CN116712041A - 认知障碍评估模型的构建方法、系统及认知障碍评估方法 - Google Patents
认知障碍评估模型的构建方法、系统及认知障碍评估方法 Download PDFInfo
- Publication number
- CN116712041A CN116712041A CN202310978843.8A CN202310978843A CN116712041A CN 116712041 A CN116712041 A CN 116712041A CN 202310978843 A CN202310978843 A CN 202310978843A CN 116712041 A CN116712041 A CN 116712041A
- Authority
- CN
- China
- Prior art keywords
- cognitive
- cardiovascular disease
- data
- model
- task learning
- 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
Links
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 208000024172 Cardiovascular disease Diseases 0.000 claims abstract description 121
- 208000028698 Cognitive impairment Diseases 0.000 claims abstract description 82
- 230000001149 cognitive effect Effects 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000000747 cardiac effect Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000013210 evaluation model Methods 0.000 claims description 41
- 206010012289 Dementia Diseases 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 210000000709 aorta Anatomy 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 210000002837 heart atrium Anatomy 0.000 claims description 2
- 230000019771 cognition Effects 0.000 abstract description 6
- 230000003920 cognitive function Effects 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 7
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 5
- 208000027061 mild cognitive impairment Diseases 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 238000013058 risk prediction model Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 230000003930 cognitive ability Effects 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003557 neuropsychological effect Effects 0.000 description 3
- 230000005311 nuclear magnetism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000008316 Arsenic Poisoning Diseases 0.000 description 1
- 101710105312 Branched-chain-amino-acid aminotransferase Proteins 0.000 description 1
- 101710097328 Branched-chain-amino-acid aminotransferase, cytosolic Proteins 0.000 description 1
- 101710194298 Branched-chain-amino-acid aminotransferase, mitochondrial Proteins 0.000 description 1
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 206010027439 Metal poisoning Diseases 0.000 description 1
- 208000001089 Multiple system atrophy Diseases 0.000 description 1
- 206010031127 Orthostatic hypotension Diseases 0.000 description 1
