CN117198543A - 创伤复苏单元并发症预测模型训练、预测方法和电子设备 - Google Patents
创伤复苏单元并发症预测模型训练、预测方法和电子设备 Download PDFInfo
- Publication number
- CN117198543A CN117198543A CN202311205926.XA CN202311205926A CN117198543A CN 117198543 A CN117198543 A CN 117198543A CN 202311205926 A CN202311205926 A CN 202311205926A CN 117198543 A CN117198543 A CN 117198543A
- Authority
- CN
- China
- Prior art keywords
- event
- wound
- complications
- treatment
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000011282 treatment Methods 0.000 claims abstract description 143
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000009825 accumulation Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 208000027418 Wounds and injury Diseases 0.000 claims description 94
- 206010052428 Wound Diseases 0.000 claims description 91
- 208000014674 injury Diseases 0.000 claims description 40
- 238000011084 recovery Methods 0.000 claims description 39
- 230000008733 trauma Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000002265 prevention Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 35
- 230000008859 change Effects 0.000 description 16
- 238000002627 tracheal intubation Methods 0.000 description 8
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 208000010444 Acidosis Diseases 0.000 description 4
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 4
- 230000007950 acidosis Effects 0.000 description 4
- 208000026545 acidosis disease Diseases 0.000 description 4
- 239000007853 buffer solution Substances 0.000 description 4
- 208000000884 Airway Obstruction Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 208000028399 Critical Illness Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 description 1
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- 208000004221 Multiple Trauma Diseases 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 108090000190 Thrombin Proteins 0.000 description 1
- 108010000499 Thromboplastin Proteins 0.000 description 1
- 102000002262 Thromboplastin Human genes 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000035602 clotting Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012335 pathological evaluation Methods 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 229960004072 thrombin Drugs 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Percussion Or Vibration Massage (AREA)
Abstract
本申请实施例提供一种创伤复苏单元并发症预测模型训练方法、预测方法和电子设备，训练方法包括：获取标注并发症的第一历史数据集，第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；采用特征提取层提取动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；采用第一特征分析层提取第一关键体征特征的时间累计信息；采用第二特征分析层提取第一关键体征特征与关键救治事件特征之间的依赖关系特征；将时间累计信息和依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。以在创伤复苏单元实时救治时，能够准确的实时的预测并发症发生的概率。
Description
技术领域
本发明涉及医疗救治技术领域，具体涉及一种创伤复苏单元并发症预测模型训练、预测方法和电子设备。
背景技术
