一种胰岛素抵抗风险评估的AI动态建模系统的制作方法

本发明涉及胰岛素抵抗风险评估，具体涉及一种胰岛素抵抗风险评估的ai动态建模系统。

背景技术：

1、胰岛素抵抗（insulinresistance,ir）是2型糖尿病、肥胖、非酒精性脂肪肝等代谢性疾病的核心病理基础，早期识别并干预可显著降低发病与并发症风险，因此构建对ir的早期、动态、个体化风险评估模型具有重要临床与公共卫生价值。现有评估方法多依赖静态指标或高成本、有创的检测手段，难以反映ir的动态演变特征。随着多模态时序健康数据的积累，利用ai模型实现动态风险评估成为趋势。

2、但是胰岛素抵抗（ir）并不是一个静态状态，而是一个动态演进过程。因此，不同时间点采集的多模态数据对ir的提示能力是具备时序依赖关系的，这使得不同时间点采集的多模态数据具备显著不同的风险提示能力。然而，目前多数现有系统采用近期数据赋予更高权重的方法，假设近期状态更能反映当前风险，但忽略了胰岛素抵抗发展的长期累积效应，影响ir风险评估的准确性。

技术实现思路

1、为了解决现有模型对不同时期的注意力权重设置不合理、难以准确反映胰岛素抵抗动态演变规律的技术问题，本发明的目的在于提供一种胰岛素抵抗风险评估的ai动态建模系统，所采用的技术方案具体如下：

2、一种胰岛素抵抗风险评估的ai动态建模系统，所述系统包括：

3、数据获取模块，用于以预设的近端、中程、远端窗口进行时间层次划分，获取每类窗口的多模态数据；

4、病程分析模块，用于根据当前远端窗口内近端窗口的血糖、胰岛素和入睡时刻的波动，结合心率异常表现，获取近端ir系数；拟合各维度生化数据在不同中程窗口的斜率的波动曲线，根据所述波动曲线的变化，结合当前远端窗口内bmi值分布、睡眠不足表现和临床诊断记录的变化，以及所述近端ir系数的分布，获取当前所述远端窗口的病程阶段参数；

5、建模分析模块，根据所述病程阶段参数的变化，结合不同所述远端窗口与当前所述远端窗口的时间间隔，分配每个所述远端窗口的注意力权重；基于所述注意力权重训练深度学习模型。

6、进一步地，所述近端ir系数的获取方法包括：

7、根据每个近端窗口内血糖峰值与胰岛素峰值的偏移情况，获取短期偏移参数；提取每个近端窗口的心率变异性的交感-副交感平衡指数；根据当前所述远端窗口内不同所述近端窗口之间在血糖峰值、入睡时刻和血糖均值的三个维度的差异，获取评估特征指数；

8、融合每个所述近端窗口的所述短期偏移参数、所述交感-副交感平衡指数和对应的所有所述评估特征指数，获取每个所述近端窗口的近端ir系数。

9、进一步地，所述短期偏移参数的获取方法包括：

10、获取每个近端窗口内血糖峰值的时序点与胰岛素峰值的时序点的时间间隔，作为短期偏移参数。

11、进一步地，所述评估特征指数的获取方法包括：

12、对于任意两个所述近端窗口，将血糖峰值、入睡时刻和血糖均值的三个维度的差值绝对值分别进行归一化后，将三个维度的归一化结果的乘积作为初始特征指数；将所述远端窗口内每个所述近端窗口的所有所述初始特征指数的总和进行归一化后，获取每个所述近端窗口的评估特征指数。

13、进一步地，所述病程阶段参数的获取方法包括：

14、根据相邻所述远端窗口的相同顺序的所述中程窗口在每个维度的所述波动曲线的差异，结合对应维度的生化数据值，获取生化指标ir阶段指数；

15、根据当前远端窗口内bmi值分布、睡眠不足表现和临床诊断记录的变化，获取远端ir系数；

16、将每个所述中程窗口的所有所述近端窗口的所述近端ir系数的均值的负相关归一化结果，作为ir发展调节因子；基于所述ir发展调节因子，融合当前远端窗口每个所述中程窗口的所述生化指标ir阶段指数和所述远端ir系数的乘积，获取当前所述远端窗口的ir进展特征指数；

