一种基于多模态数据融合的三高状态检查方法

摘要: 本发明属于智慧医疗与数字公共卫生,具体为一种基于多模态数据融合的三高状态检查方法。背景技术:1、三高是心脑血管疾病、糖尿病肾病等慢性疾病的核心危险因素,已成为我...
一种基于多模态数据融合的三高状态检查方法

本发明属于智慧医疗与数字公共卫生,具体为一种基于多模态数据融合的三高状态检查方法。

背景技术:

1、三高是心脑血管疾病、糖尿病肾病等慢性疾病的核心危险因素,已成为我国重大公共卫生挑战。当前三高检查方法存在诸多关键局限:

2、1、评估维度单一,依赖单点或有限次数测量,无法反映三高指标的昼夜节律、季节波动等动态特征,与临床“动态评估”理念脱节;

3、2、评判标准僵化,采用统一阈值(如血压≥140/90mmhg、空腹血糖≥7.0mmol/l),忽视年龄、遗传、基础疾病等个体差异,尤其缺乏对青少年群体的针对性适配,导致特殊人群误判率高;

4、3、医学特征挖掘不足,仅关注指标绝对值,未充分提取晨峰血压、血脂协同升高系数等具有临床预后价值的核心特征;

5、4、早期预警能力薄弱,仅能诊断已发病例,无法识别“指标未达标但偏离个人基线”的早期异常,且未建立与现有方法的明确差异化优势;

6、5、群体分析深度不够,缺乏地理信息系统(gis)赋能,无法关联区域环境因素(如温湿度、污染指数)分析风险分布,也未形成含清晰图例的可视化报告。

7、因此,设计一种基于多模态数据融合的三高状态检查方法。

技术实现思路

1、针对上述情况,为克服现有技术的缺陷,本发明提供一种基于多模态数据融合的三高状态检查方法,有效的解决了背景技术提出的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于多模态数据融合的三高状态检查方法,包括以下步骤:

3、步骤一:多源数据采集与预处理,通过数据采集模块获取并整合用户的静态基线数据、动态时序生理数据、环境与行为上下文数据及生化检测数据,采用多模态数据对齐、关联映射及质量校验机制执行标准化预处理,实现多维度数据的协同适配;

4、步骤二:三高多维度医学特征提取,通过医学特征工程模块从预处理后的数据中,分别计算高血压、高血脂、高血糖相关的核心医学特征指标,构建三高特征体系;

5、步骤三:临床适配型个性化基准模型构建,基于静态基线数据中的人群分层特征与步骤二的医学特征指标,结合临床指南与经验设定调整系数,为每个用户生成高血压、高血脂、高血糖个性化动态基准范围;

6、步骤四:分级评估与干预触发,通过评估模块将实时生理测量值与对应个性化基准范围比对,结合多指标协同分析与临床风险因子,实现三高状态三级分级评估,并触发针对性干预建议;

7、步骤五:gis赋能群体分析与可视化报告生成,结合gis地理信息系统对大规模评估结果进行多维度群体分析,关联区域环境影响因素,生成含图例的可视化报告,为公共卫生决策提供支撑。

8、优选的,步骤一中所述多模态数据的采集与融合实现方法如下:

9、静态基线数据:采用“档案提取+规范填报”双渠道采集,包括年龄分层(青少年6-17岁、青年18-44岁、中年45-64岁、老年≥65岁)、性别、身高、体重(自动计算bmi)、家族病史(明确标注三高及心脑血管疾病史的患病亲属关系、发病年龄)、既往病史(详细记录高血压、高血脂、高血糖及合并疾病的确诊时间、治疗历程)、用药史(含药物名称、剂型、剂量、用药时长、停药原因)、生活习惯(运动频率按“每周0次/1-2次/3-5次/≥6次”分级,盐摄入按“<5g/天/5-10g/天/>10g/天”分级,糖摄入按“<25g/天/25-50g/天/>50g/天”分级,脂摄入按“低脂/中等/高脂”分级,吸烟史标注“无/已戒烟/当前吸烟”及吸烟年限、日吸烟量,饮酒史标注“无/偶尔饮酒/经常饮酒”及饮酒频率、单次饮酒量);

10、动态时序生理数据:采用“设备自动同步+人工补录校验”采集模式,为用户连续7-14天的三高核心生理参数时序序列,其中血压数据含收缩压、舒张压、脉率及测量体位(坐姿/站姿/卧姿),每日按“清晨6-8时、午后14-16时、夜间20-22时”固定时段采集,形成不少于21组有效数据;血糖数据含空腹血糖(禁食8-12小时后)、餐后2小时血糖(进食第一口饭开始计时)、随机血糖,同步记录进食类型(主食/蛋白质/脂肪为主);血脂数据含总胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇,每周固定时间点采集;同时同步采集心率变异性、睡眠结构数据(含总睡眠时长、深睡眠时长、浅睡眠时长、觉醒次数),所有数据通过符合iso 81060-2临床标准的检测设备采集,支持蓝牙、wi-fi自动上传,人工补录数据需标注测量场景(居家/临床/社区)及设备型号;

