基于临床诊疗路径偏差检测的辅助随访触发方法与流程

本技术属于检测领域，尤其涉及一种基于临床诊疗路径偏差检测的辅助随访触发方法。

背景技术：

1、随着医疗信息化建设的不断完善和全生命周期健康管理理念的普及，患者出院后的随访工作在慢性病管理、术后康复监测以及疾病复发预防中发挥着越来越重要的作用。面对日益庞大的患者基数，医疗机构的随访资源显得相对有限。如何筛选出最需要随访且能从随访干预中获益最大的个体，是提升医疗服务效率的关键。传统的辅助随访决策通常依赖于临床经验规则或常规的机器学习预测模型。在实际场景中，评估临床干预措施，例如药物干预，对个体康复结果产生的真实因果效应至关重要。历史随访数据大多属于观察性数据，其中充斥着大量且复杂的混杂因素，即那些同时影响干预分配和预后结果的变量。如果不能在数据层面移除这些混杂因素与纯干预因素、纯结果因素的纠缠，因果效应的评估就会产生严重的分布偏差，导致随访决策科学根据下降。

2、在真实的业务环境中，每一次随访干预都伴随着相应的成本投入。理想的随访触发机制不仅需要评估个体的获益程度，还必须将干预成本纳入考量，以实现资源效用的最大化。由于个体特征的多样性以及现实数据的噪声，模型在进行因果推理和反事实预测时不可避免地会面临不确定性。如果决策系统盲目信任单一的预测输出，而未顾及复杂表示空间中的潜在不确定性，会导致触发决策过于僵化。不仅可能引发无效随访造成资源浪费，还可能漏掉那些预测结果处于高不确定性边缘但实际上亟需干预的个体。因此，当前亟需一种能够从含有偏差的历史数据中有效解耦混杂因素、对齐分布偏差以获取个体因果效应，并能将干预成本与模型预测不确定性有机结合、生成随访触发信号的整体解决方案，在保障干预收益的同时优化医疗等相关资源的配置。

技术实现思路

1、为了提升随访资源的配置效率与干预决策的科学性，本发明提供了一种基于临床诊疗路径偏差检测的辅助随访触发方法。

2、根据本发明的一方面，提供了一种基于临床诊疗路径偏差检测的辅助随访触发方法，包括以下步骤：

3、获取包含个体协变量、干预决策和随访结果的历史随访数据，构建解耦表示空间，将所述个体协变量映射为解耦表示，所述解耦表示空间由因果混杂子空间、干预工具子空间和结果调整子空间构成，通过在机器学习模型的训练过程中增设互信息最小化正则项，降低所述因果混杂子空间、干预工具子空间和结果调整子空间各自对应表示之间的信息耦合程度，以分别表征数据中的混杂因素、干预相关因素和结果相关因素；

4、基于所述解耦表示构建双头部网络预测事实结果与反事实结果，在模型训练阶段的损失函数中增设最大均值差异项利用因果混杂子空间表示最小化干预组与对照组的分布距离，对齐数据中的混杂偏差，计算预测的所述事实结果与反事实结果之间的差异，得到个体因果效应值；

5、构建决策函数，输入包含所述个体因果效应值、成本参数和不确定性度量，所述不确定性度量通过评估对三个子空间表示分别施加扰动所引发的预测结果变化来获取，根据不确定性度量调整触发阈值，当函数输出超过所述触发阈值时，生成用于辅助随访的随访触发信号。

6、可选地，所述获取包含个体协变量、干预决策和随访结果的历史随访数据，包括：

7、对体检数据记录中的缺失值进行均值插补处理，将年龄、收缩压和血糖数值以及临床诊疗路径偏差特征拼接为一维特征向量，作为所述个体协变量，提取电子病历中是否进行药物干预的二进制标识作为所述干预决策，提取患者康复周期的天数作为所述随访结果。

8、可选地，所述构建解耦表示空间，将所述个体协变量映射为解耦表示，所述解耦表示空间由因果混杂子空间、干预工具子空间和结果调整子空间构成，包括：

9、构建三个独立的前馈神经网络，分别对应所述因果混杂子空间、干预工具子空间和结果调整子空间，将所述个体协变量输入所述三个前馈神经网络，分别输出对应的因果混杂特征向量、干预工具特征向量和结果调整特征向量，将上述三个特征向量进行拼接组合生成一维表示向量，作为所述解耦表示。

