IDH预测及干预措施推荐多任务模型的构建方法及应用技术

本发明专利技术IDH预测及干预措施推荐多任务模型的构建方法及应用，属于医疗行业人工智能领域，包括以下步骤：S1收集血液透析前的时不变数据和时不变数据组成输入数据；S2为每一条输入数据设置标签，每一个标签对应一个学习任务；S3构建透中低血压预测及干预措施推荐多任务模型，模型包括辅助任务X、辅助任务Y和主任务Z；每个任务的模型架构均分为输入层、隐藏层、输出层，每层都由若干个神经元构成；S4构造训练集数据和测试集数据对模型进行训练；S5多任务模型的验证；本发明专利技术通过提前预测及提前干预的方式降低患者IDH发生的风险，从而达到在MHD治疗过程中对IDH防治，改善MHD患者预后的目的。目的。

【技术实现步骤摘要】
IDH预测及干预措施推荐多任务模型的构建方法及应用


[0001]本专利技术涉及医疗预测模型的构建方法，属于医疗行业人工智能领域，具体的说是采用多任务学习方法构建维持性血液透析透中低血压预测及干预措施推荐模型的方法及应用。

技术介绍

[0002]维持性血液透析治疗是指利用血液透析或腹膜透析挽救患者的生命，是延长尿毒症患者生命的过渡方法。进行维持性血液透析的患者不仅包括由慢性肾炎发展而至的尿毒症，其他如糖尿病、高血压而导致的尿毒症也是患者进行维持性透析的常见原因。维持性透析治疗分为血液透析和腹膜透析两种：血液透析（HD）是急慢性肾功能衰竭患者肾脏替代治疗方式之一。它通过将体内血液引流至体外，经一个由无数根空心纤维组成的透析器中，血液与含机体浓度相似的电解质溶液（透析液）在一根根空心纤维内外，通过弥散、超滤、吸附和对流原理进行物质交换，清除体内的代谢废物、维持电解质和酸碱平衡；同时清除体内过多的水分，并将经过净化的血液回输到体内。
[0003]腹膜透析（PD）是利用腹膜作为半渗透膜的特性，通过重力作用将配制好的透析液规律、定时经导管灌入患者的腹膜腔，由于在腹膜两侧存在溶质的浓度梯度差，高浓度一侧的溶质向低浓度一侧移动（弥散作用）；水分则从低渗一侧向高渗一侧移动（渗透作用）。通过腹腔透析液不断地更换，以达到清除体内代谢产物、毒性物质及纠正水、电解质平衡紊乱的目的。
[0004]透析中低血压（IDH）是维持性血液透析（MHD）治疗过程中最常见的并发症之一，透析中，当患者收缩压下降≥20mmHg，或平均动脉压下降≥10mmHg，患者会出现头昏、眩晕、烦躁、焦虑、面色苍白、打哈欠、恶心、呕吐、胸闷、心率增快、腹部不适、冷汗，严重者可有呼吸困难、黑蒙、肌肉痉挛、甚至一过性意识丧失，严重时会引起急性心血管事件，增加死亡风险。研究显示，我国MHD 治疗患者中IDH的发生率约为39%，IDH的频繁发生是MHD患者预后不佳的重要因素，因此在MHD治疗过程中对IDH的防治非常重要。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出一种构建维持性血透中低血压预测及干预措施推荐多任务模型的方法，包括以下步骤：S1收集输入数据；收集血液透析前的时不变数据和血液透析期间每一时刻的时变数据作为输入数据；由每一个时不变数据和每一个时变数据共同组成一条输入数据；S2，为每一条输入数据设置标签；为每一条输入数据设置3个标签，分别为标签A、标签B、标签C；每一个标签对应一个学习任务；S3，构建透中低血压预测及干预措施推荐多任务模型；所述多任务模型包括辅助任务X、辅助任务Y和主任务Z；每个任务的模型架构均分为输入层、隐藏层、输出层，每层都
由若干个神经元构成；隐藏层和输出层中的每个神经元都有权重，权重在模型训练的过程中得出；输出层的每一个神经元会对隐藏层输出的数据有不同的权重计算，输出最后结果，输出层神经元个数由标签类别的数量决定；S4，模型的训练；将步骤S1收集的输入数据构造训练集数据和测试集数据，构造损失函数，将训练集数据输入模型，对模型进行训练；S5，多任务模型的验证；多任务模型对步骤S4中得到的测试集数据进行计算，得到测试集数据的三个任务的结果，分别计算每个任务的准确率、召回率和精确率，通过这三个指标评价多任务模型的效果，每个任务的准确率、召回率和精确率达到预定值的，得到合格的IDH预测及干预措施推荐多任务模型。
