CN116525116B - 一种心源性休克实时风险预警监测系统、设备及可存储介质 - Google Patents

一种心源性休克实时风险预警监测系统、设备及可存储介质 Download PDF

Info

Publication number
CN116525116B
CN116525116B CN202310783406.0A CN202310783406A CN116525116B CN 116525116 B CN116525116 B CN 116525116B CN 202310783406 A CN202310783406 A CN 202310783406A CN 116525116 B CN116525116 B CN 116525116B
Authority
CN
China
Prior art keywords
data
stage
early warning
cardiogenic shock
patient
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
Application number
CN202310783406.0A
Other languages
English (en)
Other versions
CN116525116A (zh
Inventor
孙宇慧
何昆仑
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.)
Chinese PLA General Hospital
Original Assignee
Chinese PLA General Hospital
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 Chinese PLA General Hospital filed Critical Chinese PLA General Hospital
Priority to CN202310783406.0A priority Critical patent/CN116525116B/zh
Publication of CN116525116A publication Critical patent/CN116525116A/zh
Application granted granted Critical
Publication of CN116525116B publication Critical patent/CN116525116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Software Systems (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种心源性休克实时风险预警监测系统、设备及可存储介质，涉及智能医疗领域。所述系统包括：获取单元，用于获取患者临床数据和基因数据；分期单元，用于将所述患者临床数据和基因数据输入分类模型，得到分类结果；预警单元，基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报。本发明开发的心源性休克实时风险预警监测系统提高了临床分期诊断效率，具有重要的临床意义。

Description

一种心源性休克实时风险预警监测系统、设备及可存储介质
技术领域
本发明涉及智能医疗领域，更具体地，涉及一种心源性休克实时风险预警监测系统、设备、计算机可读存储介质及其应用。
背景技术
心源性休克（cardiogenic shock, CS）是一种危及生命的病理状态，由于心脏功能严重受损，无法维持足够的血液循环，引起全身血流动力学衰竭和器官供血不足。其临床表现为血压下降，心率加快，皮肤苍白，冷汗等，严重时可导致多器官功能衰竭。目前，临床上主要采用临床评估、心电图监测、血液标志物检测、心脏超声检查和血流动力学监测等方法预测CS风险。临床评估是指医生通过病史询问、体格检查和症状评估来评估患者的心血管状况。心电图监测是观察患者的心电图是否会显示心律失常、心肌缺血、心室肥厚等异常表现。血液标志物包括心肌肌钙蛋白（cTn）、B型钠尿肽（BNP）、高敏肌钙蛋白（hs-cTn）等，这些标志物的测定可以反映心肌损伤、心血管炎症反应等情况。心脏超声检查可以观察心室收缩功能、心室壁运动异常、心腔扩张等情况，进一步评估心脏结构和功能。血流动力学监测是指实时监测患者的心输出量、心脏指数、肺动脉压等指标，以评估心血管功能状态和判断心源性休克的风险。
近年来，随着机器学习的发展和相关医疗大数据的指数增长，越来越多的医生开始使用机器学习的方法辅助临床诊断。机器学习是人工智能领域中最能体现智能的一个分支，目标是赋予机器一种新的能力。大多机器学习模型都要经过两个过程：一是从已有的数据集中获得未知的依赖关系；二是用学习到的依赖关系对新数据集进行分析处理。因此，通过对大量心源性休克患者的临床数据进行分析，利用机器学习算法识别出与心源性休克风险相关的特征，利用所述特征进一步构建预测模型，帮助医生及时发现患者可能发展为心源性休克的迹象，从而采取相应的干预措施，在理论上是具体可行的。
发明内容
本发明方法基于患者临床数据特征和/或基因数据特征，构建心源性休克实时风险预警监测模型，根据模型预测的分期结果和/或患者的基因数据给予相应的治疗方案，辅助医生做出临床分期决策，为患者提供个性化的治疗方案。
本发明公开一种心源性休克实时风险预警监测系统，所述系统包括：
获取单元，用于获取患者临床数据和基因数据；
分期单元，用于将所述患者临床数据和基因数据输入分类模型，得到分类结果，所述分类模型的构建方法包括：
获取心源性休克患者的数据集，所述数据集包括患者的临床数据、基因数据以及患者处于A期、B期、C期、D期或E期的分类标签；
使用混合熵对所述数据集进行筛选，得到筛选数据；
使用多层感知机将所述筛选数据映射到嵌入空间，得到映射数据；
对所述映射数据进行特征提取，得到数据特征；
将所述数据特征输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成综合损失函数，基于综合损失函数优化机器学习模型，得到训练好的多分类模型；
