本發(fā)明涉及醫(yī)療監(jiān)護(hù)，具體是指一種基于人工智能的重癥監(jiān)護(hù)室預(yù)警系統(tǒng)。

背景技術(shù)：

1、隨著醫(yī)療技術(shù)的發(fā)展，重癥監(jiān)護(hù)室的患者監(jiān)護(hù)水平有了顯著提高；然而，傳統(tǒng)的監(jiān)護(hù)方法在數(shù)據(jù)處理和實(shí)時(shí)預(yù)警方面存在局限性；人工智能技術(shù)的引入，特別是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，為重癥監(jiān)護(hù)室提供了新的解決方案；通過分析大量的臨床數(shù)據(jù)，人工智能可以幫助醫(yī)生及時(shí)發(fā)現(xiàn)重癥患者病情的微小變化，從而提前進(jìn)行預(yù)警；然而目前的基于人工智能的重癥監(jiān)護(hù)室預(yù)警系統(tǒng)，存在監(jiān)測(cè)重癥患者生命體征異常時(shí)，面臨較高的誤報(bào)率問題，存在難以精確預(yù)測(cè)重癥患者未來生命體征走勢(shì)，從而影響人力和醫(yī)療資源分配的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于人工智能的重癥監(jiān)護(hù)室預(yù)警系統(tǒng)，針對(duì)存在監(jiān)測(cè)重癥患者生命體征異常時(shí)，面臨較高的誤報(bào)率問題，本發(fā)明提出了體征報(bào)警模塊，并在體征報(bào)警模塊采用了異常檢測(cè)計(jì)分算法，通過風(fēng)險(xiǎn)閾值、影響因子和報(bào)警正確率對(duì)各項(xiàng)生命體征數(shù)據(jù)進(jìn)行打分，在超出總分閾值或單項(xiàng)得分閾值時(shí)進(jìn)行報(bào)警，通過管理人員進(jìn)行初步審查，然后調(diào)動(dòng)快速反應(yīng)小組及時(shí)進(jìn)行救援；針對(duì)難以精確預(yù)測(cè)重癥患者未來生命體征走勢(shì)，從而影響人力和醫(yī)療資源分配的問題，本發(fā)明提出了基于transformer-bigru的健康預(yù)測(cè)模型，結(jié)合體征特征、統(tǒng)計(jì)特征和醫(yī)學(xué)特征，利用transformer對(duì)重癥患者的生命體征數(shù)據(jù)進(jìn)行學(xué)習(xí)，并通過bigru進(jìn)一步捕捉雙向依賴關(guān)系，以提高模型預(yù)測(cè)的準(zhǔn)確性。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供了一種基于人工智能的重癥監(jiān)護(hù)室預(yù)警系統(tǒng)，具體包括：數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)中心、體征報(bào)警模塊、健康預(yù)測(cè)模塊、風(fēng)險(xiǎn)預(yù)警模塊和輔助決策模塊，數(shù)據(jù)采集模塊的輸出端連接數(shù)據(jù)傳輸模塊的輸入端，數(shù)據(jù)傳輸模塊的輸出端連接數(shù)據(jù)中心的輸入端，數(shù)據(jù)中心的輸出端分別連接健康預(yù)測(cè)模塊的輸入端和體征報(bào)警模塊的輸入端，體征報(bào)警模塊的輸出端連接輔助決策模塊的輸入端，健康預(yù)測(cè)模塊的輸出端連接風(fēng)險(xiǎn)預(yù)警模塊的輸入端，風(fēng)險(xiǎn)預(yù)警模塊的輸出端連接輔助決策模塊的輸入端；

3、所述的數(shù)據(jù)采集模塊采集生命體征數(shù)據(jù)；

4、所述的數(shù)據(jù)傳輸模塊實(shí)時(shí)傳輸生命體征數(shù)據(jù)；

5、所述的數(shù)據(jù)中心利用大數(shù)據(jù)平臺(tái)儲(chǔ)存生命體征數(shù)據(jù)；

6、所述的體征報(bào)警模塊采用異常檢測(cè)計(jì)分算法，實(shí)時(shí)監(jiān)測(cè)生命體征數(shù)據(jù)并在異常時(shí)生成報(bào)警信息并進(jìn)行報(bào)警；

