CN113707326A - 临床预警方法及预警系统、存储介质 - Google Patents

临床预警方法及预警系统、存储介质 Download PDF

Info

Publication number
CN113707326A
CN113707326A CN202111251822.3A CN202111251822A CN113707326A CN 113707326 A CN113707326 A CN 113707326A CN 202111251822 A CN202111251822 A CN 202111251822A CN 113707326 A CN113707326 A CN 113707326A
Authority
CN
China
Prior art keywords
historical
feature vector
category
early warning
prediction result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111251822.3A
Other languages
English (en)
Other versions
CN113707326B (zh
Inventor
李亦景
叶文宇
蒋浩宇
贾英杰
何先梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mindray Software Technology Co ltd
Original Assignee
Shenzhen Mindray Software Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Mindray Software Technology Co ltd filed Critical Shenzhen Mindray Software Technology Co ltd
Priority to CN202111251822.3A priority Critical patent/CN113707326B/zh
Publication of CN113707326A publication Critical patent/CN113707326A/zh
Application granted granted Critical
Publication of CN113707326B publication Critical patent/CN113707326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种临床预警方法及预警系统、存储介质，临床预警方法包括：接收医疗对象的生理参数，得到原始特征向量；生理参数包括呼吸参数、心电参数、血液参数、生化参数和体表参数中的至少一种；通过训练好的预警模型，提取与原始特征向量相对应的解释特征向量，并通过训练好的预警模型对原始特征向量所属类别进行预测，得到医疗对象的当前生理状态对应的实时预测类别；在历史特征向量数据库中，对解释特征向量进行特征向量匹配，得到与解释特征向量相对应的历史预测结果；历史预测结果用于对实时预测类别提供参考依据；基于实时预测类别和历史预测结果，或基于历史预测结果，对生理参数表征的生理状态进行预警处理。

