一种融合患者认知增强与多源信息整合的人工晶状体临床决策辅助的系统、方法及存储介质

本发明涉及医疗辅助，更具体地，涉及一种融合患者认知增强与多源信息整合的人工晶状体临床决策辅助的系统、方法及存储介质。

背景技术：

1、人工晶状体（intraocular lens，iol）植入是白内障手术治疗的关键环节。随着光学设计的发展，iol种类日益丰富，包括单焦点人工晶状体、散光矫正型人工晶状体以及老视矫正型人工晶状体（如景深延长型人工晶状体、双焦点人工晶状体、三焦点人工晶状体、可调节人工晶状体等）等多类型人工晶状体，为患者提供了功能多样、各有利弊的选择方案。为患者选择最合适的人工晶状体，实现精准化、个性化的决策，是临床实践中的核心挑战。

2、目前，人工晶状体的选择主要依赖临床医师的经验判断，结合患者的眼部生物测量参数和主观诉求。随着人工智能技术的发展，通过多模态数据融合与智能算法辅助临床决策，是提升人工晶状体选择精准度和效率的重要技术方向。在信息化辅助人工晶状体临床决策过程中，存在以下技术需求及技术缺陷：

3、第一，患者主观信息的质量保障需求。患者对白内障疾病及各类人工晶状体的适应证、优缺点、术后风险缺乏充分认知，导致其提供的主观信息可能无法准确反映真实需求，影响决策的精准性。决策过程仍然是“医生主导”而非“医患共享”。

4、第二，客观眼部检查数据的精细化分析需求。客观眼部检查数据包括角膜曲率、全角膜散光值及散光类型等参数以及眼底状况、眼轴长度、前房深度、高阶像差等多维度参数，需要整合多源客观数据进行综合分析决策。散光矫正型人工晶状体主要基于角膜曲率、全角膜散光值及散光类型等参数进行二元决策，老视矫正型人工晶状体更需要综合眼底状况、眼轴长度、前房深度、高阶像差等多维度参数进行分级评估。单一分析模型难以同时适配两类人工晶状体的专业决策需求。

5、第三，主观意愿分析的安全性与可进化性需求。基于固定规则的决策系统缺乏从真实世界数据中持续优化的能力；基于单一机器学习模型的决策系统则存在输出不稳定、与临床专家共识冲突时缺乏安全约束的技术风险。

6、第四，综合决策的可解释性与安全需求。临床决策需要可追溯的技术保障，以确保在存在客观禁忌证时，系统能够自动执行安全性优先的决策策略。

技术实现思路

1、本发明旨在克服上述现有技术的至少一种缺陷（不足），提供了一种融合患者认知增强与多源信息整合的人工晶状体临床决策辅助的系统、方法及存储介质，用以解决人工晶状体临床决策中患者参与度低、主观信息质量保障不足、客观数据精细化分析不足、主观意愿分析安全性与可进化性不足、以及综合决策可解释性与安全性不足的技术问题。

2、一方面，本发明采取的技术方案是一种融合患者认知增强与多源信息整合的人工晶状体临床决策辅助的系统，所述系统包括：

3、患者认知增强模块：与主观意愿分析模块相连，用于通过交互式信息推送技术提升患者对白内障疾病及人工晶状体类型的认知水平，并将认知增强后的患者输入至主观数据采集环节；所述患者认知增强模块的输出与所述主观数据采集环节存在技术关联，以使得所采集的主观数据反映患者经认知增强后的真实需求；

4、客观眼部条件分析模块，与综合决策模块相连，用于基于所采集到的患者的多模态术前检查数据，通过经专家标注训练的客观眼部条件分析模型，输出包含可解释性指标的客观人工晶状体类型推荐结果；

5、主观意愿分析模块，与患者认知增强模块相连，用于基于所述主观数据采集环节所采集的主观数据，通过规则引擎与神经网络模型相结合的集成策略，输出主观人工晶状体类型适配结果；

