【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于風險預警，具體涉及一種風險預警系統(tǒng)。
技術(shù)介紹
1、臨床現(xiàn)場的風險預警模型對模型的推理效率和響應速度有一定要求，傳統(tǒng)的風險預警模型無法適應臨床現(xiàn)場的推理效率和響應速度要求。
2、在申請?zhí)枮閏n202210939845.1的中國公開專利技術(shù)中，公開了一種基于機器學習的圍手術(shù)期風險預警方法，獲取待手術(shù)患者的與圍手術(shù)期風險評估相關(guān)聯(lián)的評估參數(shù)；采集待手術(shù)患者的與評估參數(shù)對應的多個第一數(shù)據(jù)；對多個第一數(shù)據(jù)進行處理，將得到的處理結(jié)果輸入至圍術(shù)期風險預測模型，輸出待手術(shù)患者對應的圍手術(shù)期風險預警結(jié)果。該方式可以根據(jù)圍手術(shù)期風險評估相關(guān)聯(lián)的評估參數(shù)及對應數(shù)據(jù)，通過圍術(shù)期風險預測模型，對圍術(shù)期可能發(fā)生的各種風險自動進行預測和預警，該方式不需要依賴人工經(jīng)驗，就可以盡早發(fā)現(xiàn)圍術(shù)期不良事件，從而有效降低術(shù)后并發(fā)癥，保障手術(shù)安全。
3、現(xiàn)有技術(shù)的缺陷在于，雖然實現(xiàn)了有效降低術(shù)后并發(fā)癥，保障手術(shù)安全；但缺乏對預測模型的訓練和調(diào)優(yōu)，導致模型的推理效率和響應速度有限，無法適應臨床推理效率高和響應速度快。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)要解決的技術(shù)問題是提供一種能夠提高臨床推理效率和臨床響應速度的風險預警系統(tǒng)。
2、本專利技術(shù)實施例的內(nèi)容包括提供一種風險預警系統(tǒng)，包括云端系統(tǒng)和邊緣系統(tǒng)，所述云端系統(tǒng)用于收集、處理不同患者的臨床數(shù)據(jù)，并基于收集、處理后的數(shù)據(jù)訓練大型神經(jīng)網(wǎng)絡(luò)模型，以得到能夠?qū)颊叩牟煌R床表現(xiàn)進行評估及風險預警的復雜模型，之后利用知識蒸餾技術(shù)將所述復雜
3、所述邊緣系統(tǒng)用于將所述小型高效模型部署在各個邊緣設(shè)備上，以利用所述小型高效模型實現(xiàn)臨床風險監(jiān)測及預警，所述邊緣系統(tǒng)還用于對所述復雜模型、小型高效模型進行關(guān)于數(shù)據(jù)的同步處理。
4、在一些實施例中，所述云端系統(tǒng)包括：
5、數(shù)據(jù)收集和預處理模塊，用于獲得不同臨床場景下不同患者的生命體征數(shù)據(jù)、電子病歷數(shù)據(jù)和專家標注數(shù)據(jù)，并對獲得的數(shù)據(jù)進行清洗和標準化處理；
6、模型訓練模塊，用于利用預處理后的數(shù)據(jù)訓練大型神經(jīng)網(wǎng)絡(luò)模型，以得到復雜模型，所述復雜模型用于進行患者緊急狀況分級、生命體征風險預警、術(shù)中低血壓和低氧血癥風險預警；
7、模型優(yōu)化模塊，用于對所述復雜模型進行優(yōu)化處理；
8、知識蒸餾模塊，用于通過知識蒸餾技術(shù)將優(yōu)化后的所述復雜模型進行知識遷移，得到小型高效模型。
9、在一些實施例中，所述邊緣系統(tǒng)包括：
10、邊緣端模型部署和推理模塊，用于將所述小型高效模型部署到臨床現(xiàn)場的各種邊緣設(shè)備上，以根據(jù)所述邊緣設(shè)備中的臨床數(shù)據(jù)對患者進行風險監(jiān)測和預警；
11、模型更新和同步機制模塊，用于采用增量更新方式對所述云端系統(tǒng)和邊緣系統(tǒng)上的模型進行更新；
12、數(shù)據(jù)流程和通信協(xié)議模塊，用于采用http通信協(xié)議實現(xiàn)云端系統(tǒng)和邊緣系統(tǒng)中各模型的數(shù)據(jù)交換；
