３－２就醫(yī)次數與就醫(yī)人數的關系圖??圖３－２的ｘ軸表示不同的就醫(yī)數量，而ｙ軸表示該就醫(yī)次數的疾病就醫(yī)的患??者數量。因為超過６０次就醫(yī)的病人數量較少，圖中只展示了就醫(yī)次數小于６０次??的部分。從圖中可以看出，大多數人的醫(yī)療次數在２到２０次之間，很少有人的就??醫(yī)次數在４０到６０次之間。因此圖中就醫(yī)次數在４０到６０之間的顯示不是很明顯。??經過處理后的數據集描述如下表３－５所示。???表３－５基于下ｆ就醫(yī)的數據集描述????病人數ｇ?３５３０８?病人就醫(yī)最小次數?２??病人就醫(yī)總次數?３１４９３３?診斷編碼數目?］３３２??病人就醫(yī)平均次數?８．９１?藥品編碼數目?１１２５??病人就醫(yī)最大次數?１９２?診斷編碼分組數目?６１２??通過表３－４可以看出，數據集病人的人數約為３．５萬人，病人的就醫(yī)總次數為??３１萬次，平均每人的就醫(yī)次數為９次。該數據量可以滿足了循環(huán)神經網絡對數據??時序性的需求。??３．６本章小結??１８??

山東大學碩士學位論文?如圖４－１所示的模型由“ＲＮＮ－ＩＮＦＯ”命名，因為它結合了就醫(yī)的順序信息統計信息來進行預測。模型的輸入包含三個部分：診斷向量心，藥品向量??統計學信息ｇ。診斷向量和藥品向量是ｍｕｌｔｉ－ｈｏｔ向量，將被連接到名為Ａ的量將按時間順序輸入。設置隱藏層的目的為減少維度并獲得數據的隱藏表


本文編號：3236548