CN116895372B - 一种基于大规模语言模型与元学习的智能急救分级系统 - Google Patents
一种基于大规模语言模型与元学习的智能急救分级系统 Download PDFInfo
- Publication number
- CN116895372B CN116895372B CN202311164847.9A CN202311164847A CN116895372B CN 116895372 B CN116895372 B CN 116895372B CN 202311164847 A CN202311164847 A CN 202311164847A CN 116895372 B CN116895372 B CN 116895372B
- Authority
- CN
- China
- Prior art keywords
- information
- patient
- emergency
- meta
- learner
- 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
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 201000010099 disease Diseases 0.000 claims description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006996 mental state Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 235000002198 Annona diversifolia Nutrition 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 241000282842 Lama glama Species 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于大规模语言模型与元学习的智能急救分级系统，该系统包括信息录入模块、信息分析模块和智能急救医疗统筹模块；信息录入模块用于从多方面获取患者信息；信息分析模块基于大规模语言模型分析信息录入模块的语音录入单元获取的信息内容，提取患者相关信息；基于元学习模型实现对患者急危重程度评估，通过元学习模型中的基学习器实现急救分级、急诊分诊与响应时间估计；智能急救医疗统筹模块用于统筹安排救治顺序和协调调度，对急救与候诊患者进行实时风险预警，及时调整诊疗顺序。本发明针对院前院内衔接问题，提出智能急救分级系统，实现快速而有效的急危重程度评估与风险预警，并提供实时状态监测与统筹安排。
Description
技术领域
本发明涉及智能急救领域，尤其涉及一种基于大规模语言模型与元学习的智能急救分级系统。
背景技术
近年来，我国已形成了以院前急救、医院急诊和重症医学三者共同组成的急救医疗服务体系（emergency medical service system, EMSS）。对急救病人进行分级评定，是衔接院前院内的关键，为急危重患者实施快速而准确的救治提供保障。尽管《院前医疗急救急危重症分级标准》、《急诊预检分诊专家共识》和《急诊预检分诊》标准的制定，细化了每一个级别的主观与客观评级指标，为分级提供了客观、量化、可依据的评定标准，但在实际应用中，仍受到主观判断的影响。当急救人员或分诊护士缺乏交流技能和处理问题的经验时，容易造成错误分级，导致救治不及时或不合理等后果。因此，建立一套快速而准确的智能急救分级系统，提升急危重症患者的判别效率与准确率，可为院前院内衔接、科学安排诊疗资源、快速有效的救治提供帮助，从而提升急救工作效率，提高患者抢救成功率与存活率。
然而，我国目前只有部分综合性医院建立了预检分诊智能化管理系统。现有的智能管理系统主要以填表方式录入就诊患者信息、意识情况、生命体征、主诉、症状、发病时间和来院方式等，部分引入了就诊卡和语音系统录入，评估标准主要以各类评分表为主，如改良早期预警评分（modified early warning score, MEWS）等。这些智能管理系统仍需大量的人力劳动，难以实现在时间紧迫的情况下，对急救病人的快速而准确的病情评估，以及实时状态监测与风险预警。
目前，我国的智能化管理系统仍需要大量的手工信息录入，临床实践效率较低，难以应用于时间紧迫的急救医疗服务体系。无法实现对候诊患者的实时状态监测与风险预警。
发明内容
本发明目的在于针对现有技术的不足，提出一种基于大规模语言模型与元学习的智能急救分级系统，实现快速而有效的急危重程度评估与风险预警，并提供实时状态监测与统筹安排。
本发明的目的是通过以下技术方案来实现的：一种基于大规模语言模型与元学习的智能急救分级系统，该系统包括信息录入模块、信息分析模块和智能急救医疗统筹模块；
所述信息录入模块用于从多方面获取患者信息，包括语音录入信息、生命体征信息、检查信息和电子病历EHR信息；
所述信息分析模块包括大规模语言模型单元、急危重程度评估模型单元和个性化风险预测单元；
所述大规模语言模型单元用于分析语音录入信息内容，提取患者相关信息；
所述急危重程度评估模型单元用于构建元学习模型，包括元学习器与基学习器；所述元学习模型实现对患者急危重程度评估，通过基学习器分别实现急救分级、急诊分诊与响应时间估计；
