CN117672532B - 住院患者护理风险评估预警监控系统及方法 - Google Patents
住院患者护理风险评估预警监控系统及方法 Download PDFInfo
- Publication number
- CN117672532B CN117672532B CN202410130850.7A CN202410130850A CN117672532B CN 117672532 B CN117672532 B CN 117672532B CN 202410130850 A CN202410130850 A CN 202410130850A CN 117672532 B CN117672532 B CN 117672532B
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- patient
- training
- feature
- physiological
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000012502 risk assessment Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000474 nursing effect Effects 0.000 title claims abstract description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 532
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 266
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 266
- 208000004756 Respiratory Insufficiency Diseases 0.000 claims abstract description 65
- 201000004193 respiratory failure Diseases 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 222
- 238000012549 training Methods 0.000 claims description 149
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012806 monitoring device Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 25
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012098 association analyses Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000241 respiratory effect Effects 0.000 description 8
- 230000007704 transition Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004202 respiratory function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 206010003598 Atelectasis Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010021133 Hypoventilation Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 230000004060 metabolic process Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000009423 ventilation 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种住院患者护理风险评估预警监控系统及方法，涉及风险评估预警领域,其首先获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器得到分类结果，以生成住院患者呼吸衰竭风险评估等级，进而实现自动化评估和提前干预，从而改善患者的护理和治疗效果。
Description
技术领域
本申请涉及风险评估预警领域，且更为具体地，涉及一种住院患者护理风险评估预警监控系统及方法。
背景技术
住院患者护理风险评估是在患者入院后进行的一项重要工作，旨在评估患者的健康状况、疾病风险和个体特征，以识别潜在的并发症、护理风险和安全隐患，并制定相应的护理计划和措施。这种评估的目的是最大程度地减少患者的风险，提高护理质量，促进患者的健康恢复。
长时间卧床不动或手术后恢复缓慢的患者容易出现呼吸系统并发症，如肺炎、肺不张或呼吸衰竭等。目前，住院患者并发症的发现主要依靠医护人员和陪护人员的临床观察和监测。如果住院患者的出现并发症没有被及时注意，将造成不恰当的护理或干预延迟。
因此，期望一种住院患者护理风险评估预警监控系统及方法。
发明内容
为了解决上述技术问题，提出了本申请。
根据本申请的一个方面，提供了一种住院患者护理风险评估预警监控系统，其包括：
住院患者数据获取模块，用于获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息；
生理体征文本划分模块，用于将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据；
生理体征文本特征语义编码模块，用于对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量；
患者二氧化碳数据特征提取模块，用于对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量；
呼吸衰竭风险评估生成模块，用于基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级；
其中，所述患者二氧化碳数据特征提取模块，包括：
患者二氧化碳数据排列单元，用于将所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值分别按时间排列以得到二氧化碳分压输入向量和呼气末二氧化碳浓度输入向量；
