本發(fā)明涉及數(shù)據(jù)處理，特別涉及一種交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法及相關(guān)設(shè)備。

背景技術(shù)：

1、前交叉韌帶撕裂是運(yùn)動(dòng)人群中常見(jiàn)的膝關(guān)節(jié)損傷。尤其是涉及急停急起、變向切入的運(yùn)動(dòng)，例如籃球、足球、滑雪等運(yùn)動(dòng)，前交叉韌帶撕裂會(huì)極大地影響該類運(yùn)動(dòng)愛(ài)好者的膝關(guān)節(jié)穩(wěn)定性，因此需要進(jìn)行關(guān)節(jié)鏡下前交叉韌帶重建術(shù)。而外科手術(shù)均伴隨感染風(fēng)險(xiǎn)，關(guān)節(jié)鏡下前交叉韌帶重建術(shù)后膝關(guān)節(jié)感染率約為1.4-18‰。一旦出現(xiàn)術(shù)后膝關(guān)節(jié)感染，韌帶移植物、關(guān)節(jié)軟骨將會(huì)被破壞，患者的膝關(guān)節(jié)功能會(huì)受到不良影響。除此以外，非計(jì)劃二次手術(shù)、大量的抗生素應(yīng)用將會(huì)給患者和醫(yī)療系統(tǒng)帶來(lái)極大的負(fù)擔(dān)。

2、前交叉韌帶重建術(shù)后關(guān)節(jié)感染是一種少見(jiàn)但后果嚴(yán)重的并發(fā)癥，文獻(xiàn)報(bào)道發(fā)生率為0.14％～1.8％。它對(duì)關(guān)節(jié)軟骨完整性、移植物韌帶化和患者關(guān)節(jié)功能有潛在影響。雖然外科醫(yī)生非常警惕術(shù)后感染，但是從患者出現(xiàn)癥狀到確診治療依然存在延遲。因此，出現(xiàn)癥狀后如何高效診治，甚至預(yù)測(cè)并預(yù)防術(shù)后關(guān)節(jié)感染的發(fā)生成為了備受關(guān)注的問(wèn)題。

3、需要說(shuō)明的是，在上述背景技術(shù)部分公開(kāi)的信息僅用于加強(qiáng)對(duì)本公開(kāi)的背景的理解，因此可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于提供一種交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法及相關(guān)設(shè)備，至少在一定程度上克服現(xiàn)有技術(shù)存在的問(wèn)題，通過(guò)收集匹配的電子病歷數(shù)據(jù)，提取關(guān)鍵生理因素，分割訓(xùn)練和驗(yàn)證集，訓(xùn)練并優(yōu)化初始模型以生成準(zhǔn)確的目標(biāo)模型。此模型分析患者屬性信息，預(yù)測(cè)感染風(fēng)險(xiǎn)，輔助臨床決策，并通過(guò)持續(xù)更新保持其準(zhǔn)確性。

2、本技術(shù)的其他特性和優(yōu)點(diǎn)將通過(guò)下面的詳細(xì)描述變得顯然，或部分地通過(guò)本發(fā)明的實(shí)踐而習(xí)得。

3、根據(jù)本技術(shù)的一個(gè)方面，提供一種交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法，包括：獲取訓(xùn)練數(shù)據(jù)集和目標(biāo)電子病歷信息，其中，所述訓(xùn)練數(shù)據(jù)集為與所述目標(biāo)電子病歷信息相匹配的其他電子病歷信息；對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，生成帶有標(biāo)識(shí)信息的訓(xùn)練數(shù)據(jù)集，其中，所述標(biāo)識(shí)信息用于表征影響術(shù)后關(guān)節(jié)感染的生理因素；基于預(yù)設(shè)處理規(guī)則對(duì)所述帶有標(biāo)識(shí)信息的訓(xùn)練數(shù)據(jù)集進(jìn)行處理，生成訓(xùn)練集和驗(yàn)證集；獲取與所述標(biāo)識(shí)信息相匹配的初始術(shù)后感染預(yù)警模型，其中，所述初始術(shù)后感染預(yù)警模型為基于預(yù)設(shè)時(shí)間段內(nèi)所接收到的目標(biāo)電子病歷信息所設(shè)置的；基于所述訓(xùn)練集和所述驗(yàn)證集對(duì)所述初始術(shù)后感染預(yù)警模型進(jìn)行訓(xùn)練，生成目標(biāo)術(shù)后感染預(yù)警模型；對(duì)所述目標(biāo)電子病歷信息進(jìn)行預(yù)處理，生成目標(biāo)用戶的屬性信息，其中，所述目標(biāo)用戶的屬性信息包括目標(biāo)用戶的膝關(guān)節(jié)物質(zhì)參數(shù)信息；基于所述目標(biāo)術(shù)后感染預(yù)警模型對(duì)所述目標(biāo)用戶的屬性信息進(jìn)行處理，生成目標(biāo)用戶的膝關(guān)節(jié)感染概率。

