一种基于PK-PD与深度学习的麻醉生命体征个体化预测方法

本发明涉及麻醉生命体征预测，特别涉及一种基于pk-pd与深度学习的麻醉生命体征个体化预测方法。

背景技术：

1、在临床麻醉管理领域，生命体征的动态预测是支撑麻醉方案调整、保障患者围术期安全的重要技术环节。随着精准麻醉理念的普及与临床需求的升级，行业内对个体化、高精度的生命体征预测技术的关注度持续提升。药代动力学-药效动力学模型作为具备明确药理依据的分析工具，已在麻醉药物效应评估相关场景中得到广泛应用，可基于药物给药方案与体内代谢规律推导对应的生理效应变化趋势，具备清晰的机理逻辑。与此同时，深度学习技术在时序生理数据处理方向快速发展，时序编码、特征注意力等相关技术可有效挖掘生理体征的时序变化规律，从历史监测数据中提取高价值特征，为生命体征预测提供了数据驱动的技术路径，两类技术均已形成各自的技术体系与应用场景。

2、当前的生命体征预测技术中，基于药理机理的预测模型多采用群体通用参数，难以充分适配不同患者的个体生理差异，同时无法有效整合历史时序体征数据中的动态变化信息，预测精度存在明显的提升空间。纯数据驱动的深度学习预测方法缺乏药理机理的有效约束，预测结果易偏离生理合理范围，整体预测稳定性与可解释性不足。两类技术的融合深度有限，药理计算产生的中间状态信息未能与时序预测过程充分交互，输入特征的自适应筛选与利用效率不高，难以同时兼顾预测结果的机理合理性与数据拟合精度，无法充分满足个体化麻醉管理中对生命体征精准、稳定预测的实际应用需求。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于pk-pd与深度学习的麻醉生命体征个体化预测方法。

2、本发明的目的是通过以下技术方案来实现的：

3、提供了一种基于pk-pd与深度学习的麻醉生命体征个体化预测方法，该方法包括以下步骤：

4、s1.对输入的静态特征数据、动态特征数据、历史状态数据和时间信息数据进行异常值剔除处理，对连续特征数据执行标准化处理，得到预处理后的数据；

5、s2.基于预处理后的数据中的静态特征数据生成个体化生理参数，结合预处理后的数据中的动态特征数据进行药代动力学-药效动力学计算，得到生命体征预测基线值和药代动力学-药效动力学中间状态特征；

6、s3.基于预处理后的数据执行时序特征选择与时序编码处理，结合药代动力学-药效动力学中间状态特征执行交叉注意力计算，得到生命体征预测残差校正值；

7、s4.将生命体征预测基线值与生命体征预测残差校正值执行残差融合计算，通过非线性预测网络输出最终生命体征预测结果。

8、进一步的，步骤s1中的异常值剔除与标准化处理，包括以下子步骤：

9、s1.1.依据设定统计原则识别数据中的异常样本，移除识别出的异常样本，保留符合设定统计原则的有效数据；

10、s1.2.提取静态特征数据、动态特征数据和历史状态数据中的连续型变量，计算连续型变量的均值和标准差，基于均值和标准差对连续型变量执行z-score标准化转换；

11、s1.3.提取时间信息数据中的时间戳信息，将时间戳信息映射至设定数值区间，输出统一格式的预处理后的数据。

12、进一步的，步骤s2中的个体化生理参数生成与药代动力学-药效动力学计算，包括以下子步骤：

13、s2.1.将静态特征数据输入多层感知机，通过多层感知机对静态特征数据进行编码运算，输出患者生理潜向量；

14、s2.2.获取数据库中存储的群体先验参数，将群体先验参数与患者生理潜向量进行参数融合微调，生成个体化药代动力学-药效动力学参数；

15、s2.3.将动态特征数据与个体化药代动力学-药效动力学参数输入药代动力学-药效动力学计算单元，依次执行药代动力学计算和药效动力学计算，输出生命体征预测基线值和药代动力学-药效动力学中间状态特征。