患者二氧化碳特征聚合单元，用于将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量；
其中，所述患者二氧化碳特征聚合单元，包括：
计算所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量的转移矩阵以得到二氧化碳指标关联矩阵；
将所述二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到所述二氧化碳指标全局关联特征向量。
在上述住院患者护理风险评估预警监控系统中，所述生理体征文本特征语义编码模块，包括：将所述多个生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个生理体征文本特征向量；将所述多个生理体征文本特征向量进行级联以得到所述生理体征文本关联特征向量。
在上述住院患者护理风险评估预警监控系统中，所述呼吸衰竭风险评估生成模块，包括：呼吸衰竭风险特征融合单元，用于对所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量进行融合以得到呼吸衰竭风险分类特征向量；呼吸衰竭风险结果评估生成单元，用于将所述呼吸衰竭风险分类特征向量通过分类器以得到分类结果，所述分类结果用于生成住院患者呼吸衰竭风险评估等级。
在上述住院患者护理风险评估预警监控系统中，还包括用于对所述基于转换器的系统状况文本上下文编码器、所述基于使用互为转置的卷积核的二氧化碳指标卷积神经网络和所述分类器进行训练的训练模块。
在上述住院患者护理风险评估预警监控系统中，所述训练模块，包括：训练患者数据获取单元，用于获取训练患者生理体征文本数据、多个预定时间点的训练患者二氧化碳分压值和多个预定时间点的训练患者呼气末二氧化碳浓度值，其中，所述训练患者生理体征文本数据包括训练患者基本信息、训练患者病史和训练患者临床信息；训练患者生理体征文本数据划分单元，用于将训练患者生理体征文本数据进行划分以得到多个训练生理体征文本数据；训练生理体征语义编码单元，用于将所述多个训练生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个训练生理体征文本特征向量；训练生理体征级联单元，用于将所述多个训练生理体征文本特征向量进行级联以得到训练生理体征文本关联特征向量；训练患者二氧化碳数据排列单元，用于将多个预定时间点的训练患者二氧化碳分压值和所述多个预定时间点的训练患者呼气末二氧化碳浓度值按时间排列以得到训练二氧化碳分压输入向量和训练呼气末二氧化碳浓度输入向量；训练患者二氧化碳计算单元，用于计算所述训练二氧化碳分压输入向量和所述训练呼气末二氧化碳浓度输入向量的转移矩阵以得到训练二氧化碳指标关联矩阵；训练患者二氧化碳卷积编码单元，用于将所述训练二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到训练二氧化碳指标全局关联特征向量；训练患者数据特征融合单元，用于对所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量进行融合以得到训练呼吸衰竭风险分类特征向量；补偿损失函数计算单元，用于计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；补偿损失函数计算单元，用于将所述训练呼吸衰竭风险分类特征向量通过分类器以得到分类损失函数值；患者训练模型单元，用于基于所述补偿损失函数值和所述分类损失函数值对所述基于转换器的系统状况文本上下文编码器、所述基于使用互为转置的卷积核的二氧化碳指标卷积神经网络和所述分类器进行训练。
在上述住院患者护理风险评估预警监控系统中，所述补偿损失函数计算单元，包括：将所述训练生理体征文本关联特征向量通过Softmax函数以得到概率值；计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量的按位置均值以得到均值特征向量；计算所述均值特征向量的Frobenius范数以得到范数值；计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。
根据本申请的另一方面，提供了一种住院患者护理风险评估预警监控方法，其包括：
获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息；
将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据；
对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量；
对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量；
基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级；
其中，对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量，包括：
将所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值分别按时间排列以得到二氧化碳分压输入向量和呼气末二氧化碳浓度输入向量；
将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量；
其中，将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量，包括：
计算所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量的转移矩阵以得到二氧化碳指标关联矩阵；
将所述二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到所述二氧化碳指标全局关联特征向量。
在上述住院患者护理风险评估预警监控方法中，对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量，包括：将所述多个生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个生理体征文本特征向量；将所述多个生理体征文本特征向量进行级联以得到所述生理体征文本关联特征向量。