预警单元，基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报。
一种心源性休克实时风险预警监测设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下心源性休克实时风险预警监测方法，包括：
获取患者临床数据和基因数据；
将所述患者临床数据和基因数据输入分类模型，得到分类结果，所述分类模型的构建方法包括：
获取心源性休克患者的数据集，所述数据集包括患者的临床数据、基因数据以及患者处于A期、B期、C期、D期或E期的分类标签；
使用混合熵对所述数据集进行筛选，得到筛选数据；
使用多层感知机将所述筛选数据映射到嵌入空间，得到映射数据；
对所述映射数据进行特征提取，得到数据特征；
将所述数据特征输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成综合损失函数，基于综合损失函数优化机器学习模型，得到训练好的多分类模型；
基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报。
进一步，所述混合熵是计算数据集不同维度的判别系数，基于判别系数筛选数据集中的数据作为筛选数据。
进一步，所述判别系数定义为：
其中，第/>维特征的判别系数，/>、/>分别为两个相邻类别对应的第/>维特征值的均值，/>、/>分别为两个相邻类别对应的第/>维特征值的方差，/>为设数据类别的总数，/>为特征向量的总维数，/>为第/>维特征的混合熵。
进一步，所述多层感知机表示为：
其中，为样本/>映射到嵌入空间的特征表示；/>为多层感知器的特征映射函数，表示使用多层感知器将一种特征映射为另一种特征。
进一步，所述特征提取包括：
使用动态自适应注意力机制对映射数据进行第一特征提取，得到第一数据特征，所述动态自适应注意力机制是计算每个特征的权重，根据每个特征的重要性来调整其对于注意力机制的贡献，并计算样本的新的嵌入表示；
使用VGG16网络对第一数据特征进行第二特征提取，得到数据特征，所述VGG16网络的参数采用天牛须算法进行优化。
进一步，所述天牛须算法为改进的天牛须算法，所述改进的天牛须算法在原有天牛须算法的基础上引入跳跃步长和随机方向选择。
进一步，所述VGG16网络的参数进行优化的步骤包括：
步骤1初始化：对VGG16网络的参数进行随机初始化，所述VGG16是包括13个卷积层和3个全连接层的模型；
步骤2评价：使用目标函数对初始解进行评价，所述评价过程在预设的验证集上的进行计算；
步骤3更新：对于每一参数，产生一个随机数/>，根据/>的值决定是否更新/>。具体的，如果/>（其中/>是预设的跳跃概率），则采用跳跃步长进行更新；
步骤4接受或拒绝：使用目标函数对新的解进行评价。如果新的解比旧的解更优，那么接受新的解，否则拒绝新的解；
步骤5终止：如果满足预设的终止条件，则停止算法，否则回到第3步。其中，所述预设的终止条件可以是迭代次数达到预设值或者目标函数值达到预设阈值。
进一步，所述综合损失函数定义如下：
其中，是综合损失函数，/>是逻辑回归模型预测函数。/>是交叉熵损失函数，希望通过调整/>来最小化预测误差。/>是第i个样本的临床数据，/>是第i个样本的基因数据，/>是第i个样本的目标值，/>是均方误差损失函数，/>是正则化参数，由人为设置。/>是L1范数，希望通过L1范数来防止/>过大而导致模型过于依赖临床数据或基因数据。/>是损失函数的权重参数，通过最小化综合损失函数/>，可以学习到一个较优的权重/>，使得模型可以自动调整临床数据和基因数据的权重，以便提取得到更优的特征。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于心源性休克实时风险预警监测模型构建方法或上述的心源性休克实时风险预警监测设备中的心源性休克实时风险预警监测方法。
本发明的优点：
1.本申请综合衡量了患者的临床数据特征和/或基因数据特征，基于机器学习方法构建了心源性休克实时风险预警监测模型，该模型辅助医生进行分期诊断，提高了临床分期诊断效率，解决医生们“众口不一”的难题。
2.本申请基于临床统计学研究中的证据，对D期、E期给出高风险警告患者的治疗方案进行了优化，显著降低了患者的相对危险。
3.本申请基于患者的心源性休克相关基因数据特征，给予个性化的临床治疗方案及用药选择，每个方案均来自于指南或者临床研究中的证据，保证患者可以得到精准有效的治疗措施。
4.本申请创新性的提出使用混合熵筛选数据、使用多层感知机进行特征映射，提高了模型的精度和泛化能力，通过混合熵有效的将高维度的数据降维，节约了计算资源，提高了运算效率。
5.本申请对VGG16网络的参数进行优化，以改进的天牛须算法替代传统的梯度下降算法，以解决传统梯度下降算法导致的梯度消失和梯度爆炸现象。其中，所述改进的天牛须算法在保持原有天牛须优化算法能够进行全局优化的优点的同时，引入了跳跃步长和随机方向选择，增强了算法的搜索能力和避免陷入局部最优解的能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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获取其他的附图。
图1是一种本发明实施例提供的心源性休克实时风险预警监测系统示意图；
图2是一种本发明实施例提供的心源性休克实时风险预警监测设备示意图；
图3是一种本发明实施例提供的心源性休克实时风险预警监测方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种心源性休克实时风险预警监测系统，包括：
获取单元101，用于获取患者临床数据和基因数据；
分期单元102，用于将所述患者临床数据和基因数据输入分类模型，得到分类结果，所述分类模型的构建方法包括：
获取心源性休克患者的数据集，所述数据集包括患者的临床数据、基因数据以及患者处于A期、B期、C期、D期或E期的分类标签；
使用混合熵对所述数据集进行筛选，得到筛选数据；
使用多层感知机将所述筛选数据映射到嵌入空间，得到映射数据；
对所述映射数据进行特征提取，得到数据特征；
