基于无创参数的创伤后失血性休克动态早期预警系统

1.本发明涉及人工智能技术与医疗健康领域，特别涉及一种基于无创参数的创伤后失血性休克动态早期预警系统。


背景技术：

2.失血性休克是一种低血容量性休克，是由于严重失血而导致细胞水平的氧递送不足。如果失血得不到控制，患者会迅速死亡，创伤导致的失血性休克死亡人数占创伤总死亡数的10～40％。对多个数据库的回顾性研究结果显示，近1/4创伤后入院患者在入院期间会出现失血性休克的症状。对大多数患者而言，休克对身体的影响最初是可逆的，但是反复或长期处于低血压状态、使用大剂量血管升压药物可能使预后恶化。
3.医护人员间歇地评估所监测到的患者生命体征，并依赖个别生理参数来识别有恶化风险的患者。这些预警系统并未使用病人的全面信息，因此警报往往不准确，易导致警报疲劳。低精度的预警系统同时不利于临床医生识别、解释相关信息，且护士或医生难以对icu患者进行持续监督或评估，低频低精度的预警系统将难以适应病情急性变化的患者。由于缺乏足够精度的预测工具，临床医生可能会诉诸主观判断，这增加了医生根据相关信息采取行动的风险。预防性输血或使用100％机械通气对降低失血性休克死亡率有显著作用。如果有一个预警评估系统可以动态早期预测创伤后患者未来失血性休克发生概率，那么就可以为高危患者提供及时的预防性治疗计划，从而大大降低死亡率和医疗费用。重症监护室的医生可以从多个监护系统中得到大量的患者生理数据及测量指标，但仅凭借人类处理复杂信息的有限能力将阻碍对患者病情恶化的早期识别，常规的辨识预警方法难以实时监测患者病情。深度学习技术在数据丰富的环境中分析复杂信号方面表现出色。icu中收集的大量数据以及the medical information mart for intensive care iii(mimic iii)database、eicu、amsterdamumc等大型医疗重症数据集的公开是在此环境中开发机器学习使用的关键。
4.专利cn201910570791提供了一种创伤失血性休克伤情的时间序列预测方法，其能够从数据库中提取创伤失血性休克伤情数据,对所述创伤失血性休克伤情数据进行数据处理，其功能包括:处理数据异常值、再对数据进行线性补缺和聚类补缺；对处理后的数据设计阶梯化指标；应用指标阶梯化结果和不同类型分类器构建预测模型,并通过预测模型对预设时长后的结果进行预测。该发明使用可实时监测的指标就能对创伤失血性休克实施基于时间序列的实时动态预测预警，但未预留临床干预时间，未对模型进行可解释性分析。
5.此外，在医疗健康大数据领域，患者临床数据可分为只有一个截面的截面数据和有多个截面的时序数据，而后者因为含有信息量大、包含趋势变动等特点，时间序列预测精度会高于截面预测，并能够实现滑动预测、实时监测预警病情。但是由于伤员测量指标不尽相同、伤员指标测量的时间不同且大部分化验指标不会在短期内多次测量等问题，直接导致医疗数据稀疏和缺失问题异常严重。现有技术至少存在如下问题：
6.(一)在数据补缺方面还没有比较成熟的补缺技术体系,而大多采用均值补缺或者
线性补缺,补缺方法单一,且补缺后仍存在数据质量差、与真实数据相差较大等问题；
7.(二)现有的技术方法多采用截面预测的方式,比如对数据取均值得到截面后进行预测,其得到的结果是“结局性”的,不能实现滚动预测和实时监测病情；
8.(三)现有方法利用少量时间序列进行预测,仅选用测量成本低、次数多的生命体征指标,如心率、血压等,预测效果不佳；
9.(四)现有的预警方法未采用降低伪报警率的相关处理，频繁的模型伪报警导致医护人员报警疲劳，进而影响患者危急状态下的积极临床救治。
10.现有已公开的相关技术虽然利用能够通过患者生理参数实现对患者的创伤后失血性休克发病可能的预测，但缺乏预留预警模型运行时间点与发病预警时间点之间的临床干预时间，缺乏有效降低伪报警率的方法。


技术实现要素：

11.针对现有创伤后失血性休克动态早期预警系统存在的问题，本发明公开了一种基于无创参数的创伤后失血性休克动态早期预警系统，实现对患者未来多时间尺度内创伤后失血性休克发病可能性进行预测，并降低伪报警率实现有效预警。
