【技術實現步驟摘要】
本專利技術涉及醫工交叉，具體為一種急性心梗患者院內不良心血管事件鏈早期智能預警方法。
技術介紹
1、急性心肌梗死患者在圍手術期和住院期間具有發生不良臨床事件(如快速型心律失常、緩慢型心律失常、心搏驟停、呼吸衰竭、低血壓)的高風險。目前，心臟重癥病房主要依賴持續心電監護儀和24h醫護值班制度來監測患者的心臟狀態。而傳統的監護方法存在顯著不足，主要表現為不良事件的早期預警能力低下，導致醫療干預相對滯后，且由于監護儀器和人工監測的局限性，臨床上難以及時識別且處理高風險患者的不良事件，影響患者的預后。
2、現有的預警系統通常依賴于患者自身或其身邊人員的輔助來觸發預警，預警效率較低且速度緩慢，此外，現有的預警系統缺乏預警能力，難以整合多模態數據進行個性化預警，同時無法提供數據支持，限制持續長期的科研和數據分析。
3、因此，本領域技術人員提供一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，以解決上述
技術介紹
中提出的問題。
技術實現思路
1、針對現有技術的不足，本專利技術提供一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，以解決上述
技術介紹
中提出的問題。
2、為實現以上目的，本專利技術通過以下技術方案予以實現：一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，包括如下步驟：
3、s1、患者通過微信傳輸的方式將安裝文件保存至手機中，后在手機文件管理中找尋下載的app安裝文件，運行安裝程序，按提示完成app的安裝過程，而在安裝過程中，若
4、s2、開啟手機藍牙功能，且將智能手表設置為藍牙配對狀態，手表屏幕上將顯示手表名稱或二維碼，此時，打開手機端的app，app自動連接手表，彈出提示框，點擊“是”確認連接，同時，在手表端點擊“是”，完成配對；
5、s3、配對完成后，患者通過app開始實時數據同步操作，app將自動連接手表，顯示連接狀態為“已連接”后，進行下一步操作，而app中顯示的“設備編碼”是手表的識別碼，該編碼與預警平臺中患者的基礎屬性關聯，app會按照設定的頻率定時同步手表數據到系統數據庫，此時，點擊“同步數據”按鈕，手表上的數據將被獲取且上傳至智能預警平臺；
6、s4、醫護人員通過系統賬號登錄智能預警平臺，進入患者管理界面，點擊“患者中心”的“+病例”按鈕創建新患者檔案，且在彈窗內填寫患者的相關信息，點擊“確定”按鈕完成患者創建，若需修改患者信息，點擊患者列表右側的“編輯”按鈕，進行信息修改后點擊“確定”按鈕保存；
7、s5、醫護人員可在平臺上查看患者的詳細信息，且預警信息可通過app或系統通知欄實時查看，而在系統設置中，醫護人員可調整預警規則的閾值；
8、s6、若系統檢測到患者的健康數據異常時，app會發送預警通知，醫護人員可在app中點擊通知圖標查看詳細的預警信息，且進一步確認患者狀況時，醫護人員可通過app中的“呼叫”功能直接撥打患者或其家屬的電話；
9、s7、醫護人員確認預警為誤報或已處理完畢時，可通過系統功能消除預警狀態；
10、s8、可穿戴設備在患者出院后能持續采集健康數據，且將采集的數據上傳至智能預警平臺，形成完整的健康數據鏈條，而平臺匯總且分析數據。
11、優選的，所述s5步驟中的預警機制用于實時分析和評估患者的健康數據，以進行預警，其算法包括心率變異性、心率閾值預警公式、多模態數據融合與加權平均預警公式和機器學習算法：
12、所述心率變異性是通過測量rr間隔來評估心臟自主神經功能的方法，時域指標包括：
13、sdnn(標準差)：
14、
15、其中，rri是第i個rr間隔，是rr間隔的平均值，n是總的rr間隔數。
16、優選的，所述心率閾值預警公式：
17、通常心率的異常分為過速和過緩，其計算可設置為：
18、心動過速：
19、hr>hrmax，
20、其中，hrmax是設定的最大心率閾值；
21、心動過緩：
22、hr<hrmin，
23、其中，hrmin是設定的最小心率閾值。
24、優選的，所述多模態數據融合與加權平均預警公式：
25、該算法將心率、血氧飽和度、血壓等多生理參數綜合考慮，進行加權平均計算，形成綜合預警指數：
26、綜合預警指數(cp?i)：
27、
28、其中，w1，w2，w3是不同參數的權重，hr、spo2、bp依次代表心率、血氧飽和度和血壓的實時值，ref代表參考值，max和min代表相應的最大和最小閾值。
29、優選的，所述機器學習算法：
30、通過訓練支持向量機或神經網絡模型來識別異常模式：
31、支持向量機分類器：
32、
33、其中，αi是拉格朗日乘數，yi是樣本標簽，k(xi,x)是核函數，b是偏置；
34、神經網絡輸出層公式：
35、y＝softmax(wx+b)，
36、其中，w是權重矩陣，x是輸入，b是偏置，b函數用于計算分類概率。
