【技术实现步骤摘要】
本专利技术涉及监护设备，更具体的说是涉及一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统。
技术介绍
1、重症感染患者在生命体征不稳定，或者病情复杂、严重的情况下转入重症监护室(icu)进行治疗。随着患者病情的发展和治疗干预，病人的健康状况会不断变化。病人在不同的危重情况下需要的医疗资源不同，既可能发生因医疗资源过剩造成的资源浪费也可能发生因医疗资源不足造成的病情加重甚至死亡。这不仅给患者家庭造成巨大的经济损失，同时也加重了社会的负担。解决这一关键难题，需要及时有效地对重症感染病人进行早期判断，对其重症感染情况作出有效的识别、分层和疗效预测，从而在提高医疗资源利用率的基础上有效降低重症感染患者的病死率。
2、临床医生等医疗工作者常通过临床症状、体征及相关辅助检查来判断患者的病情，但这通常需要一定的时间。由于重症感染的特殊性，患者的病情可能在短时间内发生难以估计的变化，给临床判断时效和治疗方案规划带来了更加严峻的挑战。近年来国内外认可的icu病人病情监测评价系统：改善早期预警评分量化体系(modified early warningscore,mews)由英国国家早期预警评分(national earlywarning score,news)和预警评分(early warning score,ews)演变而来。因其预测效能优于其他早期预警，现已成为用于早期辨别危重症病人病情变化的标准化工具。
3、但是，mews主要通过对患者的心率、收缩压、呼吸频率、体温和神经意识等进行综合评分，这种办法以赋分
4、因此，如何基于多模态数据融合联邦学习提供一种能保证数据安全且预测精准的智能重症感染预警和辅助决策系统是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，包括以下模块：
4、结构化数据库存储模块，收集重症感染的历史数据，并对所述历史数据进行预处理，构建重症感染数据库；
5、有效信息提取模块，与所述结构化数据库存储模块连接，提取重症感染数据库中的有效信息；
6、icu分层预警模块，与所述有效信息提取模块连接，基于重症感染数据库中的有效信息通过构建好的icu分层预警模型预测在后续t小时内的危重情况并输出；
7、患者病情分析与预测模块，与所述icu分层预警模块连接，基于icu分层预警模块得到的预警结果进行患者病情分析与预测。
8、动态信息存储模块，与所述icu分层预警模块连接，与结构化数据库存储模块具有相同的框架，用于接收并保存新获取的动态信息。
9、可选的，所述结构化数据库存储模块包括：
10、医院对接单元，对接医院中的信息化系统，收集有关重症感染的传统电子病历数据；
11、物联网对接单元，采用医疗物联网对接icu的监护仪、呼吸机、血气分析仪、输液工作站、床旁快速检测设备和体外生命支持设备的任一种或多种监测设备，进行数据解析，实时采集生命体征信息并按照统一的物联网协议进行流式传输，得到生命体征实时监测数据；
12、数据预处理单元，将传统电子病历数据以及生命体征实时监测数据中的信息进行标准化处理，保证信息术语的一致性；
13、智能分层数据库，将预处理后的传统电子病历数据以及生命体征实时监测数据进行智能分层存储。
14、可选的，所述有效信息提取模块通过lstm长短期记忆网络模型提取所述智能分层数据库中生命体征时间序列和电子病历数据，以固定时间周期计算一组生命体征变量并传递给所述icu分层预警模型。
15、可选的，所述lstm长短期记忆网络模型分为三个阶段，包括：
16、第一部分为忘记阶段，对上一个节点传进来的输入进行选择性剔除；
17、第二部分为选择记忆阶段，将本部分的输入选择性存储；
18、第三部分为输出阶段，决定将会被当成当前状态的输出。
19、可选的，所述icu分层预警模型分为三部分的预测，包括：死亡率预测、代偿失调预测以及住院时长预测。
20、可选的，所述icu分层预警模块还包括：获取动态信息，并基于所述动态信息使用联邦学习优化icu分层预警模型。
21、可选的，联邦学习过程如下：
22、s1.初始化设置：设置参数共享协议、子节点的通信状态以及对icu分层预警模型迭代过程的目标精度，并在启动期间提供配置参数；
23、s2.参数配置：使联邦学习平台启动节点与联邦学习服务端的网络连接，以及区块链网络覆盖在节点之间的底层ip网络连接，并进行有序启动；
24、s3：将联邦学习api集成到通用模型中，对模型进行优化训练，得到优化训练后的icu分层预警模型；
25、s4.测试：并将优化训练后的icu分层预警模型用于患者病情分析与预测模块。
26、可选的，s3：将联邦学习api集成到通用模型中，对模型进行优化训练，训练完成后，得到训练后的icu分层预警模型，包括：
27、s3.1.注册：联邦学习训练从每个节点一次性注册联邦学习智能合约开始；
28、s3.2.本地模型训练：节点在多轮迭代训练模型的本地副本；
29、s3.3.当参数共享的节点数量达到初始化期间指定的某个最小阈值，联邦学习开始参数共享；
30、s3.4.参数合并和更新：联邦学习框架根据配置的合并算法合并参数，并向其他节点发出新参数可用的信号，每个节点从中本文档来自技高网...
【技术保护点】
1.一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，还包括动态信息存储模块，与所述ICU分层预警模块连接，与结构化数据库存储模块具有相同的框架，用于接收并保存新获取的动态信息。
3.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述结构化数据库存储模块包括：
4.根据权利要求3所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述有效信息提取模块通过LSTM长短期记忆网络模型提取所述智能分层数据库中生命体征时间序列和电子病历数据，以固定时间周期计算一组生命体征变量并传递给所述ICU分层预警模型。
5.根据权利要求4所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述LSTM长短期记忆网络模型分为三个阶段，包括：
6.根据权利要求1所述的一种基于多模态数据融合联邦学习
7.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述ICU分层预警模块还包括：获取动态信息，并基于所述动态信息使用联邦学习优化ICU分层预警模型。
8.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，联邦学习过程如下：
9.根据权利要求8所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，S3：将联邦学习API集成到通用模型中，对模型进行优化训练，训练完成后，得到训练后的ICU分层预警模型，包括：
10.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述患者病情分析与预测模块包括：包括：
...【技术特征摘要】
1.一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，还包括动态信息存储模块，与所述icu分层预警模块连接，与结构化数据库存储模块具有相同的框架，用于接收并保存新获取的动态信息。
3.根据权利要求1所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述结构化数据库存储模块包括：
4.根据权利要求3所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述有效信息提取模块通过lstm长短期记忆网络模型提取所述智能分层数据库中生命体征时间序列和电子病历数据，以固定时间周期计算一组生命体征变量并传递给所述icu分层预警模型。
5.根据权利要求4所述的一种基于多模态数据融合联邦学习的智能重症感染预警和辅助决策系统，其特征在于，所述lstm长短期记忆网络模型分为三个阶段，包括：...
【专利技术属性】
技术研发人员：王懿春，董迪，王首红，代科伟，
申请(专利权)人：广州医科大学附属第三医院广州重症孕产妇救治中心，广州柔济医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。