应用于非计划再手术的人工智能时序归因方法及相关设备

摘要: 本发明涉及医疗人工智能与临床因果推断,特别是涉及应用于非计划再手术的人工智能时序归因方法及相关设备。背景技术:1、围术期非计划二次手术(unplannedreo...
应用于非计划再手术的人工智能时序归因方法及相关设备

本发明涉及医疗人工智能与临床因果推断,特别是涉及应用于非计划再手术的人工智能时序归因方法及相关设备。

背景技术:

1、围术期非计划二次手术(unplanned reoperation)是指患者在同一次住院期间,因首次手术后出现并发症、病情恶化或诊疗失误等非预期原因,被迫再次接受有创手术干预的临床事件,是区别于计划性分期手术、肿瘤根治性计划性二次手术的负面不良事件。该指标是国际公认的衡量外科诊疗质量与患者安全水平的核心敏感指标,其发生率与患者围术期病死率、器官功能损伤风险、平均住院日及次均住院费用呈显著正相关,也是医院等级评审、病案质控、手术科室绩效考核及医疗纠纷溯源的关键依据。

2、随着医院电子病历系统、手术麻醉系统等数字化建设日趋完善,临床已沉淀覆盖术前基线评估、术中麻醉与操作记录、术后监护与检验检查、二次手术处置全过程的全周期结构化与非结构化病历数据,一般作为手术不良事件根因分析、质量持续改进、临床经验复用的核心数据底座。然而在实际应用中,非计划再手术的原因归因仍长期停留在病案质控人员人工通读整份住院病历、按时间轴梳理术前-术中-术后事件链、主观区分直接诱因、中间并发症与基础混杂因素的个案梳理模式,并辅以事后统计上报,单病例归因耗时长、一致性差,难以支撑全院海量病例的批量自动分析。现有相关技术主要包括文本分类识别、围术期风险预测建模、通用医疗事件因果图谱、静态因果推断四大类,整体仍停留在关键词标签匹配或通用大模型迁移层面:文本分类方法混淆因果关系与相关关系,难以剔除基础疾病、术前状态、术者经验等混杂因素的干扰;风险预测模型仅输出再手术概率,不具备根因解释能力;通用医疗因果图谱缺乏围术期时序约束与分层结构;静态因果推断方法无法对归因置信度、混杂干扰贡献度进行定量计算。

技术实现思路

1、本发明旨在提供应用于非计划再手术的人工智能时序归因方法及相关设备,以解决上述技术问题,提高再手术根因分析的准确性和可溯源性。

2、为了解决上述技术问题,本发明提供了应用于非计划再手术的人工智能时序归因方法,包括:

3、对患者的单次住院全量数据进行全局时间戳对齐和数据类型标记,生成多模态时序数据集;其中,全局时间戳对齐以入院时间为基准,将识别的病理事件划分至若干个时序窗口;

4、结合多模态时序数据集对病理事件进行事件时间戳校正,对校正后各个病理事件归属的时序窗口进行因果合法性判定,根据因果合法性判定结果确定候选病理事件并与预设的围术期基础混杂节点集合进行匹配,生成各个候选病理事件的二元混杂标识;其中,因果合法性判定用于检验病理事件与非计划再手术的因果关联性,二元混杂标识包括术前基础危险因素和手术相关并发症事件;

5、基于预先构建的围术期因果先验图谱获取各个候选病理事件诱发根因事件的时序条件概率,根据时序条件概率和二元混杂标识计算各个候选病理事件的初始因果置信分;其中,围术期因果先验图谱以各类围术期病理事件为节点,各个节点之间的有向边用于表征病理事件间的诱发关系,根因事件为非计划再手术所要处置的目标病理事件;

