智能胃肠外科患者个性化护理路径管理系统的制作方法

本发明涉及人工智能领域，具体是指智能胃肠外科患者个性化护理路径管理系统。背景技术：：：1、现有的胃肠外科患者个性化护理使用ai与大数据分析技术促进了护理决策的精准化，提升了护理质量和效率。当前所采用的一般模型，在时间维度上未能充分考虑患者恢复进度的动态变化，导致生成的个性化护理建议缺乏必要的适时调整能力，难以实现对护理干预措施的精细化管理和优化；护理路径设计上的僵硬，限制了其对复杂多变临床情境的灵活应对，特别是面对具有高度个体差异和病情多样性的患者群体时，标准路径的普适性显得捉襟见肘；护理决策过程中对ai算法的高度依赖，若缺乏足够的可解释性和透明度，可能会削弱医护人员乃至患者对推荐方案的信任度。技术实现思路1、针对上述情况，本发明提供了智能胃肠外科患者个性化护理路径管理系统，针对采用的一般模型，在时间维度上未能充分考虑患者恢复进度的动态变化，导致生成的个性化护理建议缺乏必要的适时调整能力的问题，本方案采用了一种改进的多尺度gnn模型，旨在精准构建胃肠外科病患的个性化护理路径管理系统，通过深度挖掘患者特异的健康数据，构建一个复合多尺度的时空图，实现对患者状况的多维度、多层次理解，分析图中的复杂关系和模式，进而生成高度个性化的护理路径；针对护理路径设计中固有的僵化问题，其对临床场景中复杂多变情况的有效适应，以及标准路径普遍适用性的不足的问题，运用优化的minimax算法，对改进的多尺度gnn模型进行精细化参数调优，通过这一过程，模型能够依据个体的具体护理需求进行动态调整，从而产出更为精准贴合个人情况的定制化护理方案。2、本发明提供的智能胃肠外科患者个性化护理路径管理系统，包括患者信息管理模块、个性化护理模块、临床路径管理模块、智能提醒与监控模块、集成与互操作模块；3、所述患者信息管理模块收集并维护患者的基本信息、病史、入院诊断数据、生理指标、医院检查结果、手术情况和并发症风险，基本信息包括患者姓名、年龄、性别、住址和电话；4、所述临床路径管理模块使用改进的多尺度gnn模型对患者信息管理模块的数据进行分析，生成标准化的护理路径；5、所述个性化护理模块使用优化的minimax算法对改进的多尺度gnn模型进行优化，针对不同胃肠外科疾病的患者，对标准化的护理路径进行调整，同时允许根据患者具体反应进行适当调整，生成个性化护理路径；6、所述智能提醒与监控模块提供实时提醒功能，并监控患者的生理参数，及时发现异常并预警；7、所述集成与互操作模块提供用户使用界面，允许用户查看所有模块的信息，并与其他医院信息系统无缝集成，确保数据流通，减少重复录入，提升工作效率。8、进一步的，所述临床路径管理模块使用改进的多尺度gnn模型对患者信息管理模块的数据进行分析，具体包括以下步骤：9、步骤s1：数据预处理，将患者信息管理模块的数据进行清洗与标准化处理，得到患者个人数据；10、步骤s2：自适应图生成；11、步骤s3：多尺度图卷积；12、步骤s4：预测模块构建；13、步骤s5：损失函数优化，在训练过程中，使用反向传播算法和损失函数调整权重矩阵，优化预测误差的值；14、进一步的，步骤s2，具体包括以下步骤：15、步骤s21：时间特征提取，将每位患者视为一个节点，节点的特征包括患者个人数据，使用宏观尺度时间卷积块和微观尺度时间卷积块提取每个节点的局部时间序列特征，得到宏观时间序列特征和微观时间序列特征；16、步骤s22：时间编码，使用融入了额外序列特征的基于n-beats框架的时间编码器对宏观时间序列特征和微观时间序列特征进行编码，得到宏观编码特征和微观编码特征，额外序列特征包括患者所在地区的生活环境和天气情况；17、步骤s23：长距离建模，使用宏观编码特征作为输入，构建表示不同特征之间连接性的宏观邻接矩阵，生成长距离特征图；18、步骤s24：短距离建模，使用微观尺度短距离依赖性对编码特征进行估计，并使用额外信号构建微观邻接矩阵，生成短距离特征图，额外信号包括患者的饮食和运动情况；19、步骤s25：激活函数，使用relu激活函数抑制和消除无关特征之间的连接，简化长距离特征图和短距离特征图；20、进一步的，步骤s3，具体包括以下步骤：21、步骤s31：邻接矩阵预处理，使用去除自环和归一化的方法对宏观邻接矩阵和微观邻接矩阵进行预处理，得到新的邻接矩阵ac和as；22、步骤s32：图卷积网络应用，使用新的邻接矩阵ac和as和时间序列特征进行图卷积操作