7、所述的健康預(yù)測(cè)模塊建立基于transformer-bigru的健康預(yù)測(cè)模型；

8、所述的風(fēng)險(xiǎn)預(yù)警模塊利用健康預(yù)測(cè)模型建立每名重癥患者未來24h的生命體征趨勢(shì)圖并識(shí)別高風(fēng)險(xiǎn)時(shí)段；

9、所述的輔助決策模塊匯總重癥患者的生命體征數(shù)據(jù)、報(bào)警信息和生命體征趨勢(shì)圖，幫助醫(yī)生根據(jù)重癥患者的不同病種建立風(fēng)險(xiǎn)評(píng)估量表；

10、所述的數(shù)據(jù)采集模塊通過數(shù)據(jù)采集器和生命支持類醫(yī)療設(shè)備采集重癥患者的生命體征數(shù)據(jù)：將數(shù)據(jù)采集器通過rs32串行端口和網(wǎng)絡(luò)端口與生命支持類醫(yī)療設(shè)備連接，通過解析生命支持類醫(yī)療設(shè)備的通信協(xié)議以獲取重癥患者的生命體征數(shù)據(jù)；

11、所述的生命體征數(shù)據(jù)包括呼吸數(shù)據(jù)、血氧數(shù)據(jù)、血壓數(shù)據(jù)、體溫?cái)?shù)據(jù)和心率數(shù)據(jù)；

12、所述的數(shù)據(jù)傳輸模塊通過藍(lán)牙、5g、wifi技術(shù)將生命體征數(shù)據(jù)傳輸至數(shù)據(jù)中心；

13、所述的數(shù)據(jù)中心部署在云端，云端搭建并部署hadoop大數(shù)據(jù)平臺(tái)，將生命體征數(shù)據(jù)進(jìn)行分布式存儲(chǔ)，通過api接口進(jìn)行調(diào)用。

14、所述的異常檢測(cè)計(jì)分算法的具體步驟如下：

15、d1：定義各項(xiàng)生命體征數(shù)據(jù)的上下限風(fēng)險(xiǎn)閾值，在各項(xiàng)生命體征數(shù)據(jù)超出對(duì)應(yīng)的上下限風(fēng)險(xiǎn)閾值時(shí)計(jì)1分；

16、d2：定義累計(jì)時(shí)間和各項(xiàng)生命體征數(shù)據(jù)的影響因子，將d1計(jì)算累計(jì)時(shí)間內(nèi)的各項(xiàng)生命體征數(shù)據(jù)的得分與對(duì)應(yīng)的影響因子相乘，得到乘積結(jié)果；

17、d3：統(tǒng)計(jì)各項(xiàng)生命體征數(shù)據(jù)的報(bào)警正確率，將d2中的乘積結(jié)果與報(bào)警正確率相乘，獲得各項(xiàng)生命體征數(shù)據(jù)的單項(xiàng)得分；

18、d4：定義總分閾值和各項(xiàng)生命體征數(shù)據(jù)的單項(xiàng)得分閾值，將各項(xiàng)生命體征數(shù)據(jù)的單項(xiàng)得分相加得到總分，在累計(jì)時(shí)間內(nèi)總分超出總分閾值或者某項(xiàng)生命體征數(shù)據(jù)的單項(xiàng)得分超出對(duì)應(yīng)的單項(xiàng)得分閾值時(shí)，生成報(bào)警信息；

19、d5：建立用于急救的快速反應(yīng)小組，將報(bào)警信息發(fā)送至管理人員，管理人員根據(jù)報(bào)警信息進(jìn)行初步審查，識(shí)別并排除誤報(bào)，確認(rèn)為真實(shí)報(bào)警后，將報(bào)警信息發(fā)送至快速反應(yīng)小組。

