一种基于跨模态深度学习的围术期危重事件预测方法技术

本发明专利技术涉及一种基于跨模态深度学习的围术期危重事件预测方法，属于人工智能与医疗应用领域。该方法包括步骤1.构建多模态医疗监护数据集；2.患者监护数据与个性化数据双模态融合特征学习；3.跨模态协同学习特征提取；4.构建多模态危重事件(死亡风险)预测模型；5.模型反馈验证。本发明专利技术作为一种危重症不良事件预测预警工具，是实现术后主要重症事件的实时追踪、早期诊断和预警的一种有效方法。

【技术实现步骤摘要】
一种基于跨模态深度学习的围术期危重事件预测方法
本专利技术属于人工智能和医疗应用领域，涉及一种基于跨模态深度学习的围术期危重事件预测方法。
技术介绍
目前国内围手术期发生各种危重症不良事件高至12％，导致住院患者病死率最高达到1.1％。在简单的“先兆评分”危重事件预警体系下面，经常不能及时捕捉危重不良事件先兆，导致危重不良事件一旦发生即病情较重或为病程晚期，处治难度较大，干预效果有限。积极开展研究危重不良事件追踪预警和干预提示等研究，有助于早期发现、预警、诊断和干预提示，有重要的科学意义和社会价值。一些国内外机构针对术中直接监护数据经时序数据预处理分析及数据挖掘后是否具备危重不良事件早期诊断和预警价值进行了前沿探索；虽然在监测指标与警戒阈值选择上面做了大量工作，系统的预警干预启动指标还是孤立的阈值触发，也未融合同时开始普及的HIS/PACS/EMR临床数据，必要动态综合判断依赖于个别医务人员的经验判断和分析。在临床数据积累融合基础上，有条件通过大数据手段发现综合、动态的危重事件先兆规律，并通过人工智能技术及时对具体病人提供个性化的危重度判断支持医务人员的干预决策。在此背景下，本项目拟本文档来自技高网...

【技术保护点】
1.一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：该方法包括以下步骤：S1：构建多模态医疗监护数据集；S2：患者监护数据与个性化数据双模态融合特征学习；S3：跨模态协同学习特征提取；S4：构建多模态危重事件预测模型；S5：模型反馈验证。

【技术特征摘要】
1.一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：该方法包括以下步骤：S1：构建多模态医疗监护数据集；S2：患者监护数据与个性化数据双模态融合特征学习；S3：跨模态协同学习特征提取；S4：构建多模态危重事件预测模型；S5：模型反馈验证。2.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S1中，通过开展多模态数据时序同步技术、数据预处理技术及数据脱敏技术研究，构建多模态医疗监护数据集，为研究奠定数据基础。3.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S1中，患者医疗数据包括类型：(1)检查手段产生的测量数值；(2)仪器记录的信号；(3)文本形式呈现的报告结果；(4)叙述性的数据；(5)手术操作的视频数；(6)人口统计数据。4.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S1中，不同类型的医学数据来自不同的渠道，拥有完整且独立的语义；并能够相互印证相互补充，都从特定的角度表达医学信息的内容和特点，构成多样且互补的数据集合；构建多模态患者医疗数据集的具体方法包括：高分辨率多变量的监护数据的时序同步、患者个性化数据的归一化和手术视频数据的预处理。5.根据权利要求1所述的一种基于跨模态深度学习的围术期危重事件预测方法，其特征在于：在步骤S2中，通过融合生命体征数据和电子病历EMR中的患者个性化数据进行双模态特征提取，进行危重不良事件预测，为跨模态协同学习提供教师网络；构建的医疗多模态数据包括3类数据：手术视频数据、患者监护数据和患者相关的个性化数据；监护数据和个性化数据包含患者的主要个体信息；双模态融合学习具体方法为：通过时序卷积网络学习时序监护特征数据，得到时序监护体征...

【专利技术属性】
技术研发人员：陈芋文，鲁开智，张矩，钟坤华，祁宝莲，孙启龙，李亚晴，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，中国人民解放军陆军军医大学第一附属医院，
类型：发明
国别省市：重庆,50