CN115148327A - 一种面向麻醉智能决策的多方协同原型系统及其方法 - Google Patents

一种面向麻醉智能决策的多方协同原型系统及其方法 Download PDF

Info

Publication number
CN115148327A
CN115148327A CN202210796925.6A CN202210796925A CN115148327A CN 115148327 A CN115148327 A CN 115148327A CN 202210796925 A CN202210796925 A CN 202210796925A CN 115148327 A CN115148327 A CN 115148327A
Authority
CN
China
Prior art keywords
model
data
anesthesia
decision
training
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
CN202210796925.6A
Other languages
English (en)
Other versions
CN115148327B (zh
Inventor
曹君利
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.)
Xuzhou Medical University
Original Assignee
Xuzhou Medical University
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 Xuzhou Medical University filed Critical Xuzhou Medical University
Priority to CN202210796925.6A priority Critical patent/CN115148327B/zh
Publication of CN115148327A publication Critical patent/CN115148327A/zh
Application granted granted Critical
Publication of CN115148327B publication Critical patent/CN115148327B/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Urology & Nephrology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种面向麻醉智能决策的多方协同原型系统及其方法，包括：数据采集模块，用于采集病患麻醉手术的多模态数据，多模态数据具体为：基本信息、手术特征信息、生命体征数据、环境传感数据以及实时状态数据，并对手术全流程的多模态数据处理、存储；模型训练模块，各参与方利用本地相关数据和初始模型进行麻醉数据挖掘模型的联合训练。本发明提供了面向麻醉智能决策的多方协同原型系统及其方法，通过多方参与者各自采集针对麻醉手术各个环节的多模态数据，使用本地数据进行麻醉相关统计分析及挖掘模型的联合训练；然后各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，构建麻醉手术全流程联合知识库。

