基于人工智能的脊柱术后引流量预测与风险预警方法及系统

本发明属于医疗数据处理与智能监测，具体是基于人工智能的脊柱术后引流量预测与风险预警方法及系统。

背景技术：

1、脊柱术后引流量是评估术后恢复状态和早期识别并发症的重要临床指标。脊柱手术涉及椎管减压、植骨融合及内固定等操作，手术创面大，术后常规留置引流管以排出创面渗血和渗液，预防硬膜外血肿的形成，同时通过引流液的颜色和性状辅助判断是否存在活动性出血或脑脊液漏等并发症。引流量的动态变化受患者年龄、凝血功能、手术节段数、手术入路及术中出血量等多种因素影响，不同患者之间的引流规律存在显著个体差异。

2、目前临床实践中，术后引流管理主要依赖医护人员在固定时间点对引流液进行手工计量和性状观察，将测量结果记录后根据临床经验判断引流趋势是否正常。这种人工间歇性测量方式存在明显的时间盲区，两次测量间隔内若发生引流量的急剧变化或引流液性状的突然改变，难以及时发现。同时，拔管时机的判断高度依赖医生的个人经验，不同医生对同一引流趋势可能得出不同结论，缺乏客观量化的辅助决策手段。引流管理质量直接关系到患者安全与术后康复进程，过晚拔管会增加感染风险，过早拔管则可能导致硬膜外血肿等严重并发症。因此，临床需要一种能够对脊柱术后引流量进行前瞻性趋势预判和客观化风险量化的辅助方法，为医护人员提供连续、动态的决策参考信息。

3、现有技术中存在以下问题：

4、现有引流监测方式仅能反映当前或过去的引流状态，无法前瞻性地预测未来引流量的变化趋势，特别是无法提前识别引流趋势的拐点，导致对活动性出血或引流骤停等突发事件的识别存在时间滞后；

5、现有基于阈值或简单统计量的异常判定方法，无法有效捕捉引流曲线在形状、波动周期、扭转等复杂几何特征上的异常模式，容易遗漏非典型但具有临床意义的引流动态异常；

6、现有预警方法通常采用固定决策阈值，无法根据不同患者的个体差异和术后不同恢复阶段的动态变化进行自适应调节，导致假阳性报警频繁或高风险状态下漏报。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于人工智能的脊柱术后引流量预测与风险预警方法及系统，用于解决上述的技术问题。

2、本发明的第一方面提供了基于人工智能的脊柱术后引流量预测与风险预警方法，包括以下步骤:

3、s1：获取脊柱术后患者引流量的实时时序数据，并将其输入经训练的人工智能预测模型，输出未来设定时长内的引流量预测值及其预测误差分布参数，同时将实时时序数据中的各引流实测值与引流量预测值中对应时刻的预测值进行比较，在线生成预测误差序列；

4、s2：基于所述预测误差序列，计算反映误差方向持续强度及其变化速率的拐点逼近指数，形成拐点逼近指数序列；

5、s3：由所述引流量预测值序列与所述拐点逼近指数序列构建多维路径，计算多维路径的截断路径签名，并基于自适应加权矩阵将截断路径签名与预先构建的正常引流路径签名模板进行差异度量，生成异常风险分数；其中加权矩阵的各元素由正常模板签名对应分量的幅值经指数映射确定；

6、s4：以所述异常风险分数作为漂移项的调制信号，驱动证据累积过程，得到累积证据变量，并基于所述异常风险分数在预设时间窗口内的统计平均水平、以及在相邻采样时刻之间的瞬时变化率，联合调节所述证据累积过程的决策阈值边界，当累积证据变量穿越决策阈值边界时，触发风险预警。

7、优选的，所述s1，包括以下步骤：

8、经训练的人工智能预测模型采用编码器-解码器结构，其编码器由多层transformer编码块构成，解码器为全连接前馈网络；

9、实时时序数据包含引流实测值及患者静态特征信息；将实时时序数据中当前时刻向前截取的一段引流实测值，与经嵌入层扩展的患者静态特征拼接后，作为经训练的人工智能预测模型的输入；

10、将经训练的人工智能预测模型经分位数回归同步输出的多组不同分位水平下的预测值构成预测误差分布参数；

11、将前一时刻的经训练的人工智能预测模型对当前时刻的预测值，与当前时刻新获取的引流实测值进行逐点比对，生成瞬时预测误差，并将该瞬时预测误差与对应的预测误差分布参数一并存入循环缓冲区，形成在线更新的预测误差序列。

12、优选的，所述s2，包括以下步骤：

13、取当前时刻向前长度为w的所述预测误差序列，以及与所述预测误差序列各时刻对应的预测误差分布参数序列；

14、计算反映误差方向持续强度的累积符号动量；由当前时刻t的累积符号动量与前一时刻累积符号动量的一阶差分，得到动量变化率；

15、计算拐点逼近指数；将各时刻计算所得的拐点逼近指数依时间顺序存入循环缓冲区，即形成拐点逼近指数序列。

16、优选的，所述当前时刻t的累积符号动量的计算公式为：

17、

18、其中，w为所述向前取用的预测误差序列的长度，k为距当前时刻的步数，λ为指数时间衰减因子，为时刻t−k的预测误差，为时刻t−k的预测误差分布参数，为取符号函数。

