一种肠内营养不耐受筛查评估及管理系统的制作方法

本发明涉及医疗监测，尤其涉及一种肠内营养不耐受筛查评估及管理系统。

背景技术：

1、重症患者常因为呼吸衰竭、肾功能不全、电解质代谢紊乱、酸碱平衡失调、严重创伤、休克、重度感染等入院，病情复杂，机体应激反应强烈,表现为分解代谢亢进、合成代谢减弱，致使能量、蛋白质消耗增加等。再加上营养物质输入减少或供给不足致使胃肠道缺血缺氧，出现不良反应等，患者的营养状况会急剧下降。一旦发生营养不良，将导致机械通气患者脏器功能下降、肠道结构和屏障功能损伤、免疫功能降低、肌肉萎缩、呼吸肌无力、撤机困难。肠内营养是目前危重症患者的首选营养治疗方式，但肠内喂养不耐受是其常见并发症之一。肠内营养喂养不耐受尚无统一的标准。因此客观化、标准化风险评估成为预防重症患者肠内营养不耐受的第一步。风险评估旨在早期筛查肠内营养患者肠内营养喂养不耐受的发生风险，为识别肠内营养喂养不耐受高风险人群,及时采取措施预防肠内营养喂养不耐受发生提供依据。

2、现有的肠内营养不耐受筛查评估及管理系统风险评估的准确性和可靠性较低，降低肠内喂养不耐受高危人群的筛选率，且医护人员的工作效率低下，无法做到标准化、规范化的喂养不耐受筛查；此外，现有的肠内营养不耐受筛查评估及管理系统治疗的有效性和针对性低，增加人工干预的情况，无法满足患者的实际需求，降低治疗效果和患者的满意度，为此，我们提出一种肠内营养不耐受筛查评估及管理系统。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种肠内营养不耐受筛查评估及管理系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种肠内营养不耐受筛查评估及管理系统，包括信息录入模块、知识更新模块、信息筛选模块、风险评分模块、方案推荐模块、喂养管理模块、数据分析模块、用户管理模块、报告生成模块以及远程监控模块；

4、所述信息录入模块用于录入患者基本信息、病史、营养状况和实验室检查结果；

5、所述知识更新模块用于更新最新的医学文献和研究成果，将新知识与现有数据关联；

6、所述信息筛选模块用于筛选录入数据，识别影响肠内营养耐受性的关键因素；

7、所述风险评分模块用于结合患者多维数据，对患者进行肠内营养不耐受风险评分；

8、所述方案推荐模块基于患者的风险评分和筛选出的患者信息，生成个性化的肠内营养治疗方案；

9、所述喂养管理模块用于实时监测患者的营养摄入和消化情况，并优化喂养时间和营养成分配比；

10、所述数据分析模块用于中收集的所有数据进行综合分析，并生成详细的数据分析报告；

11、所述用户管理模块用于管理系统用户的权限和角色分配，并记录用户的操作日志；

12、所述报告生成模块用于生成各种类型的报告，同时提供电子和纸质报告输出；

13、所述远程监控模块用于实时监控患者的健康状况和肠内营养治疗过程。

14、作为本发明的进一步方案，所述知识更新模块新知识与现有数据关联具体步骤如下：

15、步骤一：定期通过爬虫技术从各种医学数据库和医学期刊中抓取最新的研究文献，对抓取到的文献数据进行清洗，通过文本相似度算法去除重复文献，之后利用自然语言处理对清洗后的文献数据进行预处理，并对文献内容进行初步分类和标签化；

16、步骤二：使用预训练的bert模型从文献中抽取关键实体，通过规则匹配方法抽取实体关系，并生成“实体1-关系-实体2”三元组，将抽取的各组实体作为节点添加到neo4j图谱数据库中，并根据抽取的关系在各组节点之间建立边；

