CN115905960B - 一种基于心室辅助装置的不良事件检测方法及装置 - Google Patents
一种基于心室辅助装置的不良事件检测方法及装置 Download PDFInfo
- Publication number
- CN115905960B CN115905960B CN202310213242.8A CN202310213242A CN115905960B CN 115905960 B CN115905960 B CN 115905960B CN 202310213242 A CN202310213242 A CN 202310213242A CN 115905960 B CN115905960 B CN 115905960B
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- representing
- monitoring data
- updated
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000002861 ventricular Effects 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 230000002411 adverse Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例提供了一种基于心室辅助装置的不良事件检测方法及装置,涉及医疗器械技术领域,上述方法包括:在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;基于第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果。应用本实施例提供的方案,能够提高不良事件检测的准确度。
Description
技术领域
本发明涉及医疗器械技术领域,特别是涉及一种基于心室辅助装置的不良时间检测方法及装置。
背景技术
心室辅助装置可以辅助心衰患者将血液从心室泵送到身体其他部位。在心室辅助装置植入患者体内辅助心室泵血过程中,易发生不良事件,如抽吸反流、心率失常、血栓等。
现有技术中,通常由医护人员基于医学理论知识以及实际医学经验,预测植入心室辅助装置的患者是否发生不良事件。然而,由于是由人工检测,受到各种不可控因素影响,如知识局限性、思维惯性等因素,导致检测结果的准确度低。
发明内容
本发明实施例的目的在于提供一种基于心室辅助装置的不良事件检测方法及装置,以提高不良事件检测准确度。具体技术方案如下:
第一方面,本发明实施例提供了一种基于心室辅助装置的不良事件检测方法,所述方法包括:
在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;
从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;
基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;
基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果。
本发明的一个实施例中,上述基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果,包括:
对所述关联特征与第二特征进行特征融合,得到第三特征,基于所述第三特征,对所述第一特征进行更新;
对所述关联特征与第一特征进行特征融合,得到第四特征,基于所述第四特征,对所述第二特征进行更新;
基于更新后的第一特征与更新后的第二特征,检测是否发生不良事件,得到检测结果。
本发明的一个实施例中,上述基于所述第三特征,对所述第一特征进行更新,包括:
按照以下表达式更新所述第一特征:
本发明的一个实施例中,上述基于所述第四特征,对所述第二特征进行更新,包括:
按照以下表达式更新所述第二特征:
本发明的一个实施例中,上述基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间关联关系的关联特征,包括:
按照以下表达式计算所述关联特征:
第二方面,本发明实施例提供了一种基于心室辅助装置的不良事件检测装置,所述装置包括:
第一特征提取模块,用于在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;
第二特征提取模块,用于从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;
特征确定模块,用于基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;
事件检测模块,用于基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果。
本发明的一个实施例中,上述事件检测模块,包括:
第一特征更新子模块,用于对所述关联特征与第二特征进行特征融合,得到第三特征,基于所述第三特征,对所述第一特征进行更新;
第二特征更新子模块,用于对所述关联特征与第一特征进行特征融合,得到第四特征,基于所述第四特征,对所述第二特征进行更新;
事件检测子模块,用于基于更新后的第一特征与更新后的第二特征,检测是否发生不良事件,得到检测结果。
