基于多源数据融合的先心病围术期风险预测系统的制作方法
本技术涉及医疗,特别涉及一种基于多源数据融合的先心病围术期风险预测系统。
背景技术:
1、先天性心脏病(简称先心病)患者由于心肺功能发育不全,在围术期(手术前、中、后全过程)面临着极大的生命考验。这一阶段的患者病情变化极快,且极易并发低心排血量综合征、肺动脉高压危象、恶性心律失常等严重并发症,这些并发症致死率高,对护理人员的监护和干预能力提出了极高的要求。
2、目前,在常规的先心病围术期护理中,风险主要依赖护理人员的临床经验进行主观评估。通常的做法是,护理人员通过床旁监护仪观察患者的心率、血氧等单一维度的生命体征,结合术前化验单进行人工判断。然而,这种传统的评估和监护方式存在以下明显不足:
3、首先,严重并发症的发生往往是多种生理指标异常综合作用的结果,而现有的监护手段割裂了各项数据之间的联系,缺乏将实时生命体征、术前化验指标以及术中体外循环参数等多源异构数据进行联合量化分析的有效手段。
4、其次,传统评估高度依赖个人经验,缺乏客观、统一的量化预警标准。不同年资的护士可能得出截然不同的风险判断,容易出现偏差。
5、最后,现有的监护系统通常只在患者生命体征越过设定的固定上下限(如心率骤降、血氧极低)时才发出警报。这种警报属于事后报警,此时并发症往往已经进入比较严重阶段,导致临床干预只能处于被动滞后状态,难以实现前瞻性的精准预警和提前干预,错失了最佳的治疗窗口。
技术实现思路
1、本技术旨在至少在一定程度上解决上述技术中的技术问题之一。
2、为达到上述目的,本技术提出了一种基于多源数据融合的先心病围术期风险预测系统,包括:数据获取模块,用于实时接收生命体征数据、术前检查数据以及术中体外循环数据;数据处理模块,用于对所述生命体征数据、所述术前检查数据以及所述术中体外循环数据进行多源数据融合,生成多维融合特征向量;风险预测模块,用于将所述多维融合特征向量输入至预先构建的梯度提升决策树风险预测模型,计算所述多维融合特征向量在多维参数特征空间中与并发症发生概率的映射关系,输出目标并发症发生概率值;预警输出模块,用于根据所述目标并发症发生概率值与预设并发症发生概率阈值的判断结果,生成风险预警信号及对应的分级护理建议,并将所述风险预警信号及所述分级护理建议推送至临床终端。
3、另外,根据本技术上述提出的基于多源数据融合的先心病围术期风险预测系统还可以具有如下附加的技术特征:
4、作为上述技术方案的进一步描述:所述数据处理模块包括:缺失值填补单元,用于检测所述生命体征数据、所述术前检查数据以及所述术中体外循环数据中的缺失值,利用线性插值算法对所述生命体征数据中的缺失值进行时间维度填补,利用训练集对应特征的中位数对所述术前检查数据中的缺失值进行常数填补,并利用最近有效值对所述术中体外循环数据中的缺失值进行前向填补,得到完整多源数据;归一化处理单元,与所述缺失值填补单元连接,采用训练集确定的最小值和最大值对所述完整多源数据中的连续型变量执行归一化处理,得到标准多源数据;特征拼接单元,与所述归一化处理单元连接,用于按照预设特征排列顺序,将所述标准多源数据中与同一预测时刻对应的术前静态特征和术中动态特征沿特征维度进行横向拼接,生成固定维度的所述多维融合特征向量。
5、作为上述技术方案的进一步描述:所述风险预测模块包括:模型输入单元,用于接收所述多维融合特征向量,并将所述多维融合特征向量分配至所述梯度提升决策树风险预测模型的根节点;决策树遍历单元,与所述模型输入单元连接,用于根据所述梯度提升决策树风险预测模型中各决策树节点的分裂特征及分裂阈值,对所述多维融合特征向量进行逐层划分,直至到达叶子节点,获取所述叶子节点的输出值;概率计算单元,与所述决策树遍历单元连接,用于基于初始预测分数,对各决策树对应的所述叶子节点的输出值进行加权求和,并通过函数将加权求和结果映射至预设区间,输出所述目标并发症发生概率值。
6、作为上述技术方案的进一步描述:所述预警输出模块包括:阈值比较单元,用于接收所述目标并发症发生概率值,并将所述目标并发症发生概率值与预设的所述并发症发生概率阈值进行比对,其中,所述并发症发生概率阈值包括第一级阈值和第二级阈值;风险分级单元,与所述阈值比较单元连接,用于当所述目标并发症发生概率值大于所述第二级阈值时,生成高风险预警信号;当所述目标并发症发生概率值大于所述第一级阈值且小于等于所述第二级阈值时,生成中风险预警信号;当所述目标并发症发生概率值小于等于所述第一级阈值时,生成低风险预警信号。
7、作为上述技术方案的进一步描述:所述预警输出模块还包括:建议匹配单元,与所述风险分级单元连接,用于根据所述高风险预警信号匹配第一监护频次建议及应急干预策略,根据所述中风险预警信号匹配第二监护频次建议及病情观察策略,根据所述低风险预警信号匹配常规监护建议;封装推送单元,与所述建议匹配单元连接,用于将所述高风险预警信号、所述第一监护频次建议及所述应急干预策略,或所述中风险预警信号、所述第二监护频次建议及所述病情观察策略,或所述低风险预警信号及所述常规监护建议进行数据封装,生成所述风险预警信号及对应的分级护理建议,并推送至所述临床终端。