12.本发明公开了一种基于无创参数的创伤后失血性休克动态早期预警系统，其包括：生理参数感知子系统、预警模型更新子系统、动态预警子系统、创伤后失血性休克发病判断子系统和静默子系统；
13.所述的生理参数感知子系统与动态预警子系统相连接，动态预警子系统与预警模型更新子系统和创伤后失血性休克发病判断子系统分别连接，静默子系统分别和创伤后失血性休克发病判断子系统、动态预警子系统与预警模型更新子系统进行连接。
14.生理参数感知子系统用于实时监测并采集患者的生理参数数据信息，并对采集的患者生理参数数据进行预处理，再将预处理后的数据发送至动态预警子系统。
15.所述的患者的生理参数数据信息，包括患者常规无创生理参数和患者学习窗口内生理参数时序数据。
16.所述的对采集的患者生理参数数据进行预处理，包括，对于采集得到的患者生理参数的离散采样值，利用该离散采样值构成采样向量，计算所述采样向量的互相关矩阵，利用特征提取方法对所述互相关矩阵进行处理，得到其特征值向量，利用所述特征值向量对采样向量进行加权，得到患者生理参数的平滑值，作为预处理后的数据，从而有效减少所采集的野值等误差值对后续预警判断过程所造成的干扰，减少预警判断过程的虚警概率。
17.所述的对采集的患者生理参数数据进行预处理，包括，一段时间内采集的患者生理参数离散采样值所构成的采样向量表示为[x1,x2,
…
,xn]，n为一段时间内采集的患者生理参数离散采样值的数目，计算得到该采样向量的互相互矩阵c，对互相关矩阵c进行特征值分解，得到：
[0018]
c＝vdvh，
[0019]
其中，c为特征向量矩阵，d为特征值矩阵，对矩阵d的对角线元素进行归一化处理并将其作为权值向量，对采样向量进行加权求和，得到患者生理参数的平滑值，作为预处理后的数据。
[0020]
所述的动态预警子系统用于接收生理参数感知子系统采集的患者常规无创生理
参数和患者学习窗口内生理参数时序数据并对其进行清洗，计算得到患者在预测时间窗口内创伤后失血性休克发病的原始概率，再根据生理参数感知子系统采集到的常规无创生理参数和患者学习窗口内生理参数时序数据，计算患者在未来预测时间窗口范围内的创伤后失血性休克的发生概率，得到预测概率值，并将该预测概率值发送至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对该预测概率值进行修正，若修正后的预测概率值大于第一预测概率阈值，则该基于无创参数的创伤后失血性休克动态早期预警系统判断患者在未来预测时间窗口范围内将会出现创伤后失血性休克，若修正后的预测概率值小于等于第二预测概率阈值，则该系统判断患者在未来预测时间窗口范围内不会出现创伤后失血性休克。
[0021]
所述的预警模型更新子系统对该系统所处地的医疗环境进行监测，若预警模型更新子系统监测到所处地的医疗环境改变，则该子系统根据生理参数感知子系统采集到的患者常规无创生理参数及包括患者死亡情况、创伤后失血性休克发生情况、住院时长在内的预后信息，使用增量学习方法对动态预警子系统中的深度学习模型的权重进行更新，以使该系统的预警结果适应该系统所处地的医疗环境。
[0022]
所述的静默子系统对智能动态预警子系统的创伤后失血性休克动态早期预警的测试数据、训练数据与标签数据三者之间的差异性进行判别，若三类数据之间出现显著性差异，则静默子系统控制动态预警子系统的预警结果不输出，并收集一段时间内的动态预警子系统的预警结果数据，提取出该段时间内具有最大预测概率的预警结果数据，将其输出至创伤后失血性休克发病判断子系统。
[0023]
所述的静默子系统对预警模型更新子系统的测试数据、标签数据与训练数据的差异性进行判别，包括：
[0024]
将预警模型更新子系统的数据看做平稳随机过程，针对测试数据、标签数据与训练数据，分别建立对应的自回归-滑动平均模型，即arma模型，分别得到第一arma模型、第二arma模型和第三arma模型，对三种arma模型的系数，计算其互相关矩阵，对该互相关矩阵计算得到最大特征值，利用最大特征值对所述的测试数据、标签数据与训练数据的差异性进行判别。
[0025]