Description

一种面向麻醉智能决策的多方协同原型系统及其方法
技术领域
本发明属于医疗技术与计算机应用技术领域，具体涉及一种面向麻醉智能决策的多方协同原型系统及其方法。
背景技术
麻醉技术是作为减轻病人痛苦、方便手术进程的重要手段，数据挖掘是从大数据集中自动或方便地发现知识的模式。传统麻醉技术对于医生经验和技术具有很高要求，利用数据挖掘、人工智能等技术手段可以实现麻醉技术的精准实施和辅助决策。但随着人工智能与大数据技术的发展，为追求机器学习模型更高的准确率，训练模型所需的数据量与模型运算量不断增加。在此情况下，出现了由多台服务器或终端进行联合训练的方法。
此外，以输入的多数据融合为手段结合临床观察指标，通过提取麻醉相关信息、电子病历系统、手术患者数据信息，进行结构化的存储，提取训练集和验证集建立麻醉手术各应用场景下的预测模型，构建麻醉智能决策系统，以达到精准实施的目的。这项技术是对以往基于人工经验的麻醉技术的改进，既节约了人力、提高了麻醉效率，还避免了资源浪费、缩短了手术时间，能够为手术麻醉的临床应用提供良好的指导价值。
总的来说，传统的麻醉技术需要医生具有大量技术经验以及实操经验，依赖于人力，智能化较低，不仅耗费人力而且麻醉效率较低，不利于麻醉工作的进展。
发明内容
本发明的目的在于提供一种面向麻醉智能决策的多方协同原型系统及其方法，以解决的传统麻醉技术需要大量技术经验以及实操经验，依赖于人力，智能化较低，不仅耗费人力而且麻醉效率较低，不利于麻醉工作进展的问题。
为实现上述目的，本发明提供如下技术方案：一种面向麻醉智能决策的多方协同原型系统及其方法，包括：
数据采集模块，用于采集病患麻醉手术的多模态数据，多模态数据具体为：基本信息、手术特征信息、生命体征数据、环境传感数据以及实时状态数据，并对手术全流程的多模态数据处理、存储；
模型训练模块，各参与方利用本地相关数据和初始模型进行麻醉数据挖掘模型的联合训练；
专家系统，用于各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，建立麻醉全流程管理联合知识库，并进一步基于联合知识库建立麻醉决策专家系统；
增量学习模块，用于专家系统参与联合模型的验证和评价过程，并基于人机协同对联合模型进行增量学习、以融合规则式经验与机器学习方法各自的优点。
优选的，所述模型训练模块的运行包括如下步骤：
S1：组织方组织所述麻醉数据挖掘模型创建初始模型并下发给各参与方，接着，参与方获取初始模型梯度向量，利用本地采集的数据用于本轮次目标模型的训练，获得相应的局部梯度向量；
S2：每个参与方对本轮次训练得到的模型进行测试、确定满足要求的本地模型，并提取步骤S1中所获取的局部梯度向量并发送给组织方；
S3：组织方接收所述所有参与方的局部梯度向量，根据目标模型进行聚合得到当前轮次的聚合模型，提取聚合目标梯度向量，并再次发送给每个参与方；
S4：每个参与方接收从组织方获取的所述聚合目标梯度向量，根据该目标梯度向量更新当前所述本地模型参数，用于下一轮次迭代训练；
S5：当满足多轮迭代次数要求后，组织方将聚合得到的最新模型参数作为多方协同模型训练的第一阶段模型。
优选的，所述麻醉数据挖掘模型的内容包括：麻醉深度评估模型、不良事件预测模型、临床决策支持模型、围术期超声图像识别模型以及麻醉药物靶控注入模型。
优选的，所述聚合模型包括多个形式的同步梯度更新和模型参数平均；
所述同步梯度更新，用于每次训练迭代中，每个参与者从组织者获取全局模型，根据自己的一批训练数据在本地计算梯度更新，并将更新发送到组织者，组织者等待所有参与者的梯度更新，然后使用随机梯度下降将聚合更新应用于全局模型；
所述模型参数平均，用于在每一轮迭代中，第k个参与者在当前模型上使用的大小为nk的整个训练数据集在本地执行若干次随机梯度下降步骤，即全局可见更新不是基于批次，而是基于参与者的整个数据集，每个参与者将生成的模型提交给组织者，组织者计算模型参数加权平均值用于全局模型。
优选的，所述专家系统中，专家决策收集所的内容包括：各参与方采集录入麻醉医生在病程中各事件、行为数据，临床决策数据，建立医学知识库、既往病历库、病症信息对应诊断、临床专家诊疗，并根据所收集的内容建立知识库。
优选的，所述专家系统的运行为：在知识库与多模态数据的基础上，采用案例推理结合证据推理，实现麻醉辅助决策功能。
优选的，所述专家系统的评估内容具体包括：麻醉深度的评估、不良事件的预测、临床决策的支持、围术期超声图像的识别、麻醉药物给药的剂量。
优选的，所述模型增量学习模块运行的具体过程为：