与现有技术相比，本申请提供的一种住院患者护理风险评估预警监控系统及方法，其首先获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器得到分类结果，以生成住院患者呼吸衰竭风险评估等级，进而实现自动化评估和提前干预，从而改善患者的护理和治疗效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的住院患者护理风险评估预警监控系统的框图。
图2为根据本申请实施例的住院患者护理风险评估预警监控系统中患者二氧化碳数据特征提取模块的框图。
图3为根据本申请实施例的住院患者护理风险评估预警监控系统中呼吸衰竭风险评估生成模块的框图。
图4为根据本申请实施例的住院患者护理风险评估预警监控方法的流程图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
示例性系统
图1为根据本申请实施例的住院患者护理风险评估预警监控系统的框图。如图1所示，根据本申请实施例的住院患者护理风险评估预警监控系统100，包括：住院患者数据获取模块110，用于获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息；生理体征文本划分模块120，用于将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据；生理体征文本特征语义编码模块130，用于对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量；患者二氧化碳数据特征提取模块140，用于对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量；呼吸衰竭风险评估生成模块150，用于基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级。
在上述住院患者护理风险评估预警监控系统100中，所述住院患者数据获取模块110，用于获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息。应可以理解，患者生理体征文本数据可以提供关于患者的个人特征、疾病历史、当前病情等方面的重要信息。二氧化碳是人体新陈代谢的产物，其分压值和呼气末浓度可以反映患者的呼吸功能和气体交换情况。具体地，二氧化碳分压值是评估患者呼吸功能和酸碱平衡的重要指标之一。在正常情况下，呼吸系统通过调节二氧化碳的排出来维持酸碱平衡。当患者出现呼吸衰竭时，二氧化碳的排出受到影响，导致二氧化碳分压值升高。高二氧化碳分压值可能表明患者的通气不足或呼吸功能受限，提示呼吸衰竭的存在。而呼气末二氧化碳浓度值是指患者在呼气时呼出的二氧化碳气体的浓度。呼气末二氧化碳浓度值可以反映患者的呼吸情况和肺功能。在正常情况下，呼气末二氧化碳浓度值与动脉血二氧化碳分压值之间存在一定的关联。当患者出现呼吸衰竭时，呼气末二氧化碳浓度值可能升高，提示二氧化碳的排出受到障碍。监测这些指标可以提供关于患者的呼吸状态、通气情况以及潜在的呼吸衰竭风险的信息。例如，如果二氧化碳分压值和呼气末二氧化碳浓度值升高，可能存在呼吸衰竭风险。通过获取这些数据，可以及早发现呼吸问题并采取相应的干预措施，以避免患者的病情进一步恶化。
获取患者的生理体征文本数据、二氧化碳分压值和呼气末二氧化碳浓度值是为了全面了解患者的状况，及时发现潜在的风险，并采取相应的护理措施，以提高患者的安全性和健康状况。其中，通过电子病历系统或医院信息系统，医护人员可以记录和更新患者的基本信息、病史和临床信息。这些信息可以包括患者的姓名、性别、年龄、过敏史、疾病诊断、手术记录、药物使用记录等。而监测设备（如呼吸机、呼吸监测仪等）可以实时监测患者的生理参数，包括二氧化碳分压和呼气末二氧化碳浓度值。这些设备可以通过传感器或探头测量患者的呼吸气体成分，并将数据传输到系统中进行记录和分析。
在上述住院患者护理风险评估预警监控系统100中，所述生理体征文本划分模块120，用于将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据。应可以理解，将患者生理体征文本数据划分为多个子集，可以更细致地分析每个子集中的特定生理指标。这有助于医疗专业人员更全面地了解患者的健康状况和病情变化。具体地，将原始文本数据解析为可处理的数据结构，例如将文本数据转换为字典、列表或表格形式，然后将患者生理体征文本数据按照不同的特征或属性进行划分。例如，可以根据患者基本信息、病史和临床信息将数据进行划分，得到多个子集。
在上述住院患者护理风险评估预警监控系统100中，所述生理体征文本特征语义编码模块130，用于对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量。应可以理解，特征语义编码是将文本数据转化为固定长度的向量表示的过程。通过将文本数据进行编码，可以提取出文本中的关键信息和语义特征，将其转化为数值形式，从而方便进行数据分析和机器学习算法的应用。对于生理体征文本数据，特征语义编码可以帮助提取文本中与患者生理状态和疾病进展相关的关键特征。例如，对于患者的基本信息、病史和临床信息，可以通过编码将其转化为数值向量，使得计算机可以理解和处理这些信息。这样，就可以对不同患者的生理体征文本数据进行比较和分析，发现其中的模式、趋势和异常情况。
在本申请一个具体的实施例中，所述生理体征文本特征语义编码模块130，包括：将所述多个生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个生理体征文本特征向量；将所述多个生理体征文本特征向量进行级联以得到所述生理体征文本关联特征向量。应可以理解，生理体征文本数据中包含了大量的信息，通过将其转换为特征向量，可以提取出其中的关键特征。其中，基于转换器的系统状况文本上下文编码器可以对生理体征文本数据进行上下文建模。它能够捕捉到文本数据中的语义和语境信息，并将其编码为连续的特征向量表示。这样可以更好地表达文本数据的含义和相关性。具体地，基于转换器的系统状况文本上下文编码器将每个生理体征文本数据视为一个序列，并将它们一起作为输入传递给转换器模型，然后通过转换器模型的输出，可以获得每个生理体征文本数据的特征向量，这些特征向量捕捉了文本数据的语义和上下文信息。更为具体地，分别将所述多个生理体征文本数据进行独热编码，以将所述多个生理体征文本数据分别转化为输入向量以获得输入向量的序列；以及，使用所述基于转换器的系统状况文本上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个生理体征文本特征向量。