6、综合决策模块，与客观眼部条件分析模块及主观意愿分析模块相连，用于将所述客观人工晶状体类型推荐结果与所述主观人工晶状体类型适配结果进行整合，按照预设的、以临床安全性为优先的决策逻辑，生成并输出最终的人工晶状体推荐报告。

7、本发明所述系统通过各功能模块联动配合，有效解决了传统人工晶状体临床决策主观性强、数据精准度低、决策安全性与可迭代性不足的行业痛点。系统依托患者认知增强模块与主观数据采集环节的关联设计，通过交互式科普推送提升患者术前认知，规避患者认知不足导致的主观诉求偏差问题，大幅提升主观采集数据的真实性与有效性，为后续决策提供可靠数据支撑。并且所述客观眼部条件分析模块依托专家标注训练模型解析多模态术前数据，输出带可解释性指标的推荐结果，突破了传统人工分析精细化不足、决策无依据的弊端，提升眼部客观评估的精准度与可信度。同时，主观意愿分析模块结合规则引擎与神经网络集成策略，既保障临床决策贴合专家共识、安全稳定，又赋予系统持续迭代优化能力。最终综合决策模块以临床安全为核心，融合主客观双重分析结果，形成标准化、可追溯的决策体系，有效规避临床决策风险，实现人工晶状体选型的个性化、精准化、安全化智能辅助决策。

8、优选地，在患者认知增强模块中，所述交互式信息推送技术包括：部署有自然语言处理模型的交互式问答界面，在术前谈话前为患者提供关于白内障定义、风险因素、诊断方式、治疗手段及各类人工晶状体适应证与禁忌证的交互式问答服务，从而提升患者对白内障疾病及人工晶状体相关知识的认知水平。

9、在所述患者认知增强模块中通过交互式信息推送技术依托搭载自然语言处理模型的交互问答界面，术前向患者科普白内障与各类人工晶状体适配知识，双向问答形式使科普更易懂。患者也能充分了解人工晶状体利弊、适用范围后再填写问卷，大幅减少因认知盲区产生的需求偏差，保证主观反馈真实可靠，为后续主客观融合决策提供高质量输入数据。

10、优选地，所述患者认知增强模块的输出与所述主观数据采集环节存在技术关联，包括：所述交互式信息推送的内容与所述主观数据采集环节中提供的结构化问卷的题项相关联，以使患者在回答所述结构化问卷时基于所述交互式信息推送获得的知识储备进行判断。

11、通过交互推送内容与结构化问卷题项绑定的联动设计，打通认知增强与主观数据采集的技术链路。患者先针对性学习问卷相关专业知识，作答时可依托已掌握的人工晶状体适应证、视觉影响等信息客观评估自身需求，避免因知识匮乏出现误判、模糊作答。从而有效提升了问卷数据真实性与匹配度，消除主观信息失真问题，让后续主观意愿分析模块获得贴合患者真实诉求的输入，从源头保障整体临床决策的精准度。

12、优选地，在所述客观眼部条件分析模块中，还包括了散光矫正型人工晶状体决策子模块和老视矫正型人工晶状体决策子模块，以对不同类型的人工晶状体选择进行精细化分析，适配不同的临床推荐指南，避免统一建模造成的评估混淆。实现了眼部多模态数据分维度精细化解析，输出针对性可解释评估指标，大幅提升两种人工晶状体选型判断精度，为后续综合决策提供分层、可靠的客观依据。

13、进一步优选地，在所述老视矫正型人工晶状体决策子模块中，包括：

14、眼底图像筛查单元，用于采用基于深度学习的图像分析模型对眼底图像进行分析，以识别是否存在植入老视矫正型人工晶状体的眼底禁忌证，输出初筛结果；

15、眼部生物参数评估单元，用于在所述初筛结果允许时，将所采集到的患者的年龄以及眼轴长度、前房深度、高阶像差、kappa角、瞳孔大小等相关生物光学参数，通过机器学习分类器，针对多样化的不同类型的老视矫正型人工晶状体（如景深延长型人工晶状体、双焦点人工晶状体、三焦点人工晶状体、可调节人工晶状体等），输出多等级推荐结果及其特征重要性分析。

