CN116978570A - 一种在线实时患者危重程度评估及生命体征参数预测系统 - Google Patents

Abstract

本发明公开了一种在线实时患者危重程度评估及生命体征参数预测系统，包括：患者生命体征参数获取模块；患者生理状态特征获取模块；采样实例获取模块，用于根据患者生理状态特征获取人体状态统计分布参数，配置累积测量权重，根据人体状态统计分布参数和累积测量权重获取当前的人体累积状态统计分布，对当前的人体累积状态统计分布进行采样，得到采样实例；死亡风险预测模块，用于获取患者死亡风险分布，患者死亡风险分布通过死亡率在每一区间的发生概率以及每一区间的期望死亡率表示；将死亡率在每一区间的发生概率与每一区间的期望死亡率的乘积之和作为当前患者的期望死亡率；将死亡率大于高死亡概率阈值的发生概率之和作为高死亡发生概率。

Description

一种在线实时患者危重程度评估及生命体征参数预测系统

技术领域

本发明属于医疗健康信息技术领域，尤其涉及一种在线实时患者危重程度评估及生命体征参数预测系统。

背景技术

死亡率是目前死亡风险评估最常用的指标，但是单纯的死亡率作为死亡风险评价指标并不全面，例如潜在猝死风险人群的死亡风险应包括引发猝死的疾病发生概率以及该疾病的死亡率两个方面。

其次，当前现有的死亡率预测手段多是基于患者进入ICU后一段时间内（一般为24小时或48小时）的监测数据进行一次死亡率预测，然而患者的生命体征是处于实时变化的，该方法并不能实时动态的反应患者的实际死亡风险。

再者，当前实时死亡率预测的方法在训练中将患者的任意时间的生存状况都以最终存活情况作为标签，但是在临床实际中患者的生理状态是动态实时变化的，最终的存活与否并不意味着患者之前的死亡风险都是固定不变的。

此外临床中由于采样周期等因素往往会出现临床数据缺失，现有的方法往往采用插值的方法对缺失数据做填充，再通过神经网络模型预测死亡率。但是在临床实际中患者的生理状态并不是平稳的，插值产生的数据不可避免的会和实际真实情况存在偏差，导致预测结果不准确。

发明内容

有鉴于此，本发明提供了一种在线实时患者危重程度评估及生命体征参数预测系统。

第一方面，本发明实施例提供了一种在线实时患者危重程度评估及生命体征参数预测系统，所述系统包括：

患者生命体征参数获取模块，用于实时采集患者生命体征参数；

患者生理状态特征获取模块，用于根据采集的患者生命体征参数设置第一患者生命体征参数，对第一患者生命体征参数特征进行特征提取得到患者生理状态特征；

采样实例获取模块，用于根据患者生理状态特征获取人体状态统计分布参数，配置累积测量权重，根据人体状态统计分布参数和累积测量权重获取当前的人体累积状态统计分布，对当前的人体累积状态统计分布进行采样，得到采样实例；

死亡风险预测模块，通过对各采样实例评估死亡率并进行分段统计得到患者死亡风险分布，患者死亡风险分布通过死亡率在每一区间的发生概率以及每一区间的期望死亡率表示；将死亡率在每一区间的发生概率与每一区间的期望死亡率的乘积之和作为当前患者的期望死亡率；设置高死亡概率阈值，将死亡率大于高死亡概率阈值的发生概率之和作为高死亡发生概率。

第二方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的一种在线实时患者危重程度评估及生命体征参数预测系统。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的一种在线实时患者危重程度评估及生命体征参数预测系统。

与现有技术相比，本发明的有益效果为：

1、本发明通过实时采集患者生命体征参数，可以在线实时评估患者死亡风险。

2、本发明通过对各采样实例评估死亡率并进行分段统计得到患者死亡风险分布，根据患者死亡风险分布得到当前患者的期望死亡率以及高死亡发生概率。本发明考虑到在临床实际中患者的生理状态是动态实时变化的，最终的存活与否并不意味着患者之前的死亡风险都是固定不变的。通过患者死亡风险分布得到的期望死亡率及高死亡发生概率可以评估患者实时的死亡风险。