4、在本技術(shù)的一個(gè)實(shí)施例中，所述對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，生成帶有標(biāo)識(shí)信息的訓(xùn)練數(shù)據(jù)集，包括：對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取，確定原始特征庫(kù)；根據(jù)所述原始特征庫(kù)劃分各個(gè)特征數(shù)據(jù)集，生成訓(xùn)練數(shù)據(jù)集和驗(yàn)證集；利用分類器對(duì)原始特征庫(kù)劃分各個(gè)驗(yàn)證集進(jìn)行預(yù)測(cè)，確定預(yù)測(cè)結(jié)果；使用預(yù)設(shè)算法在原始特征庫(kù)劃分各個(gè)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，得到驗(yàn)證集類預(yù)測(cè)結(jié)果；根據(jù)預(yù)測(cè)結(jié)果以及驗(yàn)證集類預(yù)測(cè)結(jié)果，生成帶有標(biāo)識(shí)信息的訓(xùn)練樣本。

5、在本技術(shù)的一個(gè)實(shí)施例中，所述對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取，確定原始特征庫(kù)，包括：基于預(yù)設(shè)處理規(guī)則對(duì)標(biāo)準(zhǔn)物質(zhì)信息進(jìn)行處理，生成標(biāo)準(zhǔn)化特征，其中，所述標(biāo)準(zhǔn)化特征為物質(zhì)成分構(gòu)成明確且已知的模體的特征；基于預(yù)設(shè)特征篩選和降維規(guī)則對(duì)所述標(biāo)準(zhǔn)化特征進(jìn)行處理，生成原始特征；將若干原始特征生成原始特征庫(kù)。

6、在本技術(shù)的一個(gè)實(shí)施例中，所述基于所述訓(xùn)練集和所述驗(yàn)證集對(duì)所述初始術(shù)后感染預(yù)警模型進(jìn)行訓(xùn)練，生成目標(biāo)術(shù)后感染預(yù)警模型，包括：從所述訓(xùn)練集中提取多組數(shù)據(jù)組，其中，每組數(shù)據(jù)組均包含預(yù)設(shè)數(shù)量的數(shù)據(jù)樣本，其中，至少一個(gè)數(shù)據(jù)樣本包括標(biāo)識(shí)信息；基于多組所述數(shù)據(jù)組中的數(shù)據(jù)樣本對(duì)所述初始術(shù)后感染預(yù)警模型進(jìn)行訓(xùn)練，生成訓(xùn)練后的術(shù)后感染預(yù)警模型；基于所述驗(yàn)證集對(duì)所述訓(xùn)練后的術(shù)后感染預(yù)警模型進(jìn)行處理，生成驗(yàn)證結(jié)果；若所述驗(yàn)證結(jié)果中包含標(biāo)識(shí)信息的數(shù)據(jù)樣本為影響術(shù)后關(guān)節(jié)感染的生理因素處于異常狀態(tài)，則將所述訓(xùn)練后的術(shù)后感染預(yù)警模型作為目標(biāo)術(shù)后感染預(yù)警模型。

