一种基于光电容积描记血流动力学特征的住院脑卒中预警方法
本发明涉及医学人工智能、医疗健康信息学与连续生理信号分析,具体涉及一种基于光电容积描记血流动力学特征的住院脑卒中预警方法。
背景技术:
1、脑卒中具有起病急、致残致死率高的特点,临床救治效果与识别和干预时机高度相关。现有卒中风险评估方案多依赖人口统计学信息、既往病史、实验室检查或入院后静态量表,难以对住院期间突然发生的脑卒中事件进行连续、实时、提前的风险提示。
2、在住院连续监护场景中,床旁设备通常能够持续采集光电容积脉搏波信号。ppg信号能够反映外周血容量变化、血管顺应性、波反射和心血管动力学状态,理论上可用于脑卒中发生前的血流动力学异常监测。
3、然而,现有技术面临一项核心瓶颈:住院脑卒中发作的精确时间通常不存在于结构化字段中,而是散落于护理记录、病程记录、会诊记录和影像报告等非结构化临床文本中,导致发作前连续生理信号缺乏可靠标签。
4、另一方面,患者之间的年龄、基础疾病、血管条件和监护状态存在显著差异,直接使用绝对生理特征容易受到个体差异影响,降低模型泛化能力;同时,发作前数分钟的信号又可能混入临床干预、体位变化或急性事件伪迹,造成特征泄漏。
技术实现思路
1、发明目的:本发明的目的是提供一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,解决现有技术中住院脑卒中发作前连续监测信号缺乏可靠标签、患者个体差异大、特征泄漏风险高以及无法实现连续提前预警的问题。
2、技术方案:本发明所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,包括以下步骤:
3、步骤1:获取住院患者的连续光电容积描记监测信号、电子病历临床文本以及对应的时间信息;
4、步骤2:对电子病历临床文本进行脑卒中相关事件的语义解析,从中抽取候选的脑卒中发作时间,并确定最终的脑卒中发作时间锚点;
5、步骤3:以发作时间锚点为基准,将连续光电容积描记信号划分为正常窗口、缓冲窗口、预警窗口以及发作前盲区,并生成用于模型训练的监督学习标签;
6、步骤4:对光电容积描记信号进行预处理和逐搏分割,提取能够反映血管功能的绝对血流动力学特征,并基于患者自身在正常窗口期间的血流动力学状态构建个体基线,进而计算反映当前状态相对于所述个体基线的相对偏移特征;
7、步骤5:将绝对血流动力学特征与相对偏移特征组合成时序特征序列,并输入至预先训练好的时序神经网络模型中,以获得脑卒中预警概率;
8、步骤6:对脑卒中预警概率执行阈值聚合及连续触发条件判定,当满足预设报警条件时,输出脑卒中预警结果。
9、进一步的,步骤2具体如下:对抽取到的多个候选发作时间,分别计算其置信度得分,置信度得分综合了显式时间表达匹配度、相对时间解析准确度、急性脑卒中语义上下文匹配度以及记录来源的可信度;最终选择置信度得分最高的候选时间作为述发作时间锚点;并且当未抽取到任何显式候选时间但临床文本明确指示有急性脑卒中事件发生时,则将对应临床文本的记录时间作为发作时间锚点。
10、进一步的,步骤3具体如下:将位于预警窗口内的信号片段标记为正样本,将位于正常窗口内的信号片段标记为负样本,而将位于缓冲窗口和发作前盲区内的信号片段标记为舍弃样本,不用于模型训练;其中,缓冲窗口用于在正常窗口与预警窗口之间形成过渡区域以削弱边界模糊效应,发作前盲区用于紧邻发作时间锚点的信号片段以避免特征泄漏。
11、进一步的,步骤4具体如下:对于每一个绝对血流动力学特征,计算在当前时刻的数值相对于个体基线均值的偏离程度,并将偏离程度作为相对偏移特征;个体基线均值来源于患者在正常窗口期间各项血流动力学特征的稳定平均值,相对偏移特征用于消除不同患者个体间生理水平的绝对差异,使模型聚焦于患者自身的动态变化轨迹。
12、进一步的,所述方法还包括特征筛选:计算每个特征在预警窗口与正常窗口之间的效应量,保留效应量高于预设阈值的特征;同时,对于任意两个特征,若相关系数高于预设阈值,则判定为冗余特征并予以剔除,最终获得用于模型输入的核心血流动力学特征子集。
13、进一步的,步骤5中,时序神经网络为一维残差卷积网络,采用加权交叉熵损失函数进行训练,加权交叉熵损失函数通过为正样本分配更高的权重,以应对训练过程中正负样本数量不均衡的问题。
14、进一步的,步骤6具体如下:对于连续多个时间片段输出的预警概率,通过概率聚合公式计算出综合预警概率;只有当综合预警概率不低于预设的聚合阈值,并且连续不少于预设数量的片段各自的预警概率均不低于预设的片段阈值时,才最终判定触发脑卒中预警并输出结果。
