基于大数据和人工智能的术后风险预测方法及系统

专利名称：基于大数据和人工智能的术后风险预测方法及系统

专利类型：发明专利

专利申请号：CN202410221608.0

专利申请（专利权）人：北京凯普顿医药科技开发有限公司
权利人地址：北京市大兴区春和路52号院5号楼8层810

专利发明（设计）人：裴萌,何旭,唐淑花

专利摘要：本发明公开了基于大数据和人工智能的术后风险预测方法及系统，包括：首先响应于针对目标患者的术后风险预测指令，对所述术后风险预测指令进行安全验证处理；在安全验证处理表征为通过的情况下，调取预先设置的用户医疗隐私区块链；从用户医疗隐私区块链中采集目标患者的患者健康历史数据。然后，根据患者健康历史数据，利用预先训练的术后风险预测模型确定出目标患者的术后风险预测结果。如此设计，在保护患者隐私的前提下，利用大数据和人工智能精确预测术后风险，有助于医生个性化制定治疗方案，提升术后恢复效果和患者满意度。

主权利要求：
1.基于大数据和人工智能的术后风险预测方法，其特征在于，包括：
响应于针对目标患者的术后风险预测指令，对所述术后风险预测指令进行安全验证处理；
在所述安全验证处理表征为通过的情况下，调取预先设置的用户医疗隐私区块链；
从所述用户医疗隐私区块链中采集所述目标患者的患者健康历史数据；
根据所述患者健康历史数据，利用预先训练的术后风险预测模型确定出所述目标患者的术后风险预测结果；
所述响应于针对目标患者的术后风险预测指令，对所述术后风险预测指令进行安全验证处理，包括：响应于针对目标患者的术后风险预测指令，生成访问所述用户医疗隐私区块链的访问请求，所述访问请求包括访问用户身份信息和访问终端设备信息；
将所述访问请求发送至所述用户医疗隐私区块链维护的分布式验证节点；
利用所述分布式验证节点获取所述访问用户身份信息对应的行为模式以及所述访问终端设备信息对应的设备属性和网络环境；
根据所述行为模式、所述设备属性和所述网络环境对所述术后风险预测指令进行安全验证处理；
在所述安全验证处理表征为通过的情况下，调取预先设置的用户医疗隐私区块链，包括：在所述安全验证处理表征为通过的情况下，与所述用户医疗隐私区块链按照预设加密通信协议在基于完美前向保密的基础上建立通信连接；
所述从所述用户医疗隐私区块链中采集所述目标患者的患者健康历史数据，包括：在成功建立通信连接的基础上，根据所述术后风险预测指令在所述用户医疗隐私区块链进行基于零知识证明机制的遍历检索，得到所述患者健康历史数据；
所述根据所述患者健康历史数据，利用预先训练的术后风险预测模型确定出所述目标患者的术后风险预测结果，包括：采集所述患者健康历史数据，其中，所述患者健康历史数据包括多个病历记录时间节点；
采集第一患者术后健康指标的各个健康指标类别在所述病历记录时间节点的生理指标与病理指标；
采集第二患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标；
将所述第一患者术后健康指标的多个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标、所述第二患者术后健康指标的多个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标组建形成患者术后健康指标在所述病历记录时间节点的初始患者健康数据；
将所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的初始患者健康数据中的失效数据删除，得到剩下的各个所述健康指标类别的初始患者健康数据；
对所述剩下的各个所述健康指标类别的初始患者健康数据执行去重操作，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的预处理后的患者健康数据；
对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的预处理后的患者健康数据执行数据优化表示操作，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据；
对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的患者健康数据，并对所述患者术后健康指标的多个健康指标类别在所述多个病历记录时间节点的患者健康数据执行针对时序的数据融合，得到所述患者术后健康指标的综合患者健康数据；
对所述患者术后健康指标的综合患者健康数据执行序列特征提取操作，得到序列特征提取结果；
对所述序列特征提取结果执行尺度调整操作，得到尺度调整结果；
对所述尺度调整结果执行非线性映射操作，得到初步特征抽取结果；
对所述初步特征抽取结果执行空间下采样操作，得到空间下采样结果；
对所述空间下采样结果执行多层门控转换与非线性变换，得到所述患者术后健康指标的综合患者健康向量；
调用预先训练的术后风险预测模型对所述患者术后健康指标的综合患者健康向量进行风险概率估计，得到所述患者术后健康指标对应的所述目标患者的术后风险预测结果；
所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据包括所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点对应各个评估方面的优化表示患者健康数据；
所述对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的患者健康数据，包括：对所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的患者健康数据；
将所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应多个评估方面的患者健康数据，组建形成所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点的患者健康数据；
所述对所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的患者健康数据，包括：采集所述患者术后健康指标的所述健康指标类别在多个所述病历记录时间节点对应所述评估方面的优化表示患者健康数据中最优健康数据值以及最劣健康数据值；
采集所述最优健康数据值与所述最劣健康数据值之间的健康数据极差；
采集所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据与所述最劣健康数据值之间的健康数据偏移量；
将所述健康数据偏移量与所述健康数据极差之间的比值作为所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应所述评估方面的患者健康数据；
所述多层门控转换与非线性变换是利用门控转换单元执行的，所述门控转换单元包括多个串联连接的门控转换架构；
所述对所述空间下采样结果执行多层门控转换与非线性变换，得到所述患者术后健康指标的综合患者健康向量，包括：通过目标门控转换架构对所述目标门控转换架构的输入进行进阶特征抽取，得到对应所述目标门控转换架构的进阶特征抽取结果；
对对应所述目标门控转换架构的进阶特征抽取结果与所述目标门控转换架构的输入执行累加操作，得到所述目标门控转换架构输出的目标门控转换结果，并将所述目标门控转换架构输出的目标门控转换结果传递至后序门控转换架构以继续执行门控转换与非线性变换处理，得到对应所述后序门控转换架构的后序门控转换结果，所述后序门控转换架构为所述目标门控转换架构的下一级架构；