7、在本技術(shù)的一個(gè)實(shí)施例中，對(duì)所述目標(biāo)電子病歷信息進(jìn)行預(yù)處理，生成目標(biāo)用戶的屬性信息，包括：對(duì)所述目標(biāo)電子病歷信息進(jìn)行數(shù)據(jù)清洗處理，生成目標(biāo)用戶信息；基于預(yù)設(shè)圖像提取模型對(duì)所述目標(biāo)用戶信息進(jìn)行處理，生成目標(biāo)用戶的膝關(guān)節(jié)圖像信息；對(duì)所述目標(biāo)用戶的膝關(guān)節(jié)圖像信息進(jìn)行處理，生成目標(biāo)用戶的膝關(guān)節(jié)物質(zhì)參數(shù)信息，其中，所述膝關(guān)節(jié)物質(zhì)參數(shù)信息包括關(guān)節(jié)液化學(xué)成分濃度、關(guān)節(jié)軟骨厚度和關(guān)節(jié)周?chē)M織密度；

8、基于所述目標(biāo)用戶的膝關(guān)節(jié)物質(zhì)參數(shù)信息生成目標(biāo)用戶的屬性信息；

9、所述方法包括獲取關(guān)節(jié)液化學(xué)成分濃度的計(jì)算公式，所述計(jì)算公式為：

10、

11、其中，c是化學(xué)成分的濃度，swater是關(guān)節(jié)液中的水信號(hào)強(qiáng)度，sbaseine是基線信號(hào)強(qiáng)度，sref是參考物質(zhì)的信號(hào)強(qiáng)度；

12、所述方法包括獲取關(guān)節(jié)軟骨厚度的計(jì)算公式，所述計(jì)算公式為：

13、

14、其中，t是軟骨的平均厚度，dmax是軟骨的最大深度，dmin是軟骨的最小深度；

15、所述方法包括獲取關(guān)節(jié)周?chē)M織密度的計(jì)算公式，所述計(jì)算公式為：

16、

17、其中，d是組織的平均密度，hui是第i個(gè)體素的hounsfield單位值，n是體素的總數(shù)。

18、在本技術(shù)的一個(gè)實(shí)施例中，基于所述目標(biāo)術(shù)后感染預(yù)警模型對(duì)所述目標(biāo)用戶的屬性信息進(jìn)行處理，生成目標(biāo)用戶的膝關(guān)節(jié)感染概率，還包括：目標(biāo)術(shù)后感染預(yù)警模型包括用于獲取膝關(guān)節(jié)感染匹配值的計(jì)算公式，所述計(jì)算公式為：其中，yi表示當(dāng)前樣本的第i個(gè)標(biāo)簽值，pi表示p中第i個(gè)生理特征的概率值，k為k個(gè)主要節(jié)點(diǎn)的感染概率。

19、在本技術(shù)的一個(gè)實(shí)施例中，基于所述目標(biāo)術(shù)后感染預(yù)警模型對(duì)所述目標(biāo)用戶的屬性信息進(jìn)行處理，生成目標(biāo)用戶的膝關(guān)節(jié)感染概率，包括：基于所述目標(biāo)術(shù)后感染預(yù)警模型對(duì)所述目標(biāo)用戶的屬性信息進(jìn)行處理，生成膝關(guān)節(jié)圖像編碼特征；基于所述目標(biāo)術(shù)后感染預(yù)警模型對(duì)所述膝關(guān)節(jié)圖像編碼特征進(jìn)行處理，生成膝關(guān)節(jié)感染匹配值；若所述膝關(guān)節(jié)感染匹配值高于預(yù)設(shè)匹配閾值，則表征目標(biāo)用戶的膝關(guān)節(jié)處于異常狀態(tài)。

