一种生理功能损伤风险预测方法、装置及设备与流程

本技术涉及辅助医疗，特别涉及一种生理功能损伤风险预测方法、装置及设备。

背景技术：

1、急性肾损伤（acute kidney injury，aki）是重症监护病房（intensive careunit，icu）高发、致死风险极高的危重病症，核心特征为肾功能短期内快速急剧衰退。现有临床诊断依赖血清肌酐、尿量阈值等指标判定，存在明显诊断滞后问题：待上述指标显著异常时，肾脏通常已发生不可逆实质性损伤。伴随结构化电子病历、人工智能技术迭代，依托icu 多源临床数据（电子病历、生命体征监护数据、临床文本诊疗记录）构建 aki 进展风险智能预警模型，已成为重症智能化诊疗领域的核心研究方向。

2、总体来看，现有技术已经从规则评分和统计模型，发展到基于结构化电子病历的机器学习预警，再进一步发展到基于临床诊疗文本与结构化时序数据融合的多模态智能预警。但是，在 icu急性肾功能恶化风险辅助预警场景中，结构化生理数据和临床诊疗文本数据具有明显的异步性：生理指标、检验结果和尿量记录的采样频率并不一致，临床诊疗文本也往往根据检查、会诊或病程变化不定时生成。对于肾功能损伤或其他类似生理功能损伤预测，如何在保留结构化时序动态和临床诊疗文本语义的同时，准确处理二者之间的时间差异，仍是现有技术需要进一步解决的问题。

