本申请属于数据处理，具体涉及一种乙型肝炎病毒感染的状态转化预测方法、装置及电子设备。
背景技术：
1、乙型肝炎病毒感染会造成乙肝纤维化，随着时间的变化状态可能转换为硬化、癌变等不同结局。
2、目前的状态预测方法往往忽略了多种因素的复杂相互作用，无法全面评估肝脏在不同过程中的状态结果，无法提供随时间演变的全面预测信息。
技术实现思路
1、本申请的目的是提供一种乙型肝炎病毒感染的状态转化预测方法、装置及电子设备以准确评估乙型肝炎病毒感染的肝脏在未来进入不同状态的概率。
2、根据本申请实施例的第一方面，提供了一种乙型肝炎病毒感染的状态转化预测方法，该方法可以包括：
3、获取乙肝纤维化患者的基本信息；
4、将基本信息输入训练好的多状态预测模型中，得到患者乙型肝炎病毒感染状态转换结果；
5、训练好的多状态预测模型通过利用乙型肝炎病毒感染的不同阶段的状态训练得到。
6、在本申请的一些可选实施例中，训练好的多状态预测模型通过下述训练得到：
7、获取乙型肝炎病毒感染的医疗数据；
8、对医疗数据进行数据清洗处理，得到训练数据集；
9、利用训练数据集对多状态竞争风险模型进行训练，得到训练好的多状态预测模型。
10、在本申请的一些可选实施例中，医疗数据包括：病人的病史、实验室检查及影像资料。
11、在本申请的一些可选实施例中，数据清洗处理包括去除重复、错误及无关的数据。
12、在本申请的一些可选实施例中，多状态竞争风险模型为隐马尔可夫模型。
13、在本申请的一些可选实施例中，利用训练数据集对多状态竞争风险模型进行训练，得到训练好的多状态预测模型，包括：
14、使用baum-welch算法迭代地更新多状态竞争风险模型的参数，以最大化观测序列的似然性。
15、在本申请的一些可选实施例中，在每次迭代中，使用前向-后向算法计算每个时间步的前向概率和后向概率；
16、根据前向概率和后向概率，计算每个隐藏状态的占用概率γ，以及从一个隐藏状态转移到另一个隐藏状态的期望次数；
17、根据期望次数来更新模型的参数。
18、根据本申请实施例的第二方面，提供一种乙型肝炎病毒感染的状态转化预测装置，该装置可以包括：
19、获取模块，用于获取乙肝纤维化患者的基本信息；
20、输入模块，用于将基本信息输入训练好的多状态预测模型中，得到患者乙型肝炎病毒感染状态转换结果；
21、训练好的多状态预测模型通过利用乙型肝炎病毒感染的不同阶段的状态训练得到。
22、根据本申请实施例的第三方面，提供一种电子设备，该电子设备可以包括：
23、处理器；
24、用于存储处理器可执行指令的存储器；
25、其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的乙型肝炎病毒感染的状态转化预测方法。
26、根据本申请实施例的第四方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现如第一方面的任一项实施例中所示的乙型肝炎病毒感染的状态转化预测方法。
27、本申请的上述技术方案具有如下有益的技术效果：
28、本申请实施例方法通过利用训练好的多状态预测模型，实现乙型肝炎病毒感染状态转换结果的预测。该方法综合考虑患者基本信息，能够更准确地评估在未来进入不同状态的概率，并且多状态预测模型具备动态性，可以随时间实时追踪肝脏的状态变化，保证结果的准确性。
1.一种乙型肝炎病毒感染的状态转化预测方法，其特征在于，包括：
2.根据权利要求1所述的乙型肝炎病毒感染的状态转化预测方法，其特征在于，所述训练好的多状态预测模型通过下述训练得到：
3.根据权利要求2所述的乙型肝炎病毒感染的状态转化预测方法，其特征在于，所述医疗数据包括：病人的病史、实验室检查及影像资料。
4.根据权利要求2所述的乙型肝炎病毒感染的状态转化预测方法，其特征在于，所述数据清洗处理包括去除重复、错误及无关的数据。
5.根据权利要求2所述的乙型肝炎病毒感染的状态转化预测方法，其特征在于，所述多状态竞争风险模型为隐马尔可夫模型。
6.根据权利要求2所述的乙型肝炎病毒感染的状态转化预测方法，其特征在于，所述利用所述训练数据集对多状态竞争风险模型进行训练，得到所述训练好的多状态预测模型，包括：
7.根据权利要求6所述的乙型肝炎病毒感染的状态转化预测方法，其特征在于，在每次迭代中，使用前向-后向算法计算每个时间步的前向概率和后向概率；
8.一种乙型肝炎病毒感染的状态转化预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的乙型肝炎病毒感染的状态转化预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的乙型肝炎病毒感染的状态转化预测方法的步骤。