创伤复苏单元通常位于急诊医学科内部，指在创伤中心内专用于严重创伤患者早期评估和救治的场所；创伤复苏单元的能力建设依据高级创伤生命支持的核心理念，需要满足“ABCDE”系统性复苏流程中所需要或者可能执行的救治措施，以便达到所预期的救治效果创伤复苏单元以救治严重创伤为主要目的，故除了具备二次评估能力外，还应具备严重创伤救治，尤其是大出血控制与复苏、气道管理和张力性气胸等可预防性死亡损伤的救治能力。
通常创伤复苏单元是一个工作高度紧张的场所，工作效率显得极为重要，在进行救治时，往往基于病人的病情和初步评估结果，针对性的设定救治流程，结构化拆解的复苏单元内业务流程，引导复苏团队成员完成患者在复苏单元的全流程救治。
由于复苏单元中往往是危重病人，而危重病人发生并发症的概率较大，因此，在进行复苏过程中需要实时关注病人的并发症情况，以便能够实现早期预警防止出现威胁生命的严重并发症发生。
因此，如何在创伤复苏单元中较为准确的预测并发症以提前预警成为亟待解决的技术问题。
发明内容
本申请实施例提供一种创伤复苏单元并发症预测模型训练、预测方法和电子设备，以至少解决相关技术中存在的如何在创伤复苏单元中较为准确的预测并发症以提前预警的技术问题。
在本申请实施例中，提供一种创伤复苏单元并发症预测模型训练方法，所述并发症预测模型包括特征提取层、第一特征分析层和第二特征分析层以及融合预测层，所述训练方法包括：获取标注并发症的第一历史数据集，所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；采用第一特征分析层提取所述第一关键体征特征的时间累计信息；采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征；将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。
可选地，采用第一特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征包括：获取实际救治事件与预设救治事件之间的偏差事件，所述预设救治事件基于复苏人员的初始评估结果和初始创伤信息确定；分别获取发生所述偏差事件之前的所述第一关键体征特征的第一特征时间序列和发生所述偏差事件之后的所述第一关键体征特征的第二特征时间序列；利用注意力机制提取所述第一特征时间序列、第二特征时间序列和所述偏差事件的加权权重，以获取所述依赖关系。
可选地，创伤复苏单元并发症预测模型训练方法还包括：提取所述初始创伤信息中的第二关键体征特征；基于所述注意力机制提取所述第二关键体征特征、第一特征时间序列、第二特征时间序列和所述偏差事件的加权权重。
可选地，所述获取实际救治事件与预设救治事件之间的偏差事件包括：获取所述实际救治事件与所述预设救治事件之间偏差度大于预设偏差度的救治子事件；计算所述救治子事件与所述并发症的关联程度，所述关联程度基于所述救治子事件与用于预防所述并发症发生而采用的对应的预设预防救治事件的第一相似度和/或所述救治子事件与导致出现并发症的预设失误操作子事件的第二相似度确定；在关联程度大于预设关联程度时，将所述救治子事件作为所述偏差事件。
可选地，所述并发症预测模型包括具有两个分支的孪生网络模型，且两个分支的输出端具有相似度度量层，其中，每一分支包括特征提取层，第一特征分析层，第二特征分析层和融合预测层；所述训练方法还包括：基于所述偏差事件对所述第一历史数据集进行筛选，得到存在所述偏差事件的历史数据子集，作为第一样本；获取包含所述偏差事件且未发生并发症的第二历史数据集，作为第二样本；分别将所述第一样本和所述第二样本输入至所述并发症预测模型，最小化所述第一样本和所述第二样本中的特征相似度，在所述相似度度量层中最大化第一样本中的特征相似度，以及最大化第二样本中的特征相似度，并且最小化第一样本和第二样本之间的特征相似度，直至并发症预测模型收敛。
可选地，所述模型训练方法适用于创伤复苏系统，所述创伤复苏系统包括服务器和与所述服务器通信的多个创伤复苏单元端，所述模型训练方法适用于所述创伤复苏单元端，所述训练方法还包括：所述创伤复苏单元端向所述服务器上传所述并发症预测模型的模型参数；所述创伤复苏单元端接收服务器下发的模型聚合参数，所述模型聚合参数为服务器基于多个所述创伤复苏单元端上传的模型参数进行聚合得到；所述创伤复苏单元端基于所述模型聚合参数对本地的所述并发症预测模型进行更新。
可选地，所述创伤复苏单元端向所述服务器上传所述并发症预测模型的模型参数时，还向所述服务器上传所述第一历史数据集的数量信息；在所述服务器对所述模型参数聚合时，基于所述数量信息调整所述模型参数的聚合权重。
根据地第二方面，本申请实施例提供了一种创伤复苏单元并发症预测方法，包括：获取待复苏人员在所述创伤复苏单元中的动态体征数据和实际救治事件；将所述动态体征数据和所述实际救治事件输入至采用上述的第一方面任意一项所述的创伤复苏单元并发症预测模型训练方法训练好的并发症预测模型，得到并发症预测结果。
可选地，创伤复苏单元并发症预测方法还包括：获取待复苏人员的初始创伤信息；提取所述初始创伤信息中的初始关键体征数据；将所述初始关键体征数据、所述动态体征数据和实际救治事件输入所述并发症预测模型，得到并发症预测结果。
根据第二方面，本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述第一方面中任一项所述的创伤复苏单元并发症预测模型训练方法和/或上述第二方面所述的创伤复苏单元并发症预测方法。
本申请的有益效果在于：
本申请实施例提供的创伤复苏单元并发症预测模型训练方法中，获取标注并发症的第一历史数据集，所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；采用第一特征分析层提取所述第一关键体征特征的时间累计信息；采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征；将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。创伤复苏单元中并发症发生概率较高，而且发生快速，因此，需要实时关注救治过程中的动态体征的时间累计效应和医护人员的操作时间，以及动态体征和医护人员的操作事件之间的动态，并需要及时基于这些实时表现出来的特征对并发症进行实时预测，因此，在本申请中，在与并发症相关的第一关键体征特征和关键救治事件特征中提取的时间累计信息和依赖特征关系对模型进行训练，以得到能够对创伤复苏单元中的并发症进行实时预测的并发症预测模型，在进行实际救治时，将实际救治过程中的实时的动态体征和实际救治事件输入到并发症预测模型，自动提取时间累计信息和依赖关系特征，并进行实时预测，可以尽早的为医护人员提供并发症发生的概率，以指导医护人员实际救治流程。减小创伤复苏单元救治过程中的并发症发生概率，提升救治效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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作简单地介绍，显而易见地，对于本领域普通技术人员而言，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是根据本申请实施例提供的一种并发症预测模型的模型结构的示意图；
