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：中国人民解放军陆军军医大学第二附属医院

摘要：本发明涉及一种大模型引导下面向电子病历信息缺失数据的预测方法，属于人工智能领域。在实际测量中，由于多项检查需要的等待响应时间不同，每次检查的设备技术环境不同，患者自身的检查禁忌症不同，每个患者的经济水平不同，医生对某些指标的重视程度不同，检查人员的业务水平不同等都有可能导致患者某项指标的缺失，还会导致同一患者在不同检测中心得到的结果一致性较差。本发明提出一种端到端的网络结构，基于大模型引导解决电子病历信息中缺失数据的预测问题，通过大模型训练来深度挖掘数据的复杂模式和特征实现更准确的预测，根据预测任务的精度来间接证明填充方法的有效性，可以兼顾预测任务的精度和填充任务的准确度。

主权项：1.大模型引导下面向电子病历信息缺失数据的预测方法，其特征在于：该方法包括以下步骤：S1：从病历的数据集中选取确诊的患者，所述患者在入住重症监护病房前24小时内接受过实验室数据采集；采集的数据包括患者的人口统计学特征和实验室数据；所述人口统计学特征包括年龄、性别、体重、身高和种族；所述实验室数据包括血气、血细胞差、肝功能、肾功能、呼吸功能和凝血功能；将带填补的数据加入n步的噪声使其符合高斯分布，并应用马尔科夫链的定义，公式如下： 其中，x1:T为1到T时间步的包含噪声的x值，x0为初始值，xt为噪声输入的中间过程，qxt|xt-1为正向输入噪声的过程；S2：输入填补网络Φ得到预测噪声，公式如下：εθ＝Φε其中，ε为输入的噪声，εθ为预测的噪声；S3：得到预测噪声应用于去噪过程，得到完整数据，公式如下： 其中，pθxt-1|xt为逆向去噪的过程，pxT为T时刻下，数据的概率分布；S4：将完整数据拆分为离散变量Xc和连续变量XN，并加入可学习的参数输入预测网络，对于连续数字变量 其中，α和β都是可学习的参数，通过神经网络训练得到；XN表示原本的连续变量；对于离散分类变量 其中，XC表示原本的离散变量；将输入的患者电子病历信息设置为观察矩阵Oi,j，根据Oi,j得到缺失提示矩阵Di,j，其中缺失的位置为0，不缺失的位置为1；随后在Di,j中根据不缺失的值设置随机缺失，设置随机真值，验证填补网络的有效性，并将Oi,j与设置了随机缺失的Di,j合并作为网络的输入，即输入矩阵Oi,j,Di,j，其损失函数如下： 其中，N、M分别为数据的行数和列数，i、j为当前行数和当前列数，为设置的随机缺失率σ1下的填充完成的完整数据，为缺失数据。

全文数据：

权利要求：

百度查询： 中国人民解放军陆军军医大学第二附属医院 大模型引导下面向电子病历信息缺失数据的预测方法