17、步骤三：检查新节点和边是否与现有节点和边重复，若存在，则删除重复的节点与边，将新知识与现有知识进行合并，更新知识图谱，之后记录每次更新的内容和时间，计算各组节点余弦相似度，再通过apriori算法挖掘新知识与现有数据之间的关联规则。

18、作为本发明的进一步方案，步骤一所述医学数据库具体包括pubmed、cochranelibrary、embase、web of science、scopus、clinicaltrials.gov、medline、googlescholar、ovid、cinahl、lilacs、psycinfo以及ieee xplore。

19、作为本发明的进一步方案，所述信息筛选模模块关键因素识别具体步骤如下：

20、步骤1：通过正则表达式和规则匹配去除录入的患者数据中的的字符和格式错误，之后通过均值填补方法对数据中的缺失值进行填充，再对处理后的患者数据进行归一化处理；

21、步骤2：根据处理后的患者数据在知识图谱中检索对应实体和关系，将识别的实体与知识图谱中的节点进行匹配，提取与肠内营养耐受性相应的特征信息；

22、步骤3：预处理相应的历史患者数据，并将其划分为训练集以及测试集，之后通过tensorflow深度学习框架构建，并初始化一组筛选识别模型，再将训练集数据输入筛选识别模型中；

23、步骤4：将训练集分成小批量数据，并输入到模型中进行前向传播，筛选识别模型根据当前的参数计算预测值，并计算损失函数的损失值，基于链式法则，筛选识别模型将损失值从输出层开始进行逆向传递，根据损失函数的梯度更新模型的参数；

24、步骤5：在每个训练周期结束后，使用测试集对筛选识别模型进行验证，评估其在未见过的数据上的性能，根据评估结果调整筛选识别模型的超参数，若模型性能不再提升，或开始下降，则提前终止训练，否则，继续训练筛选识别模型，直至达到预设训练次数后停止；

25、步骤6：将最新患者特征信息输入筛选识别模型中进行前向传播，并输出预测结果，分析模型的输出结果，识别出关键因素、重要临床特征和潜在风险点，之后生成可视化图表，展示预测结果和关键因素，同时定期收集专家意见，调整特征选择和模型参数，重新训练和优化模型。

26、作为本发明的进一步方案，所述风险评分模块肠内营养不耐受风险评分具体步骤如下：

27、步骤①：将患者的健康状态表示为树的节点，每个节点包含患者的当前临床特征和潜在风险点，以构建一组搜索树，确定在不同状态下可以采取的行动，并将从一个状态到另一个状态的可能行动，作为树的边，之后将患者当前状态作为搜索树的根节点；

28、步骤②：使用上限置信区间算法，选择具有最高ucb值的子节点，将选择的节点进行扩展，生成所有可能的子节点，从新扩展的节点开始，进行随机行动模拟，并评估不同营养方案对患者的影响，记录模拟结果；

29、步骤③：将模拟结果回溯，并更新路径上的每个节点的访问次数和平均评分，检查树中节点的访问次数和评分变化情况，判断是否需要继续模拟，若评分变化阈值不超过预设收敛阈值，则停止搜索，否贼继续搜索；

30、步骤④：基于终端节点的模拟结果，计算患者的总体风险评分，之后通过matplotlib生成可视化图表，展示患者的风险评分和影响因素，并基于搜索树中的路径和节点，输出对最终风险评分影响最大的临床特征和行动。

31、作为本发明的进一步方案，所述方案推荐模块肠内营养治疗方案生成具体步骤如下：

32、步骤ⅰ：将筛选出的患者信息和风险评分作为抗原，之后通过随机初始化方法生成初始抗体群，每个抗体表示一个可能的肠内营养治疗方案；

33、步骤ⅱ：使用亲和力函数计算每个抗体的亲和力值，评估其与患者数据的匹配程度，选择亲和力高于预设选择阈值的抗体进行克隆扩展，生成克隆抗体群，再对克隆抗体进行随机扰动以及交叉重组操作，产生多样化的治疗方案；