将所述数据特征输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成综合损失函数，基于综合损失函数优化机器学习模型，得到训练好的多分类模型；
预警单元103，基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报。
图2是本发明实施例提供的心源性休克实时风险预警监测设备的示意图，该设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行图3所述的心源性休克实时风险预警监测方法，包括：
301：获取患者临床数据和/或基因数据；
在一个实施例中，临床数据包括以下一种或几种：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；基因数据是指与心源性休克相关的信号通路的基因表达水平，所述信号通路包括以下一种或几种：心肌梗死通路、心肌炎通路、心脏瓣膜疾病通路、心脏结构异常通路、呼吸衰竭通路、血容量不足通路、血管阻塞通路、神经内分泌系统异常通路。
所述患者基本信息包括下列五种：姓名、年龄、性别、BMI、病史；所述血液动力学表现是下列情况中的某一种：典型的心源性休克、容量性心源性休克、血管舒张性心源性休克、血管舒张性非心源性休克；所述影像学检查包括下列中的一种或几种：心电图、X射线、CT、经食管超声心动图；所述实验室检查包括下列中的一种或几种：心脏彩超、血常规、肝肾功、动脉血气、乳酸、心肌标志物。
所述心肌梗死通路相关基因包括下列中的一种或几种：MYH7、MYBPC3、TNNT2、ATP2A2、SCN5A、RYR2、CACNA1C、KCNJ2、PLN、ACTC1；所述心肌炎通路相关基因包括下列中的一种或几种：IL-1β、IL-6、TNF-α、IFN-γ、MCP-1、MIF、TLR2、TLR4、NLRP3、Caspase-1；所述心脏瓣膜疾病通路相关基因包括下列中的一种或几种：TGF-β、Smad2、Smad3、Smad4、BMPR2、NOTCH1、JAG1、GATA4、HAND1、HAND2；所述心脏结构异常通路相关基因包括下列中的一种或几种：ACTC1、MYH7、MYBPC3、TNNI3、DTNA、TTN、LDB3、MYOM1、MYOZ2、CSRP3；所述呼吸衰竭通路相关基因包括下列中的一种或几种：ACE、AGT、REN、AT1R、AT2R、AVP、NE、ENaC、ENaCγ、ENaCδ；所述血容量不足通路相关基因包括下列中的一种或几种：ADH1B、ADH1C、ALDH2、ACE、AGT、REN、AVP、NE、RAAS；所述血管阻塞通路相关基因包括下列中的一种或几种：GPIIIa、GPVI、VWF、F5、F10、F12、PAI-1、t-PA、MTHFR、ACE；所述神经内分泌系统异常通路相关基因包括下列中的一种或几种：ADRA1A、ADRA1B、ADRA2A、ADRA2B、ADRB1、ADRB2、ADRB3、ACAT1、ACAT2、CPT1。
302：将所述患者临床数据和/或基因数据输入上述的心源性休克实时风险预警监测模型构建方法构建好的模型，得到分类结果，所述分类结果为：A期、B期、C期、D期或E期。
a.使用混合熵对所述数据集进行筛选，得到筛选数据；
在一个实施例中，可以预见的是，所述心源性休克患者的数据集包含大量冗余或非相关特征。基于此，本实施例对所述心源性休克患者的数据集中的数据进行筛选。
首先对所述心源性休克患者的数据集中的特征进行特征选择，本实施例提出一种基于特征混合熵方法进行特征选择。具体的，通过数据的均值、方差、混合熵3个指标来评价数据特征的优劣，设第类分类标签所对应的数据的特征向量矩阵为/>，公式如下：
其中，为特征参数矢量的总数目，/>为特征向量的总维数。用/>来表示第1类分类标签所对应的数据的第/>维特征向量集合，则向量/>；用/>来表示第2类分类标签所对应的数据的第/>维特征向量的集合，则向量/>；以此类推。
对于第维特征，基于特征混合熵方法的判别系数定义为：
其中，第/>维特征的判别系数，/>、/>分别为两个相邻类别对应的第/>维特征值的均值，/>、/>分别为两个相邻类别对应的第/>维特征值的方差，/>为设数据类别的总数，/>为特征向量的总维数，/>为第/>维特征的混合熵，计算方式如下：
其中，为特征参数矢量的总数目，/>为训练样本的数量。/>为统一去掉第/>维特征后训练集的误差，所述训练误差是利用预设的随机森林模型在训练集上进行训练得到。
故，的值越大时，则表明该维特征对于区分这个类别的贡献度就越高。
基于此，计算各个特征的判别系数，选择整个数据集中判别系数排序前个特征作为特征筛选后的数据。特别的，所述筛选后的数据特征应包含临床数据和样本的基因数据，如果为满足该要求，则调整所述预设随机森林模型的参数后，重新进行特征筛选，直至筛选后的数据特征包含临床数据和样本的基因数据。其中，所述预设随机森林模型的参数包括模型中决策树的数量、决策树的分叉深度。
b.使用多层感知机将所述筛选数据映射到嵌入空间，得到映射数据；
在一个实施例中，针对特征选择后的心源性休克患者的数据集中的个样本，样本/>的特征向量为/>，其中d是特征数量，/>是样本/>特征向量中的第1个特征值，/>是样本/>特征向量中的第2个特征值，/>是样本/>特征向量中的第d个特征值。
进一步地，使用多层感知器将心源性休克患者的数据集中的数据特征映射到嵌入空间，可以表示为：
其中，为样本/>映射到嵌入空间的特征表示；/>为特征映射函数，表示使用多层感知器将一种特征映射为另一种特征。
c.对所述映射数据进行特征提取，得到数据特征；
所述特征提取包括：
使用动态自适应注意力机制对映射数据进行第一特征提取，得到第一数据特征，所述动态自适应注意力机制是计算每个特征的权重，根据每个特征的重要性来调整其对于注意力机制的贡献，并计算样本的新的嵌入表示；
进一步地，在嵌入空间中，使用动态自适应注意力机制进行特征提取。具体的，对于样本，计算其与另一样本/>的注意力权重。首先使用一个可学习的模型函数/>来预测每个特征的权重，其中所述可学习的模型函数可以是另一个多层感知器所进行特征的非线性映射函数，可以表示为：
其中，是一个d维的向量，表示每个特征的权重。
进一步地，使用这些权重来计算注意力权重，可以表示为：