16、在所述老视矫正型人工晶状体决策子模块中，通过采用两阶段分层评估架构，先通过深度学习筛查眼底图像，快速识别眼底禁忌证，提前拦截不适配老视矫正型人工晶状体的病例，筑牢临床安全第一道防线。眼底无禁忌时，再融合多维度眼部生物光学参数，借助机器学习输出分级推荐并附带特征重要性，解决传统评估无量化依据、不可解释的缺陷，兼顾筛查安全性与评估精细化，为综合决策提供可追溯、高可信度的客观评估支撑。

17、进一步优选地，所述散光矫正型人工晶状体决策子模块为基于角膜曲率、全角膜散光值及散光类型等散光相关参数训练的第一子机器学习模型，用于输出是否推荐植入散光矫正型人工晶状体的预测结果，并输出影响决策的特征重要性排序。

18、在所述散光矫正型人工晶状体决策子模块中，依托角膜曲率、全角膜散光值、散光类型核心参数训练专属第一子机器学习模型，针对性匹配散光矫正人工晶状体的临床评判逻辑。该模型可直接输出植入推荐结论，同时给出各散光参数的特征重要性排序，实现决策过程可视化、可解释，量化各参数对决策的影响程度，提升散光矫正人工晶状体选型判断精准度，为后续综合决策叠加散光功能提供客观、量化的评判依据。

19、优选地，所述主观意愿分析模块包括：

20、规则引擎单元，用于基于预设的专家知识和预设的决策逻辑，对所述结构化问卷的回答进行评估，输出第一主观适配倾向及其推理过程；其中，所述结构化问卷涵盖眼科手术史、职业特征、生活习惯、视觉需求、心理特质及经济预算中的至少一个维度；

21、神经网络模型单元，为通过模型压缩技术学习所述规则引擎决策逻辑的学生神经网络模型，用于输出第二主观适配倾向；所述学生神经网络模型具备持续学习能力，能够通过吸收真实世界中患者反馈与临床经验数据进行规则权重的迭代优化；

22、集成决策单元，用于在所述第二主观适配倾向与所述第一主观适配倾向不一致时，以所述第一主观适配倾向作为所述主观人工晶状体类型适配结果。

23、在所述主观意愿分析模块中采用了规则引擎搭配蒸馏神经网络的双单元架构，规则引擎依托多维度问卷与临床专家逻辑输出可溯源的适配倾向，保障决策贴合临床安全标准；轻量化学生模型快速并行推演。并且在二者结论冲突时强制采信规则引擎结果，规避纯神经网络黑箱风险。同时神经网络会持续复刻专家决策逻辑，兼顾实时评估效率与长期迭代优化能力，兼顾主观评估的安全性、可解释性与拓展性。

24、优选地，所述预设的决策逻辑包括：

25、当所述客观人工晶状体类型推荐结果指示存在植入老视矫正型人工晶状体的眼底禁忌证时，无视所述主观人工晶状体类型适配结果，直接推荐单焦点人工晶状体；

26、当所述客观人工晶状体类型推荐结果允许植入老视矫正型人工晶状体时，结合所述主观人工晶状体类型适配结果确定最终的老视矫正型人工晶状体类型；

27、在确定单焦点或老视矫正型人工晶状体的类型后，根据所述客观人工晶状体类型推荐结果中的是否推荐植入散光矫正型人工晶状体的预测结果，独立决定是否在所述单焦点或老视矫正型人工晶状体类型上叠加散光矫正功能。

28、在本发明中所述的分层决策逻辑将眼部客观安全条件作为最高优先级，存在老视矫正型人工晶状体禁忌证时直接拦截，规避不当植入带来的眼部风险；眼部条件达标后再结合患者主观需求匹配人工晶状体类型，兼顾诊疗安全与个人诉求，并且在单焦点或老视矫正型人工晶状体选定后独立判定散光矫正功能，实现功能分层选配，从而使得整套流程标准化、可追溯，平衡临床安全底线与个性化需求，输出的推荐方案兼具医疗严谨性与患者适配性。

