多模态监测信息的术后END风险预警及相关设备制造技术

本发明专利技术涉及多模态监测信息的术后END风险预警及相关设备。设备包括：存储器和处理器；所述处理器用于执行以下操作：获取待测用户在当前时间周期的临床数据；将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；利用统计过程控制方法获取所述临床数据的统计值，将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确实现下一时间周期的术后END风险预警。本申请实现了实时更新术后END预警。

【技术实现步骤摘要】
多模态监测信息的术后END风险预警及相关设备
本专利技术涉及生物信息
，更具体地，涉及多模态监测信息的急性缺血性卒中血管内治疗术后早期神经功能恶化自动化预警、电子设备和计算机可读存储介质。
技术介绍
尽管目前血管内治疗已获得全球多项国际组织及国际指南的最高级治疗推荐。但并非使所有患者均能从中获益，约40％接受血管内治疗患者术后最终仍发展为不良预后。很多患者在术后出现非预期病情恶化，最终表现为不良预后。早期神经功能恶化(EarlyNeurologicalDeterioration，END)是血管内治疗术后最常见，最有代表性的不良事件。目前最广泛使用的END定义为血管再通后24h小时内出现的神经功能恶化，且NIHSS评分较基线增加大于等于4分。END症状性脑出血、再闭塞、无效再通、脑疝等是END发生的常见原因，但具体发生机制仍不清楚。及时预测END的发生，提前采取积极的对应干预措施，能够逆转患者结局。早期神经功能恶化是指患者接受血管再通治疗(包括静脉溶栓与血管内治疗)后短期内发生的神经功能好转后恶化，最终表现为预后不良，甚至死亡。临床发现一些血管内治疗术后END患者不仅神经功能监测可出现明显异常，也可出现特征性的基础体征信号变化，和SND(神经功能的突发恶化)发生密切相关。这些复合生理信号的改变有时提示END的出现时间。但需要注意的是这些异常生理监测信号的敏感性虽然显著，但预测END的特异性不高，很多重症患者会因其它系统疾病问题出现类似改变。基于现有技术目前END预测方面研究结果显示单纯基于术前术中情况、临床影像信息，或单纯依靠电生理监测信息都不能很好的综合预判。基于静态的临床信息、影像信息、同时整合术后连续多模监护信息可以更好指导对于血管内治疗术后END进行实时预测。然而在实际临床这些复杂的信息、多模式监护数据等多形式数据虽被实时监测并有限记录，但其中仅很小部分被筛选用来临床分析。同时这些多维、复杂的数据往往需高年资医师凭借多年临床经验才可部分分析，且时常会出现误判的情况。此外重症患者个体化趋势很明显，基于普通病患的评价标准有时不适用，我们很难使用统一标准来判断这些海量数据，更加剧了分析的难度。
技术实现思路
鉴于上述问题，本专利技术利用深基于卷积理论的深度自编码器提取复杂多维信息与电生理信号的时空表征，并利用统计过程控制方法(StatisticalProcessControl，SPC)对提取的电生理特征进行监测，以达到实时更新END预警。一种基于多模态监测信息的术后END风险预警设备，所述设备包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；利用统计过程控制方法获取所述临床数据的统计值；将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后END风险预警；所述基于卷积理论的深度自编码器的训练方式和各个时间周期的预警阈值的确定方式包括：获取术后无END患者在各个时间周期的临床数据作为训练样本，获取术后有END患者在各个时间周期的临床数据作为验证样本；利用训练样本训练基于卷积理论的深度自编码器；利用验证样本验证所述采用基于卷积理论的深度自编码器，并对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制方法进行处理，得到每个时间周期对应的预警阈值。所述基线数据包括基线信息、既往史信息、基线实验室指标、基线影像信息、术中情况等方面的特征变量；进一步，基线信息(B)包括年龄，性别、基线NIHSS评分，基线血压、发病时间；既往史信息(H)包括高血压、冠心病、房颤、既往卒中，既往用药史(抗血小板治疗，抗凝治疗)；基线实验室指标(L)包括入院血糖、白细胞计数、中性粒计数、PLT计数、LDL)；基线影像信息(I)包括梗死体积、Mismatch体积、ASPECT评分，梗死部位、责任血管、闭塞程度、早期征象、侧枝循环、脑白质病变程度、微出血情况等；术中情况(E)包括是否静脉溶栓治疗，麻醉方式、血管内治疗方式(支架取栓、抽吸取栓、支架成形等)，取栓次数，术中抗凝、抗血小板应用，术后TICI分级、残余狭窄，术后NIHSS评分、手术时间等。进一步，动态监测数据包括ECG(e)、RESP(r)、NIBP(nb)、ABP(ab)、SPO2(s)、PULSE(p)、EEG(eeg)、TCD(tcd)等。进一步，对临床数据进行特征提取前先进行数据清洗，数据清洗包括对缺失数据处理和对离散及噪音数据的处理。所述数据清洗包括对缺失数据处理和对离散及噪音数据的处理。所述对缺失数据处理可基于临床分析及模型参数优化完成；所述对离散及噪音数据的处理可采用Binning方法处理；优选的，对临床数据进行数据清洗后，对所有数据进行归一化处理。优选的，基于卷积理论的深度自编码器对术后无END患者组和术后有END患者组高维度的基线数据、高数据量的动态监测数据进行特征提取；优选的，通过基于卷积理论的深度自编码器对高维度的基线数据、高数据量的动态监测数据进行特征提取，进而获得可整合的修正信息编码。优选的，通过基于卷积理论的深度自编码器对临床数据进行特征提取，进而获得可整合的修正信息编码。深度自动编码器(DeepAuto-encoder，DAE)主要用于完成转换学习任务,可完成无监督学习及非线性特征提取。其基本思想就是直接使用一层或者多层的神经网络对输入数据进行映射，得到输出向量，作为从输入数据提取出的特征(见图)。DAE是一种利用无监督预训练和系统性参数优化的多层非线性网络从无类标数据中提取高维复杂输入数据的分层特征，并得到原始数据的分布式特征表示的深度学习神经网络结构。DAE由编码器、解码器和隐含层组成。常见DAE不能有效解决繁杂数据中的池化与白化问题，并且大量冗余参数被强迫参与计算使得运算效率较低，而基于卷积理论的DAE是可用于处理本申请中多模态数据的，该结构利用重要的局部特征重构原始数据，且输入数据的所有局部特征共享权值矩阵，因而该类DAE的隐含层能完整保存受局部空间限制的边缘特征。基于卷积理论的DAE用基本模块的线性组合来拟合多模态数据信号，显著提升了信号综合识别的速度和准确率。优选的，采用启发式搜索算法优化自动编码器结构。优选的，采用启发式搜索算法，选取自动预警模型的结构和超参数，对自动预警模型进行优化。优选的，使用统计过程控制中的指数加权移动平均控制图(ExponentiallyWeightedMoving-Average，EWMA)进行处理，得到每个时间周期对应的预警阈值，侦测多模态监测信号的微小偏移，监测指标变本文档来自技高网...

