面向重症疾病进展预测的多模态数据因果填补系统及方法与流程
本发明涉及重症疾病监测与预测,以重症疾病进展预测为应用目标,核心技术手段是对重症多模态时序数据中的长时缺失数据段进行病理因果约束填补,具体是面向重症疾病进展预测的多模态数据因果填补系统及方法。
背景技术:
1、重症疾病进展预测依赖多模态监测数据,如电子病历、生命体征、实验室检测结果、影像特征等的完整性与可靠性,这些数据通过反映患者病理生理变化,为病情评估、治疗方案调整提供关键依据。然而,临床实践中,受监测设备故障、患者体位变动、检测间隔等因素影响,多模态数据常出现长时缺失现象,直接影响疾病进展预测的准确性。
2、现有缺失数据填补方法主要包括两类:一类是基于时序连续性的插值法,如线性插值、样条插值,仅通过缺失数据前后的时序趋势进行填补,未考虑数据背后的病理因果关联;另一类是基于传统机器学习的预测法,如单一长短期记忆网络(lstm)模型,依赖数据间的统计相关性学习填补规律,但易捕捉伪关联,无法保证填补值与前后关联参数的因果逻辑一致性。
3、上述方法的核心缺陷在于:忽略了重症数据中从前驱参数到目标参数再到后继参数的病理因果链,如炎症反应参数与循环功能参数、代谢指标间的连续因果影响,导致填补值可能与前后参数的病理逻辑矛盾,进而干扰后续疾病进展预测的可靠性。
4、例如,在肾功能监测中,若反映肾功能的血肌酐数据出现长时缺失,其前驱参数可能包括尿量、血压、肾脏灌注相关,后继参数可能包括尿素氮。现有方法可能仅通过插值得到血肌酐值,但若未考虑尿量减少→血肌酐升高→尿素氮升高的因果链,可能出现尿量显著减少时填补的血肌酐却偏低的矛盾结果,导致对肾功能恶化的预测出现偏差;
5、本发明提出了面向重症疾病进展预测的多模态数据因果填补系统及方法,通过病理因果链约束长时缺失数据段的填补过程,可提高填补结果与前驱变量、后继变量之间的因果一致性。
技术实现思路
1、本发明的目的在于提供面向重症疾病进展预测的多模态数据因果填补系统及方法,以解决现有技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、面向重症疾病进展预测的多模态数据因果填补方法,包括以下内容:
4、获取目标患者的多模态重症监测数据,并识别目标监测参数的长时缺失数据段;
5、基于包含因果方向权重和时滞权重的预设病理因果图,确定所述目标监测参数对应的因果前驱变量和因果后继变量;
6、根据所述长时缺失数据段的时间范围,提取所述因果前驱变量的前驱变量序列和所述因果后继变量的后继变量序列;
7、将所述前驱变量序列输入前向lstm单元,将所述后继变量序列输入后向lstm单元,并融合所述前向lstm单元与后向lstm单元输出的隐藏状态,得到融合隐藏状态;
8、基于所述融合隐藏状态和由所述后继变量序列得到的后继反馈表示,通过因果掩码层计算与所述长时缺失数据段长度一致的因果约束权重;
9、根据所述因果约束权重,对由前驱变量序列生成的时序预测值和由后继变量序列生成的因果期望值进行逐元素门控融合,得到所述长时缺失数据段的最终填补值;
10、所述病理因果图包括节点集合和有向边集合,节点对应重症监测参数、检验指标、治疗干预、用药信息或临床状态,有向边用于表示节点之间的病理相关方向,并附带方向标识、作用强度权重和时滞窗口;
11、所述病理因果图基于临床指南、专家规则和历史病例数据构建,其中,临床指南和专家规则用于生成初始因果边,历史病例数据用于通过时滞相关分析、统计因果检验或条件互信息分析筛选候选边,并经临床合理性校验后形成预设病理因果图;
12、所述多模态重症监测数据包括生命体征时序数据、实验室检验数据、治疗干预数据、用药数据、护理记录数据和影像特征数据;
13、其中,非连续采样数据按照采集时间映射至统一时间轴,文本、影像特征经特征提取后转换为与目标监测参数对应的时间片特征向量。
14、所述长时缺失数据段是指目标监测参数在连续缺失采样点数量大于或等于预设采样点阈值,或连续缺失时长大于或等于预设时间阈值的时间区间;
15、所述预设采样点阈值和预设时间阈值根据目标监测参数的采样频率、临床监测周期或疾病场景配置。