接受新的数据或接受新任务；
接受的新的数据以流式送达，接受的新任务时通过联合模型在保留旧的知识和预测结果、并适应新的任务；
所述增量学习模块的算法具体为：
其中，(xt，yt)′代表t时刻新的数据，即：新的类别或者完全不同的新任务；
ft-1代表t-1时刻的预测模型，Mt-1代表t-1时刻的记忆；
在经过新的学习后，模型迭代得到ft和新的记忆Mt。
优选的，所述方法具体包括如下步骤：
步骤1：多个参与方实时采集、记录、存储病患基本信息，手术特征信息，麻醉实施前、实施中及实施后的环境传感数据，病患生命体征数据以及各类监护数据，进行适当的数据筛选等操作后存储在参与方本地环境；
步骤2：通过组织方提供的模型训练目标，对初始模型梯度向量进行提取，并在本地数据内提供相应的局部梯度向量；
步骤3：组织方接收参与方的反馈，根据目标模型训练需求，采用聚合方法，将参与方提交的训练模型参数聚合得到全局模型，再分别发送给参与方；
步骤4：系统对聚合后的模型进行测试，得到评价模型的效果，具体效果可分为以下情况容：
1〉模型不满足目标需求，则进行下一轮模型训练迭代；
2〉模型满足目标需求，进入下一步骤；
步骤5：通过专家系统对上一步骤中聚合的挖掘模型预测的结果进行判定，根据判定的结果对模型给出相应的评价、并记录模型预测不满足目标需求的数据；
步骤6：使用人机协同机制，对所述聚合的挖掘模型预测错误的结果进行人工干预，并将干预结果进行记录，作为后续模型的训练集实现增量学习；
步骤7：判断增量学习后的模型是否满足既定的要求，如果不满足则继续进行下一轮迭代，重复步骤2至步骤6，直至模型满足要求、对模型进行输出。
优选的，所述步骤4中，参与方在采集麻醉多模态数据的同时，收集临床专家对病患的诊疗决策数据，将收集的临床决策数据上传至系统，构建联合知识库，接着，知识库结合相关数据库和推理机，创建麻醉全流程专家系统，并根据多参与方持续上传的新数据对专家系统进行迭代更新。
本发明的技术效果和优点：通过多方参与者各自采集针对麻醉手术各个环节的多模态数据，使用本地数据进行麻醉相关统计分析及挖掘模型的联合训练；然后各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，构建麻醉手术全流程联合知识库，进一步基于推理引擎建立麻醉决策专家系统；最后专家系统参与所述联合模型的验证和优化过程，并基于人机协同对联合模型实施增量学习改进，以融合规则式经验与机器学习方法各自的优点，建立具有较高准确率和可靠性的麻醉管理分析系统。
附图说明
图1为本发明的系统示意图；
图2为本发明的系统运行方法示意图；
图3为本发明的数据采集模块示意图；
图4为本发明的模型训练模块示意图；
图5为本发明的专家系统示意图；
图6为本发明的增量学习模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-6所示，本发明提供了一种面向麻醉智能决策的多方协同原型系统及其方法，包括：
数据采集模块，用于采集病患麻醉手术的多模态数据，多模态数据具体为：基本信息、手术特征信息、生命体征数据、环境传感数据以及实时状态数据，并对手术全流程的多模态数据处理、存储；
模型训练模块，各参与方利用本地相关数据和初始模型进行麻醉数据挖掘模型的联合训练；
专家系统，用于各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，建立麻醉全流程管理联合知识库，并进一步基于联合知识库建立麻醉决策专家系统；
增量学习模块，用于专家系统参与联合模型的验证和评价过程，并基于人机协同对联合模型进行增量学习、以融合规则式经验与机器学习方法各自的优点。
具体的，所述模型训练模块的运行包括如下步骤：
S1：组织方组织所述麻醉数据挖掘模型创建初始模型并下发给各参与方，接着，参与方获取初始模型梯度向量，利用本地采集的数据用于本轮次目标模型的训练，获得相应的局部梯度向量；
S2：每个参与方对本轮次训练得到的模型进行测试、确定满足要求的本地模型，并提取步骤S1中所获取的局部梯度向量并发送给组织方；
S3：组织方接收所述所有参与方的局部梯度向量，根据目标模型进行聚合得到当前轮次的聚合模型，提取聚合目标梯度向量，并再次发送给每个参与方；
S4：每个参与方接收从组织方获取的所述聚合目标梯度向量，根据该目标梯度向量更新当前所述本地模型参数，用于下一轮次迭代训练；
S5：当满足多轮迭代次数要求后，组织方将聚合得到的最新模型参数作为多方协同模型训练的第一阶段模型。