10、可选地，所述在模型训练阶段的损失函数中增设最大均值差异项利用因果混杂子空间表示最小化干预组与对照组的分布距离，包括：

11、使用径向基核函数将干预组与对照组在因果混杂子空间上的特征向量映射至再生核希尔伯特空间，分别计算干预组与对照组在所述空间下的经验均值，并求取两个经验均值之差的二范数平方作为所述最大均值差异项，将所述最大均值差异项整合至用于回归预测的均方误差损失函数中进行联合优化。

12、可选地，所述计算预测的所述事实结果与反事实结果之间的差异，得到个体因果效应值，包括：

13、提取双头部网络输出的在施加干预条件下的第一预测结果，以及在未施加干预条件下的第二预测结果，计算所述第二预测结果减去所述第一预测结果的差值，将所述差值作为表征干预后随访结果改善程度的个体因果效应值。

14、可选地，所述构建决策函数，输入包含所述个体因果效应值、成本参数和不确定性度量，包括：

15、获取单次随访的固定人工成本和通信资源消耗成本，将所述固定人工成本和通信资源消耗成本求和并除以预设的基准成本转化为大于零的无量纲成本系数，作为所述成本参数，根据与所述个体因果效应值具有相同量纲的预设基准改善阈值与所述个体因果效应值确定表征诊疗路径偏差风险的改善不足量，将所述改善不足量和所述不确定性度量分别除以大于零的预设基准康复周期进行无量纲化处理，并将无量纲化后的改善不足量与无量纲化后的不确定性度量之和作为分子，将所述成本参数作为分母，通过除法运算计算随访收益率，将所述随访收益率作为决策函数的函数输出。

16、可选地，所述不确定性度量通过评估对三个子空间表示分别施加扰动所引发的预测结果变化来获取，包括：

17、生成均值为零且方差固定的高斯噪声向量，按照预设采样次数重复采样所述高斯噪声向量，将所述高斯噪声向量分别注入所述因果混杂特征向量、干预工具特征向量和结果调整特征向量中，生成扰动后的解耦表示，将扰动后的解耦表示输入双头部网络获得扰动预测结果，计算扰动预测结果与原始预测结果之间的欧氏距离，将各次扰动得到的欧氏距离求和后除以所述预设采样次数得到的均值作为所述不确定性度量。

18、可选地，根据不确定性度量调整触发阈值，当函数输出超过所述触发阈值时，生成用于辅助随访的随访触发信号，包括：

19、设定初始触发阈值，将无量纲化后的不确定性度量乘以预设调整系数，并从所述初始触发阈值中减去乘积结果，获得所述触发阈值，并对所述触发阈值进行预设下限截断处理，实时比对所述随访收益率与所述触发阈值，当随访收益率大于所述触发阈值时，生成数字控制信号驱动通信模块发起自动随访动作。

20、根据本发明的另一方面，提供了一种基于临床诊疗路径偏差检测的辅助随访触发系统，包括以下模块：

21、构建模块，用于获取包含个体协变量、干预决策和随访结果的历史随访数据，构建解耦表示空间，将所述个体协变量映射为解耦表示，所述解耦表示空间由因果混杂子空间、干预工具子空间和结果调整子空间构成，通过在机器学习模型的训练过程中增设互信息最小化正则项，降低所述因果混杂子空间、干预工具子空间和结果调整子空间各自对应表示之间的信息耦合程度，以分别表征数据中的混杂因素、干预相关因素和结果相关因素；

22、计算模块，用于基于所述解耦表示构建双头部网络预测事实结果与反事实结果，在模型训练阶段的损失函数中增设最大均值差异项利用因果混杂子空间表示最小化干预组与对照组的分布距离，对齐数据中的混杂偏差，计算预测的所述事实结果与反事实结果之间的差异，得到个体因果效应值；

23、生成模块，用于构建决策函数，输入包含所述个体因果效应值、成本参数和不确定性度量，所述不确定性度量通过评估对三个子空间表示分别施加扰动所引发的预测结果变化来获取，根据不确定性度量调整触发阈值，当函数输出超过所述触发阈值时，生成用于辅助随访的随访触发信号。

24、进一步地，所述获取包含个体协变量、干预决策和随访结果的历史随访数据，包括：

25、对体检数据记录中的缺失值进行均值插补处理，将年龄、收缩压和血糖数值以及临床诊疗路径偏差特征拼接为一维特征向量，作为所述个体协变量，提取电子病历中是否进行药物干预的二进制标识作为所述干预决策，提取患者康复周期的天数作为所述随访结果。