Description

临床预警方法及预警系统、存储介质
技术领域
本发明涉及医学设备领域，尤其涉及一种临床预警方法及预警系统、存储介质。
背景技术
传统临床预警系统可以根据医疗对象生理信息对其状态进行评分，进而评估医疗对象病情变换，随时警示医护人员，是临床中对医疗对象病情进行分流、及时干预的重要辅助工具。传统的临床预警系统通常根据医疗对象生理信息对其状态进行评分，然而传统临床预警系统不能持续对医疗对象状态进行检测，且准确率较低。近年来，随着人工智能技术的兴起，提出了一种基于人工智能的临床预警系统，解决了不能持续检测、准确率低的问题。
然而，现有的基于人工智能的预警系统采用的是黑盒化模型，一方面因为黑盒模型没有明确的预测逻辑，无法为医护人员的处理策略提供参考信息，医护人员难以判定结果的可靠性，导致临床医生不敢直接使用黑盒模型的预测结果。虽然部分预警系统以医疗对象发生恶性事件时的输入向量进行结果解释，但是由于临床上大多恶性事件涉及因素较多，故预警模型通常较为复杂，其输入向量庞大，且一般处于非线性可分类空间，难以结合结果给出直接解释，也难以在历史库中找到合适的有参考作用的对应医疗对象信息。故仅仅根据输入向量得到的预警结果不全面，使得识别医疗对象状态的精度低、可靠性差。
发明内容
为解决上述技术问题，本发明实施例提供一种临床预警方法及预警系统、存储介质，能够提高了临床预警的精度，并提高了识别医疗对象状态的精度和可靠性。
第一方面，本发明实施例提供一种临床预警方法，应用于临床医疗设备，所述方法包括：
接收医疗对象的生理参数，得到原始特征向量；所述生理参数包括呼吸参数、心电参数、血液参数、生化参数和体表参数中的至少一种；
通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到所述医疗对象的当前生理状态对应的实时预测类别；
在历史特征向量数据库中，对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果；所述历史预测结果用于对所述实时预测类别提供参考依据；
基于所述实时预测类别和所述历史预测结果，或基于所述历史预测结果，对所述生理参数表征的生理状态进行预警处理。
第二方面，本申请实施例提供一种预警参数显示方法，所述方法包括：
若接收到显示实时预测结果的第一操作指令，则在显示屏上显示实时预测结果显示界面，并在所述实时预测结果显示界面的显示区域显示预测参数，所述预测参数包括历史预测结果，以及原始特征向量、解释特征向量、实时预测类别和预警指数中的至少一种；
若接收到显示历史预测结果的第二操作指令，则在显示屏上显示历史预测结果显示界面，并在所述历史预测结果显示界面的显示区域显示历史预测结果，所述历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
第三方面，本发明实施例提供一种预警系统，所述系统包括：处理器、存储器和通信总线；所述存储器存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，并执行以下步骤：
接收医疗对象的生理参数，得到原始特征向量；通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到所述医疗对象的当前生理状态对应的实时预测类别；在历史特征向量数据库中，对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果；基于所述实时预测类别和所述历史预测结果，或基于所述历史预测结果，对所述生理参数表征的生理状态进行预警处理。
第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，应用于预警系统，该计算机程序被处理器执行时实现如上述任一项所述的方法。
本发明实施例提供一种临床预警方法及预警系统、存储介质，其中，临床预警方法包括：接收医疗对象的生理参数，得到原始特征向量；生理参数包括呼吸参数、心电参数、血液参数、生化参数和体表参数中的至少一种；通过训练好的预警模型，提取与原始特征向量相对应的解释特征向量，并通过训练好的预警模型对原始特征向量所属类别进行预测，得到医疗对象的当前生理状态对应的实时预测类别；在历史特征向量数据库中，对解释特征向量进行特征向量匹配，得到与解释特征向量相对应的历史预测结果；历史预测结果用于对实时预测类别提供参考依据；基于实时预测类别和历史预测结果，或基于历史预测结果，对生理参数表征的生理状态进行预警处理。采用上述方法，将医疗对象的生理参数处理成原始特征向量，利用训练好的预警模型提取出与原始特征向量相对应的解释特征向量，能够为医护人员提供最具有解释性的特征向量；进一步，在历史特征向量数据库中，对解释特征向量进行特征向量匹配，得到与解释特征向量相对应的历史预测结果，能够基于历史预测结果辅助预测该实时预测类别提供参考依据，进而提高了预测的精度，提高了识别医疗对象状态的精度和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例提供的一种临床预警方法的流程图；
图2为本发明实施例提供的一种示例性的神经网络的结构示意图；
图3为本发明实施例提供的一种示例性的决策树的结构示意图；
图4为本发明实施例提供的一种示例性的预警模型的训练流程图；
图5为本发明实施例提供的一种示例性的特征向量匹配的流程图；
图6为本发明实施例提供的一种示例性的分类历史特征向量数据库的示例图；
图7为本发明实施例提供的一种示例性的不分类历史特征向量数据库的示例图；
图8为本发明实施例提供的一种示例性的实时预测结果显示界面的界面示意图一；
图9为本发明实施例提供的一种示例性的实时预测结果显示界面的界面示意图二；
图10为本发明实施例提供的一种示例性的历史预测结果显示界面的界面示意图一；
图11为本发明实施例提供的一种示例性的历史预测结果显示界面的界面示意图二；
图12为本发明实施例提供的一种示例性的临床预警系统的结构示意图；
图13为本发明实施例提供的一种自我评价方法的流程图；
图14为本发明实施例提供的一种预警系统的结构示意图。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。
本发明实施例提出一种临床预警方法，应用于临床医疗设备，如图1所示，该方法可以包括：
S101、接收医疗对象（又称患者）的生理参数，得到原始特征向量；生理参数包括呼吸参数、心电参数、血液参数、生化参数和体表参数中的至少一种。
本发明实施例中，在接收到医疗对象的生理参数后，对医疗对象的生理参数进行预处理，得到原始特征向量。其中预处理过程可以包括对生理参数进行去除无效值的清洗操作，进一步地，若临床医疗设备使用的预警模型采用的是弱分类器，则在对生理参数完成清洗操作之后，还可以利用生理参数构造新特征功能，预处理具体的过程可基于实际情况进行选择，本发明实施例不做具体的限定。
本发明实施例中，医疗对象的生理参数包括但不限于心率、脉率、呼吸、血压（包括收缩压、平均压、舒张压以及人体其他部位血压）、血氧饱和度、脉搏波形态学参数（如波形下面积、幅度等）、心电波形态学参数（如波形下面积、幅度等）、心排量、心输出量、体温、生化检验指标（包括但不限于肌酐、白细胞数量、血小板数量、pH、动脉氧分压、动脉二氧化碳分压、乳酸、转氨酶、葡萄糖、酸式碳酸盐等）、年龄、性别、身高、体重等当中的一种或多种。具体的生理参数的选择可根据实际情况进行选择，本发明实施例不做具体的限定。
S102、通过训练好的预警模型，提取与原始特征向量相对应的解释特征向量，并通过训练好的预警模型对原始特征向量所属类别进行预测，得到医疗对象的当前生理状态对应的实时预测类别。
本发明实施例中，训练好的预警模型实现两个功能，一个是通过分析原始特征向量，预测医疗对象是否会发生不良事件，在预测出医疗对象会发生不良事件时，确定不良事件的类别，该类别即为医疗对象的当前生理状态对应的实时预测类别；另一个是提取与原始特征向量相对应的、能够解释预测结果的解释特征向量。