当所述的最大特征值大于差异性判别阈值时，判定预警模型更新子系统的测试数据、标签数据与训练数据之间出现显著性差异。
[0026]
所述的静默子系统对预警模型更新子系统的测试数据、标签数据与训练数据的差异性进行判别，包括：
[0027]
静默子系统利用训练数据，采用深度学习模型，预测得到标签数据预测值，采用可信度评估方法，计算测试数据、训练数据与标签数据预测值之间的可信度，当可信度低于可信度阈值时，判定预警模型更新子系统的预警数据、标签数据与训练数据之间出现显著性差异。
[0028]
所述的静默子系统对预警模型更新子系统的测试数据、标签数据与训练数据的差异性进行判别，包括：
[0029]
利用训练数据与标签数据预测值构成样本集合，根据每个测试数据所属的标签类别，将样本集合分为该测试数据对应的第一参照样本集合和第二参照样本集合，第一参照样本集合为测试数据所属的标签类别对应的样本所构成的集合，第二参照样本集合为样本
集合中除去第一参照样本集合外的其他样本所构成的集合，利用一致性度量计算函数，计算第一参照样本集合中的每个样本与该参照样本集合的距离，得到第一样本集合距离值向量，利用一致性度量计算函数，分别计算每个测试数据与其对应的第一参照样本集合和第二参照样本集合之间的距离，相应得到该测试数据的第一集合距离值和第二集合距离值，将测试数据的第一集合距离值在第一样本集合距离值向量中进行升序排序，得到序号值，计算该序号值与第一参照样本集合的样本总数的比值，作为该测试数据的可信度，若该测试数据的可信度低于可信度阈值时，判定预警模型更新子系统的预警数据、标签数据与训练数据之间出现显著性差异；计算每个测试数据的可信度并与可信度阈值进行比较。
[0030]
所述的深度学习模型，可采用栈式深度学习模型、卷积神经网络模块等。
[0031]
所述的栈式深度学习模型，包括卷积层、双向长短期记忆层、自注意力层。
[0032]
所述的动态预警子系统对最小时间单位内的缺失的患者生理参数时序数据，采用自适应插补方法对该缺失数据进行插补，其具体步骤包括：
[0033]
s1，计算每一患者入院至出院期间各项生理参数的采样频率的中位数midparam与四分位数iqridparam；
[0034]
s2，选择采集数据缺失的患者的带有缺失值的生理参数并记该参数为param参数，并将采集的所有param参数按采集时间升序顺序，选择采集的param参数中的空值或异常值所在时间位置为选定位置；
[0035]
s3，按下述的优先级顺序对选定位置进行数据插补，首先将选定位置的前(midparam iqridparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，其次将选定位置的前(midparam 2*iqridparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，再次将采集的param参数的有效值的中位数作为选定位置的数据插补值，最后对数据库中记录的param参数的中位数作为选定位置的数据插补值。
[0036]
创伤后失血性休克发病判断子系统接收患者在预测时间窗口内创伤后失血性休克发病的原始概率，创伤后失血性休克发病判断子系统根据动态预警子系统中的栈式深度学习模型在测试集数据上的敏感性与特异性，得到栈式深度学习模型的分类阈值d，使得当分类阈值为d时，栈式深度学习模型在测试集数据上的敏感性与特异性之间差值最小。
[0037]
所述的创伤后失血性休克发病判断子系统根据其所处地的医疗环境数据与医生治疗经验评价值对创伤后失血性休克的发生概率值进行修正，修正后的创伤后失血性休克发病概率的计算公式为：
[0038][0039]
其中c为概率阈值。
[0040]
预警模型更新子系统监测到所处地的医疗环境改变后，收集患者生理参数及预后信息，或使用输入的患者生理参数及预后信息，结合增量训练方法，在不改变栈式深度学习模型结构基础上更新该模型参数，并将患者在学习窗口范围内的生理参数实时传递给更新栈式深度学习模型参数后的动态预警子系统。
[0041]
本发明的有益效果为：
[0042]