20、所述的健康預(yù)測(cè)模塊中健康預(yù)測(cè)模型包括輸入層、transformer編碼器層、bigru解碼器層和輸出層，所述的健康預(yù)測(cè)模塊建立基于transformer-bigru的健康預(yù)測(cè)模型的具體步驟如下：

21、s1：移除各項(xiàng)生命體征數(shù)據(jù)中超出取值范圍的異常值，使用線性插值法補(bǔ)充缺失數(shù)據(jù)，然后將各項(xiàng)生命體征數(shù)據(jù)以小時(shí)為單位取平均值，并對(duì)各項(xiàng)生命體征數(shù)據(jù)的每小時(shí)平均值進(jìn)行連接，獲得體征特征；

22、s2：提取統(tǒng)計(jì)特征和醫(yī)學(xué)特征：統(tǒng)計(jì)特征包括每種生命體征數(shù)據(jù)的過去3小時(shí)和過去5小時(shí)的均值、標(biāo)準(zhǔn)差、最大值、最小值和和中位數(shù)，醫(yī)學(xué)特征包括心率與血壓的乘積、心率與血壓的比值、心輸出量和心率絕對(duì)連續(xù)差；

23、s3：分別根據(jù)體征特征、統(tǒng)計(jì)特征和醫(yī)學(xué)特征構(gòu)建體征嵌入向量、統(tǒng)計(jì)特征嵌入向量和醫(yī)學(xué)特征嵌入向量；

24、s4：對(duì)體征嵌入向量、統(tǒng)計(jì)特征嵌入向量和醫(yī)學(xué)特征嵌入向量進(jìn)行連接運(yùn)算構(gòu)成輸入嵌入向量，具體的公式如下所述：

25、;

26、其中，為輸入嵌入向量，為連接運(yùn)算，為嵌入運(yùn)算，為體征特征，為統(tǒng)計(jì)特征，為醫(yī)學(xué)特征；

27、s5：將輸入嵌入向量投入transformer的編碼器中，transformer的編碼器包含位置嵌入向量、多頭自注意模塊和前饋網(wǎng)絡(luò)，將位置嵌入向量添加到輸入嵌入向量中，利用多頭自注意模塊對(duì)輸入嵌入向量進(jìn)行學(xué)習(xí)，最后將多頭自注意模塊的輸出依次送到前饋網(wǎng)絡(luò)中，通過線性變換和relu激活函數(shù)獲得transformer輸出，具體的公式如下所述：

28、;

29、;

30、其中，表示對(duì)于的位置嵌入向量，表示位置嵌入向量添加到輸入嵌入向量的結(jié)果，表示多頭注意力模塊的運(yùn)算結(jié)果，分別表示的查詢向量、鍵向量和值向量，表示第個(gè)頭的運(yùn)算結(jié)果，為權(quán)重矩陣；

31、s6：將transformer輸出投入至bigru，bigru包括一個(gè)正向gru單元和一個(gè)反向gru單元，將正向gru單元和反向gru單元的隱狀態(tài)通過連接運(yùn)算進(jìn)行合并，獲得bigru的輸出，具體的公式如下所述：

32、;

33、其中，表示bigru的第個(gè)隱狀態(tài)，表示正向gru單元，表示反向gru單元，表示transformer輸出的第個(gè)向量；

34、s7：將bigru的輸出送入全連接層進(jìn)行線性變換，采用均方誤差作為損失函數(shù)，累加各項(xiàng)生命體征數(shù)據(jù)的損失值并求取平均，得到最終的損失值，將該損失值用于反向傳播算法并對(duì)transformer進(jìn)行優(yōu)化，具體的公式如下所述：

35、;

36、;

37、其中，表示第項(xiàng)生命體征數(shù)據(jù)的預(yù)測(cè)值，為全連接層的運(yùn)算，為bigru的輸出，為最終的損失值，為生命體征數(shù)據(jù)的項(xiàng)數(shù)，表示第項(xiàng)生命體征數(shù)據(jù)的真實(shí)值，為均方誤差損失函數(shù)。