17、融合所有所述近端窗口的所述近端ir系数的均值和所述ir进展特征指数，获取病程阶段参数。

18、进一步地，所述生化指标ir阶段指数的获取方法包括：

19、逐个选择每个维度的生化数据作为目标数据，获取每个所述中程窗口对应时序位置在所述波动曲线上的导数，作为所述目标数据在对应时间点的波动稳定指数；

20、根据相邻所述远端窗口的相同顺序的所述中程窗口的所述波动稳定指数的差值，获取当前所述远端窗口内所有所述中程窗口的参考权重；基于所述参考权重，融合当前所述远端窗口内所有所述中程窗口的所述目标数据，作为生化阶段指数；

21、将所有维度的所述生化阶段指数的均值作为生化指标ir阶段指数。

22、进一步地，所述远端ir系数的获取方法包括：

23、根据相邻所述远端窗口的所述临床诊断记录的变化，提取当前所述远端窗口的新增病症数量；将所述远端窗口内预设推荐睡眠时长减去患者每天实际睡眠时长的差值总和作为睡眠债务；融合所述新增病症数量、所述睡眠债务和平均bmi值，获取远端ir系数。

24、进一步地，所述注意力权重的获取方法包括：

25、获取所述病程阶段参数的一阶差分序列，根据差分值的正负符号进行时域分段，根据每个所述远端窗口的差分值，结合分段的长度和所述病程阶段参数的整体特征，获取每个所述远端窗口的初始权重；

26、根据每个所述远端窗口与当前所述远端窗口的时间间隔修正所述初始权重，获取每个所述远端窗口的注意力权重。

27、进一步地，所述初始权重的获取方法包括：

28、将每个所述远端窗口的差分值的绝对值作为病情发展系数；将分段的窗口数量与包含的每个所述远端窗口的所述病情发展系数的乘积，作为每个所述远端窗口的病情进展关联系数；

29、将分段包含的所有所述病程阶段参数的均值的归一化结果作为ir加速系数，基于所述ir加速系数对所述病情发展系数进行加权，利用常数1减去所述ir加速系数的差值对所述病情进展关联系数进行加权，加权求和结果作为对应的所述远端窗口的初始权重。

30、进一步地，所述根据每个所述远端窗口与当前所述远端窗口的时间间隔修正所述初始权重，获取每个所述远端窗口的注意力权重的方法包括：

31、将每个所述远端窗口与当前所述远端窗口的时间间隔的负相关映射结果作为修正系数，将每个所述远端窗口的所述修正系数与所述初始权重的乘积的归一化结果作为注意力权重。

32、本发明具有如下有益效果：

33、本发明首先通过数据获取模块获取每类窗口的多模态数据，为后续提供分析基础；进一步通过病程分析模块分析远端窗口内近端窗口的血糖、胰岛素和入睡时刻的波动，结合心率异常表现，获取近端ir系数，作为ir早期发展特征系数的评估特征指数，为后续评估远端窗口的病程阶段参数和分析注意力权重提供依据；进一步根据各生化数据的斜率的波动曲线的变化，分析生化数据在不同远端窗口中的趋势波动，结合当前远端窗口内bmi值分布、睡眠不足表现，分析患者的不良生活习惯影响，并分析临床诊断记录的变化，以及近端ir系数的分布，获取病程阶段参数，用于表征胰岛素抵抗发展的阶段性状态并为后续注意力权重分配提供依据；最后通过建模分析模块分析病程阶段参数的变化，以分析ir发展的动态演变趋势，结合远端窗口距今的时间间隔，分配每个远端窗口的注意力权重，可在保持长期记忆的同时抑制过时信息干扰，提高模型对当前风险的动态敏感性与预测精度，并基于注意力权重训练深度学习模型。获取多层时间窗口的多模态数据，提取近端ir特征并结合中程生化斜率波动及远端bmi、睡眠和诊断信息，生成病程阶段参数；基于参数变化动态分配注意力权重，训练深度学习模型，提高模型对当前风险的动态敏感性与预测精度。