- 101710158343 Probable branched-chain-amino-acid aminotransferase Proteins 0.000 description 1
- 101710199693 Putative branched-chain-amino-acid aminotransferase Proteins 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 239000003472 antidiabetic agent Substances 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 229940127218 antiplatelet drug Drugs 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- AZPBDRUPTRGILK-UHFFFAOYSA-N benzotriazol-1-ium-1-ylidenemethanediamine;4-methylbenzenesulfonate Chemical compound CC1=CC=C(S(O)(=O)=O)C=C1.C1=CC=C2N(C(=N)N)N=NC2=C1 AZPBDRUPTRGILK-UHFFFAOYSA-N 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 208000005882 cadmium poisoning Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000008127 lead poisoning Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000024714 major depressive disease Diseases 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000106 platelet aggregation inhibitor Substances 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- 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
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Child & Adolescent Psychology (AREA)
- Databases & Information Systems (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Hospice & Palliative Care (AREA)
- Data Mining & Analysis (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Neurosurgery (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种认知障碍评估模型的构建方法、系统及认知障碍评估方法。该构建方法包括如下步骤:对多个心血管疾病患者进行认知测评,以根据认知测评数据分为普通患者和认知障碍患者;获取认知障碍患者的超声心动数据,并结合认知测评数据共同输入多任务学习模型;利用多任务学习模型进行第一阶段的多任务学习,以获取超声心动数据与认知障碍的映射关系,从而构建用于心血管疾病患者的认知障碍评估模型。在本发明中,用于预测认知障碍风险的指标以超声心动数据为主,而超声心动数据是心血管疾病患者常规必做的检查,因此推广价值大。并且,针对评估水平不够的医疗场景,仍然可以对心血管疾病患者进行认知障碍评估。
Description
技术领域
本发明涉及一种用于心血管疾病患者的认知障碍评估模型的构建方法及构建系统,同时也涉及利用该认知障碍评估模型进行的认知障碍评估方法,属于医疗保健信息学技术领域。
背景技术
认知障碍(CI)是指以包括轻度认知障碍(MCI)和痴呆(Dementia)为主的不同程度大脑认知功能减低。另一方面,心血管疾病(CVDs)的一些可调控危险因素包括高血压、糖尿病、吸烟、血脂异常等,会增加认知障碍的发病风险。研究证实,血压变异性大和或/直立性低血压、冠心病、心房颤动和心力衰竭等,会导致加工速度、执行功能、语言能力和学习记忆等大脑基本认知域功能的衰退。心血管疾病合并认知障碍的风险远高于普通人群。认知障碍可导致心血管疾病的发病风险增高或心血管疾病不良预后发生。但是,目前临床工作者对心血管疾病合并认知障碍疾病的认知严重缺乏,导致该疾病的诊断治疗等管理水平明显欠缺,直接或间接影响心血管疾病的管理。
目前,在临床上用于认知障碍诊断的主要检查手段包括神经心理评估,头颅核磁等影像学检查以及基因检测等。但是,上述检查手段在临床中不易开展实施。例如神经心理评估中最基本的蒙特利尔认知评估(MoCA)和MMSE筛查,需要分析至少5个核心认知领域,使用40~60分钟进行测评;而且必须由训练有素的专业医生进行,否则可能有因评估不当而造成误诊可能。此外,某些患有严重抑郁症或严重痴呆症的患者,或文盲或失语症的患者,即使在最可行的情况下,也可能无法有效评估认知功能。核磁或基因等检查手段更是因为高昂的成本和复杂的检验程序限制了它们的广泛使用。
发明内容
本发明所要解决的首要技术问题在于提供一种认知障碍评估模型的构建方法。
本发明所要解决的另一技术问题在于提供一种认知障碍评估模型的构建系统。
本发明所要解决的又一技术问题在于提供一种利用该认知障碍评估模型进行的认知障碍评估方法。
