一种斜视手术风险数据评估方法及系统与流程

本发明涉及医疗数据处理，尤其涉及一种斜视手术风险数据评估方法及系统。

背景技术：

1、斜视是一种因中枢控制功能异常或眼外肌力量失衡，导致双眼不能同时注视同一目标的眼科疾病。斜视多发生于儿童期，可能引起弱视、双眼视功能受损、代偿头位及心理社交障碍等问题，对患者的视觉功能和生活质量产生不利影响。手术是矫正眼位、改善双眼视功能的重要治疗方式，但术后仍可能出现复发、过矫、欠矫、肌肉粘连及眼球运动受限等情况。目前，斜视手术方案的制定主要依赖医生的临床经验和传统手术量表，不同医生针对同一患者所作出的病情评估和手术决策可能存在差异。

2、近年来，人工智能技术逐步应用于斜视诊疗领域。例如，已有研究采用机器学习方法筛选斜视术后复发的相关风险因素，并建立列线图预测模型；也有研究采用多任务学习模型，同时预测需要实施手术的眼外肌及对应的手术量。上述技术在斜视手术辅助评估方面取得了一定进展，但仍存在以下不足。

3、首先，现有斜视手术风险评估的维度较为单一，缺少多种风险的同步评估机制。现有方法通常针对术后复发或二次手术等单一结果进行预测，例如通过回归模型、随机森林模型或生存分析模型筛选相关风险因素，并输出相应的复发风险或二次手术风险。该类方法难以同时生成过矫风险、欠矫风险、复发风险、肌肉粘连风险和眼球运动受限风险等多项风险信息，因而难以全面表征手术方案可能对应的术后风险。

4、其次，现有技术缺乏针对同一患者的多个候选手术方案进行量化比较的机制。现有手术辅助设计方法通常根据患者术前数据直接输出建议手术方式、目标眼外肌或建议手术量，例如通过多任务学习模型预测水平斜视手术中的眼外肌选择及手术剂量，或者通过机器学习模型基于术前特征预测手术矫正量。上述方法主要用于生成单一手术建议，未针对同一患者的多个候选手术参数集分别进行风险评估，难以量化比较不同候选手术参数集所对应的风险差异。

5、再次，临床数据的质量信息未被充分利用。患者状态数据可能存在数据缺失、取值异常以及不同记录之间相互不一致的情况。现有方法通常仅对缺失数据进行填补，未对不同临床特征的数据完整性、取值有效性及数据一致性进行统一检测，也未将不同临床特征对应的数据质量信息用于后续患者状态特征的生成过程，导致质量不同的临床数据可能以相同方式参与风险评估，影响患者状态表征及风险预测结果。

6、此外，部分基于深度学习的斜视辅助评估模型直接根据患者术前数据输出预测结果，难以反映不同患者状态特征与具体手术参数之间的作用关系，模型输出结果的形成过程不够直观，不利于分析不同患者状态因素及手术规划因素对风险评估结果的影响。

7、因此，需要一种能够综合处理患者状态数据的数据质量、斜视稳定性及严重程度，以对候选手术参数进行风险评估的技术方案。

技术实现思路

1、有鉴于此，本发明提出了一种斜视手术风险数据评估方法及系统。

2、本发明实施例的一方面提供了一种斜视手术风险数据评估方法，具体包括如下步骤：

3、s1，获取患者状态数据和若干候选手术参数集；

4、s2，对所述患者状态数据进行质量处理，并基于质量处理结果提取斜视稳定性特征；

5、s3，基于质量处理结果及所述斜视稳定性特征对所述患者状态数据进行特征处理，生成严重度特征向量；

6、s4，将所述斜视稳定性特征、所述严重度特征向量和各所述候选手术参数集输入至预设融合模型，得到各所述候选手术参数集对应的综合风险结果。

7、在一些实施方式中，在步骤s1中，所述患者状态数据由若干类临床特征构成，所述临床特征包括斜视类型标识特征、斜视角度测量特征、双眼视功能参数特征、眼球运动功能分级特征、代偿头位角度特征、既往治疗记录特征、眼外肌影像学测量参数特征、眼部及全身合并症信息特征，以及由多个术前时间点采集的斜视度测量数据构成的时序测量特征；