其中，为样本/>对于样本/>的注意力权重，/>表示哈达玛积运算符号，/>为样本/>映射到嵌入空间的特征表示，/>为样本/>映射到嵌入空间的特征表示。/>为Softmax函数，用于将权重归一化到0到1之间。/>是又一可学习的模型函数，如又一多层感知器所进行特征的非线性映射函数。
具体的，以一个简化的例子进行说明。假设针对两个样本和/>，且函数/>是一个线性函数，即/>。则注意力权重计算如下表示：
基于此，当时，自适应注意力机制可以表示为：
当和/>不等于1时，自适应注意力机制会根据每个特征的重要性来调整其对于注意力机制的贡献。
进一步地，使用注意力权重计算样本的新的嵌入表示：/>
其中，为样本/>的新的嵌入表示，/>为样本/>对于样本/>的注意力权重。
进一步地，对于个样本所对应的新的嵌入表示/>，将其输入到一个预设的逻辑回归分类器中进行分类。
进一步地，以每一次完成个样本的分类作为1次迭代，重复迭代并增加迭代次数，直至满足某个预设的停止准则，如综合损失函数的数值达到预设的阈值。
基于此，迭代完成后，将多层感知器输出的特征作为特征提取后的数据。其中，所述多层感知器的输出层神经元数量为50176个，故，对于每个样本，多层感知器的输出数据各位为具有50176个数值的一维向量。
d.使用VGG16网络对第一数据特征进行第二特征提取，得到数据特征，所述VGG16网络的参数采用天牛须算法进行优化。
在一个实施例中，采用VGG模型进行特征的深度提取。具体的，采用VGG16版本网络模型进行特征提取。具体的，所述VGG16模型中包含权重的层有16层，即包括13个卷积层和3个全连接层。VGG16的主要特点是其连续使用3x3的小型滤波器进行卷积运算，以及在后面的全连接层中使用大量的参数。
具体的，VGG16网络的详细结构如下：
1、输入层：接受一个224x224的RGB图像。
2、第1-2层：两个连续的卷积层，使用64个3x3的卷积核，步长为1，padding为1，然后是一个2x2的最大池化层，步长为2。
3、第3-4层：两个连续的卷积层，使用128个3x3的卷积核，步长为1，padding为1，然后是一个2x2的最大池化层，步长为2。
4、第5-7层：三个连续的卷积层，使用256个3x3的卷积核，步长为1，padding为1，然后是一个2x2的最大池化层，步长为2。
5、第8-10层：三个连续的卷积层，使用512个3x3的卷积核，步长为1，padding为1，然后是一个2x2的最大池化层，步长为2。
6、第11-13层：三个连续的卷积层，使用512个3x3的卷积核，步长为1，padding为1，然后是一个2x2的最大池化层，步长为2。
7、第14-16层：三个全连接层，前两层每层有4096个神经元，最后一层有1000个神经元（对应于1000个ImageNet类别）。
8、输出层：使用softmax函数进行多类别分类。
其中，所述隐藏层均使用ReLU（Rectified Linear Units）作为激活函数。在全连接层之后使用了dropout来减少过拟合。
进一步地，将多层感知器输出的特征提取后的数据转为224x224的矩阵格式，转换方式为将多层感知器输出的具有50176个数值的一维向量按照序列顺序以224x224的格式进行重新排列，并将重新排列后的224x224的矩阵复制2次，以组成满足VGG16网络输入层的3通道数据格式。
进一步地，所述足VGG16网络的参数优化方式以改进的天牛须算法替代传统的梯度下降算法，以解决传统梯度下降算法导致的梯度消失和梯度爆炸现象。其中，所述改进的天牛须算法在保持原有天牛须优化算法能够进行全局优化的优点的同时，引入了跳跃步长和随机方向选择，增强了算法的搜索能力和避免陷入局部最优解的能力。
具体的，所述改进的天牛须算法对VGG16网络的参数优化方式如下：
1、初始化：首先对VGG16网络的参数进行随机初始化。
2、评价：使用目标函数对初始解进行评价，所述评价过程在预设的验证集上的进行计算。
具体的，本发明提出一种基于知识蒸馏的VGG16网络的损失函数。知识蒸馏是一种模型压缩技术，通过训练一个相对简单的学生模型去模仿一个复杂的教师模型的行为。在本实施例中，将VGG16视为学生模型，另一预训练的大模型作为教师模型。
进一步地，定义如下的目标函数：
其中，和/>是超参数，由人为设置。/>为蒸馏温度，/>为常规的分类损失，是知识蒸馏损失。
具体的，的计算方法如下：
其中，是样本数量，/>是样本/>的真实标签，/>是样本/>的预测标签。
具体的，的计算方法如下：
其中，是教师模型对第/>个样本的软化输出（即经过温度/>调整后的Softmax输出），/>是学生模型的软化输出。
具体的，蒸馏温度决定了教师网络输出的软化程度。在本实施例中，设计一种基于训练进度的动态蒸馏温度调整策略。具体的，使/>在训练初期较大，即使得教师网络的输出更加软化，可以提供更多的类别间信息给学生网络。进一步地，随着训练的进行，逐渐减小/>，使得教师网络的输出逐渐接近真实的类别标签，即使得学生网络能够更加关注类别内的信息。故，定义如下的动态蒸馏温度调整策略：
其中，和/>是蒸馏温度的最大值和最小值，由人为设置。/>是当前的迭代次数，是总的迭代次数。
3、更新：对于每一参数，产生一个随机数/>，根据/>的值决定是否更新/>。具体的，如果/>（其中/>是预设的跳跃概率），则采用跳跃步长进行更新，更新方式为：
其中，是在/>之间均匀抽取的随机数，/>是跳跃步长。
否则，采用随机方向进行更新，更新方式为：
其中，是在/>之间均匀抽取的随机数，/>是普通步长。
4、接受或拒绝：使用目标函数对新的解进行评价。如果新的解比旧的解更优，那么接受新的解，否则拒绝新的解。
5、终止条件：如果满足预设的终止条件，则停止算法，否则回到第3步。其中，所述预设的终止条件可以是迭代次数达到预设值或者目标函数值达到预设阈值。
e.将所述数据特征输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成综合损失函数，基于综合损失函数优化机器学习模型，得到训练好的多分类模型；
其中，所述综合损失函数定义如下：
