一种早产儿院外生长发育智能评估与个性化干预方法及系统与流程

本发明涉及医疗健康信息处理领域，尤其涉及一种早产儿院外生长发育智能评估与个性化干预方法及系统。

背景技术：

1、早产儿是指胎龄不足37周即出生的新生儿，由于其在宫内发育时间不足，各器官系统的成熟度普遍低于足月儿，出生后面临着体格生长滞后、神经发育迟缓、营养代谢障碍以及免疫功能薄弱等多方面的发育挑战。随着围产医学技术的进步，早产儿的院内存活率已获得显著提升，但出院后的居家照护阶段仍然是决定早产儿远期发育预后的关键时期。在这一阶段，早产儿需要经历一个被称为"追赶性生长"的特殊发育过程，即从出生时显著落后于足月儿的初始状态，逐步向足月儿的正常发育水平靠拢。追赶性生长的质量和节奏直接影响早产儿在体格发育、神经行为发育、认知能力等维度上的长期结局，因此对早产儿院外生长发育进行科学、精准的动态评估与及时干预，具有重要的临床意义和社会价值。

2、但现有技术在早产儿院外生长发育评估与干预领域面临着评估基准静态、维度判断孤立、风险识别单路径、干预策略开环以及缺失数据处理粗放等多方面的技术瓶颈，亟需一种能够系统性解决上述问题的智能化评估与干预技术方案。

技术实现思路

1、本发明目的之一在于提供一种早产儿院外生长发育智能评估与个性化干预方法，以解决现有技术中早产儿居家护理环境下对各生理指标进行单维度孤立阈值判断而忽略指标间非线性耦合关系导致高误报率的问题。

2、本发明通过下述技术方案实现，一种早产儿院外生长发育智能评估与个性化干预方法，包括如下步骤：获取知识图谱，所述知识图谱包括：基准锚点节点、病理风险节点和干预动作节点，所述基准锚点节点包括与纠正胎龄相关联的标准基线值和动态公差带属性；通过人机交互界面获取早产儿的第一数据集，其中，所述第一数据集包括日常生理行为数据和当前纠正胎龄数据；基于确定性映射规则对所述第一数据集进行格式化处理，生成携带时间戳和多维属性特征的实时实例节点集合；根据所述当前纠正胎龄数据，从所述知识图谱中确定匹配的所述基准锚点节点，并根据所述实时实例节点集合与匹配的所述基准锚点节点之间的偏离关系生成多维偏差向量；基于所述多维偏差向量，在所述知识图谱中确定与早产儿当前生长发育状态相关的所述病理风险节点和所述干预动作节点，生成综合评估结果和干预策略树；根据所述干预策略树，通过所述人机交互界面输出包含确定性执行步骤的个性化干预方法。

3、进一步地，获取所述知识图谱包括：获取早产儿随访临床指南、营养学文献和康复医学数据；根据预设的医学词典对获取的文本数据进行分词与词性标注；基于依存句法分析提取语义三元组，所述语义三元组包括主体实体、关系属性和客体实体；为各个所述语义三元组分配多维权重矩阵，所述多维权重矩阵的参数依据临床证据等级进行赋值；将包含所述多维权重矩阵的所述语义三元组实例化为有向图结构，得到所述知识图谱。

4、进一步地，所述基准锚点节点中各生理维度的所述标准基线值为动态基准锚点值，所述动态基准锚点值通过以下方式确定：获取足月儿在相同纠正胎龄下对应生理维度的标准临床基线值；获取该早产儿出生时在对应生理维度上与足月儿标准值之间的初始发育落差；获取对应生理维度的追赶速率常数；以所述标准临床基线值减去所述初始发育落差经指数衰减后的修正量，得到所述动态基准锚点值，其中，所述指数衰减的衰减速率由所述追赶速率常数确定，且所述修正量随纠正胎龄的增大而趋近于零；不同的生理维度配置不同的追赶速率常数，所述追赶速率常数从所述知识图谱中的临床指南数据提取。