为实现上述技术目的,本发明采用以下的技术方案:
根据本发明实施例的第一方面,提供一种认知障碍评估模型的构建方法,包括如下步骤:
对多个心血管疾病患者进行认知测评,以获取认知测评数据,并将所有心血管疾病患者划分为普通心血管疾病患者和认知障碍心血管疾病患者;
获取所述认知障碍心血管疾病患者的超声心动数据;
将所述认知障碍心血管疾病患者的超声心动数据结合认知测评数据共同输入多任务学习模型;其中,所述多任务学习模型包括输入层、全连接层和多任务学习层,所述输入层用于数据输入,所述全连接层用于连接所述输入层与所述多任务学习层,所述多任务学习层用于对数据进行多任务学习;
利用所述多任务学习层进行第一阶段的多任务学习,以获取所述超声心动数据与认知障碍的映射关系,从而构建用于心血管疾病患者的第一认知障碍评估模型。
其中较优地,所述构建方法还包括:
将所述认知障碍心血管疾病患者的超声心动数据结合所有心血管疾病患者的多模态数据共同输入多任务学习模型;
利用所述多任务学习层进行第二阶段的多任务学习,以输出以超声心动数据为主特征的认知正常与认知障碍的分类结果,从而构建用于心血管疾病患者的第二认知障碍评估模型。
其中较优地,基于所述多任务学习模型,交替进行所述第一阶段的多任务学习和所述第二阶段的多任务学习,以对所述第二认知障碍评估模型进行数据拟合。
其中较优地,所述多模态数据至少包括:环境数据、心血管疾病患者的临床数据以及行为数据。
其中较优地,在所述多模态数据输入所述多任务学习模型之前,预先针对所述多模态数据分别赋予不同的权重。
其中较优地,所述对多个心血管疾病患者进行认知测评,以获取认知测评数据至少包括:
获取多个心血管疾病患者的个人信息,并基于预设量表分别对所述多个心血管疾病患者进行量表测评,以分别获取所述多个心血管疾病患者的量表测评结果:
或者,获取多个心血管疾病患者的个人信息,并基于超声心动图检查分别获取所述多个心血管疾病患者的超声心动图特征参数,以分别获取所述多个心血管疾病患者的心房、心室及主动脉功能的特征结果。
其中较优地,所述认知障碍至少包括轻度认知障碍和痴呆。
根据本发明实施例的第二方面,提供一种认知障碍评估模型的构建系统,包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
对多个心血管疾病患者进行认知测评,以获取认知测评数据,并将所有心血管疾病患者划分为普通心血管疾病患者和认知障碍心血管疾病患者;
获取所述认知障碍心血管疾病患者的超声心动数据;
将所述认知障碍心血管疾病患者的超声心动数据结合认知测评数据共同输入多任务学习模型;其中,所述多任务学习模型包括输入层、全连接层和多任务学习层,所述输入层用于数据输入,所述全连接层用于连接所述输入层与所述多任务学习层,所述多任务学习层用于对数据进行多任务学习;
利用所述多任务学习层进行第一阶段的多任务学习,以获取所述超声心动数据与认知障碍的映射关系,从而构建用于心血管疾病患者的第一认知障碍评估模型。
根据本发明实施例的第三方面,提供一种用于心血管疾病患者的认知障碍评估方法,包括以下步骤:
获取心血管疾病患者的超声心动数据;
将所述超声心动数据输入第一认知障碍评估模型或第二认知障碍评估模型,以输出认知障碍评估结果;
其中,所述第一认知障碍评估模型或所述第二认知障碍评估模型根据上述方法构建而成。
其中较优地,所述认知障碍评估方法还包括如下步骤:
判断所述认知障碍评估结果是否正常;
若认知障碍评估结果为正常,则无需认知干预;若认知障碍评估结果为轻度认知障碍,则对心血管疾病患者进行认知干预;若认知障碍评估结果为痴呆,则对心血管疾病患者进行药物干预。
与现有技术相比较,本发明具有以下的技术效果:
1. 本发明实施例提供的认知障碍评估模型,用于预测认知障碍风险的指标以超声心动数据(即:UCG)为主,而UCG是全部心血管疾病患者常规必做的检查,甚至普通人群体检中都可以获得该监测指标,价格便宜,临床普及性广,临床价值重大。
2. 本发明实施例提供的认知障碍评估模型,不需要既往认知障碍诊断及风险预测所必须的认知功能和精神心理评估。在国内绝大多数医疗场景中,在不具备认知功能和精神心理评估的客观条件或评估的医疗技术水平不够的情况下,仍然可以对心血管疾病患者进行认知功能损害的风险预测,对可能发生的严重认知功能损害进行尽早风险预警。
3. 既往认知障碍诊断及风险预测模型没有专门针对心血管疾病患者的特殊风险预测模型。对比国内外关于认知障碍患病率的流行病学研究结果,心血管疾病患者罹患认知障碍的风险显著高于普通人群,心血管疾病患者发生认知障碍风险明显高于普通人群,本发明实施例提供的认知障碍评估模型有利于精准评估预测心血管疾病患者发生认知障碍的风险。
4. 本发明实施例通过多任务联合学习,将与心血管疾病、认知障碍相关以及不相关的影响因素均纳入模型进行叠加分析,以提升认知障碍评估模型的泛化能力。
5. 通过将其他影响因素进行融合叠加,在多任务学习中不同任务的局部最优解处于不同的位置,通过多任务间变量的相互作用,可以逃离局部最优,从而对认知障碍评估模型进行数据拟合,提升整体模型的准确度。
附图说明
图1为本发明第一实施例提供的一种认知障碍评估模型的构建方法流程图;
图2为本发明第一实施例提供的一种认知障碍评估模型的构建方法原理图;
图3为本发明第一实施例中,多任务学习模型的示意图;
图4为本发明第二实施例提供的一种认知障碍评估模型的构建方法流程图;
图5为本发明第二实施例提供的一种认知障碍评估模型的构建方法原理图;
图6为本发明第三实施例提供的一种认知障碍评估方法流程图;
图7为本发明第四实施例提供的一种认知障碍评估模型的构建系统结构图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
