基于医疗信息处理的全麻患者麻醉深度监测系统

本发明涉及智能全麻患者麻醉深度监测，具体是指基于医疗信息处理的全麻患者麻醉深度监测系统。

背景技术：

1、全麻患者麻醉深度监测是通过实时采集和分析患者在全身麻醉过程中如脑电图、心率以及血压等生理参数，结合先进的算法和信号处理技术，对麻醉深度进行评估和调整的过程。通过监测能够精确监控麻醉深度，避免麻醉过深或过浅带来的风险，减少术中意识恢复或药物过量的情况，提高患者安全性，优化麻醉药物的使用。

2、然而，传统的全麻患者麻醉深度监测系统存在采用的多模态数据融合策略难以平衡异质性高、噪声分布差异显著的脑电波形、文本语义和结构化指标之间的贡献，且遇到不同模态证据指向矛盾结论时，缺乏有效的分歧协商与协商失败后的决策预案，导致模型稳健性和决策置信度不足的技术问题；传统的全麻患者麻醉深度监测系统存在常仅关注预测的总体准确率，只能被动检查训练数据中不同群体的分布或整体性能差异，缺乏对模型决策是否受到人口统计学属性系统性影响的检测手段，使模型可能产生针对特定人群的系统性低估或高估麻醉深度，削弱了临床决策的普适性的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于医疗信息处理的全麻患者麻醉深度监测系统，针对传统的全麻患者麻醉深度监测系统存在采用的多模态数据融合策略难以平衡异质性高、噪声分布差异显著的脑电波形、文本语义和结构化指标之间的贡献，且遇到不同模态证据指向矛盾结论时，缺乏有效的分歧协商与协商失败后的决策预案，导致模型稳健性和决策置信度不足的技术问题，本方案创造性地采用了多维共识模型输出麻醉深度等级预测结果，通过构建三种子网络结合辩论共识模块，保留各子网对特定神经生理信号和临床指标的敏感性，再通过辩论共识机制，对齐各模态的特征空间并参考彼此信息来修正判断，提升了对复杂、非典型病例的麻醉深度监测可靠性和可解释性；针对传统的全麻患者麻醉深度监测系统存在常仅关注预测的总体准确率，只能被动检查训练数据中不同群体的分布或整体性能差异，缺乏对模型决策是否受到人口统计学属性系统性影响的检测手段，使模型可能产生针对特定人群的系统性低估或高估麻醉深度，削弱了临床决策的普适性的技术问题，本方案创造性地采用了镜像生成对比方法检测多维共识模型是否因人口统计学属性产生偏见性预测，在维持原始病情特征不变的前提下，仅更改患者的人口统计学画像，生成医学合理的虚拟对照样本，检验模型决策是否因敏感属性而异化，为临床决策提供更好安全保障。

2、本发明采取的技术方案如下：本发明提供的基于医疗信息处理的全麻患者麻醉深度监测系统，包括多维数据获取模块、初步优化处理模块、多维共识模型构建模块和镜像生成对比模块；

3、所述多维数据获取模块，通过数据采集，得到麻醉深度监测原始数据集，并将所述麻醉深度监测原始数据集发送至初步优化处理模块；

4、所述初步优化处理模块，采用波形数据处理、文本数据处理、数值数据处理、数据对齐组装和数据集划分的初步优化处理方法，得到待监测数据集、深度监测训练集和深度监测测试集，并将所述待监测数据集发送至镜像生成对比模块，将所述深度监测训练集和所述深度监测测试集发送至多维共识模型构建模块；

5、所述多维共识模型构建模块，通过构建三种子网络结合辩论共识模块，得到多维共识模型，并将所述多维共识模型发送至镜像生成对比模块；

6、所述镜像生成对比模块，通过构建变分自编码器模型，进行镜像生成对比，得到最终麻醉深度监测参考结果。

7、进一步地，在多维数据获取模块中，所述麻醉深度监测原始数据集，具体包括历史麻醉深度监测原始数据集和当前麻醉深度监测原始数据集，所述历史麻醉深度监测原始数据集和所述当前麻醉深度监测原始数据集，两者均包含波形数据、文本数据和数值数据，所述历史麻醉深度监测原始数据集，还包括麻醉深度等级标签数据。

8、进一步地，在初步优化处理模块中，所述波形数据处理，用于去除波形中的干扰并统一时间分辨率，具体为通过带通滤波器滤除基线漂移和工频噪声，再将所有波形数据重采样至200hz并截取固定长度窗口，进行z-score归一化得到处理后的波形数据；

9、所述文本数据处理，用于将非结构化的病历文本转换为模型可处理的形式，具体为通过分词、去停用词、实体标准化和长度截断处理，得到长度可控的文本序列数据；

10、所述数值数据处理，用于补全缺失值和消除量纲差异，具体为通过中位数填充、异常值截断、最小-最大缩放以及分类变量的独热编码处理，得到处理后的数值特征；

11、所述数据对齐组装，用于将同一患者的不同模态数据在时间上对齐，具体为通过患者关联和时间戳匹配，将处理后的波形、文本和数值数据拼接到同一样本，得到模型可处理的特征格式；