其中，是综合损失函数，/>是逻辑回归模型预测函数。/>是交叉熵损失函数，希望通过调整/>来最小化预测误差。/>是第i个样本的临床数据，/>是第i个样本的基因数据，/>是第i个样本的目标值，/>是均方误差损失函数，/>是正则化参数，由人为设置。/>是L1范数，希望通过L1范数来防止/>过大而导致模型过于依赖临床数据或基因数据。/>是损失函数的权重参数，通过最小化综合损失函数/>，可以学习到一个较优的权重/>，使得模型可以自动调整临床数据和基因数据的权重，以便提取得到更优的特征。
303：基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报；
在一个实施例中，采用比数比（odds ratio, OR）和可信区间（confidenceinterval, CI）的值对C期、D期和E期患者的不同临床特征进行统计分析，计算不同临床特征在不同发病时期下患者的相对危险程度，详见表1。其中，数值越大，代表了患者具有该临床特征的危险大。
比数比（odds ratio, OR）来表示实验组和对照组中的暴露（上述的临床特征或治疗措施）比例与非暴露比例的比值之比，是反映疾病与暴露之间关联强度的指标，其计算公式为：OR=(P1/(1-P1))/(P0/(1-P0)) 。
其中，P1为实验组的暴露比例，P0为对照组的暴露比例。另外，P1也可定义为在暴露状态下的发病率，P0为在非暴露状态下的发病率，两种定义的计算结果完全相同。
可信区间（confidence interval, CI）是由两个数值界定的可信限（confidencelimit）构成，其中数值较小的一方称为下限，数值较大的一方称为上限。总体均数估计的95%可信区间表示该区间包括总体均数μ的概率为95%，即若作100次抽样算得100个可信区间，则平均有95个可信区间包括μ（估计正确），只有5个可信区间不包括μ（估计错误）。例如，表1中估计C期年龄≥65岁患者危险因素的平均水平，其95%的可信区间为2.21-9.54，说明年龄≥65岁患者危险因素的值被包含在这一区间的概率为95%。
对于C期患者，具有年龄≥65，LVEF＜40，乳酸含量较高，患有以下疾病一种或几种：高血压、脑血管疾病、瓣膜病、心房颤动/颤振、肾脏疾病特点的属于高危险患者（如年龄≥65岁患者的危险程度是年龄＜65岁患者的4.6倍，具有统计学意义，P＜0.001）；对于D期患者，具有乳酸含量较高，患有以下疾病一种或几种：高血压、脑血管疾病和肾脏疾病特点的属于高危险患者（如乳酸含量较高的患者的危险程度是乳酸含量较低患者的1.24倍，具有统计学意义，P＜0.001）；对于E期患者，具有乳酸含量较高，患有以下疾病一种或几种：糖尿病、脑血管疾病、肾脏疾病特点的属于高危险患者（如患有糖尿病患者的危险程度是无患糖尿病患者的1.79倍，具有统计学意义，P=0.036）。
基于上述C期、D期和E期患者的危险因素而筛选出了以下一种或几种临床数据特征：年龄，左心射血分数，乳酸，是否患有高血压、糖尿病、脑血管疾病、瓣膜病、心房颤动/颤振、肾脏疾病。
在一个实施例中，基因数据特征选择以下一种或几种基因： MYH7、TNNT2、IL-6、REN、F5、ACAT1、ACAT2、CPT1。MYH7编码心肌肌纤维蛋白，其突变或异常表达会影响心肌结构和机能，研究发现，MYH7基因的突变是心肌肥厚型心肌病的主要原因之一，在心源性休克患者中可能会影响心肌的收缩和舒张，从而影响心功能和预后；TNNT2基因编码心肌肌钙蛋白，是心肌收缩的重要调节蛋白，TNNT2基因的突变或异常表达会导致心肌收缩力下降，从而影响心血管系统的调节和心功能；IL-6是一种免疫炎症因子，其过度表达与多种心血管疾病的发生和发展有关，研究发现，IL-6在心源性休克患者中的表达水平明显上调，与炎症反应的加重、心肌损伤和心功能的恶化等临床特征密切相关；REN编码肾素，是肾素-血管紧张素-醛固酮系统的重要成员，REN基因的异常表达或突变会导致RAAS系统的活性增强，从而引起血容量和血压的调节失常，进一步影响心功能和预后；F5编码凝血因子V，是血液凝固系统的重要成员之一，F5基因的突变或异常表达会导致凝血功能失调，从而增加心源性休克患者的出血风险和预后不良的可能性；ACAT1、ACAT2、CPT1这三个基因参与脂代谢的调节，异常表达或突变会影响脂质代谢，研究表明，脂代谢紊乱与心血管疾病的发生和发展密切相关，而心源性休克患者中脂质代谢异常的发生率较高，因此这些基因的异常表达或突变可能与心源性休克的分期和预后有关。基于上述基因的差异表达来对心源性休克患者的病情进行分期和制定个性化的治疗方案具有重要的临床意义。
在一个实施例中，基因数据特征是指基因是否存在变异和/或异常表达。变异分为单个碱基对的变异（SNVs/SNPs）、小的插入或缺失（InDels≤50bp）以及结构变异(SVs>50bp)。其中，单个碱基对的变异，又分为单核苷酸多态性（Single NucleotidePolymorphisms，SNPs）和单核苷酸变异（Single Nucleotide Variants，SNVs），SNPs包括置换、颠换、缺失和插入，导致的核酸序列的多态性，是人类最常见的遗传变异类型，SNVs是DNA序列中单一核苷酸的变异。有单位点核苷置换，单位点核苷缺失，单位点核苷插入三种常见模式，SNPs 与 SNVs都是单核苷酸的改变，两者差别在于：SNPs是针对“群体”而言，且在群体中占据一定比例（well characterized），SNVs是针对“个体”而言，发生频率非常低，不常见 (not well characterized)；插入和缺失 (Insertion-Deletion，InDel)，指的是在基因组的某个位置上所发生的小片段序列的插入或者缺失，其长度通常在 50bp 以下，与 SNP 不同的是，它并不是单个碱基的变化，而是在基因组中发生不同大小的 DNA 片段的插入或者缺失；结构变异（Structural Variation，SV）进一步分为 50bp 以上的长片段序列插入 (Insertion) 、缺失 (Deletion)、反转 (Inversion)、染色体内易位 (Intra-chromosomal Translocation)、染色体间易位 (Inter-chromosomal Translocation)和拷贝数变异 (Copy Number Variation) 。基因异常表达是指基因在转录和翻译过程中发生异常，导致该基因产生的蛋白质与正常情况下产生的蛋白质有所不同，进而导致细胞生长异常、细胞凋亡受阻、细胞信号传导异常等问题。
