一种面向城乡分级诊疗场景的冠心病全周期风险动态评估方法及系统

本发明属于医疗健康信息，特别是涉及一种面向城乡分级诊疗场景的冠心病全周期风险动态评估方法及系统。

背景技术：

1、冠心病作为城乡居民健康的主要威胁，具有发病率高、致残率高、死亡率高的特点。随着分级诊疗制度的深入推进，城乡医疗资源分布不均的问题日益凸显，基层医疗机构因设备条件和人员专业能力有限，在冠心病防控中面临筛查标准不统一、高危人群识别准确率低等突出问题。如何构建一套适配城乡分级诊疗场景的冠心病风险动态评估方案，实现从标准化数据采集到动态风险精确量化的全流程技术闭环，已成为本领域亟需解决的核心技术问题。

2、当前，针对冠心病风险评估的技术方案主要集中于以下几个方向：一是基于传统统计学模型的风险评估工具，如framingham风险评分、china-par模型等，利用人口统计学信息和有限的结构化危险因素进行长期风险预测，此类模型依赖单时间点的截面数据，无法整合连续监测的时序生理指标，且模型参数固定，难以捕捉患者风险状态的动态变化；二是基于机器学习的风险预测模型，通过整合电子健康记录中的多维度临床数据进行训练和预测，但此类模型通常仅输出静态风险评分，未考虑可穿戴设备采集的连续生理监测数据中包含的时序漂移信息，当患者生理指标发生渐进性恶化时，静态模型无法及时响应；三是基于可穿戴设备的健康监测系统，能够实现心率、血压等生理参数的连续采集和异常阈值报警，但此类系统通常基于固定阈值进行简单判定，缺乏与机器学习风险评估模型的深度融合，难以从时序数据中提取具有预警意义的细微漂移趋势。

3、然而，上述现有技术方案存在以下不足：第一，静态风险评估模型仅利用单次采集的截面数据，无法整合历次筛查和可穿戴设备连续监测的时序数据实现风险等级的动态更新，当患者生理指标随时间发生渐进性偏移时，静态评分无法及时反映实际风险变化；第二，可穿戴设备的时序监测数据与临床评估模型之间缺乏有效的融合机制，连续生理信号中的细微漂移趋势未被量化和纳入综合风险判断，导致风险评估对渐进性病情恶化的预警能力不足；第三，基层医疗机构缺乏标准化的多源数据采集体系和统一的数据质控手段，不同来源的数据格式和标准不一致，使得风险评估模型在城乡不同场景下的适用性和准确性难以保证；因此，需要设计一种面向城乡分级诊疗场景的冠心病全周期风险动态评估系统来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种面向城乡分级诊疗场景的冠心病全周期风险动态评估系统，旨在克服现有冠心病风险评估中静态模型无法整合连续监测时序信息、时序生理数据与临床评估模型缺乏有效融合机制、城乡筛查标准不统一的缺陷，具有通过gbdt静态风险评分与cusum时序漂移综合评分加权融合实现冠心病风险全周期动态精确量化的特点。

2、为实现上述技术方案，本发明采用的技术方案为：

3、一种面向城乡分级诊疗场景的冠心病全周期风险动态评估方法，包括以下步骤：

4、s1，通过医疗物联网终端设备与可穿戴健康监测设备自动采集目标人群的多维度健康数据，对采集数据依次完成完整性校验、逻辑合理性校验与异常值识别，完成标准化处理后存入居民全周期健康数据库；

5、s2，将标准化处理后的多维度健康数据输入预先训练的梯度提升树gbdt风险评估模型，计算得到目标人群的冠心病静态风险评分；

6、s3，对可穿戴设备采集的连续生理监测指标时序数据，采用指数加权移动平均ewma进行平滑处理后，计算累积和cusum双侧累积和统计量，当任一统计量超过判定阈值时判定对应指标发生显著时序漂移，基于各指标的漂移程度加权求和得到时序漂移综合评分；

7、s4，将静态风险评分与时序漂移综合评分按预设融合系数进行加权融合，计算得到动态综合风险评分，当未检测到任何指标的时序漂移信号时；

8、s5，基于动态综合风险评分按照预设的分级阈值判定目标人群的冠心病风险等级，分级阈值基于训练集样本评分分布的第30百分位数和第60百分位数确定。

9、优选地，gbdt风险评估模型按照以下方法训练构建：

10、s201，训练数据集构建：采集覆盖村级、乡级、县级和市级四级医疗机构的冠心病患者临床数据与健康人群体检数据，构成训练样本集；

11、s202，数据预处理：对训练样本集中的多维度健康数据进行清洗、去重与缺失值填充，对填充后的数据进行z-score标准化处理；

12、s203，特征筛选与核心特征确定：对标准化后的数据通过pearson相关系数分析各特征与冠心病发病风险的相关性；再对保留特征以梯度提升树gbdt为基础模型进行特征重要性排序，筛选出与冠心病发病风险强相关的核心特征并确定各特征在模型中的权重系数；

13、s204，模型训练：以核心特征作为输入，以冠心病发病风险评分作为输出，采用梯度提升树gbdt算法在训练样本集上进行监督训练，训练过程中每棵新决策树拟合前一轮集成模型的预测残差，逐轮迭代降低损失函数，最终将所有决策树的预测结果加权求和得到冠心病静态风险评分；

14、s205，超参数优化与性能验证：采用五折交叉验证对所述gbdt算法的基学习器数量、学习率、决策树最大深度和子采样比例四个超参数进行网格搜索优化，以交叉验证的平均auc值最大化为优化目标确定最优超参数组合；训练完成后在测试集上通过混淆矩阵、roc曲线、auc值、精准率和召回率完成模型性能验证，使auc值达到预设验收标准后固化模型参数。