所述个性化风险预测单元用于根据大规模语言模型单元提取的患者相关信息以及信息录入模块获取的生命体征信息、检查信息和EHR信息，构建风险预测与实时风险预警模型，实现个性化风险预测；
所述智能急救医疗统筹模块用于根据急危重程度评估结果，统筹安排救治顺序，并对候诊患者进行实时风险预警，及时调整诊疗优先顺序。
进一步地，所述信息录入模块包括语音录入单元、生命体征监测单元、检查结果录入单元和EHR信息录入单元；
所述语音录入单元用于获取医护人员与患者或家属的对话信息，获取医生对患者状况的描述信息，并将获取的信息转换为文本信息；
所述生命体征监测单元用于获取患者实时生命体征数据；
所述检查结果录入单元用于获取患者的检查与检验数据，包括实验室检查数据或医学影像数据；
所述EHR信息录入单元用于查询EHR系统中患者数据，包括患者信息和诊疗记录。
进一步地，所述大规模语言模型单元采集急救医学指南、医学理论知识以及急救对话数据集，训练优化模型提取语音信息内容。
进一步地，大规模语言模型单元提取的患者相关信息包括患者症状、主诉、发病时间和精神状态。
进一步地，急危重程度评估模型单元中，基学习器基于元学习器参数针对任务进行迭代更新，并将最终结果反馈给元学习器，进行元学习器的参数更新。
进一步地，所述急危重程度评估模型单元采用模型无关法MAML对元学习器与基学习器进行迭代优化；首先从任务分布中随机采样第i个任务/>，优化基学习器/>的目标函数：
其中，是基学习器参数，/>是基学习器在第i个任务/>上的损失，采用交叉熵损失，迭代更新基学习器参数：
其中，基学习器初始参数，由元学习器提供；而在第i个任务/>上进行N次更新后，/>；并将更新后基学习器的参数/>反馈给元学习器；其中，/>为梯度下降步长，/>为梯度；
元学习器的目标函数为：
其目标为最小化所有任务上的损失和；更新元学习器参数：
其中，为梯度下降步长，/>表示采样任务/>服从任务分布/>。
进一步地，所述个性化风险预测单元用于根据大规模语言模型单元提取的患者相关信息，结合患者的EHR信息获得患者特征，再基于k近邻算法构建患者相似图模型，建立患者特征到患病风险的映射模型，实现患者的患病风险预测；对患者的生命体征信息、检查信息进行实时监测，基于长短时记忆网络构建实时风险预警模型；结合患病风险预测与实时风险预警实现个性化风险预测。
进一步地，所述智能急救医疗统筹模块包括急救统筹安排单元和实时风险预警单元：
所述急救统筹安排单元用于基于患者的急危重程度与个性化风险预测结果，根据响应对急救患者进行统筹安排，实现院前院内衔接；
所述实时风险预警单元用于对候诊患者的生命体征数据进行实时监测，即时更新检查检验结果，并进行实时风险预警。
本发明的有益效果：
1. 本发明通过语音录入减少人工录入的繁琐过程，利用急救知识优化后的大规模语言模型对录入内容进行分析，提取其中的关键信息。
2. 将大规模语言模型输出的患者信息，结合生命体征、检查结果等多种数据，对患者的急危重程度进行评估，并基于元学习构建急救分级、急诊分诊和响应时间评估模型，辅助院前院内衔接。并根据急救病人的急危重程度与响应时间统筹安排救治优先顺序。
3. 基于全面的患者信息，包括患者症状、生命体征、检查结果、历史就诊信息、家族史等，对其患病风险做出预测。帮助医生全面的了解患者状态，实现早期疾病预警。
4. 实时监测急救病人的生命体征，即时更新检查结果，动态优化急救患者的分级与响应时间，发现病情恶化及时警报并提升救治优先顺序。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明基于大规模语言模型的智能急救分级系统结构示意图；
图2是语音内容分析具体过程示意图；
图3是元学习模型示意图；
图4是个性化风险预测示意图；
图5是智能急救医疗统筹模块示意图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
本发明通过录入语音信息，自动捕捉谈话内容，减少手工录入程序。利用大规模语言模型，分析理解语音录入内容，提取其中关键信息。结合患者生命体征信息数据、检验与检查信息数据、电子病历（Electronic Health Records, EHR) 系统中的基本信息、历史诊疗记录等，构建急危重评估模型，给出急救分级或急诊分诊结果，以及响应时间，减少主观原因造成的分级误差。结合患者基本信息、历史诊疗信息、家族病史、主诉、生命体征等多种数据，对其潜在风险做出预测，实现早期疾病预警，帮助临床医师对患者疾病建立充分、全面的认知，并提前做出预防措施，防止疾病恶化。做好院前院内衔接及统筹安排，可为患者提供快速而准确的针对性治疗。对患者状态进行实时监测，并提供动态响应程序，当候诊患者状况突发恶化时及时发出警报。
如图1所示，本发明提供了一种基于大规模语言模型与元学习的智能急救分级系统。该系统包含三个模块：信息录入模块，用于从多方面获取患者信息，包含语音录入信息、生命体征信息、检查信息和电子病历EHR信息；信息分析模块，对录入信息进行综合分析，构建急危重程度评估模型并进行个性化风险预测，实现急救分级、急诊分诊和响应时间评估；智能急救医疗统筹模块，根据急救患者的急危重程度评估结果和个性化风险预测结果，根据响应对急救患者进行统筹安排救治顺序，并对候诊患者进行实时风险预警，及时调整诊疗优先顺序。
