本技術屬于大數據處理，具體而言涉及一種圍術期譫妄風險預測模型的構建方法、預測方法及設備。

背景技術：

1、近年來，需要接受手術治療的老年群體逐年激增，保障老年麻醉與圍術期安全轉歸，尤其是圍術期腦健康管理備受重視。老年人除了生理性腦老化，還常伴有基礎疾病。這種特殊的生理、病理狀態使大腦處于脆弱狀態，腦功能代償能力下降。圍手術期手術創傷、麻醉藥物等因素可能破壞本已脆弱但尚能維持穩態的腦功能，導致術后意識狀態轉化異常與認知障礙發生。老年患者圍術期最常見，也是最難處理的并發癥是中樞神經系統并發癥，如手術麻醉后意識狀態異常改變，包括麻醉藥物引起的意識喪失、術后恢復期間意識恢復延遲、術后早期的意識狀態異常術后譫妄(pod)及中遠期的認知功能障礙。圍術期中樞神經系統并發癥與死亡率高度相關，如pod可使死亡率增加40％。因此，圍術期中樞神經系統并發癥已經成為嚴重影響老年患者圍術期安全與術后轉歸的重大臨床問題。

2、因此，構建一種有效可行的圍術期譫妄風險預測模型，對圍術期中樞神經系統并發癥風險進行預測是本領域技術人員研究的重要課題之一。

技術實現思路

1、鑒于上述的分析，本發明實施例旨在提供一種圍術期譫妄風險預測模型的構建方法、預測方法及設備，以實現對圍術期譫妄風險進行精準有效地預測。

2、本技術的第一方面，提供了一種圍術期譫妄風險預測模型的構建方法，包括：

3、獲取多個時間采集的來自不同來源不同類型的多模態數據，對所述多模態數據進行特征提取，得到多模態特征數據；其中，所述多模態特征數據包括從術前和術中影像數據中提取到的與圍術期譫妄發生相關的影像特征數據、從時間序列數據中提取到的與圍術期譫妄發生相關的時間序列特征數據、以及從臨床文本中提取到的文本特征數據；

4、對所述多模態特征數據進行時間、空間、特征對齊；

5、將所述多模態特征數據進行分解，得到多模態分塊；并對每個多模態分塊生成相應的時空編碼，以使不同數據模態在統一的時空框架下進行融合；

6、將所述多模態分塊以及時空編碼輸入至多模態大模型中進行訓練，構建得到圍術期譫妄風險預測模型，所述圍術期譫妄風險預測模型用于在接收待預測對象的多模態數據之后，輸出針對所述待預測對象的圍術期譫妄風險等級的預測結果。

7、可選地，所述圍術期譫妄風險預測模型的訓練過程中結合自注意力機制引導模型；

8、其中，影像特征數據自注意力用于捕捉特定腦區之間的交互作用特點，建立局部異常與全腦結構變化之間的聯系；

9、時間序列特征數據自注意力用于捕捉不同時段之間的神經活動和生理動態變化及其依賴關系，識別術前、術中和術后特定時間段內的神經活動異常與圍術期譫妄發生之間的潛在關系；

10、文本特征數據自注意力用于捕捉不同層級的語義關系，提取與圍術期譫妄發生相關的內容。

11、可選地，所述圍術期譫妄風險預測模型的訓練過程中結合多頭注意力機制引導模型；

12、所述多頭注意力機制包括：

13、影像局部與全局空間模式：用于捕捉影像中相鄰區域之間的相關性以及中遠距離區域之間的依賴性；

14、影像結構與邊緣模式：用于捕捉影像中的邊緣或結構信息，關注不同組織或區域之間的邊界；

15、影像多尺度模式：用于捕捉不同尺度下的特征，大尺度的全局信息和小尺度的局部細節；

16、影像對稱性模式：用于捕捉影像中左右腦之間的對稱性或不對稱性；

17、時間序列短期與長期時間依賴模式：用于捕捉腦電圖信號中短期和長期的時間依賴性特征，捕捉大腦活動的時間序列變化；

18、頻率依賴模式：用于捕捉不同頻段的腦電圖信號的特征和相互作用；

19、跨腦區的功能連接模式：用于捕捉不同腦區之間的功能連接模式；

20、波形突變模式：用于捕捉腦電圖信號中的突發性波形變化；

21、癥狀與診斷模式：用于捕捉臨床文本中與圍術期譫妄相關的關鍵癥狀描述、診斷結果及既往病史；

22、藥物與劑量模式：用于捕捉臨床文本中與藥物使用、劑量和用藥時間的描述；

23、時間線模式：用于捕捉臨床文本中的時間線信息；

24、重要事件與風險因素模式：用于捕捉病歷中與圍術期譫妄相關的風險因素和重要事件。

25、可選地，所述圍術期譫妄風險預測模型的訓練過程中結合交叉注意力機制引導模型；

26、在應用交叉注意力機制之前還包括：

27、構建自適應tokenizer，通過矩陣半張量積對不同模態的數據進行維度對齊，并生成統一的表示：

28、對于影像特征數據和時間序列特征數據的融合，采用下式得到影像數據中不同腦區的特征與時間序列特征之間的關聯：

29、

30、其中，q′image為影像特征數據的query特征維度、經過自適應tokenizer對齊后的表示；k′eeg為時間序列特征數據的key特征維度、經過自適應tokenizer對齊后的表示；v′eeg為時間序列特征數據的value特征維度、經過自適應tokenizer對齊后的表示；dk為鍵向量的維度。