在一个实施例中，根据所述分类结果选择治疗方案：当分期诊断结果为C期时，给予一种升压强心药物治疗或者机械支持治疗；当分期诊断结果为D期时，给予一种升压强心药物治疗和机械支持治疗；当分期诊断结果为E期时，给予两种以上升压强心药物治疗和机械支持治疗。
升压药物包括下列中的一种或几种：多巴胺、去甲肾上腺素、肾上腺素、去氧肾上腺素、加压素；强心药物包括下列中的一种或几种：多巴酚丁胺、异丙肾上腺素、米力农、依诺昔酮、左西孟旦；机械支持治疗包括下列中的一种或几种：IABP、ECMO、Tandem Heart和Impella。
在一个实施例中，发明人团队比较了C期、D期和E期休克患者不同诊断措施的危险程度，详见表2。在单变量分析中，发现C期患者接受IABP治疗的相对危险是使用1种药物治疗患者的1.4倍，无统计学差异（P = 0.283）；D期患者接受IABP结合1种药物治疗患者的相对危险是接受2种药物治疗患者的0.48倍，具有统计学意义（P = 0.005）；E期患者接受IABP加2种以上药物治疗患者的相对危险是接受3种及以上药物治疗患者的0.53倍，具有统计学意义（P = 0.022）。在多变量分析中，发现C期患者接受IABP治疗的相对危险是使用1种药物治疗患者的1.38倍，无统计学差异（P = 0.352）；D期患者接受IABP结合1种药物治疗患者的相对危险是接受2种药物治疗患者的0.43倍，具有统计学意义（P = 0.005）；E期患者接受IABP加2种以上药物治疗患者的相对危险是接受3种及以上药物治疗患者的0.47倍，具有统计学意义（P = 0.013）。无论是单变量分析还是多变量分析，都基于统计数据证明了D期患者给予IABP结合1种药物、E期患者给予IABP结合2种及以上药物的治疗方案显著降低了患者的危险。该统计学结果优化了D期、E期的治疗方案，具有重要的临床治疗意义。
在一个实施例中，针对选择的特征基因：MYH7、TNNT2、IL-6、REN、F5、ACAT1、ACAT2、CPT1。如果MYH7、TNNT2基因表达异常，会影响心肌的收缩和舒张，导致心功能的恶化，考虑采用β受体激动剂、ACE抑制剂、ARB等药物来改善心功能，减轻心肌负担和预防心脏再塑造；如果IL-6基因过度表达，引起炎症反应的加重，进一步导致心肌损伤和心功能的恶化，考虑采用抗炎治疗，如非甾体抗炎药、糖皮质激素等，来减轻炎症反应和预防心肌损伤；如果REN、F5基因表达异常，会导致RAAS系统的活性增强，而F5基因异常会导致凝血功能失调，增加心源性休克患者的出血风险，考虑采用ACE抑制剂、ARB、抗凝剂等药物来控制血压和凝血功能，预防心源性休克患者的并发症；如果ACAT1、ACAT2、CPT1基因表达异常，会影响脂质代谢，导致脂代谢紊乱和心血管疾病的发生和发展，考虑采用降脂药物，如他汀类药物、贝特类药物等，来控制血脂水平，预防心血管疾病的发生和发展。除药物治疗外，针对这些基因的异常表达，还可以采用心脏再塑造手术、心脏移植等其他治疗方案，以减轻心肌负荷，改善心功能和预后。需要指出的是，针对上述基因的异常表达制定个性化的治疗方案需要在临床医生的指导下进行，同时需要充分考虑患者的具体情况和治疗效果的评估。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于心源性休克实时风险预警监测的治疗辅助决策方法。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种心源性休克实时风险预警监测系统，其特征在于，所述系统包括：
获取单元，用于获取患者临床数据和基因数据；
分期单元，用于将所述患者临床数据和基因数据输入分类模型，得到分类结果，所述分类模型的构建方法包括：
获取心源性休克患者的数据集，所述数据集划分为训练集、验证集与测试集，所述训练集包括患者的临床数据、基因数据以及患者处于A期、B期、C期、D期或E期的分类标签；
使用混合熵判别系数对所述训练集进行筛选，得到筛选数据，所述混合熵判别系数定义为：
其中，第/>维特征的判别系数，/>、/>分别为两个相邻类别对应的第/>维特征值的均值，/>、/>分别为两个相邻类别对应的第/>维特征值的方差，/>为数据类别的总数，/>为特征向量的总维数，/>为第/>维特征的混合熵；
所述混合熵定义为：
其中，为特征参数矢量的总数目，/>为所述训练集样本的数量，/>为统一去掉第/>维特征后训练误差，所述训练误差是利用预设的随机森林模型在所述训练集上进行训练得到；
使用多层感知机将所述筛选数据映射到嵌入空间，得到映射数据；
对所述映射数据进行特征提取，得到数据特征；
将所述数据特征输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成综合损失函数，基于综合损失函数优化机器学习模型，得到训练好的分类模型；
预警单元，基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报。
2.一种心源性休克实时风险预警监测设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下心源性休克实时风险预警监测方法，包括：
获取患者临床数据和基因数据；
将所述患者临床数据和基因数据输入分类模型，得到分类结果，所述分类模型的构建方法包括：
获取心源性休克患者的数据集，所述数据集划分为训练集、验证集与测试集，所述训练集包括患者的临床数据、基因数据以及患者处于A期、B期、C期、D期或E期的分类标签；
使用混合熵判别系数对所述训练集进行筛选，得到筛选数据，所述混合熵判别系数定义为：
其中，第/>维特征的判别系数，/>、/>分别为两个相邻类别对应的第/>维特征值的均值，/>、/>分别为两个相邻类别对应的第/>维特征值的方差，/>为数据类别的总数，/>为特征向量的总维数，/>为第/>维特征的混合熵；
所述混合熵定义为：
其中，为特征参数矢量的总数目，/>为所述训练集样本的数量，/>为统一去掉第/>维特征后训练误差，所述训练误差是利用预设的随机森林模型在所述训练集上进行训练得到；
使用多层感知机将所述筛选数据映射到嵌入空间，得到映射数据；
对所述映射数据进行特征提取，得到数据特征；