本发明公开了一种基于无创参数的创伤后失血性休克动态早期预警深度学习系统，仅使用常见的无创参数，不需要实验室数据，扩大了系统的使用适用范围，使其在偏远地区、突发公共卫生事件和战场一线情况下使用成为可能，消除了频繁采集实验室参数对患者个体造成的伤害，降低了系统使用成本。与传统的线性相加的回归模型相比，自动化、流程化的智能动态预警子系统有着更高的计算复杂度，更适合现实问题中常见的非线性问题，能够提供更好的创伤后失血性休克发病预警能力。为临床干预预留的预警间隔，能够为医生设计患者治疗方案提供充足时间。本发明系统的分析结果与临床研究结果一致，模型性能优异，该系统可根据环境变化自动更新模型权重，以适应不同的临床环境，同时有效降低了创伤后失血性休克发病预测的虚假概率。
附图说明
[0043]
图1为本发明公开的一种基于无创参数的创伤后失血性休克动态早期预警系统的组成框图；
[0044]
图2为本发明的动态预警子系统中观测窗口，延迟窗口，预警窗口关系图；
[0045]
图3为本发明的静默子系统工作流程图。
具体实施方式
[0046]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0048]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0049]
图1为本发明公开的一种基于无创参数的创伤后失血性休克动态早期预警系统的组成框图；图2为本发明的动态预警子系统中观测窗口，延迟窗口，预警窗口关系图。图2中，学习窗口：有可用数据的时间范围，用于智能动态预警子模块的输入。预测窗口：用来确定是否发生了创伤后失血性休克的时间段。延迟窗口：预测窗口和学习窗口之间的时间差。其中t0为患者入住icu的时间点，t1点被设置为当前时间点，满足t1≥t0，x1为学习窗口的时间长度，满足t1-x1≥t0，x2为延迟窗口长度，预测窗口的时间段为[t1 x2,t1 x2 x3]，x3为预测窗口长度。图3为本发明的静默子系统工作流程图。
[0050]
本发明中所述的无创参数，是指不需要对患者身体造成创伤或不需要实验室环境
等才能测得的参数，如心率、无创血压、呼吸率、性别、年龄等。无创参数区别于实验室参数。
[0051]
实施例一：
[0052]
本发明公开了一种基于无创参数的创伤后失血性休克动态早期预警系统，其包括：生理参数感知子系统、预警模型更新子系统、动态预警子系统、创伤后失血性休克发病判断子系统和静默子系统；
[0053]
所述的生理参数感知子系统用于实时监测并采集患者的生理参数数据信息，并对采集的患者生理参数数据进行预处理，再将预处理后的数据发送至动态预警子系统。
[0054]
所述的生理参数感知子系统与动态预警子系统相连接，动态预警子系统与预警模型更新子系统和创伤后失血性休克发病判断子系统分别连接，静默子系统分别和创伤后失血性休克发病判断子系统、动态预警子系统与预警模型更新子系统进行连接。
[0055]
所述的患者的生理参数数据信息，包括患者常规无创生理参数和患者学习窗口内生理参数时序数据。
[0056]
所述的对采集的患者生理参数数据进行预处理，包括，对于采集得到的患者生理参数的离散采样值，利用该离散采样值构成采样向量，计算所述采样向量的互相关矩阵，利用特征提取方法对所述互相关矩阵进行处理，得到其特征值向量，利用所述特征值向量对采样向量进行加权，得到患者生理参数的平滑值，作为预处理后的数据，从而有效减少所采集的野值等误差值对后续预警判断过程所造成的干扰，减少预警判断过程的虚警概率。
[0057]
所述的对采集的患者生理参数数据进行预处理，包括，一段时间内采集的患者生理参数离散采样值所构成的采样向量表示为[x1,x2,
…
,xn]，n为一段时间内采集的患者生理参数离散采样值的数目，计算得到该采样向量的互相互矩阵c，对互相关矩阵c进行特征值分解，得到：
[0058]
c＝vdvh，
[0059]
其中，c为特征向量矩阵，d为特征值矩阵，对矩阵d的对角线元素进行归一化处理并将其作为权值向量，对采样向量进行加权求和，得到患者生理参数的平滑值，作为预处理后的数据。
[0060]