16、进一步的，步骤s3中的时序特征选择与时序编码处理，包括以下子步骤：

17、s3.1.将预处理后的数据输入时序变量选择网络，引入静态上下文向量调节变量选择权重，通过门控残差网络生成每个时间步特征的权重系数，对权重系数执行归一化处理后与特征表示进行加权求和，输出加权后的时序特征表示；

18、s3.2.将加权后的时序特征表示输入长短期记忆网络，通过长短期记忆网络的输入门、遗忘门和输出门执行信息传递控制运算，输出时序编码特征；

19、s3.3.将时序编码特征与药代动力学-药效动力学中间状态特征输入交叉注意力模块，执行交叉注意力权重分配与特征加权运算，输出生命体征预测残差校正值。

20、进一步的，步骤s4中的残差融合计算与非线性预测网络输出，包括以下子步骤：

21、s4.1.将生命体征预测基线值与生命体征预测残差校正值执行逐元素相加运算，得到初始融合预测值；

22、s4.2.将初始融合预测值输入kolmogorov-arnold网络，通过kolmogorov-arnold网络的内部函数对单个输入特征进行非线性变换，通过kolmogorov-arnold网络的外部函数对内部函数的输出进行聚合运算，输出最终生命体征预测结果。

23、进一步的，在步骤s2.2中，采用个体化参数匹配样本增强方式优化个体化药代动力学-药效动力学参数的生成效果，完成训练集初始训练后，保存训练集样本对应的个体化药代动力学-药效动力学参数；针对新样本，使用切皮事件之前的时序数据预训练网络得到新样本个体化药代动力学-药效动力学参数；计算新样本个体化药代动力学-药效动力学参数与训练集样本个体化药代动力学-药效动力学参数的相似度度量；基于设定相似度阈值筛选出相似度高于设定相似度阈值的训练集样本，使用筛选出的样本重新训练网络。

24、进一步的，在步骤s2.3中，药代动力学-药效动力学计算单元包含药代动力学计算和药效动力学计算，药代动力学计算采用三室模型执行药物体内过程模拟运算，药效动力学计算采用sigmoid emax模型执行药物浓度与效应关联运算。

25、进一步的，在步骤s3.1中，时序变量选择网络的静态上下文向量由静态特征编码器生成，静态上下文向量包含不随时间变化的个体生理信息，门控残差网络接收拼接后的特征表示与静态上下文向量，输出未归一化的权重参数，权重参数经softmax层归一化后生成对应特征的权重系数。

26、进一步的，在步骤s3.3中，交叉注意力模块分别生成查询矩阵、键矩阵和值矩阵，基于查询矩阵与键矩阵的转置计算注意力得分，对注意力得分执行归一化处理后与值矩阵进行加权运算，得到融合药代动力学-药效动力学中间状态特征的时序特征表示，基于时序特征表示生成生命体征预测残差校正值。

27、进一步的，在步骤s4中，执行残差融合与非线性预测的模型采用分阶段训练方式得到，第一阶段固定深度学习时序预测模块的参数，单独训练个体化药代动力学-药效动力学模块至收敛状态；第二阶段固定个体化药代动力学-药效动力学模块的参数，单独训练深度学习时序预测模块；第三阶段开放全部模块的参数，执行端到端联合微调运算，实现参数的联合优化。

28、本发明的有益效果是：

29、（1）通过药代动力学-药效动力学计算与时序预测残差融合的架构，结合药理机理与数据驱动的双重优势，在保障预测结果符合生理规律的基础上，提升生命体征个体化预测的整体精度与稳定性；

30、（2）通过时序特征自适应选择与交叉注意力特征融合机制，对不同维度输入特征执行差异化加权处理，实现药理中间状态与时序数据的深度交互，提升有效特征信息的利用效率；

31、（3）通过分阶段训练与个体化参数匹配样本增强的流程，分步完成模型参数优化，适配不同患者的生理特征差异，提升模型在不同临床场景下的泛化能力。