本技術(shù)涉及生物醫(yī)學，具體而言，涉及一種移植術(shù)后交互系統(tǒng)及移植術(shù)后交互方法。

背景技術(shù)：

1、現(xiàn)有的移植術(shù)后預測模型大多基于詳盡的臨床數(shù)據(jù)，包括血液檢查、尿液檢查和影像學檢查等，這些數(shù)據(jù)通常需要專業(yè)儀器和實驗室環(huán)境來獲取?；颊咴诰蛹噎h(huán)境中，由于條件限制，很難進行這些專業(yè)的檢測，從而難以準確識別排斥和感染風險。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的目的在于提供一種移植術(shù)后交互系統(tǒng)及移植術(shù)后交互方法，用以解決患者在居家環(huán)境中，由于條件限制，無法進行專業(yè)的檢測，從而難以準確識別排斥和感染風險的問題。

2、本技術(shù)實施例提供的一種移植術(shù)后交互系統(tǒng)，包括：移動交互終端設備和服務器；

3、移動交互終端設備用于獲取患者的日常健康數(shù)據(jù)和基本信息，并上傳服務器；其中，基本信息包括年齡、性別、病史、移植手術(shù)信息、移植術(shù)后生存率和移植術(shù)后時間；

4、服務器用于將患者的日常健康數(shù)據(jù)和基本信息輸入移植術(shù)后預測模型，得到排斥反應風險值和感染風險值；并，返回排斥反應風險值和感染風險值至移動交互終端設備；

5、移動交互終端設備還用于展示排斥反應風險值和感染風險值。

6、上述技術(shù)方案中，移動交互終端設備獲取患者的日常健康數(shù)據(jù)和基本信息，并上傳至服務器。其中，日常健康數(shù)據(jù)包括體溫、心率、血壓、尿量、尿液顏色等患者能夠自行監(jiān)測的指標。基本信息：包括年齡、性別、病史、移植手術(shù)信息(如手術(shù)日期、移植器官類型等)、移植術(shù)后生存率(可能基于歷史數(shù)據(jù)或醫(yī)生評估)和移植術(shù)后時間(從手術(shù)日期至今的時間)。服務器接收移動交互終端設備上傳的數(shù)據(jù)，將其輸入移植術(shù)后預測模型，計算排斥反應風險值和感染風險值，并將結(jié)果返回給移動交互終端設備。其中，移植術(shù)后預測模型基于大量臨床數(shù)據(jù)和機器學習算法構(gòu)建，能夠根據(jù)患者的日常健康數(shù)據(jù)和基本信息，預測排斥反應和感染的風險。系統(tǒng)能夠?qū)崟r收集和處理數(shù)據(jù)，能夠根據(jù)患者的個體差異(如年齡、性別、病史等)進行個性化的風險評估。通過該系統(tǒng)，患者無需前往醫(yī)院或?qū)I(yè)機構(gòu)，即可在居家環(huán)境中進行健康監(jiān)測和風險評估。

7、在一些可選的實施方式中，移動交互終端設備包括：智能穿戴裝置和移動交互裝置；日常健康數(shù)據(jù)包括體溫、心率、血壓、運動數(shù)據(jù)、飲食信息、健康信息和服藥信息；

8、智能穿戴裝置用于獲取體溫、心率、血壓和運動數(shù)據(jù)；

9、移動交互裝置用于配置不同的問題與患者進行交互，獲取患者的飲食信息、健康信息和服藥信息。

10、上述技術(shù)方案中，根據(jù)患者的具體情況和需求，配置相應的問題，獲取有針對性的信息。通過將智能穿戴裝置和移動交互裝置相結(jié)合，系統(tǒng)能夠收集到患者的全面日常健康數(shù)據(jù)，包括：