将目标门控转换架构输出的门控转换结果作为所述患者术后健康指标的综合患者健康向量；
所述对所述患者术后健康指标的综合患者健康向量进行风险概率估计，得到所述患者术后健康指标对应的所述目标患者的术后风险预测结果，包括：对所述患者术后健康指标的综合患者健康向量执行完全映射操作，得到完全映射结果；
对所述完全映射结果执行概率分布建模处理，得到所述患者术后健康指标对应的所述目标患者的术后风险预测结果；
所述方法还包括：
采集样本患者健康历史数据，其中，所述样本患者健康历史数据包括多个样本病历记录时间节点；
采集样本患者术后健康指标的多个所述健康指标类别在所述多个样本病历记录时间节点的患者健康数据，并对所述样本患者术后健康指标的多个所述健康指标类别在所述多个样本病历记录时间节点的患者健康数据执行针对时序的数据融合，得到所述样本患者术后健康指标的样本综合患者健康数据；
对所述样本患者术后健康指标的样本综合患者健康数据利用高速公路网络执行特征抽取操作，得到所述样本患者术后健康指标的样本综合患者健康向量；
对所述样本患者术后健康指标的样本综合患者健康向量进行风险概率估计，得到所述样本患者术后健康指标对应的所述目标患者的术后风险预测结果；
基于所述样本患者术后健康指标对应的所述目标患者的术后风险预测结果与所述样本患者术后健康指标对应的所述目标患者的实际术后风险情况之间的误差，确定代价参量，并基于所述代价参量优化调整初始术后风险预测模型，直至得到训练完成的术后风险预测模型。
2.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1中所述的方法。 说明书 : 基于大数据和人工智能的术后风险预测方法及系统技术领域[0001] 本发明涉及人工智能技术领域，具体而言，涉及一种基于大数据和人工智能的术后风险预测方法及系统。背景技术[0002] 随着大数据和人工智能技术的不断发展，其在医疗领域的应用越来越广泛。传统的术后风险预测方法通常是依赖医生的经验进行评估，存在主观性强、准确度不高等问题。此外，在获取和使用患者的健康历史数据时，需要充分保护患者的隐私，避免数据被非法获取和使用，而目前的数据保护方法主要是通过加密技术，但这种方法在数据使用方面存在一定的局限性。发明内容[0003] 本发明的目的在于提供一种基于大数据和人工智能的术后风险预测方法及系统。[0004] 第一方面，本发明实施例提供一种基于大数据和人工智能的术后风险预测方法，包括：[0005] 响应于针对目标患者的术后风险预测指令，对所述术后风险预测指令进行安全验证处理；[0006] 在所述安全验证处理表征为通过的情况下，调取预先设置的用户医疗隐私区块链；[0007] 从所述用户医疗隐私区块链中采集所述目标患者的患者健康历史数据；[0008] 根据所述患者健康历史数据，利用预先训练的术后风险预测模型确定出所述目标患者的术后风险预测结果。[0009] 第二方面，本发明实施例提供一种服务器系统，包括服务器，所述服务器用于执行第一方面中任意一项所述的方法。[0010] 相比现有技术，本发明提供的有益效果包括：本发明公开了基于大数据和人工智能的术后风险预测方法及系统，包括：首先响应于针对目标患者的术后风险预测指令，对所述术后风险预测指令进行安全验证处理；在安全验证处理表征为通过的情况下，调取预先设置的用户医疗隐私区块链；从用户医疗隐私区块链中采集目标患者的患者健康历史数据。然后，根据患者健康历史数据，利用预先训练的术后风险预测模型确定出目标患者的术后风险预测结果。如此设计，在保护患者隐私的前提下，利用大数据和人工智能精确预测术后风险，有助于医生个性化制定治疗方案，提升术后恢复效果和患者满意度。附图说明[0011] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。[0012] 图1为本发明实施例提供的基于大数据和人工智能的术后风险预测方法的步骤流程示意图；[0013] 图2为本发明实施例提供的计算机设备的结构示意框图。具体实施方式[0014] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0015] 为了解决前述背景技术中的技术问题，图1为本公开实施例提供的基于大数据和人工智能的术后风险预测方法的流程示意图，下面对该基于大数据和人工智能的术后风险预测方法进行详细介绍。[0016] 步骤S201，响应于针对目标患者的术后风险预测指令，对所述术后风险预测指令进行安全验证处理；[0017] 步骤S202，在所述安全验证处理表征为通过的情况下，调取预先设置的用户医疗隐私区块链；[0018] 步骤S203，从所述用户医疗隐私区块链中采集所述目标患者的患者健康历史数据；[0019] 步骤S204，根据所述患者健康历史数据，利用预先训练的术后风险预测模型确定出所述目标患者的术后风险预测结果。[0020] 在本发明实施例中，示例性的，医院的一台专用服务器上运行着术后风险预测系统。当医生在医院的电子病历系统中针对某位刚完成手术的患者(称为目标患者)发出术后风险预测指令时，该服务器会接收到这一指令。服务器首先会对这个指令进行安全验证，比如检查指令的来源是否合法、是否包含必要的授权信息，以及是否符合医院的信息安全规定。这一过程是为了确保只有合法和授权的用户能够请求术后风险预测，从而保护患者隐私和数据安全。经过安全验证，服务器确认该指令来自合法且授权的医生。接下来，服务器会访问一个预先设置的用户医疗隐私区块链。这个区块链存储着所有患者的医疗数据，并且是加密和分散存储的，以确保数据的安全性和不可篡改性。服务器会根据指令中的目标患者信息，定位到该患者在区块链中的医疗数据位置。服务器从用户医疗隐私区块链中成功调取到目标患者的健康历史数据。这些数据可以包括患者的手术记录、既往病史、药物过敏史、家族遗传病史等关键信息，都是进行术后风险预测所必需的。由于这些数据存储在区块链中，服务器可以确保所获取信息的完整性和真实性。服务器在获取到目标患者的健康历史数据后，会利用一个预先训练的术后风险预测模型来进行分析。这个模型可以是基于机器学习或深度学习算法构建的，它能够通过分析大量的历史医疗数据来识别出术后风险的模式和趋势。服务器将患者的健康历史数据输入到模型中，模型会输出一个针对该患者的术后风险预测结果，比如感染风险、复发风险、并发症风险等，以及相应的风险概率和建议措施。这个结果会及时反馈给医生，帮助医生制定更精准的术后护理和治疗计划。[0021] 在本发明实施例中的另一实施方式中，医院的信息系统接收到一条来自医生工作站的请求，该请求要求对刚完成手术的患者张三进行术后风险预测。服务器接收到这一指令后，首先进行安全验证处理。这包括验证请求的来源是否合法(例如，是否来自医院内部的授权设备)，验证请求者的身份(例如，通过医生的登录凭证)，以及检查请求中是否包含必要的加密签名或令牌，以确保数据在传输过程中没有被篡改。经过安全验证，服务器确认请求合法且来自有权访问患者数据的医生。接下来，服务器根据请求中的患者标识(如患者ID或唯一识别码)，调取与张三相关联的预先设置的用户医疗隐私区块链。这个区块链存储了张三的所有医疗记录，包括手术前的诊断信息、手术过程中的数据、以及之前的健康历史数据等，所有数据都以加密的形式安全地存储在链上。服务器从张三的医疗隐私区块链中检索相关的健康历史数据。这些数据可以包括他的过往疾病史、用药记录、家族遗传信息、过敏史等，这些数据对于预测术后风险至关重要。由于数据存储在区块链上，因此可以确保数据的完整性和不可篡改性，同时遵循了严格的隐私保护协议。服务器将采集到的张三的健康历史数据输入到一个预先训练的术后风险预测模型中。