将所述数据特征输入机器学习模型进行模型构建，得到初步分类结果，将所述初步分类结果与所述分类标签比对，生成综合损失函数，基于综合损失函数优化机器学习模型，得到训练好的分类模型；
基于患者处于心源性休克的分期发出预警信号，当分期结果为A期或B期时，发出低风险警报；当分期结果为C期时，发出中风险警报；当分期结果为D期或E期时，发出高风险警报。
3.根据权利要求2所述的心源性休克实时风险预警监测设备，其特征在于，所述多层感知机表示为：
其中，为所述训练集中/>个样本映射到嵌入空间的特征表示；/>为多层感知机的特征映射函数，表示使用多层感知机将一种特征映射为另一种特征。
4.根据权利要求2所述的心源性休克实时风险预警监测设备，其特征在于，所述特征提取包括：
使用动态自适应注意力机制对映射数据进行第一特征提取，得到第一数据特征，所述动态自适应注意力机制用于计算每个特征的权重，根据每个特征的权重来调整其对于注意力机制的贡献；
使用VGG16网络对第一数据特征进行第二特征提取，得到数据特征，所述VGG16网络的参数采用天牛须算法进行优化。
5.根据权利要求4所述的心源性休克实时风险预警监测设备，其特征在于，所述天牛须算法为改进的天牛须算法，所述改进的天牛须算法在原有天牛须算法的基础上引入跳跃步长和随机方向选择。
6.根据权利要求4所述的心源性休克实时风险预警监测设备，其特征在于，所述VGG16网络的参数进行优化的步骤包括：
步骤1初始化：对VGG16网络的参数进行随机初始化，所述VGG16是包括13个卷积层和3个全连接层的模型；
步骤2评价：使用目标函数对初始解进行评价，所述评价过程在预设的验证集上进行计算；
步骤3更新：对于每一参数，产生一个随机数/>，根据/>的值决定是否更新/>；具体的，如果/>，其中/>是预设的跳跃概率，则采用跳跃步长进行更新；
步骤4接受或拒绝：使用目标函数对新的解进行评价；如果新的解比旧的解更优，那么接受新的解，否则拒绝新的解；
步骤5终止：如果满足预设的终止条件，则停止算法，否则回到步骤3；其中，所述预设的终止条件是迭代次数达到预设值或者目标函数值达到预设阈值。
7.根据权利要求2所述的心源性休克实时风险预警监测设备，其特征在于，所述综合损失函数定义如下：
其中，是综合损失函数，/>是逻辑回归模型预测函数，/>是交叉熵损失函数，/>是所述训练集中第i个样本的临床数据，/>是所述训练集中第i个样本的基因数据，/>是所述训练集中第i个样本的目标值，/>是均方误差损失函数，/>是正则化参数，由人为设置，是L1范数，/>是损失函数的权重参数，通过最小化综合损失函数/>，调整临床数据和基因数据的权重。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求2-7任意一项所述的心源性休克实时风险预警监测设备的心源性休克实时风险预警监测方法。
CN202310783406.0A 2023-06-29 2023-06-29 一种心源性休克实时风险预警监测系统、设备及可存储介质 Active CN116525116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310783406.0A CN116525116B (zh) 2023-06-29 2023-06-29 一种心源性休克实时风险预警监测系统、设备及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310783406.0A CN116525116B (zh) 2023-06-29 2023-06-29 一种心源性休克实时风险预警监测系统、设备及可存储介质

Publications (2)

Publication Number Publication Date
CN116525116A CN116525116A (zh) 2023-08-01
CN116525116B true CN116525116B (zh) 2023-09-26

Family

ID=87390574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310783406.0A Active CN116525116B (zh) 2023-06-29 2023-06-29 一种心源性休克实时风险预警监测系统、设备及可存储介质

Country Status (1)

Country Link
CN (1) CN116525116B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117393153B (zh) * 2023-12-11 2024-03-08 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436584A (zh) * 2011-11-04 2012-05-02 西安电子科技大学 基于字典学习的胃部ct图像感兴趣区域检测系统
CN106845497A (zh) * 2017-01-12 2017-06-13 天津大学 基于多特征融合的玉米前期图像旱情识别方法
CN113786204A (zh) * 2021-09-03 2021-12-14 北京航空航天大学 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
CN115461822A (zh) * 2020-04-10 2022-12-09 皇家飞利浦有限公司 结合既定疾病分期定义的临床意义和个性化疾病进展监测
WO2022268102A1 (zh) * 2021-06-22 2022-12-29 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436584A (zh) * 2011-11-04 2012-05-02 西安电子科技大学 基于字典学习的胃部ct图像感兴趣区域检测系统
CN106845497A (zh) * 2017-01-12 2017-06-13 天津大学 基于多特征融合的玉米前期图像旱情识别方法
CN115461822A (zh) * 2020-04-10 2022-12-09 皇家飞利浦有限公司 结合既定疾病分期定义的临床意义和个性化疾病进展监测