11、體溫：反映患者的體溫變化，有助于識別感染等異常情況。

12、心率：反映心臟的健康狀況，異常心率可能提示心臟問題或排斥反應。

13、血壓：反映血管的健康狀況，異常血壓可能提示高血壓、低血壓或排斥反應等問題。

14、運動數(shù)據(jù)：反映患者的運動習慣和身體活動水平，有助于評估患者的身體狀態(tài)和恢復情況。

15、飲食信息：反映患者的飲食習慣和營養(yǎng)攝入情況，有助于評估患者的營養(yǎng)狀況和潛在的健康風險。

16、健康信息：包括患者的自我感覺、癥狀描述等，有助于識別潛在的健康問題。

17、服藥信息：反映患者的用藥情況，有助于評估藥物的療效和副作用。

18、本實施例通過智能穿戴裝置和移動交互裝置的結(jié)合，該移植術(shù)后交互系統(tǒng)能夠?qū)崿F(xiàn)對患者日常健康數(shù)據(jù)的全面、實時、個性化監(jiān)測，為患者在居家環(huán)境中更好地管理自己的健康狀況提供有力支持。

19、在一些可選的實施方式中，服務器還用于：

20、從公共數(shù)據(jù)庫獲取臨床數(shù)據(jù)，篩選符合臨床條件的樣本，得到初始樣本數(shù)據(jù)；

21、對初始樣本數(shù)據(jù)進行預處理和過濾，得到數(shù)據(jù)類別與日常健康數(shù)據(jù)和基本信息的數(shù)據(jù)類別相同的樣本數(shù)據(jù)；

22、建立單因素cox比例風險模型，從日常健康數(shù)據(jù)和基本信息的數(shù)據(jù)類別中，識別與排斥反應風險或感染風險相關(guān)的關(guān)鍵特征；

23、計算每個初始建模特征的一致性指數(shù)，選擇一致性指數(shù)最高的特征作為起始特征；

24、構(gòu)建多因素cox回歸模型，通過迭代方式逐步添加特征，并計算一致性指數(shù)，使得模型性能最大化；

25、當多因素cox回歸模型的一致性指數(shù)不再增加時，停止建模，形成初級cox比例風險模型；

26、對初級cox比例風險模型的關(guān)鍵特征的權(quán)重系數(shù)進行優(yōu)化，得到移植術(shù)后預測模型；

27、根據(jù)移植術(shù)后預測模型的關(guān)鍵特征，配置移動交互終端設備需要上傳的數(shù)據(jù)，以及配置移動交互裝置中設置的問題。

28、上述技術(shù)方案中，服務器根據(jù)特定的臨床條件，從公共數(shù)據(jù)庫中篩選出符合要求的樣本數(shù)據(jù)，形成初始樣本數(shù)據(jù)。對初始樣本數(shù)據(jù)進行清洗、過濾和格式化，確保數(shù)據(jù)的質(zhì)量，并使其與日常健康數(shù)據(jù)和基本信息的數(shù)據(jù)類別保持一致。使用單因素cox比例風險模型，從日常健康數(shù)據(jù)和基本信息中識別與排斥反應風險或感染風險相關(guān)的關(guān)鍵特征。其中，一致性指數(shù)(如c-index)是衡量模型預測性能的重要指標。服務器計算每個初始建模特征的一致性指數(shù)，并選擇一致性指數(shù)最高的特征作為起始特征。以起始特征為基礎，通過迭代方式逐步添加其他特征，并計算每次添加后的一致性指數(shù)，以最大化模型的性能。當多因素cox回歸模型的一致性指數(shù)不再增加時，停止建模，形成初級cox比例風險模型。對初級cox比例風險模型的關(guān)鍵特征的權(quán)重系數(shù)進行優(yōu)化，例如通過lasso回歸、ridge回歸、交叉驗證等方法。根據(jù)移植術(shù)后預測模型的關(guān)鍵特征，配置移動交互終端設備需要上傳的數(shù)據(jù)類型和頻率。這有助于確保收集到的數(shù)據(jù)對模型預測有實際意義。根據(jù)模型的關(guān)鍵特征，配置移動交互裝置中設置的問題，以獲取與預測結(jié)果相關(guān)的非生理數(shù)據(jù)。這有助于提供更全面的患者健康信息，提高模型的預測精度。因此，該系統(tǒng)能夠更準確地識別與排斥反應風險和感染風險相關(guān)的關(guān)鍵特征，構(gòu)建出高性能的預測模型，并根據(jù)模型的關(guān)鍵特征進行個性化配置，為患者提供更全面、更準確的健康監(jiān)測和風險評估服務。