38、所述的風(fēng)險(xiǎn)預(yù)警模塊利用健康預(yù)測(cè)模型，為每位重癥患者構(gòu)建未來24小時(shí)內(nèi)的呼吸趨勢(shì)圖、血氧趨勢(shì)圖、血壓趨勢(shì)圖、體溫趨勢(shì)圖和心率趨勢(shì)圖，并將對(duì)應(yīng)的呼吸數(shù)據(jù)、血氧數(shù)據(jù)、血壓數(shù)據(jù)、體溫?cái)?shù)據(jù)和心率數(shù)據(jù)超出上下限風(fēng)險(xiǎn)閾值的時(shí)間段標(biāo)識(shí)為患者的高風(fēng)險(xiǎn)時(shí)段，并通知醫(yī)護(hù)負(fù)責(zé)人員在該名重癥患者的高風(fēng)險(xiǎn)時(shí)段進(jìn)行重點(diǎn)關(guān)注。

39、采用上述方案本發(fā)明取得的有益成果如下：

40、（1）本發(fā)明提出了一種基于人工智能的重癥監(jiān)護(hù)室預(yù)警系統(tǒng)，實(shí)現(xiàn)了對(duì)于重癥監(jiān)護(hù)室患者異常生命體征的及時(shí)預(yù)警和提前告知；本發(fā)明實(shí)時(shí)采集和傳輸重癥患者的各項(xiàng)生命體征數(shù)據(jù)，并通過大數(shù)據(jù)平臺(tái)對(duì)海量的生命體征數(shù)據(jù)進(jìn)行存儲(chǔ)；進(jìn)一步設(shè)計(jì)了體征報(bào)警模塊，并在體征報(bào)警模塊采用了異常檢測(cè)計(jì)分算法，及時(shí)發(fā)現(xiàn)重癥患者生命體征的異常并進(jìn)行報(bào)警；同時(shí)建立了基于transformer-bigru的健康預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)重癥患者生命體征走勢(shì)的精準(zhǔn)預(yù)測(cè)；依托于健康預(yù)測(cè)模型，為每名患者構(gòu)建生命體征趨勢(shì)圖并識(shí)別高風(fēng)險(xiǎn)時(shí)段，從而加強(qiáng)對(duì)重癥患者潛在健康風(fēng)險(xiǎn)的早期預(yù)警和準(zhǔn)備，最后匯總重癥患者的生命體征數(shù)據(jù)、報(bào)警信息和生命體征趨勢(shì)圖，輔助醫(yī)生根據(jù)重癥患者的不同病種建立風(fēng)險(xiǎn)評(píng)估量表。

41、（2）針對(duì)監(jiān)測(cè)重癥患者生命體征異常時(shí)，面臨較高的誤報(bào)率問題，本發(fā)明本發(fā)明提出了體征報(bào)警模塊，并在體征報(bào)警模塊采用了異常檢測(cè)計(jì)分算法，通過風(fēng)險(xiǎn)閾值、影響因子和報(bào)警正確率對(duì)實(shí)時(shí)監(jiān)測(cè)的各項(xiàng)生命體征數(shù)據(jù)進(jìn)行打分，在超出總分閾值或單項(xiàng)得分閾值時(shí)進(jìn)行報(bào)警，通過管理人員對(duì)報(bào)警信息進(jìn)行初步審查，然后調(diào)動(dòng)快速反應(yīng)小組及時(shí)對(duì)重癥患者進(jìn)行救援，降低了重癥患者體征異常的誤報(bào)概率，優(yōu)化了人力和醫(yī)療資源的分配。

42、（3）針對(duì)難以精確預(yù)測(cè)重癥患者未來生命體征走勢(shì)，從而影響人力和醫(yī)療資源分配的問題，設(shè)計(jì)了基于transformer-bigru的健康預(yù)測(cè)模型，利用transformer對(duì)生命體征數(shù)據(jù)的體征特征、統(tǒng)計(jì)特征和醫(yī)學(xué)特征進(jìn)行綜合學(xué)習(xí)，并通過bigru進(jìn)一步加強(qiáng)對(duì)于雙向依賴關(guān)系的捕捉能力，提高了模型預(yù)測(cè)的準(zhǔn)確性。