所述的动态预警子系统用于接收生理参数感知子系统采集的患者常规无创生理参数和患者学习窗口内生理参数时序数据并对其进行清洗，计算得到患者在预测时间窗口内创伤后失血性休克发病的原始概率，再根据生理参数感知子系统采集到的常规无创生理参数和患者学习窗口内生理参数时序数据，计算患者在未来预测时间窗口范围内的创伤后失血性休克的发生概率，得到预测概率值，并将该预测概率值发送至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对该预测概率值进行修正，若修正后的预测概率值大于第一预测概率阈值，则该基于无创参数的创伤后失血性休克动态早期预警系统判断患者在未来预测时间窗口范围内将会出现创伤后失血性休克，若修正后的预测概率值小于等于第二预测概率阈值，则该系统判断患者在未来预测时间窗口范围内不会出现创伤后失血性休克。
[0061]
所述的预警模型更新子系统对该系统所处地的医疗环境进行监测，若预警模型更新子系统监测到所处地的医疗环境改变，则该子系统根据生理参数感知子系统采集到的患者常规无创生理参数及包括患者死亡情况、创伤后失血性休克发生情况、住院时长在内的预后信息，使用增量学习方法对动态预警子系统中的深度学习模型的权重进行更新，以使
该系统的预警结果适应该系统所处地的医疗环境。
[0062]
所述的静默子系统对智能动态预警子系统的创伤后失血性休克动态早期预警的测试数据、训练数据与标签数据三者之间的差异性进行判别，若三类数据之间出现显著性差异，则静默子系统控制动态预警子系统的预警结果不输出，并收集一段时间内的动态预警子系统的预警结果数据，提取出该段时间内具有最大预测概率的预警结果数据，将其输出至创伤后失血性休克发病判断子系统。
[0063]
所述的静默子系统对预警模型更新子系统的测试数据、标签数据与训练数据的差异性进行判别，包括：
[0064]
将预警模型更新子系统的数据看做平稳随机过程，针对测试数据、标签数据与训练数据，分别建立对应的自回归-滑动平均模型，即arma模型，分别得到第一arma模型、第二arma模型和第三arma模型，对三种arma模型的系数，计算其互相关矩阵，对该互相关矩阵计算得到最大特征值，利用最大特征值对所述的测试数据、标签数据与训练数据的差异性进行判别。
[0065]
当所述的最大特征值大于差异性判别阈值时，判定预警模型更新子系统的测试数据、标签数据与训练数据之间出现显著性差异。
[0066]
所述的静默子系统对预警模型更新子系统的测试数据、标签数据与训练数据的差异性进行判别，包括：
[0067]
静默子系统利用训练数据，采用深度学习模型，预测得到标签数据预测值，采用可信度评估方法，计算测试数据、训练数据与标签数据预测值之间的可信度，当可信度低于可信度阈值时，判定预警模型更新子系统的预警数据、标签数据与训练数据之间出现显著性差异。
[0068]
所述的静默子系统对预警模型更新子系统的测试数据、标签数据与训练数据的差异性进行判别，包括：
[0069]
利用训练数据与标签数据预测值构成样本集合，根据每个测试数据所属的标签类别，将样本集合分为该测试数据对应的第一参照样本集合和第二参照样本集合，第一参照样本集合为测试数据所属的标签类别对应的样本所构成的集合，第二参照样本集合为样本集合中除去第一参照样本集合外的其他样本所构成的集合，利用一致性度量计算函数，计算第一参照样本集合中的每个样本与该参照样本集合的距离，得到第一样本集合距离值向量，利用一致性度量计算函数，分别计算每个测试数据与其对应的第一参照样本集合和第二参照样本集合之间的距离，相应得到该测试数据的第一集合距离值和第二集合距离值，将测试数据的第一集合距离值在第一样本集合距离值向量中进行升序排序，得到序号值，计算该序号值与第一参照样本集合的样本总数的比值，作为该测试数据的可信度，若该测试数据的可信度低于可信度阈值时，判定预警模型更新子系统的预警数据、标签数据与训练数据之间出现显著性差异；计算每个测试数据的可信度并与可信度阈值进行比较。
[0070]
所述的深度学习模型，可采用栈式深度学习模型、卷积神经网络模块等。
[0071]
所述的栈式深度学习模型，包括卷积层、双向长短期记忆层、自注意力层。
[0072]