13、接口單元，用于對邊緣系統(tǒng)中的不同功能接口進行接口安全管理，所述不同功能接口至少包括數(shù)據(jù)上傳接口、模型更新接口、控制命令接口、狀態(tài)監(jiān)控接口。
14、在一些實施例中，所述邊緣端模型部署和推理模塊包括：
15、模型部署模塊，用于將所述小型高效模型部署到臨床現(xiàn)場的各種邊緣設(shè)備上；
16、數(shù)據(jù)采集模塊，用于實時采集邊緣設(shè)備上獲得的患者的生命體征數(shù)據(jù)和手術(shù)過程數(shù)據(jù)；
17、風險預警模塊，用于將采集到的數(shù)據(jù)輸入至所述小型高效模型，以用于對患者的臨床狀態(tài)進行不同類型的風險評估和預警；
18、結(jié)果輸出模塊，用于顯示輸出風險評估和預警結(jié)果。
19、在一些實施例中，所述模型更新和同步機制模塊包括：
20、云端模型更新模塊，當獲得新的臨床數(shù)據(jù)時，則基于新的所述臨床數(shù)據(jù)重新訓練、優(yōu)化所述復雜模型，并基于優(yōu)化后的所述復雜模型更新所述小型高效模型；
21、第一模型同步模塊，對所述云端系統(tǒng)和邊緣系統(tǒng)中的小型高效模型自動進行同步更新；
22、增量更新模塊，用于采用增量更新的方式將所述云端系統(tǒng)中的小型高效模型與邊緣系統(tǒng)中的小型高效模型的參數(shù)差異部分進行傳輸，輔助實現(xiàn)模型的同步更新；
23、版本控制模塊，用于對所述小型高效模型的版本進行控制和管理，確保模型更新的可追溯性和回滾能力。
24、在一些實施例中，所述數(shù)據(jù)流程和通信協(xié)議模塊包括：
25、數(shù)據(jù)上傳模塊，用于定期將采集的患者的臨床數(shù)據(jù)通過http請求上傳到云端系統(tǒng)，以使所述云端系統(tǒng)基于新的臨床數(shù)據(jù)完成復雜模型、小型高效模型的更新；
26、第二模型同步模塊，用于獲得所述云端系統(tǒng)更新后的小型高效模型，并將其通過http請求推送到各個所述邊緣設(shè)備上；
27、控制命令接收模塊，用于接收所述云端系統(tǒng)通過http請求發(fā)送的控制命令，并將其推送至所述邊緣設(shè)備；
28、狀態(tài)監(jiān)控模塊，用于定期通過http請求將所述邊緣設(shè)備的狀態(tài)和小型高效模型的運行狀態(tài)上報到所述云端系統(tǒng)，以使所述云端系統(tǒng)對邊緣設(shè)備、小型高效模型進行集中監(jiān)控和管理。
29、在一些實施例中，所述接口單元還包括：
30、數(shù)據(jù)管理模塊接口，用于接收所述邊緣設(shè)備上傳的患者的臨床數(shù)據(jù)；
31、數(shù)據(jù)查詢接口，用于查詢獲取指定患者或指定時間段的歷史臨床數(shù)據(jù)；
32、數(shù)據(jù)統(tǒng)計接口，用于獲取數(shù)據(jù)的統(tǒng)計信息和指標；
33、模型管理模塊接口，用于上傳新版本的所述小型高效模型到云端系統(tǒng)；
34、模型查詢接口，用于查詢和獲取可用的模型版本列表；
35、模型下載接口，用于將新的模型版本推送到邊緣設(shè)備；
36、模型更新接口，用于觸發(fā)模型更新和蒸餾流程；
37、邊端設(shè)備管理模塊接口，用于注冊新的邊緣設(shè)備；
38、設(shè)備查詢接口，用于查詢和獲取已注冊設(shè)備的信息；
39、設(shè)備配置接口，用于修改邊緣設(shè)備的配置參數(shù)；
40、設(shè)備控制接口，用于向所述邊緣設(shè)備發(fā)送控制命令；
41、推理與預警模塊接口，用于接收所述邊緣設(shè)備上報的風險評估與預警結(jié)果；
42、預警查詢接口，用于查詢和獲取指定時間段的預警記錄；
43、預警統(tǒng)計接口，用于獲取預警的統(tǒng)計信息和指標；
44、監(jiān)控與診斷模塊接口，用于獲取所述邊緣設(shè)備的當前狀態(tài)和系統(tǒng)指標；
45、日志查詢接口，用于查詢和獲取云端系統(tǒng)、邊緣系統(tǒng)上的日志；
