一种基于智能体和多源临床数据融合的静脉血栓栓塞症风险快速评估方法与流程

本发明涉及人工智能与医疗信息处理，具体涉及一种基于智能体和多源临床数据融合的静脉血栓栓塞症风险快速评估方法。

背景技术：

1、静脉血栓栓塞症（venous thromboembolism，vte）是住院患者常见且高危的并发症，临床常用的vte风险评估体系包括caprini、padua、wells、rcog等，其条目细化、逻辑复杂，对患者诊疗过程中的时间序列、病情特征和操作记录均有严格要求。但这些量表均以自然语言进行描述，不具有机器可直接理解的语义结构，使自动化评估难以落地。

2、随着医院信息系统（hospital information system，his）、电子病历系统（electronic medical record，emr）、检验信息系统（laboratory information system，lis）、影像归档与通信系统（picture archiving and communication system，pacs）等快速发展，医疗机构已积累了大量结构化与非结构化临床数据。但由于系统间的数据格式、命名方式与编码标准不统一，vte风险评估所需的信息分散在多个系统中，难以实现自动整合与准确识别。

3、当前多数医疗机构的vte风险评估仍高度依赖人工操作。医护人员需从his、emr、lis、pacs等多个系统中逐项查找信息，手工匹配量表条目并计算得分。此类方式不仅工作量大、依赖人工经验，而且评估结果易受主观判断影响，难以保证一致性。同时，人工评估需要在多平台间频繁切换，重复劳动显著增加医护负担。

4、目前临床实际工作中，vte 风险评估普遍存在以下问题：

5、（1）风险因子难以在多源系统中快速定位与整合：评估所需信息分散在 his、emr、lis、pacs等多套系统中，缺乏统一的数据访问与整合机制，导致人工查阅耗时且数据利用率低。

6、（2）人工填表依赖逐项判断，评估效率低且一致性不足：临床人员需根据评分体系人工判断患者是否满足各项条件，流程繁琐、易受主观影响，难以保证评估结论的一致性与准确性。

7、（3）评估结果缺乏系统化管理，不利于院内协作与持续质控：风险因子、评分结果与推荐方案未形成统一记录与结构化存储，不支持跨科室共享、智能质控或随访管理，影响整体管理效率。

8、（4）缺乏溯源机制，评估过程无法审计与复核：当前评估无法清晰记录每个风险因子的来源、解析链路及依据规则，缺乏全链路追踪能力，导致评估过程透明度与可审计性不足。

9、目前，已有关于vte风险的研究主要聚焦于临床评分量表优化、机器学习预测模型、多组学与遗传易感性分析、以及基于时间序列的事件预测等多个方向，但整体仍缺乏能够在真实临床环境中高效整合多源数据并自动完成评估的统一方法。例如，公开号cn112259232b公布了一种基于深度学习的vte风险自动评估系统，该专利包括第一分析模块，根据预设的vte知识图谱，基于患者与所有风险项目相关的信息，得到患者所有非结构化风险指标被选中的概率；第二分析模块，基于患者与某个非结构化风险指标相关的信息，得到患者的某非结构化风险指标被选中的概率；第一判断模块，基于第一分析模块和第二分析模块的结果，判断非结构化风险指标是否被选中；第二判断模块，判断结构化风险指标是否被选中；风险项目评估模块，基于第一判断模块和第二判断模块的判断结果，当任意一个风险指标被选中时，判定该风险项目有风险；本公开大大降低了护理人员的工作量，提高了vte风险评估的准确率。另有公开号cn120954726a提出基于 vte-prs-15的遗传风险评估方法及检测试剂盒，通过检测15个与vte相关的基因位点并结合caprini量表进行综合分层，虽提高了中国人群vte遗传风险评估的精度，但依赖专门基因检测，未利用现有his、emr、lis、pacs 中的实时临床数据，缺少面向床旁场景的自动数据整合、动态评分及结果溯源机制。因而尚无法在常规临床环境中实现对住院患者vte风险的快速、自动、可解释的一体化评估。