所述的动态预警子系统对最小时间单位内的缺失的患者生理参数时序数据，采用自适应插补方法对该缺失数据进行插补，其具体步骤包括：
[0073]
s1，计算每一患者入院至出院期间各项生理参数的采样频率的中位数midparam与
四分位数iqridparam；
[0074]
s2，选择采集数据缺失的患者的带有缺失值的生理参数并记该参数为param参数，并将采集的所有param参数按采集时间升序顺序，选择采集的param参数中的空值或异常值所在时间位置为选定位置；
[0075]
s3，按下述的优先级顺序对选定位置进行数据插补，首先将选定位置的前(midparam iqridparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，其次将选定位置的前(midparam 2*iqridparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，再次将采集的param参数的有效值的中位数作为选定位置的数据插补值，最后对数据库中记录的param参数的中位数作为选定位置的数据插补值。
[0076]
创伤后失血性休克发病判断子系统接收患者在预测时间窗口内创伤后失血性休克发病的原始概率，创伤后失血性休克发病判断子系统根据动态预警子系统中的栈式深度学习模型在测试集数据上的敏感性与特异性，得到栈式深度学习模型的分类阈值d，使得当分类阈值为d时，栈式深度学习模型在测试集数据上的敏感性与特异性之间差值最小。
[0077]
所述的创伤后失血性休克发病判断子系统根据其所处地的医疗环境数据与医生治疗经验评价值对创伤后失血性休克的发生概率值进行修正，修正后的创伤后失血性休克发病概率的计算公式为：
[0078][0079]
其中c为概率阈值。
[0080]
预警模型更新子系统监测到所处地的医疗环境改变后，收集患者生理参数及预后信息，或使用输入的患者生理参数及预后信息，结合增量训练方法，在不改变栈式深度学习模型结构基础上更新该模型参数，并将患者在学习窗口范围内的生理参数实时传递给更新栈式深度学习模型参数后的动态预警子系统。
[0081]
基于无创参数的创伤后失血性休克动态早期预警系统工作原理见图1。动态预警子系统中观测窗口，延迟窗口，预警窗口的关系见图2。图2中，学习窗口：有可用数据的时间范围，用于智能动态预警子模块的输入。预测窗口：用来确定是否发生了创伤后失血性休克的时间段。延迟窗口：预测窗口和学习窗口之间的时间差。其中t0为患者入住icu的时间点，t1点被设置为当前时间点，满足t1≥t0，x1为学习窗口的时间长度，满足t1-x1≥t0，x2为延迟窗口长度，预测窗口的时间段为[t1 x2,t1 x2 x3]，x3为预测窗口长度。
[0082]
生理参数感知子系统用于实时监测患者的常规无创生理参数，并采集患者常规无创生理参数和患者学习窗口内生理参数时序数据后，动态预警子系统用于接收生理参数感知子系统采集的患者常规无创生理参数和患者学习窗口内生理参数时序数据，再根据生理参数感知子系统采集到的常规无创生理参数和患者学习窗口内生理参数时序数据，计算患者未来在预测窗口范围内的创伤后失血性休克的发生概率，得到预测概率值，并将该预测概率值发送至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对该预测概率值进行修正，若修正后的
预测概率值大于0.5，则该基于无创参数的创伤后失血性休克动态早期预警系统判断患者未来在预测窗口范围内将会出现创伤后失血性休克，若修正后的预测概率值小于等于0.5，则该系统判断患者未来在预测窗口范围内不会出现创伤后失血性休克。若预警模型更新子系统监测到医疗环境改变，则该子系统则会根据生理参数感知子系统采集到的患者常规无创生理参数及患者死亡情况、创伤后失血性休克发生情况、住院时长等临床预后信息，使用增量学习方法对动态预警子系统中的栈式深度学习模型的权重进行更新，以使该系统的预警结果适应该系统所处的医疗环境。所述的栈式深度学习模型，包括卷积层、双向长短期记忆层、自注意力层。
[0083]