6、遍历围术期因果先验图谱中符合父子关联约束和时序因果有向无环图拓扑约束的三元有向边路径,并采用基于多模态时序数据集得到的特征编码向量更新初始因果置信分,根据更新因果置信分进行三元有向边路径寻优,得到最优三级因果归因路径并生成质控归因报告;其中,时序因果有向无环图为基于二元混杂标识将病理事件作为节点划分至混杂层、中间并发症层或直接诱因层的三层拓扑。

7、上述方案中,以入院时间为基准的全局时间戳对齐与时序窗口划分,将异构数据统一归并为结构化多模态时序数据集,解决了现有再手术归因中数据源分散、时序混乱、多模态信息割裂的问题。而后校正病理事件的真实发生时刻并进行因果合法性判定,从源头剔除发生于二次术后的逆时序事件,克服现有归因过程中存在的时序颠倒、因果与相关混淆的缺陷;同时通过与围术期基础混杂节点集合匹配生成二元混杂标识,在结构上区分入院前已存在的基础危险因素与本次手术引发的并发症,避免基础病、术前状态被误判为再手术直接诱因。进一步的,以病理事件为节点、事件间诱发关系为有向边,根据各个候选病理事件诱发根因事件的时序条件概率以及二元混杂标识计算初始因果置信分,使归因结果建立在临床因果知识而非统计相关之上,为每个候选病理事件提供了可量化的因果强度度量。最后,通过父子关联约束与图拓扑约束共同筛选合法三元路径,再利用多模态时序数据提取的特征编码向量对初始因果置信分进行更新,最终经路径寻优输出可解释的最优三级因果归因路径并自动生成质控归因报告,将传统人工逐份通读病历、个案梳理的归因模式转变为批量、自动、可追溯的标准化流程,提升再手术根因分析的准确性和可溯源性。

8、在一种实现方式中,对患者的单次住院全量数据进行全局时间戳对齐和数据类型标记,生成多模态时序数据集,具体包括:

9、获取患者的单次住院全量数据;其中,住院全量数据包括电子病历数据、检验检查数据、护理引流记录、病程记录、一次手术操作文本、二次手术操作文本和影像报告;

10、对住院全量数据进行数据类型标记;其中,数据类型包括结构化数值时序、手术结构化分类字段和非结构化临床文本;

11、根据数据类型将住院全量数据拆分为若干个数据子集;其中,数据子集的类型包括数值型时序序列子集、手术操作结构化特征子集和非结构化临床文本子集;

12、以入院时间为基准,将住院全量数据划分至预先设定的时序窗口;其中,时序窗口包括术前基线窗口、术中窗口、术后监护窗口和二次手术时点窗口;

13、基于不同时序窗口下的数据子集构建多模态时序数据集;其中,多模态时序数据集的表达式为:

14、;

15、式中,为多模态时序数据集;、、和分别为术前基线窗口、术中窗口、术后监护窗口和二次手术时点窗口的对应数据子集。

16、上述方案中,将全量数据按结构化数值时序、手术结构化分类字段、非结构化临床文本三类进行标记与子集拆分,使不同形态数据可分别匹配后续的时序网络编码、字段嵌入编码与医学文本语义编码,避免多模态数据在后续融合时被混同处理;同时以入院时间为统一基准点,将病理事件划分至术前基线窗口、术中窗口、术后监护窗口与二次手术时点窗口,从数据源头消除了各业务系统时间戳不一、时序关系混乱的问题。

17、在一种实现方式中,结合多模态时序数据集对病理事件进行事件时间戳校正,对校正后各个病理事件归属的时序窗口进行因果合法性判定,根据因果合法性判定结果确定候选病理事件并与预设围术期基础混杂节点集合进行匹配,生成各个候选病理事件的二元混杂标识,具体包括:

18、对非结构化临床文本子集进行临床实体抽取,得到病理事件的事件真实发生时间戳;

19、基于事件真实发生时间戳归属的时序窗口进行因果合法性判定;其中,时序因果合法性判定函数的表达式为:

20、;