12、所述数据集划分，用于获取训练数据和测试数据，具体为对所述历史麻醉深度监测原始数据集进行数据集分割，得到深度监测训练集和深度监测测试集；

13、通过所述波形数据处理、所述文本数据处理、所述数值数据处理和所述数据对齐组装，对所述当前麻醉深度监测原始数据集进行初步优化处理，得到待监测数据集，通过所述波形数据处理、所述文本数据处理、所述数值数据处理、所述数据对齐组装和所述数据集划分，对所述历史麻醉深度监测原始数据集进行初步优化处理，得到深度监测训练集和深度监测测试集。

14、进一步地，在多维共识模型构建模块中，用于从三个独立子网分别处理不同模态数据，并通过辩论机制达成共识麻醉深度等级，具体为通过构建波形处理子网、文本处理子网和数值处理子网，结合辩论共识模块，得到多维共识模型；

15、所述多维共识模型构建模块，具体内容包括波形处理子网、文本处理子网、数值处理子网、共识质量计算和辩论共识模块；

16、所述波形处理子网，用于从高频生理波形中提取特征并给出初步麻醉深度判断，内容包括：

17、残差膨胀卷积块设计，用于从多通道波形中逐步提取局部到全局的时序模式，具体为通过1×1卷积升维后堆叠多个膨胀率逐块倍增的残差膨胀卷积块，每个残差膨胀卷积块内包含两次膨胀卷积和残差连接，得到波形时序特征；

18、波形维度麻醉深度预测，用于将时序特征压缩为固定长度的向量并映射为麻醉深度判断，具体为通过对波形时序特征在时间维度进行全局平均池化处理，得到波形隐层特征，再分别通过全连接层和softmax分类器输出波形维度置信度分数和波形维度初判麻醉深度等级标签；

19、所述文本处理子网，用于从结构化病历文本中提取语义特征并给出初步麻醉深度判断，内容包括：

20、轻量级bert编码，用于将文本序列转化为富含上下文的语义向量，具体为通过预训练的biobert-mini模型处理输入的文本序列数据，提取[cls]位置的输出，得到文本编码特征；

21、文本维度麻醉深度预测，用于将高维语义向量压缩至统一维度并输出麻醉深度判断，具体为通过全连接层将文本编码特征降维，得到文本隐层特征，再分别通过全连接层和softmax分类器输出文本维度置信度分数和文本维度初判麻醉深度等级标签；

22、所述数值处理子网，用于从化验值与生命体征统计量中提取数值特征并给出初步麻醉深度判断，具体为通过三个全连接层对数值数据逐层降维，每层全连接层后接leakyrelu激活和随机失活，输出数值隐层特征，再分别通过全连接层和softmax分类器输出数值维度置信度分数和数值维度初判麻醉深度等级标签；

23、所述共识质量计算，用于汇总三个子网的初判结果并判断是否需要辩论，内容包括：

24、多数投票，用于确定三个子网中多数同意的麻醉深度等级，具体为统计三个子网的初判麻醉深度等级标签的数量，取相同数量多的作为多数派麻醉深度等级标签；

25、共识质量分计算，用于量化三个子网的一致程度，具体为计算与多数派麻醉深度等级标签一致的子网比例，得到共识质量分；

26、当共识质量分值为1时，三个子网输出的初判麻醉深度等级标签一致，直接输出此初判麻醉深度等级标签和共识质量分作为多维共识模型的输出，否则，继续执行辩论共识模块的内容；

27、所述辩论共识模块，用于在三个子网存在分歧时通过特征层面交互达成更高共识，内容包括：

28、交互空间特征投影，用于将不同子网的隐层特征映射到同一维度空间以便交互，具体为通过一个共享的全连接层将波形隐层特征、文本隐层特征和数值隐层特征映射到同一特征空间，得到波形交互特征、文本交互特征和数值交互特征；

29、对抗性模态对齐，用于迫使三个子网的特征在特征空间中模态不可区分，消除模态特异性偏差，具体为通过梯度反转层和模态判别器的对抗训练，得到波形对齐特征、文本对齐特征和数值对齐特征；

30、跨模态注意力交互，用于让每个子网基于其他子网的特征调整自身的对齐特征，具体为分别将每个对齐特征作为查询，其余两个对齐特征依次作为键和值，通过多头交叉注意力处理，得到更新波形隐层特征、更新文本隐层特征和更新数值隐层特征；

31、重新投票与最终输出，用于基于交互后的特征再次做出麻醉深度判断并决定最终输出，具体为将更新波形隐层特征、更新文本隐层特征和更新数值隐层特征，分别通过线性变换映射至与其对应子网隐层特征相同维度，并代替原隐层特征输出各子网再判置信度分数和再判麻醉深度等级标签；