37、優選的，所述s6步驟中，app發送預警通知的算法包括風險評估指數和時間序列異常預測：
38、所述風險評估指數：
39、在檢測到某參數異常后，系統通過綜合風險評估模型來進一步確定是否需要發出預警，其風險評估指數的算法公式：
40、
41、其中，ri(t)是第i個生理參數的風險值，αi是對應參數的權重，a(τ)是在時間τ上的異常度量，t是評估窗口的時間長度，β是歷史異常度的權重，風險評估指數超過某預設閾值則觸發預警；
42、所述時間序列異常預測：
43、系統使用機器學習模型長短期記憶網絡來預測未來的生理參數趨勢，若預測結果顯示有高風險事件即將發生，系統將提前發出預警：
44、長短期記憶網絡預測公式：
45、
46、其中，是預測未來k時間步長后的生理參數值，x(t)是時刻t的輸入數據，flstm是訓練好的長短期記憶網絡模型，若超過預警閾值，則提前發出預警通知。
47、優選的，所述s7步驟中，醫護人員確認預警為誤報或已處理完畢時，系統要通過算法來驗證預警狀態并決定是否消除預警，其算法涉及對歷史數據的回溯分析和模式識別以及可信度評估：
48、所述歷史數據回溯分析：
49、為確認預警是否為誤報，系統回顧近期的數據，且使用滑動窗口進行回溯分析：
50、滑動窗口異常積分：
51、
52、其中，w是窗口大小，a(t-i)是時刻t-i的異常度量，通過比較swas(t)與閾值，系統判斷預警是否連續存在異常，若swas(t)小于設定的誤報閾值，則是誤報；
53、本文檔來自技高網...
【技術保護點】
1.一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述S5步驟中的預警機制用于實時分析和評估患者的健康數據，以進行預警，其算法包括心率變異性、心率閾值預警公式、多模態數據融合與加權平均預警公式和機器學習算法：
3.根據權利要求2所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述心率閾值預警公式：
4.根據權利要求2所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述多模態數據融合與加權平均預警公式：
5.根據權利要求2所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述機器學習算法：
6.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述S6步驟中，APP發送預警通知的算法包括風險評估指數和時間序列異常預測：
7.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期
8.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述S8步驟中的算法用于持續采集患者健康數據、上傳數據且對其進行匯總和分析，以形成完整的健康數據鏈條，如下是算法公式：
9.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述S8步驟中，系統匯總患者的數據，且通過大數據分析技術來挖掘潛在的健康模式和風險因子；
10.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述S8步驟中，基于持續收集的數據，系統為患者生成長期健康評估報告，以提供反饋建議，其長期健康評分公式：
...【技術特征摘要】
1.一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述s5步驟中的預警機制用于實時分析和評估患者的健康數據，以進行預警，其算法包括心率變異性、心率閾值預警公式、多模態數據融合與加權平均預警公式和機器學習算法：
3.根據權利要求2所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述心率閾值預警公式：
4.根據權利要求2所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述多模態數據融合與加權平均預警公式：
5.根據權利要求2所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述機器學習算法：
6.根據權利要求1所述的一種急性心梗患者院內不良心血管事件鏈早期智能預警方法，其特征在于，所述s6步驟中，app發送預警通知的算法包括風險評估指數和時間...
【專利技術屬性】
技術研發人員：鄒治國，謝可煒，許莉，孫嘉騰，姜萌，卜軍，
申請(專利權)人：上海交通大學醫學院附屬仁濟醫院，
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。