生理通气参数感知子系统具有对患者无创生理参数实时监测功能，可实现对age、gender、bmi、、the status of mechanical ventilation、glasgow coma score(gcs)、gcs-verbal、gcs-motor、gcs-eyes、fio2、peep、etco2、tidal volume、urineoutput、heart rate、respiration rate、temperature、spo2、non-invasive systolic blood pressure、non-invasive diastolic blood pressure等参数的实时监测。生理通气参数感知子系统连接当地医院数据库或医护人员手动输入数据。
[0084]
动态预警子系统结合生理通气参数感知子系统获取的学习窗口内患者常规无创生理参数计算患者未来在预测窗口内出现创伤后失血性休克症状的原始概率。
[0085]
创伤后失血性休克发病判断子系统，将根据当地的医疗环境与医生治疗经验对动态预警子系统输出的原始概率修正，并反馈给医护人员早期动态预警系统对患者未来在预测窗口内是否会出现创伤后失血性休克症状的判断。
[0086]
icu患者接入该基于无创参数的创伤后失血性休克动态早期预警系统后，生理通气参数感知子系统实时监测患者生理参数，并将患者在学习窗口范围内的参数实时传递给动态预警子系统。
[0087]
以1小时为最小时间单位，原始数据中一小时跨度内有多个有效采样点的，动态预警子系统对排尿量计算小时内患者排尿量总数，对其它参数则计算中位数，随后对数据缺失值插补。
[0088]
动态预警子系统对最小时间单位内的缺失的生理参数时序数据，采用自适应插补方法对该缺失数据进行插补，其具体步骤包括：
[0089]
s1，计算每一患者入院至出院期间各项生理参数的采样频率的中位数midparam与四分位数iqridparam；
[0090]
s2，选择采集数据缺失的患者的带有缺失值的生理参数并记该参数为param参数，并将该生理参数按记录时间升序顺序，选择采集的param参数中的空值或异常值所在时间位置为选定位置；所述异常值为数据库中该参数95％ci之外数据；
[0091]
s3，按下述的优先级顺序对选定位置进行数据插补，首先将选定位置的前(midparam iqridparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，其次将选定位置的前(midparam 2*iqridparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，再次将param参数的有效值的中位数作为选定位置的数据插补值，最后对数据库中记录的param参数的中位数作为选定位置的数据插补值。例如，id为32572156的患者，心率参数在入院后第8小时存在缺失值，将第8小时作为选定位置，经计算得该患者心率参数采样中位数为2小时一个有效值，上四分位数为1小时一个有效值，则计算患者入
院后第(8-2-1)至第8小时心率参数有效值的中位数，作为第8小时缺失值的插补值。
[0092]
需要说明的是，插补数据不视为有效值点。
[0093]
动态预警子系统中的栈式深度学习模型利用清洗后的学习窗口内的患者生理参数时序数据，得到患者在预测窗口内创伤后失血性休克发病的原始概率。
[0094]
患者在预测窗口内创伤后失血性休克发病的原始概率导入至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统根据动态预警子系统中的栈式深度学习模型在测试集数据上的敏感性与特异性，得到栈式深度学习模型的分类阈值d，使得当分类阈值为d时，栈式深度学习模型在测试集数据上的敏感性与特异性差值最小。
[0095]
若修正后的创伤后失血性休克发病概率修正后的概率值大于0.5，则早期动态预警系统判断患者未来在预测窗口范围内将会出现创伤后失血性休克症状，反之判断患者不会出现创伤后失血性休克症状。
[0096]
所述的静默子系统，在机器学习的分类问题中，假设样本集合中的训练数据为xi∈x,i＝1,2,