5、进一步地，在多维权重矩阵中，属于高等级随机对照试验或系统综述级别临床证据的关系边被赋予最高的权重值，属于专家共识或病例报告级别临床证据的关系边被赋予较低的权重值。

6、进一步地，基于确定性映射规则对所述第一数据集进行格式化处理包括：解析所述日常生理行为数据，将其解耦为定量数值型数据与定性描述型数据；根据所述当前纠正胎龄数据，对所述定量数值型数据进行时间序列对齐，将基于出生日期记录的数据时间戳重新映射到纠正胎龄时间轴上；采用预定义的数据结构，构建所述实时实例节点集合中的各实时实例节点，所述预定义的数据结构包括唯一标识符字段、节点当前值字段、时间戳字段以及指向所属纠正胎龄的所述基准锚点节点的指针字段。

7、进一步地，定性描述型数据包括早产儿的大运动表现数据，针对所述大运动表现数据的映射处理包括：将所述大运动表现数据输入至预设的分类编码树中，所述分类编码树的根节点为身体部位，中间节点为运动类别，叶子节点为基于运动生物力学定义的离散运动状态码；通过精确字符串匹配将所述大运动表现数据转换为对应的所述离散运动状态码；将所述离散运动状态码作为多维属性特征之一写入对应实时实例节点的所述节点当前值字段中。

8、进一步地，多维偏差向量通过如下步骤生成：对每个生理维度独立计算归一化偏差分量，所述归一化偏差分量为该维度的实例值与匹配的所述基准锚点节点中该维度的标准基线值之差除以该维度在当前纠正胎龄下的所述动态公差带属性中的公差区间宽度所得到的无量纲值；由各维度的归一化偏差分量组成所述多维偏差向量。

9、进一步地，综合评估结果的生成包括：对各维度的归一化偏差分量的绝对值进行加权求和，得到综合偏差模长，其中，加权求和时采用维度基准权重和多维耦合因子，所述维度基准权重随纠正胎龄变化以体现不同发育阶段各维度重要性的差异，所述多维耦合因子根据所述实时实例节点集合中其他维度的状态对当前维度的偏差惩罚力度进行动态调节。

10、进一步地，多维耦合因子被配置为：当所述实时实例节点集合中大运动状态指标处于异常活跃水平时，降低营养相关维度对应的所述多维耦合因子的值；当所述大运动状态指标未显示活跃信号时，保持所述营养相关维度对应的所述多维耦合因子在较高水平。

11、进一步地，所述病理风险节点，还包括：将所述综合偏差模长与动态约束阈值进行比较以判定是否触发异常标记；所述动态约束阈值由基础容错常量与出生体重补偿因子之和确定，所述出生体重补偿因子根据足月儿标准参考出生体重与该早产儿实际出生体重之比确定且随纠正胎龄按指数衰减；当所述综合偏差模长超过所述动态约束阈值时，判定当前时刻产生异常激发态。

12、进一步地，当判定产生异常激发态时，在所述知识图谱中确定相关的病理风险节点和干预动作节点包括：将超出动态约束阈值的实时实例节点标记为激发态节点；从各个所述激发态节点出发，在所述知识图谱中沿出度方向进行深度优先遍历，所述深度优先遍历的搜索深度受限于预设的跳数上限；在遍历过程中，当多个所述激发态节点的遍历路径在同一所述病理风险节点发生汇聚时，增加该病理风险节点的置信度积分。

13、进一步地，置信度积分通过以下方式计算得到：对于每一个所述激发态节点，将该激发态节点的归一化偏差分量的绝对值作为信号强度，沿从该激发态节点到目标病理风险节点的所有可达有向路径进行传导；每条路径上的信号强度按照各有向边的传导权重系数逐级衰减，所述传导权重系数由所述知识图谱中对应有向边的临床证据等级确定；将来自所有所述激发态节点经由所有可达有向路径传导至同一目标病理风险节点处的信号能量进行累加求和，得到该病理风险节点的所述置信度积分。