本发明实施例中，预警模型包括神经网络模型和决策数模型等多个类型的模型，可以从多个的预设预警模型中选择至少一个确定的预设预警模型作为预警模型，之后将原始特征向量输入预警模型中，得到解释特征向量。
在一种可选的实施例中，若选择的预设预警模型为神经网络模型，则将原始特征向量数据神经网络中，得到实时预测类别和解释特征向量。
具体的神经网络结构如图2所示，神经网络包括输入层、n层隐藏层和输出层，其中，输入层接收包含k点的原始特征向量，其形式为[x1 x2 …xk]，之后，n层隐藏层对原始特征向量进行处理，逐层提取与预测结果相关的信息，以向量形式输出，并作为下一层输入，直至得到第n层隐藏层的输出特征向量，之后，利用输出层对第n层隐藏层的输出特征向量进行处理，得到实时预测类别，并从n层隐藏层的n个输出特征向量中确定出原始特征向量对应的解释特征向量。
需要说明的是，解释特征向量可以是n个输出特征向量中的一个输出特征向量，也可以是n个输出特征向量对应的组合输出特征向量，具体的可以根据实际情况进行选择，本发明实施例不做具体的限定。
在另一种可选的实施例中，若选择的预设预警模型为决策树模型，则将原始特征向量输入决策树中，得到目标决策路径，根据目标决策路径确定对应的解释特征向量和实时预测结果。
具体的决策数结构参考图3，将原始特征向量输入决策树中，得到多条决策路径，其中，阴影节点所连接的决策路径为解释特征向量，解释特征向量中的每个点由决策路径中的非叶子节点组成，基于阴影节点所连接的决策路径可确定出原始特征向量对应的实时预测类别。
需要说明的是，解释特征向量可以与原始特征向量相同或者不同，其中，原始特征向量体现的是临床医疗设备采集到的所有生理参数，而解释特征向量为所有生理参数中重点关注的几个参数，解释特征向量可以是训练好的预警模型提取的，也可以是人工设置并输入训练好的预警模型的，具体的可以根据实际情况进行选择，本发明实施例不做具体的限定。
进一步，在通过训练好的预警模型提取解释特征向量之前，还包括训练预警模型的过程，该过程可以包括：接收训练样本，其中，训练样本中包括多个训练单元，且每个训练单元中包括一个原始特征向量和对应的分类标签；将每个原始特征向量和对应的分类标签关联输入待训练预警模型中进行训练，直至训练样本中的每个训练单元都完成了训练，得到初始预警模型；对于每个训练单元，将对应的原始特征向量输入初始预警模型，得到对应的样本预测分类；对于每个训练单元，当对应的分类标签和样本预测分类不一致时，将该训练单元从训练样本中剔除，直至训练样本中的每训练单元都完成了样本预测分类，得到训练好的预警模型和更新后的训练样本。
进一步地，在得到更新后的训练样本之后，还可以获取更新后的训练样本中每个训练单元对应的解释特征向量，组成聚类分析样本集，基于聚类分析样本集进行聚类分析训练，得到对应的聚类模型。其中，聚类分析包括按照分类标签，对聚类分析样本集中的各解释特征向量进行聚类训练，得到对应的分类聚类模型，之后，按照分类标签将原始特征向量和解释特征向量存储至分类聚类历史特征向量数据库；或，不按照分类标签，直接对聚类分析样本集中的各解释特征向量进行聚类训练，得到对应的不分类聚类模型，之后，将原始特征向量和解释特征向量存储至不分类聚类历史特征向量数据库。其中，不分类聚类历史特征向量数据库和分类聚类历史特征向量数据库共同组成了本发明中的历史特征向量数据库。
需要说明的是，分类聚类模型和不分类聚类模型的聚类训练方法包括但不限于k均值聚类法(k means)、基于密度的噪声应用空间聚类算法（Density-Based SpatialClustering of Applications with Noise，DBSCAN）、基于密度的聚类算法（OrderingPoint To Idenfy the Cluster Structure，OPTICS）算法、Agglomerative层次聚类、Divisive层次聚类。具体的可以根据实际情况进行选择，本发明实施例不做具体的限定。
示例性的，图4为预警模型的训练过程，对心率、血压等生理参数进行数据清洗和特征构造，得到原始特征向量集，之后将原始特征向量集和对应的分类标签集输入待训练预警模型中进行训练，得到预警模型，并输出原始特征向量集对应的样本预测分类和解释特征向量集；之后将样本预测分类和解释特征向量集输入待训练不分类聚类模型中进行训练，得到不分类聚类模型，并将原始特征向量和解释特征向量存储至不分类聚类历史特征向量数据库、将解释特征向量输入待训练分类聚类模型中进行训练，得到分类聚类模型，并将原始特征向量集、预测类别和解释特征向量存储至分类聚类历史特征向量数据库。
S103、在历史特征向量数据库中，对解释特征向量进行特征向量匹配，得到与解释特征向量相对应的历史预测结果；历史预测结果用于对实时预测类别提供参考依据。
在通过训练好的预警模型，提取出与原始特征向量相对应的解释特征向量之后，基于历史特征向量数据库，实现解释特征向量的特征向量匹配，从历史特征向量数据库中确定出与解释特征向量相对应的历史预测结果，其中，历史预测结果用于对医疗对象的当前生理状态对应的实时预测类别提供参考依据。
在一种可选的实施例中，若历史特征向量数据库为分类聚类历史特征向量数据库，则在分类聚类历史特征向量数据库中，查找与实时预测类别相对应的第一相似类别数据，第一相似类别数据中包括至少一个历史原始特征向量；基于第一相似类别数据，对解释特征向量进行分类，得到与解释特征向量相对应的至少一个第一历史预测子类；分别确定解释特征向量和第一历史预测子类中的每个历史解释特征向量之间的第一相似指数；根据每个第一历史预测子类、以及与各第一历史预测子类相对应的第一相似指数和第一历史解释特征向量，确定历史预测结果。
需要说明的是，上述一个第一历史解释特征向量为一个第一历史预测子类的解释特征向量，具体的可以是一个第一历史预测子类中的一个历史原始特征向量对应的历史解释特征向量。
需要说明的是，历史预测结果中可以包含有一个或者多个历史预测子类，其中每个历史预测子类中都对应关联的相似指数和历史解释特征向量。
在另一种可选实施例中，若历史特征向量数据库为不分类聚类历史特征向量数据库，则基于不分类聚类历史数据库中的各个历史原始特征向量，对解释特征向量进行分类，得到与解释特征向量相对应的至少一个第二历史预测子类；分别确定解释特征向量和每个第二历史预测子类对应的历史解释特征向量之间的第二相似指数；根据每个第二历史预测子类、以及与各第二历史预测子类相对应的第二相似指数和第二历史解释特征向量，确定历史预测结果。
需要说明的是，相似指数的计算方法包括但不限于计算解释特征向量和第一历史预测子类中的每个历史解释特征向量之间的距离，或计算解释特征向量和每个第二历史预测子类对应的历史解释特征向量之间的距离。
示例性的，特征向量匹配的流程如图5所示，将原始特征向量、解释特征向量和实时预测类别作为预警结果输入，之后从历史特征向量数据库中查找预测类别，若从历史特征向量数据库中查找到预测类别，则启用分类聚类历史特征向量数据库进行分析，找到第一历史预测子类，并计算相似指数，找到第一历史解释特征向量，最后更新分类聚类历史特征向量数据库；若未从历史特征向量数据库中查找到预测类别、或者获取到预警结果输入后，直接启动不分类聚类历史特征向量数据库进行分析，找到第二历史预测子类，并计算相似指数，找到第二历史解释特征向量，最后更新不分类聚类历史特征向量数据库。
需要说明的是，用户可以配置使用分类聚类历史特征向量数据库还是不分类历史特征向量数据库，对解释特征向量进行特征向量匹配，若不进行配置，则默认采用分类聚类历史特征向量数据库对解释特征向量进行特征向量匹配。其中，分类聚类历史特征向量数据库是按照预测类别将医疗对象的历史原始特征向量对应的历史解释特征向量进行存储的，每一个类别下又可以分成不同的子类，分类聚类历史特征向量数据库的最小存储单元包括医疗对象ID、时间点、一对成对的某时刻的原始特征向量和解释特征向量，即每个医疗对象的不同特征向量可以隶属于不同子类，最后与医疗对象ID关联。而不分类聚类历史特征向量数据库的最小存储单元与分类聚类历史特征向量数据库一致，不同的是该数据库不包括预测类别。