…
,n，样本集合中的标签数据为yi∈y,i＝1,2,
…
,n，则定义样本空间zi＝(xi,yi),i＝1,2,
…
,n为样本空间z＝x
×
y中的元素。一般地，当给出一个新的对象x
n 1
时，机器学习模型根据本空间z＝x
×
y中样本x与标签y之间规律可以预测出x
n 1
的标签为y
n 1
＝f(x1,x2,
…
,xn,x
n 1
,y1,y2,
…
,yn)。
[0097]
静默子系统旨在评估测试数据x
n 1
与预警标签数据的的可信度，对可信度较低的标签，静默系统则抑制创伤后失血性休克发病判断子系统输出预警结果。设置反映显著性水平的参数ε∈(0,1)。静默子系统计算对象与预警标签之间可信度的方法为一致性度量方法，即测试数据x
n 1
与已有样本的相似程度。在静默子系统，相似程度为测试数据与参照样本集合的最小欧式距离。
[0098]
以二分类任务为例，首先定义参照样本集合中的阳性参照样本集合与阴性参照样本集合并设一致性度量计算函数为f
α
，其用于计算测试数据与参照样本集合的最小欧式距离。测试数据与参照样本集合的最小欧式距离，是指测试数据与参照样本集合的元素的最小欧式距离。
[0099]
计算得到测试数据x
n 1
与自身对应的预测标签相反的参照样本集合的最小距离，并标记为α
n 1
。样本到集合的距离通过欧式距离计算方法得到。同理计算阳性参照样本集合和阴性参照样本集合的度量值，分别为与参照样本集合的度量值为参照样本集合中的每个元素到该集合的距离的集合。若测试数据x
n 1
被模型预警为阳性样本，则对α
i 1
在阳性样本度量值集合α
pos
中升序排序，得到排序序号结果，计算排序序号结果与阳性样本总数的比值，其计算公式为：
[0100][0101]
若p小于设置的阈值(如0.05)，则静默子系统控制模型预警结果暂时不输出，并收集模型随后15分钟内预测概率输出结果至静默子系统，静默子系统返回15分钟内最大预测概率输出结果创伤后失血性休克发病判断子系统。
[0102]
对于临床医疗环境发生变化的情形，icu患者接入一种可解释性的基于无创参数
的基于无创参数的创伤后失血性休克动态早期预警系统后。生理通气参数感知子系统实时监测患者生理参数。
[0103]
以小时为最小时间单位，原始数据中一小时跨度内有多个有效采样点的，动态预警子系统对排尿量计算小时内患者排尿量总数，对其它参数则计算中位数，随后对数据缺失值插补。预警模型更新子系统收集患者生理参数及预后信息，或使用输入的生理参数及预后信息，结合增量训练方法，在不改变栈式深度学习模型结构基础上更新该模型参数，并将患者在学习窗口范围内的生理参数实时传递给更新栈式深度学习模型参数后的动态预警子系统。
[0104]
动态预警子系统将清洗后的学习窗口内的患者数据传输至已经训练好的机器学习模型，经模型的处理可以得到患者在预测窗口内创伤后失血性休克发病的原始概率。
[0105]
预测窗口内创伤后失血性休克发病的原始概率导入至创伤后失血性休克发病判断子系统，结合动态预警子系统中机器学习模型在测试集数据上的预警性能与医生经验，得到分类阈值d，使得当分类阈值为d时，模型在测试集数据上的敏感性或特异性为专家建议值。
[0106]
可见，本发明公开了一种基于无创参数的创伤后失血性休克动态早期预警深度系统，仅使用常见的无创参数，不需要实验室数据，扩大了系统的使用适用范围，使其在偏远地区、突发公共卫生事件和战场一线情况下使用成为可能，消除了频繁采集实验室参数对患者个体造成的伤害，降低了系统使用成本。与传统的线性相加的回归模型相比，自动化、流程化的智能动态预警子系统有着更高的计算复杂度，更适合现实问题中常见的非线性问题，能够提供更好的创伤后失血性休克发病预警能力。为临床干预预留的预警间隔，能够为医生设计患者治疗方案提供充足时间。本发明系统的分析结果与临床研究结果一致，模型性能优异，该系统可根据环境变化自动更新模型权重，以适应不同的临床环境，同时有效降低了创伤后失血性休克发病预测的虚假概率。
[0107]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。