具体的，所述专家系统的分析内容包括：麻醉深度评估模型、不良事件预测模型、临床决策支持模型、围术期超声图像识别模型以及麻醉药物靶控注入模型。
所述专家系统中，专家决策收集所的内容包括：各参与方采集录入麻醉医生在病程中各事件、行为数据，临床决策数据，建立医学知识库、既往病历库、病症信息对应诊断、临床专家诊疗，并根据所收集的内容建立知识库。
所述专家系统的运行为：在知识库与多模态数据的基础上，采用案例推理结合证据推理，实现麻醉辅助决策功能。
所述专家系统的评估内容具体包括：麻醉深度的评估、不良事件的预测、临床决策的支持、围术期超声图像的识别、麻醉药物给药的剂量。
参考附图5所示，通过多方参与者各自采集针对麻醉手术各个环节的多模态数据，使用本地数据进行麻醉相关统计分析及挖掘模型的联合训练；然后各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，构建麻醉手术全流程联合知识库，进一步基于推理引擎建立麻醉决策专家系统；最后专家系统参与所述联合模型的验证和优化过程，并基于人机协同对联合模型实施增量学习改进，以融合规则式经验与机器学习方法各自的优点，建立具有较高准确率和可靠性的麻醉管理分析系统。
具体的，所述聚合模型包括多个形式的同步梯度更新和模型参数平均；
所述同步梯度更新，用于每次训练迭代中，每个参与者从组织者获取全局模型，根据自己的一批训练数据在本地计算梯度更新，并将更新发送到组织者，组织者等待所有参与者的梯度更新，然后使用随机梯度下降将聚合更新应用于全局模型；
所述模型参数平均，用于在每一轮迭代中，第k个参与者在当前模型上使用的大小为nk的整个训练数据集在本地执行若干次随机梯度下降步骤，即全局可见更新不是基于批次，而是基于参与者的整个数据集，每个参与者将生成的模型提交给组织者，组织者计算模型参数加权平均值用于全局模型。
具体的，所述模型增量学习模块运行的具体过程为：
接受新的数据或接受新任务；
接受的新的数据以流式送达，接受的新任务时通过联合模型在保留旧的知识和预测结果、并适应新的任务；
所述增量学习模块的算法具体为：
其中，(xt，yt)代表t时刻新的数据，即：新的类别或者完全不同的新任务；
ft-1代表t-1时刻的预测模型，Mt-1代表t-1时刻的记忆；
在经过新的学习后，模型迭代得到ft和新的记忆Mt。
再者，增量学习模块需要使用参与方保存一定数量的旧类别的代表性样本数据，在采集获得所需新类别的数据后，首先将旧类别的代表性样本和新类别的样本划分为训练集和验证集，在验证集里，各类的样本数量满足各项均衡条件；接着使用所述训练样本训练一个新的模型，其中包含标准的分类损失和知识蒸馏损失两个部分，其目标是确保新的模型在旧类别上的预测概率与旧模型预测值尽可能相同，从而保留旧模型学到的知识；最后使用验证集的数据学习一个线性模型，对新模型的预测进行修正，如下边的公式所示：
Figure BDA0003736078410000081
其中α和β是新类别的偏差参数，ok是第k个类别的逻辑输出。
线性模型权重计算的特点是，按样本时间由远及近赋予持续的线性增加的权重，此时任意相邻时间段的权重差值是相同的。该方式假设权重增长与时间成固定比例，具体包括以下步骤：
统计训练数据的时间跨度，并且按时间t进行分段：
Ds＝Dl-De+1；
其中Dl、Do分别为训练集中最新、最旧数据对应时间，Ds为训练数据的时间跨度。
Figure BDA0003736078410000082
Ns为计算得到的分段数，对于给定的目标时间Dt，计算其对应第几时间段Is：
Figure BDA0003736078410000083
其中要求Dt属于[Do，Dl]，Is＝0，1，...，Ns-1，计算目标日期Dt对应的线性权重wt：
Figure BDA0003736078410000091
其中wt属于[wb，we]，由于考虑到权重是在训练模型的损失函数中参与优化，不能为零且不大于1，故权重范围默认设置为wb＝0.3，we＝1。最终所有该目标时间下的样本赋予线性权重wt，并参与模型增量优化。
接着，参考附图6所示，所述系统的方法具体包括如下步骤：
步骤1：多个参与方实时采集、记录、存储病患基本信息，手术特征信息，麻醉实施前、实施中及实施后的环境传感数据，病患生命体征数据以及各类监护数据，进行适当的数据筛选等操作后存储在参与方本地环境；
步骤2：通过组织方提供的模型训练目标，对初始模型梯度向量进行提取，并在本地数据内提供相应的局部梯度向量；
步骤3：组织方接收参与方的反馈，根据目标模型训练需求，采用聚合方法，将参与方提交的训练模型参数聚合得到全局模型，再分别发送给参与方；