第一实施例
如图1和图2所示,本发明第一实施例提供的一种认知障碍评估模型的构建方法,主要适用于心血管疾病患者,具体包括步骤S1~S5:
S1:对多个心血管疾病患者进行认知分类。
具体的,通过对多个心血管疾病患者进行认知测评,以获取认知测评数据。若认知测评数据显示患者的认知功能正常,则将该患者划分为普通心血管疾病患者;若认知测评数据显示患者的认知功能异常,则将该患者划分为认知障碍心血管疾病患者。由此,根据各患者的认知测评数据,将所有心血管疾病患者进行认知分类。
本实施例中,认知测评的方式至少包括以下两种:
第一种方式:获取多个心血管疾病患者的个人信息,并基于预设量表分别对多个心血管疾病患者进行量表测评,以分别获取多个心血管疾病患者的量表测评结果。
第二种方式:获取多个心血管疾病患者的个人信息,并基于超声心动图检查分别获取多个心血管疾病患者的超声心动的特征参数,以分别获取多个心血管疾病患者的心血管疾病患者的心房、心室及主动脉功能等特征结果。
可以理解的是,上述两种认知测评方式均可根据传统的认知障碍诊断模型实现,在此不作具体阐述。此外,本实施例中的多个心血管疾病患者作为同一批认知测评对象,应尽可能囊括各个行业、不同教育水平、以及不同的年龄段。
S2:获取认知障碍心血管疾病患者的超声心动数据。
具体的,当基于步骤S1划分出哪些心血管疾病患者存在认知障碍后,分别获取每一个存在认知障碍的心血管疾病患者对应的超声心动数据。
S3:将认知障碍心血管疾病患者的超声心动数据结合认知测评数据共同输入多任务学习模型。
参照图3所示,本实施例中,多任务学习模型包括输入层、全连接层和多任务学习层。其中,输入层用于数据输入,全连接层用于连接输入层与多任务学习层,多任务学习层用于对数据进行多任务学习。
当基于步骤S2获取到每一个存在认知障碍的心血管疾病患者对应的超声心动数据后,将每一个存在认知障碍的心血管疾病患者对应的超声心动数据结合各自对应的认知测评数据,共同输入到多任务学习模型的输入层内。
S4:构建用于心血管疾病患者的第一认知障碍评估模型。
具体的,当上述超声心动数据结合认知测评数据共同输入到输入层后,利用多任务学习层进行第一阶段的多任务学习,以获取超声心动数据与认知障碍的映射关系,从而构建用于心血管疾病患者的第一认知障碍评估模型。
本实施例中,该认知障碍至少包括轻度认知障碍和痴呆,也即:第一认知障碍评估模型用于根据不同心血管疾病患者的超声心动数据,判断出哪些超声心动数据对应的心血管疾病患者为轻度认知障碍,哪些超声心动数据对应的心血管疾病患者为痴呆。
由此,利用该第一认知障碍评估模型,当输入待评估心血管疾病患者的超声心动数据后,能够根据该超声心动数据判断患者是否存在认知障碍,若存在,属于哪一种认知障碍的类型。
第二实施例
如图4和图5所示,在上述第一实施例的基础上,本发明第二实施例提供一种认知障碍评估模型的构建方法。与第一实施例相比,该实施例还包括步骤S5~S7:
S5:将认知障碍心血管疾病患者的超声心动数据结合所有心血管疾病患者的多模态数据共同输入多任务学习模型。
本实施例中,该多模态数据至少包括:心血管疾病患者的临床数据行为数据及环境数据。具体数据内容如下:
(1)临床数据:住院信息、门诊信息;人口学信息,生命体征(如体温、脉搏、呼吸、血压);血常规,血生化,尿常规、便常规,出凝血功能等实验室检查;心电图,医学影像(超声心动图、核磁、CT等)等辅助检查;基因组数据;评价量表、问卷调查等;疾病家族史、合并症情况、用药情况等。
例如:对一名心血管疾病患者的临床数据统计如下:
基本情况:姓名、性别、年龄、身高、体重等;
教育情况:学历、培训经历等;
职业情况:行业、职位、收入等;
家庭情况:未婚、已婚、离异等:
健康情况:罹患临床疾病(高血压、糖尿病、冠心病、心房颤动、心力衰竭)等患病信息;
生命体征:体温、脉搏、呼吸、血压;
检查及检验:血糖、血脂、血肌酐、尿酸;
神经心理评估量表:蒙特利尔认知评估量表(Montreal cognitive assessment,简写为MoCA)、简易 精 神 状 态 检 查 量 表 (mini-mental state examination,简写为MMSE)、 基 本 认 知 能 力 测 验(basic cognitive ability test,简写为BCAT)、听觉词语学习测验、画钟试验,Boston 命名测验等
调查问卷:常用量表包括日常生活能力量表(activity of daily living scale,简写为ADL)和功能性活动问卷等;
用药情况:不同种类降压药、降脂药、抗血小板药物、抗凝药、降糖药等。
(2)行为数据:主要指患者在日程生活中的基于各种穿戴设备和社交媒体获得的基于个人行为的健康指标信息数据。包括个人运动信息、诊疗信息、饮食信息、及生活起居信息等。
具体包括:生命体征(血压、体温、心跳、血氧、呼吸、睡眠)、运动加速度信息、图像、地理位置信息、支付信息等
(3)环境数据:环境因素是非常重要但常被忽视的心血管疾病危险因素。本实施例中,环境数据具体包括:空气颗粒污染物(PM)、交通噪音分贝、光污染、二手烟及接触有毒金属(砷、铅或镉中毒)。
当基于步骤S2获取到每一个存在认知障碍的心血管疾病患者对应的超声心动数据后,将每一个存在认知障碍的心血管疾病患者对应的超声心动数据结合所有心血管疾病患者的多模态数据,共同输入到多任务学习模型的输入层内,以用于整合其他风险因子、人口属性和临床数据等,用来评估预测心血管疾病患者认知功能的发生发展方向。
此外,优选地,在多模态数据输入多任务学习模型之前,预先针对多模态数据分别赋予不同的权重。从而可根据不同心血管疾病患者的个人情况,对多模态数据进行适应性调整,以提高多模态数据的有效性和适用性。
S6:构建用于心血管疾病患者的第二认知障碍评估模型。