46、健康檢查接口，用于檢查云端系統(tǒng)、邊緣系統(tǒng)的健康狀態(tài)；
47、安全與身份驗證模塊接口，用于進行用戶身份驗證，獲取訪問令牌；
48、授權(quán)接口，用于管理用戶權(quán)限和角色；
49、密鑰管理接口，用于管理api密鑰和證書。
50、在一些實施例中，所述知識蒸餾模塊基于訓練復雜模型，獲得在訓練數(shù)據(jù)上的預測結(jié)果；
51、將復雜本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種風險預警系統(tǒng)，其特征在于，包括云端系統(tǒng)和邊緣系統(tǒng)，所述云端系統(tǒng)用于收集、處理不同患者的臨床數(shù)據(jù)，并基于收集、處理后的數(shù)據(jù)訓練大型神經(jīng)網(wǎng)絡(luò)模型，以得到能夠?qū)颊叩牟煌R床表現(xiàn)進行評估及風險預警的復雜模型，之后利用知識蒸餾技術(shù)將所述復雜模型蒸餾得到小型高效模型；
2.根據(jù)權(quán)利要求1所述的風險預警系統(tǒng)，其特征在于，所述云端系統(tǒng)包括：
3.根據(jù)權(quán)利要求1所述的風險預警系統(tǒng)，其特征在于，所述邊緣系統(tǒng)包括：
4.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述邊緣端模型部署和推理模塊包括：
5.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述模型更新和同步機制模塊包括：
6.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述數(shù)據(jù)流程和通信協(xié)議模塊包括：
7.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述接口單元還包括：
8.根據(jù)權(quán)利要求2所述的風險預警系統(tǒng)，其特征在于，所述知識蒸餾模塊基于訓練復雜模型，獲得在訓練數(shù)據(jù)上的預測結(jié)果；
9.根據(jù)權(quán)利要求2所述的風險預警系統(tǒng)，其特征在于，
10.根據(jù)權(quán)利要求2所述的風險預警系統(tǒng)，其特征在于，所述知識蒸餾模塊在基于所述復雜模型生成小型高效模型時，對于每一條臨床數(shù)據(jù)，記所述復雜模型的原產(chǎn)生的邏輯值為vi，新模型產(chǎn)生的邏輯值為zi，則所述小型高效模型產(chǎn)生的邏輯值為
...【技術(shù)特征摘要】
1.一種風險預警系統(tǒng)，其特征在于，包括云端系統(tǒng)和邊緣系統(tǒng)，所述云端系統(tǒng)用于收集、處理不同患者的臨床數(shù)據(jù)，并基于收集、處理后的數(shù)據(jù)訓練大型神經(jīng)網(wǎng)絡(luò)模型，以得到能夠?qū)颊叩牟煌R床表現(xiàn)進行評估及風險預警的復雜模型，之后利用知識蒸餾技術(shù)將所述復雜模型蒸餾得到小型高效模型；
2.根據(jù)權(quán)利要求1所述的風險預警系統(tǒng)，其特征在于，所述云端系統(tǒng)包括：
3.根據(jù)權(quán)利要求1所述的風險預警系統(tǒng)，其特征在于，所述邊緣系統(tǒng)包括：
4.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述邊緣端模型部署和推理模塊包括：
5.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述模型更新和同步機制模塊包括：
6.根據(jù)權(quán)利要求3所述的風險預警系統(tǒng)，其特征在于，所述...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：莊嚴，何昆侖，張軍雁，
申請(專利權(quán))人：中國人民解放軍總醫(yī)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。