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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种患者危重程度评估及生命体征参数预测系统的示意图；

图2为本发明实施例提供的患者生理状态特征获取模块的示意图；

图3为本发明实施例提供的采样实例获取模块的示意图；

图4为本发明实施例提供的患者死亡风险分布的示意图；

图5为本发明实施例提供的一种电子设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。

如图1所示，本发明实施例提供了一种在线实时患者危重程度评估及生命体征参数预测系统，所述系统包括：

患者生命体征参数获取模块，用于实时采集患者生命体征参数，并获取患者生命体征参数测量标识和患者生命体征参数统计向量。

所述患者生命体征参数包括但不限于心率HR、血氧饱和度SpO2、呼吸率RespR、体温Temp、收缩压Syst、舒张压Dias、平均压Mean等。

其中，如图2所示，获取患者生命体征参数测量标识和患者生命体征参数统计向量包括：获取前m时间段内各生命体征参数的测量标识，在本实例中m取1小时。在测量时间段内判断患者生命体征参数是否被测量，当患者生命体征参数没有被测量，则将患者生命体征参数对应的测量标识记为0；当患者生命体征参数被测量，则将患者生命体征参数对应的测量标识记为1。

记生命体征参数的测量标识M=[M_HR,M_SpO2,M_RespR,M_Temp,M_Syst,M_Dias,M_Mean]。

式中，M_HR为心率HR对应的测量标识，M_SpO2为血氧饱和度SpO2对应的测量标识，M_RespR为呼吸率RespR对应的测量标识，M_Temp为体温Temp对应的测量标识，M_Syst为收缩压Syst对应的测量标识，M_Dias为舒张压Dias对应的测量标识，M_Mean为平均压Mean对应的测量标识。

其中，所述统计向量包括平均值、标准差、最大值和最小值。

具体地，记患者生命体征参数统计向量V=[V_HR,V_SpO2,V_RespR,V_Temp,V_Syst,V_Dias,V_Mean]。

式中，V_HR为心率HR对应的统计向量，V_SpO2为血氧饱和度SpO2对应的统计向量，V_RespR为呼吸率RespR对应的统计向量，V_Temp为体温Temp对应的统计向量，V_Syst为收缩压Syst对应的统计向量，V_Dias为舒张压Dias对应的统计向量，V_Mean为平均压Mean对应的统计向量。

进一步地，当患者生命体征参数没有被测量，患者生命体征参数对应的测量标识为0时，该患者生命体征参数对应的统计向量记为默认值[-1,-1,-1,-1]。

进一步地，当患者生命体征参数被测量，获取患者生命体征参数对应的统计向量包括：当患者生命体征参数被测量，患者生命体征参数对应的测量标识为1时，先对患者生命体征参数进行截断归一化处理，再计算归一化后的患者生命体征参数对应的统计向量[平均值,标准差,最大值,最小值]。

进一步地，对患者生命体征参数进行截断归一化处理包括：

根据各患者生命体征参数的极限取值范围对各患者生命体征参数的测量值进行饱和截断，若患者生命体征参数的测量值大于该患者生命体征参数的最大极限值，则将该测量值设置为最大极限值；若患者生命体征参数的测量值小于该患者生命体征参数的最小极限值，则将该测量值设置为最小极限值。

需要说明的是，心率HR的极限取值范围可为0—300次/分钟，血氧饱和度SpO2的极限取值范围可为0—100%，呼吸率RespR的极限取值范围可为0—50次/分钟，体温Temp的极限取值范围可为0—50℃，收缩压Syst的极限取值范围可为0—200mmHg，舒张压Dias的极限取值范围为0—200 mmHg，平均压Mean的极限取值范围为0—200 mmHg。

然后再进行归一化，公式如下：

式中，为归一化后的患者生命体征参数，X为患者生命体征参数的测量值， _LowerLimit为患者生命体征参数的最小极限值， _UpperLimit为患者生命体征参数的最大极限值。