这个模型可以是基于机器学习或深度学习算法构建的，它通过分析大量的历史数据来学习如何预测术后风险。模型会根据输入的数据(如患者的年龄、手术类型、并存疾病等)输出一个风险评分或分类结果，表明张三在术后可能面临的风险级别。医生可以根据这个预测结果来制定更精准的术后护理和治疗计划。[0022] 在本发明实施例中，前述步骤S201可以通过以下示例执行实施。[0023] 响应于针对目标患者的术后风险预测指令，生成访问所述用户医疗隐私区块链的访问请求，所述访问请求包括访问用户身份信息和访问终端设备信息；[0024] 将所述访问请求发送至所述用户医疗隐私区块链维护的分布式验证节点；[0025] 利用所述分布式验证节点获取所述访问用户身份信息对应的行为模式以及所述访问终端设备信息对应的设备属性和网络环境；[0026] 根据所述行为模式、所述设备属性和所述网络环境对所述术后风险预测指令进行安全验证处理。[0027] 在本发明实施例中，示例性的，当医生通过医疗信息系统发出对特定患者(例如患者李四)的术后风险预测指令时，服务器会立即响应这一指令。为了获取患者李四的医疗数据，服务器首先生成一个访问请求，这个请求明确指出了要访问的是李四的用户医疗隐私区块链。此访问请求中包含了发起访问的用户身份信息(如医生的ID和权限等级)以及发起请求的终端设备信息(如医生工作站的IP地址和MAC地址)。服务器将上一步生成的访问请求发送到用户医疗隐私区块链网络中。这个网络由多个分布式验证节点组成，这些节点分布在不同的地理位置，由不同的医疗机构或第三方服务提供者维护。这些节点共同负责验证和处理所有与用户医疗隐私区块链相关的操作请求，以确保数据的安全和隐私。分布式验证节点接收到访问请求后，开始对其进行处理。首先，节点会根据请求中的用户身份信息(医生ID等)检索该用户的历史行为模式，例如该用户过去访问患者数据的频率、时间、地点等。同时，节点还会分析请求中的终端设备信息，以获取设备的物理属性(如设备类型、操作系统等)和网络环境信息(如IP地址归属地、网络连接稳定性等)。在收集了访问用户的行为模式、设备属性和网络环境信息后，分布式验证节点会利用这些信息对访问请求进行安全验证。例如，如果医生的行为模式显示其通常在工作时间内从医院内部网络访问患者数据，而当前请求却是在非工作时间从未知网络地址发出，那么节点会认为这个请求是可疑的。同样，如果终端设备信息显示请求来自一个未经授权或已知存在安全风险的设备，节点也会拒绝访问请求。只有通过所有安全验证的请求才会被允许继续执行，以确保患者数据的安全和隐私不被侵犯。[0028] 在本发明实施例中，前述步骤S202可以通过以下示例执行实施。[0029] 在所述安全验证处理表征为通过的情况下，与所述用户医疗隐私区块链按照预设加密通信协议在基于完美前向保密的基础上建立通信连接；[0030] 前述步骤S203可以通过以下示例执行实施。[0031] 在成功建立通信连接的基础上，根据所述术后风险预测指令在所述用户医疗隐私区块链进行基于零知识证明机制的遍历检索，得到所述患者健康历史数据。[0032] 在本发明实施例中，示例性的，服务器在完成对术后风险预测指令的安全验证处理后，确认该指令是由合法用户发出的，并且符合所有的安全标准。接下来，服务器需要与用户医疗隐私区块链建立通信连接，以便从中获取患者的健康历史数据。为了确保通信过程中的数据安全和隐私，服务器与用户医疗隐私区块链之间采用了一种预设的加密通信协议。这种协议基于完美前向保密(PerfectForwardSecrecy)的原理，确保即使之前的通信密钥被泄露，也不会影响到后续通信的安全性。通过这种加密通信协议，服务器与用户医疗隐私区块链之间建立了一个安全、可靠的通信连接。一旦服务器与用户医疗隐私区块链成功建立了加密通信连接，服务器就可以开始执行术后风险预测指令的核心任务——检索患者的健康历史数据。为了保护患者的隐私，用户医疗隐私区块链采用了零知识证明(Zero‑KnowledgeProof)机制来进行数据的检索和验证。在这种机制下，服务器可以向区块链网络证明它知道某个特定的信息(例如患者的健康历史数据)，而无需透露该信息的具体内容。通过遍历检索用户医疗隐私区块链上的数据块，服务器能够找到与患者相关的健康历史数据块，并利用零知识证明机制验证这些数据的完整性和真实性。最终，服务器从用户医疗隐私区块链中成功获取了患者的健康历史数据，这些数据将被用于后续的术后风险预测模型分析。[0033] 在本发明实施例中，前述步骤S204可以通过以下示例执行实施。[0034] 采集所述患者健康历史数据，其中，所述患者健康历史数据包括多个病历记录时间节点；[0035] 采集患者术后健康指标的多个健康指标类别在所述多个病历记录时间节点的患者健康数据，并对所述患者术后健康指标的多个所述健康指标类别在所述病历记录时间节点的患者健康数据执行合并操作，得到所述患者术后健康指标在所述病历记录时间节点的合并患者健康数据；[0036] 基于所述多个病历记录时间节点的时序关系，对所述患者术后健康指标在多个所述病历记录时间节点的合并患者健康数据执行序列分配操作，得到序列分配结果；[0037] 基于所述序列分配结果对所述患者术后健康指标在多个所述病历记录时间节点的合并患者健康数据执行合并操作，得到所述患者术后健康指标的综合患者健康数据；[0038] 对所述患者术后健康指标的综合患者健康数据利用高速公路网络执行特征抽取操作，得到所述患者术后健康指标的综合患者健康向量；[0039] 调用预先训练的术后风险预测模型对所述患者术后健康指标的综合患者健康向量进行风险概率估计，得到所述患者术后健康指标对应的所述目标患者的术后风险预测结果。[0040] 在本发明实施例中，示例性的，服务器开始处理患者的健康历史数据，这些数据存储在医疗隐私区块链中，包含了多个病历记录时间节点。每个时间节点都代表了患者在不同时间点的健康状况记录，如手术前的体检数据、手术过程中的生命体征数据、手术后的恢复情况等。这些数据按照时间顺序排列，形成了一个完整的患者健康历史时间线。服务器针对患者的术后健康指标，如心率、血压、血糖等，从多个病历记录时间节点中采集相应的数据。这些数据可以来自不同的医疗设备或系统，具有不同的数据格式和采样频率。服务器会对这些数据进行时序数据融合处理，将不同时间点的健康指标数据整合成一个综合的、连续的数据集，以便进行后续的分析和处理。服务器采用一种高速公路网络(HighwayNetwork)的深度学习模型，对综合患者健康数据进行特征抽取。这种模型能够有效地处理时序数据，并提取出数据中的关键特征。通过特征抽取操作，服务器将原始的健康数据转换为一个高维的特征向量，即综合患者健康向量。这个向量包含了患者的术后健康状态的关键信息，是后续风险预测模型的重要输入。服务器调用一个预先训练的术后风险预测模型，将综合患者健康向量作为输入。这个模型可以是基于机器学习或深度学习算法构建的，具有强大的数据处理和模式识别能力。模型会根据输入的健康向量，结合大量的历史医疗数据进行风险概率估计，输出一个针对目标患者的术后风险预测结果。这个结果可以包括感染风险、并发症风险、复发风险等多个方面的评估，以及相应的风险概率值。服务器会将这个结果及时反馈给医生或医疗团队，帮助他们制定更精准的术后护理和治疗方案。[0041] 为了能够更加清楚的描述本申请实施例提供的方案，下面进行更为详细的说明。[0042] 在本发明实施例中，示例性的，“采集”指的是从各种数据源中收集、获取数据的过程。在医疗领域，这可以涉及从电子病历系统、医疗设备、实验室信息系统等多个来源获取患者的健康信息。例如一个患者刚在医院完成了手术，服务器需要从医院的电子病历系统中“采集”该患者的手术记录、用药情况、生命体征数据等健康历史数据，以便进行后续的风险预测分析。