一种基于机器学习的低血糖诱导闭环调控方法及系统与流程

本发明涉及机器学习辅助医疗闭环调控领域，尤其涉及一种基于机器学习的低血糖诱导闭环调控方法及系统。

背景技术：

1、在医疗监护与自动输注控制领域，低血糖诱导调控需要在特定治疗目的下，将待调控对象的血糖水平引导至目标低血糖区间，并在调控过程中避免血糖过度下降及心电异常等安全风险。随着连续血糖监测、心电监护及输液泵控制技术的发展，低血糖诱导过程已具备实时采集生理数据和执行药物输注的基础条件。

2、然而，现有低血糖诱导调控方式多依赖医护人员经验进行剂量设定和人工调整，控制过程通常以当前血糖值或固定输注规则为依据，难以充分考虑血糖变化趋势、胰岛素作用滞后以及不同对象之间的胰岛素敏感性差异。当血糖下降速度较快或未来血糖存在越限风险时，传统方法往往无法提前做出减量或暂停输注决策，存在响应滞后的问题。

3、此外，现有方案对心电监护数据、历史输注数据及实际血糖响应的利用不足，缺少将多源生理数据、预测血糖结果和个体化参数共同参与闭环调控的机制。治疗过程中，若个体化敏感度参数和预测模型不能根据真实响应持续更新，容易导致后续控制策略与待调控对象的实际反应不匹配。因此，如何实现低血糖诱导过程中的血糖趋势预测、输注风险评估、安全校验及个体化闭环更新，成为亟待解决的技术问题。

技术实现思路

1、本发明提供一种基于机器学习的低血糖诱导闭环调控方法、计算机可读存储介质，其主要目的在于实现低血糖诱导的安全精准控制。

2、为实现上述目的，本发明提供的一种基于机器学习的低血糖诱导闭环调控方法，包括：

3、接收闭环调控指令，基于闭环调控指令确认出待调控对象及闭环调控系统，其中，闭环调控系统包括：连续血糖监测单元、心电监护单元、控制处理单元、安全保护单元及输液控制单元；

4、利用连续血糖监测单元及心电监护单元，按照预设的控制周期获取连续血糖序列及心电监护数据，基于连续血糖序列获取当前血糖值及血糖变化速率，基于心电监护数据获取心电安全指数；

5、获取待调控对象的历史输注数据、目标低血糖区间及个体化敏感度参数，利用控制处理单元及预构建的血糖预测模型，基于当前血糖值、血糖变化速率、心电安全指数、历史输注数据及个体化敏感度参数获取预测血糖值集；

6、基于当前血糖值、血糖变化速率、预测血糖值集及心电安全指数获取低血糖风险指数，根据低血糖风险指数、目标低血糖区间及个体化敏感度参数获取胰岛素输注指令；

7、利用安全保护单元，基于低血糖风险指数对胰岛素输注指令进行安全校验，得到校验结果，其中，校验结果为通过或不通过，确认校验结果为通过后，利用输液控制单元执行胰岛素输注指令，得到实际输注量及实际血糖响应；

8、基于实际输注量及实际血糖响应更新个体化敏感度参数及血糖预测模型，返回所述按照预设的控制周期获取连续血糖序列及心电监护数据的步骤，实现对待调控对象的低血糖诱导闭环调控。

9、可选地，所述基于连续血糖序列获取当前血糖值及血糖变化速率，包括：

10、对所述连续血糖序列进行异常点剔除及时间对齐操作，得到有效血糖序列，其中，有效血糖序列中包括多个血糖测量值，在有效血糖序列中提取出最新的血糖测量值作为当前血糖值；

11、利用预设的速率分析窗口，在有效血糖序列中提取出速率分析序列，对速率分析序列进行最小二乘线性拟合，得到拟合斜率，以所述拟合斜率作为血糖变化速率。

12、可选地，所述基于心电监护数据获取心电安全指数，包括：

13、对所述心电监护数据进行特征提取，得到心电特征节点，其中，心电特征节点包括：校正qt间期、心率波动量及心律失常事件标识；

14、基于校正qt间期及预设的qt风险映射函数获取qt异常分量，基于心率波动量及预设的心率风险映射函数获取心率波动分量，基于心律失常事件标识及预设的心律失常映射函数获取心律失常分量；

15、对所述qt异常分量、心率波动分量及心律失常分量进行加权融合，得到心电安全指数。

16、可选地，所述基于当前血糖值、血糖变化速率、心电安全指数、历史输注数据及个体化敏感度参数获取预测血糖值集，包括：

17、对所述当前血糖值、血糖变化速率、心电安全指数、历史输注数据及个体化敏感度参数进行特征拼接，得到输入特征向量；

18、利用预设的预测时间点集，将输入特征向量输入至所述血糖预测模型，得到预测血糖值集，其中，预测血糖值集中包括多个预测血糖值，且预测血糖值与预测时间点集中的预测时间点一一对应。