技术实现思路

1、针对上述不足，本发明提出了一种基于智能体和多源临床数据融合的静脉血栓栓塞症风险快速评估方法，所述方法包括以下步骤：

2、s1、基于模型上下文协议mcp封装多源医院信息系统接口，构建可由智能体自动调用的标准化数据访问工具；

3、s2、构建vte数据探查智能体，根据既定评分体系自动完成任务拆解和数据需求规划，并在统一上下文中选择和调度相应mcp工具，对多源医院信息系统数据进行清洗、结构化与语义标准化处理；

4、s3、实体抽取与风险因子识别，在s2处理后输出的统一数据上下文的基础上执行，该统一数据上下文包含经清洗标准化的结构化数据、归一化处理的非结构化文本片段以及按时间顺序组织的临床事件链，作为实体识别与逻辑判断的统一输入，该系统基于规则知识与大模型语义能力，从上述统一输入中自动完成临床实体抽取与风险因子识别，并与评分条目进行语义对齐，生成初步的结构化风险因子列表；

5、s4、对抽取的风险因子执行多维度校核，包括语义一致性校验、时序逻辑校验、跨数据源一致性比对，对矛盾点自动修正并标记，输出校验后的风险因子集和校核结果记录；

6、s5、构建vte评估智能体，基于风险因子自动生成并填写vte风险评估表单，按评分规则计算总分与风险等级，并同步生成相应的抗凝方案与随访建议；

7、s6、构建风险因子与其数据来源、解析路径和评分依据的溯源链，实现评估结果的可解释、可追溯与可复核展示。

8、优选地，s1中多源医院信息系统包括医院信息系统his、电子病历系统emr、检验信息系统lis、影像归档与通信系统pacs，由多源医院信息系统构建可由智能体自动调用的标准化数据访问工具。

9、优选地，构建可由智能体自动调用的标准化数据访问工具；具体包括以下步骤：

10、s1-1、多源医疗数据能力抽取与统一服务构建，针对vte风险评估所需的关键数据类型，系统首先对医院现有的多源系统数据进行结构化归类；

11、梳理医院信息系统his、电子病历系统emr、检验信息系统lis、影像归档与通信系统pacs、病程记录系统pn、医嘱信息系统ord业务系统的数据入口后，系统依据医疗业务语义将同类数据能力聚合，形成粗粒度的数据访问服务；通过该步骤，将原本分散、格式各异的数据访问接口整合为一组语义一致、逻辑清晰的服务集合；

12、        （1）

13、公式（1）中，每个mcp均采用结构化语义描述形式声明其访问能力：公式（1）中，mcp表示本发明构建的多源数据访问工具集合，每个mcpi均对应一个结构化数据访问能力单元，用于封装医院信息系统his、电子病历系统emr、检验信息系统lis、影像归档与通信系统pacs、病程记录系统pn、医嘱信息系统ord的数据访问能力；

14、s1-2、服务注册与标准化接口定义，在完成s1-1的粗粒度的数据访问服务构建后，系统将各服务的功能说明、输入条件、输出内容及适用范围登记至统一的服务目录，使其成为可自动发现、可复用的标准化能力单元；

15、                   （2）

16、公式（2）中，s1, s2,…,sn表示系统在前述步骤中已构建的各项结构化服务任务，按执行顺序依次编号，用于统一表示不同服务的语义化定义，desc(si)表示第i项服务的结构化语义描述，包含该服务的功能说明、输入条件、输出内容及适用范围；r为所有服务语义描述的聚合结果，用于形成系统级统一的服务语义空间。

17、随后为每项服务生成规范化接口定义，明确调用参数格式、返回字段结构及调用方式，确保vte评估流程在调用不同来源系统数据时具备一致的交互方式。

18、             （3）

19、公式（3）中，mcp_services 表示经封装后可直接调用的mcp数据服务集合；mcp_interfaces 表示与服务对应的标准化接口规范集合，用于约束输入参数格式、返回字段结构及调用模式；r为公式（2）定义的服务语义描述聚合结果，三者共同构成数据访问抽象层，在语义空间与数据访问空间之间建立统一映射关系，使 vte 评估流程在跨医院信息系统his、电子病历系统emr、检验信息系统lis、影像归档与通信系统pacs调用数据时具备一致的访问方式。