“患者健康历史数据”是指与患者的健康状况相关的所有历史记录数据。这些数据可以包括患者的既往病史、家族病史、手术记录、用药记录、体检结果等。一个糖尿病患者的“健康历史数据”可以包括他的血糖监测记录、胰岛素使用记录、过去的并发症情况、家族中其他成员的糖尿病病史等信息。“病历记录时间节点”是指在患者的健康历史中具体的时间点或时间段，这些时间点或时间段与健康事件的记录相对应。每个时间节点都代表了患者在该时间点的健康状况或医疗事件。一个患者的“病历记录时间节点”可以包括他第一次被诊断为高血压的日期、每次调整降压药的日期、定期进行血压监测的日期等。这些时间节点构成了患者高血压管理的历史时间线。在实际应用中，服务器会通过与医院的信息系统(如电子病历系统)进行接口对接，自动“采集”患者的“健康历史数据”。这些数据按照“病历记录时间节点”进行组织和存储，确保能够完整、准确地反映患者的健康状况变化历程。这样，当需要进行术后风险预测时，服务器就能够根据这些历史数据来评估患者当前和未来的健康风险。[0043] 此外，“术后健康指标”是指患者在接受手术后，用于评估其恢复情况和健康状况的一系列量化或定性的指标。这些指标可以包括生命体征(如心率、血压、呼吸频率等)、实验室检查结果(如血糖、血常规等)、以及患者自我报告的症状或感受等。一个接受了心脏搭桥手术的患者，其“术后健康指标”可以包括心率、血压等生命体征的监测数据，以及心肌酶谱、凝血功能等实验室检查结果。这些数据可以帮助医生评估患者的手术效果、恢复情况以及是否存在并发症的风险。“多个健康指标类别”指的是不同类型的健康指标，它们分别从不同方面反映患者的健康状况。这些类别可以包括生理指标、生化指标、心理指标等。在术后恢复过程中，医生会关注患者的多个“健康指标类别”，如生理指标(如心率、呼吸频率等)、生化指标(如血糖、电解质水平等)以及心理指标(如焦虑程度、睡眠质量等)。这些不同类型的指标可以提供更全面的信息，帮助医生更准确地评估患者的恢复情况。“多个病历记录时间节点”指的是在患者术后恢复过程中，不同时间点上的病历记录。这些时间节点代表了患者在不同时间点的健康状况和医疗事件，是评估术后恢复过程的重要依据。一个术后患者的“多个病历记录时间节点”可以包括手术当天的记录、术后第一天的记录、术后一周的记录等。在每个时间节点上，医生都会记录患者的生命体征、症状变化、用药情况等信息，以便随时调整治疗方案并评估恢复效果。“针对时序的数据融合”是指将来自不同时间节点的数据按照时间序列进行整合和处理的过程。通过数据融合，可以将分散在不同时间点的数据整合成一个连续、完整的数据集，便于后续的分析和处理。在术后恢复过程中，医生需要收集患者在不同时间点的健康数据。这些数据可以来自不同的医疗设备或系统，具有不同的采样频率和数据格式。通过“针对时序的数据融合”，医生可以将这些数据整合成一个统一的数据集，其中包含了患者在整个恢复过程中的健康状况变化信息。这样的数据集可以用于后续的风险预测、效果评估等分析工作。在实际应用中，服务器会从医院的电子病历系统中自动采集患者在不同时间点的健康数据。这些数据包括各种术后健康指标，涵盖了多个健康指标类别。服务器会对这些数据进行清洗、整理，并按照时间序列进行融合处理。处理后的数据将形成一个包含患者完整恢复过程信息的综合数据集。基于这个数据集，服务器可以利用预先训练的模型进行风险预测等分析工作，为医生提供决策支持。[0044] 此外，“术后健康指标的综合患者健康数据”是指将患者在术后不同时间节点的多个健康指标数据进行整合和处理后得到的数据集。这个数据集包含了患者在术后恢复过程中的各种健康指标信息，是评估患者术后健康状况的重要依据。例如一个患者在术后需要监测心率、血压和血糖等健康指标。服务器会从医院的电子病历系统中采集这些指标在不同时间节点的数据，并进行整合和处理，形成一个包含心率、血压和血糖等信息的“综合患者健康数据”集。这个数据集可以用于后续的风险预测、效果评估等分析工作。“高速公路网络”是一种深度学习模型，它通过在神经网络中添加特殊的“高速通道”(Highway)，使得模型能够更好地学习数据的长期依赖关系，并有效地解决深度神经网络在训练过程中可能出现的梯度消失或梯度爆炸问题。在医疗数据分析中，高速公路网络可以用于提取患者健康数据的时序特征。例如使用一个高速公路网络来处理上述的“综合患者健康数据”。网络会接收这个数据集作为输入，并通过多层的神经元连接和激活函数来提取数据中的特征。在这个过程中，“高速通道”会允许网络在训练过程中保留更多的信息，从而提高特征的表达能力和模型的性能。最终，网络会输出一个包含患者术后健康状态关键信息的特征向量。在上述的高速公路网络中，特征抽取操作就是通过网络的多层神经元连接和激活函数来实现的。网络会自动学习如何从输入的“综合患者健康数据”中提取出与术后风险预测相关的特征，如心率的变化趋势、血压的波动情况等。这些特征会被编码成一个高维的特征向量，即“综合患者健康向量”。“综合患者健康向量”是指通过特征抽取操作得到的包含患者术后健康状态关键信息的向量表示。这个向量通常是一个高维的数值数组，其中每个元素都代表了患者健康数据的某个特征。在上述的例子中，通过高速公路网络对“综合患者健康数据”进行特征抽取后，可以得到一个包含多个数值的“综合患者健康向量”。这个向量可以作为后续风险预测模型的输入，用于评估患者的术后风险。例如，向量中的某个元素可以代表了患者心率的平均值，而另一个元素可以代表了患者血压的波动幅度等。这些特征信息将被风险预测模型用于计算患者的风险概率。[0045] 此外，“预先训练的术后风险预测模型”指的是在应用于实际患者数据之前，已经使用大量历史患者数据进行了训练和优化的机器学习或深度学习模型。这个模型能够根据输入的患者健康数据预测其术后风险。例如有一个深度学习模型，它已经被训练用来预测心脏手术后患者的并发症风险。这个模型在训练过程中学习了大量历史患者的心脏手术数据、术后恢复数据以及并发症发生情况。现在，当有一个新的心脏手术患者时，可以使用这个“预先训练的术后风险预测模型”来预测该患者发生并发症的风险。“术后健康指标的综合患者健康向量”是指通过特征抽取操作从患者术后健康数据中提取出的关键特征信息，并以向量的形式表示。这个向量包含了评估患者术后风险所需的所有重要信息。对于一个刚接受过手术的患者，收集了他的心率、血压、体温、血氧饱和度等术后健康指标的数据。通过特征抽取操作，将这些数据转换为一个高维的数值向量，即“综合患者健康向量”。这个向量可以包含了患者心率的变化趋势、血压的稳定性等信息，是后续风险预测的重要依据。“风险概率估计”是指利用统计方法或机器学习模型对某一事件(如术后并发症)发生的可能性进行量化的过程。在这个过程中，模型会根据输入的患者健康数据计算出一个风险概率值，用于表示患者发生不良事件的风险大小。使用上述的预先训练的术后风险预测模型对“综合患者健康向量”进行处理时，模型会输出一个风险概率值。这个值表示了根据当前的患者健康数据，该患者在术后发生并发症的可能性大小。例如，模型可能输出一个介于0到1之间的概率值，其中0表示无风险，1表示极高风险。“目标患者的术后风险预测结果”是指针对特定患者(即目标患者)进行术后风险预测所得到的最终结果。这个结果通常是一个量化的风险概率值或风险等级分类，用于帮助医生制定后续的治疗方案和护理措施。例如有一个名为张三的患者刚接受了心脏手术，将其健康数据输入到预先训练的术后风险预测模型中。模型经过处理后输出了一个风险概率值为0.7的结果。这意味着根据张三当前的健康数据，他在术后发生并发症的风险相对较高。这个“0.7”就是张三作为“目标患者”的“术后风险预测结果”。