16、设所述长时缺失数据段长度为l,融合隐藏状态h_t的维度为h,后继变量序列经编码和维度映射后得到l维后继反馈表示r_s,所述因果约束权重α按照如下公式计算:
17、α=σ(w·r_s + u·h_t + b);
18、其中,w∈r^{l×l},u∈r^{l×h},b∈r^l,α∈r^l,σ(·)为sigmoid激活函数;所述α中的每一元素分别对应所述长时缺失数据段中的一个缺失采样点。
19、所述门控融合按照如下公式进行:
20、\hat{z}_m = α ⊙ \hat{z}^{cau}_m + (1-α) ⊙ \hat{z}^{seq}_m;
21、其中,\hat{z}_m为最终填补值,\hat{z}^{seq}_m为由前驱变量序列生成的时序预测值,\hat{z}^{cau}_m为由后继变量序列、因果方向权重和时滞权重生成的因果期望值,α为因果约束权重,⊙为逐元素乘法;
22、所述因果期望值由后继变量隐藏表示、因果方向权重和时滞权重经映射层生成,且所述因果期望值与所述长时缺失数据段长度一致;
23、具体地,当后向lstm单元输出后继变量隐藏表示h_b时,将h_b与病理因果图中目标监测参数至后继变量的因果方向权重g_d及对应时滞权重g\tau进行逐元素融合,并通过映射层得到因果期望值,公式如下:
24、\hat{z}^{cau}m=v·(h_b⊙g_d⊙g\tau)+c;
25、其中,v为可学习参数矩阵,c为偏置项。
26、当所述因果前驱变量数量为m时,将m个因果前驱变量在统一时间轴上的序列构成前驱变量矩阵,输入所述前向lstm单元后,经拼接融合、加权融合或注意力融合中的至少一种方式生成统一前向隐藏表示,并由所述统一前向隐藏表示输出长度为l的时序预测值\hat{z}^{seq}_m。
27、还包括通过损失函数训练模型参数的步骤:
28、所述损失函数包含均方误差项和kl散度项;
29、均方误差项用于约束填补值的数值准确性;kl散度项用于约束填补值的因果概率分布与历史数据中符合病理因果链的参考分布p之间的一致性;
30、所述参考分布p的构建方法为:基于历史病例数据中通过因果逻辑校验的样本,提取目标变量、因果前驱变量和因果后继变量组成的变量组合,对连续变量进行标准化处理后,采用分箱统计、核密度估计或高斯混合模型中的至少一种方式拟合变量组合的联合概率分布;
31、总损失函数l=λ1·mse+λ2·kl(p||q),
32、所述mse = \frac{1}{n}\sum_{m=1}^{n}(\hat{z}_m - z_m^{gt})^2;
33、其中λ1、λ2为正实数权重系数,q为填补值对应的预测因果概率分布;n为长时缺失数据段中的缺失采样点数量,\hat{z}_m为最终填补值向量中第m个缺失采样点对应的填补值,z_m^{gt}为训练数据中第m个缺失采样点对应的真实观测值;
34、在模型离线训练阶段,通过对历史完整病例数据中的目标监测参数进行人工遮蔽,构造模拟长时缺失数据段,并以被遮蔽的真实观测值作为监督标签计算均方误差项;在在线推理阶段,当后续真实检测值或复测结果可获得时,将其用于模型增量校准或性能评估。
35、还包括对所述最终填补值进行因果逻辑校验的步骤:
36、所述因果逻辑校验包括方向一致性校验、取值范围校验和时滞一致性校验;
37、所述方向一致性校验包括:根据病理因果图中目标监测参数与因果前驱变量、因果后继变量之间的正向或负向关系,计算填补值序列与对应变量序列在预设时间窗内的变化方向一致率;当所述变化方向一致率大于或等于预设一致性阈值,或者相关系数符号与因果方向一致且绝对值大于预设相关阈值时,判定方向一致性校验通过;
38、所述取值范围校验包括:判断填补值是否落入目标变量的生理合理范围、临床阈值范围或历史分位区间;
39、所述时滞一致性校验包括:判断填补值变化是否位于前驱变量变化后的预设因果时间窗内,或后继变量变化是否位于目标变量变化后的预设因果时间窗内;
40、当方向一致性校验、取值范围校验和时滞一致性校验均满足预设条件时,判定填补值通过因果逻辑校验;否则,将所述填补值标记为异常填补值,并触发重新填补、人工复核或降低置信度输出中的至少一种处理。
41、进一步的,可以将训练后的模型进行轻量化部署与在线校准:
42、将训练后的模型通过剪枝与量化进行轻量化处理,部署于院内服务器、边缘计算设备或云端服务器中的至少一种;
43、当检测到新的长时缺失数据段时,调用部署的模型生成最终填补值;
44、定期采集患者实时监测数据及通过因果逻辑校验的填补结果构建增量训练数据集,通过梯度下降法调整因果掩码层参数;
45、在模型训练、部署和在线校准过程中,对患者身份标识进行去标识化处理;系统基于角色权限控制调用患者监测数据,并记录模型训练、推理和报告调用日志;涉及患者隐私的数据优先在院内服务器或边缘计算节点处理,向云端传输时采用加密通道并仅传输脱敏特征或模型参数。
46、还包括生成结构化填补报告的步骤:
47、所述结构化填补报告包含最终填补值、对应的因果前驱变量、因果后继变量、因果逻辑校验结果、因果路径信息以及置信度;
48、所述置信度根据因果逻辑校验得分、模型预测误差、输入上下文数据完整性和因果约束权重稳定性中的至少一种综合计算;
49、所述因果路径信息包括填补值与因果前驱变量的因果依赖关系和与因果后继变量的因果影响关系;
50、当因果后继变量数量为k时,后继变量序列经编码得到后继表示矩阵r_s∈r^{l×k},根据病理因果图中目标监测参数至各因果后继变量的边权重β_k对k个后继变量编码结果进行加权汇聚,得到l维后继反馈表示r_s,其中σβ_k=1;
51、所述结构化填补报告供临床系统以及疾病进展预测模型调用。
52、面向重症疾病进展预测的多模态数据因果填补系统,包括:
53、数据获取与缺失识别模块,用于获取目标患者的多模态重症监测数据,并识别目标监测参数的长时缺失数据段;
54、病理因果图建模模块,用于基于病理因果图确定所述目标监测参数对应的因果前驱变量和因果后继变量;
55、上下文序列提取模块,用于提取所述因果前驱变量的前驱变量序列和所述因果后继变量的后继变量序列;
56、双向时序编码模块,用于将所述前驱变量序列输入前向lstm单元、将所述后继变量序列输入后向lstm单元,并生成融合隐藏状态;
57、因果掩码权重计算模块,用于基于所述融合隐藏状态和后继反馈表示计算与所述长时缺失数据段长度一致的因果约束权重;
58、门控融合填补模块,用于根据所述因果约束权重,对时序预测值和因果期望值进行逐元素门控融合,生成最终填补值;
59、因果逻辑校验模块,用于对所述最终填补值进行方向一致性、取值范围和时滞一致性校验;
60、结构化报告生成模块,用于生成包含最终填补值、因果路径信息、校验结果和置信度的结构化填补报告。
61、一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时实现上述步骤中任一项所述的方法。
62、与现有技术相比,本发明的有益效果是:
63、1、现有技术忽略重症数据中从前驱参数到目标参数再到后继参数的病理因果链,仅依赖时序趋势或统计相关性填补数据,易导致填补值与前后参数的病理逻辑冲突。本发明通过构建病理因果链,采用门控融合机制动态调整时序预测值与因果期望值的融合比例,使填补值既满足从前驱变量到缺失数据再到后继变量的连续因果关系,又避免因约束权重过小导致填补值被错误压缩至生理无效范围,解决了逻辑矛盾与数值异常的双重问题。
64、2、现有技术仅单一约束数值偏差或统计规律,可能出现数值接近真实值但违背病理分布的情况。本发明通过均方误差与kl散度的双重损失函数,同时约束填补值的数值准确性与因果概率分布一致性;其中,参考分布p基于历史病例中通过因果逻辑校验的样本,采用分箱统计、核密度估计或高斯混合模型中的至少一种方式拟合联合概率分布,使填补数据既接近真实数值,又符合历史病例中因果参数的合理分布。
65、3、现有技术缺乏对填补结果的有效校验,难以向临床医生提供可信度依据。本发明在生成填补值后,进一步执行方向一致性、取值范围和时滞一致性三类因果逻辑校验,当三类校验均满足预设条件时判定通过,否则标记为异常并触发人工复核或降低置信度输出;同时生成包含填补值、因果路径、校验结果和置信度的结构化报告,供临床系统及预测模型调用,提升了填补结果的可信度与临床决策的可解释性。
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