WO2022268102A1 (zh) * 2021-06-22 2022-12-29 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质
CN113786204A (zh) * 2021-09-03 2021-12-14 北京航空航天大学 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于T_2W磁共振影像的ResNet模型构建在膀胱癌分级和分期双目标预测中的应用研究;郑尧;张烨;杜鹏;张文立;刘洋;张曦;田强;;中国医学装备(第08期);全文 *

Also Published As

Publication number Publication date
CN116525116A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Smoller The use of electronic health records for psychiatric phenotyping and genomics
Cuocolo et al. Current applications of big data and machine learning in cardiology
JP2023502983A (ja) 心臓のビデオを使用して患者のエンドポイントの予測を強化するためのディープニューラルネットワークのためのシステムおよび方法
EP3223183B1 (en) Case-based reasoning in the cloud using deep learning
Padula et al. Machine learning methods in health economics and outcomes research—the PALISADE checklist: a good practices report of an ISPOR task force
CN116525116B (zh) 一种心源性休克实时风险预警监测系统、设备及可存储介质
EP4260340A1 (en) Predicting fractional flow reserve from electrocardiograms and patient records
CN114841280A (zh) 一种复杂疾病的预测分类方法、系统、介质、设备及终端
El Bakrawy Grey wolf optimization and naive bayes classifier incorporation for heart disease diagnosis
Marathe et al. Prediction of heart disease and diabetes using naive Bayes algorithm
Danala et al. Applying quantitative radiographic image markers to predict clinical complications after aneurysmal subarachnoid hemorrhage: A pilot study
Modhugu et al. Comparative Analysis of Machine Learning Algorithms for Liver Disease Prediction: SVM, Logistic Regression, and Decision Tree
Piliuk et al. Artificial Intelligence in Emergency Medicine. A Systematic Literature Review.
Gomes et al. Genetic architecture of cardiac dynamic flow volumes
Mpanya et al. Predicting in-hospital all-cause mortality in heart failure using machine learning
CN116230224A (zh) 一种基于时序模型心力衰竭不良事件预测方法及系统
Rahmati et al. Developing prediction models for 30-day readmission after stroke among Medicare beneficiaries
CN116543911A (zh) 一种疾病风险预测模型训练方法及装置
KR20200015315A (ko) 기계 학습을 이용하여 비만하지 않은 대상자의 대사증후군 발생 가능성을 예측하는 방법 및 장치
US11809826B2 (en) Assertion detection in multi-labelled clinical text using scope localization
Huang et al. A multi-label learning prediction model for heart failure in patients with atrial fibrillation based on expert knowledge of disease duration
Garske Using deep learning on ehr data to predict diabetes
US11107555B2 (en) Methods and systems for identifying a causal link
Pradhan et al. Analysis of MRI image data for Alzheimer disease detection using deep learning techniques
WO2020142035A1 (en) Disease diagnosis system

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