基于监测数据的脓毒症可解释性预警方法

本发明涉及基于监测数据的脓毒症可解释性预警方法，属于医疗大数据领域，尤其适用于基于监测数据的脓毒症可解释性预警。

背景技术：

1、脓毒症(sepsis)是由宿主对感染反应失调所致危及生命的器官功能障碍：由于发病机制的不定性、症状的多样性、治疗的复杂性，对其进行准确预测与决策支持一直是难题，也是疾病预测领域最富挑战的问题之一，是全球卫生优先事项之一。2022年据世界卫生组织估计，全球每年约有3000万人发生脓毒症，其中600万人因此死亡，病死率高达20％。脓毒症发病急、病情严重，发病时须立刻治疗，每延迟一小时治疗将使病死率升高6％左右。然而除通用的指南，迄今为止尚没有针对脓毒症进行最佳治疗、可解释的智能决策支持工具。若能提前、精准地可解释性的预警脓毒症发生，可有效的降低脓毒症的风险。

2、众多研究团队一直在寻求使用人工智能(ai)来识别脓毒症早期症状表现的患者，例如在美国广泛采用的epic sepsis模型(esm)[1]，研究人员对密歇根大学住院的38455患者，进行分析esm的敏感性为33％，特异性为83％，阳性预测值为12％，阴性预测值为95％，曲线下面积为0.63。近期发表在nature communications的研究[2]将医生临床笔记的自然语言处理(natural language processing，nlp)分析与结构化的(electronic medicalrecord，emr)数据相结合，以提高脓毒症风险预测能力，与临床医生相比，人工智能算法模型可将脓毒症的早期检出率提高32％，且在患者确诊前12小时的预测准确率较高(auc94％，敏感性87％，特异性87％)，能够为临床实施治疗争取黄金时间。杜克大学医院的sepsis watch[3]，根据(包括生命体征、实验室检测结果和病史等)几十个变量来识别病例。其训练数据包括5万份患者记录，3200多万个数据点，每5分钟从患者的医疗记录中提取一次信息，可以识别出早期脓毒症病例并发出警报，从而可提供人类医生无法提供的密集的实时分析。但这些研究缺乏多中心实验验证，且模型基于“黑箱的”深度学习技术，预测结果可解释性和透明性不足，无法指导临床医生进行有效决策。由于医学应用的高风险性质，只有一个能够在没有解释的情况下产生正确答案的深度模型是不够的。而目前研究中，医学中的可解释性主要分为事后可解释性分析和特设可解释性建模。

3、因而，一种能够实时在线分析并可解释的深度学习方法来辅助实现脓毒症风险的预警是非常有研究价值和应用价值的，能够极大的保护人们的生命安全。

4、[1].habib ar，lin al，grant rw：the epic sepsis model falls short-theimportance of external validation.jama internal medicine 2021，181(8)：1040-1041.

5、[2].goh kh，wang l，yeow ayk，poh h，li k，yeow jjl，tan gyh：artificialintelligence in sepsis early prediction and diagnosis using unstructured datain healthcare.nature communications 2021，12(1)：711.

6、[3].kuan ws，ibrahim i，leong bs，jain s，lu q，cheung yb，mahadevan m：emergency department management of sepsis patients：a randomized，goal-oriented，noninvasive sepsis trial.annals of emergency medicine 2016，67(3)：367-378.e363.

技术实现思路

1、有鉴于此，本发明提供基于监测数据的脓毒症可解释性预警方法，意在基于强化学习模型来分析处理监测数据，实现准确地预警患者脓毒症风险，并提供可解释的结果。通过改进奖励函数避免过拟合，同时引入希尔伯特-施密特独立性准则(hilbert-schmidtindependent criterion，hisc)对特征空间进行正交化，提高模型的泛化能力和可解释性。

2、为达到上述目的，本发明提供如下技术方案：

3、基于监测数据的脓毒症可解释性预警方法，其特征在于，由基于监测数据的脓毒症可解释性模型实现；所述的基于监测数据的脓毒症可解释性模型由一个actor-critic框架的强化学习网络并联一个基准模型构成；所述的actor-critic框架的强化学习网络由一个actor网络和一个critic网络串联构成；所述的actor网络由一个卷积神经网络1(cnn-1)串联一个随机采样器构成，所述的卷积神经网络1用于生成采样概率，所述的随机采样器按照生成采样概率对特征进行提取；所述的critic网络为一个卷积神经网络2(cnn-2)，用于利用提取的特征预测脓毒症的结果；所述的基准模型由一个时间卷积网络(temporalconvolutional network，tcn)和全连接层网络(full-connected network)并联构成；所述的actor网络和基准模型的输入端相连为数据；所述的actor网络中cnn-1的输出端与全连接层网络的输入端相连；所述的actor-critic框架的强化学习网络的损失函数与基准模型的损失函数在输出端相连，共同作用对cnn1进行参数的调整。

