[發明專利]心動過速事件早期風險評估的模型的建立方法及其裝置

有效

• 申請號: 202011243298.0
• 申請日: 2020-11-10
• 公開（公告）號: CN112365978B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 李德玉;劉曉莉;張政波;歐陽真超
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H50/70;G16H10/60;G06N3/04;G06K9/62;A61B5/145;A61B5/0205
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 齊曉靜

本申請公開了一種普適的個體化心動過速事件風險實時評估和早期預警模型建立方法及裝置。本方法通過易獲取的連續監測生命體征和電子健康檔案信息，利用先進的人工智能深度學習和無監督學習方法，實現對住院患者的心動過速事件風險實時評估和早期預警，從而輔助醫生及早對患者進行治療和干預并降低醫護人工的工作負荷。本方法的執行步驟主要分為：1)數據集構建模塊；2)數據處理模塊；3)模型構建與評估模塊。本申請經過不同場景數據集的驗證，具有良好的預測性能，并且本方法僅基于臨床容易獲取的信息即可提早0?6小時預測心動過速事件的發生，適用于不同場景和醫療資源配置的機構。

技術領域

本發明屬于醫療信息決策技術領域，尤其涉及一種基于深度學習和無監督學習的個普適的個體化心動過速事件早期風險評估模型的建立方法及其裝置。

背景技術

心動過速(Tachycardia)是一種心律失常，被定義為成年人的靜息心率超過每分鐘100次跳動。心動過速通常分為竇性心動過速、房顫(AF)、房撲、室性心動過速(VT)和室顫(VF)等。自發性的VT是心臟猝死(SCD)的主要原因，據統計全球每年有53.3萬～60.6萬患者發病，其死亡率高達15～20％。AF是導致發生中風、充血性心力衰竭和過早死亡的重要風險因素之一，且首次患有AF的患者死亡風險更高。此外，發生心動過速的患者與不良預后相關。心動過速的傳統檢測方法是通過患者在醫院使用心電圖儀記錄的信息，心臟病專家通過ECG信號解讀其中的信息。但受限于有限的監測時間和疾病發生的間歇性無法獲取患者疾病的準確信息。因此連續監測有助于醫生及早診斷并預估不良事件的發生，同時可為醫生提供足夠的時間，采取積極的行動，搶救患者并防止疾病的惡化。

近期幾家醫院嘗試使用可穿戴設備連續監測患者的核心生命體征，如：心率(HR)，呼吸速率(RR)和血氧飽和度(SpO₂)等信息，醫護人員可隨時隨地地獲取患者的生命體征信息。當患者的單一/多個生命體征數值超過醫生設定的閾值時，這些設備會發出報警信息。與通過監測設備(單一閾值報警)和常用預警評分(臨床權威專家小組定義)相比，機器學習的方法獲得的預警評分/模型可以自動發現數據的模式和潛在關系，無需人工指導和干預。這一類基于電子健康檔案(Electronic Healthcare Record，EHR)發展的機器學習方法，近期有較多研究證明是用于識別異常事件或疾病預警的有效方法。針對于本方法/裝置關注的危及生命的異常事件的具有代表性研究包括：Abdur RMF等人利用隱形馬爾科夫模型預測7類異常事件的發生(包含心動過速發生，tachycardia onset-TO)，他們進一步改進模型采用隨機森林(random forest，RF)可實現提前1～2小時預測異常事件發生；Hyojeong L等人開發看一個人工神經網絡模型可提前1小時預測室性心動過速發生；Jeno S等人基于其開發的心臟監測系統，部署回歸和樹模型，可提前幾分鐘監測到心律失常發生并提早預測致命性心律失常發生。

相比于機器學習有限的非線性計算能力和繁瑣的特征工程構建，深度學習模型在表征學習和探索未知信息方面表現出強大的優勢。最近，基于生理信號或EHR的疾病診斷和預測的深度學習方法探索與應用受到了研究學者的特別關注。由于易獲取的生理信號和較多的開源的生理信號和標注(尤其是ECG信號)數據集，因此有較多采用深度學習的心臟類疾病研究。Pranav R等人報道了一種卷積神經網絡(CNN)算法，該算法使用單導聯可穿戴式傳感器獲取的心電信號來檢測心律不齊；Supreeth PS等人也采用CNN方法用于檢查和監測房顫；Tejeiro T等人介紹了一種基于ECG記錄提取特征集構建的長期短期記憶網絡模型(LSTM)方法，以對正常竇性心律、房顫、其他異常和噪音進行分類；Jungrae C等人使用ECG獲得了一個深層CNN模型，可提早4～6min預測房顫發生。