【技術實現步驟摘要】
本專利技術涉及深度學習，尤其涉及基于深度學習的多時間點多器官衰竭風險預測方法及裝置。
技術介紹
1、隨著重癥醫學的發展，多器官功能障礙（multiple?organ?dysfunction,mod）已成為重癥監護患者中常見且嚴重的臨床問題。mod通常被定義為由多種因素誘導的兩個或多個器官的急性功能障礙，涉及多個生理系統的相互影響與功能失調。
2、由于mod的高死亡率，早期預警和干預對改善患者預后具有重要的臨床意義。近年來，研究者們提出了多種方法來識別mod的早期跡象。例如，bose等基于ipscc和proulx等提出的mods標準，采用頻譜聚類方法提取波形數據特征，并結合臨床數據，使用多種算法構建兒童mods的預警模型。研究顯示，隨機森林算法的roc曲線下面積（auc）可達0.91，其預警時間中位數為22.7小時，而xgboost模型的中位預警時間為37小時。此外，li等人首次將效用評分應用于膿毒癥早期預警模型的性能比較，提出了mods的效用評分，旨在更加客觀地評估模型性能。然而，現有技術普遍存在以下不足：（1）缺乏對單個器官的具體預測；現有模型主要關注多個器官的整體狀況，而對單個器官的具體預測能力不足，這使得臨床醫師在面對特定器官的功能障礙時難以獲得針對性的建議，無法制定個性化的干預方案，從而影響治療效果。（2）實時監控能力不足；盡管模型可以進行預測，但其實時監控能力尚顯不足；這意味著在患者狀態變化時，模型無法及時更新和調整預測結果，降低了其在急救和重癥監護中的實用性。（3）缺乏多時間點的預測能力；現有模型在多時間
3、為了進一步提高預測性能，本專利技術開發了multiorgrisknet模型，該模型包含多個關鍵模塊，包括數據自動插補模塊、時間序列特征表示學習模塊以及全風險預測模塊。multiorgrisknet模型具有三個顯著優勢。首先，模型引入的數據自動插補模塊有效處理臨床數據中的缺失值，提高了對不完整數據的魯棒性，從而確保預測的準確性和可靠性。其次，集成的深度學習模型結合了卷積層和長短期記憶網絡（lstm），增強了對局部特征的敏感性，使其能夠準確識別生命體征的短期波動，并捕捉時間序列數據中的動態變化，從而提升了預測性能。最后，multiorgrisknet能夠在多個時間點上對主要器官進行實時預測，幫助醫護人員快速評估患者健康狀態并及時做出干預決策，為重癥監護提供了有力支持。
技術實現思路
1、本專利技術的目的在于解決現有技術中的問題。
2、本專利技術解決其技術問題所采用的技術方案是：提供一種基于深度學習的多時間點多器官衰竭風險預測方法，包括以下步驟：
3、數據收集步驟，收集icu患者信息并進行預處理，獲得初始特征數據集；
4、特征選擇步驟，通過閉塞分析從初始特征數據集選取對預測最重要的若干特征，作為模型輸入特征；從初始特征數據集中篩選出模型輸入特征對應的數據作為模型訓練集；
5、模型訓練步驟，基于卷積層和長短期記憶網絡構建multiorgrisknet模型，并利用模型訓練集訓練得到若干個獨立器官衰竭風險預測模型；所述若干個獨立器官衰竭風險預測模型包括預測不同器官在不同時間段之后發生衰減風險的模型；
6、風險預測步驟，集成若干個獨立器官衰竭風險預測模型作為多時間點多器官衰竭風險預測模型，根據臨床數據實時預測多時間點多器官的衰竭風險。
7、優選的，所述數據收集步驟包括以下步驟：
8、獲取icu患者信息，使用icu內的器官衰竭記錄標記事件患者，同時排除年齡低于18歲或在icu住院超過60天的患者；
9、對于所有特征的數據，如果同一時間點記錄了多個值時，使用其平均值作為代表值；如果某個時間點未記錄到特定變量，則該變量被視為缺失值；對于患者入院時的初始缺失值，采用中位數填補法處理；其他情況下，使用向前填充法處理；
10、對所有特征的數據進行z-score標準化處理，表示為：
11、；
12、其中，和分別是每個特征的數據的均值和標準差，表示原始收集的特征數據，表示標準化處理后的特征數據。
13、優選的，所述通過閉塞分析從初始特征數據集選取對預測最重要的若干特征，包括以下步驟：
14、從初始特征數據集中選擇若干個易于獲取的特征作為候選特征；
15、使用基于長短期記憶網絡的模型對候選特征進行閉塞分析，選出對于模型預測最重要的若干個特征作為模型輸入特征。
16、優選的，所述模型輸入特征，包括：
17、生命體征，包括呼吸頻率、心率、收縮壓、舒張壓、體溫、外周血氧飽和度、格拉斯哥昏迷評分-眼、格拉斯哥昏迷評分-語言和格拉斯哥昏迷評分-動作；
18、實驗室結果，包括丙氨酸氨基轉移酶、天門冬氨酸氨基轉移酶、白蛋白、血尿素氮、膽紅素、c反應蛋白、氯、肌酐、血糖、血紅蛋白、凝血酶原時間、血小板、鉀、鈉、白細胞和活化部分凝血活酶時間；