[0006]进一步的，步骤S1时不变数据包括：患者血液透析前的测量体征数据、个人信息、病史记录、检验检查结果、历史透析记录、当次血液透析处方；其中，测量体征数据包括：透前体重、透前心率、透前干体重、透前脉搏、透前收缩压、透前舒张压血压、透前呼吸频率；个人信息包括：年龄、性别、身高、透析龄；病史记录包括：高血压病史、糖尿病病史；检验检查结果包括：血白细胞计数、血红蛋白、血红细胞计数、血糖、血白蛋白、血总胆固醇、血甘油三酯、血肌酐、血尿酸、血尿素氮、血钾、血钠、血钙、血磷、血氯、尿白细胞、尿蛋白、尿红细胞、尿肌酐、尿潜血、尿微量白蛋白、尿白蛋白；历史透析记录包括：透析间期体重增长、上次透析时长、上次下机体重、近七日发生IDH次数、近三十日发生IDH次数；当次血液透析处方包括：透析模式、抗凝剂、抗凝剂剂量、超滤量、透析时长、透析液钾离子浓度、透析液钙离子浓度、透析液钠离子浓度、透析液电导度、血流量；所述时变数据包括：患者血液透析期间，需持续固定时间间隔监测体征、透析治疗参数和透析机参数；其中，间隔监测体征数据包括：当前体温、当前心率、当前收缩压、当前舒张压、当前脉搏、当前呼吸频率；透析治疗参数包括：当前已超滤、当前透析时长、当前透析液钾离子浓度、当前透析液钙离子浓度、当前透析液钠离子浓度、当前透析液电导度、当前血流量；透析机参数包括：当前动脉压、当前静脉压、当前跨模压、当前血滤量。
[0007]进一步的，步骤S2包括如下子步骤：S21，设定IDH的诊断标准：
①
符合IDH的干预措施，且收缩压较透前收缩压下降超过20mmHg；
②
无干预措施，但收缩压小于90mmHg；S22，根据IDH的诊断标准为每一条输入数据设置标签A、标签B、和标签C；标签A为：本次透析是否发生IDH；标签B为：下一时刻是否发生IDH；标签C为：下一时刻IDH的干预措施；其中，IDH的干预措施包括：不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别。
[0008]进一步的，步骤S22包括如下子步骤：S221，收集透析中IDH干预数据，IDH干预数据为透析过程中本条输入数据的干预措施；IDH干预数据的干预措施亦为：不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别；S222，设置标签A；对本次透析所有时刻的输入数据，根据IDH的诊断标准判断每一时刻是否为IDH；S223，设置标签B；对本次透析所有时刻的输入数据，根据IDH的诊断标准判断每一时刻是否为IDH；判断为IDH的时刻的上一时刻的标签B标为下一时刻发生IDH，其余时刻的标签B标位下一时刻不发生IDH；S224，设置标签C；根据IDH的干预措施数据设置输入数据采集标签C。
[0009]进一步的，步骤S3中，预测本次透析是否发生IDH为辅助任务X；预测下一时刻IDH的干预措施为辅助任务Y；预测下一时刻是否发生IDH为主任务Z；辅助任务X的模型架构分为输入层X1、隐藏层X2、输出层X3，每层都由若干个神经元构成，隐藏层X2和输出层X3中的每个神经元都有权重，权重在模型训练的过程中得出；1．辅助任务X模型包括如下结构：（1）输入层：辅助任务X的输入层X1输入的数据为血液透析前的时不变数据，输入层X1神经元个数为血液透析前的时不变数据个数；（2）隐藏层：隐藏层X2的每一个神经元会对输入层X1输入的数据有不同的权重计算，从而更加偏向于某种任务标签的预测；在本专利技术中，辅助任务X的隐藏层X2的权重值偏向于预测本次透析是否发生IDH；设：辅助任务X的输入层X1的输出数组为X1
i ，i为输出数组中数值的个数，i为1~n；隐藏层X2的神经元中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.IDH预测及干预措施推荐多任务模型的构建方法，其特征在于包括以下步骤：S1收集输入数据；收集血液透析前的时不变数据和血液透析期间每一时刻的时变数据作为输入数据；由每一个时不变数据和每一个时变数据共同组成一条输入数据；S2，为每一条输入数据设置标签；为每一条输入数据设置3个标签，分别为标签A、标签B、标签C；每一个标签对应一个学习任务；S3，构建透中低血压预测及干预措施推荐多任务模型；所述多任务模型包括辅助任务X、辅助任务Y和主任务Z；每个任务的模型架构均分为输入层、隐藏层、输出层，每层都由若干个神经元构成；隐藏层和输出层中的每个神经元都有权重，权重在模型训练的过程中得出；输出层的每一个神经元会对隐藏层输出的数据有不同的权重计算，输出最后结果，输出层神经元个数由标签类别的数量决定；S4，模型的训练；将步骤S1收集的输入数据构造训练集数据和测试集数据，构造损失函数，将训练集数据输入模型，对模型进行训练；S5，多任务模型的验证；多任务模型对步骤S4中得到的测试集数据进行计算，得到测试集数据的三个任务的结果，分别计算每个任务的准确率、召回率和精确率，通过这三个指标评价多任务模型的效果，每个任务的准确率、召回率和精确率达到预定值的，得到合格的IDH预测及干预措施推荐多任务模型。2.