29、在一些可選的實施方式中，對初始樣本數(shù)據(jù)進行預處理，包括：

30、識別初始樣本數(shù)據(jù)中的異常數(shù)據(jù)，并進行替換；

31、對初始樣本數(shù)據(jù)進行歸一化處理。

32、上述技術(shù)方案中，異常數(shù)據(jù)(或稱為離群值、極端值)是指那些與大多數(shù)數(shù)據(jù)點顯著不同的值。這些值可能是由于測量誤差、數(shù)據(jù)錄入錯誤或其他非典型因素引起的。異常數(shù)據(jù)的存在可能會對模型的訓練產(chǎn)生負面影響，導致模型性能下降或預測結(jié)果不準確。例如，可以使用3σ原則(即數(shù)據(jù)點距離均值的距離超過3倍標準差時視為異常)或iqr(四分位數(shù)間距)方法來識別離群值。將異常數(shù)據(jù)替換為某個統(tǒng)計量(如均值、中位數(shù)或眾數(shù))，或使用插值方法(如線性插值、最近鄰插值等)來估算缺失或異常值。歸一化處理是將不同量綱的數(shù)據(jù)轉(zhuǎn)換到同一尺度上，使得各個特征在模型訓練過程中具有相當?shù)臋?quán)重。這有助于加快模型的收斂速度，并提高模型的預測性能。

33、在一些可選的實施方式中，識別初始樣本數(shù)據(jù)中的異常數(shù)據(jù)，并進行替換，包括：

34、若初始樣本數(shù)據(jù)中的數(shù)據(jù)超出對應的合理范圍區(qū)間，則認為該數(shù)據(jù)為異常數(shù)據(jù)，并將該異常數(shù)據(jù)替換為對應的典型值。

35、上述技術(shù)方案中，對于每個特征(或變量)，根據(jù)已有的知識、經(jīng)驗或數(shù)據(jù)分布特點，確定一個合理的取值范圍。這個范圍應該能夠涵蓋大多數(shù)正常數(shù)據(jù)點，同時排除那些明顯偏離正常范圍的異常值。遍歷初始樣本數(shù)據(jù)中的每個數(shù)據(jù)點，檢查其是否超出了對應特征的合理范圍區(qū)間。如果某個數(shù)據(jù)點超出了其對應特征的合理范圍區(qū)間，則認為該數(shù)據(jù)點為異常數(shù)據(jù)。對于識別出的異常數(shù)據(jù)，可以選擇一個典型的值來替換它。這個典型值可以是該特征的均值、中位數(shù)、眾數(shù)或其他具有代表性的值。替換異常數(shù)據(jù)的目的是使數(shù)據(jù)更加接近真實情況，同時減少異常值對模型訓練的影響。

36、在一些可選的實施方式中，將患者的日常健康數(shù)據(jù)和基本信息輸入移植術(shù)后預測模型，得到排斥反應風險值和感染風險值，包括：

37、在日常健康數(shù)據(jù)和基本信息中的一個或多個數(shù)據(jù)缺失的情況下，利用不同的典型值對缺失數(shù)據(jù)進行填充后，分別輸入移植術(shù)后預測模型進行預測，得到多個預測結(jié)果；

38、根據(jù)多個預測結(jié)果執(zhí)行不同的處理流程：

39、若多個預測結(jié)果中的部分預測結(jié)果，出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，則向移動交互終端設備發(fā)送第一告警提示信息，第一告警提示信息用于提示患者補全數(shù)據(jù)后重新進行預測；

