基于动静结合语义特征的术后风险预测方法、装置及介质

本发明涉及临床医学领域的围术期风险监测与管理相关的应用，更具体地，涉及一种基于动静结合语义特征的术后风险预测方法、装置及介质。

背景技术：

1、

2、既往围绕术后风险预测的研究主要包括：（1）基于回顾性的研究，通过分析历史医疗记录来挖掘与术后风险预测有相关作用的风险因素；（2）基于风险因素实施预测的研究，如利用逻辑回归，随机森林等统计机器学习方法构建术后风险预测模型，此外，深度学习方法（如循环神经网络）在时间序列数据上展现出了优秀的通用预测能力，但在临床医学领域，此类端到端的黑盒模型由于缺乏足够的可解释性，使得从中提取量化和可信的临床实施性建议变得具有挑战性。

3、目前用于术后风险评估的指标多为术前静态的指标，如年龄、bmi、手术部位、肺功能等，却忽略了术中动态生命体征和静态特征的纳入研究，如肺通气力学参数、氧合指数、出入量，手术时长等。在预测术后风险时未能有效利用术中动静语义特征，无法在术中生命体征发生变化时及时、量化的捕捉术后风险的动态变化，进而限制了术中阶段精准个体化的风险防控，对动态指导围术期诊疗具有明显的局限性。

技术实现思路

1、提供了本发明以解决现有技术中存在的上述问题。因此，需要一种基于动静结合语义特征的术后风险预测方法、装置及介质，以至少达到如下至少一个目的：

2、（1）该方法对术中动态生命体征和静态特征研究了各自的表征方法；

3、（2）通过融合表征构建出具有高度语义一致性的动静输入特征；

4、（3）基于输入特征通过可解释性分析可以进一步提供科学可信的术中保护建议。

5、根据本发明的第一方面，提供了一种基于动静结合语义特征的术后风险预测方法，所述方法包括：

6、响应于输入的术前特征和术中静态特征，对所述术前特征和术中静态特征分别进行清洗和处理得到术前特征向量矩阵和术中静态特征向量矩阵；

7、对术中动态特征进行抽取得到术中动态特征向量矩阵；

8、将所述术前特征向量矩阵、术中静态特征向量矩阵以及术中动态特征向量矩阵融合得到融合向量矩阵；

9、构建预测模型，利用所述融合向量矩阵对所述预测模型进行训练得到训练好的预测模型，基于训练好的预测模型实现术后风险预测。

10、进一步地，所述术前特征为手术前能获得的基线参数，包括年龄、性别、体重指数、病史、最新的生理测量参数、最新的实验室测量参数以及手术位置、麻醉类型和asa分类，所述手术前能获得的基线参数分为离散型特征和连续型特征，通过如下方法对术前特征进行清洗得到术前特征向量矩阵：

11、对于离散型特征，通过标签拆分、标签映射、基于规则的缺失值填补进行处理；

12、对于连续型特征，通过多重插补的方法对缺失值进行填补处理；

13、填补处理后的离散型特征和连续型特征共同组成术前特征向量矩阵。

14、进一步地，所述术中静态特征包括生命体征、呼吸机参数、术中输液量，术中输血量以及血流动力学信息，通过如下方法对所述术中静态特征进行处理得到术中静态特征向量矩阵：

15、对于生命体征和呼吸机参数，通过计算术中均值作为所述生命体征和呼吸机参数对应的静态特征值；

16、对于术中输液量和术中输血量，以手术期间的累积量作为所述术中输液量和术中输血量对应的静态特征值；

17、对于血流动力学信息，计算低于平均动脉压65毫米汞柱以下的曲线下面积作为所述血流动力学信息对应的静态特征值；

18、所述生命体征和呼吸机参数对应的静态特征值、所述术中输液量和术中输血量对应的静态特征值以及所述血流动力学信息对应的静态特征值共同组成术中静态特征向量矩阵。

19、进一步地，所述术中动态特征包括吸气峰压、平台压、呼气末正压、驱动压、肺组织动态顺应性、机械功率和标准化机械功率，通过如下方法对术中动态特征进行抽取得到术中动态特征向量矩阵：