进一步地，将多个生理体征文本特征向量进行级联可以综合考虑多个生理体征之间的关联和相互作用。考虑到单独考虑每个生理体征的特征向量可能无法充分捕捉到它们之间的关联信息，通过将这些特征向量级联起来，可以获得更全面、更综合的特征表示，从而提供更准确、更全面的信息。具体地，级联多个生理体征文本特征向量的过程通常是将它们按照一定的顺序连接起来，形成一个更长的特征向量。这可以通过简单地将特征向量按照顺序排列来实现。通过级联多个生理体征文本特征向量，可以将不同生理体征之间的信息融合在一起，使得特征向量中的每个元素都包含了多个生理体征的信息。这有助于提高特征的表达能力，从而更好地描述生理体征之间的关联关系。
在上述住院患者护理风险评估预警监控系统100中，所述患者二氧化碳数据特征提取模块140，用于对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量。应可以理解，特征提取可以从原始数据中提取出与关注的信息相关的特征。二例如变化趋势、波动性、峰值等特征，通过特征提取可以将这些相关信息提取出来。并且，通过特征提取，可以将原始数据转换为特征向量，从而使得数据具备了可比较性和可识别性。
图2为根据本申请实施例的住院患者护理风险评估预警监控系统中患者二氧化碳数据特征提取模块的框图。如图2所示，在本申请一个具体的实施例中，所述患者二氧化碳数据特征提取模块140，包括：患者二氧化碳数据排列单元141，用于将所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值分别按时间排列以得到二氧化碳分压输入向量和呼气末二氧化碳浓度输入向量；患者二氧化碳特征聚合单元142，用于将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量。应可以理解，在许多生理监测场景中，二氧化碳分压值和呼气末二氧化碳浓度值通常是随时间变化的。通过按时间排列这些数值，可以保留它们的时间序列关系，从而反映出患者的生理状态的动态变化。这种时序信息对于分析和预测患者的生理状况非常重要。
进一步地，在监测设备采集的多个预定时间点上，二氧化碳分压值和呼气末二氧化碳浓度值存在一定的关联关系。通过特征聚合，可以将这些关联关系整合到一个全局特征矩阵中，以便更好地描述和分析二氧化碳指标的整体情况。其中，特征聚合可以采用不同的方法，例如计算统计特征（如平均值、标准差、最大值、最小值等）或应用时间序列分析方法（如滑动窗口、傅里叶变换等）来提取二氧化碳指标的全局特征。这样可以从多个时间点的数据中提取出更有代表性的特征，以便后续的分析和建模。
在本申请一个具体的实施例中，所述患者二氧化碳特征聚合单元142，包括：计算所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量的转移矩阵以得到二氧化碳指标关联矩阵；将所述二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到所述二氧化碳指标全局关联特征向量。应可以理解，转移矩阵可以描述二氧化碳在不同时间点或状态之间的转移关系。具体地，转移矩阵是一个方阵，其中的元素表示从一个状态到另一个状态的转移概率或转移权重。在这种情况下，可以将二氧化碳分压和呼气末二氧化碳浓度视为不同的状态，转移矩阵的元素表示从一个状态到另一个状态的转移概率或权重。通过计算转移矩阵，可以得到二氧化碳分压和呼气末二氧化碳浓度之间的转移关系。这可以帮助我们理解二氧化碳在不同状态下的变化模式和趋势。例如，转移矩阵可以揭示在高二氧化碳分压状态下，呼气末二氧化碳浓度更可能处于高浓度的情况，或者在低二氧化碳分压状态下，呼气末二氧化碳浓度更可能处于低浓度的情况。基于转移矩阵得到的二氧化碳指标关联矩阵可以提供更全面的信息，揭示不同状态之间的关联程度和转移概率。
进一步地，在二氧化碳指标的情况下，关联矩阵表示了不同状态之间的关联程度。然而，关联矩阵的维度可能较高，且其中的信息可能相对分散。为了提取更全局的关联特征，可以使用卷积神经网络来扫描关联矩阵，并通过卷积操作和池化操作来捕捉局部和全局的关联模式。使用互为转置的卷积核可以帮助捕捉关联矩阵中的不同尺度的特征。通过卷积操作，网络可以在不同位置和尺度上提取关联矩阵的特征。而使用互为转置的卷积核可以帮助捕捉不同方向的关联特征，进一步增强模型的表达能力。最终，通过卷积和池化操作，基于使用互为转置的卷积核的二氧化碳指标卷积神经网络可以将二氧化碳指标关联矩阵转化为具有更高级别的全二氧化碳指标全局关联特征向量。具体地，所述使用互为转置的卷积核的二氧化碳指标卷积神经网络的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及，对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述使用互为转置的卷积核的二氧化碳指标卷积神经网络的第一层的输入为所述二氧化碳指标关联矩阵，所述使用互为转置的卷积核的二氧化碳指标卷积神经网络的最后一层的输出为所述二氧化碳指标全局关联特征向量。
在上述住院患者护理风险评估预警监控系统100中，所述呼吸衰竭风险评估生成模块150，用于基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级。应可以理解，生理体征文本关联特征向量和二氧化碳指标全局关联特征向量提供了多个方面的信息，包括生理指标的数值、变化趋势、波动性等。综合利用这些特征信息可以更全面地了解患者的呼吸状态和呼吸功能。同时，通过分析患者的生理体征和二氧化碳指标，可以发现与呼吸衰竭风险相关的模式和规律。例如，呼吸衰竭常常伴随着二氧化碳水平的升高或不稳定性增加，从而将这些关联特征与呼吸衰竭风险评估等级进行关联。
图3为根据本申请实施例的住院患者护理风险评估预警监控系统中呼吸衰竭风险评估生成模块的框图。如图3所示，在本申请一个具体的实施例中，所述呼吸衰竭风险评估生成模块150，包括：呼吸衰竭风险特征融合单元151，用于对所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量进行融合以得到呼吸衰竭风险分类特征向量；呼吸衰竭风险结果评估生成单元152，用于将所述呼吸衰竭风险分类特征向量通过分类器以得到分类结果，所述分类结果用于生成住院患者呼吸衰竭风险评估等级。应可以理解，通过融合生理体征文本关联特征向量和二氧化碳指标全局关联特征向量，可以将不同类型的特征融合在一起，得到一个综合的特征向量，用于呼吸衰竭风险的分类。这样可以更全面地考虑不同特征之间的关联性，提高风险分类的准确性和可靠性。
进一步地，分类器是一种机器学习算法，它可以根据已有的训练数据学习到不同特征向量与呼吸衰竭风险之间的关系，并将新的特征向量分类到相应的风险等级中。将分类结果与实时监测数据结合，可以建立呼吸衰竭的预警系统。当患者的生理体征出现异常或风险等级升高时，系统可以及时发出警报，提醒医护人员采取相应的措施，以避免严重的呼吸衰竭事件发生。
