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

背景技術：

1、隨著醫(yī)療技術的發(fā)展，重癥監(jiān)護室的患者監(jiān)護水平有了顯著提高；然而，傳統(tǒng)的監(jiān)護方法在數(shù)據(jù)處理和實時預警方面存在局限性；人工智能技術的引入，特別是機器學習和深度學習算法，為重癥監(jiān)護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)生及時發(fā)現(xiàn)重癥患者病情的微小變化，從而提前進行預警；然而目前的基于人工智能的重癥監(jiān)護室預警系統(tǒng)，存在監(jiān)測重癥患者生命體征異常時，面臨較高的誤報率問題，存在難以精確預測重癥患者未來生命體征走勢，從而影響人力和醫(yī)療資源分配的問題。

技術實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術的缺陷，本發(fā)明提供了一種基于人工智能的重癥監(jiān)護室預警系統(tǒng)，針對存在監(jiān)測重癥患者生命體征異常時，面臨較高的誤報率問題，本發(fā)明提出了體征報警模塊，并在體征報警模塊采用了異常檢測計分算法，通過風險閾值、影響因子和報警正確率對各項生命體征數(shù)據(jù)進行打分，在超出總分閾值或單項得分閾值時進行報警，通過管理人員進行初步審查，然后調動快速反應小組及時進行救援；針對難以精確預測重癥患者未來生命體征走勢，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的健康預測模型，結合體征特征、統(tǒng)計特征和醫(yī)學特征，利用transformer對重癥患者的生命體征數(shù)據(jù)進行學習，并通過bigru進一步捕捉雙向依賴關系，以提高模型預測的準確性。

2、本發(fā)明采取的技術方案如下：本發(fā)明提供了一種基于人工智能的重癥監(jiān)護室預警系統(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、體征報警模塊、健康預測模塊、風險預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測模塊的輸入端和體征報警模塊的輸入端，體征報警模塊的輸出端連接輔助決策模塊的輸入端，健康預測模塊的輸出端連接風險預警模塊的輸入端，風險預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)傳輸模塊實時傳輸生命體征數(shù)據(jù)；

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

6、所述的體征報警模塊采用異常檢測計分算法，實時監(jiān)測生命體征數(shù)據(jù)并在異常時生成報警信息并進行報警；

7、所述的健康預測模塊建立基于transformer-bigru的健康預測模型；

8、所述的風險預警模塊利用健康預測模型建立每名重癥患者未來24h的生命體征趨勢圖并識別高風險時段；

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)、報警信息和生命體征趨勢圖，幫助醫(yī)生根據(jù)重癥患者的不同病種建立風險評估量表；

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串行端口和網絡端口與生命支持類醫(yī)療設備連接，通過解析生命支持類醫(yī)療設備的通信協(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)、體溫數(shù)據(jù)和心率數(shù)據(jù)；

12、所述的數(shù)據(jù)傳輸模塊通過藍牙、5g、wifi技術將生命體征數(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，將生命體征數(shù)據(jù)進行分布式存儲，通過api接口進行調用。

14、所述的異常檢測計分算法的具體步驟如下：

15、d1：定義各項生命體征數(shù)據(jù)的上下限風險閾值，在各項生命體征數(shù)據(jù)超出對應的上下限風險閾值時計1分；

16、d2：定義累計時間和各項生命體征數(shù)據(jù)的影響因子，將d1計算累計時間內的各項生命體征數(shù)據(jù)的得分與對應的影響因子相乘，得到乘積結果；

17、d3：統(tǒng)計各項生命體征數(shù)據(jù)的報警正確率，將d2中的乘積結果與報警正確率相乘，獲得各項生命體征數(shù)據(jù)的單項得分；

18、d4：定義總分閾值和各項生命體征數(shù)據(jù)的單項得分閾值，將各項生命體征數(shù)據(jù)的單項得分相加得到總分，在累計時間內總分超出總分閾值或者某項生命體征數(shù)據(jù)的單項得分超出對應的單項得分閾值時，生成報警信息；

19、d5：建立用于急救的快速反應小組，將報警信息發(fā)送至管理人員，管理人員根據(jù)報警信息進行初步審查，識別并排除誤報，確認為真實報警后，將報警信息發(fā)送至快速反應小組。