图2是根据本申请实施例提供的一种创伤复苏单元并发症预测模型训练方法的流程示意图；
图3是根据本申请实施例提供的另一种创伤复苏单元并发症预测模型训练方法的流程示意图；
图4是根据本申请实施例提供的另一种并发症预测模型的模型结构的示意图；
图5是根据本申请实施例提供的联合学习构建示意图；
图6是根据本申请实施例提供的创伤复苏单元并发症预测方法的流程示意图；
图7是根据本申请实施例提供的创伤复苏单元并发症预测模型训练装置的示意图；
图8是本申请实施例提供的一种电子设备的模块化示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种创伤复苏单元并发症预测模型训练方法，如图1所示，预测模型的结构可以包括特征提取层，第一特征分析层和第二特征分析层以及融合预测层。如图2所示，该并发症模型训练方法包括以下步骤：
S10.获取标注并发症的第一历史数据集。所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件。
作为示例性的实施例，进入创伤复苏单元的待复苏人员往往是危重创伤病人，而危重创伤的救治与常规手术不同，创伤危重病人可能随时出现病情恶化，甚至出现严重并发症。通常，常规手术并发症的预测往往基础病理评价和实时术后护理评价对并发症进行预测，即通过病人在术前的病理信息和术后恢复状态对其并发症进行预测，然而，常规的并发症预测无法满足创伤复苏单元中随时可能发生并发症的预测，因此，在本实施例中，采用待复苏人员在救治过程中的动态体征数据和实际救治过程中的实际救治事件对创伤复苏单元救治过程中的并发症发生概率就行预测，以便医护人员能够实时调整救治策略。
作为示例性的实施例，动态体征数据可以包括在自发生创伤之后至当前救治阶段的实时动态数据，其包括初始创伤信息和实施救治过程中的体征变化数据。示例性的，初始创伤信息可以为院前救护车端采集的，也可以为待复苏人员在进入创伤复苏单元之前，通过检查和问询的方式获取到。示例性的，初始创伤信息可以为包括：初始创伤信息可以为：(1)生命体征：心率：110次/分，血压：85/51mmHg，血氧：93％，呼吸：36次/分；(2)待复苏人员信息：GCS评分：3分；(3)受伤部位：头部和胸腹部。
在本实施例中，在复苏单元中还通过初始创伤信息确定初始评估结果，并基于初始评估结果和初始创伤信息确定预设救治事件。该预设救治事件作为医护人员实施救治的指导救治方案，可以包括操作—设备关系，疾病——设备和操作关系，创伤级别/疾病——设备和操作关系，创伤级别/疾病—药品关系。
在创伤复苏单元中，由于病人的病情较为复杂，因此，在实际救治过程中，其体征可能会出现变化，并且，医护人员的操作可能与预设操作不一致，而体征变化和医护人员的操作变化都可能导致并发症的发生，因此，在本实施例中，采集的训练样本集可以为历史中复苏人员在救治过程中的动态体征数据和实际救治事件，该训练样本集可以为发生并发症的动态体征数据和实际救治事件，也以为未发生并发症的样本集。
S20.采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征。特征提取层可以采用卷积层进行特征提取。作为示例性的实施例，第一关键体征特征可以为凝血功能障碍的数据指标，例如可以包括“凝血酶原时间(PT)、活化部分凝血活酶时间(APTT)、凝血酶时间(TT)、纤维蛋白原(Fbg)，输血量”等数据指标。也可以为酸中毒数据指标，例如，“标准碳酸氢盐(SB)、实际碳酸氢盐(AB)、缓冲碱(BB)、剩余碱(BE)，PH值、PaCO2”等数据指标。还可以包括体温数据指标等。在本实施例中，第一关键体征特征可以包括与并发症相关的数据指标的动态变化值信息和和指标数据的静态数值。
作为示例性的实施例，往往在对创伤复苏单元中的病人进行救治的过程需要多个救治事件，其中一些救治事件为准备工作，一些救治事件为关键操作，往往关键操作对于病人病情有直接关系，在本实施例中，可以提取与并发症相关的实际救治事件作为关键救治事件。
示例性的，在医护人员对病人进行操作时，尤其是进行完关键操作之后，体征数据理论上会发生比较明显的变化，例如，气管插管之后，其血气分析结果会较有明显的变化，如PH值、氧分压等会有较明显的变化。而一些该救治事件进行过程中和进行完成后，可能动态体征数据可能没有按照预期的进行，甚至出现并发症，其原因可能是实际救治事件与预设救治事件存在偏差，也可能是由于病情发展，导致实际救治事件不能满足病情发展，因此，在本实施例中，可以提取该实际救治事件作为关键救治事件。
S30.采用第一特征分析层提取所述第一关键体征特征的时间累计信息。作为示例性的实施例，第一特征分析层可以采用循环神经网络，例如，可以采用RNN、LSTM、GRU等循环网络结构在时间维度提取第一关键体征体征的时间累计信息。作为示例性的实施例，第一关键体征在时序上是动态变化，并且，与并发症相关的特征往往并非是突变的，而是累积到一定程度后，才会导致并发症的出现，例如，输血量，标准碳酸氢盐(SB)、实际碳酸氢盐(AB)、缓冲碱(BB)、剩余碱(BE)、PH值等指标数据实际上为基于时间累计逐渐导致并发症的发生。因此，在本实施例中，通过第一特征分析层提取第一关键体征体征的时间累计效应。
S40.采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征。
