基于多模态监测的神经外科重症并发症预警方法与流程

摘要: 本发明涉及医疗监护数据处理,尤其涉及一种基于多模态监测的神经外科重症并发症预警方法。背景技术:1、神经外科重症患者在术后监护或者重症治疗过程中,生理状态可能随病...
基于多模态监测的神经外科重症并发症预警方法与流程

本发明涉及医疗监护数据处理,尤其涉及一种基于多模态监测的神经外科重症并发症预警方法。

背景技术:

1、神经外科重症患者在术后监护或者重症治疗过程中,生理状态可能随病情进展、治疗措施及恢复阶段持续发生变化,通常需要对颅内压、脑组织氧分压、血氧饱和度、脑电状态、动脉血压、心率及呼吸状态等多种监测数据进行持续观察。不同监测参数具有不同的变化范围、采样频率及状态表征意义,同时,不同患者在病变类型、病情程度、治疗阶段及基础生理状态等方面存在差异,使相同监测参数在不同患者或者不同监护阶段下可能呈现不同的变化特征。

2、在实际连续监护过程中,医护人员需要同时关注多个监测参数的当前状态及其随时间的变化情况。当多个监测参数在相近时间范围内先后发生异常变化时,仅依据单个监测参数的当前数值或者分别判断各监测参数是否超出参考范围,难以充分反映患者整体生理状态的变化情况;同时,不同患者自身基础状态存在差异,采用统一参考条件对监测参数进行判断时,对不同患者实际状态的适应性也存在一定限制。

3、此外,神经外科重症患者的病情具有持续变化的特点,患者在不同监护阶段表现出的监测状态也可能发生改变。若后续风险分析长期采用固定的判断依据或者既有分析规则,而未能充分结合患者在后续监护过程中产生的新监测信息,则分析结果可能逐渐与患者当前实际状态产生偏离,从而影响对病情变化及并发症风险的及时判断。

4、因此,如何提高多模态监测数据分析对神经外科重症患者个体状态差异及病情动态变化的适应能力,是现有神经外科重症连续监护数据处理过程中有待进一步解决的问题。

技术实现思路

1、为解决上述技术问题,本发明提供一种基于多模态监测的神经外科重症并发症预警方法,以提高多模态监测数据分析对神经外科重症患者个体状态差异及病情动态变化的适应性。

2、本发明提供了一种基于多模态监测的神经外科重症并发症预警方法,所述预警方法包括以下步骤:

3、根据神经外科重症患者的初始状态信息及多模态监测数据,确定各监测模态对应的状态基准及初始退化特征;

4、根据各监测模态对应的初始退化特征及对应的状态基准,确定不同监测模态之间的候选传播关系,并根据所述候选传播关系之间的重叠特征进行传播分组,得到动态耦合关系;

5、基于由所述动态耦合关系确定的传播贡献及所述初始退化特征确定耦合退化特征,并根据所述耦合退化特征确定各传播组对应的状态预测特征;

6、根据与所述状态预测特征对应的实际状态特征及二者之间的预测误差,确定各传播组对应的验证结果,并根据所述验证结果更新所述动态耦合关系及耦合退化特征;

7、由更新后的动态耦合关系及耦合退化特征确定患者对应的异常演化特征,并根据所述异常演化特征及所述初始退化特征,确定目标并发症对应的风险预测结果,生成并发症预警信息。

8、优选的,所述状态基准及初始退化特征的确定,包括:

9、根据所述多模态监测数据确定各监测模态对应的初始状态特征,并根据所述初始状态信息确定各监测模态对应的预设参考范围,根据所述初始状态特征及对应的预设参考范围,确定各监测模态对应的状态基准;

10、根据所述多模态监测数据确定各监测模态对应的实时状态特征,并根据所述实时状态特征与对应状态基准之间的偏离关系,确定各监测模态对应的初始退化特征。

11、优选的,所述初始退化特征的确定,包括:

12、根据各监测模态对应的实时状态特征与所述状态基准,确定各监测模态对应的状态偏离量;

13、根据相邻监测时刻对应的所述状态偏离量之间的差值,确定各监测模态对应的偏离变化量;

14、根据所述状态偏离量及偏离变化量,确定各监测模态对应的初始退化特征。

15、优选的,所述根据所述候选传播关系之间的重叠特征进行传播分组,得到动态耦合关系,包括:

16、根据各候选传播关系对应的状态变化时序,确定各候选传播关系对应的传播源、传播目标、预期传播时段及关联强度;

17、根据各候选传播关系对应的传播目标及预期传播时段,将传播目标相同且预期传播时段具有共同交集的候选传播关系划分为同一传播组,并确定各传播组内具有相同传播源的候选传播关系;

18、根据各候选传播关系对应的关联强度确定对应的关联权重,并根据各传播组包含的候选传播关系及其关联权重,确定各传播组对应的耦合权重,得到所述动态耦合关系。

19、优选的,所述基于由所述动态耦合关系确定的传播贡献及所述初始退化特征确定耦合退化特征,包括:

20、根据所述动态耦合关系中各候选传播关系对应的关联权重及其传播源对应的初始退化特征,确定各候选传播关系对应的候选传播贡献;

21、将同一传播组内具有相同传播源的各候选传播贡献中的最大值,确定为对应传播源的组内贡献;

22、根据各传播源对应的组内贡献及对应传播组的耦合权重,确定各传播组对应的传播贡献,并根据所述传播贡献调整传播目标对应监测模态的初始退化特征,得到所述耦合退化特征。

23、优选的,所述根据所述耦合退化特征确定各传播组对应的状态预测特征,包括:

24、根据所述动态耦合关系及耦合退化特征,确定各传播组对应的目标监测模态及预测时段,并采用预设预测模型,根据所述耦合退化特征确定目标监测模态在所述预测时段内的完整预测特征;

25、在保持所述预设预测模型、预测起始状态及其他传播组对应的传播贡献不变的条件下,不计入目标传播组对应的传播贡献,重新确定耦合退化特征,并根据重新确定的耦合退化特征,确定目标监测模态在所述预测时段内的对照预测特征;

26、根据所述完整预测特征及对照预测特征,得到目标传播组对应的状态预测特征。

27、优选的,所述根据与所述状态预测特征对应的实际状态特征及二者之间的预测误差,确定各传播组对应的验证结果,并根据所述验证结果更新所述动态耦合关系及耦合退化特征,包括:

28、获取所述预测时段内目标监测模态对应的实际状态特征,分别确定所述实际状态特征与完整预测特征及对照预测特征之间的第一预测误差和第二预测误差,并根据所述第二预测误差与第一预测误差之间的差值确定目标传播组对应的预测改善量;

29、根据所述预测改善量与预设贡献阈值之间的比较结果,确定目标传播组对应的验证结果,并根据所述验证结果确定对应的耦合权重调整量;

30、根据所述耦合权重调整量更新所述动态耦合关系,并根据更新后的动态耦合关系重新确定各传播组对应的传播贡献,基于重新确定的传播贡献及所述初始退化特征,得到更新后的耦合退化特征。

31、与相关技术相比较,本发明提供的一种基于多模态监测的神经外科重症并发症预警方法具有如下有益效果:

32、本发明根据患者初始状态信息及多模态监测数据确定各监测模态对应的状态基准和初始退化特征,使不同监测模态的异常状态能够结合患者自身初始状态进行表征,提高监测数据分析对患者个体状态差异的适应性;进一步根据不同监测模态状态变化的时序关系建立动态耦合关系,并基于传播贡献确定耦合退化特征,使多个监测模态在连续监护过程中的联合异常变化能够得到表征;同时,通过状态预测结果与后续实际状态特征之间的预测误差对动态耦合关系进行验证和更新,使后续异常演化分析能够结合患者新产生的监测信息持续调整,从而提高并发症风险预测过程对患者病情动态变化的适应性。