(19)國(guó)家知識(shí)產(chǎn)權(quán)局(10)申請(qǐng)公布號(hào)CN120260898A(71)申請(qǐng)人寧波大學(xué)附屬人民醫(yī)院路251號(hào)(74)專利代理機(jī)構(gòu)慈溪夏遠(yuǎn)創(chuàng)科知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)33286專利代理師陳伯祥G16H20/10(2018.01)(54)發(fā)明名稱評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案本發(fā)明提供一種基于多源數(shù)據(jù)融合的兒童腎病健康管理方法及系統(tǒng)，涉及醫(yī)療健康與人工智能融合技術(shù)領(lǐng)域，包括通過采集臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行局部分塊分解和雙重時(shí)序建模，提取多層級(jí)特征并融合生成健康狀態(tài)特征向量；將特征向量輸入疾病預(yù)測(cè)模型，通過主輔預(yù)測(cè)路徑得到預(yù)測(cè)結(jié)果并加權(quán)融合生成風(fēng)險(xiǎn)評(píng)估報(bào)告；基于評(píng)估報(bào)告構(gòu)建分層治療方案并進(jìn)行方案評(píng)估篩選。本發(fā)明實(shí)現(xiàn)了對(duì)兒童腎病21.一種基于多源數(shù)據(jù)融合的兒童腎病健康管理方法，其特征在于，包括：采集兒童腎病患者的臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量；將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合，構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征包括：將臨床檢驗(yàn)數(shù)據(jù)按照檢驗(yàn)指標(biāo)的生理功能劃分為基礎(chǔ)生化組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊和代謝功能組數(shù)據(jù)塊，在每個(gè)數(shù)據(jù)塊內(nèi)計(jì)算指標(biāo)對(duì)之間的皮爾遜相關(guān)系數(shù)得到三個(gè)局部相關(guān)系數(shù)矩陣，基于所述局部相關(guān)系數(shù)矩陣分別構(gòu)建三個(gè)局部關(guān)聯(lián)子圖，其中所述局部關(guān)聯(lián)子圖的節(jié)點(diǎn)表示檢驗(yàn)指標(biāo)，所述局部相關(guān)系數(shù)矩陣中的皮爾遜相關(guān)系數(shù)值作為對(duì)應(yīng)節(jié)點(diǎn)之間連接邊的局部權(quán)重值；根據(jù)預(yù)設(shè)的局部權(quán)重閾值對(duì)所述局部關(guān)聯(lián)子圖進(jìn)行稀疏化處理，刪除局部權(quán)重值低于所述局部權(quán)重閾值的連接邊，得到三個(gè)稀疏化局部關(guān)聯(lián)子圖；分別計(jì)算基礎(chǔ)生化組數(shù)據(jù)塊與免疫功能組數(shù)據(jù)塊、基礎(chǔ)生化組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊之間檢驗(yàn)指標(biāo)的皮爾遜相關(guān)系數(shù)，得到三個(gè)跨數(shù)據(jù)塊相關(guān)系數(shù)矩陣，選取所述跨數(shù)據(jù)塊相關(guān)系數(shù)矩陣中皮爾遜相關(guān)系數(shù)大于預(yù)設(shè)跨塊閾值的檢驗(yàn)指標(biāo)對(duì)建立橋接邊，以所述檢驗(yàn)指標(biāo)對(duì)的皮爾遜相關(guān)系數(shù)值作為所述橋接邊的跨塊權(quán)重值，通過所述橋接邊將各個(gè)稀疏化局部關(guān)聯(lián)子圖連接形成指標(biāo)關(guān)聯(lián)圖譜；將所述局部權(quán)重值和所述跨塊權(quán)重值歸一化處理得到轉(zhuǎn)移概率矩陣，基于所述轉(zhuǎn)移概率矩陣在指標(biāo)關(guān)聯(lián)圖譜上執(zhí)行隨機(jī)游走得到節(jié)點(diǎn)序列，對(duì)所述節(jié)點(diǎn)序列中共同出現(xiàn)的檢驗(yàn)指標(biāo)進(jìn)行組合并統(tǒng)計(jì)出現(xiàn)頻次，選取出現(xiàn)頻次大于第一預(yù)設(shè)頻次閾值的檢驗(yàn)指標(biāo)組合作為候選指標(biāo)組合；計(jì)算所述候選指標(biāo)組合與臨床診斷結(jié)果的相關(guān)系數(shù)值，將相關(guān)系數(shù)值大于第二預(yù)設(shè)相關(guān)閾值的候選指標(biāo