示例性的，分类聚类历史特征向量数据库的示例图可以如图6所示，包括类别1数据集、类别2数据集等，其中，类别1数据集又包括子类别1和子类别2等，每个子类别中包括医疗对象ID、预警指数、时间点、历史原始特征向量和历史解释特征向量等；不分类历史特征向量数据库的示例图可以如图7所示，包括子类数据集1、子类数据集2等，其中，每个子类数据集包括医疗对象ID、预警指数、时间点、历史原始特征向量和历史解释特征向量等。
在本发明实施例中，若预警模型为决策树，则在历史特征向量数据库中，对目标决策路径进行相似度匹配，获得与目标决策路径之间的相似度符合相似度条件的历史预测结果。
S104、基于实时预测类别和历史预测结果，或基于历史预测结果，对生理参数表征的生理状态进行预警处理。
本发明实施例中，若预警模型为神经网络，则通过输出原始特征向量、解释特征向量、实时预测类别和历史预测结果，实现对生理参数表征的生理状态进行预警处理；若预警模型为决策数，则输出原始特征向量、实时预测类别、目标决策路径和历史预测结果对应的决策路径，实现对生理参数表征的生理状态进行预警，可选的预警方式包括但不限于声光提示、以界面参数形式提供，或者是以其他操作人员可以视觉、触觉感知的提示方式，本实施例中对此不作具体的限制。
需要说明的是，特征向量展示方法包括不限于曲线、散点图、决策树路径等，具体的可以根据实际情况进行选择，本发明实施例不做具体的限定。
本发明实施例提供两种显示界面，一个是实时预测结果显示界面，另一个是历史预测结果显示界面，在确定出医疗对象的生理参数对应的原始特征向量、解释特征向量、实时预测类别和/或历史预测结果后，可以在实时预测结果显示界面的显示区域显示历史预测结果，和原始特征向量、解释特征向量、实时预测类别、预警指数中的至少一种；在历史预测结果显示界面的显示区域显示历史预测结果。
需要说明的是，可以在接收到显示实时预测结果的第一操作指令时，在显示器上显示实时预测结果界面，也可以在接收到显示历史预测结果的第二操作指令时，在显示器上显示历史预测结果显示界面；还可以在接收到结果显示切换指令时，从实时预测结果显示界面切换至历史预测结果显示界面，或者从历史预测结果显示界面切换至实时预测结果显示界面。
在一种可选的实施例中，在实时预测结果显示界面显示的显示区域显示原始特征向量、解释特征向量、实时预测类别、预警指数和历史预测结果，包括：在实时预测结果显示界面中的第一显示区域，显示预警指数、预警指数实时曲线、实时预测类别、生理参数以及对应的医疗对象信息和报警图标；在实时预测结果显示界面中的第二显示区域，显示历史预测结果。其中，预警指数实时曲线可以是预警指数随着时间变化的曲线，也可以是对预警指数按照类别划分后、对应每个预测类别所形成的随着时间变化的曲线。本实施中对此不作具体的限定，但是应当指出，凡是将预警指数以各种曲线或柱状图等类似形式进行呈现，以供使用者参考的形式，都包括在上述范围内。
示例性的，实时预测结果显示界面如图8所示，界面上半部分（第一显示区域）展示当前医疗对象的预警指数实时曲线、医疗对象ID、预警指数、实时预测类别、报警图标。其中，报警图标有三种状态，正常、异常和关闭，当预警指数超过设定阈值显示异常，否则显示正常，而点击报警图标可以将报警功能关闭，此时显示关闭。界面下半部分（第二显示区域）展示医疗对象的历史预测结果，每个历史预测结果包括匹配的医疗对象ID、历史预测子类、相似指数、相似历史原始特征向量、相似历史解释特征向量，一次可显示一个或者多个历史预测结果，其显示顺序按照相似指数排行，也可以不在实时预测结果界面显示历史预测结果，具体的可根据实际情况进行选择，本发明实施例不做具体的限定。医生可以通过点击预测类别进行确认或修改，确认后的结果会更新至历史数据库，并重新刷新匹配结果。
进一步地，若在实时预测结果显示界面显示决策路径，其显示界面如图9所示，界面上半部分展示当前医疗对象的预警指示实时曲线，医疗对象ID、预警指数、实时预测类别、报警图标和原始特征向量。界面下半部分展示医疗对象ID、子类别、相似原始特征向量去向和决策路径展示。
在另一种可选的实施例中，在历史预测结果显示界面显示历史预测结果，包括：当历史特征向量数据库为分类聚类历史特征向量数据库时，在历史预测结果显示界面中显示第一相似类别的一个或多个近似子类；且每个近似子类具有相对应的第一相似指数和第一历史解释特征向量；当历史特征向量数据库为不分类聚类历史特征向量数据库时，在历史预测结果显示界面中显示一个或者多个第二历史预测子类，以及与各第二历史预测子类相对应的第二相似指数和第二历史解释特征向量。
示例性的，针对分类聚类历史特征向量数据库的历史预测结果显示界面，如图10所示，界面上方菜单栏有多个相似类别可选，点击某个相似类别按钮可查看详细历史信息。界面下方显示的是详细历史信息，每个历史信息项包括历史预测子类、历史原始特征向量曲线、历史解释特征向量曲线、预警指数，一次可显示一个或多个信息项。需要说明的是，若采用不分类聚类历史特征向量数据库，菜单栏不显示类别。
进一步地，若在历史预测结果显示界面显示决策路径，其显示界面如图11所示，其与图10不同的地方在于详细历史信息具体包括子类、历史原始特征向量曲线、预警指数和决策路径展示。
进一步地，当接收到应用于原始特征向量、解释特征向量、实时预测类别和/或历史预测结果的调整操作时，基于调整操作对解释特征向量、实时预测类别和历史预测结果中的至少一个进行更新；将原始特征向量和更新后的解释特征向量、实时预测类别和/或历史预测结果对应更新至历史特征向量数据库。
需要说明的是，若历史特征向量数据库中并未存储原始特征向量，则上述更新操作可以为将原始特征向量和更新后的解释特征向量、实时预测类别和历史预测结果第一次写入历史特征向量数据库中，或者，若历史特征向量数据库中存储原始特征向量，则上述更新操作可以为对原始特征向量对应的在先写入历史特征向量数据库中的数据进行覆盖。
如图12所示，提出一种实现上述临床预警方法的临床预警系统结构图，该临床预警系统包括：参数输入模块、预警模型、特征向量匹配模块、历史数据库、预测结果呈现模块和评价结果呈现模块；其中，参数输入模块用于对输入的心率、血压等生理参数进行数据清洗和特征构造，得到原始特征向量，原始特征向量输入预警模型后，得到实时预测类别、解释特征向量和预警指数，实时预测类别、解释特征向量和原始特征向量输入特征向量匹配模型中，与历史数据库中的历史数据进行比较，输入匹配结果，预测结果呈现模块显示实时预测类别、预警指示、原始特征向量、解释特征向量和历史预测结果，之后，医生可以在预测结果呈现界面对上述预测结果进行确认，确认结果和匹配结果还可以更新历史数据库。需要说明的是，临床预警系统还用于实现自我评价，自我评价过程无需使用到参数输入模块，而是直接从历史数据库中抽取医疗对象数据，以构建样本原始特征向量，之后，将样本原始特征向量依次输入预警模型和特征向量匹配模型中，并利用预警模型和特征向量匹配模型的输出结果和样本原始特征向量进行评价结果计算，最后在评价结果呈现模块显示类别预测准确率和/或特征向量匹配准确率、采样前的预测类别和子类、采样后的预测类别和子类、个子类原始特征向量和各子类解释特征向量。
进一步地，基于上述临床预警系统，本发明实施例还提出一种自我评价工作模式，具体的如图13所示，包括：
S201、构建样本原始特征向量，样本原始特征向量具有与原始特征向量完全一致的向量维度；其中，每个向量维度对应的参数值是从历史特征向量数据中对应向量维度下的各历史数据中随机筛选得到的，样本原始特征向量的样本解释特征向量来源于同一历史特征向量数据。
需要说明的是，本发明实施例中的样本原始特征向量的向量维度一致，但是并不代表每一个向量维度都具有具体的数值，当样本原始特征向量中存在缺失的数据时，可以经过处理，补入空值或者平均值，使得样本原始特征向量的向量维度满足要求。
在一种可选的实施例中，样本原始特征向量可以包括从历史特征向量数据库中随机抽取得到的一个或者多个历史原始特征向量。