具体的,当基于步骤S5进行数据输入后,利用多任务学习层进行第二阶段的多任务学习,以输出以超声心动数据为主特征的认知正常与认知障碍的分类结果,从而构建用于心血管疾病患者的第二认知障碍评估模型。
可以理解的是,采用有限的基本信息、心血管等因素作为主任务可能会造成多任务学习效果较差(比如以很复杂的方式与特征进行交互,或被其他因素抑制)。然而,在纳入更多的辅助因素(如认知障碍发生风险因素以及神经退行性疾病相关的外围因素)特征的基础上就可以更好的进行多任务学习,即通过辅助任务来学习多病症叠加情况下患者发生认知障碍的风险特征。
该第二认知障碍评估模型在第一认知障碍评估模型的基础上,进一步结合了其他风险因子、人口属性和临床数据等信息,将心血管疾病患者常规必做的超声心动图各项参数与多维度认知障碍风险因素进行联合分析,通过构建一种多任务联合归纳的机器学习模型,为临床上心血管疾病合并认知障碍患者提供一种全新、快速且无创的风险预测方法,以对心血管疾病患者进行更全面的认知障碍评估预测。
S7:基于多任务学习模型,交替进行第一阶段的多任务学习和第二阶段的多任务学习,以对第二认知障碍评估模型进行数据拟合。
本实施例中,通过多任务联合学习的方式,将与心血管疾病、认知障碍相关以及不相关的影响因素均纳入模型进行叠加分析,达到提升模型的泛化能力。并且,可以理解的是,单纯对认知障碍风险因素或心脏超声因素学习时容易陷入局部最优,而将此类因素进行融合叠加,在多任务学习中不同任务的局部最优解处于不同的位置,通过多任务间变量的相互作用,可以逃离局部最优,从而对第二认知障碍评估模型进行数据拟合,提升整体模型的准确度。
第三实施例
如图6所示,在上述第一实施例或第二实施例的基础上,本发明第三实施例提供一种用于心血管疾病患者的认知障碍评估方法,具体包括步骤S10~S30:
S10:获取心血管疾病患者的超声心动数据。
S20:将超声心动数据输入第一认知障碍评估模型或第二认知障碍评估模型,以输出认知障碍评估结果。
其中,第一认知障碍评估模型根据上述第一实施例的方法构建而成;第二认知障碍评估模型根据上述第二实施例的方法构建而成。
S30:判断认知障碍评估结果是否正常。
具体的,若认知障碍评估结果为正常,则无需进行认知干预。
若认知障碍评估结果为轻度认知障碍,则对患者进行认知干预。其中,认知干预的手段为向患者推送认知训练方案,通过认知训练提升患者的认知能力。
若认知障碍评估结果为痴呆,则对患者进行药物干预。其中,药物干预的手段为以药物对患者进行治疗为主,并以认知训练进行认知提升为辅。
第四实施例
在上述认知障碍评估模型的构建方法的基础上,本发明进一步提供一种认知障碍评估模型的构建系统。如图7所示,该构建系统包括:一个或多个处理器21和存储器22。其中,存储器22与处理器21耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器21执行,使得所述一个或多个处理器21实现如上述实施例中的认知障碍评估模型的构建方法。
其中,处理器21用于控制该构建系统的整体操作,以完成上述认知障碍评估模型的构建方法的全部或部分步骤。该处理器21可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。存储器22用于存储各种类型的数据以支持在该构建系统的操作,这些数据例如可以包括用于在该构建系统上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器22可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等。
在一个示例性实施例中,系统具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现,用于执行上述认知障碍评估模型的构建方法,并达到如上述方法一致的技术效果。一种典型的实施例为计算机。具体地说,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在另一个示例性实施例中,本发明还提供一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的认知障碍评估模型的构建方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由系统的处理器执行以完成上述认知障碍评估模型的构建方法,并达到如上述方法一致的技术效果。
综上所述,本发明实施例提供的一种认知障碍评估模型的构建方法、系统及认知障碍评估方法,具有以下的有益效果:
1. 本发明实施例提供的认知障碍评估模型,用于预测认知障碍风险的指标以超声心动数据(即:UCG)为主,而UCG是全部心血管疾病患者常规必做的检查,甚至普通人群体检中都可以获得该监测指标,价格便宜,临床普及性广,临床价值重大。
2. 本发明实施例提供的认知障碍评估模型,不需要既往认知障碍诊断及风险预测所必须的认知功能和精神心理评估。在国内绝大多数医疗场景中,在不具备认知功能和精神心理评估的客观条件或评估的医疗技术水平不够的情况下,仍然可以对心血管疾病患者进行认知功能损害的风险预测,对可能发生的严重认知功能损害进行尽早风险预警。
3. 既往认知障碍诊断及风险预测模型没有专门针对心血管疾病患者的特殊风险预测模型。对比国内外关于认知障碍患病率的流行病学研究结果,心血管疾病患者罹患认知障碍的风险显著关于普通人群,心血管疾病普通人群发生认知障碍风险明显高于普通人群,本发明实施例提供的认知障碍评估模型有利于精准评估预测心血管疾病患者发生认知障碍的风险。
4. 本实施例中通过多任务联合学习,将与心血管疾病、认知障碍相关以及不相关的影响因素均纳入认知障碍评估模型进行叠加分析,以提升认知障碍评估模型的泛化能力。