在上述住院患者护理风险评估预警监控系统中，还包括用于对所述基于转换器的系统状况文本上下文编码器、所述基于使用互为转置的卷积核的二氧化碳指标卷积神经网络和所述分类器进行训练的训练模块。
在上述住院患者护理风险评估预警监控系统中，所述训练模块，包括：训练患者数据获取单元，用于获取训练患者生理体征文本数据、多个预定时间点的训练患者二氧化碳分压值和多个预定时间点的训练患者呼气末二氧化碳浓度值，其中，所述训练患者生理体征文本数据包括训练患者基本信息、训练患者病史和训练患者临床信息；训练患者生理体征文本数据划分单元，用于将所述训练患者生理体征文本数据进行划分以得到多个训练生理体征文本数据；训练生理体征语义编码单元，用于将所述多个训练生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个训练生理体征文本特征向量；训练生理体征级联单元，用于将所述多个训练生理体征文本特征向量进行级联以得到训练生理体征文本关联特征向量；训练患者二氧化碳数据排列单元，用于将多个预定时间点的训练患者二氧化碳分压值和多个预定时间点的训练患者呼气末二氧化碳浓度值按时间排列以得到训练二氧化碳分压输入向量和训练呼气末二氧化碳浓度输入向量；训练患者二氧化碳计算单元，用于计算所述训练二氧化碳分压输入向量和所述训练呼气末二氧化碳浓度输入向量的转移矩阵以得到训练二氧化碳指标关联矩阵；训练患者二氧化碳卷积编码单元，用于将所述训练二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到训练二氧化碳指标全局关联特征向量；训练患者数据特征融合单元，用于对所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量进行融合以得到训练呼吸衰竭风险分类特征向量；补偿损失函数计算单元，用于计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；补偿损失函数计算单元，用于将所述训练呼吸衰竭风险分类特征向量通过分类器以得到分类损失函数值；患者训练模型单元，用于基于所述补偿损失函数值和所述分类损失函数值对所述基于转换器的系统状况文本上下文编码器、所述基于使用互为转置的卷积核的二氧化碳指标卷积神经网络和所述分类器进行训练。
特别地，在本申请的技术方案中，通过获取患者生理体征文本数据和监测设备采集的二氧化碳分压值和呼气末二氧化碳浓度值，可以获取与患者呼吸衰竭风险相关的信息。生理体征文本数据包括患者的基本信息、病史和临床信息，而二氧化碳分压值和呼气末二氧化碳浓度值则反映了患者的呼吸状态。为了融合这些特征向量并提高分类精准度，需要提高训练生理体征文本关联特征向量和训练二氧化碳指标全局关联特征向量在高维特征空间的概率密度分布单调性之间的协调性。这意味着它们的特征分布趋势应该是一致的，以确保它们在特征空间中的分布具有一致的趋势。通过提高特征向量的概率密度分布单调性，可以减少特征向量在特征空间中的不确定性和随机性，从而提高分类器对特征向量的分类判断的精准度。这样，训练呼吸衰竭风险分类特征向量的分类结果能够更好地反映患者的呼吸衰竭风险等级。基于此，计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，从而提高训练呼吸衰竭风险分类特征向量的整体特征分布的概率密度分布单调性，进而提升其通过分类器的分类判断的精准度。这有助于更准确地评估患者的呼吸衰竭风险等级。
其中，计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，包括：将所述训练生理体征文本关联特征向量通过Softmax函数以得到概率值；计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量的按位置均值以得到均值特征向量；计算所述均值特征向量的Frobenius范数以得到范数值；计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。
也就是，考虑到在融合所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量以得到训练呼吸衰竭风险分类特征向量的过程中，如果能提高所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量在高维特征空间的概率密度分布单调性之间的协调性，则能够提高所述训练呼吸衰竭风险分类特征向量的整体特征分布的概率密度分布单调性，以提升其通过分类器的分类判断的精准度。
因此，在本申请的技术方案中，计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，其通过构建一个基于特征向量的概率密度分布单调性的超凸度量系数的补偿损失函数，使得特征向量间的每个位置的概率密度分布都能够在其子维度上保持与目标域的一致性，从而实现特征向量的概率密度分布单调性的匹配，这样能够消除特征向量间的概率密度分布单调性的差异，提高特征向量的概率密度分布单调性的一致性，提高特征向量的融合质量。
综上，本申请实施例首先获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器得到分类结果，以生成住院患者呼吸衰竭风险评估等级，进而实现自动化评估和提前干预，从而改善患者的护理和治疗效果。
如上所述，根据本申请实施例的所述住院患者护理风险评估预警监控系统100可以实现在各种终端设备中，例如部署有住院患者护理风险评估预警监控算法的服务器等。在一个示例中，根据住院患者护理风险评估预警监控系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该住院患者护理风险评估预警监控系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该住院患者护理风险评估预警监控系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该住院患者护理风险评估预警监控系统100与该终端设备也可以是分立的设备，并且住院患者护理风险评估预警监控系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4为根据本申请实施例的住院患者护理风险评估预警监控方法的流程图。如图4所示，根据本申请实施例的住院患者护理风险评估预警监控方法，其包括：S110，获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息；S120，将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据；S130，对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量；S140，对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量；S150，基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级。