20、优选地，vte风险评估所需的关键数据类型包括诊断、手术、检验、影像、用药、医嘱、护理记录、生命体征，多源系统数据进行结构化归类包括数据库表、电子病历文本、检验/影像报告及各类表格文件。

21、优选地，s2中构建vte数据探查智能体，根据既定评分体系自动完成任务拆解和数据需求规划，并在统一上下文中选择和调度相应mcp工具，对多源数据进行清洗、结构化与语义标准化处理，具体包括以下步骤：

22、s2-1、vte数据整合智能体构建，构建用于自动化vte评估的智能体框架，智能体由输入解析模块、任务调度模块、逻辑执行模块与记忆模块组成，各模块通过共享缓存与异步任务队列实现协同运行；

23、（1）输入解析模块：用于识别评估场景与适用评分体系（caprini、padua、rcog等），解析各体系对应的变量定义、数据依赖与验证要求；将自然语言形式的评估任务映射为结构化任务单元，生成包含变量项、约束条件及数据调用需求的机器可执行任务描述；

24、（2）任务调度模块：依据输入解析模块生成的任务描述自动构建任务链路，完成变量与mcp工具的绑定关系推断；根据变量依赖顺序生成数据访问与处理的执行计划，并在统一上下文中调度相关mcp工具，以支持多源数据的同步提取与预处理；

25、（3）逻辑执行模块：按照任务调度模块确定的执行计划，对获取的数据逐步执行结构化处理流程，包括数据清洗、语义规范化、字段标准化与依赖校验等逻辑操作，生成可用于风险因子解析的标准化数据输入；

26、（4）记忆模块：记录输入解析结果、变量与工具的绑定关系、处理中间状态以及上下文缓存信息，对已解析变量与已完成子任务进行存储，以支持跨步骤复用、减少重复调用并维持评估过程的上下文一致性；

27、                 (4)

28、公式（4）中，表示用于自动化 vte 评估的数据整合智能体；为输入解析模块，负责解析评估任务与评分体系；为任务调度模块，负责构建任务链路并调度 mcp 工具；为逻辑执行模块，负责数据清洗、标准化与依赖校验；为记忆模块，负责记录上下文缓存与中间状态，通过对智能体结构的形式化表示，便于在后续步骤中以统一方式引用与扩展各模块能力；

29、s2-2、风险因子定位与数据源确定，系统根据所选评分体系的条目要求，首先明确需要抽取的风险因子范围，随后依据每个因子的触发条件，在统一数据上下文中定位其原始来源，并选择能够提供该类信息的对应mcp工具，通过因子—来源—工具的自动映射，形成结构化的数据需求清单，为后续的数据抓取和处理奠定基础；

30、                           (5)

31、公式（5）中，表示第 i 个风险因子；source() 表示该因子对应的原始数据来源系统；tool() 表示支持该因子访问的数据能力工具；map() 用于建立因子与数据来源及工具之间的绑定关系，确保风险因子能够被系统自动定位与调取；

32、s2-3、基于mcp工具的数据抓取与执行，系统根据s2-2生成的数据需求清单，调用相应的mcp工具从多源系统中提取结构化与非结构化数据，抓取的数据在输入后自动经过清洗、格式统一、时间戳校准与文本分段处理，去除冗余字段和异常记录，并对不同系统的数据进行基础对齐，确保其能够在后续步骤中被一致地识别与引用；

33、s2-4、数据结构化处理与风险因子对齐，在数据抓取完成后，系统将多源输入统一转化为结构化上下文，包括标准化字段格式、事件链序列以及归一化后的文本片段，并对多源记录进行交叉确认，形成可用于风险因子解析的数据。同时更新内部记忆模块，保持各变量的已解析状态和数据依赖关系，为下一阶段的风险因子识别提供一致、完整的输入；

