[发明专利]心动过速事件早期风险评估的模型的建立方法及其装置

说明书

本申请公开了一种普适的个体化心动过速事件风险实时评估和早期预警模型建立方法及装置。本方法通过易获取的连续监测生命体征和电子健康档案信息，利用先进的人工智能深度学习和无监督学习方法，实现对住院患者的心动过速事件风险实时评估和早期预警，从而辅助医生及早对患者进行治疗和干预并降低医护人工的工作负荷。本方法的执行步骤主要分为：1)数据集构建模块；2)数据处理模块；3)模型构建与评估模块。本申请经过不同场景数据集的验证，具有良好的预测性能，并且本方法仅基于临床容易获取的信息即可提早0‑6小时预测心动过速事件的发生，适用于不同场景和医疗资源配置的机构。

技术领域

本发明属于医疗信息决策技术领域，尤其涉及一种基于深度学习和无监督学习的个普适的个体化心动过速事件早期风险评估模型的建立方法及其装置。

背景技术

心动过速(Tachycardia)是一种心律失常，被定义为成年人的静息心率超过每分钟100次跳动。心动过速通常分为窦性心动过速、房颤(AF)、房扑、室性心动过速(VT)和室颤(VF)等。自发性的VT是心脏猝死(SCD)的主要原因，据统计全球每年有53.3万～60.6万患者发病，其死亡率高达15～20％。AF是导致发生中风、充血性心力衰竭和过早死亡的重要风险因素之一，且首次患有AF的患者死亡风险更高。此外，发生心动过速的患者与不良预后相关。心动过速的传统检测方法是通过患者在医院使用心电图仪记录的信息，心脏病专家通过ECG信号解读其中的信息。但受限于有限的监测时间和疾病发生的间歇性无法获取患者疾病的准确信息。因此连续监测有助于医生及早诊断并预估不良事件的发生，同时可为医生提供足够的时间，采取积极的行动，抢救患者并防止疾病的恶化。

近期几家医院尝试使用可穿戴设备连续监测患者的核心生命体征，如：心率(HR)，呼吸速率(RR)和血氧饱和度(SpO₂)等信息，医护人员可随时随地地获取患者的生命体征信息。当患者的单一/多个生命体征数值超过医生设定的阈值时，这些设备会发出报警信息。与通过监测设备(单一阈值报警)和常用预警评分(临床权威专家小组定义)相比，机器学习的方法获得的预警评分/模型可以自动发现数据的模式和潜在关系，无需人工指导和干预。这一类基于电子健康档案(Electronic Healthcare Record，EHR)发展的机器学习方法，近期有较多研究证明是用于识别异常事件或疾病预警的有效方法。针对于本方法/装置关注的危及生命的异常事件的具有代表性研究包括：Abdur RMF等人利用隐形马尔科夫模型预测7类异常事件的发生(包含心动过速发生，tachycardia onset-TO)，他们进一步改进模型采用随机森林(random forest，RF)可实现提前1～2小时预测异常事件发生；Hyojeong L等人开发看一个人工神经网络模型可提前1小时预测室性心动过速发生；Jeno S等人基于其开发的心脏监测系统，部署回归和树模型，可提前几分钟监测到心律失常发生并提早预测致命性心律失常发生。

相比于机器学习有限的非线性计算能力和繁琐的特征工程构建，深度学习模型在表征学习和探索未知信息方面表现出强大的优势。最近，基于生理信号或EHR的疾病诊断和预测的深度学习方法探索与应用受到了研究学者的特别关注。由于易获取的生理信号和较多的开源的生理信号和标注(尤其是ECG信号)数据集，因此有较多采用深度学习的心脏类疾病研究。Pranav R等人报道了一种卷积神经网络(CNN)算法，该算法使用单导联可穿戴式传感器获取的心电信号来检测心律不齐；Supreeth PS等人也采用CNN方法用于检查和监测房颤；Tejeiro T等人介绍了一种基于ECG记录提取特征集构建的长期短期记忆网络模型(LSTM)方法，以对正常窦性心律、房颤、其他异常和噪音进行分类；Jungrae C等人使用ECG获得了一个深层CNN模型，可提早4～6min预测房颤发生。