20、获取术中时序数据，并对所述术中时序数据进行对齐；所述术中时序数据包括术中时序序列，所述术中时序序列包括术中特征特征及其对应的时间；

21、对于含缺失记录和采样不规则的多变量的术中时间序列，根据数据的平均采样频率，设置时间滑动窗口，对所述时间滑动窗口内的时序数据进行聚合或根据前向滑动窗口进行均值填充；

22、基于填充后的术中时间序列，根据度量指标进行术中动态特征抽取以得到术中动态特征向量矩阵，所述度量指标包括最值、方差、标准差、术中时间序列的复杂度度量以及近似熵中的一种及其组合。

23、进一步地，利用所述融合向量矩阵对所述预测模型进行训练，具体包括：

24、对动静融合特征矩阵进行边缘值处理后，以去除相关度大于0.75的特征，利用五折交叉验证划分训练/测试集，在训练集上采用过采样方法以增强不平衡分布的数据；

25、利用经过处理后的训练/测试集对所述预测模型进行训练。

26、进一步地，在利用所述融合向量矩阵对所述预测模型进行训练得到训练好的预测模型之后，所述方法还包括：

27、为所述融合向量矩阵中的各个特征对应分配一个贡献值，所述贡献值用于量化对应特征对模型预测的影响；

28、根据各个特征对应的贡献值对所述融合向量矩阵中的特征进行筛选。

29、根据本发明的第二方面，提供一种基于动静结合语义特征的术后风险预测装置，所述装置包括：

30、静态特征处理单元，被配置为响应于输入的术前特征和术中静态特征，对所述术前特征和术中静态特征分别进行清洗和处理得到术前特征向量矩阵和术中静态特征向量矩阵；

31、动态特征抽取单元，被配置为对术中动态特征进行抽取得到术中动态特征向量矩阵；

32、特征融合单元，被配置为将所述术前特征向量矩阵、术中静态特征向量矩阵以及术中动态特征向量矩阵融合得到融合向量矩阵；

33、模型训练预测单元，被配置为构建预测模型，利用所述融合向量矩阵对所述预测模型进行训练得到训练好的预测模型，基于训练好的预测模型实现术后风险预测。

34、进一步地，所述装置还包括：

35、模型评估单元，所述模型评估单元被配置为基于模型性能指标对训练好的预测模型进行评估，所述模型性能指标包括受试者工作特性曲线下面积、准确率、灵敏度、特异度、查准率、查全率以及f1分数。

36、进一步地，所述装置还包括：

37、可解释性分析单元，所述可解释性分析单元被配置为：

38、为所述融合向量矩阵中的各个特征对应分配一个贡献值，所述贡献值用于量化对应特征对模型预测的影响；

39、根据各个特征对应的贡献值对所述融合向量矩阵中的特征进行筛选。

40、根据本发明的第三方面，提供一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的方法。

41、本发明至少具有以下有益效果：

42、（1）针对动态数据与静态数据在语义空间内的不一致性问题，提出了一种动静语义特征的高维映射表征方法，将动态特征和静态特征映射到统一的高维语义空间，以更好的反映和理解特征的内在联系并突出动态特征，建立与术后风险相映射的预测模型，结合可解释性分析揭示输入特征与术后风险之间的关系，为临床医生提供可信和可实施的建议。

43、（2）针对不同数据类型的融合问题，设计一种用于动静结合语义特征融合处理的标准化流程，通过对动态和静态数据分别进行处理后映射到统一的语义空间中进行表征，再基于各自的表征进行融合，确保了动态和静态数据在数据结构上和语义空间内的一致性，使得模型能够有效学习到不同数据类型之间潜在关联，进而揭示了术前特征对术中动态特征的影响，增强了模型的预测能力。

44、（3）针对不同模型的构建及应用存在差异性的问题，提出一种模型标准化构建与应用框架，设计不同的标准化模块涵盖了从数据处理到模型构建与应用的各个阶段，解决数据分布不均衡，模型训练优化等问题，基于可解释性分析为模型的实际应用的提供了可行的方案，使得该应用框架不仅提高了模型预测的准确性和可靠性，也为实际的术后风险的应用开发提供了指导。

45、（4）本发明提出并设计了一种基于动静语义特征融合的术后风险预测框架，并以术后肺部并发症（postoperative pulmonary complications，ppcs）风险预测为例实施了验证。本发明可以辅助临床医生进行包括肺部并发症在内的术后风险决策，进而有效保护患者的生命安全，提供更加精准的干预和管理术中呼吸机的使用。