所述信息录入模块用于获得全面的患者信息，包含语音录入单元、生命体征监测单元、检查结果录入单元和EHR信息录入单元。
所述语音录入单元，用于接收医护人员与患者或家属的对话，包括对发病时间、疼痛程度、精神状态等的问答。接收医生对患者状况的描述信息，包括患者意识情况（清醒、昏迷、休克等）、创口大小、流血程度等。并将接收到的语音信息转换为文本信息录入。
所述生命体征监测单元用于接收监护仪等装置提供的实时生命体征数据，包括患者心率、呼吸、血压、氧合、心电图等监测数据。
所述检查结果录入单元用于获取患者的即时检查与检验数据，包括血糖、心肌酶等。对于部分患者，可能会进行实验室检查，如血液检查等，接收检查结果。对于部分患者，可能会进行医学影像扫描，接收影像分析报告。
所述EHR信息录入单元用于查询EHR系统中患者数据，包括患者基本信息，如年龄、性别、籍贯等；患者医疗信息，如家族史、过敏史等；患者历史诊疗记录，如病史、历史用药和手术信息等。
所述信息分析模块用于分析患者信息，评估其急危重程度，包括大规模语言模型单元、急危重程度评估模型单元和个性化风险预测单元。
所述大规模语言模型单元用于基于大规模语言模型（large language models）实现语音内容分析。现有工作发现，当模型的规模超过某一临界点后，模型的性能会发生质变。如ChatGPT在指令理解和类人类反应生成方面取得了显著的成功。语音内容分析具体过程如图2所示：
a）首先，采集大量急救医学指南、医学理论知识及急救对话数据集等，对Meta开源的LLaMA模型进行微调，使其具有更专业的急救医学知识。
b）其次，使用优化后的大规模语言模型，对语音录入单元中采集到的对话内容进行信息提取，获取其中的患者信息，包括症状、主诉、发病时间、精神状态等，并对内容基于医学知识进行语义分析，如心博骤停等。
所述急危重程度评估模型单元用于基于元学习（meta-learning）实现急危重程度评估，具体如下：
a）首先，采集大量真实世界急救医学数据集，包括院前急救数据与院内急诊数据。数据内容有大规模语音模型单元输出的患者信息和信息录入模块中的患者信息，如生命体征、其他检查结果、电子病历EHR数据等。
b）利用长短时记忆网络（long-short term memory, LSTM）对时序数据进行分析，如连续监测的生命体征数据，包括心率、呼吸、心电图等；多次检查数据，包括血糖、心肌酶等测量结果等。
c) 构建元学习模型，包含元学习器F与基学习器实现对急救患者急危重程度评估，其中基学习器针对不同场景，具有基学习器f1、基学习器f2和基学习器f3，分别实现急救分级、急诊分诊与响应时间估计，具体如图3所示。
采用MAML（Model-Agnostic Meta-Learning）模型的双层优化结构。首先，从任务分布中随机采样第i个任务/>，优化基学习器/>的目标函数：
其中，是基学习器参数，/>是基学习器在第i个任务/>上的损失，采用交叉熵损失。迭代更新基学习器参数：
其中，基学习器初始参数，由元学习器提供。而在第i个任务/>上进行N次更新后，/>。并将更新后基学习器的参数/>反馈给元学习器。其中，/>为梯度下降步长，/>为梯度。
元学习器的目标函数为：
其目标为最小化所有任务上的损失和。更新元学习器参数：
其中，为梯度下降步长，/>表示采样任务/>服从任务分布/>。
所述个性化风险预测单元用于实现个性化风险预测，具体如图4所示：
a）首先，根据大规模语言模型单元提取的患者状态信息，结合患者的EHR数据中的病史、家族病史等信息，获得患者特征，用表示第i位患者的特征向量。
b) 其次，根据患者特征，基于k近邻算法构建患者相似图模型，建立患者特征到患病风险的映射模型，实现患者的患病风险预测；其中/>为顶点集合，即所有的患者在特征空间的点所构成的集合，/>为边集合连接相似患者。对于每位患者，采用k近邻方法找出与其特征相似的k位患者，并构建连接边。用邻接矩阵（adjacency matrix）A表示边的权重，且任意患者特征可以根据权重由相似患者集合重构出来。因此，设计重构函数/>来获取邻接矩阵A：
其中，表示连接/>与/>的边的权重，M表示训练集中患者示例数量。约束/>，，则可以通过求解M个最小二乘问题获得矩阵邻接A：
其中，为转置符号，/>为/>的格拉姆矩阵（Gram matrix），矩阵内元素。
根据平滑假设（ZHU X. Semi-supervised learning with graphs [M].Carnegie Mellon University, 2005.），特征空间的局部拓扑结构可以映射到标记空间，即特征空间距离相近的点，更有可能具有相似的标记，则构建平滑损失函数：
其中，表示第i位患者的患病风险标记，/>为权值矩阵。通过优化权值矩阵，最小化平滑损失函数/>，使得同一患者在疾病标记空间的拓扑关系与在特征空间的保持一致，则可构建患者特征到患病风险的映射：/>。
c）再次，对患者的生命体征信息、其他检查信息等数据进行实时监测，基于长短时记忆网络对时序数据进行分析，构建多层感知机（multi-layer perception, MLP)实现对突发情况预警。模型构建如下：
其中，为激活函数sigmoid，/>为权值矩阵，/>表示将患者特征与LSTM输出的时序特征进行拼接，/>为连续监测的生命体征数据与实验室检查数据，/>输出d维的特征向量，/>为偏置。
