基于心电图的重症监护室患者早期死亡风险预测模型的构建方法及其系统技术方案

本发明专利技术涉及医学数据处理技术领域，公开一种基于心电图的重症监护室患者早期死亡风险预测模型的构建方法及其系统，根据重症监护室患者群体在预设时间范围内的多个12导联心电图以及多个12导联心电图中每一个12导联心电图距离其中时间最新的12导联心电图的时间差数据，通过基于临床意义的导联分组患者时序网络框架，训练模型学习重症监护室患者的不同结局与其在不同时间点的12导联心电图的关系，得到基于心电图的重症监护室患者早期死亡风险预测模型，其中，每个重症监护室患者对应的数据均标注有患者预后标签。本发明专利技术构建的模型鲁棒性高、泛化能力良好，能够辅助实现高效、准确的重症监护室患者早期死亡风险评估。

【技术实现步骤摘要】

本专利技术涉及医学数据处理，尤其涉及一种基于心电图的重症监护室患者早期死亡风险预测模型的构建方法及其系统。

技术介绍

1、在重症监护病房(icu)环境中，患者的临床决策和死亡风险评估至关重要。传统的死亡风险评估主要依赖于评分模型，如急性生理学和慢性健康评估(apache)、简化急性生理学评分(saps)和快速败血症相关器官衰竭评估(qsofa)，这些模型通过综合考虑多种临床指标来预测患者的结果。然而，这类基于评分的死亡风险评估方法存在若干局限性。

2、首先，这些评分模型依赖全面且详细的临床数据，包括实验室检测结果，这使得它们对数据完整性的要求极高，任何缺失变量都可能导致无法提供准确预测。此外，部分实验室检查需要一定时间才能得出结果，可能延迟临床决策过程。其次，评分模型的系数是基于特定人群特征设定的，因此其泛化能力有限，难以适应不同地区或机构的具体情况。再者，临床数据的隐私保护问题也增加了此类模型部署和应用的难度。

3、近年来，随着机器学习和深度学习技术的发展，越来越多的研究开始探索使用这些先进算法来改善icu患者的死亡风险评估。例如本文档来自技高网...

【技术保护点】

1.一种基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，包括：

2.根据权利要求1所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，基于临床意义的导联分组患者时序网络框架包括输入层、卷积层、多尺度注意力聚合模块、时间置信度模块、输出层，

3.根据权利要求2所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，6个组别包括以下任一项或其任意组合：高侧壁组、下壁组、间隔组、前壁组、侧壁组、辅助组，预设临床意义包括以下任一项或其任意组合：

4.根据权利要求2所述的基于心电图的重症监护室患者...

【技术特征摘要】

1.一种基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，包括：

2.根据权利要求1所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，基于临床意义的导联分组患者时序网络框架包括输入层、卷积层、多尺度注意力聚合模块、时间置信度模块、输出层，

3.根据权利要求2所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，6个组别包括以下任一项或其任意组合：高侧壁组、下壁组、间隔组、前壁组、侧壁组、辅助组，预设临床意义包括以下任一项或其任意组合：

4.根据权利要求2所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，基于临床意义的导联分组患者时序网络框架的卷积层包括多个编码器，用于分别提取6个组别的心电数据的心电特征；

5.根据权利要求4所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，基于临床意义的导联分组患者时序网络框架的时间置信度模块包括线性层、卷积层、门控融合子模块，所述针对每一个12导联心电图，根据其距离多个12导联心电图中时间最新的12导联心电图的时间差数据，通过基于临床意义的导联分组患者时序网络框架的时间置信度模块，提取时间差特征，并将时间差特征和对应的融合心电特征进行融合并得到心电图置信度，包括：

6.根据权利要求5所述的基于心电图的重症监护室患者早期死亡风险预测模型的构建方法，其特征在于，基于临床意义的导...

【专利技术属性】
技术研发人员：王辰元，王一斐，吕婷婷，张萍，
申请(专利权)人：北京清华长庚医院，
类型：发明
国别省市：