一种基于多模态自适应融合的低氧血症早期预警方法和系统
本发明涉及智能模型的症状预测,尤其涉及一种基于多模态自适应融合的低氧血症早期预警方法和系统。
背景技术:
1、随着人口老龄化加速,接受外科手术和麻醉治疗的老年患者比例持续上升。老年患者通常存在肺顺应性下降、呼吸肌力量减弱、气道保护反射迟钝以及心肺储备能力不足等问题。在全身麻醉苏醒期,麻醉药物残余作用、术后疼痛、卧位改变、气道分泌物、肺不张和通气/灌注比例失衡等因素相互作用,使其更容易发生氧合恶化。pacu 是围术期风险由麻醉状态向清醒状态过渡的关键阶段。该阶段患者生命体征变化快,临床人员需要同时处理气道管理、镇痛、循环稳定和术后并发症评估。低氧血症若未被及时识别,可能进一步引发心肌缺血、脑供氧不足、心律失常或再次气道干预。对于老年患者而言,即使短暂低氧也可能因代偿能力不足而带来更高风险。因此,建立能够提前预测低氧血症的预警系统,对于提高pacu监护质量具有重要意义。
2、为此,现有技术中临床监护主要依赖spo2实时阈值报警。例如,当spo2低于某一固定阈值时,监护仪发出警报。围术期和镇静相关不良事件的标准化记录与监测研究均提示,单纯依赖事后报警难以满足早期风险识别需求。具体的,pacu 低氧血症预警不是一般离线二分类任务,而是面向连续床旁监护流程的实时风险预测任务。传统的方法存在以下问题:
3、低氧事件发生前的有效信号通常只存在于短时间生理趋势中,传统固定 spo2 阈值报警只能在血 氧下降后触发,存在反应滞后;老年患者基础风险差异明显,同一 spo2、hr 或 rr 波动在不同年龄、bmi、asa 分级和基础状态患者中的风险含义不同;低氧事件具有明显类别不平衡和临床代价不对称特征,漏报的风险高于误报,不能简单以 accuracy或默认 0.5 阈值作为训练和报警目标。
4、为了解决上述问题,近年来机器学习和深度学习逐渐应用于围术期并发症预测。传统模型如lo- 45 gistic 回归、随机森林、xgboost 等在结构化临床变量上表现稳定,但对连续生理信号的时序变化捕捉能力有限。既往低氧预测研究多基于术前变量、问卷评分或结构化特征建立模型。为了使用这些模型,研究者通常需要将波形压缩为均值、标准差、最大值、最小值等统计量,这会损失spo2下降速度、hr/rr联动变化以及短时波动模式等关键信息。
5、深度时序模型能够直接处理连续信号。lstm、gru、bilstm等循环网络擅长捕捉短期依赖,transformer 类模型则通过自注意力机制建模全局依赖。然而,在pacu低氧预警这一任务中,观测窗口仅30秒,序列长度较短。过深的transformer往往带来较高参数量和计算复杂度,却不一定能产生相称的性能收益。在床旁监护仪或边缘计算设备中,模型不仅要准确,还必须轻量、低延迟、易部署。此外,低氧事件具有明显的临床代价不对称性。漏报可能导致延误干预,而误报更多表现为额外关注和检查。因此,模型训练目标应更重视敏感性,而不能只追求accuracy 或 auc 等总体指标。
技术实现思路
1、本发明的目的在于克服现有技术的不足,提供一种基于多模态自适应融合的低氧血症早期预警方法和系统。
2、本发明的目的是通过以下技术方案来实现的:
3、第一方面,本申请公开一种基于多模态自适应融合的低氧血症早期预警方法,包括:获取目标对象在当前观测窗口内的动态生理信号序列、静态表型以及在所述观测窗口内根据所述动态生理信号序列提取的统计特征;将所述动态生理信号序列输入第一编码器进行时序编码,得到动态表示;将所述静态表型和所述统计特征输入第二编码器进行特征编码,分别得到静态表示和统计表示;将所述动态表示、所述静态表示和所述统计表示进行拼接后输入自适应门控融合,由所述自适应门控融合根据拼接后的表示动态生成分别对应于所述动态表示、所述静态表示和所述统计表示的模态权重,并按照所述模态权重对所述动态表示、所述静态表示和所述统计表示进行加权融合,得到融合表示;将所述融合表示输入分类器,输出所述目标对象在未来预测提前量内发生低氧事件的预测概率;当所述预测概率超过预设阈值时,发出低氧血症预警信号。
4、第二方面,本申请公开一种基于多模态自适应融合的低氧血症早期预警系统,包括存储器和处理器,所述处理器对所述存储器进行读写操作,其特征在于,所述存储器存储有用于实现所述的基于多模态自适应融合的低氧血症早期预警方法的计算机程序。
5、本发明的有益效果是:
6、本申请实施例提出一种temporallstm-5net,即tl-net为框架的预警模型。预警模型以30 秒spo2、心率(hr)和呼吸频率(rr)动态序列为核心输入,同时融合9维静态临床表型和18维统计特征,通过bilstm动态编码器、ts-mixer 静态与统计编码器以及自适应门控融合机制实现个体化风险预测。基于vitaldb开放数据库筛选的766 例 65 岁及以上全麻老年患者进行验证,患者级别划分为训练集 536 例、验证集115 例、测试集 115 例。任务定义为利用 30 秒观测窗口,提前 4 分钟预测 spo2 < 1194% 且持续≥30秒的低氧事件。实验结果显示,tl-net在测试集上达到auc0.934、auprc 0.908、敏感性 91.50%、精确率78.20% 和 f1 0.843。预警模型仅包含 226k 参数,推理延迟低于5ms,运行内存约2.1mb。与标准transformer 相比,tl-net 参数量减少75.5%,同时获得更高判别能力和更高敏感性,具备部署于床旁监护设备和医疗边缘终端的潜力。
1.一种基于多模态自适应融合的低氧血症早期预警方法,其特征在于,包括:
2.根据权利要求1所述的基于多模态自适应融合的低氧血症早期预警方法,其特征在于,所述第一编码器为两层双向长短期记忆网络 bilstm,每个方向包含 64 个隐藏单元;所述 bilstm 对所述动态生理信号序列编码后,通过线性投影将特征维度压缩至 64 维,再沿时间步进行平均池化,得到所述动态表示;
3.根据权利要求2所述的基于多模态自适应融合的低氧血症早期预警方法,其特征在于,所述动态编码器bilstm输入为:
4.根据权利要求2所述的基于多模态自适应融合的低氧血症早期预警方法,其特征在于,ts-mixer包括静态临床表型和统计特征,分别产生静态量,统计量。
5.根据权利要求4所述的基于多模态自适应融合的低氧血症早期预警方法,其特征在于,所述自适应门控融合执行:
6.根据权利要求5所述的基于多模态自适应融合的低氧血症早期预警方法,其特征在于,自适应门控融合包括:
7.根据权利要求1所述的基于多模态自适应融合的低氧血症早期预警方法,其特征在于,所述分类器包括双池化层、se 注意力模块和分类头;
8.一种基于多模态自适应融合的低氧血症早期预警系统,包括存储器和处理器,所述处理器对所述存储器进行读写操作,其特征在于,所述存储器存储有用于实现权利要求1-7中任意一项所述的基于多模态自适应融合的低氧血症早期预警方法的计算机程序。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com