5. 通过将其他影响因素进行融合叠加,在多任务学习中不同任务的局部最优解处于不同的位置,通过多任务间变量的相互作用,可以逃离局部最优,从而对认知障碍评估模型进行数据拟合,提升准确度
6. 第一认知障碍评估模型和第二认知障碍评估模型的核心区别能力是要建立两阶段需求参数的因果因子贡献计算,多任务联合归纳学习模型,构建了可以挖掘第一认知障碍评估模型和第二认知障碍评估模型的因果贡献关系。
上面对本发明提供的认知障碍评估模型的构建方法、系统及认知障碍评估方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质内容的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (10)
1.一种认知障碍评估模型的构建方法,其特征在于包括如下步骤:
对多个心血管疾病患者进行认知测评,以获取认知测评数据,并将所有心血管疾病患者划分为普通心血管疾病患者和认知障碍心血管疾病患者;
获取所述认知障碍心血管疾病患者的超声心动数据;
将所述认知障碍心血管疾病患者的超声心动数据结合认知测评数据共同输入多任务学习模型;其中,所述多任务学习模型包括输入层、全连接层和多任务学习层,所述输入层用于数据输入,所述全连接层用于连接所述输入层与所述多任务学习层,所述多任务学习层用于对数据进行多任务学习;
利用所述多任务学习层进行第一阶段的多任务学习,以获取所述超声心动数据与认知障碍的映射关系,构建用于心血管疾病患者的第一认知障碍评估模型。
2.如权利要求1所述的构建方法,其特征在于还包括:
将所述认知障碍心血管疾病患者的超声心动数据结合所有心血管疾病患者的多模态数据共同输入多任务学习模型;
利用所述多任务学习层进行第二阶段的多任务学习,以输出以超声心动数据为主特征的认知正常与认知障碍的分类结果,构建用于心血管疾病患者的第二认知障碍评估模型。
3.如权利要求2所述的构建方法,其特征在于:
基于所述多任务学习模型,交替进行所述第一阶段的多任务学习和所述第二阶段的多任务学习,以对所述第二认知障碍评估模型进行数据拟合。
4.如权利要求2所述的构建方法,其特征在于:
所述多模态数据至少包括:环境数据、心血管疾病患者的临床数据以及行为数据。
5.如权利要求2所述的构建方法,其特征在于:
在所述多模态数据输入所述多任务学习模型之前,预先针对所述多模态数据分别赋予不同的权重。
6.如权利要求1所述的构建方法,其特征在于对多个心血管疾病患者进行认知测评,以获取认知测评数据,至少包括如下步骤:
获取多个心血管疾病患者的个人信息,并基于预设量表分别对所述多个心血管疾病患者进行量表测评,以分别获取所述多个心血管疾病患者的量表测评结果。
7.如权利要求1所述的构建方法,其特征在于对多个心血管疾病患者进行认知测评,以获取认知测评数据,至少包括如下步骤:
获取多个心血管疾病患者的个人信息,并基于超声心动图检查分别获取所述多个心血管疾病患者的超声心动图特征参数,以分别获取所述多个心血管疾病患者的心房、心室及主动脉功能的特征结果。
8.一种认知障碍评估模型的构建系统,其特征在于包括处理器和存储器;所述存储器用于存储计算机程序,当该计算机程序被所述处理器执行时,实现权利要求1~7中任意一项所述的认知障碍评估模型的构建方法。
9.一种认知障碍评估方法,基于权利要求1~7中任意一项所述的第一认知障碍评估模型或第二认知障碍评估模型实现,其特征在于包括以下步骤:
获取心血管疾病患者的超声心动数据;
将所述超声心动数据输入第一认知障碍评估模型或第二认知障碍评估模型,以输出认知障碍评估结果。
10.如权利要求9所述的认知障碍评估方法,其特征在于还包括:
判断所述认知障碍评估结果是否正常;
若认知障碍评估结果为正常,则无需认知干预;若认知障碍评估结果为轻度认知障碍,则对心血管疾病患者进行认知干预;若认知障碍评估结果为痴呆,则对心血管疾病患者进行药物干预。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310978843.8A CN116712041B (zh) | 2023-08-04 | 2023-08-04 | 认知障碍评估模型的构建方法、系统及认知障碍评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310978843.8A CN116712041B (zh) | 2023-08-04 | 2023-08-04 | 认知障碍评估模型的构建方法、系统及认知障碍评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116712041A true CN116712041A (zh) | 2023-09-08 |
CN116712041B CN116712041B (zh) | 2024-03-08 |
Family
ID=87871812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310978843.8A Active CN116712041B (zh) | 2023-08-04 | 2023-08-04 | 认知障碍评估模型的构建方法、系统及认知障碍评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116712041B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118467399A (zh) * | 2024-07-10 | 2024-08-09 | 北京智精灵科技有限公司 | 一种关联预测模型的建模方法、建模系统及认知测评方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169714A1 (en) * | 2015-12-11 | 2017-06-15 | University Of Rochester | Methods and Systems for Cognitive Training Using High Frequency Heart Rate Variability |
