本申請屬于大數據處理，具體而言涉及一種圍術期譫妄風險預測方法、設備及存儲介質。

背景技術：

1、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，設計一種圍術期譫妄風險預測方案，對圍術期中樞神經系統并發癥風險進行有效準確的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方法、設備及存儲介質，以實現對圍術期譫妄風險進行精準有效地預測。

2、本申請的第一方面，提供了圍術期譫妄風險預測方法，包括：

3、獲取待預測的多模態數據；所述多模態數據包括從術前和術中影像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、使用transformer架構對所述多模態數據進行編碼，提取全局狀態特征fmodality(fimage,feeg,ftext)；

5、通過多模態交叉注意力機制融合不同模態的信息，生成融合特征ffusion＝crossattention(fimage,feeg,ftext)；

6、將所述融合特征結合編碼信息輸入到遞歸推理模塊，逐步推理出未來時間點的全局狀態特征f’modality(f’image,f’eeg,f’text)；

7、將所述未來時間點的全局狀態特征f’modality(f’image,f’eeg,f’text)輸入至圍術期譫妄風險預測模型中，生成未來時間點的圍術期譫妄風險概率；

8、通過遞歸推理，生成時間序列形式的圍術期譫妄風險概率序列；

9、其中，所述圍術期譫妄風險預測模型為將大規模的多模態數據作為訓練數據集，采用遞歸推理對所述訓練數據集進行多步推理訓練后得到。

10、可選地，還包括：

11、針對影像特征數據，對應注意力權重矩陣中每個值表示影像特征數據中的不同分塊的重要程度；

12、從注意力權重矩陣中提取每一個分塊對應的權重，將所述權重映射到該分塊對應到原始影像中的位置；

13、在原始影像的基礎上疊加生成熱力圖，通過不同的顏色區分顯示不同分塊對應的區域的重要程度。

14、可選地，還包括：

15、對于時間序列數據，對應注意力權重矩陣中的每個值表示每個時間點的重要程度；

16、在時間軸上以熱力圖的形式顯示注意力權重，通過不同的顏色區分顯示不同時間點的重要程度。

17、可選地，還包括：

18、對文本數據，對應注意力權重矩陣的每個值表示文本中每個單詞或短語的重要程度；

19、按照注意力權重對文本中的單詞或短語進行高亮處理，通過不同的顏色或透明度顯示文本中不同單詞或短語的重要程度。

20、可選地，還包括：

21、獲取所述圍術期譫妄風險預測模型對給定樣本的預測結果，作為基準預測結果；

22、通過移除或組合不同的輸入特征，計算變化后的預測結果；

23、基于所述基準預測結果以及變化后的預測結果，分別得到影像特征數據、時間序列特征數據和文本特征數據的shapley值；

24、通過影像特征數據、時間序列特征數據和文本特征數據的shapley值排序，識別對圍術期譫妄預測貢獻大的關鍵特征以及對圍術期譫妄預測貢獻小的冗余特征；

25、基于所述關鍵特征以及所述冗余特征對所述圍術期譫妄風險預測模型的訓練過程進行優化。

26、可選地，還包括：

27、獲取交叉注意力權重矩陣，所述交叉注意力權重矩陣表示第一特征數據與第二特征數據的關聯關系；

28、從所述交叉注意力權重矩陣中檢索大于預設閾值的高權重；

29、將所述高權重對應的第一特征數據和第二特征數據的關聯關系推送至用戶。

30、可選地，所述圍術期譫妄風險預測模型采用自學推理技術的自監督學習機制，根據生成的推理步驟與預測結果的匹配程度，進行自我調整；在推理步驟對正確預測有貢獻時，模型通過梯度更新加強對應的推理路徑；在推理步驟中包含冗余或錯誤的邏輯，模型弱化對應的推理路徑的權重；經過多次迭代，逐步優化推理模型。

31、可選地，在所述生成時間序列形式的圍術期譫妄風險概率序列之后還包括：采用圍術期譫妄風險時間序列預測誤差對圍術期譫妄風險預測的性能進行評價；

32、其中，從時間序列的長短期趨勢、模式匹配度、頻譜分布、極值點角度，設計時間序列的token化表示方式；利用度量學習技術，通過對比損失訓練神經網絡，獲得用于比較時間序列波形相似性的度量函數，評價預測時間序列與實際值之間的相似性。