患者生理状态特征获取模块，用于根据采集的患者生命体征参数设置第一患者生命体征参数，对第一患者生命体征参数特征进行特征提取得到患者生理状态特征；

其中，根据采集的患者生命体征参数设置第一患者生命体征参数具体包括：对每一患者生命体征参数测量标识与对应的第二患者生命体征参数特征的乘积之和并进行归一化缩放得到第一患者生命体征参数特征，所述第二患者生命体征参数特征通过对患者生命体征参数统计向量进行特征提取得到。

具体地，将第二患者生命体征参数特征记为E=[E_HR,E_SpO2,E_RespR,E_Temp,E_Syst,E_Dias,E_Mean]。

式中，E_HR为心率HR对应的高维嵌入特征，E_SpO2为血氧饱和度SpO2对应的高维嵌入特征，E_RespR为呼吸率RespR对应的高维嵌入特征，E_Temp为体温Temp对应的高维嵌入特征，E_Syst为收缩压Syst对应的高维嵌入特征，E_Dias为舒张压Dias对应的高维嵌入特征，E_Mean为平均压Mean对应的高维嵌入特征。

在本实例中，通过特征提取网络（在本实例中，采用卷积神经网络）对患者生命体征参数统计向量V进行特征提取，得到第二患者生命体征参数特征（即患者生命体征参数高维嵌入特征）。表达式如下：

E_HR=sigmoid(W_HR×V_HR+b_HR)

E_SpO2=sigmoid(W_SpO2×V_SpO2+b_SpO2)

E_RespR=sigmoid(W_RespR×V_RespR+b_RespR)

E_Temp=sigmoid(W_Temp×V_Temp+b_Temp)

E_Syst=sigmoid(W_Syst×V_Syst+b_Syst)

E_Dias=sigmoid(W_Dias×V_Dias+b_Dias)

E_Mean=sigmoid(W_Mean×V_Mean+b_Mean)

式中，W_HR、W_SpO2、W_RespR、W_Temp、W_Syst、W_Dias、W_Mean为连接权重，b_HR、b_SpO2、b_RespR、b_Temp、b_Syst、b_Dias、b_Mean为偏置参数。

对每一患者生命体征参数测量标识与对应的第二患者生命体征参数特征的乘积之和并进行归一化缩放得到第一患者生命体征参数特征，表达式如下：

式中，G为归一化增益，归一化增益G为每一患者生命体征参数测量标识之和的倒数，表达式如下：

G=1/(M_HR+M_SpO2+M_RespR+M_Temp+M_Syst+M_Dias)

需要说明的是，若每一患者生命体征参数测量标识均为0，则归一化增益G为0。

对第一患者生命体征参数特征进行特征提取得到患者生理状态特征S，表达式如下：

式中，W_E为连接权重，b_E为偏置参数。

采样实例获取模块，用于根据患者生理状态特征获取人体状态统计分布参数，配置累积测量权重，根据人体状态统计分布参数和累积测量权重获取当前的人体累积状态统计分布，对当前的人体累积状态统计分布进行采样，得到采样实例。

具体地，如图3所示，首先根据患者生理状态特征S获取人体状态统计分布参数，其中，所述人体状态统计分布参数采用高斯分布，通过高斯分布参数估计网络拟合得到μ_instant和/>，该高斯分布参数估计网络可采用卷积神经网络结构，表达式如下：

μ_instant=W_{μ_instant}×S+b_{μ_instant}

σ_instant=W_{σ_instant}×S+b_{σ_instant}

式中，μ_instant为人体状态统计分布的数学期望，为人体状态统计分布的方差，W_{μ_instant}、W_{σ_instant}为连接权重，b_{μ_instant}、b_{σ_instant}为偏置参数。

配置累积测量权重α，包括：当人体状态统计分布参数为第一次测量时，将累积测量权重α配置为1；否则，通过神经网络（在本实例中采用卷积神经网络）配置累积测量权重，表达式如下：