14、进一步地，干预策略树的生成包括：选取所述置信度积分超过预设提取阈值的所述病理风险节点；遍历选取的各所述病理风险节点关联的所述干预动作节点；根据干预优先度指标对各所述干预动作节点进行排序，所述干预优先度指标为对应的所述病理风险节点的所述置信度积分与从该病理风险节点到对应干预动作节点之间关系边的传导权重系数的乘积；基于排序结果生成所述干预策略树。

15、进一步地，所述干预策略树还包括结构化硬件控制指令：解析所述干预动作节点中附带的设备参数配置文件；根据所述设备参数配置文件生成包含目标环境参数设定值的确定性控制报文；将所述确定性控制报文通过本地网络下发至与系统绑定的智能家居设备网关，以执行物理环境干预。

16、进一步地，当第一数据集在预设的时间窗口内存在生理维度的缺失值时，所述个性化干预方法还包括：调取该早产儿在当前纠正胎龄之前多个时间周期的历史实例节点序列；根据所述历史实例节点序列计算该维度的相对发育动量，所述相对发育动量为该早产儿在所述历史实例节点序列中该维度的实际生长斜率与同期所述基准锚点节点中该维度的标准基线值变化斜率之比；以该维度上一时刻的真实测量值加上所述基准锚点节点中该维度在当前时段的标准基线值增量与所述相对发育动量的乘积，得到该缺失维度在当前时刻的推导值；将携带所述推导值的替代实例节点标记为低置信度状态。

17、进一步地，标记为所述低置信度状态的替代实例节点在所述知识图谱中进行有向图遍历时所允许的最大跳数小于真实测量节点的跳数上限。

18、进一步地，当所述基准锚点节点中该维度在历史窗口内的标准基线值变化量低于预设的最小变化量阈值时，将所述相对发育动量设为默认值1。

19、进一步地，个性化干预方法还包括：基于闭环反馈的策略调整逻辑：在输出个性化干预方法后的预设周期内，通过人机交互界面采集照护者对所述干预动作节点的执行确认指令；统计滑动时间窗口内各干预动作节点的依从性比例，所述依从性比例为该干预动作节点被实际执行的次数与被系统推荐的次数之比；当某一干预动作节点的依从性比例低于预设的最低依从性阈值时，触发降级寻径指令。

20、进一步地，触发降级寻径指令包括：对依从性比例低于最低依从性阈值的干预动作节点与对应的病理风险节点之间的关系边权重施加惩罚更新，更新后的关系边权重为原始关系边权重乘以惩罚衰减因子的惩罚指数次幂，所述惩罚指数为所述最低依从性阈值与该干预动作节点的所述依从性比例之比；在下一次执行所述干预策略树的生成时，基于更新后的关系边权重重新计算所述干预优先度指标，以使低依从性的干预动作节点在排序中沉降，并使执行成本更低的替代干预动作节点上浮。

21、本发明另一方面提供了一种早产儿院外生长发育智能评估与个性化干预系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的任一种早产儿院外生长发育智能评估与个性化干预方法。

22、本发明与现有技术相比，具有如下的优点和有益效果：

23、1、本发明通过构建包含基准锚点节点、病理风险节点和干预动作节点的知识图谱，将早产儿随访临床指南、营养学文献和康复医学数据进行结构化表达，使评估和干预过程具备医学知识依据和路径可解释性。

24、2、本发明基于当前纠正胎龄数据确定基准锚点节点值和动态公差带属性，使评估基准能够随早产儿追赶性生长过程动态变化，减少因静态标准不匹配造成的异常误报；并通过多维偏差向量、跨维度耦合关系和动态约束阈值综合判断早产儿当前状态，能够区分偶发性单指标波动与具有系统性特征的异常风险，提高评估结果的准确性和稳定性。

25、3、本发明在数据缺失场景中结合历史实例节点序列和相对发育动量推导替代当前值，并对替代数据设置低置信度状态，有利于降低漏录数据对图谱推理结果的不利影响，同时根据病理风险节点和干预动作节点生成干预策略树，并结合执行确认指令和依从性比例对干预策略进行降级寻径调整，使输出的个性化干预方法兼顾医学合理性和居家可执行性。