34、                              (6)

35、公式（6）中，表示用于vte风险评估的统一数据上下文；为经过清洗与标准化后的结构化数据集合，是风险因子判断中执行规则触发、数值比较、事件定位的重要依据；为经过切分与归一化处理的非结构化文本片段集合，用于补充结构化数据难以覆盖的语义信息；为按时间顺序组织的临床事件序列，用于支持时序逻辑校验和事件链重构；

36、优选地，s3中实体抽取与风险因子识别，在s2输出的统一数据上下文的基础上执行，该统一数据上下文包含经清洗标准化的结构化数据、归一化处理的非结构化文本片段以及按时间顺序组织的临床事件链，作为实体识别与逻辑判断的统一输入；系统基于规则知识与大模型语义能力，从上述输入中自动完成临床实体抽取与风险因子识别，并与评分条目进行语义对齐，生成初步的结构化风险因子列表；具体包括以下步骤：

37、s3-1、目标实体集合构建，本步骤在s2-2已识别的风险因子范围的基础上，进一步构建结构化的目标临床实体集合，系统依据所选评分体系，及其在s2-2中完成的“因子—来源—工具”映射结果，对每一个风险因子对应的临床实体类型及其触发条件进行标准化整理；在此基础上，系统生成可用于实体抽取的统一目标实体集合，明确每类实体的语义定义、取值规则与边界条件，为后续自动抽取、规则匹配与特征生成提供一致的标准化目标集；

38、s3-2、临床实体抽取，在统一数据上下文中，系统对结构化数据完成规则可直接映射的实体抽取，同时利用规则模板与大模型语义能力对 执行语义识别，提取难以从结构化数据中直接获得的风险因素，从而形成与评分体系对应的基础实体集；

39、    (7)

40、公式（7）中，e表示从患者病历中抽取的临床实体集合；每一个实体被定义为一个完整的语义单元，其中typei表示实体类型，用于区分不同临床概念，valuei表示实体的具体取值或内容，timei表示该实体对应的发生时间或记录时间，sourcei表示实体来源的数据系统或文档，confidencei表示实体抽取结果的可信度或置信评分，用于反映规则匹配或语义识别的可靠程度；通过上述定义，系统将原始抽取结果由简单字段值扩展为具备类型、时间、来源与可信度信息的结构化语义实体，为后续风险因子映射、多维校核与溯源链构建提供统一且完备的基础语义单元；

41、s3-3、实体与评分因子映射，在结构化建模过程中，系统将抽取的实体与各评分体系的具体评分条目进行对齐；映射过程将经抽取与校核的临床信息转换为结构化表达，内容包括：因子类别、触发条件、对应评分体系和分值以及其来源的数据证据，形成结构化的初步风险因子列表；

42、             (8)

43、公式（8）中，表示结构化的风险因子映射集合；每一个风险因子被定义为一个完整的评分因子实例，其中表示由前述步骤抽取并校核的临床实体，表示该因子在对应评分体系中的触发条件或判定规则，表示支持该因子成立的数据证据集合，包括原始字段、文本片段及时间记录，表示该因子所属的具体评分体系，表示该因子在对应评分体系中的分值或权重，通过上述定义，系统将抽取的临床实体与评分条目、触发条件及证据来源进行统一建模，形成具备可计算性、可解释性与可溯源性的结构化风险因子列表，为后续多维校核、评分计算与结果解释提供标准化输入。

44、优选地，s4中所述对抽取的风险因子执行多维度校核，包括语义一致性校验、时序逻辑校验、跨数据源一致性比对，对矛盾点自动修正并标记，输出校验后的风险因子集和校核结果记录，具体包括以下步骤：