19、可选地，所述基于当前血糖值、血糖变化速率、预测血糖值集及心电安全指数获取低血糖风险指数，包括：

20、获取风险阈值节点，其中，风险阈值节点包括：血糖安全下限及血糖下降速率上限；

21、将当前血糖值与血糖安全下限进行比较，得到血糖安全标识，其中，血糖安全标识为越限或未越限，确认血糖安全标识为越限后，计算血糖安全下限与当前血糖值的差值，得到血糖偏离余量，将血糖偏离余量与血糖安全下限的比值确认为血糖绝对风险分量，否则，将零确认为血糖绝对风险分量；

22、将血糖变化速率与零进行比较，得到速率方向标识，其中，速率方向标识为下降或非下降，确认速率方向标识为下降后，对血糖变化速率取绝对值，得到血糖下降幅度，将血糖下降幅度与血糖下降速率上限的比值确认为速率下降风险分量，否则，将零确认为速率下降风险分量；

23、从预测血糖值集中提取出最小的预测血糖值，得到预测最低血糖值；

24、将预测最低血糖值与血糖安全下限进行比较，得到预测安全标识，其中，预测安全标识为越限或未越限；

25、确认预测安全标识为越限后，计算血糖安全下限与预测最低血糖值的差值，得到预测越限幅度，将预测越限幅度与血糖安全下限的比值确认为预测低血糖风险分量，否则，将零确认为预测低血糖风险分量；

26、将所述心电安全指数输入至预设的心电风险映射函数，得到心电异常风险分量；

27、对血糖绝对风险分量、速率下降风险分量、预测低血糖风险分量及心电异常风险分量进行加权融合，得到低血糖风险指数，计算公式如下所示：

28、

29、其中，表示低血糖风险指数，表示血糖绝对风险分量，表示速率下降风险分量，表示预测低血糖风险分量，表示心电异常风险分量，、、、均表示预设的权重值。

30、可选地，所述根据低血糖风险指数、目标低血糖区间及个体化敏感度参数获取胰岛素输注指令，包括：

31、基于目标低血糖区间获取目标上界和目标下界；

32、将当前血糖值与目标上界和目标下界进行比较；

33、若当前血糖值高于目标上界，则计算当前血糖值与目标上界的差值，得到血糖偏差量，并将血糖偏差量与个体化敏感度参数相除，得到基础输注量；

34、若当前血糖值位于目标下界与所述目标上界之间，则将预设的维持输注量确认为基础输注量；

35、若当前血糖值低于目标下界，则将零确认为基础输注量；

36、计算所述预测最低血糖值与预设的预测安全下限的差值，并将所述差值输入至预设的预测约束映射函数，得到预测约束系数，其中，预测安全下限不低于所述血糖安全下限；

37、将所述低血糖风险指数输入至预设的风险修正映射函数，得到风险修正系数；

38、对所述基础输注量、所述风险修正系数及所述预测约束系数进行乘积运算，得到目标输注速率，基于目标输注速率生成胰岛素输注指令。

39、可选地，所述基于低血糖风险指数对胰岛素输注指令进行安全校验，得到校验结果，包括：

40、利用预设的风险等级阈值与所述低血糖风险指数进行分级匹配，得到风险等级标识，其中，风险等级标识为安全等级标识或危险等级标识；

41、比较预测最低血糖值与所述预测安全下限，得到预测越限标识，其中，预测越限标识为预测越限或预测未越限；

42、确认所述风险等级标识为安全等级标识且预测越限标识为预测未越限后，确认所述胰岛素输注指令通过安全校验，并将校验结果确认为通过；

43、否则，确认所述胰岛素输注指令未通过安全校验，并将校验结果确认为不通过。

44、可选地，所述基于实际输注量及实际血糖响应更新个体化敏感度参数及血糖预测模型，包括：

45、基于预设的胰岛素作用滞后窗口，在所述实际血糖响应中提取出滞后采样值；

46、计算当前血糖值与滞后采样值的差值，得到血糖响应差值；

47、当实际输注量大于预设的最小有效输注阈值时，计算血糖响应差值与实际输注量的比值，得到瞬时敏感度；

48、基于瞬时敏感度及个体化敏感度参数计算更新后个体化敏感度参数，计算公式如下所示：

49、

50、

51、其中，表示更新后个体化敏感度参数，表示个体化敏感度参数，表示血糖响应差值，表示实际输注量，表示瞬时敏感度，表示预设的参考敏感度，表示最小有效输注阈值，表示预设的平滑系数，且；

52、基于实际输注量及实际血糖响应更新血糖预测模型，得到更新后血糖预测模型。

53、可选地，所述基于实际输注量及实际血糖响应更新血糖预测模型，得到更新后血糖预测模型，包括：

54、在所述预测时间点集中每个预测时间点，对所述实际血糖响应进行采样，得到多个实际血糖采样值，其中，实际血糖采样值与预测时间点一一对应；

55、对多个实际血糖采样值中每个实际血糖采样值均执行如下操作：

56、利用所述实际血糖采样值，在预测血糖值集中检索出对应的参考血糖值，其中，参考血糖值对应的预测时间点与实际血糖采样值对应的预测时间点相同；

57、计算实际血糖采样值与参考血糖值的差值，得到预测残差值；

58、汇总预测残差值，得到预测残差值集；

59、基于所述预测残差值集、实际输注量及历史输注数据，对所述血糖预测模型的模型参数进行在线增量更新，得到更新后血糖预测模型。

60、为实现上述目的，本发明还提供一种基于机器学习的低血糖诱导闭环调控系统，包括：

61、对象确认模块，用于接收闭环调控指令，基于闭环调控指令确认出待调控对象及闭环调控系统，其中，闭环调控系统包括：连续血糖监测单元、心电监护单元、控制处理单元、安全保护单元及输液控制单元；