作为示例性的实施例，由于创伤复苏单元中的病人为危重病人，其伤情往往较为复杂，常伴有多发创伤，救治过程往往涉及到多种救治事件，因此，救治过程困难且复杂。第一关键体征特征可能与实际救治事件相关，例如，，在医护人员对病人进行操作时，尤其是进行完关键救治事件之后，体征数据理论上会发生比较明显的变化，例如，气管插管之后，其血气分析结果会较有明显的变化，如PH值、氧分压等会有较明显的辩护。而一些该救治事件进行过程中和进行完成后，可能动态体征数据可能没有按照预期的进行，甚至出现并发症，在本实施例中，提取发生并发症的救治过程中的关键救治事件与实时该关键救治事件前后第一关键体征的关联信息，示例性的，第一关键体征与关键救治事件的对应关系，关键救治事件作用于病人身体部位时，该身体部位对应的第一关键体征特征与该关键救治事件之间的关联信息等作为所述所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征。
S50.将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。作为示例性的实施例，时间累计信息和依赖关系特征作为不同维度特征进行融合。在本实施例中，融合预测层可以采用全连接层，将时间累计信息和依赖关系特征进行全连接，输出并发症概率。
在可选的实施例，融合预测层还可以采用BP神经网络融合多个时间累计信息和依赖关系特征。
在本实施例中，创伤复苏单元中并发症发生概率较高，而且发生快速，因此，需要实时关注救治过程中的动态体征的时间累计效应和医护人员的操作时间，以及动态体征和医护人员的操作事件之间的动态，并需要及时基于这些实时表现出来的特征对并发症进行实时预测，因此，在本申请中，在与并发症相关的第一关键体征特征和关键救治事件特征中提取的时间累计信息和依赖特征关系对模型进行训练，以得到能够对创伤复苏单元中的并发症进行实时预测的并发症预测模型，在进行实际救治时，将实际救治过程中的实时的动态体征和实际救治事件输入到并发症预测模型，自动提取时间累计信息和依赖关系特征，并进行实时预测，可以尽早的为医护人员提供并发症发生的概率，以指导医护人员实际救治流程。减小创伤复苏单元救治过程中的并发症发生概率，提升救治效果。
作为可选的实施例，如图3所示，所述提取所述关键体征特征与所述关键救治事件特征之间的依赖关系特征包括：
S401.获取实际救治事件与预设救治事件之间的偏差事件，所述预设救治事件基于复苏人员的初始评估结果和初始创伤信息确定。作为示例性的实施例，由于医护人员的救治经验和救治能力可能不同，并且，每一待复苏人员的情况也不尽相同，因此，在得到初始评估结果和初始创伤信息之后得到的预设救治事件与实际发生的实际救治事件可能存在差别，在本实施例中，在获取到实际救治事件之后，可以与预设救治事件进行对比，比较实际救治事件与所述预设救治事件是否相符合。
救治事件包括多个子事件，在本实施例中，实际子事件的获取可以通过安装在复苏单元中的视频采集装置采集医护人员的操作信息，也可以通过救治资源记录装置记录到的救治资源的使用信息表征实际子事件。
在本实施例中，视频采集装置可以包括安装在复苏单元的工作空间内的可以采集第一视野的视频信息的第一视频采集装置，第一视频采集装置例如可以为安装在工作空间的墙壁上的摄像头，也可以为安装在复苏床周边的至少一个摄像头。第一视野可以为第三人称视野。
视频采集装置还可以包括第二视频采集装置，用于采集第二视野的视频信息，该第二视频采集装置可以为医护人员的头戴视频采集装置，例如可以为AR眼镜中集成的摄像头，可以采集第一人称视野。
在本实施例中单独采用第一视野的视频信息，也可以单独采用第二视野的视频信息，还可以采用第一视野的视频信息和第二视野的视频信息，确定不同视野下的医护人员的操作信息，进而融合得到实际救治事件。
实际救治事件也可以为多个实际子事件组成，在本实施例中，实际子事件之间也存在时域信息，即在本实施中，在实际救治过程中记录各个实际子事件，以及各个子事件发生的时序关系。在本实施例中，预设子事件之间的时域信息可能存在重叠，实际子事件之间的时域信息也可能存在重叠，即在同一时刻可能同时执行一个或多个子事件。因此，可以获取实际子事件和实际子事件的实际时域信息。同时，获取所述预设救治事件中预设子事件和所述预设子事件的预设时域信息。
判断所述实际子事件和所述预设子事件的相似度是否大于预设相似度和/或判断所述预设时域信息和所述实际时域信息的同步程度是否大于预设同步程度。在本实施例中，实际子事件和预设子事件的相似度的判断可以通过获取到的实际子事件与预设子事件是否为同种操作，例如，实际子事件为气管插管，预设子事件也为气管插管，则表征实际子事件和预设子事件的相似度大于预设相似度。
对于作为另一种示例性的实施例，实际子事件和预设子事件的相似度的判断进一步还可以包括，在同种操作下，其操作步骤顺序和操作步骤的数量是否相同，其中，若存在不同，则判断差别步骤是否为关键步骤，若不为关键步骤，或操作步骤顺序和操作步骤的数量相同，则可以表征实际子事件和预设子事件的相似度大于预设相似度。
作为示例性的实施例，在确定实际子事件与预设子事件之间的相似度大于预设相似度之后，则可以进一步判断实际子事件与预设子事件的同步程度是否大于预设同步。在本实施例中，可以对比实际子事件与预设子事件时序进行判断，以及各个子事件的持续时长是否与预设子事件的持续时长的差距进行判断，在本实施例中，若时序同步程度大于预设同步程度，和/或相同的子事件的持续时长的差值在预设范围内，则可以表征预设时域信息和所述实际时域信息的同步程度是否大于预设同步程度。
在所述实际救治事件与所述预设救治事件不相符合时，获取所述实际救治事件与所述预设救治事件的偏差事件。
示例性的，可以通过第一视野的视频采集装置和第二视野视频的采集装置对不同视野下的救治视频进行采集，分别得到第一视野视频信息和第二视野视频信息，将第一视野视频信息和第二视野视频信息进行时序同步之后，分别提取同时序下的动作特征，对医护人员从多视野下识别实际救治事件，实时与预设救治事件进行比对，得到偏差事件。
S402.分别获取发生所述偏差事件之前的所述第一关键体征特征的第一特征时间序列和发生所述偏差事件之后的所述第一关键体征特征的第二特征时间序列。
作为示例性的实施例，实际救治事件往往对应至少一个动态体征数据的变化，通常，在进行完某一实际救治事件前后，体征数据往往会发生变化，尤其是与实际救治事件对应的体征数据会发生变化。
在本实施例中，发生偏差事件之后，第一关键体征如果朝向恶化方向发展，则表征当前的偏差事件可能为引起并发症的因素。因此，在发生偏差事件之后，可以获取偏差事件之前的第一关键体征在时序上的变化信息，并将该变化信息转换为时间序列的二维向量特征，并将发生偏差事件之前的第一关键体征特征的变化信息转换为事件序列的二维向量特征。
作为示例性的实施例，在偏差事件发生时，记录偏差事件发生时刻，可以获取自偏差事件对应的实际救治事件的开始时刻或进入创伤复苏单元时刻至偏差事件发生时刻的第一关键体征作为的时间序列的二维向量特征作为偏差事件之前的所述第一关键体征特征的第一特征时间序列。将偏差事件发生时刻至完成对应的实际救治事件之后的任意时刻第一关键体征作为的时间序列的二维向量特征作为偏差事件之后的第一关键体征特征的第二特征时间序列。