式中，W_atten为连接权重，b_atten为偏置参数。

估计当前的人体累积状态统计分布参数，其中当前的人体累积状态统计分布可采用高斯分布，表达式如下：

其中，为前一次估计的人体累积状态统计分布参数。

对当前的人体累积状态统计分布采样，表达式如下：

IS_i=u+σ×ε_i，i∈[0,K)

式中，IS_i为采样实例，K为采样实例的个数，ε_i为符合标准正态分布的随机数。

死亡风险预测模块，通过对各采样实例评估死亡率并进行分段统计得到患者死亡风险分布，患者死亡风险分布通过死亡率在每一区间的发生概率以及每一区间的期望死亡率表示；将死亡率在每一区间的发生概率与每一区间的期望死亡率的乘积之和作为当前患者的期望死亡率；设置高死亡概率阈值，将死亡率大于高死亡概率阈值的发生概率之和作为高死亡发生概率。

通过对各采样实例评估死亡率并进行分段统计得到患者死亡风险分布包括：利用卷积神经网络对各采样实例IS_i进行死亡率评估，表达式如下：

y_i=sigmoid(W_IS×IS_i+b_IS)，i∈[0,K)

式中，W_IS为连接权重，b_IS为偏置参数。

对各采样实例死亡率进行分段区间统计，计算各死亡率区间段的实例个数，进而计算各死亡率段发生的概率即患者死亡风险分布。

示例性地，在本实例中，按10%为间隔进行统计，得到患者死亡风险分布，如图4所示，表达式为：

P = [f₀:p₀，f₁:p₁，f₂:p₂，f₃:p₃，f₄:p₄，f₅:p₅，f₆:p₆，f₇:p₇，f₈:p₈，f₉:p₉]；

式中，p₀表示死亡率在0%到10%之间的发生概率，f₀表示该区段的期望死亡率为5%；p₁表示死亡率在10%到20%之间的发生概率，f₁表示该区段的期望死亡率为15%；p₂表示死亡率在20%到30%之间的发生概率，f₂表示该区段的期望死亡率为25%；p₃表示死亡率在30%到40%之间的发生概率，f₃表示该区段的期望死亡率为35%；p₄表示死亡率在40%到50%之间的发生概率，f₄表示该区段的期望死亡率为45%；p₅表示死亡率在50%到60%之间的发生概率，f₅表示该区段的期望死亡率为55%；p₆表示死亡率在60%到70%之间的发生概率，f₆表示该区段的期望死亡率为65%；p₇表示死亡率在70%到80%之间的发生概率，f₇表示该区段的期望死亡率为75%；p₈表示死亡率在80%到90%之间的发生概率，f₈表示该区段的期望死亡率为85%；p₉表示死亡率在90%到100%之间的发生概率，f₉表示该区段的期望死亡率为95%。

计算当前患者的期望死亡率，所述当前患者的期望死亡率为死亡率在每一区间的发生概率与每一区间的期望死亡率的乘积之和，表达式为：

式中，j为间隔区间的个数。

计算高死亡发生概率，包括：设置高死亡概率阈值，将死亡率大于高死亡概率阈值的发生概率之和作为高死亡发生概率。

进一步地，所述死亡风险预测模块还包括：

若当前时间段内存在未测量的患者生命体征参数，则利用卷积神经网络对各采样实例对应的未知的患者生命体征参数统计向量进行预测；表达式如下：

V_{HR_recons_i}=sigmoid(W_{HR_recons}×IS_i+b_{HR_recons})

V_{SpO2_recons_i}=sigmoid(W_{SpO2_recons}×IS_i+b_{SpO2_recons})

V_{RespR_recons_i}=sigmoid(W_{RespR _recons}×IS_i+b_{RespR _recons})

V_{Temp_recons_i}=sigmoid(W_{Temp_recons}×IS_i+b_{Temp_recons})

V_{Syst_recons_i}=sigmoid(W_{Syst_recons}×IS_i+b_{Syst_recons})

V_{Dias_recons_i}=sigmoid(W_{Dias_recons}×IS_i+b_{Dias_recons})

V_{Mean_recons_i}=sigmoid(W_{Mean_recons}×IS_i+b_{Mean_recons})