29、另一方面，本发明还提供了一种基于上述所述系统的融合患者认知增强与多源信息整合的人工晶状体临床决策辅助的方法，所述方法包括以下步骤：

30、步骤s1：获取目标患者的多模态术前检查数据，所述多模态术前检查数据至少包括眼部生物测量参数、波前像差参数及眼底图像；同时，通过交互式信息推送技术向所述目标患者提供白内障疾病及人工晶状体类型的科普信息，以提升所述目标患者的认知水平；

31、步骤s2：在所述步骤s1的认知增强之后，采集所述目标患者对结构化问卷的回答，作为所述主观意愿数据；

32、步骤s3：将所述多模态术前检查数据输入至经专家标注数据训练的客观眼部条件分析模型进行处理输出客观人工晶状体类型推荐结果；

33、步骤s4：基于所述主观意愿数据通过规则引擎与神经网络模型相结合的集成策略进行处理，得到主观人工晶状体类型适配结果；

34、步骤s5：将所述步骤s3输出的客观人工晶状体类型推荐结果与所述步骤s4输出的主观人工晶状体类型适配结果进行整合，然后按照以临床安全性为优先的预设决策逻辑，生成并输出所述目标患者的最终人工晶状体推荐报告。

35、本方法构建一套完整闭环的人工晶状体智能推荐流程，先同步采集多模态眼部检查数据并开展患者认知科普，从源头解决患者认知不足引发的主观诉求失真问题，保障后续问卷数据真实有效。接着，在认知提升后再采集主观问卷数据，实现认知增强与主观信息采集的时序联动。然后分别通过独立训练的客观分析模型、规则引擎与神经网络集成的主观分析模型分层运算，客观层精细化解析眼部生理条件，主观层依托专家逻辑保障评估安全稳定。最后以临床安全为核心准则融合两类分析结果，标准化生成完整推荐报告。从而使得整套步骤时序清晰、逻辑递进，既通过前置科普、双维度数据建模提升选型精准度，又依靠刚性安全决策逻辑守住医疗风险底线，全程决策链路可追溯、可解释，兼顾临床诊疗规范性、患者个性化需求与系统持续迭代能力，大幅降低医师人工评估工作量，提升白内障术前人工晶状体选型的效率与安全性。

36、又一方面，本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机程序指令，所述计算机程序指令由处理器加载并运行形成用户交互端（如微信小程序等），所述计算机程序指令被处理器执行时，实现如上述所述的一种基于上述所述系统的融合患者认知增强与多源信息整合的人工晶状体临床决策辅助的方法。

37、该存储介质存储可生成用户交互端的程序指令，处理器运行后即可实现前述完整临床决策辅助方法。无需患者、医院额外安装专用软件，部署门槛低、使用便捷，普及性更强；小程序载体可顺畅承载交互式科普、问卷填写、数据上传、智能运算与报告输出全流程功能。介质固化整套标准化算法逻辑，程序运行稳定统一，可完整复现认知增强、多模态客观分析、主客观融合安全决策等全部核心步骤，保障不同终端输出结果一致，降低智能辅助系统的部署与使用成本。

38、与现有技术相比，本发明的有益效果为：

39、1、通过引入患者认知增强模块，建立了"认知提升-数据采集-意愿分析"的技术链条，使得主观数据采集环节能够获取反映患者真实需求的高质量输入数据，满足患者主观信息质量保障的技术需求；

40、2、通过构建分型决策架构，将散光矫正型人工晶状体与老视矫正型人工晶状体的客观分析解耦为子模块，分别适配不同的临床推荐指南和机器学习策略，提升了客观分析的精准度，满足客观数据精细化分析的技术需求；

41、3、通过设计规则引擎与神经网络模型相结合的双引擎集成策略，并设置不一致时的安全回退机制，实现了主观意愿分析的稳定性与可进化性的统一，满足主观意愿分析安全性与可进化性的技术需求；

42、4、通过制定以临床安全性为优先的显式决策逻辑，将客观禁忌证作为不可逾越的决策边界，形成了可解释、安全性优先的推荐结果输出机制，满足综合决策可解释性与安全性的技术需求。