45、s4-1、规则校核与语义一致性验证，系统对s3输出的风险因子执行语义一致性校核，检查因子是否符合评分条目的触发条件、含义界定、取值范围和适用场景；作为主要依据参与时序校核与字段一致性验证，则用于补全结构化数据缺失、消解跨源记录矛盾并增强语义一致性判断，校核过程通过对照指南定义与原始临床记录，验证风险因子是否真正满足条目要求，包括但不限于确认“长期卧床”是否达到量表要求的天数，“术后事件”是否发生在手术之后的有效时间内，“恶性肿瘤”是否属于活动期或仍影响当前风险，以及“年龄分组”是否落入正确分值区间，对于文本表述模糊、条件不足、时序不符或与条目定义不匹配的因子，系统将自动识别并剔除或标记为待复核项，从而确保风险因子与评分体系规则保持一致，并为后续评分提供可靠输入。

46、s4-2、时序合理性与跨源数据一致性校验；基于统一数据上下文，对风险因子的时间戳、事件链与触发条件执行时序校验，验证事件前后顺序、有效时间窗与临床逻辑的吻合性；同时利用多源数据进行交叉比对，识别时间冲突、内容缺失或跨系统记录不一致的问题，并对明显矛盾的因子自动修正或标记为需人工复核；

47、       (9)

48、公式（9）中， 表示风险因子语义合理性校核； 表示时间顺序校核； 表示跨来源一致性校核；三个条件均为真时 valid(fi)=true，因子有效；否则因子被标记为异常或需进一步校验；

49、s4-3、多维整合与风险因子有效性确认；系统整合语义校核、时序验证与跨源比对的结果，对全部风险因子进行有效性筛定，生成经校核的最终风险因子集；对于存在冲突但可通过规则消解的因子执行自动纠偏；对于仍存在不确定性的因子进行显式标注并输出校核结果记录；

50、                                   (10)

51、公式（10）中，表示经多维度校核后保留下来的最终有效风险因子集合；valid(fi) 为前述语义、时序与跨源一致性综合校核函数，当校核结果为 true 时，说明该因子在语义定义、时间逻辑与数据来源上均满足要求；对于经校核仍存在不确定性的风险因子，系统不会直接丢弃，而是将其标记为“待复核”状态并纳入单独的存疑因子集合；该集合不参与自动评分，但会与其来源数据、解析路径和校核结果一并保存，用于人工复核后根据需要重新纳入或排除，从而保证评估过程的可追溯性与可复用性。

52、优选地，s5所述构建vte评估智能体，基于已抽取的风险因子自动生成并填写vte风险评估表单，按评分规则计算总分与风险等级，并同步生成相应的抗凝方案与随访建议，具体包括以下步骤：

53、s5-1、vte评估智能体构建，构建面向自动评分与临床建议生成的vte评估智能体；智能体由评估规划单元、量表处理工具组、评估记忆单元与临床行动单元组成，通过统一上下文协同运行，完成从风险因子输入到风险分层与建议输出的全过程；

54、（1）评估规划模块：负责在加载校验后的风险因子后制定评估流程，包括根据对应的评分体系规划表单生成步骤、确定所需评分条目、评分计算路径及后续决策触发条件，为后续工具模块提供明确的执行指令；

55、（2）量表与评分处理模块：包括表单生成工具与评分计算工具，用于完成可计算表单的构建与评分执行；表单生成工具依据评分体系模板，将风险因子自动映射至量表条目，并对缺失字段按规则补全；评分计算工具根据量表规则完成分值计算与风险等级判定，输出结构化评分结果；

56、（3）临床决策模块：在评分结果和风险等级基础上自动生成临床建议；模块调用知识库中的预防与治疗规则，推导个体化的抗凝方案、物理预防措施、监测要求和复评时间；输出结果以结构化方式呈现，可直接用于临床决策或患者管理，实现评估向行动的闭环落地；

57、（4）评估记忆模块：承担评估过程中的短期与长期信息存储；短期记忆存放风险因子、字段映射结果、评分表单和计算中间状态；长期记忆保存指南规则、评分体系知识与临床路径内容；模块确保评估过程中数据连续性与执行结果可追溯性，为后续决策与溯源提供稳定依据；