式中，W_{HR_recons}、W_{SpO2_recons}、W_{RespR_recons}、W_{Temp_recons}、W_{Syst_reconst}、W_{Dias_recons}、W_{Mean_recons}为连接权重，b_{HR_recons}、b_{SpO2_recons}、b_{RespR_recons}、b_{Temp_recons}、b_{Syst_recons}、b_{Dias_recons}、b_{Mean_recons}为偏置参数。

将各实例的未知生命体征统计向量预测值进行平均作为当前时间段未知的患者生命体征统计向量期望值；表达式如下：

V_recons=[V_{HR_recons},V_{SpO2_recons},V_{RespR_recons},V_{Temp_recons},V_{Syst_recons},V_{Dias_recons},V_{Mean_recons}]。

根据患者生命体征参数的极限取值范围、未知的患者生命体征统计向量期望值得到当前时间段内未知的患者生命体征参数期望值。

式中，为未知的患者生命体征参数期望值，X为根据未知的患者生命体征统计向量期望值得到的未知的患者生命体征参数对应的初值，X_LowerLimit为患者生命体征参数的最小极限值，X_UpperLimit为患者生命体征参数的最大极限值。

所述死亡风险预测模块还包括：对高死亡率风险事件进行预警；具体地，包括：

设置期望死亡率阈值，当期望死亡率大于期望死亡率阈值时，触发第一预警信号。

设置高死亡发生概率阈值，当高死亡发生概率大于高死亡发生概率阈值时，触发第二预警信号。示例性地，设置死亡率大于50%的发生概率阈值为30%，计算死亡率大于50%的发生概率为，当死亡率大于50%的发生概率大于30%时，触发第二预警信号。

预测到的未测量的患者生命体征参数统计向量中的平均值超过患者生命体征参数的报警取值范围，触发第三预警信号。在本实例中，所述报警取值范围设置为：心率HR的预设范围可为50—120次/分钟，血氧饱和度SpO2的预设范围可为90—100%，呼吸率RespR的预设范围可为12—20次/分钟，体温Temp的预设范围可为36—37℃，收缩压Syst的预设范围可为90—140mmHg，舒张压Dias的预设范围为60—90 mmHg，平均压Mean的预设范围为70—110 mmHg。

需要说明的是，本发明能够进行更全面的死亡风险预警，包含期望死亡率、高死亡风险发生概率和未知生命体征参数异常。

训练模块，用于构建患者生命体征参数序列样本，设置损失函数，通过损失函数训练患者生理状态特征获取模块、采样实例获取模块和死亡风险预测模块；所述损失函数为死亡率预测损失、生命体征参数重构损失、实例约束损失的加权之和。

具体地，首先建立包含N个ICU患者生命体征参数序列样本，生命体征包括但不限于心率X_HR=[X_{HR_1}，X_{HR_2}，…，X_{HR_T}]，血氧饱和度X_SpO2=[X_{SpO2_1}，X_{SpO2_2}，…，X_{SpO2_T}]，呼吸率X_RespR=[X_{RespR_1}，X_{RespR_2}，…，X_{RespR_T}]，体温X_Temp=[X_{Temp_1}，X_{Temp_2}，…，X_{Temp_T}]，收缩压X_Syst=[X_{Syst_1}，X_{Syst_2}，…，X_{Syst_T}]，舒张压X_Dias=[X_{Dias_1}，X_{Dias_2}，…，X_{Dias_T}]，平均压X_Mean=[X_{Mean_1}，X_{Mean_2}，…，X_{Mean_T}]。

对任一患者，以m时间(1小时)为时间间隔将该患者的各生命体征序列分为T段，计 算各时间段内各生命体征参数的测量标识M_{n_t}及统计值向量V_{n_t}，K个采样实例IS_{n_t_i}，各实 例IS_{n_t_i}的死亡率y_{n_t_i}，该时间段的患者的期望死亡率及生命体征参数统计向量期望 V_{n_recons_t}。