31、對于文本特征數據和影像特征數據的融合，采用下式計算影像特征數據中的腦結構特征與臨床文本中的文本特征之間的關聯：

32、

33、其中，q′text為文本特征數據的query特征維度、經過自適應tokenizer對齊后的表示；k′image為影像特征數據的key特征維度、經過自適應tokenizer對齊后的表示；v′image為影像特征數據的value特征維度、經過自適應tokenizer對齊后的表示；

34、對于文本特征數據和時間序列特征數據的融合，采用下式計算時間序列數據中不同時間段的腦電活動與臨床文本中的文本特征之間的關聯：

35、

36、其中，q′text為文本特征數據的query特征維度、經過自適應tokenizer對齊后的表示；k′eeg為時間序列特征數據的key特征維度、經過自適應tokenizer對齊后的表示；v′eeg為時間序列特征數據的value特征維度、經過自適應tokenizer對齊后的表示。

37、可選地，在應用交叉注意力機制過程中，還包括：

38、為每種模態分配對應的權重；

39、根據所述權重對各個模態的數據進行加權融合，得到最終的多模態表示；

40、其中，所述權重為采用可學習動態學習機制確定得到，通過損失函數優化權重生成，根據任務需求自動調整各個模態對應的權重。

41、可選地，所述對每個多模態分塊生成相應的時空編碼包括：

42、采用多尺度分塊嵌入技術為影像特征數據的分塊提供時空位置編碼；

43、采用滑動窗口位置編碼技術為時間序列特征數據的分塊提供時空位置編碼；

44、采用正弦-余弦位置編碼技術為文本特征數據的分塊提供時空位置編碼。

45、可選地，所述圍術期譫妄風險預測模型的訓練過程中結合因果注意力機制引導模型；

46、在影像特征數據、時間序列特征數據、文本特征數據攜帶時間順序信息時，通過引入因果掩碼限制注意力的計算范圍，使得每個時間步只關注當前以及之前的時間步數據，而不能看到未來的時間步。

47、可選地，所述圍術期譫妄風險預測模型將transformer編碼的多模態特征與遞歸推理模塊相結合：

48、通過transformer編碼器對影像特征數據、時間序列特征數據和文本特征數據進行編碼，并使用多模態交叉注意力機制融合各個多模態特征數據；

49、將編碼后的多模態特征數據輸入遞歸推理模塊，逐步推理未來時間點的腦電狀態或術后大腦結構變化，進而得到圍術期譫妄風險等級的預測結果；

50、其中，遞歸推理模塊支持多步推理，每一步的遞歸推理輸出作為后續時間步預測的條件輸入。

51、本技術的第二方面，提供了一種圍術期譫妄風險預測方法，包括：

52、獲取待預測的多模態數據；

53、將所述待預測的多模態數據輸入至預先構建的圍術期譫妄風險預測模型中，輸出圍術期譫妄風險的預測結果；

54、其中，所述圍術期譫妄風險預測模型為根據上述任一種所述的圍術期譫妄風險預測模型的構建方法得到的模型。

55、本技術的第三方面，提供了一種圍術期譫妄風險預測設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時實現根據上述所述的圍術期譫妄風險預測方法。

56、本技術所提供的圍術期譫妄風險預測模型的構建方法，通過獲取多個時間采集的來自不同來源不同類型的多模態數據，對所述多模態數據進行特征提取，得到多模態特征數據；對多模態特征數據進行時間、空間、特征對齊；將多模態特征數據進行分解，得到多模態分塊；并對每個多模態分塊生成相應的時空編碼，以使不同數據模態在統一的時空框架下進行融合；將多模態分塊以及時空編碼輸入至多模態大模型中進行訓練，構建得到圍術期譫妄風險預測模型。圍術期譫妄風險預測模型用于在接收待預測對象的多模態數據之后，輸出針對所述待預測對象的圍術期譫妄風險等級的預測結果。本技術結合多模態數據，提高了圍術期譫妄風險預測模型的預測性能，實現了對圍術期譫妄風險的精準預測和提前預警。此外，本技術還提供了一種具有上述技術效果的圍術期譫妄風險預測方法及設備。