【技术保护点】
1.一种基于多模态监测信息的术后END风险预警设备，所述设备包括：存储器和处理器；/n所述存储器用于存储程序指令；/n所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：/n获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；/n将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；/n利用统计过程控制方法获取所述临床数据的统计值；/n将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后END风险预警；/n所述基于卷积理论的深度自编码器的训练方式和各个时间周期的预警阈值的确定方式包括：/n获取术后无END患者在各个时间周期的临床数据作为训练样本，获取术后有END患者在各个时间周期的临床数据作为验证样本；/n利用训练样本训练基于卷积理论的深度自编码器；利用验证样本验证所述采用基于卷积理论的深度自编码器，并对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制方法进行处理，得到每个时间周期对应的预警阈值。/n

【技术特征摘要】
1.一种基于多模态监测信息的术后END风险预警设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；
将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；
利用统计过程控制方法获取所述临床数据的统计值；
将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后END风险预警；
所述基于卷积理论的深度自编码器的训练方式和各个时间周期的预警阈值的确定方式包括：
获取术后无END患者在各个时间周期的临床数据作为训练样本，获取术后有END患者在各个时间周期的临床数据作为验证样本；
利用训练样本训练基于卷积理论的深度自编码器；利用验证样本验证所述采用基于卷积理论的深度自编码器，并对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制方法进行处理，得到每个时间周期对应的预警阈值。


2.根据权利要求1所述的设备，其特征在于，采用启发式搜索算法优化深度自动编码器结构。


3.根据权利要求1所述的设备，其特征在于，所述对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制方法进行处理是对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制的指数加权移动平均控制图进行处理，得到每个时间周期对应的预警阈值。


4.根据权利要求1所述的设备，其特征在于，所述基线数据包括基线信息、既往史信息、基线实验室指标、基线影像信息、术中情况方面的数据；动态监测数据包括术后基本监护参数及神经电生理监测信号数据；
优选的，所述基线信息包括年龄，性别、基线NIHSS评分，基线血压、发病时间；既往史信息包括高血压、冠心病、房颤、既往卒中，既往用药史(抗血小板治疗，抗凝治疗)；基线实验室指标包括入院血糖、白细胞计数、中性粒计数、PLT计数、LDL)；基线影像信息包括梗死体积、Mismatch体积、ASPECT评分，梗死部位、责任血管、闭塞程度、早期征象、侧枝循环、脑白质病变程度、微出血情况等；术...

【专利技术属性】
技术研发人员：聂曦明，王龙，刘丽萍，
申请(专利权)人：首都医科大学附属北京天坛医院，
类型：发明
国别省市：北京;11