基于临床净效益最大化的风险检测方法、设备、介质和程序产品与流程

摘要: 本发明涉及智能医疗领域,更具体地,涉及一种基于临床净效益最大化的风险检测方法、设备、介质和程序产品。背景技术:1、在急诊科环境中,早期识别院内死亡风险患者对于及...
基于临床净效益最大化的风险检测方法、设备、介质和程序产品与流程

本发明涉及智能医疗领域,更具体地,涉及一种基于临床净效益最大化的风险检测方法、设备、介质和程序产品。

背景技术:

1、在急诊科环境中,早期识别院内死亡风险患者对于及时干预和改善预后至关重要。近年来,人工智能和机器学习模型通过分析大规模电子健康记录数据,在预测不良事件方面具有良好的前景,如果以受试者工作特征曲线下面积(auroc)为衡量标准,区分度较高。

2、然而,仅凭高区分度并不能保证临床实用性。人工智能驱动的早期预警系统面临的一大挑战是其容易产生过多的误报,尤其是在预测罕见事件(例如院内死亡)时,院内死亡的发生率低于急诊入院病例的5%。这种极端的类别不平衡导致阳性预测值(ppv)很低,严重限制了高性能模型的实际应用价值。例如,hsieh等人开发了一种院内死亡预测模型,其auroc为0.81,但阳性预测值(positive predictive value,ppv)仅为10.55%,这意味着近90%的警报都是假阳性。ppv是反映警报准确性的关键指标,因为误报会导致不必要的紧急响应,从而加剧警报疲劳、临床医生麻木以及对决策支持系统信任度的降低。

3、如果通过优先处理高精度警报来提高ppv,通常会以牺牲灵敏度为代价,从而可能导致漏诊真实事件。此外,传统的机器学习算法在不平衡数据集中往往会将预测结果偏向多数类,从而忽略罕见但具有重要临床意义的病例。但该问题的出现并非源于模型准确率低,而是源于罕见事件预测固有的数学挑战。低阳性预测值(ppv)源于类别不平衡,会加剧警报疲劳,这是一种与延迟响应和漏诊关键事件密切相关的现象。为了解决数据集不平衡问题,现有技术提出了多种策略,包括重采样和成本敏感学习。然而,这些方法往往无法与临床决策的细微差别相契合,或者缺乏透明度。

4、关键的是,尽管ihm预测模型的数量不断增加,但很少有研究系统地评估类别不平衡如何通过ppv等指标影响临床可用性,也没有研究探索在这些不平衡条件下平衡灵敏度和特异性的阈值策略。此外,大多数现有的早期预警系统都是作为单一的预测器运行,缺乏分层优先级,产生的警报缺乏可操作的清晰度,并且与临床工作流程不符。

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,本发明提供一种基于临床净效益最大化的风险检测优化模型的构建方法,以及基于该模型的风险检测方法;本发明主要是提出一种以最大化标准化净收益(standardized net benefit, snb)为优化目标的风险预警与决策支持技术,与简单的风险分层方法不同,该方法通过系统优化阈值选择,实现对阳性事件(罕见但高危害)检测精度与临床效用之间的最优平衡。

2、本申请第一方面公开一种基于临床净效益最大化的风险检测优化模型的构建方法,包括:

3、获取训练集样本的院内死亡率预测值,

4、根据所述院内死亡率预测值定义至少2个风险阈值,根据所述风险阈值将所述训练集样本划分为包括低风险组、中风险组和高风险组的多层级风险类别,得到不同风险类别及表征每组风险类别中的数据情况,得到风险检测优化模型;

5、其中,所述风险阈值基于精确率-召回率权衡校准,以最大化标准化净收益为优化目标计算得到,所述标准化净收益通过计算所述风险检测优化模型的总净效益与两种极端策略的效用值中最大值的差值得到。

6、本申请第二方面公开一种基于临床净效益最大化的风险检测方法,包括:

7、接收待测样本的院内死亡率预测值,院内死亡率预测值根据样本的病历数据集预测得到;

8、将所述院内死亡率预测值输入根据本申请第一方面公开的方法构建的风险检测优化模型中,得到待测样本属于低风险组、中风险组和高风险组中的一种预测结果;