15、进一步地，所述动态综合风险评分的取值范围为0分至100分，其中0分至30分为低风险等级、31分至60分为中风险等级、61分至100分为高风险等级；每次完成目标人群新增筛查数据或诊疗数据的自动同步后，系统自动将新增标准化数据重新输入模型计算并同步刷新风险等级。

16、优选地，s3中所述ewma平滑处理与cusum双侧累积和统计量按以下公式执行：

17、；

18、；

19、；

20、其中，为第项监测指标在时刻的原始采集值，为ewma平滑值，为ewma平滑系数取0.2至0.3，和分别为上单侧与下单侧cusum累积和，为健康状态基准均值，为容许松弛量取该指标健康状态标准差的二分之一；

21、当或时判定第项指标发生显著时序漂移，其中为该指标健康状态下ewma平滑值的标准差；

22、漂移评分为：

23、；

24、时序漂移综合评分为：

25、；

26、其中为纳入漂移监测的连续监测指标数量，为第项指标的漂移权重系数取该指标在gbdt模型特征重要性排序中的归一化重要性得分。

27、进一步地，s4中所述融合系数通过在验证集上以[0,1]区间内0.05为步长的网格搜索、选取使分类auc值最大的候选值确定。

28、优选地，还包括风险阈值自适应更新步骤：

29、以初始训练集的评分分布为基准分布，以滑动时间窗口内的评分分布为当前分布，将评分区间等分后计算群体稳定性指标psi，当psi超过预设触发阈值时自动以当前窗口评分分布的第30百分位数和第60百分位数重估分级阈值，并在新阈值设定滞回带以防止评分波动导致的等级跳变。

30、优选地，还包括置信度量化与自动复测步骤：

31、在gbdt训练阶段同时训练多个bagging子模型，推理时计算各子模型评分的标准差作为置信度度量，当超过预设的置信度阈值时判定当前预测置信度不足，自动向对应采集终端下发复测指令以重新采集原始指标数据并再次评分，复测后仍超标则将该记录标记为数据异常；其中所述预设的置信度阈值取验证集中正确分类样本的分布的第95百分位数。

32、进一步地，还包括四级分级计算节点架构，用于gbdt模型的训练数据采集；四级分级极端节点架构职责划分为：

33、村级边缘采集节点部署于村级医疗终端，负责原始健康数据的采集、本地缓存与预处理并上传至乡级边缘计算节点；

34、乡级边缘计算节点部署于乡级医疗机构服务器，负责数据质控与中低风险人群的常规风险评分计算并上传结果至县级区域计算节点；

35、县级区域计算节点部署于县级医疗机构数据中心，负责高风险人群的深度推理计算与转诊指令生成；

36、市级云中心计算节点部署于市级云端服务器，负责gbdt模型的集中训练、超参数优化与版本管理，训练完成后将模型下发至下级节点。

37、优选地，一种面向城乡分级诊疗场景的冠心病全周期风险动态评估系统，用于实现所述的一种面向城乡分级诊疗场景的冠心病全周期风险动态评估方法，包括：

38、标准化筛查模块，用于通过医疗物联网终端设备与可穿戴健康监测设备自动完成目标人群多维度健康数据的采集、标准化校验与质控；

39、风险动态评估模型模块，用于构建gbdt风险评估模型，集成cusum时序漂移检测与ewma平滑处理，将gbdt静态评分与时序漂移综合评分加权融合为动态综合风险评分并完成风险等级判定；

40、优选地，所述风险动态评估模型模块包括模型构建与训练子模块、cusum时序漂移检测与ewma平滑处理子模块、风险等级判定子模块和风险动态更新子模块，其中模型构建与训练子模块的输出端连接至风险等级判定子模块的输入端，风险动态更新子模块的输出端反馈连接至风险等级判定子模块的输入端。

41、进一步地，一种计算机设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行所述的面向城乡分级诊疗场景的冠心病全周期风险动态评估方法。

42、进一步地，一种计算机可读存储介质，计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行所述的面向城乡分级诊疗场景的冠心病全周期风险动态评估方法。

43、本发明的有益效果为：

44、1，本发明通过构建覆盖村级、乡级、县级和市级四级医疗机构的训练样本集，采用gbdt算法通过pearson相关系数分析与特征重要性排序筛选核心风险特征并确定权重系数，结合五折交叉验证网格搜索优化超参数组合，构建了高精度冠心病静态风险评估模型，同时通过医疗物联网终端设备和可穿戴健康监测设备实现了多维度健康数据的自动化采集与全流程标准化质控，解决了现有技术中城乡筛查标准不统一、模型对基层人群适配性差的缺陷。

45、2，本发明通过引入ewma平滑处理和cusum双侧累积和统计量对可穿戴设备采集的连续生理监测指标时序数据进行漂移检测，当任一监测指标的ewma平滑值偏离健康状态基准并持续累积超过判定阈值时判定发生显著时序漂移，按各指标的归一化特征重要性加权求和得到时序漂移综合评分，并将静态风险评分与时序漂移综合评分按预设融合系数加权融合为动态综合风险评分，解决了现有静态评估模型无法整合连续监测时序信息、对渐进性生理恶化响应滞后的缺陷。

46、3，本发明通过引入群体稳定性指标psi实现分级阈值的自适应更新，使评分分布发生显著偏移时自动重估分级阈值并设定滞回带防止等级跳变，同时通过在gbdt训练阶段构建多个bagging子模型并以子模型评分的标准差作为置信度度量，在置信度不足时自动触发复测指令，解决了风险等级划分标准随人群分布变化而失效以及单次采集数据质量异常导致误判的缺陷。