US20180116725A1 (en) * | 2015-04-20 | 2018-05-03 | The Johns Hopkins University | Patient-specific virtual intervention laboratory to prevent stroke |
KR20190133900A (ko) * | 2018-05-24 | 2019-12-04 | 재단법인대구경북과학기술원 | 뇌신경 질환 진단 시스템 및 방법 |
CN113057585A (zh) * | 2021-03-15 | 2021-07-02 | 中国科学院计算技术研究所 | 一种认知障碍检测模型及其训练方法 |
US20220246299A1 (en) * | 2021-01-29 | 2022-08-04 | OptiChroniX GmbH | Electronic patient advisor and healthcare system for remote management of chronic conditions |
WO2023041926A1 (en) * | 2021-09-17 | 2023-03-23 | Oxford University Innovation Limited | Machine learning cardiovascular condition progression |
KR20230097332A (ko) * | 2021-12-24 | 2023-07-03 | 서울과학기술대학교 산학협력단 | 치매조기진단 시스템 및 이를 이용한 치매조기진단 방법 |
-
2023
- 2023-08-04 CN CN202310978843.8A patent/CN116712041B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180116725A1 (en) * | 2015-04-20 | 2018-05-03 | The Johns Hopkins University | Patient-specific virtual intervention laboratory to prevent stroke |
US20170169714A1 (en) * | 2015-12-11 | 2017-06-15 | University Of Rochester | Methods and Systems for Cognitive Training Using High Frequency Heart Rate Variability |
KR20190133900A (ko) * | 2018-05-24 | 2019-12-04 | 재단법인대구경북과학기술원 | 뇌신경 질환 진단 시스템 및 방법 |
US20220246299A1 (en) * | 2021-01-29 | 2022-08-04 | OptiChroniX GmbH | Electronic patient advisor and healthcare system for remote management of chronic conditions |
CN113057585A (zh) * | 2021-03-15 | 2021-07-02 | 中国科学院计算技术研究所 | 一种认知障碍检测模型及其训练方法 |
WO2023041926A1 (en) * | 2021-09-17 | 2023-03-23 | Oxford University Innovation Limited | Machine learning cardiovascular condition progression |
KR20230097332A (ko) * | 2021-12-24 | 2023-07-03 | 서울과학기술대학교 산학협력단 | 치매조기진단 시스템 및 이를 이용한 치매조기진단 방법 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118467399A (zh) * | 2024-07-10 | 2024-08-09 | 北京智精灵科技有限公司 | 一种关联预测模型的建模方法、建模系统及认知测评方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116712041B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barrett et al. | Artificial intelligence supported patient self-care in chronic heart failure: a paradigm shift from reactive to predictive, preventive and personalised care | |
Ahmadi et al. | Diseases diagnosis using fuzzy logic methods: A systematic and meta-analysis review | |