这里，本领域技术人员可以理解，上述住院患者护理风险评估预警监控方法中的各个步骤的具体操作已经在上面参考图1至图3的住院患者护理风险评估预警监控系统的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。
如图5所示，电子设备10包括输入设备11、输入接口12、中央处理器13、存储器14、输出接口15、输出设备16以及总线17。其中，输入接口12、中央处理器13、存储器14以及输出接口15通过总线17相互连接，输入设备11和输出设备16分别通过输入接口14和输出接口15与总线17连接，进而与电子设备10的其他组件连接。
具体地，输入设备11接收来自外部的输入信息，并通过输入接口12将输入信息传送到中央处理器13；中央处理器13基于存储器14中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器14中，然后通过输出接口15将输出信息传送到输出设备16；输出设备16将输出信息输出到电子设备10的外部供用户使用。
在一个实施例中，图5所示的电子设备10可以被实现为一种网络设备，该网络设备可以包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行上述实施例描述的任意一种住院患者护理风险评估预警监控方法。
根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以从网络上被下载和安装，和/或从可拆卸存储介质被安装。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。
可以理解的是，以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式，然而本申请并不局限于此。对于本领域内的普通技术人员而言，在不脱离本申请的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本申请的保护范围。
Claims (5)
1.一种住院患者护理风险评估预警监控系统，其特征在于，包括：
住院患者数据获取模块，用于获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息；
生理体征文本划分模块，用于将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据；
生理体征文本特征语义编码模块，用于对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量；
患者二氧化碳数据特征提取模块，用于对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量；
呼吸衰竭风险评估生成模块，用于基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级；
其中，所述患者二氧化碳数据特征提取模块，包括：
患者二氧化碳数据排列单元，用于将所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值分别按时间排列以得到二氧化碳分压输入向量和呼气末二氧化碳浓度输入向量；
患者二氧化碳特征聚合单元，用于将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量；
其中，所述患者二氧化碳特征聚合单元，包括：
计算所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量的转移矩阵以得到二氧化碳指标关联矩阵；
将所述二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到所述二氧化碳指标全局关联特征向量；
所述生理体征文本特征语义编码模块，包括：
将所述多个生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个生理体征文本特征向量；
将所述多个生理体征文本特征向量进行级联以得到所述生理体征文本关联特征向量；
所述呼吸衰竭风险评估生成模块，包括：
呼吸衰竭风险特征融合单元，用于对所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量进行融合以得到呼吸衰竭风险分类特征向量；
呼吸衰竭风险结果评估生成单元，用于将所述呼吸衰竭风险分类特征向量通过分类器以得到分类结果，所述分类结果用于生成住院患者呼吸衰竭风险评估等级。
2.根据权利要求1所述的住院患者护理风险评估预警监控系统，其特征在于，还包括用于对所述基于转换器的系统状况文本上下文编码器、所述基于使用互为转置的卷积核的二氧化碳指标卷积神经网络和所述分类器进行训练的训练模块。
3.根据权利要求2所述的住院患者护理风险评估预警监控系统，其特征在于，所述训练模块，包括：
训练患者数据获取单元，用于获取训练患者生理体征文本数据、多个预定时间点的训练患者二氧化碳分压值和多个预定时间点的训练患者呼气末二氧化碳浓度值，其中，所述训练患者生理体征文本数据包括训练患者基本信息、训练患者病史和训练患者临床信息；
训练患者生理体征文本数据划分单元，用于将训练患者生理体征文本数据进行划分以得到多个训练生理体征文本数据；
训练生理体征语义编码单元，用于将所述多个训练生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个训练生理体征文本特征向量；
训练生理体征级联单元，用于将所述多个训练生理体征文本特征向量进行级联以得到训练生理体征文本关联特征向量；
训练患者二氧化碳数据排列单元，用于将多个预定时间点的训练患者二氧化碳分压值和多个预定时间点的训练患者呼气末二氧化碳浓度值按时间排列以得到训练二氧化碳分压输入向量和训练呼气末二氧化碳浓度输入向量；
训练患者二氧化碳计算单元，用于计算所述训练二氧化碳分压输入向量和所述训练呼气末二氧化碳浓度输入向量的转移矩阵以得到训练二氧化碳指标关联矩阵；
