蛛网膜下腔出血患者消化道出血风险评估方法及系统

本发明涉及风险评估，特别涉及一种蛛网膜下腔出血患者消化道出血风险评估方法及系统。

背景技术：

1、在蛛网膜下腔出血（subarachnoid hemorrhage, sah）患者中，应激性溃疡所致的消化道出血是常见的严重并发症之一，显著增加病死率与住院时间。目前临床虽已认识到重症sah患者存在高应激状态、交感神经兴奋、胃黏膜灌注不足及凝血功能障碍等多重危险因素，但尚缺乏专门针对该人群消化道出血风险的客观、量化评估体系。

2、现有通用评分如rockall或glasgow-blatchford评分主要面向普通上消化道出血患者，未能充分整合sah特有的神经源性应激、意识障碍程度（如wfns分级）、颅内压变化、血管痉挛风险及重症监护相关干预（如机械通气、肾替代治疗）等因素。近年来，随着多模态数据融合与机器学习技术的发展，基于电子病历、实验室指标（如血小板计数、凝血酶原时间）、生命体征动态变化及疾病严重程度评分（如sofa、saps ii）构建特异性预测模型成为可能，为实现sah患者消化道出血风险的早期识别与精准预防提供了新路径。

技术实现思路

1、本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

2、为实现上述目的，本发明提供了一种蛛网膜下腔出血患者消化道出血风险评估方法，包括：

3、获取蛛网膜下腔出血患者的临床信息记录和消化道出血结局标签，并对临床信息记录进行变量解析，得到多维临床特征；

4、对所述多维临床特征进行缺失值过滤与连续变量标准化处理，得到标准特征矩阵；

5、对所述标准特征矩阵和所述消化道出血结局标签施加绝对值惩罚约束项进行回归拟合，生成系数收缩轨迹，并基于所述系数收缩轨迹进行交叉验证误差计算，得到最优惩罚参数；

6、基于所述最优惩罚参数对所述标准特征矩阵进行非零系数特征提取，得到核心风险因子；

7、将所述核心风险因子与所述最优惩罚参数对应的非零回归系数向量进行加权求和计算，再加上截距项，得到线性预测值，并对所述线性预测值进行对数几率逆变换计算，得到出血风险概率。

8、进一步的，所述对临床信息记录进行变量解析，得到多维临床特征，包括：

9、对临床信息记录进行医学词表比对，分离出病历文本片段，对所述病历文本片段进行实体边界截取，提取出医学体征词元；

10、将所述医学体征词元映射至预设的关联知识图谱，提取出所述医学体征词元对应的知识图谱节点标识符；

11、按照预设的节点-数值编码映射表将所述知识图谱节点标识符转换为离散数值，生成所述多维临床特征；其中，所述多维临床特征包括以连续数值形式存储的神经功能缺损量表分值、凝血功能生化检验数值、应激性炎症反应指标数值，以及以离散编码形式存储的药物干预特征量。

12、进一步的，所述对所述标准特征矩阵和所述消化道出血结局标签施加绝对值惩罚约束项进行回归拟合，生成系数收缩轨迹，包括：

13、将所述标准特征矩阵与所述消化道出血结局标签进行对数似然映射，构建二值交叉熵损失函数，并初始化与所述标准特征矩阵特征维度等长的回归系数向量；

14、对所述回归系数向量中各分量施加绝对值惩罚约束项，生成稀疏惩罚项；

15、将所述消化道出血结局标签按照患者样本顺序排列，构建消化道出血结局标签向量；

16、计算所述标准特征矩阵中各特征列向量与所述消化道出血结局标签向量的内积绝对值，取所有内积绝对值中的最大值作为惩罚参数上限值；

17、按照预设的衰减步长从所述惩罚参数上限值至零进行区间离散化采样，生成离散惩罚序列；

18、将所述离散惩罚序列与所述稀疏惩罚项映射至所述二值交叉熵损失函数中，构建带罚优化泛函；

19、对所述带罚优化泛函进行坐标下降寻优，提取稀疏系数向量，并将所述稀疏系数向量按照所述离散惩罚序列的衰减节点进行轨迹拼接，生成所述系数收缩轨迹。

20、进一步的，所述将所述离散惩罚序列与所述稀疏惩罚项映射至所述二值交叉熵损失函数中，构建带罚优化泛函，包括：

21、提取所述离散惩罚序列中的收缩调节标量，将所述收缩调节标量作为惩罚强度参数注入所述稀疏惩罚项，生成与所述收缩调节标量一一对应的加权惩罚项序列；

22、将所述加权惩罚项序列中的各加权惩罚项逐一代入所述二值交叉熵损失函数，与所述二值交叉熵损失函数执行加和运算，生成以惩罚强度参数为索引的所述带罚优化泛函。

23、进一步的，所述基于所述系数收缩轨迹进行交叉验证误差计算，得到最优惩罚参数，包括：

24、对所述标准特征矩阵进行多折叠重采样，分离出局部训练矩阵与独立验证矩阵；

25、对于每一折数据，以所述局部训练矩阵为输入，按照预设的惩罚参数离散序列，采用坐标下降法求解带绝对值惩罚约束项的二值交叉熵损失函数，得到局部收缩系数向量集合；其中，所述预设的惩罚参数离散序列与生成所述系数收缩轨迹时所采用的惩罚参数离散序列相同；