第一关键体征可能相对于实际操作事件存在延迟，因此，在本实施例中，第二特征时间序列可以为偏差事件发生时刻至执行完当前实际救治事件之后预设时长内的第一关键体征特征。
对于第一关键体征的记录可以为血压每个30秒的数值，以及多个变化数值之间的变化速率；或血氧数据，以及血氧数值变化率，还可以包括PH值数据和变化率等，上述实施中列举的指标数据只是为了举例说明，在复苏单元中待复苏病人的全部实际救治事件和体征数据均可按照上述实施例中方式进行监控和获取。
S403.利用注意力机制提取所述第一特征时间序列、第二特征时间序列和所述偏差事件的加权权重，以获取所述依赖关系。
在模型训练过程中，第一特征事件序列和第二特征时间序列可以表征此次救治过程中待复苏病人发生了并发症，而并发症的发生可能是由于待复苏病人的体征自身数据，变化以及病情发展和实际救治事件中的一个或多个引起，因此，通过注意力机制学习第一特征时间序列、第二特征时间序列和所述偏差事件对于并发症发生的影响程度。进而学习不同的第一特征时间序列，第二特征时间序列和偏差事件对于并发症发生的影响程度，以边能够使得训练好的模型能够更为准确的和全面的预测并发症发生的概率。
作为示例性的实施例，并发症的发生可能还与其他初始病情相关，在初始病情较重时，发生并发症的概率较大，尤其时对于气道阻塞，失血过多的初始创伤信息的病人，其发生酸中毒，凝血功能障碍，低体温等并发正的概率较大。
因此，在本实施例中对于依赖关系特征的获取还包括如下步骤：
提取所述初始创伤信息中的第二关键体征特征。作为示例性的实施例，初始创伤信息的获取可以参见上述实施例中对于初始创伤信息获取的描述，在本实施例中不在赘述。
在学习各个特征之间的注意力权重时，还需考虑第二关键体征特征，通过多头注意力机制捕获第二关键体征特征、第一特征时间序列、第二特征时间序列和所述偏差事件的加权权重，进而可以更为准确的表征并发症发生的各个影响因素中的权重。
作为示例性的实施例，并非所有的偏差事件为操作失误，一些偏差事件可能是由于医护人员基于病人的当前情况进行临时调整的，因此在本实施例中，为了更为准确的捕获偏差事件与并发症之间的关系，需要对偏差事件的筛选，
所述获取实际救治事件与预设救治事件之间的偏差事件包括：
获取所述实际救治事件与所述预设救治事件之间偏差度大于预设偏差度的救治子事件。作为示例性行的实施例，评价实际救治事件和预设救治事件的偏差可以基于实际操作偏差度、实际操作事件与预设救治事件在时域上的偏差度，或实际操作事件与预设救治事件操作顺序的偏差度。在本实施例中，可以参见上述实施例中步骤S401中对于偏差事件确定的方法，在此不再赘述。
计算所述救治子事件与所述并发症的关联程度，所述关联程度基于所述救治子事件与用于预防所述并发症发生而采用的对应的预设预防救治事件的第一相似度和/或所述救治子事件与导致出现并发症的预设失误操作子事件的第二相似度确定。一些偏差事件可能是由于操作失误，也可能是由于在救治过程中医护人员基于病人当前病情和病情的发展做出的主动调整、增加或减小的操作事件。
而实际发生的实际救治事件往往具有指向性的目的或表征的结果或表征的原因，需要对发生偏差的实际救治事件的类型进行确定，在本实施例中，可以判断救治子事件与用于预防所述并发症发生而采用的对应的预设预防救治事件的第一相似度和/或所述救治子事件与导致出现并发症的预设失误操作子事件的第二相似度。
示例性的，在对需要气管插管的病人进行插管时，需要在两分钟内完成，而由于病人本身的原因或医护人员的操作原因，导致插管时间超出预设时间，甚至插管过程中导致了其他伤害，进而导致了酸中毒，因此，若实际检测到的实际操作事件与在规定时间内未完成插管的第二相似度大于第二预设相似度，可以将该实际操作事件作为偏差事件。作为另一种可选的实施例，若病人需要气管插管，而在插管过程中，医护人员发现病人气道阻塞，需要切开气管，导通阻塞，进而实施了气道切开操作，而该操作是为了防止病人发生酸中毒的操作，因此，在若实际检测到的实际操作事件与气道阻塞而实施气道切开操作的第一相似度大于第一预设相似度，则该实际操作事件不作为偏差事件，若第一相似度小于第一一预设相似度，则将操作事件作为偏差事件。
在对偏差事件进行筛选之后，可以基于所述注意力机制提取所述第二关键体征特征、第一特征时间序列、第二特征时间序列和筛选后的偏差事件的加权权重，具体参见上述实施例中基于注意力机制确定各个特征权重的描述。
在可选的实施例中，由于创伤病人的样本数据较少，发生并发症的病人样本更少，因此，为了更为准确的预测并发症，如图4所示，在本实施例中，并发症预测模型可以采用孪生网络模型。该孪生网络模型包括参数共享的两个分支，并在两个分支的输出端具有相似度度量层，其中每一分支可以包括特征提取层，第一特征分析层，第二特征分析层和融合预测层。输入样本为发生并发症的样本和未发生并发症的样本。
在本实施例中，在本实施例中，通过构建发生并发症的样本和未发生并发症的样本组成的样本对，在对应的分支中分别经过特征提取成，第一特征分析层和第一特征分析层提取时间累计信息和依赖特征关系；即提取一组对抗特征，分别对提取的特征进行融合，再将融合结果映射至相似度度量模块，在训练过程中，基于同类型样本对和不同类型样本对的聚类程度对模型参数进行优化时，可以以针对同类型样本的特征的相似度聚类程度更聚合，将不同类型样本对的特征的聚类程度更离散为目标对模型参数进行优化，使得相同类型的样本的特征更聚合，使得不同类型的样本的特征更离散，以将并发症分类问题转化为特征相似度聚类问题，以保证在样本数据较少的情况下，尽可能的提升样本数据的利用率，以提升模型的预测精度。
作为示例性的实施例，为了进一步提升模型预测精度，且提升偏差事件带来的并发症的预测精度，在本实施例中，还需对样本对进行进一步筛选，具体的，基于所述偏差事件对所述第一历史数据集进行筛选，得到存在所述偏差事件的历史数据子集，作为第一样本；获取包含所述偏差事件且未发生并发症的第二历史数据集，作为第二样本；分别将所述第一样本和所述第二样本输入至所述并发症预测模型，在所述相似度度量层中最大化第一样本中的特征相似度，以及最大化第二样本中的特征相似度，并且最小化第一样本和第二样本之间的特征相似度，以及最大化第二样本中的特征相似度，直至并发症预测模型收敛。