62、监测预测模块，用于利用连续血糖监测单元及心电监护单元，按照预设的控制周期获取连续血糖序列及心电监护数据，基于连续血糖序列获取当前血糖值及血糖变化速率，基于心电监护数据获取心电安全指数；

63、获取待调控对象的历史输注数据、目标低血糖区间及个体化敏感度参数，利用控制处理单元及预构建的血糖预测模型，基于当前血糖值、血糖变化速率、心电安全指数、历史输注数据及个体化敏感度参数获取预测血糖值集；

64、风险决策模块，用于基于当前血糖值、血糖变化速率、预测血糖值集及心电安全指数获取低血糖风险指数，根据低血糖风险指数、目标低血糖区间及个体化敏感度参数获取胰岛素输注指令；

65、校验更新模块，用于利用安全保护单元，基于低血糖风险指数对胰岛素输注指令进行安全校验，得到校验结果，其中，校验结果为通过或不通过，确认校验结果为通过后，利用输液控制单元执行胰岛素输注指令，得到实际输注量及实际血糖响应；

66、基于实际输注量及实际血糖响应更新个体化敏感度参数及血糖预测模型，返回所述按照预设的控制周期获取连续血糖序列及心电监护数据的步骤，实现对待调控对象的低血糖诱导闭环调控。

67、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

68、存储器，存储至少一个指令；

69、处理器，执行所述存储器中存储的指令以实现上述所述的一种基于机器学习的低血糖诱导闭环调控方法。

70、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的一种基于机器学习的低血糖诱导闭环调控方法。

71、本发明为解决背景技术所述问题，本发明接收闭环调控指令，基于闭环调控指令确认出待调控对象及闭环调控系统，其中，闭环调控系统包括：连续血糖监测单元、心电监护单元、控制处理单元、安全保护单元及输液控制单元，利用连续血糖监测单元及心电监护单元，按照预设的控制周期获取连续血糖序列及心电监护数据，基于连续血糖序列获取当前血糖值及血糖变化速率，基于心电监护数据获取心电安全指数，可见本发明通过先提取核心心电特征再分别映射并加权融合的方式得到心电安全指数，使后续风险计算能够借助1个数值同时反映qt间期、心率波动及心律失常3方面的心电安全状况，获取待调控对象的历史输注数据、目标低血糖区间及个体化敏感度参数，利用控制处理单元及预构建的血糖预测模型，基于当前血糖值、血糖变化速率、心电安全指数、历史输注数据及个体化敏感度参数获取预测血糖值集，可见本发明通过将多个生理和治疗状态特征拼接为固定格式向量并交由机器学习模型同时输出多时刻预测，使后续风险计算与控制决策能够基于未来血糖走势提前调整，弥补了仅依赖当前血糖值的滞后控制不足，基于当前血糖值、血糖变化速率、预测血糖值集及心电安全指数获取低血糖风险指数，根据低血糖风险指数、目标低血糖区间及个体化敏感度参数获取胰岛素输注指令，可见本发明通过先按区间偏差及个体化敏感度参数得到基础输注量、再以风险修正系数及预测约束系数对基础输注量进行调整的方式，在驱动血糖向目标低血糖区间靠拢的同时主动压低未来低血糖风险，实现了治疗效果与安全控制的平衡，利用安全保护单元，基于低血糖风险指数对胰岛素输注指令进行安全校验，得到校验结果，其中，校验结果为通过或不通过，确认校验结果为通过后，利用输液控制单元执行胰岛素输注指令，得到实际输注量及实际血糖响应，可见本发明通过引入独立于控制处理单元的安全保护单元对低血糖风险指数及预测最低血糖值进行2次检查，使得即便控制处理单元因模型偏差产生过大的胰岛素输注指令，也无法直接驱动胰岛素输液泵，提升低血糖诱导治疗的安全性，基于实际输注量及实际血糖响应更新个体化敏感度参数及血糖预测模型，返回所述按照预设的控制周期获取连续血糖序列及心电监护数据的步骤，实现对待调控对象的低血糖诱导闭环调控，可见本发明通过把每个控制周期内多个预测时间点上的预测偏差用于修正血糖预测模型，并结合实际输注量与历史输注数据进行在线小步更新，使血糖预测模型在治疗推进过程中持续接近待调控对象的真实血糖变化情况，与个体化敏感度参数的更新共同构成完整的闭环学习流程。因此，本发明可实现低血糖诱导的安全精准控制。