步骤4：系统对聚合后的模型进行测试，得到评价模型的效果，具体效果可分为以下情况容：
1>模型不满足目标需求，则进行下一轮模型训练迭代；
2>模型满足目标需求，进入下一步骤；
步骤5：通过专家系统对上一步骤中聚合的挖掘模型预测的结果进行判定，根据判定的结果对模型给出相应的评价、并记录模型预测不满足目标需求的数据；
步骤6：使用人机协同机制，对所述聚合的挖掘模型预测错误的结果进行人工干预，并将干预结果进行记录，作为后续模型的训练集实现增量学习；
步骤7：判断增量学习后的模型是否满足既定的要求，如果不满足则继续进行下一轮迭代，重复步骤2至步骤6，直至模型满足要求、对模型进行输出。
其中，所述步骤4中，参与方在采集麻醉多模态数据的同时，收集临床专家对病患的诊疗决策数据，将收集的临床决策数据上传至系统，构建联合知识库，接着，知识库结合相关数据库和推理机，创建麻醉全流程专家系统，并根据多参与方持续上传的新数据对专家系统进行迭代更新。
综上，参与方将采集的数据进行适当的数据预处理，对数据类型识别标注，确定数据的类别形式以匹配相应的处理流程和方法；通过数据清洗，填补缺失值、光滑噪声数据，平滑或删除离群点，解决数据的不一致性；使用数据集成将多个数据源中的数据结合、存放在一个一致的数据存储对象，规避冗余数据；数据变换对数据进行规范化，离散化，稀疏化处理操作，以适用于后续的挖掘模型构建；将预处理后的数据进行分类存储，数据存储划分为两个主要类别，分别是历史数据和实时数据。历史数据存储长时序列的累积数据以及用于挖掘模型训练的旧类别样本数据；实时数据包括挖掘模型需要实时获取分析的数据以及用于模型持续增量更新的实时采集的新样本数据。
工作原理：多方参与者各自采集针对麻醉手术各个环节的多模态数据，使用本地数据进行麻醉相关统计分析及挖掘模型的联合训练；然后各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，构建麻醉手术全流程联合知识库，进一步基于推理引擎建立麻醉决策专家系统；最后专家系统参与所述联合模型的验证和优化过程，并基于人机协同对联合模型实施增量学习改进，以融合规则式经验与机器学习方法各自的优点，建立具有较高准确率和可靠性的麻醉管理分析系统。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向麻醉智能决策的多方协同原型系统，其特征在于，包括：
数据采集模块，用于采集病患麻醉手术的多模态数据，多模态数据具体为：基本信息、手术特征信息、生命体征数据、环境传感数据以及实时状态数据，并对手术全流程的多模态数据处理、存储；
模型训练模块，各参与方利用本地相关数据和初始模型进行麻醉数据挖掘模型的联合训练；
专家系统，用于各方协同参与麻醉临床专家决策知识的收集，结合本地数据库，建立麻醉全流程管理联合知识库，并进一步基于联合知识库建立麻醉决策专家系统；
增量学习模块，用于专家系统参与联合模型的验证和评价过程，并基于人机协同对联合模型进行增量学习、以融合规则式经验与机器学习方法各自的优点。
2.根据权利要求1所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述模型训练模块的运行包括如下步骤：
S1：组织方组织所述麻醉数据挖掘模型创建初始模型并下发给各参与方，接着，参与方获取初始模型梯度向量，利用本地采集的数据用于本轮次目标模型的训练，获得相应的局部梯度向量；
S2：每个参与方对本轮次训练得到的模型进行测试、确定满足要求的本地模型，并提取步骤S1中所获取的局部梯度向量并发送给组织方；
S3：组织方接收所述所有参与方的局部梯度向量，根据目标模型进行聚合得到当前轮次的聚合模型，提取聚合目标梯度向量，并再次发送给每个参与方；
S4：每个参与方接收从组织方获取的所述聚合目标梯度向量，根据该目标梯度向量更新当前所述本地模型参数，用于下一轮次迭代训练；
S5：当满足多轮迭代次数要求后，组织方将聚合得到的最新模型参数作为多方协同模型训练的第一阶段模型。
3.根据权利要求1所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述麻醉数据挖掘模型包括：麻醉深度评估模型、不良事件预测模型、临床决策支持模型、围术期超声图像识别模型以及麻醉药物靶控注入模型。
4.根据权利要求2所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述聚合模型包括多个形式的同步梯度更新和模型参数平均；