具体的，可以从历史特征向量数据库中抽取部分医疗对象的部分连续原始特征向量，进行组合。其中，抽取方式可以是单个医疗对象或多个医疗对象不同段、同一子类或者不同子类下的特征向量，组合可以是同一医疗对象在时间上连续的特征向量拼接一段，保证采样出来的特征向量的连续性。之后，采用随机或者可配置方法进行抽样，形成新的原始特征向量集合。但采样的限制是抽取的特征向量段必须从同一医疗对象的同一子类组合特征向量中抽取，即采样后的原始特征向量是同一子类特征向量集合的子集。
在另一种可选的实施例中，样本原始特征向量也可以包括接收到的用户手动从历史特征向量数据库中抽取的一个或者多个历史原始特征向量。医生可以基于自身的经验抽取出权威的样本，然后医生对一个或者多个0手动进行标注，再进行评价测试。
需要说明的是，可以从分类聚类历史特征向量数据库中进行向量抽取，也可以从不分类聚类历史特征向量数据库中进行向量抽取，具体的可以根据实际情况进行选择，本发明实施例不做具体的限定。
S202、对样本预测类别与样本解释特征向量对应的原始类别不一致的样本原始特征向量，以视觉显著方式对样本预测类别进行标示；和\或
对样本预测类别与样本解释特征向量对应的原始类别不一致的样本原始特征向量，接收到对样本原始特征向量、样本预测类别和原始类别中的至少一个进行修改的操作指令，根据操作指令进行对应的修改，并将修改的内容更新到历史特征向量数据库中。
本发明实施例中，将样本原始特征向量输入预警模型，得到对应的样本预测类别的过程与通过预警模型对原始特征向量进行预测，得到实时预测结果的过程一致，具体可参考S102的描述，在此不再赘述。同样的，由于所采用的原始特征向量一致，此时得到的预测结果也应当是一致的。因此，通过对多个样本原始特征向量进行测试，就可以基于预测结果的一致性了解到预警模型的准确率。进一步的，对于不一致的结果，可以将其重点标识（如高亮、加粗等视觉提醒方式）出来，医生可以对重点标识出来的结果进行处理，例如修改原始特征向量、预测分类或者原始分类等操作，或者是执行删除操作等。修改后的数据，也可以同步保存至历史特征向量数据库中，以供参考。
S203、利用历史特征向量数据库进行特征向量匹配，得到样本原始特征向量对应的样本匹配子类；将样本匹配子类中的历史解释特征向量与样本解释特征向量进行比较得到对应的第二比较结果，根据第二比较结果得到特征向量匹配准确率。
需要说明的是，利用历史特征向量数据库进行特征向量匹配，得到样本原始特征向量对应的样本匹配子类的过程与在历史特征向量数据库中，对解释特征向量进行特征向量匹配，得到与解释特征向量相对应的历史预测结果的过程一致，具体的可以参考S103的描述，在此不在赘述。
需要说明的是，S203和S204为S201之后的两个并列的步骤，具体的可以根据实际情况执行，本发明实施例并不限定具体的执行分支和执行顺序。
需要说明的是，若样本原始特征向量是从分类聚类历史特征向量数据库中抽取的，则对先根据样本预测类别和抽样前的原始类别计算类别预测准确率，然后根据样本匹配子类和抽样前的匹配子类计算特征向量匹配准确率。计算的基准是抽样前的原始类别或匹配子类。而若样本原始特征向量是从不分类聚类历史特征向量数据库中抽取的，则只计算特征向量匹配准确率。
S204通过评价结果显示界面显示类别预测准确率和\或特征向量匹配准确率。
本发明实施例中，若样本原始特征向量是从分类聚类历史特征向量数据库中抽取的，则同时展示类别预测准确率和特征向量匹配准确率，否则只展示特征向量匹配准确率。
本发明实施例中，在评价结果显示界面显示样本原始特征向量、样本解释特征向量，以及预测类别、子类，并将预测错误的特征向量标注成亮色。
进一步地，基于上述临床预警方法，本发明实施例还提出一种预警参数显示方法，该方法可以包括：
在一种可选的实施例中，若接收到显示实时预测结果的第一操作指令，则在显示器上显示实时预测结果显示界面，并在实时预测结果显示界面的显示区域显示预测参数，预测参数包括历史预测结果、以及原始特征向量、解释特征向量、实时预测类别和预警指数中的至少一种。
具体的，在实时预测结果显示界面的第一显示区域内，显示预警指数、预警指数实时曲线、实时预测类别、生理参数对应的医疗对象信息和预警指数对应的报警图标中的一种或多种；在实时预测结果显示界面的第二显示区域内，显示历史预测结果，历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
本发明实施例中，报警图标有三种状态，正常、异常和关闭，若检测到预警指数落入预设阈值范围内，则在第一显示区域内显示异常状态的报警图标；若检测到预警指数没有落入预设阈值范围内，则在第一显示区域内显示正常状态的报警图标；若接收到关闭报警图标的第三操作指令，则显示关闭状态的报警图标。
本发明实施例中，在第二显示区域显示的每个历史预测结果包括匹配的医疗对象ID、历史预测子类、相似指数、相似历史原始特征向量、相似历史解释特征向量。一次可显示一个或者多个历史预测结果，其显示顺序按照相似指数排行，也可以不在实时预测结果界面显示历史预测结果，具体的可根据实际情况进行选择，本发明实施例不做具体的限定。
需要说明的是，医生可以通过点击预测类别进行确认或修改，若检测到修改实时预测类别的第四操作指令，响应第四操作指令，在实时预测结果显示界面的第一显示区域内显示修改后的实时预测类别；并在实时预测结果显示界面的第二显示区域内刷新显示历史预测结果。
在另一种可选的实施例中，若接收到显示历史预测结果的第二操作指令，则在显示器上显示历史预测结果显示界面，并在历史预测结果显示界面的显示区域显示历史预测结果，历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
本发明实施例中，在历史预测结果显示界面的显示区域内显示分类历史预测结果。具体的，在历史预测结果显示界面的第一显示区域内显示近似类别行；若检测到选择近似类别行中的一个近似类别的第五操作指令，在所历史预测结果显示界面的第二显示区域内显示一个近似类别的详细历史预测结果列表；详细历史预测结果列表中的每一条详细历史预测结果包括一个近似类别对应的一个第一历史预测子类，以及与一个第一历史预测子类相对应的一个第一相似指数和一个第一历史解释特征向量。
在本发明实施例中，在历史预测结果显示界面的显示区域内显示不分类历史预测结果列表，不分类历史预测结果列表中的每一条不分类历史预测结果包括一个第二历史预测子类，以及与一个第二历史预测子类相对应的一个第二相似指数和一个第二历史解释特征向量。
基于上述实施例，本发明实施例还提出一种预警系统1，如图14所示，所述系统包括：处理器10、存储器11和通信总线12；所述存储器11存储计算机可执行指令，所述处理器10用于执行所述计算机可执行指令，并执行以下步骤：
接收医疗对象的生理参数，得到原始特征向量；通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到所述医疗对象的当前生理状态对应的实时预测类别；在历史特征向量数据库中，对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果；基于所述实时预测类别和所述历史预测结果，或基于所述历史预测结果，对所述生理参数表征的生理状态进行预警处理。
进一步地，所述历史特征向量数据库为分类聚类历史特征向量数据库，
上述处理器10，还用于在所述分类聚类历史特征向量数据库中，查找与所述实时预测类别相对应的第一相似类别数据，每个所述第一相似类别数据中包括对应的历史解释特征向量；基于所述第一相似类别数据，对所述解释特征向量进行分类，得到与所述解释特征向量相对应的至少一个第一历史预测子类；分别确定所述解释特征向量和所述第一历史预测子类中的每个历史解释特征向量之间的第一相似指数；根据每个第一历史预测子类、以及与各第一历史预测子类相对应的第一相似指数和第一历史解释特征向量，确定历史预测结果。
进一步地，所述历史特征向量数据库为不分类聚类历史特征向量数据库，
上述处理器10，还用于基于所述不分类聚类历史数据库中的各个历史原始特征向量，对所述解释特征向量进行分类，得到与所述解释特征向量相对应的至少一个第二历史预测子类；分别确定所述解释特征向量和每个第二历史预测子类对应的历史解释特征向量之间的第二相似指数；根据每个第二历史预测子类、以及与各第二历史预测子类相对应的第二相似指数和第二历史解释特征向量，确定历史预测结果。