40、若多個預測結(jié)果中的所有預測結(jié)果，均出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，則向移動交互終端設備發(fā)送第二告警提示信息，第二告警提示信息用于提示患者盡快前往醫(yī)院進行專業(yè)檢測；

41、若多個預測結(jié)果均沒有出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，則不向移動交互終端設備發(fā)送告警提示信息。

42、其中，不同典型值的選取，從不同標簽的樣本中選取，例如選取4個不同的典型值，這4個典型值為：從排斥反應風險值較高的樣本中選取一個典型值；從排斥反應風險值的樣本中選取一個典型值；從感染風險值較高的樣本中選取一個典型值；從感染風險值較低的樣本中選取一個典型值。

43、上述技術(shù)方案中，當患者的日常健康數(shù)據(jù)和基本信息中存在缺失時，首先識別這些缺失項。為了填充這些缺失數(shù)據(jù)，從已有的樣本中選取4個不同的典型值。這些典型值的選取依據(jù)是：

44、從排斥反應風險值較高的樣本中選取一個典型值，代表高風險情況。

45、從排斥反應風險值較低的樣本中選取一個典型值，代表低風險情況。

46、從感染風險值較高的樣本中選取一個典型值，同樣代表高風險情況。

47、從感染風險值較低的樣本中選取一個典型值，代表低風險情況。

48、使用這4個典型值對缺失數(shù)據(jù)進行填充，生成4個完整的數(shù)據(jù)集。

49、將每個填充后的完整數(shù)據(jù)集分別輸入到移植術(shù)后預測模型中，進行排斥反應風險值和感染風險值的預測。

50、每個數(shù)據(jù)集都會生成一組預測結(jié)果，包括排斥反應風險值和感染風險值。

51、根據(jù)多個預測結(jié)果執(zhí)行不同的處理流程：

52、如果部分預測結(jié)果中出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，這可能意味著數(shù)據(jù)的不完整性對預測結(jié)果產(chǎn)生了一定影響，或者患者確實存在一定的健康風險。此時，向移動交互終端設備發(fā)送第一告警提示信息，提示患者補全數(shù)據(jù)后重新進行預測，并給出哪些數(shù)據(jù)點缺失可能導致了預測結(jié)果異常的建議。

53、如果所有預測結(jié)果都顯示排斥反應風險值和/或感染風險值大于第一閾值，這可能意味著患者確實存在較高的健康風險。此時，向移動交互終端設備發(fā)送第二告警提示信息，強烈建議患者盡快前往醫(yī)院進行專業(yè)檢測，并給出一些緊急處理的建議。

54、如果所有預測結(jié)果都顯示排斥反應風險值和感染風險值低于第一閾值，則患者的健康狀況目前處于安全范圍內(nèi)。此時，不向移動交互終端設備發(fā)送任何告警提示信息，但可以繼續(xù)監(jiān)測患者的健康數(shù)據(jù)。

55、在一些可選的實施方式中，移動交互終端設備還用于：

56、根據(jù)排斥反應風險值和感染風險值，展示不同的提示信息：

57、若排斥反應風險值或感染風險值大于第一閾值，則展示用于提示患者盡快前往醫(yī)院進行專業(yè)檢測的提示信息；

58、若排斥反應風險值或感染風險值小于或等于第一閾值且大于第二閾值，則將患者的日常健康數(shù)據(jù)與對應的標準健康數(shù)據(jù)范圍進行比較，并展示患者的日常健康數(shù)據(jù)中超出標準健康數(shù)據(jù)范圍的數(shù)據(jù)；其中，第一閾值大于第二閾值。

59、上述技術(shù)方案中，當排斥反應風險值或感染風險值大于第一閾值時，移動交互終端設備展示一條緊急提示信息，建議患者盡快前往醫(yī)院進行專業(yè)檢測。