本发明的一个实施例中,上述第一特征更新子模块具体用于按照以下表达式更新所述第一特征:
本发明的一个实施例中,上述第二特征更新子模块具体用于按照以下表达式更新所述第二特征:
本发明的一个实施例中,上述特征确定模块,具体用于按照以下表达式计算所述关联特征:
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
由以上可见,应用本发明实施例提供的方案检测不良事件时,由于第一特征是患者监测数据的直接特征,第二特征是与患者监测数据相关联的知识数据的特征,关联特征则是反映上述两类特征之间相关性的特征。上述三类特征从不同表征角度充分挖掘监测数据的特性,不仅仅只考虑监测数据这单一数据源所反映的特性,还从监测数据相关联的医学知识数据、以及监测数据与医学知识数据之间相关性的角度挖掘监测数据的特性。这样,基于上述三类特征,能够准确地检测是否发生不良事件,提高了不良事件检测的准确度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的第一种基于心室辅助装置的不良事件检测方法的流程示意图;
图2为本发明实施例提供的一种知识图谱的示意图;
图3为本发明实施例提供的第二种基于心室辅助装置的不良事件检测方法的流程示意图;
图4为本发明实施例提供的第一种基于心室辅助装置的不良事件检测装置的结构示意图;
图5为本发明实施例提供的第二种基于心室辅助装置的不良事件检测装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
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基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
在对本发明提供的方案进行具体说明之前,首先对本发明的应用场景以及执行主体进行说明。
本发明的应用场景为:心室辅助装置辅助患者的场景,上述心室辅助装置可以为左心室导管泵,左心室导管泵辅助患者将血液从左心室输送至主动脉,从而减小患者左心室负责,辅助患者泵血。
本发明的执行主体可以为心室辅助装置的控制器,上述控制器位于患者体外,用于获取心室辅助装置的运行数据,并对心室辅助装置进行控制。
参见图1,图1为本发明实施例提供的第一种基于心室辅助装置的不良事件检测方法的流程示意图,上述方法包括以下步骤S101-S104。
步骤S101:在心室辅助装置辅助患者过程中,获取针对患者的监测数据,对监测数据进行特征提取,得到第一特征。
上述监测数据可以包括患者的生理数据以及心室辅助装置的运行数据。生理数据可以包括心率、心输出量等,运行数据可以为包括电机电流、转速等。此外,监测数据还可以包括患者的属性信息,如性别、年龄、既往病史、过敏源等。
在心室辅助装置辅助患者过程中,控制器可以按照预设时间间隔采集监测数据,将监测数据存储在本地,基于此,可以获取本地存储的患者的监测数据。
在对监测数据进行特征提取时,一种实施方式中,可以提取监测数据中预设参数项的参数信息,对参数信息进行统计分析,将分析结果确定为第一特征,上述统计分析可以为计算平均值、标准差等。
步骤S102:从预先构建的知识图谱中确定与监测数据相关联的知识数据,对知识数据进行特征提取,得到第二特征。
上述知识图谱为基于大量临床知识,在专业临床医生的指导下预先构建的。上述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系,上述知识图谱能够表征预设医学实体之间的关系。
上述预设医学实体所表征的已知医学概念的类型可以包括:症状、疾病、诊疗技术、药物等类型。上述预设医学实体之间的关系可以包括并列关系、上下级关系、治疗关系、因果关系等。
以图2为例,图2示出了一种知识图谱的示意图。图2中每一圆点表示一个医学实体,医学实体之间连接的线段表示该医学实体之间存在关系,具体关系类型标注于该线段上。可以看到,图2所示的知识图谱包括6个医学实体,各医学实体之间存在上下级关系、并列关系、治疗关系、因果关系。
由于知识图谱表征各预设医学实体之间的关系,所以,知识图谱中与监测数据相关联的知识数据可以理解为:知识图谱中与监测数据具有连接关系的数据。
一种实施方式中,可以确定监测数据相对应的目标临床症状,确定知识图谱中与目标临床症状具有关系的目标实体,将目标实体以及相对应关系确定为与监测数据相关联的知识数据。
以心率监测数据为例,比较心率测量值与心率阈值之间的关系,若心率测量值高于心率阈值,确定目标临床症状为心率高,从知识图谱中确定与“心率高”具有关系的目标实体,将目标实体与相对应的关系确定为与心率监测数据相关联的知识数据。
基于此,在确定知识数据后,可以采用语义特征提取方式,对上述知识数据进行特征提取,得到第二特征。
另一种实施方式中,可以确定监测数据相对应的目标临床症状,确定知识图谱中包含目标临床症状的子图谱,将子图谱中包含的其他医学实体以及实体间的关系确定为知识数据。上述子图谱可以是:以目标临床症状对应的医学实体为圆心、半径为预设距离的圆周所形成的区域。上述预设距离可以为预设数量个单位距离,上述单位距离为相邻两个实体之间的距离。
基于此,在提取特征时,可以将子图谱输入预先训练的图卷积神经网络,图卷积神经网络提取子图谱中各节点的特征,基于各节点的特征进行分析,输出所分析的特征,作为第二特征。