进一步地，上述预警系统还包括显示器，所述通信总线12还用于实现处理器10、存储器11和显示器之间的连接通信；
所述显示器，用于在实时预测结果显示界面的显示区域显示所述历史预测结果，和所述原始特征向量、解释特征向量、实时预测类别、预警指数中的至少一种；在历史预测结果显示界面的显示区域显示历史预测结果。
进一步地，上述显示器，还用于在所述实时预测结果显示界面中的第一显示区域，显示所述预警指数、预警指数实时曲线、实时预测类别、生理参数以及对应的医疗对象信息和报警图标；在所述实时预测结果显示界面中的第二显示区域，显示所述历史预测结果。
进一步地，上述显示器，还用于当所述历史特征向量数据库为分类聚类历史特征向量数据库时，在所述历史预测结果显示界面中显示第一相似类别的一个或多个近似子类；并在接收到一个具体的近似子类时，显示所述具体的近似子类对应的至少一个第一目标历史预测子类且每个近似子类具有相对应的第一相似指数和第一历史解释特征向量。
进一步地，上述显示器，还用于当所述历史特征向量数据库为不分类聚类历史特征向量数据库时，在所述历史预测结果显示界面中显示一个或者多个第二历史预测子类，以及与各第二历史预测子类相对应的第二相似指数和第二历史解释特征向量。
进一步地，上述处理器10，还用于构建样本原始特征向量，所述样本原始特征向量具有与所述原始特征向量完全一致的向量维度；其中，每个向量维度对应的参数值是从所述历史特征向量数据中对应向量维度下的各历史数据中随机筛选得到的，所述样本原始特征向量的样本解释特征向量来源于同一历史特征向量数据；将所述样本原始特征向量输入所述预警模型，得到对应的样本预测类别；并将所述样本预测类别与所述样本解释特征向量对应的原始类别进行比较得到对应的第一比较结果，根据所述第一比较结果得到类别预测准确率；和\或，利用所述历史特征向量数据库进行特征向量匹配，得到所述样本原始特征向量对应的样本匹配子类；将所述样本匹配子类中的历史解释特征向量与所述样本解释特征向量进行比较得到对应的第二比较结果，根据所述第二比较结果得到特征向量匹配准确率；通过评价结果显示界面显示所述类别预测准确率和\或所述特征向量匹配准确率。
进一步地，所述样本原始特征向量包括从所述历史特征向量数据库中随机抽取得到的一个或者多个历史原始特征向量；或者，所述样本原始特征向量包括接收到的用户手动从历史特征向量数据库中抽取的一个或者多个历史原始特征向量。
进一步地，上述处理器10，还用于对所述样本预测类别与所述样本解释特征向量对应的原始类别不一致的样本原始特征向量，以视觉显著方式对所述样本预测类别进行标示；和\或对所述样本预测类别与所述样本解释特征向量对应的原始类别不一致的样本原始特征向量，接收到对所述样本原始特征向量、样本预测类别和原始类别中的至少一个进行修改的操作指令，根据所述操作指令进行对应的修改，并将修改的内容更新到所述历史特征向量数据库中。
进一步地，上述处理器10，还用于当接收到应用于所述原始特征向量、所述解释特征向量、所述实时预测类别和/或所述历史预测结果的调整操作时，基于所述调整操作对所述解释特征向量、所述实时预测类别和所述历史预测结果中的至少一个进行更新；将所述原始特征向量和更新后的解释特征向量、实时预测类别和/或所述历史预测结果对应更新至所述历史特征向量数据库。
进一步地，上述处理器10，还用于从多个预设预警模型中选择至少一个确定的预设预警模型作为所述预警模型；所述预设预警模型包括神经网络模型和决策树模型；将所述原始特征向量输入所述预警模型中，得到所述解释特征向量。
进一步地，选择的预设预警模型为神经网络时，
上述处理器10，还用于将所述原始特征向量输入所述神经网络中，得到所述实时预测类别和所述解释特征向量；输出所述原始特征向量、所述解释特征向量、所述实时预测类别和所述历史预测结果。
进一步地，选择的预设预警模型为决策树时，
上述处理器10，还用于将所述原始特征向量输入所述决策树中，得到目标决策路径，根据所述目标决策路径确定所述解释特征向量和所述实时预测结果；在所述历史特征向量数据库中，对所述目标决策路径进行相似度匹配，获得与所述目标决策路径之间的相似度符合相似度条件的历史预测结果；输出所述原始特征向量、所述实时预测类别、所述目标决策路径和所述历史预测结果对应的决策路径。
进一步地，上述处理器10，还用于接收训练样本，所述训练样本包括多个训练单元，每个训练单元中包括一个原始特征向量和对应的分类标签；将每个原始特征向量和对应的分类标签关联输入待训练预警模型中进行训练，直至所述训练样本中的每个训练单元都完成了训练，得到初始预警模型；对于每个训练单元，将对应的原始特征向量输入所述初始预警模型，得到对应的样本预测分类；对于每个训练单元，当对应的分类标签和样本预测分类不一致时，将该训练单元从所述训练样本中剔除，直至所述训练样本中的每训练单元都完成了样本预测分类，得到训练好的预警模型和更新后的训练样本。
进一步地，上述处理器10，还用于获取更新后的训练样本中每个训练单元对应的解释特征向量，组成的聚类分析样本集；基于所述聚类分析样本集进行聚类分析训练，得到对应的聚类模型；
其中，所述聚类分析包括：
按照分类标签，对所述聚类分析样本集中的各解释特征向量进行聚类分析训练，得到对应的分类聚类模型；
或
不按照分类标签，直接对所述聚类分析样本集中的各解释特征向量进行聚类训练，得到对应的不分类聚类模型。
进一步地，上述显示器，还用于若接收到显示实时预测结果的第一操作指令，则在显示器上显示实时预测结果显示界面，并在所述实时预测结果显示界面的显示区域显示预测参数，所述预测参数包括历史预测结果，以及原始特征向量、解释特征向量、实时预测类别和预警指数中的至少一种；若接收到显示历史预测结果的第二操作指令，则在显示器上显示历史预测结果显示界面，并在所述历史预测结果显示界面的显示区域显示历史预测结果，所述历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
进一步地，上述显示器，还用于在所述实时预测结果显示界面的第一显示区域内，显示预警指数、预警指数实时曲线、实时预测类别、生理参数对应的医疗对象信息和预警指数对应的报警图标中的一种或多种；在所述实时预测结果显示界面的第二显示区域内，显示所述历史预测结果，所述历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
进一步地，上述显示器，还用于若检测到所述预警指数落入预设阈值范围内，则在所述第一显示区域内显示异常状态的报警图标；若检测到所述预警指数没有落入预设阈值范围内，则在所述第一显示区域内显示正常状态的报警图标；若接收到关闭所述报警图标的第三操作指令，则显示关闭状态的报警图标。
进一步地，上述显示器，还用于若检测到修改所述实时预测类别的第四操作指令，响应所述第四操作指令，在所述实时预测结果显示界面的第一显示区域内显示修改后的实时预测类别；并在所述实时预测结果显示界面的第二显示区域内刷新显示历史预测结果。
进一步地，上述显示器，还用于在所述历史预测结果显示界面的第一显示区域内显示近似类别行；若检测到选择所述近似类别行中的一个近似类别的第五操作指令，在所历史预测结果显示界面的第二显示区域内显示所述一个近似类别的详细历史预测结果列表；所述详细历史预测结果列表中的每一条详细历史预测结果包括一个近似类别对应的一个第一历史预测子类，以及与一个第一历史预测子类相对应的一个第一相似指数和一个第一历史解释特征向量。
进一步地，上述显示器，还用于在所述历史预测结果显示界面的显示区域内显示不分类历史预测结果列表，所述不分类历史预测结果列表中的每一条不分类历史预测结果包括一个第二历史预测子类，以及与一个第二历史预测子类相对应的一个第二相似指数和一个第二历史解释特征向量。
本发明实施例提供一种存储介质，其上存储有计算机程序，上述计算机可读存储介质存储有一个或者多个程序，上述一个或者多个程序可被一个或者多个处理器执行，应用于预警系统中，该计算机程序实现如上述的临床预警方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (23)