4、该方法具体步骤如下：

5、s1：统计不同患者的静态特征和监测装置监测患者获取生命体征的时间序列数据{xt|t＝1，…，t}构建历史数据集；

6、s2：建立actor-critic框架的强化学习网络，并利用历史数据集数据进行训练，优化网络参数；

7、s3：建立基准模型，利用希尔伯特-施密特独立性准则(hilbert-schmidtindependent criterion，hisc)和交叉熵建立基准模型的损失函数，利用历史数据集数据进行训练；

8、s4：结合actor-critic框架的强化学习网络的损失函数与基准模型的损失函数建立联合损失函数，利用历史数据集进行训练，对actor-critic框架的强化学习网络的actor网络参数进行优化；

9、s5：根据患者的静态特征以及监测装置实时监测患者获取生命体征的时间序列数据，利用步骤s4优化后的actor-critic框架的强化学习网络，预测出时间段t患者脓毒症的风险数值；

10、s6：利用分类器对时间段t内的患者脓毒症的风险数值进行分类预警；

11、s7：对于患者脓毒症的预警利用集成梯度算法(integrated gradientalgorithm)进行可视化和可解释性分析。

12、其中，s、d为正整数维度。

13、进一步，步骤s2所述的actor-critic框架的强化学习网络的工作过程为：

14、s201：利用统计学方法计算时间序列数据的在每一时刻的统计学特征，并将静态特征与该时刻的统计学特征进行concat连接，作为actor-critic框架的强化学习网络的输入特征；

15、s202：cnn1根据输入特征生成一个d+s维的概率向量；

16、s203：随机采样器按照概率向量从输入特征中随机选择部分特征作为cnn2的输入，输出患者脓毒症的预测概率p1∈[0，1]；

17、s204：结合人工标记的时间序列数据的脓毒症标签(0或1)，利用交叉熵建立患者脓毒症的概率p1与脓毒症标签的损失函数lcritic(p1，label)；

18、s205：利用lcritic(p1，label)，结合人工标记的时间序列数据对critic网络的参数进行优化；

19、其中，述的统计学特征包含：均值和方差{dxt|t＝1，…，t}；其中，

20、进一步，步骤s3所述的基准模型的工作过程为：

21、s301：利用统计学方法计算时间序列数据的在每一时刻的统计学特征；

22、s302：利用时间卷积网络(tcn)提取时间序列数据每一时刻的时间特征

23、s303：将统计学特征、时间特征和静态特征输入到全连接层，输出得到患者脓毒症的概率p2∈[o，1]；

24、s304：结合人工标记的时间序列数据的脓毒症标签(0或1)，利用交叉熵建立患者脓毒症的概率p2与脓毒症标签的损失函数lcross(p2，label)；

25、s305：利用hisc对统计学特征、时间特征进行分析，得到hisc的损失函数lhisc；

26、s306：计算出基准模型的损失函数lbase＝lcross(p2，label)+lhisc，并结合人工标记的时间序列数据对基准模型的tcn和全连接层参数进行优化。

27、更进一步，步骤s305所述的hisc用于衡量统计学特征(记作x)和时间特征(记作y)的分布差异，其损失函数：其中：互协方差算子μx＝exφ(x)，为张量积，φ(x)、为给定的x、y的非线性映射，ex、ey为关于x、y的均值算子；对于任意的矩阵a＝[ai，j]，有

28、进一步，步骤s4所述的联合损失函数为：l＝lcritic(p1，label)+lbase。

29、进一步，步骤s6所述的分类器为支持向量机，具体的：将时间段t内的患者脓毒症的风险数值当作一个向量，对其中元素赋予权重后，进行分类；应用前，需要利用时间段t的人工标记的时间序列数据对分类器进行训练。

30、进一步，所述的步骤s7具体为：首先，使用集成梯度算法，通过梯度可视化来可视化患者的静态特征以及监测装置监测患者获取生命体征的时间序列数据的属性特征；然后，通过分析输入数据单一特征对患者脓毒症的风险数值的贡献度，来解释模型的预测结果。

31、可优选，critic网络可以直接输出患者脓毒症的风险的二分类预警结果，可减少步骤s5的分类器处理，提高效率。

32、本发明的有益效果在于：本发明提供了基于监测数据的脓毒症可解释性预警方法，以静态数据和动态数据为出发点，在传统强化学习算法的基础上引入了希尔伯特-施密特独立性准则，实现了特征空间进行正交化，提高了模型的泛化能力、可解释性和预测精度，同时改进奖励函数避免了过拟合，并利用集成梯度算法实现了可视化和可解释性。本发明方法能够高效的协助医务工作者实现对患者脓毒症的及时、准确的预警，减少手术风险发生。