训练患者二氧化碳卷积编码单元，用于将所述训练二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到训练二氧化碳指标全局关联特征向量；
训练患者数据特征融合单元，用于对所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量进行融合以得到训练呼吸衰竭风险分类特征向量；
补偿损失函数计算单元，用于计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；
补偿损失函数计算单元，用于将所述训练呼吸衰竭风险分类特征向量通过分类器以得到分类损失函数值；
患者训练模型单元，用于基于所述补偿损失函数值和所述分类损失函数值对所述基于转换器的系统状况文本上下文编码器、所述基于使用互为转置的卷积核的二氧化碳指标卷积神经网络和所述分类器进行训练。
4.根据权利要求3所述的住院患者护理风险评估预警监控系统，其特征在于，所述补偿损失函数计算单元，包括：
将所述训练生理体征文本关联特征向量通过Softmax函数以得到概率值；
计算所述训练生理体征文本关联特征向量和所述训练二氧化碳指标全局关联特征向量的按位置均值以得到均值特征向量；
计算所述均值特征向量的Frobenius范数以得到范数值；
计算所述概率值乘以以范数值为幂的自然指数函数值以得到所述概率密度分布单调性超凸度量系数。
5.一种住院患者护理风险评估预警监控方法，其特征在于，包括：
获取患者生理体征文本数据、由监测设备采集的多个预定时间点的患者二氧化碳分压值和由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值，其中，所述患者生理体征文本数据包括患者基本信息、患者病史和患者临床信息；
将所述患者生理体征文本数据进行划分以得到多个生理体征文本数据；
对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量；
对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量；
基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级；
其中，对所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值进行特征提取以得到二氧化碳指标全局关联特征向量，包括：
将所述由监测设备采集的多个预定时间点的患者二氧化碳分压值和所述由监测设备采集的多个预定时间点的患者呼气末二氧化碳浓度值分别按时间排列以得到二氧化碳分压输入向量和呼气末二氧化碳浓度输入向量；
将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量；
其中，将所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量进行特征聚合以得到所述二氧化碳指标全局关联特征向量，包括：
计算所述二氧化碳分压输入向量和所述呼气末二氧化碳浓度输入向量的转移矩阵以得到二氧化碳指标关联矩阵；
将所述二氧化碳指标关联矩阵通过基于使用互为转置的卷积核的二氧化碳指标卷积神经网络以得到所述二氧化碳指标全局关联特征向量；
其中，对所述多个生理体征文本数据进行特征语义编码以得到生理体征文本关联特征向量，包括：
将所述多个生理体征文本数据通过基于转换器的系统状况文本上下文编码器以得到多个生理体征文本特征向量；
将所述多个生理体征文本特征向量进行级联以得到所述生理体征文本关联特征向量；
其中，基于所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量，生成住院患者呼吸衰竭风险评估等级，包括：
对所述生理体征文本关联特征向量和所述二氧化碳指标全局关联特征向量进行融合以得到呼吸衰竭风险分类特征向量；
将所述呼吸衰竭风险分类特征向量通过分类器以得到分类结果，所述分类结果用于生成住院患者呼吸衰竭风险评估等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410130850.7A CN117672532B (zh) | 2024-01-31 | 2024-01-31 | 住院患者护理风险评估预警监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410130850.7A CN117672532B (zh) | 2024-01-31 | 2024-01-31 | 住院患者护理风险评估预警监控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117672532A CN117672532A (zh) | 2024-03-08 |
| CN117672532B true CN117672532B (zh) | 2024-04-05 |
Family
ID=90064465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410130850.7A Active CN117672532B (zh) | 2024-01-31 | 2024-01-31 | 住院患者护理风险评估预警监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117672532B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052577B (zh) * | 2024-04-16 | 2024-08-02 | 问策师信息科技南京有限公司 | 基于云平台的数据采集处理分析系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821382A (zh) * | 2017-03-31 | 2017-06-13 | 颐拓科技（深圳）有限公司 | 呼吸监测诊断系统、干扰过滤方法及诊断方法 |
| US10410750B1 (en) * | 2014-04-15 | 2019-09-10 | Cerner Innovation, Inc. | Predicting respiratory distress |
| CN117174294A (zh) * | 2023-09-07 | 2023-12-05 | 中科广力(南京)医疗电子科技有限公司 | 一种构建慢阻肺评估模型方法及系统 |
| CN117476214A (zh) * | 2023-11-10 | 2024-01-30 | 郑州蓝博电子技术有限公司 | 一种基于医院信息的数据治理方法和系统 |