Hunt et al. | Association of neighborhood-level disadvantage with cerebral and hippocampal volume | |
Cornelis et al. | Early diagnosis of mild cognitive impairment and mild dementia through basic and instrumental activities of daily living: Development of a new evaluation tool | |
Li et al. | Applications of artificial intelligence to aid early detection of dementia: a scoping review on current capabilities and future directions | |
Smith et al. | HL7 RIM: an incoherent standard | |
Mullins et al. | The role of spiral volumetric computed tomography in the diagnosis of pulmonary embolism | |
Braungart Fauth et al. | Physical, cognitive, and psychosocial variables from the disablement process model predict patterns of independence and the transition into disability for the oldest-old | |
CN116712041B (zh) | 认知障碍评估模型的构建方法、系统及认知障碍评估方法 | |
Osborn et al. | What mom and dad don’t know CAN hurt you: Adolescent disclosure to and secrecy from parents about type 1 diabetes | |
Schillinger | Improving the quality of chronic disease management for populations with low functional health literacy: a call to action | |
Kabrhel et al. | A highly sensitive ELISA D‐dimer increases testing but not diagnosis of pulmonary embolism | |
Jahan et al. | Explainable AI-based Alzheimer’s prediction and management using multimodal data | |
Long et al. | Glucose control and medication adherence among veterans with diabetes and serious mental illness: does collocation of primary care and mental health care matter? | |
CN115762771A (zh) | 一种老年人健康风险预警系统和操作方法 | |
Sargent et al. | Influence of physiological and psychological factors on cognitive dysfunction in heart failure patients | |
Kovacs et al. | The role of the psychologist in adult congenital heart disease | |
Hillis et al. | Use of artificial intelligence in clinical neurology | |
US10945604B2 (en) | Method and system for brain attack triage (BAT) | |
Riccardi et al. | Canonical sentence processing and the inferior frontal cortex: Is there a connection? | |
Blix et al. | Digitalization and health care | |
Chavda et al. | Artificial intelligence and machine learning in healthcare sector | |
Hays et al. | Self-management needs of adults with congenital heart disease | |
CN111369499B (zh) | 一种眼底图像的处理方法及装置 | |
van der Woerd et al. | Studying sleep: towards the identification of hypnogram features that drive expert interpretation |
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 |