21、式中,为事件因果合法标识,表示可作为再手术前置诱因,0表示发生于二次手术后,直接剔除;为病理事件;为病理事件的事件真实发生时间戳;为本次住院二次手术执行时间;为病理事件归属的时序窗口;为术前基线窗口;为术中窗口;为术后监护窗口;

22、根据因果合法性判定结果生成候选病理事件集,并将候选病理事件集中的每个候选病理事件与包含若干混杂因子的围术期基础混杂节点集合进行匹配,生成各个候选病理事件的二元混杂标识;其中,围术期基础混杂节点集合和二元混杂标识的表达式为:

23、;

24、;

25、式中,为围术期基础混杂节点集合,为二元混杂标识。

26、上述方案中,对记录时间戳校正为真实发生时间戳,克服了原始数据库中记录时间滞后于事件发生时间、导致术后事件被误判为术前诱因的时序错位问题;在此基础上进行因果合法性判定,将发生于二次手术之后、在时间上不可能成为前置诱因的事件直接剔除,从时间维度上杜绝了现有文本标签匹配方法普遍存在的逆时序虚假归因;进一步的,将候选病理事件与预先标定的围术期基础混杂节点集合逐一匹配,生成二元混杂标识,明确区分了入院前已存在的术前基础危险因素与本次手术直接或间接引发的手术相关并发症事件,避免糖尿病、高龄等基础病在后续因果建模中被错误地记为再手术直接责任事件。

27、在一种实现方式中,基于预先构建的围术期因果先验图谱获取各个候选病理事件诱发根因事件的时序条件概率,根据时序条件概率和二元混杂标识计算各个候选病理事件的初始因果置信分,具体包括:

28、根据候选病理事件归属的时序窗口和根因事件在围术期因果先验图谱进行遍历查询,将匹配的时序条件先验概率作为候选事件的时序条件概率;其中,围术期因果先验图谱以各类围术期病理事件为节点,并根据不同的时序窗口在各个节点的有向边预存病理事件间的时序条件先验概率;

29、根据时序条件概率和基于时序窗口构建的时序衰减权重系数计算各个候选病理事件未剔除混杂的基础联合因果得分;其中,基础联合因果得分的表达式为:

30、;

31、;

32、式中,为基础联合因果得分;为病理事件;为根因事件;为时序条件概率;为时序衰减权重系数;为病理事件归属的时序窗口;为术前基线窗口;为术中窗口;为术后监护窗口;

33、结合基于二元混杂标识构建的混杂衰减权重系数对基础联合因果得分进行加权,生成各个候选病理事件剔除混杂的初始因果置信分;其中,初始因果置信分的表达式为:

34、;

35、;

36、式中,为初始因果置信分;为混杂衰减权重系数,取值;为混杂抑制超参数,是基于临床手术数据集确定的常数;为二元混杂标识;为sigmoid函数,用于平滑基础联合因果得分以实现连续衰减,避免硬截断突变。

37、上述方案中,在围术期因果先验图谱的同一条诱发边上按时序窗口分别预存条件先验概率,使同一病理事件在术前、术中、术后不同阶段的再手术风险被显式区分,避免了通用医疗图谱不分手术阶段、概率一刀切的问题;结合随窗口靠近二次手术而递增的时序衰减系数,得到综合临床先验与时间紧密度的基础联合因果得分;进一步的,基于二元混杂标识构建混杂衰减权重对基础病节点做连续比例化扣分而非硬截断清零,定量剥离基础疾病对归因结果的虚假干扰,同时避免阈值附近归因跳变,输出每个候选事件剔除混杂后的可量化因果置信分。

38、在一种实现方式中,基于多模态时序数据集得到的特征编码向量,具体为:

39、提取数值型时序序列子集中各个连续指标在每个时序窗口下的特征值,根据各个连续指标在不同时序窗口下的特征变化值生成指标趋势时序特征向量;