26、基于所述局部收缩系数对所述独立验证矩阵进行对数损失度量，生成节点验证误差；

27、对所述节点验证误差进行跨折叠期望计算，生成期望误差序列，并对所述期望误差序列进行极小值搜索，提取最小误差节点；

28、基于所述最小误差节点对所述系数收缩轨迹进行逆向解析，提取所述最优惩罚参数。

29、进一步的，所述基于所述最小误差节点对所述系数收缩轨迹进行逆向解析，提取所述最优惩罚参数，包括：

30、对所述最小误差节点进行位置解析，提取极值寻址坐标，并将所述极值寻址坐标代入所述系数收缩轨迹进行张量切片截取，生成轨迹切片向量；

31、对所述轨迹切片向量进行维度拆解，分离出惩罚标量分量，并对所述惩罚标量分量进行数值解码映射，提取所述最优惩罚参数。

32、进一步的，所述基于所述最优惩罚参数对所述标准特征矩阵进行非零系数特征提取，得到核心风险因子，包括：

33、将所述最优惩罚参数映射至所述系数收缩轨迹中，提取与所述最优惩罚参数对应的目标系数向量；

34、对所述目标系数向量进行绝对值计算，得到系数绝对值向量，并提取所述系数绝对值向量中数值大于零的元素坐标，生成非零索引序列；

35、基于所述非零索引序列对所述标准特征矩阵进行列维度遍历，从所述标准特征矩阵中分离出目标列向量集合；

36、将所述目标列向量集合按列拼接，生成所述核心风险因子。

37、进一步的，所述将所述核心风险因子与所述最优惩罚参数对应的非零回归系数向量进行加权求和计算，再加上截距项，得到线性预测值，并对所述线性预测值进行对数几率逆变换计算，得到出血风险概率，包括：

38、将所述最优惩罚参数代入所述系数收缩轨迹进行坐标寻址，提取与所述最优惩罚参数对应的非零回归系数向量；

39、从所述带罚优化泛函在所述最优惩罚参数下收敛时单独估计并存储的截距项中提取截距标量；

40、将所述核心风险因子与所述非零回归系数向量进行逐元素加权求和计算，生成临床风险标量；

41、将所述临床风险标量与所述截距标量进行标量相加计算，生成线性预测值；

42、对所述线性预测值施加以自然常数为底的指数幂运算，生成正向风险指数项，并将所述正向风险指数项除以所述正向风险指数项与常数一的加和，生成出血风险概率。

43、本发明还提供了一种蛛网膜下腔出血患者消化道出血风险评估系统，包括：

44、解析模块，用于对蛛网膜下腔出血患者的临床信息记录进行变量解析，得到多维临床特征；

45、标准化处理模块，用于对所述多维临床特征进行缺失值过滤与连续变量标准化处理，得到标准特征矩阵；

46、拟合模块，用于对所述标准特征矩阵施加绝对值惩罚约束项进行回归拟合，得到系数收缩轨迹，并基于所述系数收缩轨迹进行交叉验证误差计算，得到最优惩罚参数；

47、提取模块，用于基于所述最优惩罚参数对所述标准特征矩阵进行非零系数特征提取，得到核心风险因子；

48、计算模块，用于将所述核心风险因子与所述最优惩罚参数对应的非零回归系数向量进行加权求和计算，再加上截距项，得到线性预测值，并对所述线性预测值进行对数几率逆变换计算，得到出血风险概率。

49、本发明提供的一种蛛网膜下腔出血患者消化道出血风险评估方法，包括以下步骤：获取蛛网膜下腔出血患者的临床信息记录和消化道出血结局标签，并对临床信息记录进行变量解析，得到多维临床特征；对所述多维临床特征进行缺失值过滤与连续变量标准化处理，得到标准特征矩阵；对所述标准特征矩阵和所述消化道出血结局标签施加绝对值惩罚约束项进行回归拟合，生成系数收缩轨迹，并基于所述系数收缩轨迹进行交叉验证误差计算，得到最优惩罚参数；基于所述最优惩罚参数对所述标准特征矩阵进行非零系数特征提取，得到核心风险因子；将所述核心风险因子与所述最优惩罚参数对应的非零回归系数进行加权求和计算，再加上截距项，得到线性预测值，并对所述线性预测值进行对数几率逆变换计算，得到出血风险概率，解决了如何基于蛛网膜下腔出血患者的临床信息，客观量化地评估其发生消化道出血的风险的技术问题，实现了对高危患者早期识别、个体化风险分层及精准预防干预的临床决策支持，显著提升并发症预警能力与重症管理效率的技术效果。