采用交叉熵损失优化上述网络：
其中，表示第i个患者的真实风险预警标记，/>为模型预测的风险预警结果。采用adam优化模型，使损失函数最小化，从而实现对实时风险预警。
d) 最后结合患病风险预测与实时风险预警，实现个性化风险预测。
所述智能急救医疗统筹模块用于基于元学习模型的急危重程度评估结果和个性化风险预测结果，急危重程度包括急救分级或急诊分诊的分级结果，以及响应时间，根据响应对急救患者进行统筹安排救治顺序，完成院前院内衔接，优先治疗危急程度高、需即时响应的患者；并提供实时风险预警动态追踪候诊患者的状态，及时调整救治顺序，包括急救统筹安排单元和实时风险预警单元，具体如图5所示。
a) 对于急救患者，首先根据急救分级与响应时间进行统筹急救顺序安排，并根据路程、医院治疗水平等因素决定送往医院，实现急救接送调度。
b) 在送达医院前，对急救患者进行急诊分诊，并联系送往医院做好准备工作，以实现院前院内的良好协调衔接。
c) 根据急救患者的分诊结果、响应时间及预计到达时间，将急救患者插入院内急诊患者的救治顺序队列，合理安排院前与院内患者的救治优先级。
d) 对于急诊患者根据急诊分诊结果安排就诊顺序及送往科室，实现急诊送往调度。
所述实时风险预警单元用于对急救患者与急诊候诊患者的生命体征等数据进行实时监测，即时更新检查检验结果。当发现异常时，及时发出警报并动态修改其救治顺序及送往医院或科室。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (5)
1.一种基于大规模语言模型与元学习的智能急救分级系统，其特征在于，该系统包括信息录入模块、信息分析模块和智能急救医疗统筹模块；
所述信息录入模块用于从多方面获取患者信息，包括语音录入信息、生命体征信息、检查信息和电子病历EHR信息；
所述信息分析模块包括大规模语言模型单元、急危重程度评估模型单元和个性化风险预测单元；
所述大规模语言模型单元用于分析语音录入信息内容，提取患者相关信息；
所述急危重程度评估模型单元用于构建元学习模型，包括元学习器与基学习器；所述元学习模型实现对患者急危重程度评估，通过基学习器分别实现急救分级、急诊分诊与响应时间估计；基学习器基于元学习器参数针对任务进行迭代更新，并将最终结果反馈给元学习器，进行元学习器的参数更新，具体为：采用模型无关法MAML对元学习器与基学习器进行迭代优化；首先从任务分布P(T)中随机采样第i个任务Ti，优化基学习器的目标函数：
其中，是基学习器参数，/>是基学习器在第i个任务Ti上的损失，采用交叉熵损失，迭代更新基学习器参数：
其中，基学习器初始参数由元学习器提供；而在第i个任务Ti上进行N次更新后，并将更新后基学习器的参数/>反馈给元学习器；其中，α为梯度下降步长，/>为梯度；
元学习器的目标函数为：
其目标为最小化所有任务上的损失和；更新元学习器参数θN：
其中，β为梯度下降步长，Ti～P(T)表示采样任务Ti服从任务分布P(T)；
所述个性化风险预测单元用于根据大规模语言模型单元提取的患者相关信息，结合患者的EHR信息获得患者特征，再基于k近邻算法构建患者相似图模型，建立患者特征到患病风险的映射模型，实现患者的患病风险预测；对患者的生命体征信息、检查信息进行实时监测，基于长短时记忆网络构建实时风险预警模型；结合患病风险预测与实时风险预警实现个性化风险预测；
所述智能急救医疗统筹模块用于根据急危重程度评估结果，统筹安排救治顺序，并对候诊患者进行实时风险预警，及时调整诊疗优先顺序。
2.根据权利要求1所述的一种基于大规模语言模型与元学习的智能急救分级系统，其特征在于，所述信息录入模块包括语音录入单元、生命体征监测单元、检查结果录入单元和EHR信息录入单元；
所述语音录入单元用于获取医护人员与患者或家属的对话信息，获取医生对患者状况的描述信息，并将获取的信息转换为文本信息；
所述生命体征监测单元用于获取患者实时生命体征数据；
所述检查结果录入单元用于获取患者的检查与检验数据，包括实验室检查数据或医学影像数据；
所述EHR信息录入单元用于查询EHR系统中患者数据，包括患者信息和诊疗记录。
3.根据权利要求1所述的一种基于大规模语言模型与元学习的智能急救分级系统，其特征在于，所述大规模语言模型单元采集急救医学指南、医学理论知识以及急救对话数据集，训练优化模型提取语音信息内容。
4.根据权利要求1所述的一种基于大规模语言模型与元学习的智能急救分级系统，其特征在于，大规模语言模型单元提取的患者相关信息包括患者症状、主诉、发病时间和精神状态。
5.根据权利要求1所述的一种基于大规模语言模型与元学习的智能急救分级系统，其特征在于，所述智能急救医疗统筹模块包括急救统筹安排单元和实时风险预警单元：
所述急救统筹安排单元用于基于患者的急危重程度与个性化风险预测结果，根据响应对急救患者进行统筹安排，实现院前院内衔接；
所述实时风险预警单元用于对候诊患者的生命体征数据进行实时监测，即时更新检查检验结果，并进行实时风险预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311164847.9A CN116895372B (zh) | 2023-09-11 | 2023-09-11 | 一种基于大规模语言模型与元学习的智能急救分级系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311164847.9A CN116895372B (zh) | 2023-09-11 | 2023-09-11 | 一种基于大规模语言模型与元学习的智能急救分级系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116895372A CN116895372A (zh) | 2023-10-17 |