9、可选的,所述方法还包括:如果是低风险组,输出出院或最低限度监护的方案推荐,如果是中风险组,输出持续观察的方案推荐,如果是高风险组,输出立即干预的方案推荐。

10、本申请第三方面公开一种计算机设备,设备包括:存储器和处理器;存储器用于存储计算机程序;处理器执行计算机程序以实现上述方法。

11、本申请第四方面公开一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法。

12、本申请第五方面公开一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法。

13、本申请具有以下有益效果:

14、1、本申请公开的多分层阈值校准并非基于传统的youden指数或单一准确率,而是以最大化标准化净收益(standardized net benefit, snb)为优化目标。该snb通过扩展的决策曲线分析(dca)计算,其效用函数(utility function)明确量化了针对不同风险层级采取不同临床行动(如对高风险立即干预、对中风险观察、对低风险分流)所带来的临床效益与成本。此方法确保了分层策略的最终目标是临床效用而不仅仅是统计精度。

15、2、本申请中llm的任务并非进行初始预测,而是基于其内化的医学知识对结构化患者数据(体征、化验结果等)进行临床合理性判断。其通过一个结构化的提示词(prompt)框架(如:“基于您的临床知识,请评估该警报…”)输出一个分类决策(“同意/拒绝/不确定”)及一段自然语言理由。这种应用模式将llm定位为一个“虚拟专家”,用于识别和过滤机器学习模型产生的假阳性警报,从而显著提升最终警报流的ppv。

16、3、本申请公开的系统可无缝集成于现有电子病历系统,适用于多种医疗环境下的罕见危重事件预测与预警,包括但不限于急诊科高危病情筛查、住院患者脓毒症早期预警、icu患者谵妄发生风险预测、心内科心力衰竭再入院风险评估、以及肿瘤科化疗后重症骨髓抑制监测等任何阳性事件罕见但后果严重的医疗场景。该技术能够在诊疗过程中自动整合多源临床数据,通过人工智能模型实时计算风险概率,并基于多阈值分层与知识增强过滤机制,有效区分真实高危患者与虚假警报,显著降低因非平衡数据(即少数严重事件)导致的误报干扰。系统同时提供可解释的分析依据和分级处置建议,帮助医护人员在资源有限的情况下优先处理真实风险,缓解警报疲劳,提升医疗安全与资源利用效率。

1.基于临床净效益最大化的风险检测优化模型的构建方法,其特征在于,包括:

2.根据权利要求1所述的基于临床净效益最大化的风险检测优化模型的构建方法,其特征在于,所述风险检测优化模型的总净效益通过效用函数计算得到;两种极端策略为全部处理和全部不处理;

3.根据权利要求1所述的基于临床净效益最大化的风险检测优化模型的构建方法,其特征在于,所述方法还包括:将所述中风险组划分为中低风险、中风险和中高风险亚组,得到不同风险类别及表征每组风险类别中的病历数据情况,得到风险检测优化模型。

4.根据权利要求1所述的基于临床净效益最大化的风险检测优化模型的构建方法,其特征在于,所述方法还包括:使用大语言模型评估所述风险检测优化模型输出的多层级风险类别结果,并输出包含是、否和不确定中的任一种的分类决策,以识别和过滤风险检测优化模型产生的假阳性警报。

5.根据权利要求1所述的基于临床净效益最大化的风险检测优化模型的构建方法,其特征在于,所述院内死亡率预测值通过以下方式得到:

6.根据权利要求5所述的基于临床净效益最大化的风险检测优化模型的构建方法,其特征在于,所述方法还包括:根据所述院内死亡预测模型中的数据,计算所述病历数据集中每个特征的贡献度,根据贡献度筛选每个所述训练集样本的关键风险因子。

7.一种基于临床净效益最大化的风险检测方法,其特征在于,包括:

8.一种电子设备,其特征在于,所述设备包括:

9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于临床净效益最大化的风险检测优化模型的构建方法,和/或权利要求7所述的基于临床净效益最大化的风险检测方法。

10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6任一项所述的基于临床净效益最大化的风险检测优化模型的构建方法,和/或权利要求7所述的基于临床净效益最大化的风险检测方法。