所述同步梯度更新，用于每次训练迭代中，每个参与者从组织者获取全局模型，根据各自的一批训练数据在本地计算梯度更新，并将更新发送到组织者，组织者等待所有参与者的梯度更新，然后使用随机梯度下降将聚合更新应用于全局模型；
所述模型参数平均，用于在每一轮迭代中，第k个参与者在当前模型上使用的大小为nk的整个训练数据集在本地执行若干次随机梯度下降步骤，即全局可见更新不是基于批次，而是基于参与者的整个数据集，每个参与者将生成的模型提交给组织者，组织者计算模型参数加权平均值用于全局模型。
5.根据权利要求1所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述专家系统中，专家决策收集所的内容包括：各参与方采集录入麻醉医生在病程中各事件、行为数据，临床决策数据，建立医学知识库、既往病历库、病症信息对应诊断、临床专家诊疗，并根据所收集的内容建立知识库。
6.根据权利要求5所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述专家系统的运行为：在知识库与多模态数据的基础上，采用案例推理结合证据推理，实现麻醉辅助决策功能。
7.根据权利要求1所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述专家系统的评估内容具体包括：麻醉深度的评估、不良事件的预测、临床决策的支持、围术期超声图像的识别、麻醉药物给药的剂量。
8.根据权利要求1所述的一种面向麻醉智能决策的多方协同原型系统，其特征在于，所述模型增量学习模块运行的具体过程为：
接受新的数据或接受新任务；
接受的新的数据以流式送达，接受的新任务时通过联合模型在保留旧的知识和预测结果、并适应新的任务；
所述增量学习模块的算法具体为：
其中，(xt，yt)代表t时刻新的数据，即：新的类别或者完全不同的新任务；
ft-1代表t-1时刻的预测模型，Mt-1代表t-1时刻的记忆；
在经过新的学习后，模型迭代得到ft和新的记忆Mt。
9.根据权利要求1-9任一一项所述的一种面向麻醉智能决策的多方协同原型系统的方法，
所述方法具体包括如下步骤：
步骤1：多个参与方实时采集、记录、存储病患基本信息，手术特征信息，麻醉实施前、实施中及实施后的环境传感数据，病患生命体征数据以及各类监护数据，进行适当的数据筛选等操作后存储在参与方本地环境；
步骤2：通过组织方提供的模型训练目标，对初始模型梯度向量进行提取，并在本地数据内提供相应的局部梯度向量；
步骤3：组织方接收参与方的反馈，根据目标模型训练需求，采用聚合方法，将参与方提交的训练模型参数聚合得到全局模型，再分别发送给参与方；
步骤4：系统对聚合后的模型进行测试，得到评价模型的效果，具体效果可分为以下情况容：
1＞模型不满足目标需求，则进行下一轮模型训练迭代；
2＞模型满足目标需求，进入下一步骤；
步骤5：通过专家系统对上一步骤中聚合的挖掘模型预测的结果进行判定，根据判定的结果对模型给出相应的评价、并记录模型预测不满足目标需求的数据；
步骤6：使用人机协同机制，对所述聚合的挖掘模型预测错误的结果进行人工干预，并将干预结果进行记录，作为后续模型的训练集实现增量学习；
步骤7：判断增量学习后的模型是否满足既定的要求，如果不满足则继续进行下一轮迭代，重复步骤2至步骤6，直至模型满足要求、对模型进行输出。
10.根据权利要求9任一一项所述的一种面向麻醉智能决策的多方协同原型系统的方法，其特征在于，所述步骤4中，参与方在采集麻醉多模态数据的同时，收集临床专家对病患的诊疗决策数据，将收集的临床决策数据上传至系统，构建联合知识库，接着，知识库结合相关数据库和推理机，创建麻醉全流程专家系统，并根据多参与方持续上传的新数据对专家系统进行迭代更新。
CN202210796925.6A 2022-07-08 2022-07-08 一种面向麻醉智能决策的多方协同原型系统及其方法 Active CN115148327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210796925.6A CN115148327B (zh) 2022-07-08 2022-07-08 一种面向麻醉智能决策的多方协同原型系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210796925.6A CN115148327B (zh) 2022-07-08 2022-07-08 一种面向麻醉智能决策的多方协同原型系统及其方法