医生可以根据这个结果制定相应的治疗和护理计划，以降低张三发生并发症的风险。[0046] 在本发明实施例中，前述采集患者术后健康指标的多个健康指标类别在所述多个病历记录时间节点的患者健康数据的步骤，可以通过以下示例执行实施。[0047] 采集所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的初始患者健康数据；[0048] 对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的初始患者健康数据执行数据预处理操作，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的预处理后的患者健康数据；[0049] 对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的预处理后的患者健康数据执行数据优化表示操作，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据；[0050] 对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的患者健康数据。[0051] 在本发明实施例中，示例性的，服务器与医院的电子病历系统相连。当一位名为李华的患者完成手术后，服务器立即开始工作，自动从电子病历系统中采集李华术后的各类健康指标数据。这些数据包括心率、血压、血糖、体温等生理指标，以及用药记录、伤口情况、疼痛评分等医疗护理记录。这些数据在病历记录时间节点上被记录下来，形成了李华的初始患者健康数据集。服务器对采集到的李华的初始健康数据进行预处理。预处理包括去除重复数据、处理缺失值、纠正异常值等步骤。例如，服务器发现李华的某次血压记录异常高，经过与前后时间点的数据对比，确认这是一次错误的记录，于是将其纠正或去除。同时，对于缺失的数据，如某次未记录的体温，服务器会根据前后时间点的数据或其他相关指标进行估算和填补。预处理后，服务器对李华的健康数据进行优化表示。这一步骤的目的是将数据转换成更适合后续分析和处理的格式。例如，服务器可以将心率、血压等连续型数据转换为分类数据，根据医学标准将其分为“正常”、“偏高”、“偏低”等类别。同时，对于文本型的医疗护理记录，如伤口情况描述，服务器会利用自然语言处理技术将其转换为结构化数据，提取出关键信息如“伤口红肿”、“无渗出”等。最后，服务器对优化表示后的李华健康数据进行归一化处理。归一化的目的是消除不同指标量纲和取值范围对后续分析的影响。例如，服务器将心率、血压等指标的数值转换到0到1的范围内，使得不同指标之间可以进行直接的比较和计算。这样处理后的数据集就是李华术后健康指标的最终患者健康数据，可以用于后续的风险预测和分析。通过以上四个步骤，服务器完成了从原始数据采集到最终数据处理的全过程，为后续的风险预测模型提供了高质量、标准化的输入数据。[0052] 在本发明实施例中，所述患者术后健康指标包括第一患者术后健康指标以及第二患者术后健康指标，前述采集所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的初始患者健康数据的步骤，可以通过以下示例执行实施。[0053] 采集所述第一患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标；[0054] 采集所述第二患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标；[0055] 将所述第一患者术后健康指标的多个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标、所述第二患者术后健康指标的多个所述健康指标类别在所述病历记录时间节点的生理指标与病理指标组建形成所述患者术后健康指标在所述病历记录时间节点的初始患者健康数据。[0056] 在本发明实施例中，示例性的，服务器正在执行一个术后健康风险预测系统的任务。该系统需要收集并处理患者的术后健康数据，以预测其可能的健康风险。在这个场景中，关注的是同一个患者在不同时间节点上的两种术后健康指标：第一患者术后健康指标和第二患者术后健康指标(实际上都是该患者的指标，可以是不同方面的健康数据或者是在不同条件下的测量值)。患者在接受手术后，医护人员会定期收集其生理和病理指标，如心率、血压、体温、血液化验结果等。这些数据被记录在电子病历系统中，并标记有具体的时间节点。服务器通过接口从电子病历系统中获取这些数据，特别是关注在特定病历记录时间节点上的生理指标与病理指标，这些数据构成了第一患者术后健康指标。除了常规的生理和病理指标外，医护人员还可以根据患者的具体情况收集了额外的健康数据，例如在进行某种特定治疗或药物反应监测时的生理反应数据。这些数据同样被记录在电子病历系统中，并作为第二患者术后健康指标被服务器获取。这些指标可以包括特定的生化指标、影像学检查结果或是患者自我报告的症状评分等。服务器将第一患者术后健康指标和第二患者术后健康指标的所有相关数据整合在一起。这些数据按时间节点对齐，以确保能够准确地反映患者在不同时间点的健康状况变化。通过这种方法，服务器构建了一个全面的、包含多个健康指标类别和时间节点信息的初始患者健康数据集。这个数据集将成为后续分析和风险预测的基础。通过以上场景举例，可以看到服务器如何收集并整合同一个患者在不同时间节点上的多种术后健康指标数据。这些数据不仅包括了常规的生理和病理指标，还可以包括特定治疗或条件下的额外健康信息。通过整合这些数据，服务器能够建立一个更全面、更准确的患者健康数据集，为后续的风险预测和健康管理提供支持。[0057] 在本发明实施例中，前述对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的初始患者健康数据执行数据预处理操作，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的预处理后的患者健康数据的步骤，可以通过以下示例执行实施。[0058] 将所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的初始患者健康数据中的失效数据删除，得到剩下的各个所述健康指标类别的初始患者健康数据；[0059] 对所述剩下的各个所述健康指标类别的初始患者健康数据执行去重操作，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的预处理后的患者健康数据。[0060] 在本发明实施例中，示例性的，服务器在完成对患者(例如患者王先生)术后健康指标的初始数据采集后，开始进行数据预处理。首先，服务器会自动检查数据集中的每一条记录，识别并删除那些由于各种原因(如设备故障、操作失误等)而产生的失效数据。例如，服务器发现王先生的某次血压记录异常低，且与该时间点前后的数据存在明显的不一致性，经过判断，这条数据被认定为失效数据并被删除。通过这样的处理，服务器确保了数据集中不包含错误或无效的信息，提高了数据的准确性和可靠性。在删除失效数据后，服务器继续对剩下的健康指标类别的初始患者健康数据进行处理。在这一步骤中，服务器的目标是去除数据集中的重复记录。重复记录可以是由于多次测量、重复输入或其他原因而产生的。为了确保数据的唯一性和准确性，服务器会对每一条记录进行比对，如果发现两条或多条完全相同的记录，就会只保留其中一条，删除其余的重复记录。例如，在王先生的数据集中，服务器发现有多条相同时间点的体温记录，经过比对确认这些记录是重复的，于是只保留了其中一条最准确的记录，删除了其他的重复数据。通过这样的处理，服务器进一步优化了数据集的质量，为后续的数据分析和风险预测提供了更可靠的基础。通过这两个步骤的数据预处理操作，服务器能够确保患者术后健康指标的数据集具有准确性、可靠性和唯一性，为后续的风险预测和健康管理提供了有力的数据支持。[0061] 在本发明实施例中，所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据包括所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点对应各个评估方面的优化表示患者健康数据；前述对所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的各个所述健康指标类别在所述病历记录时间节点的患者健康数据的步骤，可以通过以下示例执行实施。[0062] 对所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的患者健康数据；[0063] 将所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应多个评估方面的患者健康数据，组建形成所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点的患者健康数据。[0064] 在本发明实施例中，示例性的，服务器在处理完患者(例如患者赵女士)术后健康指标的初始数据并经过预处理后，接下来会对这些数据进行优化表示。优化表示的目的是将数据转换成更适合后续分析和处理的格式。服务器会根据医学知识和临床经验，将赵女士的健康指标分为多个评估方面，如生命体征、伤口愈合、疼痛管理等。然后，对于每个评估方面，服务器会提取相应的健康指标数据，并进行优化处理。例如，对于生命体征评估方面，服务器可以将赵女士的心率、血压等指标数据进行整合和转换，形成一个综合的生命体征评分。这个评分能够更直观地反映赵女士的生命体征状况，便于后续的风险预测和分析。通过这样的处理，服务器得到了赵女士术后健康指标的各个健康指标类别在病历记录时间节点对应各个评估方面的优化表示患者健康数据。在得到优化表示的患者健康数据后，服务器会进一步对这些数据进行归一化处理。归一化的目的是消除不同指标量纲和取值范围对后续分析的影响，使得不同指标之间可以进行直接的比较和计算。对于赵女士的每个评估方面的优化表示患者健康数据，服务器会分别进行归一化处理。例如，对于生命体征评估方面的综合评分，服务器会将其转换到0到1的范围内，使得不同时间点的生命体征评分具有可比性。同样地，对于其他评估方面的数据，服务器也会进行类似的归一化处理。完成归一化处理后，服务器得到了赵女士术后健康指标的各个健康指标类别在病历记录时间节点对应各个评估方面的患者健康数据。这些数据已经具备了统一的量纲和取值范围，便于后续的风险预测模型的输入和处理。最后，服务器会将归一化处理后的各个评估方面的患者健康数据进行整合和组建。它会将赵女士在不同时间点的各个评估方面的数据按照时间顺序进行排列和组合，形成一个完整的患者术后健康数据集。这个数据集包含了赵女士在术后各个时间点的健康状况信息，为后续的风险预测和健康管理提供了全面、准确的数据基础。通过这样的处理流程，服务器能够有效地处理和分析患者术后健康指标数据，为医生和患者提供有价值的信息和支持，帮助改善患者的术后康复效果和生活质量。[0065] 在本发明实施例中，前述对所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的优化表示患者健康数据执行数据归一化处理，得到所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应各个所述评估方面的患者健康数据的步骤，可以通过以下示例执行实施。[0066] 采集所述患者术后健康指标的所述健康指标类别在多个所述病历记录时间节点对应所述评估方面的优化表示患者健康数据中最优健康数据值以及最劣健康数据值；[0067] 采集所述最优健康数据值与所述最劣健康数据值之间的健康数据极差；[0068] 采集所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点的优化表示患者健康数据与所述最劣健康数据值之间的健康数据偏移量；[0069] 将所述健康数据偏移量与所述健康数据极差之间的比值作为所述患者术后健康指标的所述健康指标类别在所述病历记录时间节点对应所述评估方面的患者健康数据。[0070] 在本发明实施例中，示例性的，服务器在处理患者(例如患者李先生)术后健康指标数据时，首先会针对每个评估方面(如生命体征、伤口愈合等)采集多个病历记录时间节点的优化表示患者健康数据。在这些数据中，服务器会识别出每个评估方面的最优健康数据值(即最佳状态的数据值)和最劣健康数据值(即最差状态的数据值)。例如，在生命体征评估方面，最优健康数据值可以对应于李先生心率、血压等指标均处于正常范围内的某个时间点的数据，而最劣健康数据值则可以对应于他出现心率异常或血压偏高等不良状况时的数据。在确定了每个评估方面的最优健康数据值和最劣健康数据值后，服务器会计算这两者之间的健康数据极差。极差是指最优健康数据值与最劣健康数据值之间的差值，它反映了患者在该评估方面健康状况的波动范围。例如，在生命体征评估方面，如果李先生的最优心率数据为70次/分钟，而最劣心率数据为120次/分钟，那么心率指标的极差就是50次/分钟。接下来，服务器会计算患者术后健康指标的每个健康指标类别在特定病历记录时间节点的优化表示患者健康数据与最劣健康数据值之间的健康数据偏移量。偏移量是指当前时间节点的健康数据值相对于最劣健康数据值的改善程度。例如，如果李先生在某个时间点的心率为90次/分钟，而最劣心率数据为120次/分钟，那么他在该时间点的心率偏移量就是30次/分钟。最后，服务器会将健康数据偏移量与健康数据极差之间的比值作为患者术后健康指标的每个健康指标类别在特定病历记录时间节点对应评估方面的患者健康数据。这个比值反映了患者在该时间点的健康状况相对于最差状态的改善程度，是一个介于0到1之间的无量纲数值。例如，如果李先生在某个时间点的心率偏移量为30次/分钟，心率极差为50次/分钟，那么他在该时间点的心率健康数据就是0.6(即30/50)，表示他的心率状况相对于最差状态有了60％的改善。通过这样的处理流程，服务器能够将不同量纲和取值范围的健康指标数据转换成统一格式的患者健康数据，便于后续的风险预测和健康管理分析。[0071] 在本发明实施例中，前述对所述患者术后健康指标的多个健康指标类别在所述多个病历记录时间节点的患者健康数据执行针对时序的数据融合，得到所述患者术后健康指标的综合患者健康数据的步骤，可以通过以下示例执行实施。[0072] 对所述患者术后健康指标的多个所述健康指标类别在所述病历记录时间节点的患者健康数据执行合并操作，得到所述患者术后健康指标在所述病历记录时间节点的合并患者健康数据；[0073] 基于所述多个病历记录时间节点的时序关系，对所述患者术后健康指标在多个所述病历记录时间节点的合并患者健康数据执行序列分配操作，得到序列分配结果；[0074] 基于所述序列分配结果对所述患者术后健康指标在多个所述病历记录时间节点的合并患者健康数据执行合并操作，得到所述患者术后健康指标的综合患者健康数据。[0075] 在本发明实施例中，示例性的，服务器在处理患者(例如患者王女士)术后健康指标的数据时，首先会针对每个病历记录时间节点，将多个健康指标类别的患者健康数据进行合并操作。这意味着，如果王女士在某个时间节点有多个健康指标(如心率、血压、体温等)，服务器会将这些指标的数据整合在一起，形成一个更全面的健康数据集合。这样的合并操作有助于服务器更全面地了解患者在每个时间点的健康状况。接下来，服务器会根据多个病历记录时间节点的时序关系，对王女士术后健康指标在多个时间节点的合并患者健康数据执行序列分配操作。时序关系是指这些时间节点在时间轴上的先后顺序。服务器会按照这种顺序，将每个时间节点的合并患者健康数据排列成一个有序的数据序列。这样的数据序列不仅保留了每个时间点的健康信息，还反映了患者健康状况随时间的变化趋势。最后，服务器会基于序列分配的结果，对王女士术后健康指标在多个病历记录时间节点的合并患者健康数据执行进一步的合并操作。这次合并的目的是将整个数据序列整合成一个综合的患者健康数据。这个综合数据不仅包含了患者在各个时间点的健康状况信息，还反映了这些状况在时间上的连续性和变化趋势。通过这样的处理，服务器能够更全面、更深入地分析患者的术后健康状况，为医生提供更准确、更有价值的诊断和支持信息。这样的数据处理流程有助于医生更准确地了解患者的术后恢复情况，及时发现潜在的健康问题，并采取相应的治疗措施。同时，这也为患者提供了更个性化、更科学的康复指导，有助于提高康复效果和生活质量。[0076] 在本发明实施例中，前述对所述患者术后健康指标的综合患者健康数据利用高速公路网络执行特征抽取操作，得到所述患者术后健康指标的综合患者健康向量的步骤，可以通过以下示例执行实施。[0077] 对所述患者术后健康指标的综合患者健康数据进行初步特征抽取，得到初步特征抽取结果；[0078] 对所述初步特征抽取结果执行空间下采样操作，得到空间下采样结果；[0079] 对所述空间下采样结果执行多层门控转换与非线性变换，得到所述患者术后健康指标的综合患者健康向量。[0080] 在本发明实施例中，示例性的，服务器在接收到患者(例如患者陈先生)术后健康指标的综合患者健康数据后，首先会进行初步的特征抽取操作。这个步骤的目的是从原始的健康数据中提取出有意义、有代表性的特征信息，为后续的分析和处理提供基础。服务器会利用各种特征提取算法(如主成分分析、小波变换等)对综合患者健康数据进行处理，从而得到初步的特征抽取结果。这些结果可以包括患者心率、血压、体温等关键健康指标的变化趋势、波动范围等特征信息。在得到初步特征抽取结果后，服务器会进一步执行空间下采样操作。空间下采样的目的是减少数据的维度和复杂性，同时保留关键的特征信息。服务器会采用一些降维技术(如最大池化、平均池化等)对初步特征抽取结果进行处理，从而得到空间下采样结果。这些结果相比于原始数据，具有更低的维度和更高的信息密度，更适合用于后续的深度学习模型训练和分析。最后，服务器会对空间下采样结果执行多层门控转换与非线性变换操作。这个步骤的目的是进一步提取和抽象数据的特征信息，得到更具表达能力的综合患者健康向量。服务器会利用一些深度学习模型(如循环神经网络、长短期记忆网络等)对空间下采样结果进行处理，通过多层门控机制和非线性变换函数来捕捉数据中的复杂模式和关联关系。最终得到的综合患者健康向量是一个高维的向量表示，它包含了患者术后健康指标的全面信息，可以用于后续的风险预测、健康评估等任务。通过这样的处理流程，服务器能够有效地从原始的患者术后健康指标数据中提取出有价值的特征信息，为后续的数据分析和模型训练提供有力的支持。[0081] 在本发明实施例中，前述对所述患者术后健康指标的综合患者健康数据进行初步特征抽取，得到初步特征抽取结果的步骤，可以通过以下示例执行实施。[0082] 对所述患者术后健康指标的综合患者健康数据执行序列特征提取操作，得到序列特征提取结果；[0083] 对所述序列特征提取结果执行尺度调整操作，得到尺度调整结果；[0084] 对所述尺度调整结果执行非线性映射操作，得到所述初步特征抽取结果。[0085] 在本发明实施例中，示例性的，服务器在接收到患者(例如患者赵女士)术后健康指标的综合患者健康数据后，首先会进行序列特征提取操作。这些数据通常是一系列按时间顺序排列的数值，反映了患者健康指标随时间的变化。服务器利用专门的序列特征提取算法(如时间序列分析、动态时间规整等)对这些数据进行处理，以捕捉其中的时序依赖关系和周期性模式。通过这一步操作，服务器得到了序列特征提取结果，这些结果揭示了患者健康指标在时间维度上的重要变化和趋势。在得到序列特征提取结果后，服务器会进一步执行尺度调整操作。尺度调整的目的是使不同特征之间具有可比性，避免因量纲或取值范围的不同而导致的信息失真。服务器会采用标准化、归一化等方法对序列特征提取结果进行处理，将各个特征的取值范围映射到一个统一的尺度上。通过这一步操作，服务器得到了尺度调整结果，这些结果在不同特征之间保持了良好的一致性和可比性。最后，服务器会对尺度调整结果执行非线性映射操作。非线性映射的目的是捕捉数据中的复杂非线性关系，并将其映射到一个更高维的特征空间中。服务器会利用核方法、神经网络等非线性映射技术来处理尺度调整结果。通过这一步操作，服务器得到了初步特征抽取结果，这些结果在高维特征空间中更好地表示了患者健康数据的内在结构和模式。这样的处理流程有助于从原始的综合患者健康数据中提取出更全面、更深入的特征信息，为后续的健康状况分析和预测提供有力的支持。同时，通过尺度调整和非线性映射等操作，服务器还能够有效地处理不同特征之间的量纲和取值范围差异问题，提高数据处理的准确性和可靠性。[0086] 在本发明实施例中，所述多层门控转换与非线性变换是利用门控转换单元执行的，所述门控转换单元包括多个串联连接的门控转换架构；前述对所述空间下采样结果执行多层门控转换与非线性变换，得到所述患者术后健康指标的综合患者健康向量的步骤，可以通过以下示例执行实施。[0087] 通过多个串联连接的门控转换架构中目标门控转换架构，对所述目标门控转换架构的输入执行门控转换与非线性变换处理，并将所述目标门控转换架构输出的目标门控转换结果传递至后序门控转换架构以继续执行门控转换与非线性变换处理，得到对应所述后序门控转换架构的后序门控转换结果，所述后序门控转换架构为所述目标门控转换架构的下一级架构；[0088] 将目标门控转换架构输出的门控转换结果作为所述患者术后健康指标的综合患者健康向量。[0089] 在本发明实施例中，示例性的，服务器使用了一个门控转换单元来处理患者的术后健康数据。这个门控转换单元不是单一的架构，而是由多个串联连接的门控转换架构组成。每个门控转换架构都负责执行门控转换与非线性变换处理，并将处理结果传递到下一个门控转换架构中。这种多级串联的结构使得门控转换单元能够逐步抽象和提取数据的特征信息，从而得到更具表达能力的综合患者健康向量。服务器首先接收空间下采样结果作为输入，这些数据已经经过初步的特征抽取和空间降维处理。然后，服务器将这些数据输入到门控转换单元的第一个门控转换架构中。这个门控转换架构会根据其内部的参数和算法，对数据进行门控转换与非线性变换处理。处理的结果会被传递到下一个门控转换架构中，作为它的输入。这个过程会在每个门控转换架构中重复进行，直到达到最后一个门控转换架构。每个门控转换架构都会在前一个架构的基础上进一步提取和抽象数据的特征信息。这样，通过多个门控转换架构的串联处理，服务器能够逐步捕捉到数据中的复杂模式和关联关系。当数据通过最后一个门控转换架构处理后，服务器会得到一个最终的门控转换结果。这个结果是一个高维的向量表示，它包含了患者术后健康指标的全面信息。服务器会将这个向量作为患者术后健康指标的综合患者健康向量输出。这个综合患者健康向量可以用于后续的风险预测、健康评估等任务。由于它经过了多级门控转换和非线性变换处理，因此具有更强的表达能力和更高的准确性。