8、作为上述技术方案的进一步描述:所述梯度提升决策树风险预测模型包括低心排血量综合征预测子模型、肺动脉高压危象预测子模型和恶性心律失常预测子模型;所述模型输入单元还用于将所述多维融合特征向量分别输入至所述低心排血量综合征预测子模型、所述肺动脉高压危象预测子模型和所述恶性心律失常预测子模型中进行独立计算;所述概率计算单元还用于分别计算并输出针对低心排血量综合征的第一概率值、针对肺动脉高压危象的第二概率值以及针对恶性心律失常的第三概率值,并将所述第一概率值、所述第二概率值及所述第三概率值传输至所述预警输出模块。
9、作为上述技术方案的进一步描述:所述生命体征数据包括心率变异性、血氧饱和度和中心静脉压;所述术中体外循环数据包括主动脉阻断时间、体外循环运转时间、最低鼻咽温以及灌注流量;所述数据处理模块在进行多源数据融合时,具体用于提取所述主动脉阻断时间、所述体外循环运转时间、所述最低鼻咽温以及所述灌注流量的时序数值,并将所述时序数值与同一时间维度获取的所述生命体征数据中的所述心率变异性、所述血氧饱和度和所述中心静脉压进行时间戳对齐处理;将时间戳对齐处理后的多维数据执行特征拼接操作,得到时序对齐拼接数据,以供结合所述术前检查数据生成所述多维融合特征向量。
10、作为上述技术方案的进一步描述:所述术前检查数据包括血常规数据、肝肾功能数据、凝血功能数据以及心肌酶谱数据;所述数据处理模块还用于接收并分别提取所述血常规数据中的白细胞计数、所述肝肾功能数据中的谷丙转氨酶、所述凝血功能数据中的凝血酶原时间以及所述心肌酶谱数据中的肌钙蛋白作为多项关键特征参数,将所述多项关键特征参数与所述时序对齐拼接数据执行融合处理,生成所述多维融合特征向量。
11、作为上述技术方案的进一步描述:所述系统还包括模型训练模块,用于构建所述梯度提升决策树风险预测模型;所述模型训练模块用于获取历史多源围术期数据以及与各历史多维融合特征向量对应的历史并发症结果标签,其中,各历史多维融合特征向量对应一个预测时刻,所述历史并发症结果标签用于表示对应并发症是否在该预测时刻之后的预设预测时间窗内发生;所述模型训练模块还用于利用所述历史多源围术期数据构建所述历史多维融合特征向量,以患者为单位将不同患者的数据划分至相互独立的训练集和测试集,并将同一患者的全部历史多维融合特征向量划入同一数据集;所述模型训练模块还用于将训练集中的所述历史多维融合特征向量输入至初始梯度提升决策树模型中,通过计算损失函数的负梯度在每一轮迭代中生成新的回归树,确定所述新的回归树中各叶子节点的权重,并将所述新的回归树叠加至当前梯度提升决策树模型;当迭代次数达到预设次数或所述损失函数满足预设收敛条件时,输出所述梯度提升决策树风险预测模型。
12、作为上述技术方案的进一步描述:所述临床终端包括:接收解析单元,用于接收所述预警输出模块推送的所述风险预警信号及对应的所述分级护理建议,并对所述风险预警信号及对应的所述分级护理建议进行数据解析,提取得到患者标识、目标监护频次参数和目标干预策略参数;生命体征接收单元,与所述数据获取模块通信连接,用于根据所述患者标识接收对应患者的当前生命体征数据;方案生成单元,分别与所述接收解析单元和所述生命体征接收单元通信连接,用于根据所述目标监护频次参数和所述目标干预策略参数,结合所述当前生命体征数据生成个体化监护方案指令,并输出所述个体化监护方案指令;显示单元,与所述方案生成单元通信连接,用于可视化显示所述个体化监护方案指令及所述风险预警信号以供临床查看。
13、根据本技术的基于多源数据融合的先心病围术期风险预测系统,不仅获取患者的心率变异性、血氧饱和度等实时生命体征,还将其与术前检查指标(如心肌酶谱、凝血功能等)以及术中体外循环参数(如主动脉阻断时间、灌注流量等)进行融合,为精准的风险预测提供了全面、立体的数据基础,克服了传统单一指标监护的片面性。
14、通过预先构建的梯度提升决策树(gbdt)风险预测模型对多维融合特征向量进行计算,能够捕捉多维数据之间的隐性关联,提前计算出低心排血量综合征、肺动脉高压危象、恶性心律失常等严重并发症的发生概率值,使得护理人员能够在并发症发生前、即生理指标出现微小异常趋势时就收到预警,将被动滞后护理转变为前瞻性精准干预,为患者争取了宝贵的抢救时间。
15、在输出风险预警信号的同时,内置了风险分级机制,并匹配相应的监护频次建议及干预策略,临床终端接收到这些信息后,能结合患者当前基础生理参数自动生成个体化监护方案指令并可视化展示,有效摆脱了对个人主观经验的过度依赖,降低了临床决策难度,有利于每位患者获得精准监护,提升了围术期的安全性与整体护理质量。
16、本技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。
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