34、步骤ⅲ：计算克隆变异后抗体的亲和力值，选择亲和力大于预设亲和力阈值的抗体进入成熟抗体群，再对成熟抗体进行优化，重复进行抗体迭代，直至达到最大迭代次数后停止；

35、步骤ⅳ：输出亲和力最高的抗体，作为最终推荐的个性化肠内营养治疗方案，同时记录并保存该方案的详细信息，临床专家对推荐的肠内营养治疗方案进行评估，收集专家反馈，分析推荐方案的优缺点并进行方案调整。

36、作为本发明的进一步方案，所述喂养管理模块喂养时间和营养成分配比优化具体步骤如下：

37、第一步：根据推荐的肠内营养治疗方案，设定初始喂养时间表和营养成分配比，并设定初始温度、退火速率以及终止温度，计算当前喂养方案的目标函数值；

38、第二步：分别在当前喂养时间表以及营养成分的配比上进行微调，并计算调整后的喂养方案的目标函数值，与当前解的目标函数值进行比较，若最新喂养方案目标函数值小于原本方案目标函数最小值，则无条件接受，否则，根据metropolis准则计算接受概率，并以接受概率为依据，使用随机数决定是否接受最新喂养方案；

39、第三步：经过每次迭代后，基于预设退火速率，采用指数下降策略逐步降低温度，若当前温度低于预设的终止温度，则停止迭代，否则，重复进行方案的迭代，经过所有迭代后，选择目标函数值最小的喂养方案作为最终的最优解，记录并保存最优喂养方案。

40、相比于现有技术，本发明的有益效果在于：

41、1、本发明通过将患者的健康状态表示为树的节点，每个节点包含患者的当前临床特征和潜在风险点，以构建一组搜索树，确定在不同状态下可以采取的行动，并将从一个状态到另一个状态的可能行动，作为树的边，之后将患者当前状态作为搜索树的根节点，选择具有最高ucb值的子节点，将选择的节点进行扩展，生成所有可能的子节点，从新扩展的节点开始，进行随机行动模拟，并评估不同营养方案对患者的影响，记录模拟结果，将模拟结果回溯，并更新路径上的每个节点的访问次数和平均评分，检查树中节点的访问次数和评分变化情况，判断是否需要继续模拟，若评分变化阈值不超过预设收敛阈值，则停止搜索，否贼继续搜索，基于终端节点的模拟结果，计算患者的总体风险评分，之后通过matplotlib生成可视化图表，展示患者的风险评分和影响因素，并基于搜索树中的路径和节点，输出对最终风险评分影响最大的临床特征和行动，能够提高风险评估的准确性和可靠性，充分提升肠内喂养不耐受高危人群的筛选率，提高医护人员的工作效率，达到标准化、规范化的喂养不耐受筛查。

42、2、本发明将筛选出的患者信息和风险评分作为抗原，之后通过随机初始化方法生成初始抗体群，每个抗体表示一个可能的肠内营养治疗方案，使用亲和力函数计算每个抗体的亲和力值，评估其与患者数据的匹配程度，选择亲和力高于预设选择阈值的抗体进行克隆扩展，生成克隆抗体群，再对克隆抗体进行随机扰动以及交叉重组操作，产生多样化的治疗方案，计算克隆变异后抗体的亲和力值，选择亲和力大于预设亲和力阈值的抗体进入成熟抗体群，再对成熟抗体进行优化，重复进行抗体迭代，直至达到最大迭代次数后停止，输出亲和力最高的抗体，作为最终推荐的个性化肠内营养治疗方案，同时记录并保存该方案的详细信息，临床专家对推荐的肠内营养治疗方案进行评估，收集专家反馈，分析推荐方案的优缺点并进行方案调整，能够提高治疗的有效性和针对性，确保推荐的方案全面且平衡，减少了人工干预，为医生提供有力的决策支持，更好地满足患者的实际需求，提升治疗效果和患者的满意度，增强患者的治疗依从性。