基于列线图和注意力模型的心血管病预后预测方法及系统

本发明涉及智能急救,具体的是基于列线图和注意力模型的心血管病预后预测方法及系统。
背景技术:
1、急性心血管病是全球主要死因之一,严重威胁人类生命健康。对该类疾病患者进行预后预测、评估未来发生不良心血管事件的风险至关重要。列线图是一种直观有效地展示cox回归结果的一种方法,其最大特点即对事件结局的预测,同时可以通过直线的长度来表示不同变量对结局的影响,以及变量的不同取值对结局的影响。在急救过程中对患者的即时临床数据做分值的对应,将心律失常、心肌梗死、呼吸困难、休克、呼吸频率、血压、血氧做临床分数计算,每一类别的得分情况是根据第一行分值的对应刻度得出。同时,注意力模型会接入患者的院内病例数据,做患者信息的识别,将综合分析患者的其他的多类相关信息,例如年龄、性别、吸烟史、饮酒史、冠心病史、脑卒中史、高血脂史、高血压史、糖尿病史等数据,生成模型分值,最终通过临床分数与模型分值相加,得到最终的分数,在列线图中得到患者1年时间的生存风险。
2、目前列线图模型被广泛用于多种疾病的预后评估和预测,如肝癌、乳腺癌、胃癌、胆管癌等恶性肿瘤的预后预测等。列线图在急救患者中的应用也非常有价值,通过监测患者的生命体征和病情变化,列线图可以帮助医护人员快速做出诊断和治疗决策,提高急救效率和成功率。
3、列线图提供的透明度解决了人工智能模型结果不容易解释的问题,患者将对通过列线图展示的推荐治疗方法更有信心。但是由于患者疾病相关的信息数量太多,而列线图仅能在图表中展示固定的几类较为重要的影响因素,并不能综合分析患者的病例信息和其他相关的影响因素。
技术实现思路
1、本发明的目的之一在于提供基于列线图和注意力模型的心血管病预后预测方法,以解决上述背景技术中提出的问题。
2、本发明的目的可以通过以下技术方案实现:
3、基于列线图和注意力模型的心血管病预后预测方法,包括以下步骤:
4、s1:数据接入、收集与预处理;
5、所述数据接入、收集与预处理包括从院内系统和急救系统获取患者相关的基本信息以及病史信息等,然后对获取到的数据进行数据清洗与过滤,再对获取数据做分类处理;具体的,符合二分类的数据做二分类转换,符合多分类的做多分类转换,符合离散数据的做归一化离散转换。
6、s2:使用注意力模型生成患者预后预测的风险值;
7、通过s1的数据接入和预处理,对模型训练数据集和测试数据集进行构建,然后通过模型预训练后得到患者的风险数值。
8、s3:构建急性心血管病患者风险预测列线图;
9、包括根据s1的数据获取急性心血管病患者生存相关历史数据集,然后利用单因素和多因素进行统计分析和构建列线图模型,将多因素回归模型的回归系数转换为列线图上的评分,将各变量的评分按照其对预测风险的贡献绘制成列线图,再通过列线图计算每个患者的总评分,并通过总评分预测其风险概率,将列线图应用于临床实践,通过输入患者的各项指标计算其总评分,从而预测其急性心血管病的风险。
10、s4:实时预测与系统部署;
11、将模型部署到后端服务器,通过提供api来接收s1中输入的患者相关信息,并且能够返回预测结果;提供可视化界面,能够通过移动端实时预测,支持在患者现场、救护车、医疗机构等多场所提供患者风险预测,并且定期使用新数据来更新模型,以提高模型预测的准确性,同时提供系统的监控功能,确保能够实时进行响应,收集用户反馈,持续改进系统。
12、进一步的,所述s1中的对患者的基本信息进行获取和分析包括获取患者的性别、年龄、婚姻状况、饮酒史和吸烟史等,以及对性别、婚姻状况、饮酒史和吸烟史的信息做二分类数据转换,对年龄做离散型数据归一化处理。
13、所述s1中的对患者的病史信息进行获取和分析包括获取高血压、高血脂、糖尿病、冠心病和脑卒中等病史信息,以及手术史、放化疗史和其他疾病史信息。
14、进一步的,所述模型训练数据集和测试数据集进行构建包括在院内系统或急救系统中获取急性心血管病患者相关的历史数据,将数据做s1中预处理操作,将数据按照7:3的数量比例划分为训练集和测试集;基于上述的数据集进行模型网络结构构建,模型主要分为三部分,分别是嵌入网络、编码器网络、预测网络。
15、所述模型预训练包括:构建使用权重衰减修复实现adam优化器,在训练过程中使用负对数似然损失函数,提升训练的效果,不断进行模型的预训练,设置训练迭代次数默认为100;通过实现提前停止方法,如果模型经过一定的迭代后验证损失没有改善,则提前停止训练;模型训练完成后进行保存,在使用预测功能时则提前加载模型,设定模型的输入内容,通过计算输出预测数据,输出患者的风险数值。
