创伤复苏单元并发症预测模型训练制造技术

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

【技术实现步骤摘要】
创伤复苏单元并发症预测模型训练、预测方法和电子设备


[0001]本专利技术涉及医疗救治
，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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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
。
[0005]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
。

技术实现思路

[0006]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
。
[0007]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
。
[0008]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
。
[0009]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
。
[0010]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
。
[0011]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
。
[0012]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
。
[0013]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
。
[0014]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
。
[0015]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
。
[0016]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
。
[0017]本申请的有益效果在于：
[0018]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王天兵，王储，王想想，
申请(专利权)人：北京紫云智能科技有限公司，
类型：发明
国别省市：