1.一种慢性肾脏病风险预警方法,其特征在于,所述方法包括以下步骤:预先设置与慢性肾脏病相关的关键词和关键词对应的重要度,从电子病历中获取与关键词对应的值,构成<关键词、值、重要度>三元组,将所述值的词嵌入编码和所述重要度的词嵌入编码进行拼接得到每个关键词对应的编码结果;
按照所述重要度对所述编码结果进行排序,并根据所述重要度将排序后的编码结果分为三个子集;对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,并对所有关键词对应的编码结果采用多头注意力机制计算注意力得到第二注意力;
根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,将编码器的输出作为MLP的输入,得到慢性肾脏病的风险概率;
所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:获取关键词所在的子集,得到子集的重要度的平均值μ1;
计算所有关键词对应的重要度的平均值μ2;
根据公式计算得到编码器的输入;其中,表示第一注意力,表示第二注意力,C表示编码器的输入;
所述编码器为Transformer网络模型的编码器,所述编码器包括N个相同结构的层;
其中,在第n层中第一个LN层的输入为
其中Xn表示第n层的输入,SubLayber(Xn)表示第n层中多头注意力机制的输出,N是位于[6,12]之间的整数,n=1、2、…、N;
所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:对每个子集分别设置多个<查询权重矩阵Q、键权重矩阵K、值权重矩阵V>三元组,每个子集通过一个<查询权重矩阵Q、键权重矩阵K、值权重矩阵V>按照公式得到特征向量其中,表示缩放因子;
将每个子集对应的多个特征向量拼接得到特征向量Zj,然后将Zj拼接得到特征向量Z,将特征向量Z和权重矩阵W0相乘,得到第一注意力;
其中,j表示子集的序号,j=1或2或3,k表示三元组的序号,k为正整数。
2.如权利要求1所述的方法,其特征在于,所述关键词至少包括:性别、体重、年龄、血糖、血肌酐、胱抑素、遗传史。
3.如权利要求2所述的方法,其特征在于,血肌酐、胱抑素、血糖、性别、年龄、体重、遗传史对应的重要度依次降低,且重要度位于(0,1]。
4.一种慢性肾脏病风险预警系统,其特征在于,所述系统包括以下单元:编码单元,用于预先设置与慢性肾脏病相关的关键词和关键词对应的重要度,从电子病历中获取与关键词对应的值,构成<关键词、值、重要度>三元组,将所述值的词嵌入编码和所述重要度的词嵌入编码进行拼接得到每个关键词对应的编码结果;
注意力计算单元,用于按照所述重要度对所述编码结果进行排序,并根据所述重要度将排序后的编码结果分为三个子集;对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,并对所有关键词对应的编码结果采用多头注意力机制计算注意力得到第二注意力;
风险预测单元,用于根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,将编码器的输出作为MLP的输入,得到慢性肾脏病的风险概率;
所述根据所述重要度、所述第一注意力、所述第二注意力得到编码器的输入,具体为:获取关键词所在的子集,得到子集的重要度的平均值μ1;
计算所有关键词对应的重要度的平均值μ2;
根据公式计算得到编码器的输入;其中,表示第一注意力,表示第二注意力,C表示编码器的输入;
所述编码器为Transformer网络模型的编码器,所述编码器包括N个相同结构的层;
其中,在第n层中第一个LN层的输入为
其中Xn表示第n层的输入,SubLayber(Xn)表示第n层中多头注意力机制的输出,N是位于[6,12]之间的整数,n=1、2、…、N;
所述对每个子集分别计算采用多头注意力机制计算注意力得到第一注意力,具体为:对每个子集分别设置多个<查询权重矩阵Q、键权重矩阵K、值权重矩阵V>三元组,每个子集通过一个<查询权重矩阵Q、键权重矩阵K、值权重矩阵V>按照公式得到特征向量其中,表示缩放因子;
将每个子集对应的多个特征向量拼接得到特征向量Zj,然后将Zj拼接得到特征向量Z,将特征向量Z和权重矩阵W0相乘,得到第一注意力;
其中,j表示子集的序号,j=1或2或3,k表示三元组的序号,k为正整数。