| CN116895372B true CN116895372B (zh) | 2024-02-09 |
Family
ID=88311135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311164847.9A Active CN116895372B (zh) | 2023-09-11 | 2023-09-11 | 一种基于大规模语言模型与元学习的智能急救分级系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116895372B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238467A (zh) * | 2023-11-16 | 2023-12-15 | 胜利油田中心医院 | 一种用于急诊的智能化医技检查预约方法 |
| CN117423424B (zh) * | 2023-12-19 | 2024-02-23 | 天津市泰达医院 | 基于数据分析的急诊电子病历信息分类管理系统 |
| CN117936054B (zh) * | 2024-03-25 | 2024-05-17 | 四川互慧软件有限公司 | 一种基于大数据的急诊急救质控指标灵活展示统计方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008186490A (ja) * | 2008-04-18 | 2008-08-14 | Setsuya Yamazaki | 知的財産権の評価・活用・流通促進システム |
| CN106462817A (zh) * | 2015-07-23 | 2017-02-22 | 深圳循证医学信息技术有限公司 | 一种急救分级优先调度方法及装置 |
| KR20170140860A (ko) * | 2016-06-14 | 2017-12-22 | 가천대학교 산학협력단 | 한국어 음성인식기술을 이용한 응급상황관제 시스템 및 관제방법 |
| CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
| KR20210135829A (ko) * | 2020-05-06 | 2021-11-16 | 송형석 | 인공지능 기반의 의료 지원 서비스 제공장치 및 방법 |
| CN114078592A (zh) * | 2021-11-23 | 2022-02-22 | 韩雪峰 | 一种急诊分诊智慧医疗系统 |
| WO2022145782A2 (ko) * | 2020-12-29 | 2022-07-07 | 주식회사 코스모스메딕 | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 |
| CN116595131A (zh) * | 2023-03-23 | 2023-08-15 | 中国科学院自动化研究所 | 使用大型语言模型进行医疗问答的方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230060252A1 (en) * | 2019-02-01 | 2023-03-02 | System Inc. | Systems and Methods for Organizing, Finding, and Using Data |
| US11908132B2 (en) * | 2020-05-02 | 2024-02-20 | Blaize, Inc. | Method and systems for predicting medical conditions and forecasting rate of infection of medical conditions via artificial intelligence models using graph stream processors |
-
2023
- 2023-09-11 CN CN202311164847.9A patent/CN116895372B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008186490A (ja) * | 2008-04-18 | 2008-08-14 | Setsuya Yamazaki | 知的財産権の評価・活用・流通促進システム |
| CN106462817A (zh) * | 2015-07-23 | 2017-02-22 | 深圳循证医学信息技术有限公司 | 一种急救分级优先调度方法及装置 |
| KR20170140860A (ko) * | 2016-06-14 | 2017-12-22 | 가천대학교 산학협력단 | 한국어 음성인식기술을 이용한 응급상황관제 시스템 및 관제방법 |