32、基于各子网再判置信度分数重新计算共识质量分，得到再判共识质量分，当再判共识质量分值为1，即各子网再判麻醉深度等级标签一致时，输出此再判麻醉深度等级标签和再判共识质量分作为多维共识模型的输出，否则，输出三个子网中再判置信度分数最高的子网的再判麻醉深度等级标签和再判共识质量分作为多维共识模型的输出。

33、进一步地，在镜像生成对比模块中，用于检测多维共识模型是否因患者的人口统计学属性产生偏见性预测，具体为通过构建变分自编码器生成与原始样本仅存在人口统计学数据差异的镜像样本，再将原始样本与镜像样本分别输入冻结的多维共识模型，比较输出差异，得到最终麻醉深度监测参考结果；

34、所述镜像生成对比模块，具体内容包括变分自编码器设计、医学合理性约束、镜像样本生成和冻结模型推理；

35、所述变分自编码器设计，用于将患者多维数据编码为可分离的病理生理属性和人口统计学属性隐变量，内容包括：

36、多模态编码，用于将三种模态的数据统一编码到一个联合隐空间，具体为通过三个独立的小型编码器分别提取波形、文本和数值特征并拼接，得到的联合特征通过一个全连接层处理得到采样均值和采样方差，基于正态分布随机采样获得联合隐变量，维度为128；

37、隐空间解耦，用于将隐变量分离为病理生理属性和人口统计学属性两部分，具体为将联合隐变量的前96维作为病理生理子空间、后32维作为人口统计子空间，并通过club估计器最小化两者的互信息，得到统计独立的两个子空间；

38、因果干预设计，用于确保人口统计学属性仅通过已知的因果路径影响病理生理属性，具体为通过一个稀疏因果矩阵将人口统计子空间加到病理生理子空间上，并对稀疏因果矩阵施加l1正则，得到增强联合隐变量；

39、解码器构建，用于确保解耦后的隐变量仍能完整重建生成样本，具体为通过解码器基于增强联合隐变量分别重建波形、文本和数值数据，得到生成样本；

40、所述医学合理性约束，用于保证生成样本在病理生理上与原始样本等价且符合医学常识，具体为基于历史麻醉深度监测原始数据集预训练的混合高斯模型处理生成样本，输出一个范围在[0,1]内的合理性分数，变分自编码器训练时，固定混合高斯模型，变分自编码器通过对抗损失迫使合理性分数接近1；

41、所述镜像样本生成，用于创建一个人口统计学属性不同但病理生理属性相同的虚拟患者样本，具体为对于任一原始样本，首先获取其干预后的病理生理子空间，随后随机选择另一原始样本，获取其人口统计子空间，两者组合为镜像联合隐变量，最后通过解码器获取原始样本对应的镜像样本；

42、所述冻结模型推理，用于比较原始样本与镜像样本的麻醉深度判断是否一致，具体为将原始样本与其对应的镜像样本分别输入冻结的多维共识模型，得到各自的共识质量分和麻醉深度等级标签，若两者得到的麻醉深度等级标签一致，则直接输出原始样本对应的共识质量分和麻醉深度等级标签作为最终麻醉深度监测参考结果，否则，输出两者的共识质量分和麻醉深度等级标签以及强制人工复评警报作为最终麻醉深度监测参考结果。

43、采用上述方案本发明取得的有益效果如下：

44、（1）针对传统的全麻患者麻醉深度监测系统存在采用的多模态数据融合策略难以平衡异质性高、噪声分布差异显著的脑电波形、文本语义和结构化指标之间的贡献，且遇到不同模态证据指向矛盾结论时，缺乏有效的分歧协商与协商失败后的决策预案，导致模型稳健性和决策置信度不足的技术问题，本方案创造性地采用了多维共识模型输出麻醉深度等级预测结果，通过构建三种子网络结合辩论共识模块，保留各子网对特定神经生理信号和临床指标的敏感性，再通过辩论共识机制，对齐各模态的特征空间并参考彼此信息来修正判断，提升了对复杂、非典型病例的麻醉深度监测可靠性和可解释性。

45、（2）针对传统的全麻患者麻醉深度监测系统存在常仅关注预测的总体准确率，只能被动检查训练数据中不同群体的分布或整体性能差异，缺乏对模型决策是否受到人口统计学属性系统性影响的检测手段，使模型可能产生针对特定人群的系统性低估或高估麻醉深度，削弱了临床决策的普适性的技术问题，本方案创造性地采用了镜像生成对比方法检测多维共识模型是否因人口统计学属性产生偏见性预测，在维持原始病情特征不变的前提下，仅更改患者的人口统计学画像，生成医学合理的虚拟对照样本，检验模型决策是否因敏感属性而异化，为临床决策提供更好安全保障。