33、本申請的第二方面，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任一種所述的圍術期譫妄風險預測方法。

34、本申請的第三方面，提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現根據上述任一種所述的圍術期譫妄風險預測方法。

35、本申請所提供的圍術期譫妄風險預測方法，通過獲取待預測的多模態數據；使用transformer架構對所述多模態數據進行編碼，提取全局狀態特征；通過多模態交叉注意力機制融合不同模態的信息，生成融合特征；將所述融合特征結合編碼信息輸入到遞歸推理模塊，逐步推理出未來時間點的全局狀態特征；將所述未來時間點的全局狀態特征輸入至圍術期譫妄風險預測模型中，生成未來時間點的圍術期譫妄風險概率；通過遞歸推理，生成時間序列形式的圍術期譫妄風險概率序列。本申請結合影像、時間序列和文本數據，覆蓋了多維度圍術期譫妄風險因素；多模態交叉注意力機制提升了模態間特征交互與關聯的捕捉能力；通過遞歸推理結合時間序列建模，能動態預測圍術期風險的變化趨勢。另外，通過特征對齊與模態關聯分析，可解釋不同模態對預測結果的貢獻。此外，本申請還提供了具有上述技術效果的圍術期譫妄風險預測設備及存儲介質。

技術特征：

1.一種圍術期譫妄風險預測方法，其特征在于，包括：

2.根據權利要求1所述的圍術期譫妄風險預測方法，其特征在于，還包括：

3.根據權利要求1所述的圍術期譫妄風險預測方法，其特征在于，還包括：

4.根據權利要求1所述的圍術期譫妄風險預測方法，其特征在于，還包括：

5.根據權利要求1至4任一項所述的圍術期譫妄風險預測方法，其特征在于，還包括：

6.根據權利要求1至4任一項所述的圍術期譫妄風險預測方法，其特征在于，還包括：

7.根據權利要求1所述的圍術期譫妄風險預測方法，其特征在于，所述圍術期譫妄風險預測模型采用自學推理技術的自監督學習機制，根據生成的推理步驟與預測結果的匹配程度，進行自我調整；在推理步驟對正確預測有貢獻時，模型通過梯度更新加強對應的推理路徑；在推理步驟中包含冗余或錯誤的邏輯，模型弱化對應的推理路徑的權重；經過多次迭代，逐步優化推理模型。

8.根據權利要求7所述的圍術期譫妄風險預測方法，其特征在于，在所述生成時間序列形式的圍術期譫妄風險概率序列之后還包括：采用圍術期譫妄風險時間序列預測誤差對圍術期譫妄風險預測的性能進行評價；

9.一種圍術期譫妄風險預測設備，其特征在于，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權利要求1-8任一項所述的圍術期譫妄風險預測方法。

10.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機程序，所述計算機程序被處理器執行時實現根據權利要求1-8任一項所述的圍術期譫妄風險預測方法。

技術總結
本申請涉及一種圍術期譫妄風險預測方法、設備及存儲介質，屬于大數據處理技術領域。通過獲取待預測的多模態數據；對所述多模態數據進行編碼，提取全局狀態特征；通過多模態交叉注意力機制融合不同模態的信息，生成融合特征；將所述融合特征結合編碼信息輸入到遞歸推理模塊，逐步推理出未來時間點的全局狀態特征；將所述未來時間點的全局狀態特征輸入至圍術期譫妄風險預測模型中，生成未來時間點的圍術期譫妄風險概率；通過遞歸推理，生成時間序列形式的圍術期譫妄風險概率序列。本申請覆蓋了多維度圍術期譫妄風險因素；提升了模態間特征交互與關聯的捕捉能力；能動態預測圍術期風險的變化趨勢，增強了模型的可解釋性以及實用性。

技術研發人員：田莉,吳黃輝,陳哲平,熊利澤
受保護的技術使用者：上海市第四人民醫院
技術研發日：
技術公布日：2025/4/24