40、获取手术操作结构化特征子集中的分类字段和数值字段,对分类字段进行离散特征编码,对数值字段进行归一化编码并将两种字段类型的编码结果进行拼接,生成手术操作特征向量;

41、提取非结构化临床文本子集中的记录文本,并采用经过医学领域预训练的语言模型对记录文本进行实体抽取和语义编码,生成文本语义特征向量;其中,记录文本包括病程记录文本、手术记录文本和护理记录文本;

42、以初始因果置信分为门控权重系数,根据不同模态对应的初始因果置信分分值情况对各个模态的编码向量进行动态权重分配,生成各个模态对应的门控权重;

43、根据各个模态的特征向量和门控权重生成特征编码向量;其中,特征编码向量的表达式为:

44、;

45、式中,为特征编码向量;为指标趋势时序特征向量;为手术操作特征向量;为文本语义特征向量;、、分别为对应模态的门控权重,且。

46、上述方案中,针对多模态时序数据集中数值型时序、手术结构化字段、非结构化临床文本三类数据类型分别定制不同的编码路径,三类数据被统一映射为可计算的特征向量,弥补了单一数据源无法完整刻画再手术诱因的缺陷。进一步以初始因果置信分为门控系数,按各模态在病例中的得分情况动态分配融合权重,使融合结果自适应地偏向病例真实证据最充分的模态,最终输出维度统一的多模态联合因果特征向量。

47、在一种实现方式中,遍历围术期因果先验图谱中符合父子关联约束和时序因果有向无环图拓扑约束的三元有向边路径,并采用基于多模态时序数据集得到的特征编码向量更新初始因果置信分,具体包括:

48、获取时序因果有向无环图的拓扑结构;其中,混杂层包括二元混杂标识为术前基础危险因素的病理事件,中间并发症层包括二元混杂标识为手术相关并发症事件的病理事件,直接诱因层为直接触发二次手术的根因事件;

49、基于初始因果置信分匹配时序因果有向无环图中各个节点之间的有向边,根据有向边分布情况生成由混杂层到中间并发症层再到直接诱因层的三级因果溯源链,以及各个候选病理事件的因果节点分层标签;

50、基于围术期因果先验图谱对三级因果溯源链进行父子关联约束校验,提取通过父子关联约束校验的三级因果溯源链构建三元有向边路径集合;其中,父子关联约束为当围术期因果先验图谱中存在第一节点至第二节点的有向边时,判定第一节点为父节点,第二节点为子节点;

51、根据三元有向边路径在各个层间有向边对应的初始因果置信分计算每个三元有向边路径的路径综合置信度得分;其中,路径综合置信度得分的表达式为:

52、;

53、;

54、式中,为路径综合置信度得分;为混杂层节点;为中间并发症层节点;为直接诱因层节点;、、分别为三元有向边路径中各个有向边的初始因果置信分;为层级连贯性奖惩因子;为节点在时序因果有向无环图的层级;为相邻层级之间的得分奖惩项;

55、根据特征编码向量执行边权重多模态修正,得到更新因果置信分;其中,更新因果置信分的表达式为:

56、;

57、式中,为更新因果置信分;为初始因果置信分;为层级自适应多模态修正网络,用于输出值域约束;为特征编码向量;为因果节点分层标签。

58、上述方案中,通过构建三层时序因果有向无环图在结构上强制因果传导必须经中间并发症层中转、禁止基础病跨层直连直接诱因,从图拓扑层面杜绝了将基础病误记为直接责任事件的归因错误;同时以围术期因果先验图谱中的父子有向边关系为约束对三级溯源链逐一校验,仅保留临床上真实存在诱发关系的合法三元路径,排除了节点随意组合形成的伪路径。进一步以三段层间边权乘积为基础、叠加层级连贯性奖惩因子,使路径综合置信度不仅反映单节点强度,也反映整条因果传导的连贯性。最后将多模态联合特征向量与节点分层标签共同输入层级自适应修正网络,对初始边权做有界修正,为后续最终最优路径判决提供了兼顾群体稳定性与病例特异性的边权基础。