医生可以根据这个向量来判断患者的术后恢复情况，及时发现潜在的健康问题，并采取相应的治疗措施。通过这样的处理流程，服务器能够有效地利用门控转换单元从患者的术后健康数据中提取出有价值的特征信息，为医生提供更准确、更有价值的诊断和支持信息。[0090] 在本发明实施例中，前述通过多个串联连接的门控转换架构中目标门控转换架构，对所述目标门控转换架构的输入执行门控转换与非线性变换处理的步骤，可以通过以下示例执行实施。[0091] 通过所述目标门控转换架构对所述目标门控转换架构的输入进行进阶特征抽取，得到对应所述目标门控转换架构的进阶特征抽取结果；[0092] 对对应所述目标门控转换架构的进阶特征抽取结果与所述目标门控转换架构的输入执行累加操作，得到所述目标门控转换架构输出的目标门控转换结果。[0093] 在本发明实施例中，示例性的，服务器在处理患者的术后健康数据时，会将数据输入到门控转换单元中的一个特定目标门控转换架构中。这个目标门控转换架构负责对其输入数据进行进阶的特征抽取。进阶特征抽取是在初步特征抽取的基础上，进一步深入分析和提取数据中的潜在特征和模式。通过复杂的算法和模型，服务器在目标门控转换架构中对数据进行了更细致的处理，从而得到了对应目标门控转换架构的进阶特征抽取结果。在得到进阶特征抽取结果后，服务器并不会直接将其作为输出。相反，它会将进阶特征抽取结果与原始输入数据(即目标门控转换架构的输入)进行累加操作。这种累加操作实际上是一种信息融合的过程，它将原始数据和提取出的进阶特征结合在一起，形成了一个更全面、更丰富的数据表示。通过这种方式，服务器确保了原始信息不会因为进阶特征抽取而丢失，同时也增强了数据的特征表达能力。最终，服务器将累加操作的结果作为目标门控转换架构的输出，即目标门控转换结果。这样的处理过程使得服务器能够充分利用门控转换单元的结构和功能，从患者的术后健康数据中逐步提取和融合特征信息，为后续的健康状况分析和预测提供了更准确、更全面的数据基础。同时，通过累加操作将原始数据和进阶特征相结合的方法，也确保了数据处理过程中的信息完整性和准确性。[0094] 在本发明实施例中，前述对所述患者术后健康指标的综合患者健康向量进行风险概率估计，得到所述患者术后健康指标对应的所述目标患者的术后风险预测结果的步骤，可以通过以下示例执行实施。[0095] 对所述患者术后健康指标的综合患者健康向量执行完全映射操作，得到完全映射结果；[0096] 对所述完全映射结果执行概率分布建模处理，得到所述患者术后健康指标对应的所述目标患者的术后风险预测结果。[0097] 在本发明实施例中，示例性的，服务器在获取到患者术后健康指标的综合患者健康向量后，会进一步执行完全映射操作。这个步骤的目的是将高维的综合患者健康向量映射到一个更低维、更易于处理的空间中，同时保留关键的健康信息。服务器会利用一些降维技术(如主成分分析、t‑分布邻域嵌入算法等)来实现这一映射过程。通过这些技术，服务器能够将综合患者健康向量中的关键特征提取出来，并将其映射到一个新的向量空间中，得到完全映射结果。这个结果是一个更简洁、更直观的数据表示，便于后续的风险概率估计。在得到完全映射结果后，服务器会进一步执行概率分布建模处理。这个步骤的目的是根据已有的数据和模型，预测患者术后出现各种健康风险的可能性。服务器会利用一些统计学习方法(如朴素贝叶斯、逻辑回归等)或机器学习模型(如随机森林、神经网络等)来对完全映射结果进行建模。通过这些模型和算法，服务器能够分析完全映射结果中的特征与健康风险之间的关系，并计算出患者出现各种风险的概率。最终，服务器会将这些概率整合成一个术后风险预测结果，为患者和医生提供有价值的参考信息。这样的处理流程使得服务器能够充分利用综合患者健康向量中的信息，准确地预测患者术后可能出现的健康风险。医生可以根据这些预测结果制定更个性化的治疗方案和护理计划，从而降低患者的术后风险并提高其康复质量。[0098] 在本发明实施例中，本发明实施例还提供以下实施方式。[0099] 采集样本患者健康历史数据，其中，所述样本患者健康历史数据包括多个样本病历记录时间节点；[0100] 采集样本患者术后健康指标的多个所述健康指标类别在所述多个样本病历记录时间节点的患者健康数据，并对所述样本患者术后健康指标的多个所述健康指标类别在所述多个样本病历记录时间节点的患者健康数据执行针对时序的数据融合，得到所述样本患者术后健康指标的样本综合患者健康数据；[0101] 对所述样本患者术后健康指标的样本综合患者健康数据利用高速公路网络执行特征抽取操作，得到所述样本患者术后健康指标的样本综合患者健康向量；[0102] 对所述样本患者术后健康指标的样本综合患者健康向量进行风险概率估计，得到所述样本患者术后健康指标对应的所述目标患者的术后风险预测结果；[0103] 基于所述样本患者术后健康指标对应的所述目标患者的术后风险预测结果与所述样本患者术后健康指标对应的所述目标患者的实际术后风险情况之间的误差，确定代价参量，并基于所述代价参量优化调整初始术后风险预测模型，直至得到训练完成的术后风险预测模型。[0104] 在本发明实施例中，示例性的，服务器首先会从医疗信息系统中采集样本患者的健康历史数据。这些数据包括多个样本病历记录时间节点，如入院时间、手术时间、术后恢复时间等关键时间点。这些时间节点对于后续分析患者的健康状况和术后风险至关重要。在获取了样本患者的健康历史数据后，服务器会进一步采集这些患者在多个样本病历记录时间节点的术后健康指标数据。这些数据涵盖了多个健康指标类别，如心率、血压、血糖等生理指标，以及疼痛评分、活动能力等主观和客观评估指标。服务器会对这些不同时间节点的数据进行时序融合，确保每个患者的健康数据在时间上保持一致性，形成一个完整的时间序列数据集，即样本综合患者健康数据。服务器接下来会利用高速公路网络(这里指的是一种深度学习模型或特征抽取算法)对样本综合患者健康数据进行特征抽取操作。这个过程类似于将数据输入到一个复杂的网络中，通过多层的神经元连接和激活函数作用，提取出数据中的关键特征。这些特征能够更准确地反映患者的术后健康状况和风险趋势。通过高速公路网络的特征抽取，服务器将样本综合患者健康数据转换为更易于分析和预测的向量表示形式，即样本综合患者健康向量。服务器在得到样本综合患者健康向量后，会进行风险概率估计。它会利用统计模型或机器学习算法，根据已知的健康向量和对应的实际术后风险情况，来预测新的健康向量可能对应的风险概率。这个过程中，服务器会计算预测结果与实际结果之间的误差，即代价参量。这个代价参量反映了模型的预测准确性。基于这个代价参量，服务器会对初始的术后风险预测模型进行优化调整。这可以包括调整模型的参数、增加或删除特征、改变模型的结构等。服务器会不断重复这个过程，直到模型的预测准确性达到一个满意的水平，即得到训练完成的术后风险预测模型。这个模型可以用于后续的患者术后风险预测任务中，为医生提供准确的决策支持。[0105] 本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的基于大数据和人工智能的术后风险预测方法。如图2所示，图2为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括存储器111、处理器112及通信单元113。为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。[0106] 出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。

专利地区：北京

专利申请日期：2024-02-28

专利公开日期：2024-09-03

专利公告号：CN118197615B