步骤S103:基于第一特征以及第二特征,确定表征第一特征与第二特征之间相关性的关联特征。
由于第二特征是基于知识图谱中包含的知识数据确定的,上述知识数据是与患者监测数据相关联,又由于第一特征是基于患者监测数据确定的,因此,第一特征与第二特征之间是具有相关性的,表征该相关性的关联特征能够反映监测数据与相关联的知识数据之间的关联特性。
一种实施方式中,可以计算第一特征中每一元素与第二特征中每一元素的乘积,将计算得到的乘积值确定为关联特征。
另一种实施方式中,可以按照以下表达式计算关联特征S:
步骤S104:基于关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果。
在检测不良事件时,可以将关联特征、第一特征与第二特征进行特征融合,将融合后的特征输入预先训练的事件检测模型,得到事件检测模型输出的是否发生不良事件的检测结果。上述事件检测模型为:采用测试对象的样本特征作为训练样本、采用表征测试对象是否不良事件的事件标记为训练基准,对初始神经网络模型进行训练得到的,用于预测是否发生不良事件的模型。
测试对象的样本特征包括:测试对象在植入心室辅助装置时监测数据的特征、知识图谱中与监测数据具有关联关系的数据的特征、以及上述两类特征之间相关性的关联特征。
基于上述三类特征检测是否发生不良事件可以参见后续实施例,在此不进行详述。
由以上可见,应用本实施例提供的方案检测不良事件时,由于第一特征是患者监测数据的直接特征,第二特征是与患者监测数据相关联的知识数据的特征,关联特征则是反映上述两类特征之间相关性的特征。上述三类特征从不同表征角度充分挖掘监测数据的特性,不仅仅只考虑监测数据这单一数据源所反映的特性,还从监测数据相关联的医学知识数据、以及监测数据与医学知识数据之间相关性的角度挖掘监测数据的特性。这样,基于上述三类特征,能够准确地检测是否发生不良事件,提高了不良事件检测的准确度。
在前述图1对应实施例的步骤S104中,除了可以采用基于融合特征检测不良事件,还可以采用下述图3对应实施例的步骤S304-S306的方式进行不良事件检测。参见图3,图3为本发明实施例提供的第二种基于心室辅助装置的不良事件检测方法的流程示意图,上述方法包括以下步骤S301-S306。
步骤S301:在心室辅助装置辅助患者过程中,获取针对患者的监测数据,对监测数据进行特征提取,得到第一特征。
步骤S302:从预先构建的知识图谱中确定与监测数据相关联的知识数据,对知识数据进行特征提取,得到第二特征。
其中,上述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系。
步骤S303:基于第一特征以及第二特征,确定表征第一特征与第二特征之间相关性的关联特征。
上述步骤S301-S303与前述图1对应实施例的步骤S101-S103相同,在此不进行赘述。
步骤S304:对关联特征与第二特征进行特征融合,得到第三特征,基于第三特征,对第一特征进行更新。
在进行特征融合时,可以将关联特征与第二特征进行拼接,也可以计算关联特征与第二特征的乘积。将融合得到的特征确定为第三特征。
第三特征由于融合了关联特征与第二特征,即第三特征同时具有关联特征与第二特征所反映的监测数据的特性,那么,在基于第三特征对第一特征进行更新时,能够极大丰富第一特征的特征信息,补充第一特征所缺少的特征信息,从而使得第一特征能够充分反映患者的监测数据的特性。
在对第一特征进行更新时,第一种实施方式中,可以按照预设权重,对第三特征中每一元素与第一特征中每一元素进行加权求和,将计算得到的特征确定为更新后的第一特征。
第二种实施方式中,可以按照以下表达式更新第一特征:
其中,表示更新后的第一特征,表示第一特征,表示第一预设特征向量,表示关联特征的行特征向量,表示第二特征。表示与的乘积,上述可以为特征值全1的特征向量。表示对关联特征与第二特征进行特征融合得到的融合特征。
步骤S305:对关联特征与第一特征进行特征融合,得到第四特征,基于第四特征,对第二特征进行更新。
在进行特征融合时,可以将关联特征与第一特征进行拼接,也可以计算关联特征与第一特征的乘积。将融合得到的特征确定为第四特征。
第四特征由于融合了关联特征与第一特征,即第四特征同时具有关联特征与第一特征所反映的监测数据的特性,那么,在基于第四特征对第二特征进行更新时,能够极大丰富第二特征的特征信息,补充第二特征缺少的特征信息,从而使得第二特征能够充分反映与患者监测数据相关联知识数据的特性。
在对第二特征进行更新时,第一种实施方式中,可以按照预设权重,对第四特征中每一元素与第二特征中每一元素进行加权求和,将计算得到的特征确定为更新后的第二特征。
第二种实施方式中,可以按照以下表达式更新第二特征:
步骤S306:基于更新后的第一特征与更新后的第二特征,检测是否发生不良事件,得到检测结果。
在检测是否发生不良事件时,可以将更新后的第一特征与更新后的第二特征输入预先训练的事件检测模型,事件检测模型可以分别基于上述两类特征进行事件预测,输出检测结果。
由于更新后的第一特征与更新后的第二特征所反映的特征信息更为丰富,因此,基于上述两类特征,能够更加准确地检测是否发生不良事件。
与上述基于心室辅助装置的不良事件检测方法相对应,本发明实施例还提供了一种基于心室辅助装置的不良事件检测装置。
参见图4,图4为本发明实施例提供的第一种基于心室辅助装置的不良事件检测装置的结构示意图,上述装置包括以下模块401-404。