60、當排斥反應風險值或感染風險值小于或等于第一閾值但大于第二閾值時(即處于中等風險水平)，移動交互終端設備將患者的日常健康數(shù)據(jù)與對應的標準健康數(shù)據(jù)范圍進行比較。這一步驟旨在幫助患者識別哪些健康指標可能存在問題或偏離正常范圍。通過比較，設備會展示患者的日常健康數(shù)據(jù)中超出標準健康數(shù)據(jù)范圍的數(shù)據(jù)點。例如，如果患者的血壓值高于正常范圍，設備會特別標注出來，并可能給出一些建議或提醒，如“您的血壓偏高，請注意控制飲食和適量運動”。

61、當排斥反應風險值和感染風險值都小于或等于第二閾值時(即處于低風險或無風險水平)，移動交互終端設備可能不展示任何特別的提示信息，或者僅展示一條確認信息，如“您的健康狀況目前良好，請繼續(xù)保持”。

62、本技術(shù)實施例提供的一種移植術(shù)后交互方法，包括：

63、獲取患者的日常健康數(shù)據(jù)和基本信息，并上傳服務器；其中，基本信息包括年齡、性別、病史、移植手術(shù)信息、移植術(shù)后生存率和移植術(shù)后時間；

64、將患者的日常健康數(shù)據(jù)和基本信息輸入移植術(shù)后預測模型，得到排斥反應風險值和感染風險值；

65、展示排斥反應風險值和感染風險值。

66、在一些可選的實施方式中，獲取患者的日常健康數(shù)據(jù)和基本信息之前，還包括：

67、從公共數(shù)據(jù)庫獲取臨床數(shù)據(jù)，篩選符合臨床條件的樣本，得到初始樣本數(shù)據(jù)；

68、對初始樣本數(shù)據(jù)進行預處理和過濾，得到數(shù)據(jù)類別與日常健康數(shù)據(jù)和基本信息的數(shù)據(jù)類別相同的樣本數(shù)據(jù)；

69、建立單因素cox比例風險模型，從日常健康數(shù)據(jù)和基本信息的數(shù)據(jù)類別中，識別與排斥反應風險或感染風險相關(guān)的關(guān)鍵特征；

70、計算每個初始建模特征的一致性指數(shù)，選擇一致性指數(shù)最高的特征作為起始特征；

71、構(gòu)建多因素cox回歸模型，通過迭代方式逐步添加特征，并計算一致性指數(shù)，使得模型性能最大化；

72、當多因素cox回歸模型的一致性指數(shù)不再增加時，停止建模，形成初級cox比例風險模型；

73、對初級cox比例風險模型的關(guān)鍵特征的權(quán)重系數(shù)進行優(yōu)化，得到移植術(shù)后預測模型。

74、在一些可選的實施方式中，將患者的日常健康數(shù)據(jù)和基本信息輸入移植術(shù)后預測模型，得到排斥反應風險值和感染風險值，包括：

75、在日常健康數(shù)據(jù)和基本信息中的一個或多個數(shù)據(jù)缺失的情況下，利用不同的典型值對缺失數(shù)據(jù)進行填充后，分別輸入移植術(shù)后預測模型進行預測，得到多個預測結(jié)果；

76、根據(jù)多個預測結(jié)果執(zhí)行不同的處理流程：

77、若多個預測結(jié)果中的部分預測結(jié)果，出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，則發(fā)送第一告警提示信息，第一告警提示信息用于提示患者補全數(shù)據(jù)后重新進行預測；

78、若多個預測結(jié)果中的所有預測結(jié)果，均出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，則發(fā)送第二告警提示信息，第二告警提示信息用于提示患者盡快前往醫(yī)院進行專業(yè)檢測；

79、若多個預測結(jié)果均沒有出現(xiàn)排斥反應風險值和/或感染風險值大于第一閾值的情況，則不發(fā)送告警提示信息。