1.一种临床预警方法，应用于临床医疗设备，其特征在于，所述方法包括：
接收医疗对象的生理参数，得到原始特征向量；所述生理参数包括呼吸参数、心电参数、血液参数、生化参数和体表参数中的至少一种；
通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到所述医疗对象的当前生理状态对应的实时预测类别；
在历史特征向量数据库中，对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果；所述历史预测结果用于对所述实时预测类别提供参考依据；
基于所述实时预测类别和所述历史预测结果，或基于所述历史预测结果，对所述生理参数表征的生理状态进行预警处理。
2.根据权利要求1所述的方法，其特征在于，所述历史特征向量数据库为分类聚类历史特征向量数据库，所述对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果，包括：
在所述分类聚类历史特征向量数据库中，查找与所述实时预测类别相对应的第一相似类别数据，每个所述第一相似类别数据中包括对应的历史解释特征向量；
基于所述第一相似类别数据，对所述解释特征向量进行分类，得到与所述解释特征向量相对应的至少一个第一历史预测子类；
分别确定所述解释特征向量和所述第一历史预测子类中的每个历史解释特征向量之间的第一相似指数；
根据每个第一历史预测子类、以及与各第一历史预测子类相对应的第一相似指数和第一历史解释特征向量，确定所述历史预测结果。
3.根据权利要求1所述的方法，其特征在于，所述历史特征向量数据库为不分类聚类历史特征向量数据库，所述对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果，包括：
基于所述不分类聚类历史数据库中的各个历史原始特征向量，对所述解释特征向量进行分类，得到与所述解释特征向量相对应的至少一个第二历史预测子类；
分别确定所述解释特征向量和每个第二历史预测子类对应的历史解释特征向量之间的第二相似指数；
根据每个第二历史预测子类、以及与各第二历史预测子类相对应的第二相似指数和第二历史解释特征向量，确定所述历史预测结果。
4.根据权利要求1或2或3所述的方法，其特征在于，所述方法还包括：
在实时预测结果显示界面的显示区域显示所述历史预测结果，和所述原始特征向量、解释特征向量、实时预测类别、预警指数中的至少一种；
在历史预测结果显示界面的显示区域显示历史预测结果。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
在所述实时预测结果显示界面中的第一显示区域，显示所述预警指数、预警指数实时曲线、实时预测类别、生理参数以及对应的医疗对象信息和报警图标；
在所述实时预测结果显示界面中的第二显示区域，显示所述历史预测结果。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
当所述历史特征向量数据库为分类聚类历史特征向量数据库时，在所述历史预测结果显示界面中显示第一相似类别的一个或多个近似子类；且每个近似子类具有相对应的第一相似指数和第一历史解释特征向量。
7.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：
当所述历史特征向量数据库为不分类聚类历史特征向量数据库时，在所述历史预测结果显示界面中显示一个或者多个第二历史预测子类，以及与各第二历史预测子类相对应的第二相似指数和第二历史解释特征向量。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建样本原始特征向量，所述样本原始特征向量具有与所述原始特征向量完全一致的向量维度；其中，每个向量维度对应的参数值是从所述历史特征向量数据中对应向量维度下的各历史数据中随机筛选得到的，所述样本原始特征向量的样本解释特征向量来源于同一历史特征向量数据；
将所述样本原始特征向量输入所述预警模型，得到对应的样本预测类别；并将所述样本预测类别与所述样本解释特征向量对应的原始类别进行比较得到对应的第一比较结果，根据所述第一比较结果得到类别预测准确率；
通过评价结果显示界面显示所述类别预测准确率。
9.根据权利要求8所述的方法，其特征在于，所述样本原始特征向量包括从所述历史特征向量数据库中随机抽取得到的一个或者多个历史原始特征向量；或者，所述样本原始特征向量包括接收到的用户手动从所述历史特征向量数据库中抽取的一个或者多个历史原始特征向量。
10.根据权利要求8所述的方法，其特征在于，所述方法还包括：
对所述样本预测类别与所述样本解释特征向量对应的原始类别不一致的样本原始特征向量，以视觉显著方式对所述样本预测类别进行标示；和\或
对所述样本预测类别与所述样本解释特征向量对应的原始类别不一致的样本原始特征向量，接收到对所述样本原始特征向量、样本预测类别和原始类别中的至少一个进行修改的操作指令，根据所述操作指令进行对应的修改，并将修改的内容更新到所述历史特征向量数据库中。
11.根据权利要求1至3任一项或8至10任一项所述的方法，其特征在于，所述方法还包括：
构建样本原始特征向量，所述样本原始特征向量具有与所述原始特征向量完全一致的向量维度；其中，每个向量维度对应的参数值是从所述历史特征向量数据中对应向量维度下的各历史数据中随机筛选得到的，所述样本原始特征向量的样本解释特征向量来源于同一历史特征向量数据；
利用所述历史特征向量数据库进行特征向量匹配，得到所述样本原始特征向量对应的样本匹配子类；将所述样本匹配子类中的历史解释特征向量与所述样本解释特征向量进行比较得到对应的第二比较结果，根据所述第二比较结果得到特征向量匹配准确率；
通过评价结果显示界面显示所述特征向量匹配准确率。
12.根据权利要求1所述的方法，其特征在于，所述基于所述实时预测类别和所述历史预测结果，或基于所述历史预测结果，对所述生理参数表征的生理状态进行预警处理之后，所述方法还包括：
当接收到应用于所述原始特征向量、所述解释特征向量、所述实时预测类别和/或所述历史预测结果的调整操作时，基于所述调整操作对所述解释特征向量、所述实时预测类别和所述历史预测结果中的至少一个进行更新；
将所述原始特征向量和更新后的解释特征向量、实时预测类别和/或所述历史预测结果对应更新至所述历史特征向量数据库。
13.根据权利要求1所述的方法，其特征在于，所述通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，包括：
从多个预设预警模型中选择至少一个确定的预设预警模型作为所述预警模型；所述预设预警模型包括神经网络模型和决策树模型；
将所述原始特征向量输入所述预警模型中，得到所述解释特征向量。
14.根据权利要求13所述的方法，其特征在于，选择的所述预设预警模型为神经网络时，所述通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到对应的实时预测类别，包括：
将所述原始特征向量输入所述神经网络中，得到所述实时预测类别和所述解释特征向量；
相应的，所述基于所述实时预测类别和\或所述历史预测结果，对所述生理参数表征的生理状态进行预警处理，包括：
输出所述原始特征向量、所述解释特征向量、所述实时预测类别和所述历史预测结果。
15.根据权利要求13所述的方法，其特征在于，选择的所述预设预警模型为决策树时，所述通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到对应的实时预测类别，包括：
将所述原始特征向量输入所述决策树中，得到目标决策路径，根据所述目标决策路径确定所述解释特征向量和所述实时预测结果；
所述在历史特征向量数据库中，对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果，包括：
在所述历史特征向量数据库中，对所述目标决策路径进行相似度匹配，获得与所述目标决策路径之间的相似度符合相似度条件的历史预测结果；
相应的，所述基于所述实时预测类别和\或所述历史预测结果，对所述生理参数表征的生理状态进行预警处理，包括：
输出所述原始特征向量、所述实时预测类别、所述目标决策路径和所述历史预测结果对应的决策路径。
16.根据权利要求1至3任一项所述的方法，其特征在于，所述方法包括：
若接收到显示实时预测结果的第一操作指令，则在显示器上显示实时预测结果显示界面，并在所述实时预测结果显示界面的显示区域显示预测参数，所述预测参数包括历史预测结果，以及原始特征向量、解释特征向量、实时预测类别和预警指数中的至少一种；
若接收到显示历史预测结果的第二操作指令，则在显示器上显示历史预测结果显示界面，并在所述历史预测结果显示界面的显示区域显示历史预测结果，所述历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
17.根据权利要求16所述的方法，其特征在于，所述在所述实时预测结果显示界面的显示区域显示预测参数，包括
在所述实时预测结果显示界面的第一显示区域内，显示预警指数、预警指数实时曲线、实时预测类别、生理参数对应的医疗对象信息和预警指数对应的报警图标中的一种或多种；
在所述实时预测结果显示界面的第二显示区域内，显示所述历史预测结果，所述历史预测结果包括历史预测子类、历史预测子类相对应的相似指数和历史解释特征向量中的至少一种。
18.根据权利要求17所述的方法，其特征在于，所述方法还包括：
若检测到所述预警指数落入预设阈值范围内，则在所述第一显示区域内显示异常状态的报警图标；
若检测到所述预警指数没有落入预设阈值范围内，则在所述第一显示区域内显示正常状态的报警图标；
若接收到关闭所述报警图标的第三操作指令，则显示关闭状态的报警图标。
19.根据权利要求18所述的方法，其特征在于，所述方法还包括：
若检测到修改所述实时预测类别的第四操作指令，响应所述第四操作指令，在所述实时预测结果显示界面的第一显示区域内显示修改后的实时预测类别；并在所述实时预测结果显示界面的第二显示区域内刷新显示历史预测结果。
20.根据权利要求16所述的方法，其特征在于，所述在历史预测结果显示界面的显示区域显示所述历史预测结果，包括：
在所述历史预测结果显示界面的第一显示区域内显示近似类别行；
若检测到选择所述近似类别行中的一个近似类别的第五操作指令，在所历史预测结果显示界面的第二显示区域内显示所述一个近似类别的详细历史预测结果列表；所述详细历史预测结果列表中的每一条详细历史预测结果包括一个近似类别对应的一个第一历史预测子类，以及与一个第一历史预测子类相对应的一个第一相似指数和一个第一历史解释特征向量。
21.根据权利要求16所述的方法，其特征在于，所述在历史预测结果显示界面的显示区域显示所述历史预测结果，包括：
在所述历史预测结果显示界面的显示区域内显示不分类历史预测结果列表，所述不分类历史预测结果列表中的每一条不分类历史预测结果包括一个第二历史预测子类，以及与一个第二历史预测子类相对应的一个第二相似指数和一个第二历史解释特征向量。
22.一种预警系统，其特征在于，所述系统包括：处理器、存储器和通信总线；所述存储器存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，并执行以下步骤：
接收医疗对象的生理参数，得到原始特征向量；通过训练好的预警模型，提取与所述原始特征向量相对应的解释特征向量，并通过训练好的预警模型对所述原始特征向量所属类别进行预测，得到所述医疗对象的当前生理状态对应的实时预测类别；在历史特征向量数据库中，对所述解释特征向量进行特征向量匹配，得到与所述解释特征向量相对应的历史预测结果；基于所述实时预测类别和所述历史预测结果，或基于所述历史预测结果，对所述生理参数表征的生理状态进行预警处理。
23.一种存储介质，其上存储有计算机程序，应用于预警系统，其特征在于，该计算机程序被处理器执行时实现如权利要求1-21任一项所述的方法。
CN202111251822.3A 2021-10-27 2021-10-27 临床预警方法及预警系统、存储介质 Active CN113707326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111251822.3A CN113707326B (zh) 2021-10-27 2021-10-27 临床预警方法及预警系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111251822.3A CN113707326B (zh) 2021-10-27 2021-10-27 临床预警方法及预警系统、存储介质