20、本技術(shù)的另一個(gè)方面，一種交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警裝置，其特征在于，包括：獲取模塊，用于獲取訓(xùn)練數(shù)據(jù)集和目標(biāo)電子病歷信息，其中，所述訓(xùn)練數(shù)據(jù)集為與所述目標(biāo)電子病歷信息相匹配的其他電子病歷信息；獲取與標(biāo)識(shí)信息相匹配的初始術(shù)后感染預(yù)警模型，其中，所述初始術(shù)后感染預(yù)警模型為基于預(yù)設(shè)時(shí)間段內(nèi)所接收到的目標(biāo)電子病歷信息所設(shè)置的；處理模塊，用于對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，生成帶有標(biāo)識(shí)信息的訓(xùn)練數(shù)據(jù)集，其中，所述標(biāo)識(shí)信息用于表征影響術(shù)后關(guān)節(jié)感染的生理因素；基于預(yù)設(shè)處理規(guī)則對(duì)所述帶有標(biāo)識(shí)信息的訓(xùn)練數(shù)據(jù)集進(jìn)行處理，生成訓(xùn)練集和驗(yàn)證集；基于所述訓(xùn)練集和所述驗(yàn)證集對(duì)所述初始術(shù)后感染預(yù)警模型進(jìn)行訓(xùn)練，生成目標(biāo)術(shù)后感染預(yù)警模型；對(duì)所述目標(biāo)電子病歷信息進(jìn)行預(yù)處理，生成目標(biāo)用戶的屬性信息，其中，所述目標(biāo)用戶的屬性信息包括目標(biāo)用戶的膝關(guān)節(jié)物質(zhì)參數(shù)信息；基于所述目標(biāo)術(shù)后感染預(yù)警模型對(duì)所述目標(biāo)用戶的屬性信息進(jìn)行處理，生成目標(biāo)用戶的膝關(guān)節(jié)感染概率。

21、根據(jù)本技術(shù)的再一個(gè)方面，一種電子設(shè)備，其特征在于，包括：第一處理器；以及存儲(chǔ)器，用于存儲(chǔ)所述第一處理器的可執(zhí)行指令；其中，所述第一處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來(lái)執(zhí)行實(shí)現(xiàn)上述的交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法。

22、根據(jù)本技術(shù)的又一個(gè)方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被第二處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法。

23、根據(jù)本技術(shù)的又一個(gè)方面，提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被第三處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法。

24、本技術(shù)所提供的一種交叉韌帶重建術(shù)后關(guān)節(jié)感染的預(yù)警方法及相關(guān)設(shè)備，在開(kāi)發(fā)針對(duì)術(shù)后關(guān)節(jié)感染的預(yù)警模型過(guò)程中，首先通過(guò)獲取與目標(biāo)電子病歷信息相匹配的訓(xùn)練數(shù)據(jù)集，進(jìn)行預(yù)處理以生成帶有標(biāo)識(shí)信息的訓(xùn)練數(shù)據(jù)集。這些標(biāo)識(shí)信息關(guān)鍵地指出了可能影響術(shù)后感染的生理因素，接下來(lái)，依據(jù)預(yù)設(shè)規(guī)則，將處理后的數(shù)據(jù)集分割為訓(xùn)練集和驗(yàn)證集，為模型訓(xùn)練和評(píng)估打下基礎(chǔ)，在此基礎(chǔ)上，選用一個(gè)初始的術(shù)后感染預(yù)警模型，該模型基于特定時(shí)間段內(nèi)收集的電子病歷信息構(gòu)建。通過(guò)訓(xùn)練集和驗(yàn)證集對(duì)初始模型進(jìn)行細(xì)致的訓(xùn)練和優(yōu)化，最終生成一個(gè)精準(zhǔn)的預(yù)警模型，即目標(biāo)術(shù)后感染預(yù)警模型。

25、隨后，對(duì)目標(biāo)電子病歷信息進(jìn)行預(yù)處理，以提取出目標(biāo)用戶的膝關(guān)節(jié)物質(zhì)參數(shù)信息等屬性信息。利用目標(biāo)術(shù)后感染預(yù)警模型，對(duì)這些屬性信息進(jìn)行深入分析，計(jì)算出目標(biāo)用戶膝關(guān)節(jié)感染的概率，整個(gè)過(guò)程的目的是為了提供一個(gè)可靠的工具，幫助醫(yī)療專業(yè)人員識(shí)別感染風(fēng)險(xiǎn)，優(yōu)化臨床決策，并提高患者的術(shù)后恢復(fù)質(zhì)量，通過(guò)持續(xù)監(jiān)測(cè)模型性能并根據(jù)最新的醫(yī)療數(shù)據(jù)進(jìn)行更新，確保了模型的長(zhǎng)期有效性和適應(yīng)性。

26、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開(kāi)。