一种基于机器学习的患者拔管结局预测方法及电子设备

本发明公开了一种基于机器学习的患者拔管结局预测方法及电子设备，该方法为对预测者来自不同设备的多源异构的医疗数据进行特征融合，映射得到多源异构数据医疗数据融合后的特征向量集；将所述特征向量集分别输入拔管成功类别对应的第一拔管结局预测模型和拔管失败类别对应的第二拔管结局预测模型，得到拔管成功类别的概率和拔管失败类别的概率；比较拔管成功类别的概率和拔管失败类别的概率大小，并输出概率值大的类别作为拔管结局预测结果。本发明不仅实现多源异构的数据特征融合提高预测结果而且结合能处理序列数据的带t‑高斯混合分布的隐马尔科夫模型在避免序列数据信息丢失的同时，解决了连续观测值的重尾分布，进一步提高模型预测准确性。