第一特征提取模块401,用于在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;
第二特征提取模块402,用于从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;
特征确定模块403,用于基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;
事件检测模块404,用于基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果。
由以上可见,应用本实施例提供的方案检测不良事件时,由于第一特征是患者监测数据的直接特征,第二特征是与患者监测数据相关联的知识数据的特征,关联特征则是反映上述两类特征之间相关性的特征。上述三类特征从不同表征角度充分挖掘监测数据的特性,不仅仅只考虑监测数据这单一数据源所反映的特性,还从监测数据相关联的医学知识数据、以及监测数据与医学知识数据之间相关性的角度挖掘监测数据的特性。这样,基于上述三类特征,能够准确地检测是否发生不良事件,提高了不良事件检测的准确度。
参见图5,图5为本发明实施例提供的第二种基于心室辅助装置的不良事件检测装置的结构示意图,上述装置包括以下模块501-506。
第一特征提取模块501,用于在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;
第二特征提取模块502,用于从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;
特征确定模块503,用于基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;
上述模块501-503与前述图4对应实施例的模块401-403相同。
第一特征更新子模块504,用于对所述关联特征与第二特征进行特征融合,得到第三特征,基于所述第三特征,对所述第一特征进行更新;
第二特征更新子模块505,用于对所述关联特征与第一特征进行特征融合,得到第四特征,基于所述第四特征,对所述第二特征进行更新;
事件检测子模块506,用于基于更新后的第一特征与更新后的第二特征,检测是否发生不良事件,得到检测结果。
由于更新后的第一特征与更新后的第二特征所反映的特征信息更为丰富,因此,基于上述两类特征,能够更加准确地检测是否发生不良事件。
本发明的一个实施例中,上述第一特征更新子模块504具体用于按照以下表达式更新所述第一特征:
本发明的一个实施例中,上述第二特征更新子模块505具体用于按照以下表达式更新所述第二特征:
本发明的一个实施例中,上述特征确定模块403,具体用于按照以下表达式计算所述关联特征:
与上述基于心室辅助装置的不良事件检测方法相对应,本发明实施例还提供了一种电子设备。
参见图6,图6为本发明实施例提供的一种电子设备的结构示意图,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现本发明实施例提供的基于心室辅助装置的不良事件检测方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例提供的基于心室辅助装置的不良事件检测方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行时实现本发明实施例提供的基于心室辅助装置的不良事件检测方法。
由以上可见,应用本实施例提供的方案检测不良事件时,由于第一特征是患者监测数据的直接特征,第二特征是与患者监测数据相关联的知识数据的特征,关联特征则是反映上述两类特征之间相关性的特征。上述三类特征从不同表征角度充分挖掘监测数据的特性,不仅仅只考虑监测数据这单一数据源所反映的特性,还从监测数据相关联的医学知识数据、以及监测数据与医学知识数据之间相关性的角度挖掘监测数据的特性。这样,基于上述三类特征,能够准确地检测是否发生不良事件,提高了不良事件检测的准确度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (8)
1.一种基于心室辅助装置的不良事件检测方法,其特征在于,所述方法包括:
在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;
从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;
基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;
基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果;
所述基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果,包括:
对所述关联特征与第二特征进行特征融合,得到第三特征,基于所述第三特征,对所述第一特征进行更新;
对所述关联特征与第一特征进行特征融合,得到第四特征,基于所述第四特征,对所述第二特征进行更新;
基于更新后的第一特征与更新后的第二特征,检测是否发生不良事件,得到检测结果。
5.一种基于心室辅助装置的不良事件检测装置,其特征在于,所述装置包括:
第一特征提取模块,用于在心室辅助装置辅助患者过程中,获取针对所述患者的监测数据,对所述监测数据进行特征提取,得到第一特征;
第二特征提取模块,用于从预先构建的知识图谱中确定与所述监测数据相关联的知识数据,对所述知识数据进行特征提取,得到第二特征,其中,所述知识图谱中包括用于表征已知医学概念的预设医学实体、以及预设医学实体之间的关系;
特征确定模块,用于基于所述第一特征以及第二特征,确定表征所述第一特征与第二特征之间相关性的关联特征;
事件检测模块,用于基于所述关联特征、第一特征以及第二特征,检测是否发生不良事件,得到检测结果;
所述事件检测模块,包括:
第一特征更新子模块,用于对所述关联特征与第二特征进行特征融合,得到第三特征,基于所述第三特征,对所述第一特征进行更新;
第二特征更新子模块,用于对所述关联特征与第一特征进行特征融合,得到第四特征,基于所述第四特征,对所述第二特征进行更新;
事件检测子模块,用于基于更新后的第一特征与更新后的第二特征,检测是否发生不良事件,得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310213242.8A CN115905960B (zh) | 2023-03-08 | 2023-03-08 | 一种基于心室辅助装置的不良事件检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310213242.8A CN115905960B (zh) | 2023-03-08 | 2023-03-08 | 一种基于心室辅助装置的不良事件检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905960A CN115905960A (zh) | 2023-04-04 |
CN115905960B true CN115905960B (zh) | 2023-05-12 |
Family
ID=85739215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310213242.8A Active CN115905960B (zh) | 2023-03-08 | 2023-03-08 | 一种基于心室辅助装置的不良事件检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905960B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628577B (zh) * | 2023-07-26 | 2023-10-31 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6497655B1 (en) * | 1999-12-17 | 2002-12-24 | Medtronic, Inc. | Virtual remote monitor, alert, diagnostics and programming for implantable medical device systems |
US20110295621A1 (en) * | 2001-11-02 | 2011-12-01 | Siemens Medical Solutions Usa, Inc. | Healthcare Information Technology System for Predicting and Preventing Adverse Events |
US20030128125A1 (en) * | 2002-01-04 | 2003-07-10 | Burbank Jeffrey H. | Method and apparatus for machine error detection by combining multiple sensor inputs |
US7787946B2 (en) * | 2003-08-18 | 2010-08-31 | Cardiac Pacemakers, Inc. | Patient monitoring, diagnosis, and/or therapy systems and methods |
US8346369B2 (en) * | 2009-05-14 | 2013-01-01 | Cardiac Pacemakers, Inc. | Systems and methods for programming implantable medical devices |
CN106455995A (zh) * | 2014-05-15 | 2017-02-22 | 心脏起搏器股份公司 | 心力衰竭恶化的自动鉴别诊断 |
CN107145744B (zh) * | 2017-05-08 | 2018-03-02 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
JP7438693B2 (ja) * | 2019-09-02 | 2024-02-27 | キヤノンメディカルシステムズ株式会社 | 診療支援装置 |
CN110838368B (zh) * | 2019-11-19 | 2022-11-15 | 广州西思数字科技有限公司 | 一种基于中医临床知识图谱的主动问诊机器人 |