Publications (2)

Publication Number Publication Date
CN113707326A true CN113707326A (zh) 2021-11-26
CN113707326B CN113707326B (zh) 2022-03-22

Family

ID=78646964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251822.3A Active CN113707326B (zh) 2021-10-27 2021-10-27 临床预警方法及预警系统、存储介质

Country Status (1)

Country Link
CN (1) CN113707326B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1477581A (zh) * 2003-07-01 2004-02-25 �Ϻ���ͨ��ѧ 一种适用于计算机辅助医疗诊断的预测建模方法
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及系统
CN107239448A (zh) * 2017-06-07 2017-10-10 长沙学院 一种解释性主成分分析方法
CN108257670A (zh) * 2018-01-22 2018-07-06 北京颐圣智能科技有限公司 医学解释模型的建立方法和装置
EP3590089A1 (en) * 2017-03-02 2020-01-08 The Johns Hopkins University Medical adverse event prediction, reporting and prevention
CN112016318A (zh) * 2020-09-08 2020-12-01 平安科技（深圳）有限公司 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN112182168A (zh) * 2020-11-27 2021-01-05 北京惠及智医科技有限公司 病历文本分析方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1477581A (zh) * 2003-07-01 2004-02-25 �Ϻ���ͨ��ѧ 一种适用于计算机辅助医疗诊断的预测建模方法
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及系统
EP3590089A1 (en) * 2017-03-02 2020-01-08 The Johns Hopkins University Medical adverse event prediction, reporting and prevention
CN107239448A (zh) * 2017-06-07 2017-10-10 长沙学院 一种解释性主成分分析方法
CN108257670A (zh) * 2018-01-22 2018-07-06 北京颐圣智能科技有限公司 医学解释模型的建立方法和装置
CN112016318A (zh) * 2020-09-08 2020-12-01 平安科技（深圳）有限公司 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN112182168A (zh) * 2020-11-27 2021-01-05 北京惠及智医科技有限公司 病历文本分析方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUOJUN ZHANG等: "A Modified SVM Classifier Based on RS in Medical Disease Prediction", 《2009 SECOND INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 *
张佳嘉等: "多分支卷积神经网络肺结节分类方法及其可解释性", 《计算机科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质

Also Published As

Publication number Publication date
CN113707326B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
Dorado-Díaz et al. Applications of artificial intelligence in cardiology. The future is already here
CN111292821B (zh) 一种医学诊疗系统
Li et al. Heart disease identification method using machine learning classification in e-healthcare
CN109346169A (zh) 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质
Tekouabou et al. Improvement in automated diagnosis of soft tissues tumors using machine learning
Liu et al. Risk scoring for prediction of acute cardiac complications from imbalanced clinical data
Khajehei et al. Data mining and medical research studies
CN107785066B (zh) 修改心搏类型的方法、装置及系统
CN111951965A (zh) 基于时序知识图谱的全景式健康动态监测与预测系统
Al-Mualemi et al. A deep learning-based sepsis estimation scheme
CN113707326B (zh) 临床预警方法及预警系统、存储介质
CN117038050A (zh) 生理参数异常处理方法、系统及医疗设备
Shan et al. Abnormal ECG detection based on an adversarial autoencoder
CN110993096B (zh) 一种脓毒血症的预警装置、设备及存储介质
Amen et al. Machine learning for multiple stage heart disease prediction
Anderies et al. Prediction of heart disease UCI dataset using machine learning algorithms
Bond et al. Machine learning with electrocardiograms: a call for guidelines and best practices for ‘stress testing’algorithms
Alshraideh et al. Enhancing heart attack prediction with machine learning: A study at jordan university hospital
CN116030957A (zh) 知识图谱构建方法、装置、辅助诊断设备及存储介质
Oyewola et al. Diagnosis of cardiovascular diseases by ensemble optimization deep learning techniques
Dhivya et al. Square static–deep hyper optimization and genetic meta-learning approach for disease classification
Abbas et al. An Efficient Stacked Ensemble Model for Heart Disease Detection and Classification.
Raju et al. Chronic kidney disease prediction using ensemble machine learning
CN111599427B (zh) 一种一元化诊断的推荐方法、装置、电子设备及存储介质
Diaz Ochoa Observability of complex systems by means of relative distances between homological groups

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 518000 514a, No. 1301-74, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Mindray Software Technology Co.,Ltd.

Address before: 518000 201 Genyu Road, Tianliao community, Yutang street, Guangming District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Mindray Software Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant