一种基于大语言模型的房颤精准治疗辅助决策系统

本发明涉及医疗辅助决策，特别是一种基于大语言模型的房颤精准治疗辅助决策系统。

背景技术：

1、现有临床实践中，房颤的治疗决策高度依赖医生对海量、多源异构患者数据的整合分析与复杂指南规则的应用。传统的临床决策支持系统（cdss）多基于静态规则引擎，难以有效处理非结构化文本、长程监测波形等数据，存在“数据孤岛”与“信息过载”问题，导致决策效率低下且易遗漏关键信息。同时，现有系统在数据预处理层面，常缺乏对医疗敏感信息贯穿全流程的强安全保护，且数据清洗与标准化过程智能化不足，难以保证输入分析引擎的数据质量。更重要的是，传统系统推理过程不透明，无法提供符合临床思维、具有循证依据的连贯解释，医生对其推荐结果的信任度和采纳率有限。因此，亟待一种利用大语言模型深度融合安全的数据治理、智能化的信息提取、基于权威医学知识进行可解释推理，并能生成直观决策报告的辅助系统，以提升房颤治疗的精准性与规范性。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种基于大语言模型的房颤精准治疗辅助决策系统。

2、为达到上述目的本发明采用的技术方案为：

3、本发明公开了一种基于大语言模型的房颤精准治疗辅助决策系统，包括：

4、数据采集模块，用于获取患者医疗数据；

5、加密模块，用于对所述患者医疗数据中的敏感信息进行aes加密处理；

6、数据处理与计算分析模块，用于对所述患者医疗数据进行清洗、标准化处理，生成结构化分析数据；

7、大语言模型分析引擎，用于接收所述结构化数据，通过房颤指南与临床路径规则对所述结构化数据进行推理分析，生成决策支持信息；

8、报告生成模块，用于将所述结构化数据与所述决策支持信息进行整合，生成可视化的临床决策辅助报告。

9、其中，所述患者医疗数据包括患者基本信息、临床诊断与病史数据、多模态检查与监测数据、长程生理监测数据以及治疗与随访数据。

10、更进一步地，对所述患者医疗数据中的敏感信息进行aes加密处理，具体为：

11、从采集到的原始患者医疗数据流中，实时识别并分离出包含个人标识符与诊疗结论的字段作为待加密明文；

12、对所述待加密明文进行格式规整与长度填充，形成标准化的待加密数据块；

13、生成一个与本次数据操作唯一绑定的随机混淆因子，并将所述随机混淆因子与所述待加密数据块进行混淆处理，得到初级混淆数据；

14、采用基于密码学安全伪随机数生成器的密钥派生函数，结合系统主密钥与所述随机混淆因子，派生出本次加密专用的动态会话密钥及初始化向量；

15、使用所述动态会话密钥和初始化向量，对所述初级混淆数据进行加密运算，同步生成密文与完整性认证标签；

16、将所述混淆因子、所述初始化向量、所述完整性认证标签及所述密文按预设顺序组装，构造成可独立完成解密与完整性验证的最终安全数据包。

17、其中，对所述待加密明文进行格式规整与长度填充，形成标准化的待加密数据块，具体为：

18、获取并解析与标准化医学术语体系相关联的数据库，得到其中定义的敏感数据字段的语义类型、长度约束与编码规则，生成字段格式化模板；

19、基于所述字段格式化模板，将所述待加密明文中的各数据字段转换为符合hl7fhir资源格式的标准化数据元，并标记其版本标识；

20、根据所述版本标识与语义类型，为每个所述标准化数据元分配一个类型码，并将所有类型码按预设优先级排序，生成类型码序列；

21、将所述标准化数据元按其对应的类型码在所述类型码序列中的顺序进行重排与拼接，生成中间拼接数据；

22、计算所述中间拼接数据的原始字节长度，并基于aes算法分组密码的要求，确定目标填充长度；

23、采用pkcs#7填充方案，向所述中间拼接数据的尾部添加填充字节，直至其长度达到所述目标填充长度，从而生成所述标准化的待加密数据块。

24、更进一步地，对所述患者医疗数据进行清洗、标准化处理，生成结构化分析数据，具体为：

25、接收来自加密模块解密还原的原始患者医疗数据集合，并加载预设的临床数据治理规则库；

26、依据所述临床数据治理规则库中的数据完整性、逻辑一致性及值域合规性规则，对所述原始数据集合进行扫描，生成带有错误类型标签的数据质量标记向量；

27、根据所述数据质量标记向量，定位并提取所有存在逻辑冲突或值域异常的数据项，构成待修复队列；

28、调用内置的医学术语标准化引擎，基于所述临床数据治理规则库中的标准术语映射字典，对所述待修复队列中的非标准术语进行概念映射与编码替换，生成术语统一化队列；

29、利用所述临床数据治理规则库中定义的医学逻辑校验规则，对所述术语统一化队列中的数据进行上下文逻辑推理与矛盾消解，输出逻辑合规的修正后数据；

30、将所述修正后数据按预设的临床数据模型重新组装，并关联其对应的数据源标识与时间戳，生成标准化的中间数据对象；

31、基于所述临床数据模型定义的实体关系，将多个所述中间数据对象进行关联、整合与序列化，输出供大语言模型分析引擎使用的所述结构化分析数据。

32、其中，根据所述数据质量标记向量，定位并提取所有存在逻辑冲突或值域异常的数据项，构成待修复队列，具体为：

33、解析所述数据质量标记向量，识别其中被标记为逻辑冲突或值域异常的位点，生成异常位点索引列表；

34、加载预设的医疗数据异常模式知识库，所述医疗数据异常模式知识库定义了各类异常的模式特征与关联数据字段规则；

35、基于所述异常位点索引列表，在原始数据集合中定位对应的原始数据片段，并根据所述医疗数据异常模式知识库进行模式匹配，识别出每个片段所归属的特定异常模式，生成带有模式标签的异常数据项集合；

36、针对所述异常数据项集合中每个数据项，根据其模式标签，从所述医疗数据异常模式知识库中提取对应的值域校正规则，生成策略绑定数据项；

37、遍历所有策略绑定数据项，依据其数据项的临床断言上下文，区分其属于“临床诊断断言”或“客观记录数据”类别，并为每个数据项附加类别标签；

38、基于所述类别标签与模式标签，对所有策略绑定数据项进行相关性聚类分析，将涉及同一临床事件或同一生理参数的不同异常数据项归入同一个修复单元，形成修复单元集合；

39、按预设的优先级规则对所述修复单元集合进行排序，并将排序后的修复单元序列输出为结构化的所述待修复队列。

40、更进一步地，通过房颤指南与临床路径规则对所述结构化数据进行推理分析，生成决策支持信息，具体为：

41、解析所述结构化分析数据，识别其中包含的标准化数据元及其间的医学语义关系；

42、将所述标准化数据元映射为对应的临床实体与数值特征，并依据所述医学语义关系构建初始患者临床画像；

43、以所述临床实体为检索键，遍历所述房颤指南，获取与之直接关联的病理生理节点、治疗干预节点及潜在并发症节点，生成候选医学概念集合；

44、同时，根据所述数值特征与所述临床路径规则中的阈值条件，计算当前患者相对于各条标准路径的匹配度，确定其主路径锚点与偏离状态；

45、将所述候选医学概念集合与所述主路径锚点及偏离状态进行融合，生成增强的临床上下文向量；

46、利用所述临床路径规则中定义的决策逻辑树，对所述增强的临床上下文向量进行推理，消歧并筛选出符合条件的治疗选项与风险评估结果，形成结构化决策元素；

47、基于所述房颤指南中的循证关系链路，对所述结构化决策元素进行解释性关联与置信度融合，生成包含推荐方案、依据及警示的所述决策支持信息。

48、更进一步地，将所述结构化数据与所述决策支持信息进行整合，生成可视化的临床决策辅助报告，具体为：

49、提取所述决策支持信息中的推荐方案、依据及警示作为核心决策元素；

50、解析所述结构化数据，将其中的临床实体与数值特征按照预设的临床报告模板映射为原始报告片段；

51、基于所述核心决策元素与所述临床报告模板之间的语义关联规则，将所述核心决策元素动态插入所述原始报告片段，生成包含决策-证据链的初级整合内容；

52、对所述初级整合内容进行可读性优化，生成面向临床医生的叙述性文本摘要；

53、提取所述结构化数据中的时序性生理参数与所述决策支持信息中的风险评估结果，对所述时序性生理参数进行多尺度特征提取与周期模式分析，并对所述风险评估结果进行概率分布与敏感性分析，将分析结果编码为图形语法指令，生成动态趋势图与风险矩阵图；

54、将所述叙述性文本摘要、所述动态趋势图与风险矩阵图，按所述临床报告模板的布局规则进行空间排版与视觉关联标注，生成可视化报告草稿；

55、嵌入所述决策支持信息中附带的置信度与临床路径锚点作为元数据，输出所述可视化的临床决策辅助报告。

56、本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过集成标准化医学术语与数据模型，并执行包含异常模式识别与上下文关联清洗的智能治理流程，提升了输入数据的完整性、一致性及语义标准化程度，为精准分析提供了可靠的数据基础。进而，通过将患者结构化数据与机器可读化的权威房颤指南及临床路径规则进行深度推理融合，能够生成具有循证医学依据、个体化且包含解释与警示的决策支持信息，从而提升了治疗建议的规范性、准确性及临床可接受度。最终，通过将决策逻辑与患者数据动态整合为内含“决策-证据链”的可视化报告，以图文并茂的形式直观呈现关键结论与风险趋势，降低了临床医生的信息解读与决策负担，提高了诊疗效率与质量，整个系统实现了从原始数据到临床决策辅助的端到端智能化支持，能够辅助提升房颤诊疗精准性、一致性与效率。