11、环境与行为上下文数据:采用“传感器自动采集+用户场景化填报”融合模式,测量时间戳精确到分钟,季节按“春季3-5月、夏季6-8月、秋季9-11月、冬季12-2月”划分;环境温湿度通过设备内置传感器或对接区域环境监测平台获取,精度分别为±0.5℃、±5%rh;空气污染指数aqi关联用户所在区域实时监测数据,同步获取pm2.5、pm10浓度;睡眠时长及质量通过智能穿戴设备监测或用户按“1-5分”自评(1分极差,5分极佳);运动强度按“低强度(散步、太极)/中等强度(快走、慢跑)/高强度(快跑、球类)”分级,同步记录运动时长;压力自评数据按“0-10分”填报(0分无压力,10分极度压力),所有上下文数据与对应时间点的生理测量数据通过时间戳精准绑定;

12、生化检测数据:采用“医疗机构接口对接+检验报告上传识别”方式采集,包括空腹血糖(单位:mmol/l)、糖化血红蛋白(单位:%)、总胆固醇(单位:mmol/l)、甘油三酯(单位:mmol/l)、高密度脂蛋白胆固醇(单位:mmol/l)、低密度脂蛋白胆固醇(单位:mmol/l),对接医疗机构检验信息系统(lis)实现数据自动同步,用户上传检验报告时通过ocr识别技术提取关键指标,经人工核对后纳入数据库,数据时间范围限定为近6个月内,确保与动态生理数据的时序关联性;

13、多模态数据融合机制:通过“时间戳对齐+用户唯一标识绑定”实现四类数据的深度关联,建立用户唯一识别码(如身份证号加密后字段),将静态基线数据作为基础属性标签,动态时序生理数据作为核心时序序列,环境与行为上下文数据作为场景属性补充,生化检测数据作为临床验证依据,构建“用户-时间-场景-指标”四维数据模型,确保多源数据的一一对应与协同分析能力。

14、优选的,步骤一中所述数据预处理包括:

15、异常值剔除:采用临床认可规则,血压剔除超出[70/40mmhg(青少年)、80/50mmhg(成人),220/130mmhg]范围值,空腹血糖剔除超出[3.9mmol/l,11.1mmol/l]范围值,总胆固醇剔除超出[2.8mmol/l,6.5mmol/l]范围值;

16、缺失值填补:采用线性插值法填补≤24小时的缺失数据,超出24小时提示用户补充测量;

17、标准化处理:将数值型数据映射至[0,1]区间,消除量纲差异,公式为:

18、

19、其中,为标准化后的数据值,为原始数据值,为该类数据临床合理最小值,为该类数据临床合理最大值。

20、优选的,步骤二中所述核心医学特征指标按三高类型分类计算:

21、1)、高血压相关特征:

22、晨峰血压值:清晨6-10时最高血压与夜间0-6时最低血压的差值,计算公式为:

23、

24、其中,为晨峰血压值,为清晨6-10时期间测量的最高血压值,为夜间0-6时期间测量的最低血压值;青少年正常参考范围<10mmhg,成人正常参考范围<15mmhg;

25、夜间血压下降率:通过以下公式计算:

26、

27、其中,为夜间血压下降率,为日间6-22时期间所有有效血压测量值的平均值,为夜间22时-次日6时期间所有有效血压测量值的平均值;

28、血压变异性:连续24小时内有效血压测量值的标准差,计算公式为:

29、

30、其中,为血压标准差,为连续24小时内有效血压测量的总次数,为第i次有效血压测量值,为连续24小时内所有有效血压测量值的平均值;青少年≤5mmhg为稳定,成人≤6mmhg为稳定;

31、2)、高血脂相关特征:

32、血脂协同升高系数lcc:计算公式为:

33、

34、其中,为血脂协同升高系数;为总胆固醇、甘油三酯、低密度脂蛋白胆固醇中超出对应常规参考值的指标数量;为检测的血脂核心指标总数,固定为3项;正常范围<33%,即≤1项指标超出参考值;

35、血脂波动幅度lf:计算公式为:

36、

37、其中,为血脂波动幅度,为连续多次(≥3次)检测中某一血脂指标的最大测量值,为同一指标连续多次检测中的最小测量值;总胆固醇正常波动<1.0mmol/l,甘油三酯正常波动<1.5mmol/l;

38、3)、高血糖相关特征:

39、空腹血糖波动系数gfc:计算公式为:

40、

41、其中,为空腹血糖波动系数,为连续7天空腹血糖测量值的标准差,为连续7天空腹血糖测量值的平均值;正常范围<10%;

42、餐后2小时血糖峰值:指餐后2小时内连续监测的最高血糖值,无额外计算公式,其中,为餐后2小时血糖峰值,青少年正常<7.8mmol/l,成人正常<7.8mmol/l。

43、优选的,步骤三中所述个性化基准模型构建基于临床逻辑,无需复杂神经网络,具体包括以下子步骤:

44、子步骤3.1:确定同层基础基准,基于用户年龄分层(含青少年)、bmi等级、家族史,参考《中国高血压防治指南》《中国成人血脂异常防治指南》《中国2型糖尿病防治指南》设定三高基础基准中位值、、,其中为高血压基础基准中位值,为血脂基础基准中位值,为血糖基础基准中位值;