8、所述候选手术参数集由若干类手术规划特征构成，所述手术规划特征包括手术眼别特征、目标眼外肌标识特征、手术方式类型特征、手术操作量值特征和联合手术指示特征。

9、在一些实施方式中，步骤s2包括：

10、对各类所述临床特征进行预设检测，所述预设检测包括完整性检测、取值范围检测及数据一致性检测；

11、对所述完整性检测得到的缺失数据进行填补，对所述取值范围检测得到的异常数据进行屏蔽，得到质量处理后的患者状态数据；

12、根据检测结果确定各类所述临床特征对应的数据质量值，以构成数据质量向量；

13、将所述质量处理后的患者状态数据和所述数据质量向量作为所述质量处理结果。

14、在一些实施方式中，步骤s2还包括：

15、根据所述质量处理后的患者状态数据中的时序测量特征，确定斜视度的集中趋势、离散程度、变化范围及随测量时间的变化趋势；

16、基于所述集中趋势、所述离散程度、所述变化范围及所述变化趋势生成所述斜视稳定性特征。

17、在一些实施方式中，步骤s3包括：

18、根据所述斜视类型标识特征，确定斜视角度转换参数、双眼视功能转换参数、稳定性转换参数和合并症转换参数；

19、根据所述斜视角度转换参数、所述双眼视功能转换参数、所述稳定性转换参数和所述合并症转换参数，对所述斜视稳定性特征、所述质量处理后的患者状态数据中的斜视角度测量特征、双眼视功能参数特征和眼部及全身合并症信息特征分别进行映射，得到包括斜视角度初始评分、双眼视功能初始评分、稳定性初始评分和合并症初始评分的初始评分；

20、根据所述数据质量向量对各所述初始评分对应的预设权重进行调整，确定各所述初始评分对应的目标权重；

21、将各所述初始评分按照其对应的所述目标权重进行加权融合，生成所述严重度特征向量。

22、在一些实施方式中，步骤s4包括：

23、将所述斜视稳定性特征、所述严重度特征向量与各所述候选手术参数集分别进行交互编码，得到各所述候选手术参数集对应的候选交互特征；

24、将各所述候选交互特征分别输入至预设融合模型，所述预设融合模型包括第一层基模型集合和第二层元模型；

25、基于所述第一层基模型集合中的每个预设基模型和各所述候选交互特征，得到各所述候选手术参数集对应的复发风险概率、并发症风险概率、候选手术评分和特征重要性排序结果；

26、基于所述复发风险概率、所述并发症风险概率、所述候选手术评分、所述特征重要性排序结果和所述第二层元模型，得到各所述候选手术参数集对应的综合风险结果。

27、在一些实施方式中，步骤s4还包括：

28、对所述复发风险预测结果、所述并发症风险预测结果、所述特征重要性序列和所述手术必要性基准评分进行归一化处理，得到归一化复发风险值、归一化并发症风险值、归一化特征重要性值和归一化手术必要性值；

29、将所述归一化复发风险值、所述归一化并发症风险值、所述归一化特征重要性值和所述归一化手术必要性值进行拼接，形成元模型输入特征向量；

30、将所述元模型输入特征向量输入至所述第二层元模型，得到所述综合风险结果。

31、在一些实施方式中，在步骤s4中，所述预设融合模型包括第一层基模型集合和第二层元模型，所述第一层基模型集合包括xgboost模型、lightgbm模型、随机森林模型和逻辑回归模型；所述第二层元模型包括逻辑回归元模型；所述综合风险结果包括各所述候选手术参数集对应的风险等级和风险排序结果。

32、本发明实施例的另一方面，还提供了一种斜视手术风险数据评估系统，包括：

33、获取单元，配置为获取患者状态数据和若干候选手术参数集；

34、质量处理单元，配置为对所述患者状态数据进行质量处理，并基于质量处理结果提取斜视稳定性特征；

35、特征处理单元，配置为基于质量处理结果及所述斜视稳定性特征对所述患者状态数据进行特征处理，生成严重度特征向量；

36、风险评估单元，配置为将所述斜视稳定性特征、所述严重度特征向量和各所述候选手术参数集输入至预设融合模型，得到各所述候选手术参数集对应的综合风险结果。

37、本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机程序，所述计算机程序由所述处理器执行时实现如上方法的步骤。

38、本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。

39、本发明至少具有以下有益技术效果：通过获取患者状态数据和若干候选手术参数集，对患者状态数据进行完整性、有效性及一致性质量处理后提取斜视稳定性特征并生成严重度特征向量，再将各候选手术参数集分别与患者状态数据进行交互编码后输入预设融合模型，能够针对同一患者的多个候选手术方案分别输出包含复发风险、过矫风险、欠矫风险及并发症风险的综合风险评估结果，从而解决了现有技术无法在同一框架下对多个候选手术方案进行多维度风险量化比较的技术问题，实现了多方案风险水平的量化排序和差异化评估。