19、以及年齡。
20、優選的，所述模型輸入特征還包括三個時間增量特征：
21、生命體征增量特征，表示自上次測量任一生命體征以來經過的時間，反映生命體征更新的頻率和變化趨勢；
22、實驗室增量特征，表示自上次測量任一實驗室結果以來經過的時間，捕捉實驗室檢查的時間間隔和可能的延遲效應；
23、icu時間增量特征，表示自患者入住icu以來的總時間，用于量化其病程進展。
24、優選的，所述multiorgrisknet模型包括：
25、數據自動插補模塊，對輸入數據進行動態實時的缺失值填補，確保整個時間序列中的數據完整性；
26、時間序列特征表示學習模塊集成了卷積層、長短期記憶網絡和全連接層，以全面提取和表達輸入數據的時間序列特征；通過長短期記憶網絡有效捕捉輸入數據的動態變化和趨勢，提取關鍵的時間依賴性信息；通過卷積層增強對局部特征的敏感性，更加準確識別短期波動，充分利用短時間內的狀態變化；通過全連接層融合不同層次的特征，生成綜合特征向量；綜合特征向量經過輸出層的非線性映射轉化為對應的類別概率，基于該類別概率判定是否有器官衰竭的風險。
27、優選的，所述若干個獨立器官衰竭風險預測模型包括預測不同器官在不同時間段之后發生衰減風險的模型，所述器官包括心臟、肝臟、腎臟、肺和凝血系統。
28、優選的，所述若干個獨立器官衰竭風險預測模型包括預測不同器官在不同時間段之后發生衰減風險的模型，所述時間段包括12小時、24小時、36小時和48小時。
29、優選的，所述風險預測步驟中，獲取臨床數據對應模本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述數據收集步驟包括以下步驟：
3.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述通過閉塞分析從初始特征數據集選取對預測最重要的若干特征，包括以下步驟：
4.根據權利要求3所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述模型輸入特征，包括：
5.根據權利要求4所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述模型輸入特征還包括三個時間增量特征：
6.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述MultiOrgRiskNet模型包括：
7.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述若干個獨立器官衰竭風險預測模型包括預測不同器官在不同時間段之后發生衰減風險的模型，所述器官包括心臟、肝臟、腎臟、肺和凝血系
8.根據權利要求7所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述若干個獨立器官衰竭風險預測模型包括預測不同器官在不同時間段之后發生衰減風險的模型，所述時間段包括12小時、24小時、36小時和48小時。
9.根據權利要求8所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述風險預測步驟中，獲取臨床數據對應模型輸入特征的數據，輸入到多時間點多器官衰竭風險預測模型，模型輸出不同器官在不同時間段之后發生衰竭的風險。
10.一種基于深度學習的多時間點多器官衰竭風險預測裝置，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述數據收集步驟包括以下步驟：
3.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述通過閉塞分析從初始特征數據集選取對預測最重要的若干特征，包括以下步驟：
4.根據權利要求3所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述模型輸入特征，包括：
5.根據權利要求4所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述模型輸入特征還包括三個時間增量特征：
6.根據權利要求1所述的基于深度學習的多時間點多器官衰竭風險預測方法，其特征在于，所述multiorgrisknet模型包括：
...【專利技術屬性】
技術研發人員：寧萬山，陳群，馬馳原，許睿智，蘇篤斌，楊靜靜，
申請(專利權)人：廈門大學附屬第一醫院廈門市第一醫院，廈門市紅十字會醫院，廈門市糖尿病研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。