-
2024
- 2024-01-31 CN CN202410130850.7A patent/CN117672532B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10410750B1 (en) * | 2014-04-15 | 2019-09-10 | Cerner Innovation, Inc. | Predicting respiratory distress |
| CN106821382A (zh) * | 2017-03-31 | 2017-06-13 | 颐拓科技（深圳）有限公司 | 呼吸监测诊断系统、干扰过滤方法及诊断方法 |
| CN117174294A (zh) * | 2023-09-07 | 2023-12-05 | 中科广力(南京)医疗电子科技有限公司 | 一种构建慢阻肺评估模型方法及系统 |
| CN117476214A (zh) * | 2023-11-10 | 2024-01-30 | 郑州蓝博电子技术有限公司 | 一种基于医院信息的数据治理方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 呼气末二氧化碳分压监测在危重病人救治中的研究进展;邓云霞等;Chinese nursing research;20190131;306-309 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117672532A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10039485B2 (en) | Method and system for assessing mental state | |
| CA2631870C (en) | Residual-based monitoring of human health | |
| RU2492808C2 (ru) | Устройство для измерения и прогнозирования респираторной стабильности пациентов | |
| Liu et al. | Development and validation of a machine learning algorithm and hybrid system to predict the need for life-saving interventions in trauma patients | |
| CN117672532B (zh) | 住院患者护理风险评估预警监控系统及方法 | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| JP2022518286A (ja) | 被訓練モデルへの母集団記述子の関連付け | |
| Baker et al. | Determining respiratory rate from photoplethysmogram and electrocardiogram signals using respiratory quality indices and neural networks | |
| CN112366002A (zh) | 一种基于知识库对院内真实世界不良用药的评估方法 | |
| JP2022524521A (ja) | Ｃｏｐｄから喘息を区別するためのデジタル解決策 | |
| Sarlabous et al. | Development and validation of a sample entropy-based method to identify complex patient-ventilator interactions during mechanical ventilation | |
| Ko et al. | Real‐Time Remote Patient Monitoring and Alarming System for Noncommunicable Lifestyle Diseases | |
| Woo et al. | Early warning of health condition and visual analytics for multivariable vital signs | |
| CN114981897A (zh) | 肺部疾病检测中的辅助设备 | |
| CN114144837A (zh) | 用于动态预测普通病房中的患者的出院准备的模型 | |
| González et al. | Development of a Deep Learning Model for the Prediction of Ventilator Weaning. | |
| Rubulotta et al. | Machine Learning Tools for Acute Respiratory Distress Syndrome Detection and Prediction | |
| CN115762698B (zh) | 一种医疗慢病检查报告数据提取方法及系统 | |
| CN113393934B (zh) | 基于生命体征大数据的健康趋势估计方法和预测系统 | |
| CN113140326B (zh) | 一种新冠肺炎检测装置、干预装置及检测干预系统 | |
| US20220151531A1 (en) | Heart failure predictor and heart failure predicting method | |
| Asgari | Clustering of clinical multivariate time-series utilizing recent advances in machine-learning | |
| Han et al. | Intelligent injury prediction for traumatic airway obstruction | |
| Nguyen et al. | Multi-Gradient Siamese Temporal Model for the Prediction of Clinical Events in Rapid Response Systems | |
| CN117653034A (zh) | 应用于新生儿护理下的安全管理方法及系统 |
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 |