创伤复苏单元中病人的救治过程中产生的数据不仅仅样本较少，而且，分散于不同的一员，并且，这些数据往往涉及到一些病人的隐私和数据安全的考虑，一般情况下，医院不会共享这些数据，这就造成了更小的样本数据孤岛的问题，导致模型训练精度较差，因此，为了进一步提升模型精度，同时保证各个医院的或各个创伤复苏单元中的数据泄露，在本实施例中，可以采用联合学习的训练方式对模型进行训练。
如图5所示的联合学习的架构，该联合学习构架可以包括服务器(创伤复苏系统的服务器)501以及多个创伤复苏单元端，示例性的，图5示出了创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504。
在联合学习过程中，并发症预测模型可以通过服务器501建立，服务器501将上述该模型发送至与其建立通信连接的创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504。并发症预测模型还可以是任一创伤复苏单元端建立后上传至服务器501，服务器501将该模型发送至与其建立通信连接的其他创伤复苏单元端。创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504根据下载的模型基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器501。服务器501对创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504。创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，创伤复苏单元端502、创伤复苏单元端503和创伤复苏单元端504上传的数据为模型参数，本地数据并不会上传至服务器501，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，创伤复苏单元端的数量不限于如上的三个，而是可以根据需要进行设置，本实施例对此不作限制。
作为示例性的实施例，所述创伤复苏单元端向所述服务器上传所述并发症预测模型的模型参数时，还向所述服务器上传所述第一历史数据集的数量信息；在所述服务器对所述模型参数聚合时，基于所述数量信息调整所述模型参数的聚合权重。其中，第一历史数据集的数量越多，其聚合权重越重，以更为使得训练的模型更为准确。
本申请实施例还提供了一种创伤复苏单元并发症预测方法，如图6所示，该方法可以包括如下步骤：
S100.获取待复苏人员在所述创伤复苏单元中的动态体征数据和实际救治事件。
S200.将所述动态体征数据和所述实际救治事件输入至训练好的并发症预测模型，得到并发症预测结果。
作为示例性的实力，预测过程可以包括采用采用特征提取层提取动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；采用第一特征分析层提取所述第一关键体征特征的时间累计信息；采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征。将时间累计信息和所述依赖关系特征输入融合预测层，得到预测结果。
作为可选的实施例，获取待复苏人员的初始创伤信息；提取所述初始创伤信息中的初始关键体征数据；将所述初始关键体征数据、所述动态体征数据和实际救治事件输入所述并发症预测模型，得到并发症预测结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请的又一方面，提供一种创伤复苏单元并发症预测模型训练装置，图7是本申请实施例的一种创伤复苏单元并发症预测模型训练装置的模块化示意图，如图7所示，所述创伤复苏单元并发症预测模型训练装置包括：
获取模块701，用于获取标注并发症的第一历史数据集，所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；
特征提取模块702，用于采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；
第一特征分析模块703，用于采用第一特征分析层提取所述第一关键体征特征的时间累计信息；
第二特征分析模块704，用于采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征；
融合模块705，用于将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。
图8是根据本申请实施例的一种可选的电子设备的结构框图，如图8所示，包括处理器802、通信接口804、存储器806和通信总线808，其中，处理器802、通信接口804和存储器806通过通信总线808完成相互间的通信，其中，
存储器806，用于存储计算机程序；
处理器802，用于执行存储器806上所存放的计算机程序时，实现如下步骤：
获取标注并发症的第一历史数据集，所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；
采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；
采用第一特征分析层提取所述第一关键体征特征的时间累计信息；
采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征；
将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。
可选地，在本实施例中，上述的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，可以包含但不限于：CPU(Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(DigitalSignal Processing，数字信号处理器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图8所示的结构仅为示意，实施上述创伤复苏单元并发症预测模型训练方法的设备可以是终端设备，该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示的不同的配置。
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终端设备相关的硬件来完成，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：闪存盘、ROM、RAM、磁盘或光盘等。根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行创伤复苏单元并发症预测模型训练方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取标注并发症的第一历史数据集，所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；