技术实现思路

1、本技术的目的是提供一种生理功能损伤风险预测方法，用于解决如何在保留结构化时序动态和临床诊疗文本语义的同时，准确处理二者之间的时间差异问题。

2、第一方面，本技术实施例提供了一种生理功能损伤风险预测方法，所述方法包括：

3、获取多源临床数据并输入风险预测模型，所述多源临床数据包括结构化生理时序数据及观测时间、临床诊疗文本数据及其内部文本单元的记录时间；

4、通过风险预测模型基于所述结构化生理时序数据和观测时间进行编码，得到结构化时序表征；

5、通过所述风险预测模型基于所述临床诊疗文本数据及记录时间进行编码，得到文本时间感知表征；

6、通过风险预测模型基于所述观测时间与记录时间的差值，构建跨模态时间差矩阵，并将所述跨模态时间差矩阵映射为所述观测时间与文本单元对应的跨模态时间偏置项；

7、通过风险预测模型基于所述结构化时序表征与文本时间感知表征，采用双向交叉注意力机制进行双向融合，融合过程中利用所述跨模态时间偏置项修正融合注意力权重；

8、通过风险预测模型基于双向融合后的特征得到跨模态联合表征，基于所述跨模态联合表征输出功能损伤风险概率。

9、在一些可能的实施例中，该方法还包括：

10、通过风险预测模型基于所述跨模态联合表征，预测并输出未来时间的关键指标轨迹；

11、确定所述关键指标轨迹映射的轨迹恶化风险概率；

12、评价所述功能损伤风险概率与所述轨迹恶化风险概率的一致性。

13、在一些可能的实施例中，所述生理功能损伤为肾损伤，所述关键指标包括血清肌酐、尿量。

14、在一些可能的实施例中，所述基于所述结构化生理时序数据和观测时间进行编码，得到结构化时序表征，包括：

15、确定所述结构化生理时序数据中的生理变量，在任一观测时间的结构化时间有效性表征，所述结构化时间有效性表征包括观测值、缺失掩码和时滞量；

16、将不同观测时间的结构化时间有效性表征分别进行编码，并按照时间顺序排列得到所述结构化时序表征；

17、其中，所述观测值为真实或填充的观测值，所述缺失掩码用于表示所述观测值是否真实，所述时滞量用于表示距离上一次真实的观测值的时间。

18、在一些可能的实施例中，所述基于所述临床诊疗文本数据及记录时间进行编码，得到文本时间感知表征，包括：

19、对任一文本单元，确定所述文本单元与其他文本单元的时间间隔；

20、基于所述时间间隔构建多维多项式时间基底，对所述多维多项式时间基底进行映射变换，生成时间偏置权重矩阵；

21、将所述时间偏置权重矩阵作为时间偏置项，采用带时间偏置项的时间感知自注意力编码方式，对所有文本单元进行编码，得到文本时间感知表征。

22、在一些可能的实施例中，所述基于所述观测时间与记录时间的差值，构建跨模态时间差矩阵，包括：

23、将任一所述观测时间与任一记录时间的差值作为跨模态差值，得到跨模态时间差矩阵；或者

24、将任一所述观测时间与任一记录时间的差值绝对值作为跨模块差值，得到跨模态时间差矩阵。

25、在一些可能的实施例中，所述将所述跨模态时间差矩阵映射为所述观测时间与文本单元对应的跨模态时间偏置项，包括：

26、将所述跨模态时间差矩阵中的跨模态差值归一化处理后，构建所述跨模态差值对应的时间差特征向量；

27、利用映射函数将所述时间差特征向量进行映射，得到任一观测时间与任一文本单元对应的跨模态时间偏置项；

28、所述时间差特征向量包括常数项、带方向的时间差、时间距离及时间衰减指数，所述时间衰减指数用于表示随时间距离增大而衰减的时间接近程度。

29、在一些可能的实施例中，所述采用双向交叉注意力机制进行双向融合，融合过程中利用所述跨模态时间偏置项修正融合注意力权重，包括：

30、在结构化时序查询文本的方向，将所述结构化时序表征作为查询端，将所述文本时间感知表征作为键值端，利用注意力机制确定第一注意力分数，并利用跨模态时间偏置项修正所述第一注意力分数；

31、对修改后的第一注意力分数进行归一化，得到第一融合注意力权重，利用所述第一融合注意力权重对所述文本时间感知表征加权后与所述结构化时序表征进行融合；

32、在文本查询结构化时序的方向，将所述文本时间感知表征作为查询端，将所述结构化时序表征作为键值端，利用注意力机制确定第二注意力分数，并利用跨模态时间偏置项修正所述第二注意力分数；

33、对修正后的第二注意力分数进行归一化，得到第二融合注意力权重，利用所述第二融合注意力权重对所述结构化时序表征加权后与所述文本时间感知表征进行融合。

34、在一些可能的实施例中，该方法还包括：

35、基于任一观测时间与任一文本单元对应的跨模态时间差及所述融合注意力权重，确定所述观测时间与文本单元的证据关联分数；

36、基于所述证据关联分数，选择并输出符合配对要求的观测时间与文本单元形成的证据配对。

37、在一些可能的实施例中，该方法还包括：

38、获取训练样本，所述训练样本包括多源临床数据样本、标注的风险标签和关键指标轨迹标签；

39、将所述训练样本输入待训练的风险预测模型，输出功能损伤风险预测概率和关键指标预测轨迹；

40、根据所述功能损伤风险预测概率与标注的风险标签的差异、所述关键指标预测轨迹和关键指标轨迹标签的差异确定损失函数；

41、利用所述损失函数对所述风险预测模型进行模型参数调整。

42、在一些可能的实施例中，该方法还包括：

43、利用轨迹恶化风险映射函数，将所述关键指标预测轨迹映射为轨迹恶化风险预测概率；

44、通过距离度量函数确定所述轨迹恶化风险与功能损伤风险的一致程度，以所述一致程度满足要求为目标进行模型参数调整。

45、在一些可能的实施例中，所述训练样本还包括单模态样本，所述单模态样本仅包括结构化生理时序数据、观测时间、标注的风险标签和关键指标轨迹标签；所述方法还包括：

46、根据利用所述多模态样本与利用所述单模态样本得到的功能损伤风险预测概率差异、关键指标预测轨迹差异，确定一致性损失；

47、利用所述一致性损失对所述风险预测模型的模型参数进行调整。

48、第二方面，本技术实施例提供了一种生理功能损伤风险预测装置，所述装置包括：

49、数据输入模块，用于获取多源临床数据并输入风险预测模型，所述多源临床数据包括结构化生理时序数据及观测时间、临床诊疗文本数据及其内部文本单元的记录时间；

50、第一编码模块，用于通过风险预测模型基于所述结构化生理时序数据和观测时间进行编码，得到结构化时序表征；

51、第二编码模块，用于通过所述风险预测模型基于所述临床诊疗文本数据及记录时间进行编码，得到文本时间感知表征；

52、时间偏置模块，用于通过风险预测模型基于所述观测时间与记录时间的差值，构建跨模态时间差矩阵，并将所述跨模态时间差矩阵映射为所述观测时间与文本单元对应的跨模态时间偏置项；

53、双向融合模块，用于通过风险预测模型基于所述结构化时序表征与文本时间感知表征，采用双向交叉注意力机制进行双向融合，融合过程中利用所述跨模态时间偏置项修正融合注意力权重；

54、风险预测模块，用于通过风险预测模型基于双向融合后的特征得到跨模态联合表征，基于所述跨模态联合表征输出功能损伤风险概率。

55、第三方面，本技术另一实施例还提供了一种生理功能损伤风险预测设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术实施例提供的任一生理功能损伤风险预测方法。

56、第四方面，本技术另一实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行本技术实施例提供的任一生理功能损伤风险预测方法。

57、本技术实施例提供的生理功能损伤风险预测方法，能够在 icu 多源临床数据不规则采样、临床诊疗文本异步生成的条件下，实现结构化生理时序与临床诊疗文本之间的显式时间对齐和双向信息融合，从而提高急性肾功能恶化风险辅助预警的时间敏感性、稳定性和生理合理性。

58、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。