| CN110249392A (zh) * | 2018-08-20 | 2019-09-17 | 深圳市全息医疗科技有限公司 | 智能辅助诊疗系统及方法 |
| KR20210135829A (ko) * | 2020-05-06 | 2021-11-16 | 송형석 | 인공지능 기반의 의료 지원 서비스 제공장치 및 방법 |
| WO2022145782A2 (ko) * | 2020-12-29 | 2022-07-07 | 주식회사 코스모스메딕 | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 |
| CN114078592A (zh) * | 2021-11-23 | 2022-02-22 | 韩雪峰 | 一种急诊分诊智慧医疗系统 |
| CN116595131A (zh) * | 2023-03-23 | 2023-08-15 | 中国科学院自动化研究所 | 使用大型语言模型进行医疗问答的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116895372A (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116895372B (zh) | 一种基于大规模语言模型与元学习的智能急救分级系统 | |
| CN107436993B (zh) | 建立icu患者病情评估模型的方法和服务器 | |
| JP4819314B2 (ja) | 診断情報システム | |
| CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
| CN111899837A (zh) | 一种基于数字化手术室的手术报告协同方法及系统 | |
| KR102479692B1 (ko) | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 | |
| CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| US20230053474A1 (en) | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology | |
| CN114242259A (zh) | 高龄流感病情预测系统、程序产品及其建立与使用方法 | |
| CN111710408A (zh) | 创伤急救智能决策系统及方法 | |
| CN117253580A (zh) | 一种自动化患者监测护理系统、方法以及装置 | |
| CN116825337A (zh) | 患者安全护理预警系统 | |
| Vasiliki Diamantidou | An Artificial Intelligence Based Application for Triage Nurses in Emergency Department, Using the Emergency Severity Index Protocol | |
| CN113140315B (zh) | 一种健康自测系统、服务器及健康检测系统 | |
| US20220122700A1 (en) | Predictive Electronic Healthcare Record Systems and Methods for the Developing World | |
| Portela et al. | Pervasive real-time intelligent system for tracking critical events with intensive care patients | |
| CN110910980A (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| Dey et al. | Patient Health Observation and Analysis with Machine Learning and IoT Based in Realtime Environment | |
| WO2024014840A1 (ko) | 심전도에 기반하여 응급 환자의 이송 서비스 및 입원 환자의 모니터링을 제공하는 방법, 프로그램 및 장치 | |
| Imperato et al. | Can an emergency department clinical “triggers” program based on abnormal vital signs improve patient outcomes? | |
| CN117542498B (zh) | 一种基于大数据分析的妇科护理管理系统及方法 | |
| Baird et al. | Triage Acuity Tools | |
| CN117379009B (zh) | 一种社区老年人群心脑血管急危重症预警监测系统 |
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 |