其中，死亡率预测损失根据死亡风险预测模块得到的各采样实例的死亡率以及对应的死亡率标签得到；表达式如下：

式中，为该实例的死亡率标签，该死亡率标签定义为：

需要说明的是，本发明考虑到在临床实际中患者的生理状态是动态实时变化的，最终的存活与否并不意味着患者之前的死亡风险都是固定不变的。因此对各时间段内采用非固定的死亡与否标记。

生命体征参数重构损失根据患者生命体征参数获取模块得到的患者生命体征参数测量标识和患者生命体征参数统计向量、死亡风险预测模块得到的未知的患者生命体征统计向量期望值得到；表达式如下：

实例约束损失根据采样实例获取模块得到的采样实例以及对应的采样实例的期望分布得到；表达式如下：

式中，g(IS_{n_t_i})为采样实例IS_{n_t_i}的期望分布。

所述采样实例的期望分布为：当采样实例处于采样分布约束范围内，采样实例的期望等于采样实例；当采样实例大于采样分布约束范围上限，采样实例的期望为第一系数与采样实例的乘积，且第一系数小于1；当采样实例小于采样分布约束范围下限，采样实例的期望为第二系数与采样实例的乘积，且第二系数大于1。

在本实例中，将采样实例IS_{n_t_i}的期望分布g(IS_{n_t_i})定义为：

式中，Uplimit(t)为采样分布约束范围上限，Lowlimit(t)为采样分布约束范围下限，t表示表示距离死亡的时间。

其中，对于存活的患者样本，采样分布约束范围上限设置为第一预设值，采样分布约束范围下限设置为第二预设值，在本实例中采样分布约束范围上限设置为1，采样分布约束范围下限设置为0；对于死亡的患者样本，采样分布约束范围上限和采样分布约束范围下限根据距离死亡的时间进行设置。

在本实例中，采样分布约束范围上限和采样分布约束范围下限根据距离死亡的时间定义为：

所述损失函数为死亡率预测损失、生命体征参数重构损失、实例约束损失的加权之和，表达式如下：

L(x₁,x₂,…,x_n│θ)=ω₀×L₀(x₁,x₂,…,x_n│θ)+ω₁×L₁(x₁,x₂,…,x_n│θ)+ω₂×L₂(x₁,x₂,…,x_n│θ)

式中，ω₀、ω₁、ω₂为权重系数，该权重系数可定义为1/3，也可通过网格搜索获取最优值。

与前述一种在线实时患者危重程度评估及生命体征参数预测系统的实施例相对应，本发明还提供了一种电子设备的实施例。

参见图5，本发明实施例提供的一种电子设备，包括一个或多个处理器，用于实现上述实施例中的一种在线实时患者危重程度评估及生命体征参数预测系统。

本发明电子设备的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明电子设备所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种在线实时患者危重程度评估及生命体征参数预测系统。

所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (10)

1.一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，所述系统包括：

患者生命体征参数获取模块，用于实时采集患者生命体征参数；

患者生理状态特征获取模块，用于根据采集的患者生命体征参数设置第一患者生命体征参数，对第一患者生命体征参数特征进行特征提取得到患者生理状态特征；

采样实例获取模块，用于根据患者生理状态特征获取人体状态统计分布参数，配置累积测量权重，根据人体状态统计分布参数和累积测量权重获取当前的人体累积状态统计分布，对当前的人体累积状态统计分布进行采样，得到采样实例；

死亡风险预测模块，通过对各采样实例评估死亡率并进行分段统计得到患者死亡风险分布，患者死亡风险分布通过死亡率在每一区间的发生概率以及每一区间的期望死亡率表示；将死亡率在每一区间的发生概率与每一区间的期望死亡率的乘积之和作为当前患者的期望死亡率；设置高死亡概率阈值，将死亡率大于高死亡概率阈值的发生概率之和作为高死亡发生概率。

2.根据权利要求1所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，所述患者生命体征参数包括：心率、血氧饱和度、呼吸率、体温、收缩压、舒张压、平均压。

3.根据权利要求1所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，所述患者生命体征参数获取模块还包括：获取患者生命体征参数测量标识和患者生命体征参数统计向量；