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

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

22、s2：提取統(tǒng)計特征和醫(yī)學特征：統(tǒng)計特征包括每種生命體征數(shù)據(jù)的過去3小時和過去5小時的均值、標準差、最大值、最小值和和中位數(shù)，醫(yī)學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連續(xù)差；

23、s3：分別根據(jù)體征特征、統(tǒng)計特征和醫(yī)學特征構建體征嵌入向量、統(tǒng)計特征嵌入向量和醫(yī)學特征嵌入向量；

24、s4：對體征嵌入向量、統(tǒng)計特征嵌入向量和醫(yī)學特征嵌入向量進行連接運算構成輸入嵌入向量，具體的公式如下所述：

25、;

26、其中，為輸入嵌入向量，為連接運算，為嵌入運算，為體征特征，為統(tǒng)計特征，為醫(yī)學特征；

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絡，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輸入嵌入向量進行學習，最后將多頭自注意模塊的輸出依次送到前饋網絡中，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果，表示多頭注意力模塊的運算結果，分別表示的查詢向量、鍵向量和值向量，表示第個頭的運算結果，為權重矩陣；

31、s6：將transformer輸出投入至bigru，bigru包括一個正向gru單元和一個反向gru單元，將正向gru單元和反向gru單元的隱狀態(tài)通過連接運算進行合并，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輸出的第個向量；

34、s7：將bigru的輸出送入全連接層進行線性變換，采用均方誤差作為損失函數(shù)，累加各項生命體征數(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transformer進行優(yōu)化，具體的公式如下所述：

35、;

36、;

37、其中，表示第項生命體征數(shù)據(jù)的預測值，為全連接層的運算，為bigru的輸出，為最終的損失值，為生命體征數(shù)據(jù)的項數(shù)，表示第項生命體征數(shù)據(jù)的真實值，為均方誤差損失函數(shù)。

38、所述的風險預警模塊利用健康預測模型，為每位重癥患者構建未來24小時內的呼吸趨勢圖、血氧趨勢圖、血壓趨勢圖、體溫趨勢圖和心率趨勢圖，并將對應的呼吸數(shù)據(jù)、血氧數(shù)據(jù)、血壓數(shù)據(jù)、體溫數(shù)據(jù)和心率數(shù)據(jù)超出上下限風險閾值的時間段標識為患者的高風險時段，并通知醫(yī)護負責人員在該名重癥患者的高風險時段進行重點關注。

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)護室預警系統(tǒng)，實現(xiàn)了對于重癥監(jiān)護室患者異常生命體征的及時預警和提前告知；本發(fā)明實時采集和傳輸重癥患者的各項生命體征數(shù)據(jù)，并通過大數(shù)據(jù)平臺對海量的生命體征數(shù)據(jù)進行存儲；進一步設計了體征報警模塊，并在體征報警模塊采用了異常檢測計分算法，及時發(fā)現(xiàn)重癥患者生命體征的異常并進行報警；同時建立了基于transformer-bigru的健康預測模型，實現(xiàn)了對重癥患者生命體征走勢的精準預測；依托于健康預測模型，為每名患者構建生命體征趨勢圖并識別高風險時段，從而加強對重癥患者潛在健康風險的早期預警和準備，最后匯總重癥患者的生命體征數(shù)據(jù)、報警信息和生命體征趨勢圖，輔助醫(yī)生根據(jù)重癥患者的不同病種建立風險評估量表。

41、（2）針對監(jiān)測重癥患者生命體征異常時，面臨較高的誤報率問題，本發(fā)明本發(fā)明提出了體征報警模塊，并在體征報警模塊采用了異常檢測計分算法，通過風險閾值、影響因子和報警正確率對實時監(jiān)測的各項生命體征數(shù)據(jù)進行打分，在超出總分閾值或單項得分閾值時進行報警，通過管理人員對報警信息進行初步審查，然后調動快速反應小組及時對重癥患者進行救援，降低了重癥患者體征異常的誤報概率，優(yōu)化了人力和醫(yī)療資源的分配。

42、（3）針對難以精確預測重癥患者未來生命體征走勢，從而影響人力和醫(yī)療資源分配的問題，設計了基于transformer-bigru的健康預測模型，利用transformer對生命體征數(shù)據(jù)的體征特征、統(tǒng)計特征和醫(yī)學特征進行綜合學習，并通過bigru進一步加強對于雙向依賴關系的捕捉能力，提高了模型預測的準確性。