26、进一步地，所述构建解耦表示空间，将所述个体协变量映射为解耦表示，所述解耦表示空间由因果混杂子空间、干预工具子空间和结果调整子空间构成，包括：

27、构建三个独立的前馈神经网络，分别对应所述因果混杂子空间、干预工具子空间和结果调整子空间，将所述个体协变量输入所述三个前馈神经网络，分别输出对应的因果混杂特征向量、干预工具特征向量和结果调整特征向量，将上述三个特征向量进行拼接组合生成一维表示向量，作为所述解耦表示。

28、进一步地，所述在模型训练阶段的损失函数中增设最大均值差异项利用因果混杂子空间表示最小化干预组与对照组的分布距离，包括：

29、使用径向基核函数将干预组与对照组在因果混杂子空间上的特征向量映射至再生核希尔伯特空间，分别计算干预组与对照组在所述空间下的经验均值，并求取两个经验均值之差的二范数平方作为所述最大均值差异项，将所述最大均值差异项整合至用于回归预测的均方误差损失函数中进行联合优化。

30、进一步地，所述计算预测的所述事实结果与反事实结果之间的差异，得到个体因果效应值，包括：

31、提取双头部网络输出的在施加干预条件下的第一预测结果，以及在未施加干预条件下的第二预测结果，计算所述第二预测结果减去所述第一预测结果的差值，将所述差值作为表征干预后随访结果改善程度的个体因果效应值。

32、进一步地，所述构建决策函数，输入包含所述个体因果效应值、成本参数和不确定性度量，包括：

33、获取单次随访的固定人工成本和通信资源消耗成本，将所述固定人工成本和通信资源消耗成本求和并除以预设的基准成本转化为大于零的无量纲成本系数，作为所述成本参数，根据与所述个体因果效应值具有相同量纲的预设基准改善阈值与所述个体因果效应值确定表征诊疗路径偏差风险的改善不足量，将所述改善不足量和所述不确定性度量分别除以大于零的预设基准康复周期进行无量纲化处理，并将无量纲化后的改善不足量与无量纲化后的不确定性度量之和作为分子，将所述成本参数作为分母，通过除法运算计算随访收益率，将所述随访收益率作为决策函数的函数输出。

34、进一步地，所述不确定性度量通过评估对三个子空间表示分别施加扰动所引发的预测结果变化来获取，包括：

35、生成均值为零且方差固定的高斯噪声向量，按照预设采样次数重复采样所述高斯噪声向量，将所述高斯噪声向量分别注入所述因果混杂特征向量、干预工具特征向量和结果调整特征向量中，生成扰动后的解耦表示，将扰动后的解耦表示输入双头部网络获得扰动预测结果，计算扰动预测结果与原始预测结果之间的欧氏距离，将各次扰动得到的欧氏距离求和后除以所述预设采样次数得到的均值作为所述不确定性度量。

36、进一步地，根据不确定性度量调整触发阈值，当函数输出超过所述触发阈值时，生成用于辅助随访的随访触发信号，包括：

37、设定初始触发阈值，将无量纲化后的不确定性度量乘以预设调整系数，并从所述初始触发阈值中减去乘积结果，获得所述触发阈值，并对所述触发阈值进行预设下限截断处理，实时比对所述随访收益率与所述触发阈值，当随访收益率大于所述触发阈值时，生成数字控制信号驱动通信模块发起自动随访动作。

38、本发明通过构建由因果混杂、干预工具和结果调整构成的解耦表示空间，并在模型训练中增设互信息最小化正则项，能够分离并提取历史随访数据中的关联因素，降低各特征间的耦合干扰，提高了数据表示的独立性和可区分性。通过对患者实际诊疗记录与标准临床诊疗路径模板进行比对，能够提取诊疗节点缺失、时间窗口偏移、干预执行偏离以及随访间隔异常等临床诊疗路径偏差特征，使辅助随访触发判断具有明确的路径偏差检测基础。利用最大均值差异项对齐干预组与对照组的分布差异，解决了数据中的混杂偏差问题，能够提高个体因果效应估计的稳定性。构建的决策机制利用了改善不足量、随访成本以及基于特征扰动评估获取的不确定性度量，并根据该不确定性程度科学调整触发阈值，提升了随访触发信号生成的合理性与稳定性，优化了辅助随访的整体执行流程与管理效率。