采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；
采用第一特征分析层提取所述第一关键体征特征的时间累计信息；
采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征；
将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台电子设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，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中所提供的方案的目的。
另外，在本申请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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种创伤复苏单元并发症预测模型训练方法，其特征在于，所述并发症预测模型包括特征提取层、第一特征分析层和第二特征分析层以及融合预测层，所述训练方法包括：
获取标注并发症的第一历史数据集，所述第一历史数据集包括历史中复苏人员在救治过程中的动态体征数据和实际救治事件；
采用特征提取层提取所述动态体征数据和实际救治事件中与并发症相关的第一关键体征特征和关键救治事件特征；
采用第一特征分析层提取所述第一关键体征特征的时间累计信息；
采用第二特征分析层提取所述第一关键体征特征与所述关键救治事件特征之间的依赖关系特征；
将所述时间累计信息和所述依赖关系特征输入融合预测层，进行多轮次训练，得到并发症预测模型。
2.如权利要求1所述的创伤复苏单元并发症预测模型训练方法，其特征在于，所述采用第二特征分析提取所述关键体征特征与所述关键救治事件特征之间的依赖关系特征包括：
获取实际救治事件与预设救治事件之间的偏差事件，所述预设救治事件基于复苏人员的初始评估结果和初始创伤信息确定；
分别获取发生所述偏差事件之前的所述第一关键体征特征的第一特征时间序列和发生所述偏差事件之后的所述第一关键体征特征的第二特征时间序列；
利用注意力机制提取所述第一特征时间序列、第二特征时间序列和所述偏差事件的加权权重，以获取所述依赖关系。
3.如权利要求2所述的创伤复苏单元并发症预测模型训练方法，其特征在于，还包括：
提取所述初始创伤信息中的第二关键体征特征；
基于所述注意力机制提取所述第二关键体征特征、第一特征时间序列、第二特征时间序列和所述偏差事件的加权权重。
4.如权利要求2所述的创伤复苏单元并发症预测模型训练方法，其特征在于，所述获取实际救治事件与预设救治事件之间的偏差事件包括：
获取所述实际救治事件与所述预设救治事件之间偏差度大于预设偏差度的救治子事件；
计算所述救治子事件与所述并发症的关联程度，所述关联程度基于所述救治子事件与用于预防所述并发症发生而采用的对应的预设预防救治事件的第一相似度和/或所述救治子事件与导致出现并发症的预设失误操作子事件的第二相似度确定；
在关联程度大于预设关联程度时，将所述救治子事件作为所述偏差事件。
5.如权利要求2所述的创伤复苏单元并发症预测模型训练方法，其特征在于，所述并发症预测模型包括具有两个分支的孪生网络模型，且两个分支的输出端具有相似度度量层，其中，每一分支包括特征提取层，第一特征分析层，第二特征分析层和融合预测层；所述训练方法还包括：
基于所述偏差事件对所述第一历史数据集进行筛选，得到存在所述偏差事件的历史数据子集，作为第一样本；
获取包含所述偏差事件且未发生并发症的第二历史数据集，作为第二样本；
分别将所述第一样本和所述第二样本输入至所述并发症预测模型，最小化所述第一样本和所述第二样本中的特征相似度，在所述相似度度量层中最大化第一样本中的特征相似度，以及最大化第二样本中的特征相似度，并且最小化第一样本和第二样本之间的特征相似度，直至并发症预测模型收敛。
6.如权利要求2-5任意一项所述的创伤复苏单元并发症预测模型训练方法，其特征在于，所述模型训练方法适用于创伤复苏系统，所述创伤复苏系统包括服务器和与所述服务器通信的多个创伤复苏单元端，所述模型训练方法适用于所述创伤复苏单元端，所述训练方法还包括：
所述创伤复苏单元端向所述服务器上传所述并发症预测模型的模型参数；
所述创伤复苏单元端接收服务器下发的模型聚合参数，所述模型聚合参数为服务器基于多个所述创伤复苏单元端上传的模型参数进行聚合得到；
所述创伤复苏单元端基于所述模型聚合参数对本地的所述并发症预测模型进行更新。
7.如权利要求6所述的创伤复苏单元并发症预测模型训练方法，其特征在于，所述创伤复苏单元端向所述服务器上传所述并发症预测模型的模型参数时，还向所述服务器上传所述第一历史数据集的数量信息；
在所述服务器对所述模型参数聚合时，基于所述数量信息调整所述模型参数的聚合权重。
8.一种创伤复苏单元并发症预测方法，其特征在于，包括：
获取待复苏人员在所述创伤复苏单元中的动态体征数据和实际救治事件；
将所述动态体征数据和所述实际救治事件输入至采用权利要求1-7任意一项所述的创伤复苏单元并发症预测模型训练方法训练好的并发症预测模型，得到并发症预测结果。
9.如权利要求8所述的创伤复苏单元并发症预测方法，其特征在于，还包括：
获取待复苏人员的初始创伤信息；
提取所述初始创伤信息中的初始关键体征数据；
将所述初始关键体征数据、所述动态体征数据和实际救治事件输入所述并发症预测模型，得到并发症预测结果。
10.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，
所述存储器，用于存储计算机程序；
所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至7中任一项所述的创伤复苏单元并发症预测模型训练方法和/或权利要求8或9所述的创伤复苏单元并发症预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205926.XA CN117198543A (zh) | 2023-09-18 | 2023-09-18 | 创伤复苏单元并发症预测模型训练、预测方法和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205926.XA CN117198543A (zh) | 2023-09-18 | 2023-09-18 | 创伤复苏单元并发症预测模型训练、预测方法和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117198543A true CN117198543A (zh) | 2023-12-08 |
