一种降低非平衡数据虚假警报的动态决策支持系统的制作方法

本发明涉及智能医疗领域，更具体地，涉及一种降低非平衡数据虚假警报的动态决策支持系统。

背景技术：

1、在临床医学实践中，准确预测罕见但严重的临床结局（如住院死亡、脓毒症、再入院等）对于实现早期干预、优化资源配置和改善患者预后至关重要。这类阳性事件通常发生率极低（常低于5%），导致临床数据存在严重的类别不平衡问题。在这种极端不平衡的场景下，即便预测模型具备较高的判别性能，仍易产生大量假阳性警报，严重制约其临床可用性。因此，如何在高风险人群中进行精准识别，同时有效控制误报率，已成为临床预测模型领域长期面临的核心挑战。

2、近年来，随着电子病历（electronic health record, ehr）的普及和人工智能（artificial intelligence, ai）的发展，大量研究尝试利用机器学习（machinelearning, ml）方法对大规模临床数据进行建模，以预测院内死亡风险。研究显示，这类模型在预测性能方面表现优异，受试者工作特征曲线下面积（auroc）常可超过 0.8，理论上优于传统人工评分体系。然而，在实际应用中，模型的临床价值却受到严重限制，主要原因在于：

3、（1）事件低发生率（数据不平衡）：院内死亡（ihm）发生率通常不足 5%，在这种“极端类不平衡”场景下，即便模型的区分能力较强，仍会产生大量假阳性，这是由于传统机器学习算法在处理不平衡数据集时，预测结果容易偏向多数类，从而忽略罕见但具有重要临床意义的病例。为应对这一问题，过往研究中常采用重采样（例如增加少数类样本或减少多数类样本）或代价敏感学习等方法。然而，这些策略往往难以完全契合临床决策中对风险优先级的精细要求，且缺乏透明性。以合成少数类过采样技术（smote，synthetic minorityover-sampling technique）为例，这类过采样方法通过在少数类样本之间插值生成新的合成样本来改善类别平衡，但可能高估少数类事件的概率，导致校准后的风险预测失真，从而影响临床信心。

4、（2）虚假警报率高（低ppv）：即便模型在预测性能上表现良好，由于事件发生率极低，阳性预测值（positive predictive value, ppv）仍可能偏低，导致大量警报为误报。换言之，数据不平衡不仅影响模型对少数类的识别，也直接降低了临床告警的可靠性。例如，hsieh 等（bmj open, 2021）构建的住院7日内死亡预测模型，受试者工作特征曲线下面积（auroc）高达0.81，但ppv仅为10.55%，意味着近九成警报可能为虚假警报。这种低ppv导致低风险患者频繁触发警报，加剧临床警觉疲劳，即便模型的预测性能再强，也难以完全满足临床决策的可操作性需求，从而降低预警工具的临床信任度和使用依从性。

5、（3）缺乏精细化分层与临床可操作见解：现有多数模型通常采用单一阈值，将患者简单二分为“高危/非高危”，忽略了风险的连续性和分层复杂性。这种“粗粒度”分层限制了模型在临床中的应用价值，因为急诊分诊和治疗决策往往需要多层次的风险评估，以便优先处理最危重患者，同时合理调配资源。此外，模型缺乏明确的临床可操作见解，使医务人员难以理解风险评分背后的具体逻辑及对应干预策略，从而降低了决策信心。

6、因此，如何在保证敏感性的同时显著提升ppv、缓解警报疲劳，并实现跨院适用，已成为亟待解决的关键技术难题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种降低非平衡数据虚假警报的动态决策支持系统；本系统针对临床预测模型中因类别不平衡导致的预测失真、虚假警报率高及缺乏精细化决策支持等核心问题，提出一套以最大化标准化净收益（standardized net benefit, snb）为优化目标的系统解决方案。与传统基于单一阈值的简单分层方法不同，本方案通过多阈值优化与决策理论深度融合，实现风险分级与临床效用的精准对齐。

2、针对数据不平衡引发的预测偏差与假阳性泛滥问题，现有技术如重采样或代价敏感学习难以满足临床对风险精细分层的需求。本发明构建多阈值分层机制，依据真实临床处置偏好划分连续风险层级，显著提升对少数类（高危事件）的辨识精度，减少因极端不平衡造成的误判；同时，结合知识增强过滤策略，降低对合成数据的依赖，增强模型校准能力与预测结果的可解释性与可靠性。

3、本技术公开一种降低非平衡数据虚假警报的动态决策支持系统，包括：

4、数据获取模块，被配置为能够获取待测样本的病历数据集；

5、初始风险预测模块，被配置为能够根据所述病历数据集生成初始风险估计值；

6、分层警报系统模块，被配置为能够根据所述初始风险估计值与至少2个第一分层阈值的比较结果，获取待测样本属于低风险组、中风险组和高风险组中的其中一种警报预测结果；所述第一分层阈值基于精确率-召回率权衡校准，以最大化标准化净收益为优化目标计算得到；

7、临床决策模块，被配置为能够根据所述警报预测结果输出适合所述待测样本的临床决策。

8、本技术具有以下有益效果：

9、本技术的核心在于构建了一个多层次、序列化的智能决策支持框架——人工智能驱动的分层预警（ai-powered tiered early warning, ai-tew）。该框架并非一个单一的预测模型，而是一个可适配于多种临床场景的集成化系统，它采用了一个融合了统计预测、分层决策、可解释性分析与知识增强过滤的序贯式处理管道。其设计目标是从根本上解决因临床数据类别高度不平衡而导致的低阳性预测值（ppv）与高虚假警报率这一共性难题，从而全面提升预测模型在真实世界中的临床效用与可操作性；具体地，

10、首先，针对数据不平衡引发的预测偏差与假阳性泛滥问题，现有技术如重采样或代价敏感学习难以满足临床对风险精细分层的需求。本发明构建多阈值分层机制，依据真实临床处置偏好划分连续风险层级，显著提升对少数类（高危事件）的辨识精度，减少因极端不平衡造成的误判；同时，结合知识增强过滤策略，降低对合成数据的依赖，增强模型校准能力与预测结果的可解释性与可靠性。

11、其次，为解决高auroc下仍存在的阳性预测值（ppv）偏低与虚假警报问题，本发明引入基于决策曲线分析（dca）与标准化净收益（snb）的阈值优化框架。该框架综合权衡灵敏度、特异度、ppv与npv，以snb最大化为目标动态确定最优阈值区间，在维持较高敏感性的同时大幅削减误报数量，从而有效缓解医护人员的警报疲劳，提升系统可信度与临床可用性。

12、再次，针对现模型缺乏分层决策支持与可操作见解的不足，本发明提出多层次分级预警（tiered early warning, tew）结构，将风险概率划分为多个连续区间，并分别匹配差异化的处置建议（如常规观察、加强监测、紧急介入）。此外，融合shap可解释性技术与大型语言模型（llm），生成贴合临床语境的个体化解释与处置依据，从而提升医生对系统输出的信任感与依从性，推动预警信息与诊疗流程的有效整合。

13、本技术公开的系统能够实时从电子病历（ehr）中提取数据，自动执行从预测、分层、解释到过滤的全流程，最终将分级警报与解释性结果推送到临床终端，形成端到端的临床决策支持解决方案。