58、s5-2、评估表单生成；系统在接收s4输出的风险因子后，调用表单生成工具，依据所选评分体系加载相应的量表模板，并将风险因子与标准条目进行逐项匹配；对能够明确对应的因子执行自动填充，对缺失条目按预设规则进行补全，形成结构化、可直接用于计算的vte评估表单；

59、s5-3、评分与风险等级计算，系统基于生成的结构化表单，调用评分计算工具，按照各评分体系的规则执行分值计算，包括条目得分、条件组合与累计求和，并依据预设阈值生成风险等级，评分过程采用统一的逻辑框架执行，保证不同量表间的计算路径清晰、规则一致、结果可追溯，最终输出包括条目得分、总分、风险等级及对应的判断依据，并同步写入评估上下文；

60、                         (11)

61、公式（11）中，表示患者的总体 vte 风险得分；表示第 个评分维度下的风险因子集合，不同评分维度之间相互独立；表示风险因子在对应评分体系中的分值或权重；为风险因子的触发指示变量，当且仅当其触发条件满足时取值为1，否则取值为0；约束条件用于保证同一评分维度内各风险因子的触发条件相互互斥，避免单个维度内因同时满足多个条件而导致分值重复累加，从而确保评分计算逻辑一致、结果可解释；

62、                            (12)

63、公式（12）中，、 为预设风险阈值；score 为公式（7）计算的总分；risk 为最终判定的风险等级，该公式实现对患者 vte 风险的自动化分层分类；

64、s5-4、临床建议生成，系统在完成评估表单和风险等级判定后，根据评分结果与关键风险因子的组合，自动生成个体化的预防与治疗建议，内容涵盖药物或非药物的预防措施、抗凝用药选择与监测要求、物理预防方式及推荐复评时间，建议的推导基于长期记忆知识完成判断；

65、                                         (13)

66、公式（13）中，plan表示系统生成的个体化临床建议集合，包括抗凝方案、物理预防措施、监测要求和复评时间；score 为前述 vte 总评分；为从全部有效风险因子中选取的关键因子子集；函数g(·)表示基于指南规则与知识库的决策映射过程，将“评分等级+ 关键因子模式”映射为具体的临床行动方案，从而实现从量化评估到可执行建议的自动闭环。

67、优选地，s6所述构建风险因子与其数据来源、解析路径和评分依据的溯源链，实现评估结果的可解释、可追溯与可复核展示，具体包括以下步骤：

68、s6-1、溯源要素归集，从整个评估流程中自动收集与风险因子相关的关键要素，系统在统一上下文中记录各项证据信息，形成可用于后续溯源的基础证据集；

69、s6-2、溯源链构建，基于证据集内容，将风险因子、数据来源、解析步骤、推理逻辑和评分依据按时间顺序与语义依赖关系组织为链式结构，系统自动生成“因子—数据—解析—规则”全路径映射，实现从原始记录到最终评分结果的连续、结构化溯源链；

70、                                (14)

71、公式（14）中，trace 表示针对单次 vte 风险评估构建的溯源链条；每个 为溯源链中的一个节点，包含风险因子、原始数据来源、解析步骤、所用评分条目及对应分值等关键信息；通过将节点按执行顺序与依赖关系组织为序列结构，系统能够完整记录“从原始数据到最终评分与建议”的全路径，为事后审计、结果解释与人工复核提供可视化、可验证的证据链；

72、s6-3、可解释性输出与复核展示，将构建完成的溯源链转换为可审计的可解释输出，输出结果支持临床人员复核、质控检查以及人工审计，确保评估结果具有可解释性、可追溯性与可复核性。

73、本发明的有益效果：

74、本发明构建面向vte风险评估的数据整合智能体，可根据不同评分体系自动规划数据需求、定位数据来源并调用对应mcp工具，完成结构化与非结构化数据的清洗、标准化与语义对齐，为风险因子解析提供稳定、统一的数据基础。

75、本发明构建完整的vte评估结果溯源链，使每一风险因子、评分条目及临床建议均可回溯至原始数据、解析过程和依据规则，为结果解释、质量管理和人工复核提供透明、可审计的证据支撑，显著增强系统的可信度与临床可用性。