用于入院初期无历史数据患者的胰岛素剂量迁移推荐方法与流程
本发明属于智能给药,具体涉及一种用于入院初期无历史数据患者的胰岛素剂量迁移推荐方法。
背景技术:
1、对于新入院的糖尿病患者,尤其是需要使用胰岛素控制血糖的住院患者,在入院初期尚无任何个人历史注射数据的情况下,首次胰岛素剂量的确定是临床决策中的高风险环节。
2、目前,临床实践中通常依赖于医嘱中的固定剂量方案(如“早12单位,晚8单位”),该方案多为医生基于患者体重、糖尿病类型等有限信息,结合群体经验估算得出,属于群体化而非个体化的决策模式。现有智能胰岛素笔虽能自动记录注射时间与剂量,但其作用仅限于数据采集与复述医嘱,并不具备为无历史数据的新入院患者提供个体化剂量建议的能力。
3、部分已有技术方案尝试基于患者历史注射与血糖数据进行个体化建模,但其前提条件是患者已积累足够数量的注射-血糖响应样本。对于刚入院、尚无任何自身注射记录的目标患者,该类方案存在冷启动困境,无法在首次注射时即给出优于固定医嘱的个体化推荐。若初始剂量偏差过大,可能导致入院初期出现严重高血糖或低血糖事件,延长血糖达标时间,增加并发症风险。
4、因此,如何在目标患者入院初期、尚无任何自身历史注射数据的条件下,为其首次胰岛素注射提供一个优于群体经验估算的个体化迁移推荐剂量,是本领域亟待解决的技术问题。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足,提供一种用于入院初期无历史数据患者的胰岛素剂量迁移推荐方法,包括以下步骤:
2、响应于目标患者入院事件,获取所述目标患者的个体属性数据,所述个体属性数据包括体重、糖尿病类型、病程及当前肾功能指标;
3、将所述个体属性数据输入预训练的代谢相似度网络,由所述代谢相似度网络在已积累的多患者历史数据库中检索,输出与所述目标患者代谢特征相似度最高的k个历史患者,作为迁移源患者;其中,所述代谢相似度网络是以历史患者的个体属性数据为输入、以该历史患者各自在线学习至稳定状态的个体化剂量-血糖响应模型参数为监督信号训练得到的映射网络;
4、提取k个所述迁移源患者各自的个体化剂量-血糖响应模型参数,所述模型参数定义从注射前血糖状态和注射剂量到注射后血糖变化轨迹的预测函数;
5、根据所述目标患者与各迁移源患者的代谢相似度,对k组模型参数进行加权融合,生成针对于所述目标患者的初始个体化剂量-血糖响应预测模型;
6、在所述目标患者入院后触发首次胰岛素注射决策时,获取当前实时血糖状态,生成以医嘱建议剂量为中心、以预设步长扩展的多个备选剂量;
7、将所述当前实时血糖状态与每一备选剂量输入所述初始个体化剂量-血糖响应预测模型,得到各备选剂量分别对应的预测血糖变化轨迹;
8、针对每一预测血糖变化轨迹,计算低血糖风险指标和高血糖风险指标,从多个备选剂量中选取使所述低血糖风险指标低于安全阈值且所述高血糖风险指标最小的备选剂量,作为所述目标患者的首次胰岛素迁移推荐剂量,并输出该推荐剂量。
9、根据本技术提供的技术方案,所述获取当前实时血糖状态,生成以医嘱建议剂量为中心、以预设步长扩展的多个备选剂量,包括以下步骤:
10、获取所述初始个体化剂量-血糖响应预测模型在生成过程中得到的模型置信度指标;
11、至少根据所述模型置信度指标,动态确定针对当前次注射的备选剂量搜索范围,其中所述备选剂量搜索范围的大小与所述模型置信度呈负相关;
12、在所述备选剂量搜索范围内,生成多个备选剂量。
13、根据本技术提供的技术方案,所述模型置信度指标由k个迁移源患者的代谢相似度分布的离散度以及加权融合时的权重方差计算得到;
14、所述至少根据所述模型置信度指标,动态确定针对当前次注射的备选剂量搜索范围,包括以下步骤:
15、根据所述模型置信度指标确定搜索半径,所述搜索半径与所述模型置信度呈负相关;
16、获取所述当前实时血糖状态,计算当前血糖值相对于目标血糖区间的偏离方向与偏离程度;
17、根据所述偏离方向,将所述搜索半径以非对称方式分配至所述医嘱建议剂量的两侧,形成非对称搜索区间;
18、获取所述目标患者的当前肾功能指标,基于预设的胰岛素清除率-肾功能映射关系,计算所述目标患者的安全剂量上限;
19、获取预定义的胰岛素最低有效剂量阈值;
20、以所述非对称搜索区间的上限和所述安全剂量上限中的较小值作为实际搜索上限,以所述非对称搜索区间的下限和所述最低有效剂量阈值中的较大值作为实际搜索下限,得到所述备选剂量搜索范围。
21、根据本技术提供的技术方案,所述当前实时血糖状态包括当前血糖值及当前血糖变化速率;
22、所述获取当前实时血糖状态之后,还包括以下步骤:
23、判断所述当前实时血糖状态中是否包含有效的当前血糖变化速率;
24、所述生成以医嘱建议剂量为中心、以预设步长扩展的多个备选剂量,包括以下步骤:
25、若是,则生成以医嘱建议剂量为中心、以预设步长扩展的多个备选剂量。
26、根据本技术提供的技术方案,所述判断所述当前实时血糖状态中是否包含有效的当前血糖变化速率之后,还包括以下步骤:
27、从k个迁移源患者的历史连续血糖监测数据中,筛选出血糖值处于当前血糖值预设邻域内、且位于胰岛素注射前时段的多个历史血糖片段;
28、提取各所述历史血糖片段对应的血糖变化速率,形成参考变化速率集合;
29、计算所述参考变化速率集合的稳健集中趋势统计量,作为所述目标患者的估算血糖变化速率,以与所述当前血糖值共同生成所述备选剂量。
30、根据本技术提供的技术方案,所述根据所述目标患者与各迁移源患者的代谢相似度,对k组模型参数进行加权融合,生成针对于所述目标患者的初始个体化剂量-血糖响应预测模型之前,还包括以下步骤:
31、判断k个所述迁移源患者中是否存在离群迁移源,所述离群迁移源指在代谢特征相似度之外的另一独立代谢维度上、与所述目标患者的相似程度低于预设阈值的迁移源患者;
32、若不存在所述离群迁移源,则以所述k个迁移源患者执行后续的加权融合及初始模型生成步骤。
33、根据本技术提供的技术方案,所述判断k个所述迁移源患者中是否存在离群迁移源,包括以下步骤:
34、获取所述目标患者入院后至首次胰岛素注射前的连续血糖监测数据片段,提取所述目标患者的注射前血糖波动模式特征,所述注射前血糖波动模式特征包括血糖基线的平稳度、昼夜节律振幅及低频波动的主频分量;
35、针对每一所述迁移源患者,从所述历史数据库中提取该迁移源患者在其自身入院后首次注射前的历史连续血糖监测数据片段,提取对应的历史注射前血糖波动模式特征;
36、计算所述目标患者的注射前血糖波动模式特征与每一迁移源患者的历史注射前血糖波动模式特征之间的波动模式相似度;
37、将所述波动模式相似度作为另一独立代谢维度上的相似程度,若某一迁移源患者的所述波动模式相似度低于所述预设阈值,则判定该迁移源患者为所述离群迁移源;
38、所述判断k个所述迁移源患者中是否存在离群迁移源之后,还包括以下步骤:
39、若判定存在所述离群迁移源,则从k个所述迁移源患者中剔除所述离群迁移源,以剩余迁移源患者作为修正后的迁移源患者集合,执行后续的加权融合及初始模型生成步骤。
40、根据本技术提供的技术方案,所述获取所述目标患者入院后至首次胰岛素注射前的连续血糖监测数据片段之后,还包括以下步骤:
41、对所述连续血糖监测数据片段进行应激模式检测,判断所述目标患者是否处于急性代谢应激状态;
42、所述将所述波动模式相似度作为另一独立代谢维度上的相似程度,包括以下步骤:
43、若判定所述目标患者未处于急性代谢应激状态,则将所述波动模式相似度作为另一独立代谢维度上的相似程度。
44、根据本技术提供的技术方案,所述判断所述目标患者是否处于急性代谢应激状态之后,还包括以下步骤:
45、若判定所述目标患者处于急性代谢应激状态,则提取所述目标患者的年龄、病程及所述当前肾功能指标,构成稳健代谢向量;
46、针对每一所述迁移源患者,从所述历史数据库中提取其年龄、病程及入院肾功能指标,构成历史稳健代谢向量;
47、计算所述稳健代谢向量与所述历史稳健代谢向量之间的向量相似度,作为所述另一独立代谢维度上的相似程度。
48、根据本技术提供的技术方案,所述判断所述目标患者是否处于急性代谢应激状态,包括以下步骤:
49、计算所述连续血糖监测数据片段在预设时间窗口内的血糖变异系数及血糖平均绝对波动幅度;
50、将所述血糖变异系数与预设的变异系数阈值进行比较,并将所述血糖平均绝对波动幅度与预设的波动幅度阈值进行比较;
51、若所述血糖变异系数超过所述变异系数阈值且所述血糖平均绝对波动幅度超过所述波动幅度阈值,则判定所述目标患者处于急性代谢应激状态;
52、否则,判定所述目标患者未处于急性代谢应激状态。
53、与现有技术相比,本技术的有益效果在于:
54、一、实现入院即刻的个体化剂量推荐:通过预训练的代谢相似度网络,在目标患者入院瞬间即从历史数据库中检索出代谢特征最为相似的k个迁移源患者,将其在线学习至稳定状态的个体化剂量-血糖响应规律迁移至目标患者,生成初始个体化预测模型。该方法在目标患者尚无任何自身注射数据的条件下,首次实现了入院首次注射的个体化剂量推荐,突破了现有技术的冷启动瓶颈。
55、二、迁移精度显著优于群体经验估算:代谢相似度网络以历史患者收敛后的个体化剂量-血糖响应模型参数作为监督信号进行训练,使得网络学习到的“代谢相似性”直接对应“胰岛素响应规律相似性”,而非仅停留在人口学或生化指标的浅层相似。基于该网络的迁移推荐剂量较传统体重估算法或固定医嘱,更能反映目标患者真实的个体化胰岛素敏感性特征。
56、三、兼顾安全性与有效性的首次剂量决策:针对每一备选剂量,通过初始个体化剂量-血糖响应预测模型输出预测血糖变化轨迹,并基于低血糖风险指标和高血糖风险指标进行双目标权衡筛选,最终输出低血糖风险受控且高血糖风险最小的迁移推荐剂量,确保入院首次注射在安全前提下的最优血糖控制预期。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com