US20220072321A1 (en) * | 2020-09-04 | 2022-03-10 | Zoll Medical Corporation | Medical Treatment System with Companion Device |
CN112614565A (zh) * | 2020-12-04 | 2021-04-06 | 杨茜 | 一种基于知识图谱技术的中药经典名方智能推荐方法 |
CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
CN113360580B (zh) * | 2021-05-31 | 2023-09-26 | 北京百度网讯科技有限公司 | 基于知识图谱的异常事件检测方法、装置、设备及介质 |
CN113871003B (zh) * | 2021-12-01 | 2022-04-08 | 浙江大学 | 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断系统 |
CN115527337A (zh) * | 2022-09-06 | 2022-12-27 | 安徽通灵仿生科技有限公司 | 一种基于医疗设备系统的报警方法、装置及电子设备 |
CN115359868B (zh) * | 2022-09-14 | 2023-07-28 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于云计算技术的智慧医疗监测方法及系统 |
-
2023
- 2023-03-08 CN CN202310213242.8A patent/CN115905960B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115905960A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116370819B (zh) | 一种心室辅助装置的泵血流量估测方法及装置 | |
US11923094B2 (en) | Monitoring predictive models | |
CN115905960B (zh) | 一种基于心室辅助装置的不良事件检测方法及装置 | |
CN108242266A (zh) | 辅助诊断装置和方法 | |
WO2020172607A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
CN118161738B (zh) | 一种经皮心室辅助系统及反流流量检测方法 | |
CN116492588B (zh) | 一种心室导管泵的位置检测方法及装置 | |
WO2021005613A1 (en) | Chest radiograph image analysis system and a method thereof | |
CN115845248B (zh) | 一种心室导管泵的定位方法及装置 | |
CN116870354A (zh) | 一种心室辅助设备的转速控制方法及装置 | |
JP2024059614A (ja) | ユーザ入力に基づいて血管映像を処理する方法及び装置 | |
CN115527337A (zh) | 一种基于医疗设备系统的报警方法、装置及电子设备 | |
CN117152827A (zh) | 一种近视预测模型的训练方法、近视预测方法及装置 | |
CN115985491B (zh) | 一种介入式心室导管泵的医学信息处理系统 | |
US20230170064A1 (en) | Using natural language processing to find adverse events | |
CN115463336A (zh) | 一种心室导管泵的监测方法及装置 | |
CN115887906A (zh) | 一种心室导管泵的抽吸事件检测方法及装置 | |
CN110706803B (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 | |
CN118267605B (zh) | 一种基于左心室导管泵的左心室压力估计方法及系统 | |
CN117258138B (zh) | 一种心室辅助系统的冲洗设备的控制方法及装置 | |
CN117577264B (zh) | 给药信息确定方法、装置、电子设备及存储介质 | |
KR102511516B1 (ko) | 인공지능을 이용한 ct 조영제 유발 신독성 예측 장치 및 그 방법 | |
EP4099219A1 (en) | Method and device for determining presence of tumor | |
EP4356832A1 (en) | System and method for predicting blood sugar by using saliva-based artificial intelligence deep-learning technique | |
CN118267605A (zh) | 一种基于左心室导管泵的左心室压力估计方法及系统 |
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 |