所述患者生理状态特征获取模块还包括：对每一患者生命体征参数测量标识与对应的第二患者生命体征参数特征的乘积之和并进行归一化缩放得到第一患者生命体征参数特征；所述第二患者生命体征参数特征通过对患者生命体征参数统计向量进行特征提取得到。

4.根据权利要求3所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，获取患者生命体征参数测量标识和患者生命体征参数统计向量包括：

当患者生命体征参数没有被测量时，则将患者生命体征参数对应的测量标识记为0，统计向量设置为默认值；

当患者生命体征参数被测量时，则将患者生命体征参数对应的测量标识记为1；先对患者生命体征参数进行截断归一化处理，再计算截断归一化后的患者生命体征参数对应的统计向量，所述统计向量为[平均值, 标准差, 最大值, 最小值]；

其中，对患者生命体征参数进行截断归一化处理包括：根据各患者生命体征参数的极限取值范围对各患者生命体征参数的测量值进行饱和截断，若患者生命体征参数的测量值大于患者生命体征参数的最大极限值，则将患者生命体征参数的测量值设置为最大极限值；若患者生命体征参数的测量值小于患者生命体征参数的最小极限值，则将患者生命体征参数的测量值设置为最小极限值。

5.根据权利要求1所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，根据患者生理状态特征获取人体状态统计分布参数，配置累积测量权重，根据人体状态统计分布参数和累积测量权重获取当前的人体累积状态统计分布，对当前的人体累积状态统计分布进行采样，得到采样实例包括：

通过高斯分布参数估计网络对生理状态特征进行拟合，得到人体状态统计分布参数；

当人体状态统计分布参数为第一次测量时，将累积测量权重配置为1；否则，通过神经网络配置累积测量权重；

根据人体状态统计分布参数、累积测量权重、前一次估计的人体累积状态统计分布获取当前的人体累积状态统计分布；

预设采样实例的个数，对当前的人体累积状态统计分布进行采样，得到采样实例。

6.根据权利要求1所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，所述死亡风险预测模块还包括：

若当前时间段内存在未测量的患者生命体征参数，则对各采样实例对应的未知的患者生命体征参数统计向量进行预测；

将各实例的未知生命体征统计向量预测值进行平均作为当前时间段未知的患者生命体征统计向量期望值；

根据患者生命体征参数的极限取值范围、未知的患者生命体征统计向量期望值得到当前时间段内未知的患者生命体征参数期望值。

7.根据权利要求1所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，所述系统还包括：

训练模块，用于设置损失函数，通过损失函数训练患者生理状态特征获取模块、采样实例获取模块和死亡风险预测模块；所述损失函数为死亡率预测损失、生命体征参数重构损失、实例约束损失的加权之和；

其中，死亡率预测损失根据死亡风险预测模块得到的各采样实例的死亡率以及对应的死亡率标签得到；

生命体征参数重构损失根据患者生命体征参数获取模块得到的患者生命体征参数测量标识和患者生命体征参数统计向量、死亡风险预测模块得到的未知的患者生命体征统计向量期望值得到；

实例约束损失根据采样实例获取模块得到的采样实例以及对应的采样实例的期望分布得到。

8.根据权利要求7所述的一种在线实时患者危重程度评估及生命体征参数预测系统，其特征在于，所述采样实例的期望分布为：

当采样实例处于采样分布约束范围内，采样实例的期望等于采样实例；

当采样实例大于采样分布约束范围上限，采样实例的期望为第一系数与采样实例的乘积，且第一系数小于1；

当采样实例小于采样分布约束范围下限，采样实例的期望为第二系数与采样实例的乘积，且第二系数大于1；

其中，对于存活的患者样本，采样分布约束范围上限设置为第一预设值，采样分布约束范围下限设置为第二预设值；对于死亡的患者样本，采样分布约束范围上限和采样分布约束范围下限根据距离死亡的时间进行设置。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-8任一项所述的一种在线实时患者危重程度评估及生命体征参数预测系统。

10.一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，所述程序被处理器执行时实现如权利要求1-8中任一所述的一种在线实时患者危重程度评估及生命体征参数预测系统。