Family
ID=89001317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311205926.XA Pending CN117198543A (zh) | 2023-09-18 | 2023-09-18 | 创伤复苏单元并发症预测模型训练、预测方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117198543A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117690551A (zh) * | 2024-02-04 | 2024-03-12 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于等剂量线的并发症发生概率确定装置及电子设备 |
| CN117726992A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 护理技能培训辅助系统及方法 |
-
2023
- 2023-09-18 CN CN202311205926.XA patent/CN117198543A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117690551A (zh) * | 2024-02-04 | 2024-03-12 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于等剂量线的并发症发生概率确定装置及电子设备 |
| CN117726992A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 护理技能培训辅助系统及方法 |
| CN117726992B (zh) * | 2024-02-07 | 2024-04-16 | 吉林大学 | 护理技能培训辅助系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200258608A1 (en) | Medical database and system | |
| CN117198543A (zh) | 创伤复苏单元并发症预测模型训练、预测方法和电子设备 | |
| JP6909078B2 (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
| US20170068792A1 (en) | System and method for medical device security, data tracking and outcomes analysis | |
| KR101261177B1 (ko) | 임상 의사결정 지원 시스템 및 방법 | |
| US10103947B2 (en) | Processing of portable device data | |
| US10262758B2 (en) | Scoring, evaluation, and feedback related to EMS clinical and operational performance | |
| US20220115144A1 (en) | Monitoring predictive models | |
| JP2013513846A (ja) | 医学データの自動注釈 | |
| RU2707720C2 (ru) | Система для автоматизированного анализа результатов лабораторных исследований и оповещения о риске в отделении интенсивной терапии | |
| AU2017206112B2 (en) | Processing of portable device data | |
| CN109584980B (zh) | 数据核验方法及装置、电子设备、存储介质 | |
| CN107436993A (zh) | 建立icu患者病情评估模型的方法和服务器 | |
| US20170199965A1 (en) | Medical system and method for predicting future outcomes of patient care | |
| CN111144658B (zh) | 医疗风险预测方法、装置、系统、存储介质与电子设备 | |
| CN107767924A (zh) | 原始数据核对方法、装置、电子设备及存储介质 | |
| Xiang et al. | Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning | |
| AU2011351962B2 (en) | Clinical quality analytics system | |
| EP3799074A1 (en) | Healthcare network | |
| CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
| CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
| JP7044113B2 (ja) | 提示方法、提示システム、及びプログラム | |
| US10674910B1 (en) | ICU telemedicine system for varied EMR systems | |
| JP4808063B2 (ja) | クリティカルパス生成方法および装置 | |
| CN112711579A (zh) | 医疗数据的质量检测方法及装置、存储介质及电子设备 |
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 |