15、进一步的,绝对血流动力学特征包括:表征脉搏波传导速度的收缩峰时间、表征心率的脉搏间期、表征血管搏动强度的收缩峰幅值、表征心动周期时相平衡的舒缩期比值、表征快速射血相持续时间的速度容积脉搏峰值时间、表征反射波返回时间的速度容积脉搏谷值时间、表征自主神经调节状态的脉搏间期变异系数、以及表征外周血管张力调节状态的脉搏幅值变异系数。
16、本发明所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警系统,包括:
17、数据获取模块,用于获取住院患者的连续光电容积描记监测信号、电子病历临床文本和记录时间信息;
18、时间锚定模块,用于根据电子病历临床文本抽取候选发作时间并确定脑卒中发作时间锚点;
19、特征构建模块,用于对光电容积描记监测信号进行预处理、逐搏分割、提取绝对血流动力学特征,并基于患者个体基线构建相对偏移特征;
20、预测模块,用于将包含绝对血流动力学特征和相对偏移特征的时序特征序列输入至时序神经网络,输出脑卒中预警概率;
21、告警模块,用于基于脑卒中预警概率执行阈值聚合和连续触发条件判定,并输出最终的脑卒中预警结果。
22、有益效果:与现有技术相比,本发明具有如下显著优点:其一,利用非结构化临床文本形成发作时间锚点,解决住院脑卒中发作前连续信号缺乏可靠标签的问题;其二,采用个体基线相对偏移特征,减弱患者间绝对生理水平差异的影响;其三,通过缓冲窗口与发作前盲区抑制边界模糊和特征泄漏;其四,可在住院连续监护场景下以非侵入方式实现脑卒中提前风险提示,具有较高的部署可行性。
1.一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,步骤2具体如下:对抽取到的多个候选发作时间,分别计算其置信度得分,置信度得分综合了显式时间表达匹配度、相对时间解析准确度、急性脑卒中语义上下文匹配度以及记录来源的可信度;最终选择置信度得分最高的候选时间作为述发作时间锚点;并且当未抽取到任何显式候选时间但临床文本明确指示有急性脑卒中事件发生时,则将对应临床文本的记录时间作为发作时间锚点。
3.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,步骤3具体如下:将位于预警窗口内的信号片段标记为正样本,将位于正常窗口内的信号片段标记为负样本,而将位于缓冲窗口和发作前盲区内的信号片段标记为舍弃样本,不用于模型训练;其中,缓冲窗口用于在正常窗口与预警窗口之间形成过渡区域以削弱边界模糊效应,发作前盲区用于紧邻发作时间锚点的信号片段以避免特征泄漏。
4.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,步骤4具体如下:对于每一个绝对血流动力学特征,计算在当前时刻的数值相对于个体基线均值的偏离程度,并将偏离程度作为相对偏移特征;个体基线均值来源于患者在正常窗口期间各项血流动力学特征的稳定平均值,相对偏移特征用于消除不同患者个体间生理水平的绝对差异,使模型聚焦于患者自身的动态变化轨迹。
5.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,所述方法还包括特征筛选:计算每个特征在预警窗口与正常窗口之间的效应量,保留效应量高于预设阈值的特征;同时,对于任意两个特征,若相关系数高于预设阈值,则判定为冗余特征并予以剔除,最终获得用于模型输入的核心血流动力学特征子集。
6.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,步骤5中,时序神经网络为一维残差卷积网络,采用加权交叉熵损失函数进行训练,加权交叉熵损失函数通过为正样本分配更高的权重,以应对训练过程中正负样本数量不均衡的问题。
7.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,步骤6具体如下:对于连续多个时间片段输出的预警概率,通过概率聚合公式计算出综合预警概率;只有当综合预警概率不低于预设的聚合阈值,并且连续不少于预设数量的片段各自的预警概率均不低于预设的片段阈值时,才最终判定触发脑卒中预警并输出结果。
8.根据权利要求1所述的一种基于光电容积描记血流动力学特征的住院脑卒中预警方法,其特征在于,绝对血流动力学特征包括:表征脉搏波传导速度的收缩峰时间、表征心率的脉搏间期、表征血管搏动强度的收缩峰幅值、表征心动周期时相平衡的舒缩期比值、表征快速射血相持续时间的速度容积脉搏峰值时间、表征反射波返回时间的速度容积脉搏谷值时间、表征自主神经调节状态的脉搏间期变异系数、以及表征外周血管张力调节状态的脉搏幅值变异系数。
9.一种基于光电容积描记血流动力学特征的住院脑卒中预警系统,其特征在于,包括:
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