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法，其特征在于：步骤S1时不变数据包括：患者血液透析前的测量体征数据、个人信息、病史记录、检验检查结果、历史透析记录、当次血液透析处方；其中，测量体征数据包括：透前体重、透前心率、透前干体重、透前脉搏、透前收缩压、透前舒张压血压、透前呼吸频率；个人信息包括：年龄、性别、身高、透析龄；病史记录包括：高血压病史、糖尿病病史；检验检查结果包括：血白细胞计数、血红蛋白、血红细胞计数、血糖、血白蛋白、血总胆固醇、血甘油三酯、血肌酐、血尿酸、血尿素氮、血钾、血钠、血钙、血磷、血氯、尿白细胞、尿蛋白、尿红细胞、尿肌酐、尿潜血、尿微量白蛋白、尿白蛋白；历史透析记录包括：透析间期体重增长、上次透析时长、上次下机体重、近七日发生IDH次数、近三十日发生IDH次数；当次血液透析处方包括：透析模式、抗凝剂、抗凝剂剂量、超滤量、透析时长、透析液钾离子浓度、透析液钙离子浓度、透析液钠离子浓度、透析液电导度、血流量；所述时变数据包括：患者血液透析期间，需持续固定时间间隔监测体征、透析治疗参数和透析机参数；其中，间隔监测体征数据包括：当前体温、当前心率、当前收缩压、当前舒张压、当前脉搏、当前呼吸频率；透析治疗参数包括：当前已超滤、当前透析时长、当前透析液钾离子浓度、当前透析液钙离子浓度、当前透析液钠离子浓度、当前透析液电导度、当前血流量；透析机参数包括：当前动脉压、当前静脉压、当前跨模压、当前血滤量。3.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法，其特征在于：步骤S2包括如下子步骤：
S21，设定IDH的诊断标准：
①
符合IDH的干预措施，且收缩压较透前收缩压下降超过20mmHg；
②
无干预措施，但收缩压小于90mmHg；S22，根据IDH的诊断标准为每一条输入数据设置标签A、标签B、和标签C；标签A为：本次透析是否发生IDH；标签B为：下一时刻是否发生IDH；标签C为：下一时刻IDH的干预措施；其中，IDH的干预措施包括：不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别。4.根据权利要求3所述IDH预测及干预措施推荐多任务模型的构建方法，其特征在于：步骤S22包括如下子步骤：S221，收集透析中IDH干预数据，IDH干预数据为透析过程中本条输入数据的干预措施；IDH干预数据的干预措施亦为：不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别；S222，设置标签A；对本次透析所有时刻的输入数据，根据IDH的诊断标准判断每一时刻是否为IDH；S223，设置标签B；对本次透析所有时刻的输入数据，根据IDH的诊断标准判断每一时刻是否为IDH；判断为IDH的时刻的上一时刻的标签B标为下一时刻发生IDH，其余时刻的标签B标位下一时刻不发生IDH；S224，设置标签C；根据IDH的干预措施数据设置输入数据采集标签C。5.根据权利要求1所述构建IDH预测及干预措施推荐多任务模型的方法，其特征在于：步骤S3，预测本次透析是否发生IDH为辅助任务X；预测下一时刻IDH的干预措施为辅助任务Y；预测下一时刻是否发生IDH为主任务Z；辅助任务X的模型架构分为输入层X1、隐藏层X2、输出层X3，每层都由若干个神经元构成，隐藏层X2和输出层X3中的每个神经元都有权重，权重在模型训练的过程中得出；5.1辅助任务X模型包括如下结构：（1）输入层：辅助任务X的输入层X1输入的数据为血液透析前的时不变数据，输入层X1神经元个数为血液透析前的时不变数据个数；（2）隐藏层：隐藏层X2的每一个神经元会对输入层X1输入的数据有不同的权重计算，从而更加偏向于某种任务标签的预测；在本发明中，辅助任务X的隐藏层X2的权重值偏向于预测本次透析是否发生IDH；设：辅助任务X的输入层X1的输出数组为X1
i ，i为输出数组中数值的个数，i为1~n；隐藏层X2的神经元中包括若干个权重参数数组W
i
，权重参数W的个数为i，i为1~n；权重参数W的个数与输出数组中数值的个数i数量相等；设隐藏层X2的输出数据数组为X2i，则：；（3）输出层：输出层X3的神经元有一个，0为本次透析不发生IDH，1为本次透析发生IDH；输出层X3的神经元对隐藏层输出的数据有不同的权重计算，输出最后结果；设:
输出层X3的神经元中包括若干个权重参数数组W
j
，权重参数W的个数为j，j为1~n；权重参数数组W
j
个数与权重参数数组W
i
个数相等，即i=j则，输出层X3的输出= Sigmoid()；5.2辅助任务Y的模型包括如下结构：辅助任务Y的模型架构分为输入层Y1、隐藏层Y2、输出层Y3，每层都由若干个神经元构...

【专利技术属性】
技术研发人员：马梦青，曹长春，万辛，李汶汶，陈浩，林燕榕，陆天浩，朱江，洪雪明，姜玉苹，
申请(专利权)人：肾泰网健康科技南京有限公司，
类型：发明
国别省市：