45、子步骤3.2:计算特征调整系数,结合步骤二的医学特征指标,设定调整系数α(如晨峰血压异常α=0.05,血脂协同升高α=0.04,血糖波动异常α=0.03,正常则α=0),α为无量纲系数,用于量化医学特征异常对基准范围的影响程度;

46、子步骤3.3:设定波动适配系数,根据用户自身指标波动情况确定k,青少年k=0.9,成人稳定型k=1.0,成人波动型k=1.1,老年人k=1.2,k为无量纲波动适配系数,用于适配不同人群的指标波动耐受度;

47、子步骤3.4:划定个性化基准范围,公式为:

48、其中,为对应指标基础基准中位值、、,为特征调整系数,为波动适配系数,为用户自身该指标历史波动标准差(单位与对应指标一致,血压为mmhg、血脂为mmol/l、血糖为mmol/l)。

49、优选的,步骤四中所述三级分级评估标准为:

50、正常状态:三高实时测量值均位于对应个性化基准范围内,且各指标负荷值<10%,无临床风险因子;

51、警戒状态:某一项或两项指标连续3-5天超出基准范围上限但未达临床诊断阈值,或指标负荷值10%-20%,无其他临床风险因子;

52、高风险状态:某一项及以上指标连续≥5天超出基准范围上限,或指标负荷值≥20%,或合并1项及以上临床风险因子(如肥胖、家族史、代谢异常)。

53、优选的,步骤四中所述干预建议按评估等级与人群类型分类:

54、正常状态:推送健康维持建议(青少年:控糖限脂、每日运动≥60分钟;成人:盐摄入≤5g/天、每周运动≥150分钟;老年人:低盐低脂、每周运动≥120分钟);

55、警戒状态:推送针对性干预方案(如高血压警戒:减少熬夜、低盐饮食;高血脂警戒:减少油炸食品、增加膳食纤维;高血糖警戒:控制主食摄入、餐后运动15分钟),建议每周监测2-3次对应指标,1个月后复查;

56、高风险状态:推送临床就诊建议(1周内到心内科/内分泌科就诊),生成三高特征分析报告供临床参考,启动社区医生随访。

57、优选的,步骤五中所述群体分析维度包括:

58、人群维度:按年龄分层(含青少年6-17岁)、性别、bmi等级、家族史、生活习惯分类,统计不同人群三高状态分布;

59、区域维度:结合gis地理信息系统,按行政区域(省、市、区、街道)划分,关联区域环境数据(平均温湿度、空气污染指数、绿地覆盖率、食品零售密度),分析环境因素对三高状态的影响;

60、生成的可视化报告含明确图例:区域三高风险热力图(绿-正常、黄-警戒、红-高风险)、不同人群风险分布柱状图(图例标注人群类型)、环境因素关联散点图(图例标注环境因子)、青少年三高筛查专项统计图(图例标注指标类型)。

61、优选的,所述方法适用于全人群三高检查,包括青少年三高筛查(重点关注肥胖青少年、家族史阳性青少年)、成人三高早期筛查、老年人三高慢病管理,分类标准明确:

62、青少年:6-17岁,高血压参考《中国青少年血压参照标准》,高血脂参考《中国儿童青少年血脂异常防治专家共识》,高血糖参考《儿童青少年糖尿病筛查与诊断专家共识》;

63、成人:18-64岁,参考成人相关临床指南;

64、老年人:≥65岁,基准范围适当放宽,参考老年慢病管理指南。

65、优选的,所述多源数据采集模块支持多渠道规范采集,包括医疗机构临床数据录入、家用标准设备数据填报(含测量时间/状态备注)、社区/学校筛查数据批量导入,数据录入时标注采集场景(临床/居家/社区/学校);所述方法的技术路线通过“数据采集-特征提取-临床建模-分级评估-群体分析”闭环实现,与现有统一阈值方法相比,突出个体差异适配、青少年覆盖、gis环境关联及临床导向优势。

66、与现有技术相比,本发明的有益效果是:

67、1、本发明评估精准性高,个性化基准模型适配个体差异与人群特征(含青少年),结合多维度医学特征,降低特殊人群误判风险,评估结果更符合临床实际;

68、2、本发明早期预警能力强,“警戒状态”设定能精准识别早期异常漂移,尤其对青少年三高的早期发现具有重要意义,为慢性疾病一级预防提供技术支撑;

69、3、本发明公共卫生价值突出,gis赋能的群体分析能揭示区域、人群、环境的三高风险关联,生成的可视化报告为公共卫生部门制定精准防控策略(如青少年健康促进计划、高污染区域干预措施)提供数据支撑;

70、4、本发明临床实用性强,聚焦医学特征工程与临床逻辑,无需复杂编程,便于医学背景人员推广应用,适配临床筛查、社区防控、学校体检等多场景;

71、5、本发明全链条闭环干预,建立“评估-干预-随访”闭环机制,按人群类型与评估等级推送个性化干预方案,提升干预依从性与效果。