59、在一种实现方式中,根据更新因果置信分进行三元有向边路径寻优,得到最优三级因果归因路径并生成质控归因报告,具体包括:

60、基于更新因果置信分重新匹配时序因果有向无环图中各个节点之间的有向边,生成更新三级因果溯源链;

61、基于更新三级因果溯源链的边权重更新三元有向边路径集合中每个三元有向边路径的路径综合置信度得分,得到更新路径综合置信度得分;其中,更新路径综合置信度得分的表达式为:

62、;

63、式中,为更新路径综合置信度得分;、、分别为三元有向边路径中各个有向边的更新因果置信分;

64、选取三元有向边路径集合中更新路径综合置信度得分最高的三元有向边路径作为候选主路径,当候选主路径的更新路径综合置信度得分超过预设路径综合置信兜底阈值时,将其作为最优三级因果归因路径;

65、根据时序因果有向无环图的三层拓扑中各个病理事件的更新因果置信分生成结构化三级分层归因结果;

66、根据最优三级因果归因路径和结构化三级分层归因结果生成质控归因报告。

67、上述方案中,以修正后的边权更新每条合法三元路径的综合置信度,选取得分最高者为候选主路径,并仅在其超过预设兜底阈值时才正式采纳,随后按三层拓扑整理出结构化三级分层结果,将直接诱因、中间并发症、基础混杂因素及其各自置信分清晰分开,使归因结论由单一标签升级为完整可解释的因果传导链;最终自动生成标准化质控报告,把病案质控人员逐份通读病历、人工梳理因果的个案模式转变为可批量执行、结论可追溯、可直接归档用于科室改进的自动化流程。

68、第二方面,本技术还提供应用于非计划再手术的人工智能时序归因装置,其特征在于,包括:数据处理模块、事件标识模块、分值计算模块和报告生成模块;

69、数据处理模块用于对患者的单次住院全量数据进行全局时间戳对齐和数据类型标记,生成多模态时序数据集;其中,全局时间戳对齐以入院时间为基准,将识别的病理事件划分至若干个时序窗口;

70、事件标识模块用于结合多模态时序数据集对病理事件进行事件时间戳校正,对校正后各个病理事件归属的时序窗口进行因果合法性判定,根据因果合法性判定结果确定候选病理事件并与预设的围术期基础混杂节点集合进行匹配,生成各个候选病理事件的二元混杂标识;其中,因果合法性判定用于检验病理事件与非计划再手术的因果关联性,二元混杂标识包括术前基础危险因素和手术相关并发症事件;

71、分值计算模块基于预先构建的围术期因果先验图谱获取各个候选病理事件诱发根因事件的时序条件概率,根据时序条件概率和二元混杂标识计算各个候选病理事件的初始因果置信分;其中,围术期因果先验图谱以各类围术期病理事件为节点,各个节点之间的有向边用于表征病理事件间的诱发关系,根因事件为非计划再手术所要处置的目标病理事件;

72、报告生成模块用于遍历围术期因果先验图谱中符合父子关联约束和时序因果有向无环图拓扑约束的三元有向边路径,并采用基于多模态时序数据集得到的特征编码向量更新初始因果置信分,根据更新因果置信分进行三元有向边路径寻优,得到最优三级因果归因路径并生成质控归因报告;其中,时序因果有向无环图为基于二元混杂标识将病理事件作为节点划分至混杂层、中间并发症层或直接诱因层的三层拓扑。

73、第三方面,本技术还提供一种终端设备,包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序,处理器执行计算机程序时实现如上的应用于非计划再手术的人工智能时序归因方法。

74、第四方面,本技术还提供一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行如上的应用于非计划再手术的人工智能时序归因方法。