19、优选的，所述s3，包括以下步骤：

20、由所述引流量预测值序列、所述拐点逼近指数序列，以及所述实时时序数据中各引流实测值的一阶差分序列，共同构造一条以时间为参数的多维路径；

21、对多维路径计算截断至预设阶数的截断路径签名，截断路径签名由各阶迭代积分构成；

22、由多例正常恢复患者的引流数据按相同通道配置构建多维路径并计算截断路径签名后，逐元素平均得到正常引流路径签名模板；

23、自适应加权矩阵的各对角线元素由正常模板签名对应分量的绝对值经指数放大后确定；

24、将当前时刻的截断路径签名与正常模板签名相减后，利用自适应加权矩阵对各分量偏差进行加权，并以加权偏差的平方和作为异常风险分数。

25、优选的，所述自适应加权矩阵和所述异常风险分数，包括以下步骤：

26、所述自适应加权矩阵w的计算公式为：；

27、所述异常风险分数的计算公式为：；

28、其中，为所述正常引流路径签名模板，表示对该模板签名的每个分量取绝对值，γ为指数放大系数，表示以给定向量构造对角矩阵，为当前时刻的截断路径签名，⊙表示逐元素乘法。

29、优选的，所述s4，包括以下步骤：

30、设定累积证据变量的初始值，以及决策阈值边界的初始上边界和下边界；

31、将所述异常风险分数经预设的单调递增函数映射为漂移率，以漂移率作为证据累积过程的确定性漂移项，驱动累积证据变量向上漂移，所述异常风险分数越大时累积证据变量的漂移速率越大；

32、每隔预设的第一周期，依据该周期内所述异常风险分数的平均值，按预置的单调递减映射关系计算基础边界值，并将决策阈值边界的上边界向基础边界值更新；

33、在每一个所述异常风险分数的产生时刻，监测所述异常风险分数相对于前一时刻的瞬时上升速率，当瞬时上升速率超过预设的风险急升触发阈值时，对决策阈值边界的上边界执行非对称临时收缩，其收缩幅度与瞬时上升速率成正比且不使上边界低于基础边界值；

34、当所述异常风险分数回落时，上边界以预设速率向基础边界值缓慢恢复，预设速率低于所述收缩的速率；

35、当所述累积证据变量从下方向上方穿越所述决策阈值边界中的上边界时，触发风险预警。

36、本发明的第二方面提供了基于人工智能的脊柱术后引流量预测与风险预警系统，包括以下模块：

37、时序预测与误差生成模块：获取脊柱术后患者引流量的实时时序数据，并将其输入经训练的人工智能预测模型，输出未来设定时长内的引流量预测值及其预测误差分布参数，同时将实时时序数据中的各引流实测值与引流量预测值中对应时刻的预测值进行比较，在线生成预测误差序列；

38、拐点逼近指数生成模块：基于所述预测误差序列，计算反映误差方向持续强度及其变化速率的拐点逼近指数，形成拐点逼近指数序列；

39、路径签名风险量化模块：由所述引流量预测值序列与所述拐点逼近指数序列构建多维路径，计算多维路径的截断路径签名，并基于自适应加权矩阵将截断路径签名与预先构建的正常引流路径签名模板进行差异度量，生成异常风险分数；其中加权矩阵的各元素由正常模板签名对应分量的幅值经指数映射确定；

40、动态证据累积与预警触发模块：以所述异常风险分数作为漂移项的调制信号，驱动证据累积过程，得到累积证据变量，并基于所述异常风险分数在预设时间窗口内的统计平均水平、以及在相邻采样时刻之间的瞬时变化率，联合调节所述证据累积过程的决策阈值边界，当累积证据变量穿越决策阈值边界时，触发风险预警。

41、与现有技术相比，本发明的有益效果是：

42、本发明通过人工智能预测模型输出未来引流量预测值，并在线计算预测误差序列，进而基于误差的方向持续强度和变化速率计算拐点逼近指数，能够提前识别引流趋势的拐点，为临床干预提供前瞻性预警，而非等待实测值发生明显变化后才报警；

43、本发明通过将引流量预测值序列与拐点逼近指数序列构建多维路径并计算截断路径签名，利用自适应加权矩阵与正常引流路径签名模板进行差异度量，能够从路径几何形状的层面量化引流动态的异常程度，有效检测出单纯依靠数值阈值无法识别的复杂异常模式；

44、本发明以异常风险分数作为漂移项的调制信号驱动证据累积过程，并基于风险分数的预设时间窗口内的统计平均水平及相邻采样时刻间的瞬时变化率，联合调节决策阈值边界，使阈值能够根据背景风险水平和突发风险急升动态调整，在低风险阶段保持较高特异性以减少误报，在高风险或风险急升阶段快速收缩阈值以提高灵敏度，实现预警决策的自适应优化。