，生成局部特征hc和区域特征hs；23、步骤s33：转移矩阵构建，构建转移矩阵识别不同特征之间的从属关系，所用公式如下：24、<msub><mi>[tr]</mi><mi>i,l</mi></msub><mi>={</mi><mtable><mtr><mtd><mfrac><mn>1</mn><mi>n(l)</mi></mfrac></mtd><mtd><mi>i∈l</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>其他</mi></mtd></mtr></mtable>；25、式中，表示特征，为特征范围，表示是的从属，表示属于的特征数量，为转移矩阵；26、步骤s34：尺度共享，使用转移矩阵从不同尺度获取多尺度护理情况，并使用时间注意力机制获取不同尺度之间特征的关联性，得到尺度共享特征；27、步骤s35：多尺度融合，使用相关矩阵提取尺度共享特征，并使用串联拼接操作将局部特征hc和区域特征hs进行融合，得到多尺度融合特征；28、进一步的，步骤s4，具体包括以下步骤：29、步骤s41：权重矩阵初始化，初始化权重矩阵，其维度为la*2c，其中，la是预测的时间步数，2c为多尺度融合特征的特征数；30、步骤s42：预测值生成，使用权重矩阵和多尺度融合特征进行矩阵乘法计算，生成预测值；31、步骤s43：损失函数计算，使用均方误差计算预测值和实际值之间的差异。32、进一步的，所述个性化护理模块使用优化的minimax优化算法对改进的多尺度gnn模型进行优化，具体包括以下步骤：33、步骤m1：初始化参考模型，选择一个meta模型作为参考模型，使用参考领域权重对meta模型进行训练，训练次数为t，批量大小为b；34、步骤m2：代理模型训练；35、步骤m3：模型训练优化；36、步骤m4：模型应用，将优化后的改进的多尺度gnn模型应用在临床路径管理模块，对个人的临床护理进行优化调整；37、进一步的，步骤m2，具体包括以下步骤：38、步骤m21：初始化代理模型，选择tinybert模型作为代理模型，并构建最小最大目标函数；39、步骤m22：计算超额损失，计算代理模型和参考模型的超额损失，即代理模型的损失减去参考模型的损失；40、步骤m23：更新域权重和代理模型，使用group dro优化器更新领域权重，使用adafactor优化器更新代理模型的参数；41、步骤m24：重复步骤，循环执行上述步骤，直到完成t次迭代；42、进一步的，步骤m3，具体包括以下步骤：43、步骤m31：计算平均领域权重，计算步骤m2训练中的平均领域权重；44、步骤m32：重新采样数据，基于平均领域权重采样数据集，创建训练数据分布p(x)；45、步骤m33：训练大模型，使用训练数据分布p(x)训练改进的多尺度gnn模型；46、步骤m34：迭代优化，将前一轮优化得到的平均领域权重作为下一轮的参考领域权重，重复步骤m1到步骤m3，直到领域权重收敛。47、采用上述方案本发明取得的有益效果如下：48、（1）针对采用的一般模型，在时间维度上未能充分考虑患者恢复进度的动态变化，导致生成的个性化护理建议缺乏必要的适时调整能力的问题，本方案采用了一种改进的多尺度gnn模型，旨在精准构建胃肠外科病患的个性化护理路径管理系统，通过深度挖掘患者特异的健康数据，构建了一个融合了时间序列与空间结构信息的复合型多尺度特征图，能够从多个维度和层次全面理解患者状况，深入解析图中复杂的关联与模式，从而能够生成高度定制化的护理策略，确保每位患者都能获得最适宜的护理路径，显著提升了护理的针对性与有效性。49、（2）针对护理路径设计中固有的僵化问题，其对临床场景中复杂多变情况的有效适应，以及标准路径普遍适用性的不足的问题，运用优化的minimax算法，对改进的多尺度gnn模型进行精细化参数调优，确保模型能够灵活适应每位患者独特的护理需求，增强改进的多尺度gnn模型的预测精度，还使得输出的护理方案更加定制化和个性化，充分考虑到了个体差异，为患者提供更为精准、贴合其具体情况的护理策略。50、（3）同时，对于护理决策过程中对ai算法的高度依赖，缺乏足够的可解释性和透明度，可能会削弱医护人员乃至患者对推荐方案的信任度的问题，使用集成与互操作模块展示护理路径的全貌，包括患者个人数据的处理结果，以此增强决策的透明性，进而提高患者和医疗团队对ai推荐方案的接受度和信任感。当前第1页12当前第1页12