16、进一步的,所述嵌入网络是根据数值、位置和标记类型构建,最终生成数据对应的embeddings,所述编码器网络是基于注意力机制构建,输出数据对应的encoder值,所述预测网络输出每一轮训练的风险预测。
17、进一步的,所述急性心血管病患者生存相关历史数据集包括是否有心律失常症状、是否有心肌梗死症状、是否有呼吸困难症状、是否有休克症状、呼吸频率、血压、血氧等。
18、所述单因素用于通过单因素分析卡方检验,初步筛选出与预后相关的变量。
19、所述多因素用于使用多因素logistic回归模型和cox回归模型,用于时间事件数据分析多种因素对风险的独立影响,得到初步筛选特征变量。
20、本发明的另一目的在于提供基于列线图和注意力模型的心血管病预后预测系统,包括:
21、数据获取模块,用于对接院内系统和急救系统,通过数据接入获取患者相关的基本信息、病史信息、检查信息等。
22、数据处理模块,用于将数据获取模块获取到的数据进行数据清洗与过滤,对缺失数据做缺失值补充,对获取数据做分类处理,符合二分类的数据做二分类转换,符合多分类的做多分类转换,符合离散数据的做归一化离散转换。
23、预测模块,用于根据数据处理模块得到的数据进行模型网络结构构建以及列线图的绘制,从而结合模型以及列线图对患者进行风险预测。
24、操作模块,包括可视化界面,通过api接收患者信息,并且可返回至预测结构;通过移动端实时预测,支持在患者现场、救护车、医疗机构等多场所提供患者风险预测。
25、更新模块,用于定期更新系统数据,具有对系统的监控功能,确保能够实时进行响应,收集用户反馈,持续改进系统。
26、本发明的有益效果:
27、本发明提供的基于列线图和注意力模型的心血管病预后预测方法及系统,所建立的模型可用于分析急救患者预后相关的风险因子和风险等级,有助于提高预测准确性、解释性和个性化治疗指导,进而促进临床决策效率和未来研究的发展。
技术特征:
1.基于列线图和注意力模型的心血管病预后预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于列线图和注意力模型的心血管病预后预测方法,其特征在于,所述s1中的对患者的基本信息进行获取和分析包括获取患者的性别、年龄、婚姻状况、饮酒史和吸烟史,以及对性别、婚姻状况、饮酒史和吸烟史的信息做二分类数据转换,对年龄做离散型数据归一化处理;
3.根据权利要求1所述的基于列线图和注意力模型的心血管病预后预测方法,其特征在于,所述模型训练数据集和测试数据集进行构建包括在院内系统或急救系统中获取急性心血管病患者相关的历史数据,将数据做s1中预处理操作,将数据按照7:3的数量比例划分为训练集和测试集;基于上述的数据集进行模型网络结构构建,模型主要分为三部分,分别是嵌入网络、编码器网络、预测网络;
4.根据权利要求3所述的基于列线图和注意力模型的心血管病预后预测方法,其特征在于,所述嵌入网络是根据数值、位置和标记类型构建,最终生成数据对应的embeddings,所述编码器网络是基于注意力机制构建,输出数据对应的encoder值,所述预测网络输出每一轮训练的风险预测。
5.根据权利要求1所述的基于列线图和注意力模型的心血管病预后预测方法,其特征在于,所述急性心血管病患者生存相关历史数据集包括是否有心律失常症状、是否有心肌梗死症状、是否有呼吸困难症状、是否有休克症状、呼吸频率、血压和血氧;
6.基于列线图和注意力模型的心血管病预后预测系统,其特征在于,包括:
技术总结
本发明涉及智能急救技术领域,具体的是基于列线图和注意力模型的心血管病预后预测方法及系统,方法包括:S1:数据接入、收集与预处理;S2:使用注意力模型生成患者的预后预测;S3:构建急性心血管病患者预后预测列线图;S4:实时预测与系统部署。系统包括数据获取模块、数据处理模块、预测模块、操作模块以及更新模块;本发明提供了一种将注意力模型和列线图相结合对急性心血管病患者预后相关因素评分的分析模型,有助于提高预测准确性、解释性和个性化治疗指导,进而促进临床决策效率和未来研究的发展。
技术研发人员:陈玉国,潘畅,王甲莉,张瑞轩,刘文雯,刘治,李文韬,张继洲,陶可猛
受保护的技术使用者:山东大学齐鲁医院
技术研发日:
技术公布日:2024/11/28
技术研发人员:陈玉国,潘畅,王甲莉,张瑞轩,刘文雯,刘治,李文韬,张继洲,陶可猛
技术所有人:山东大学齐鲁医院
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除