Publications (2)

Publication Number Publication Date
CN115148327A true CN115148327A (zh) 2022-10-04
CN115148327B CN115148327B (zh) 2023-07-28

Family

ID=83411718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210796925.6A Active CN115148327B (zh) 2022-07-08 2022-07-08 一种面向麻醉智能决策的多方协同原型系统及其方法

Country Status (1)

Country Link
CN (1) CN115148327B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258944A (zh) * 2023-05-15 2023-06-13 成都理工大学 基于双网络的遥感影像分类模型样本增量学习方法
CN117423428A (zh) * 2023-12-18 2024-01-19 西南医科大学附属医院 一种基于数据分析的麻醉药剂输送智能管理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232961A (zh) * 2019-06-10 2019-09-13 上海电机学院 一种基于大数据的语音识别智能麻醉系统
KR20210066271A (ko) * 2019-11-28 2021-06-07 엠텍글로벌 주식회사 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템
CN113128701A (zh) * 2021-04-07 2021-07-16 中国科学院计算技术研究所 面向样本稀疏性的联邦学习方法及系统
CN113241145A (zh) * 2021-05-13 2021-08-10 鄂东医疗集团市中心医院 一种基于围术期大数据的手术和麻醉质量评估及指导系统
CN113488187A (zh) * 2021-08-03 2021-10-08 南通市第二人民医院 一种麻醉意外案例收集分析方法及系统
CN114366030A (zh) * 2021-12-31 2022-04-19 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232961A (zh) * 2019-06-10 2019-09-13 上海电机学院 一种基于大数据的语音识别智能麻醉系统
KR20210066271A (ko) * 2019-11-28 2021-06-07 엠텍글로벌 주식회사 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템
CN113128701A (zh) * 2021-04-07 2021-07-16 中国科学院计算技术研究所 面向样本稀疏性的联邦学习方法及系统
CN113241145A (zh) * 2021-05-13 2021-08-10 鄂东医疗集团市中心医院 一种基于围术期大数据的手术和麻醉质量评估及指导系统
CN113488187A (zh) * 2021-08-03 2021-10-08 南通市第二人民医院 一种麻醉意外案例收集分析方法及系统
CN114366030A (zh) * 2021-12-31 2022-04-19 中国科学院苏州生物医学工程技术研究所 一种用于麻醉手术的智能辅助系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐瑾;邓晓明;晏馥霞;: "机器学习算法在麻醉领域的应用", 中国医学科学院学报, no. 05 *
王勇;: "大数据环境下的数字化医院建设研讨", 信息记录材料, no. 08 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258944A (zh) * 2023-05-15 2023-06-13 成都理工大学 基于双网络的遥感影像分类模型样本增量学习方法
CN116258944B (zh) * 2023-05-15 2023-07-21 成都理工大学 基于双网络的遥感影像分类模型样本增量学习方法
CN117423428A (zh) * 2023-12-18 2024-01-19 西南医科大学附属医院 一种基于数据分析的麻醉药剂输送智能管理系统及方法
CN117423428B (zh) * 2023-12-18 2024-02-13 西南医科大学附属医院 一种基于数据分析的麻醉药剂输送智能管理系统及方法

Also Published As

Publication number Publication date
CN115148327B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN115148327B (zh) 一种面向麻醉智能决策的多方协同原型系统及其方法
CN114842977B (zh) 一种基于医疗大数据及人工智能的医疗决策系统
CN109581981B (zh) 一种数据融合系统及其工作方法
CN115881306A (zh) 基于联邦学习的网络化icu智能医疗决策方法及存储介质
CN115547437A (zh) 一种基于医疗联邦方的训练系统及训练方法
CN113160986A (zh) 用于预测全身炎症反应综合征发展的模型构建方法及系统
KELEŞ Expert doctor verdis: integrated medical expert system
CN109192312B (zh) 一种心力衰竭患者不良事件智能管理系统及方法
WO2022141925A1 (zh) 一种智能医学服务系统、方法及存储介质
CN114550299A (zh) 基于视频的老年人日常生活活动能力评估系统和方法
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及系统
CN117457192A (zh) 智能远程诊断方法及系统
Silahudin et al. Model expert system for diagnosis of covid-19 using naïve Bayes classifier
CN113421653B (zh) 医疗信息的推送方法及装置、存储介质、计算机设备
CN113257439B (zh) 一种远程医疗会诊平台的功能定制方法及系统
CN115375684A (zh) 一种基于机器学习的肺结核图像辅助诊断系统
CN112309519B (zh) 基于多模型的电子病历用药结构化处理系统
CN117012380A (zh) 事件预估方法、装置、设备、存储介质及程序产品
CN110634565B (zh) 一种医疗大数据回归分析方法
Kulbacki et al. Collaborative tool for annotation of synovitis and assessment in ultrasound images
CN111243697A (zh) 一种基于神经网络对目标对象数据进行判断的方法及系统
CN114491078B (zh) 基于知识图谱的社区项目人员落脚点和同行人员分析方法
CN110289065A (zh) 一种辅助生成医学电子报告的控制方法以及装置
CN114678132B (zh) 一种基于临床行为反馈的自学习医疗风控系统及方法
CN111048192B (zh) 一种基于移动终端的用于医联体内的产学研管理方法

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
GR01 Patent grant
GR01 Patent grant