)組合確定為特征指標(biāo)組合；在連續(xù)時(shí)間窗口內(nèi)對(duì)所述臨床檢驗(yàn)數(shù)據(jù)分別執(zhí)行數(shù)據(jù)塊劃分、局部關(guān)聯(lián)子圖構(gòu)建、指3標(biāo)關(guān)聯(lián)圖譜連接和特征指標(biāo)組合提取步驟，得到多個(gè)時(shí)序指標(biāo)關(guān)聯(lián)圖譜，計(jì)算相鄰時(shí)間窗口的時(shí)序指標(biāo)關(guān)聯(lián)圖譜間結(jié)構(gòu)差異得到圖譜演化特征，將所述圖譜演化特征與所述特征指標(biāo)組合融合，得到包含靜態(tài)組合信息和動(dòng)態(tài)演化信息的指標(biāo)組合特征。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量包括：將所述生理狀態(tài)數(shù)據(jù)在時(shí)間維度上展開形成特征序列矩陣，基于多頭注意力機(jī)制計(jì)算所述特征序列矩陣的時(shí)序關(guān)聯(lián)強(qiáng)度，通過雙層殘差網(wǎng)絡(luò)對(duì)所述時(shí)序關(guān)聯(lián)強(qiáng)度進(jìn)行自適應(yīng)加權(quán)得到時(shí)序注意力權(quán)重，將所述時(shí)序注意力權(quán)重與所述特征序列矩陣進(jìn)行加權(quán)運(yùn)算得到時(shí)序上下文特征；構(gòu)建包含長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)的雙重時(shí)序模型，將所述時(shí)序上下文特征輸入所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)得到全局變化特征，將所述時(shí)序上下文特征輸入所述門控循環(huán)單元網(wǎng)絡(luò)得到局部時(shí)序特征，采用注意力門控機(jī)制對(duì)所述全局變化特征和局部時(shí)序特征進(jìn)行自適應(yīng)融合得到指標(biāo)長(zhǎng)期變化特征；基于所述時(shí)序上下文特征構(gòu)建多尺度滑動(dòng)窗口，對(duì)各尺度窗口內(nèi)的序列執(zhí)行統(tǒng)計(jì)檢驗(yàn)得到統(tǒng)計(jì)量序列，采用動(dòng)態(tài)規(guī)劃算法對(duì)所述統(tǒng)計(jì)量序列進(jìn)行優(yōu)化得到變點(diǎn)位置集合，提取所述變點(diǎn)位置集合中各變點(diǎn)前后的局部序列構(gòu)建特征子序列，將所述特征子序列輸入多分支卷積網(wǎng)絡(luò)，通過分層注意力機(jī)制對(duì)各分支特征進(jìn)行自適應(yīng)融合得到指標(biāo)突變特征；基于患者個(gè)體信息構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，通過空間注意力機(jī)制計(jì)算患者節(jié)點(diǎn)間的相似度構(gòu)建患者關(guān)聯(lián)圖，采用門控圖卷積對(duì)所述患者關(guān)聯(lián)圖進(jìn)行特征聚合得到群體特征表征，將所述群體特征表征通過多層感知機(jī)映射得到特征權(quán)重矩陣；將預(yù)先獲取到的指標(biāo)組合特征、所述指標(biāo)長(zhǎng)期變化特征、所述指標(biāo)突變特征進(jìn)行特征拼接，并通過多層非線性變換將拼接的特征映射為多層級(jí)特征向量，利用所述特征權(quán)重矩陣對(duì)所述多層級(jí)特征向量進(jìn)行加權(quán)融合得到初始特征向量；對(duì)所述初始特征向量進(jìn)行隨機(jī)掩碼和特征增強(qiáng)得到正樣本對(duì)，將所述正樣本對(duì)輸入特征編碼器得到增強(qiáng)特征表示，通過最小化所述增強(qiáng)特征表示與所述初始特征向量間的互信息損失優(yōu)化特征表示，得到最終的患者健康狀態(tài)特征向量。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果包括：將患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型包括特征處理模塊和所述特征處理模塊將患者健康狀態(tài)特征向量輸入動(dòng)態(tài)采樣網(wǎng)絡(luò)，采用非均勻時(shí)間間隔的自適應(yīng)采樣策略，根據(jù)特征變化率動(dòng)態(tài)調(diào)整采樣頻率，在特征值變化速率超過預(yù)設(shè)閾值的時(shí)間點(diǎn)提高采樣頻率，對(duì)特征值變化速率低于預(yù)設(shè)閾值的時(shí)間點(diǎn)進(jìn)行插值處理，生成時(shí)間間隔均勻的特征序列；將所述時(shí)間間隔均勻的特征序列輸入分層注意力網(wǎng)絡(luò)，通過卷積層對(duì)特征序列進(jìn)行多尺度分解得到分層特征圖，將所述分層特征圖輸入遞歸神經(jīng)網(wǎng)絡(luò)提取時(shí)序模式得到時(shí)序特4征向量，將所述時(shí)序特征向量輸入注意力層計(jì)算特征權(quán)重并捕獲特征間依賴關(guān)系，得到疾病特征表示，將所述疾病特征表示輸入對(duì)比學(xué)習(xí)網(wǎng)絡(luò)，通過數(shù)據(jù)增強(qiáng)生成特征樣本對(duì)，對(duì)所述特征樣本對(duì)進(jìn)行特征對(duì)比訓(xùn)練，得到疾病演化特征；所述預(yù)測(cè)模塊的主預(yù)測(cè)路徑將所述疾病演化特征輸入動(dòng)態(tài)圖卷積網(wǎng)絡(luò)，基于癥狀相關(guān)系數(shù)構(gòu)建演化圖的鄰接矩陣，通過圖卷積運(yùn)算和門控機(jī)制更新節(jié)點(diǎn)特征，預(yù)測(cè)疾病狀態(tài)的演化軌跡，將所述演化軌跡輸入分段擬合網(wǎng)絡(luò)，通過軌跡曲線的二階導(dǎo)數(shù)檢測(cè)拐點(diǎn)位置識(shí)別狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)，在所述狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)處構(gòu)建狀態(tài)轉(zhuǎn)移矩陣，基于條件隨機(jī)場(chǎng)模型計(jì)算狀所述預(yù)測(cè)模塊的輔助預(yù)測(cè)路徑將所述疾病演化特征輸入異常檢測(cè)器，基于高斯混合模型計(jì)算特征樣本的異常程度，識(shí)別異常癥狀組合，基于所述異常癥狀組合結(jié)合預(yù)設(shè)的醫(yī)學(xué)知識(shí)庫(kù)中的癥狀關(guān)聯(lián)規(guī)則確定風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)，將所述風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)輸入風(fēng)險(xiǎn)傳播網(wǎng)絡(luò)，通過圖注意力層計(jì)算癥狀節(jié)點(diǎn)間的傳播權(quán)重，基于隨機(jī)游走算法計(jì)算風(fēng)險(xiǎn)擴(kuò)散概率，得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告包括：獲取歷史醫(yī)療數(shù)據(jù)作為訓(xùn)練樣本，基于時(shí)序特征相似度對(duì)所述訓(xùn)練樣本進(jìn)行分層，根據(jù)特征重要度確定分層抽樣概率，采用有放回抽樣方式獲取驗(yàn)證樣本；對(duì)于所述疾病發(fā)展預(yù)測(cè)結(jié)果，將所述驗(yàn)證樣本輸入驗(yàn)證模型得到疾病發(fā)展驗(yàn)證值，基于所述疾病發(fā)展驗(yàn)證值的分布特性計(jì)算加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差，根據(jù)所述加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差計(jì)算疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間；對(duì)于并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，將所述驗(yàn)證樣本輸入所述驗(yàn)證模型得到并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值，對(duì)所述并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值進(jìn)行概率分布擬合并采用最大似然估計(jì)方法確定概率分布參數(shù)，結(jié)合歷史預(yù)測(cè)準(zhǔn)確率計(jì)算所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間；計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間寬度，將所述疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間寬度與歷史數(shù)據(jù)的預(yù)測(cè)誤差分布進(jìn)行對(duì)比，得到第一可信度分值；計(jì)算所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間寬度，將所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間寬度與歷史數(shù)據(jù)的預(yù)測(cè)誤差分別將所述第一可信度分值和第二可信度分值歸一化處理得到對(duì)應(yīng)的融合權(quán)重，將所述疾病發(fā)展預(yù)測(cè)結(jié)果與對(duì)應(yīng)的融合權(quán)重相乘得到第一加權(quán)結(jié)果，將所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與對(duì)應(yīng)的融合權(quán)重相乘得到第二加權(quán)結(jié)果，將所述第一加權(quán)結(jié)果與第二加權(quán)結(jié)果相加得到綜合預(yù)測(cè)結(jié)果；將所述綜合預(yù)測(cè)結(jié)果與預(yù)設(shè)的風(fēng)險(xiǎn)等級(jí)閾值計(jì)算距離值，將所述距離值與第一可信度分值、第二可信度分值進(jìn)行加權(quán)計(jì)算得到基礎(chǔ)風(fēng)險(xiǎn)得分；獲取所述疾病發(fā)展預(yù)測(cè)結(jié)果與并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的歷史記錄，計(jì)算所述歷史記錄的變化率得到風(fēng)險(xiǎn)演變速度；獲取患者個(gè)體特征參數(shù)，將所述患者個(gè)體特征參數(shù)輸入預(yù)設(shè)的校正模型得到校正系數(shù)；將所述基礎(chǔ)風(fēng)險(xiǎn)得分與風(fēng)險(xiǎn)演變速度、校正系數(shù)進(jìn)行加權(quán)融合得到最終風(fēng)險(xiǎn)等級(jí)，最終生成包含預(yù)測(cè)結(jié)果、置信區(qū)間和風(fēng)險(xiǎn)等級(jí)的健康風(fēng)險(xiǎn)評(píng)估報(bào)告。6.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方5案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合包括：從所述健康風(fēng)險(xiǎn)評(píng)估報(bào)告中提取最終風(fēng)險(xiǎn)等級(jí)、患者個(gè)體特征參數(shù)和風(fēng)險(xiǎn)演變速度，將所述最終風(fēng)險(xiǎn)等級(jí)按照疾病嚴(yán)重程度劃分為多個(gè)風(fēng)險(xiǎn)區(qū)間；在藥物治療層，根據(jù)風(fēng)險(xiǎn)區(qū)間建立基礎(chǔ)劑量序列，將每個(gè)基礎(chǔ)劑量的上下浮動(dòng)范圍設(shè)為基準(zhǔn)值的固定比例得到劑量調(diào)整空間，生成劑量調(diào)整序列；采集患者用藥狀態(tài)數(shù)據(jù)，所述用藥狀態(tài)數(shù)據(jù)包括不良反應(yīng)發(fā)生頻次、癥狀改善程度和生理指標(biāo)波動(dòng)幅度；對(duì)所述用藥狀態(tài)數(shù)據(jù)進(jìn)行歸一化處理得到初始耐受度值；根據(jù)所述患者個(gè)體特征參數(shù)對(duì)所述初始耐受度值進(jìn)行加權(quán)計(jì)算得到耐受度得分；基于所述耐受度得分在所述劑量調(diào)整序列中確定調(diào)整方向和調(diào)整幅度，生成遞進(jìn)式給藥策略，所述遞進(jìn)式給藥策略包含劑量調(diào)整的觸發(fā)條件和調(diào)整規(guī)則；在康復(fù)指導(dǎo)層，獲取患者運(yùn)動(dòng)能力評(píng)估結(jié)果，所述運(yùn)動(dòng)能力評(píng)估結(jié)果包括心肺功能指標(biāo)、肌力水平和關(guān)節(jié)活動(dòng)度；將所述運(yùn)動(dòng)能力評(píng)估結(jié)果與基準(zhǔn)參考值進(jìn)行對(duì)比得到能力等級(jí)；根據(jù)所述能力等級(jí)將康復(fù)訓(xùn)練活動(dòng)劃分為多個(gè)強(qiáng)度等級(jí)，針對(duì)每個(gè)強(qiáng)度等級(jí)設(shè)計(jì)兩組訓(xùn)練動(dòng)作組合，將訓(xùn)練動(dòng)作組合按照肌群負(fù)荷程度由低到高進(jìn)行排序，根據(jù)相鄰等級(jí)之間的運(yùn)動(dòng)強(qiáng)度增量設(shè)置訓(xùn)練活動(dòng)遞增方案；將所述訓(xùn)練動(dòng)作組合中的各項(xiàng)訓(xùn)練活動(dòng)構(gòu)建成相容性評(píng)估矩陣，基于活動(dòng)間隔時(shí)長(zhǎng)和肌群重疊度計(jì)算活動(dòng)之間的相容系數(shù)；根據(jù)所述相容系數(shù)與預(yù)設(shè)干擾閾值的比較結(jié)果，識(shí)別存在相互干擾的活動(dòng)組合；將包含相互干擾活動(dòng)的訓(xùn)練方案從遞增方案中剔除，得到候選方案集合。7.根據(jù)權(quán)利要求1所述的方法，其特征在于，構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案包括：構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的評(píng)價(jià)指標(biāo)體系，采集患者在不同時(shí)間節(jié)點(diǎn)的癥狀改善數(shù)據(jù)，通過小波變換提取癥狀改善曲線特征參數(shù)，得到癥狀改善特征向量；獲取患者用藥狀態(tài)數(shù)據(jù)和耐受度得分，將所述癥狀改善特征向量、用藥狀態(tài)數(shù)據(jù)和耐受度得分輸入預(yù)先構(gòu)建的效果預(yù)測(cè)模型，生成治療效果指標(biāo)評(píng)分；將經(jīng)濟(jì)負(fù)擔(dān)、時(shí)間負(fù)擔(dān)和體力負(fù)擔(dān)構(gòu)建為模糊認(rèn)知圖的概念節(jié)點(diǎn)，建立節(jié)點(diǎn)間因果關(guān)系矩陣；將所述用藥狀態(tài)數(shù)據(jù)輸入所述模糊認(rèn)知圖的概念節(jié)點(diǎn)，確定節(jié)點(diǎn)初始激活值；基于所述因果關(guān)系矩陣和節(jié)點(diǎn)初始激活值迭代計(jì)算負(fù)擔(dān)傳遞效應(yīng)，得到患者負(fù)擔(dān)指標(biāo)評(píng)分；采集患者歷史執(zhí)行數(shù)據(jù)、生理指標(biāo)變化數(shù)據(jù)和心理狀態(tài)數(shù)據(jù)，輸入長(zhǎng)短期記憶網(wǎng)絡(luò)，提取時(shí)序特征，對(duì)所述時(shí)序特征引入注意力機(jī)制進(jìn)行加權(quán)處理，得到依從性指標(biāo)評(píng)分；將所述治療效果指標(biāo)評(píng)分、患者負(fù)擔(dān)指標(biāo)評(píng)分和依從性指標(biāo)評(píng)分構(gòu)建為狀態(tài)空間，將候選方案組合的調(diào)整操作構(gòu)建為動(dòng)作空間，將所述狀態(tài)空間和動(dòng)作空間輸入強(qiáng)化學(xué)習(xí)模型，基于各指標(biāo)評(píng)分的實(shí)時(shí)反饋優(yōu)化方案選擇策略，得到方案組合評(píng)分；將所述方案組合評(píng)分輸入分層注意力網(wǎng)絡(luò)，計(jì)算所述治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)對(duì)所述方案組合評(píng)分的貢獻(xiàn)權(quán)重，將具有最大貢獻(xiàn)權(quán)重的評(píng)價(jià)指標(biāo)輸入因果推6將所述評(píng)價(jià)解釋報(bào)告輸入深度強(qiáng)化學(xué)習(xí)模型，提取優(yōu)化信號(hào)，基于所述優(yōu)化信號(hào)對(duì)候選方案組合進(jìn)行動(dòng)態(tài)調(diào)整，生成優(yōu)化后的候選方案集合；計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案。8.一種基于多源數(shù)據(jù)融合的兒童腎病健康管理系統(tǒng)，用于實(shí)現(xiàn)前述權(quán)利要求1-7中任第一單元，用于采集兒童腎病患者的臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量；第二單元，用于將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告；第三單元，用于基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合，構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案。處理器；用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行權(quán)利要求1至7中任意一項(xiàng)所述的方法。10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，其特征在于，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任意一項(xiàng)所述的方法。7基于多源數(shù)據(jù)融合的兒童腎病健康管理方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及醫(yī)療健康與人工智能融合技術(shù)，尤其涉及一種基于多源數(shù)據(jù)融合的兒童腎病健康管理方法及系統(tǒng)。背景技術(shù)[0002]兒童腎病的病程復(fù)雜，受遺傳、環(huán)境、免疫等多因素影響，臨床診療主要依賴檢驗(yàn)數(shù)據(jù)和生理狀態(tài)信息。然而，現(xiàn)有方法大多基于單一數(shù)據(jù)源，未能充分融合多維數(shù)據(jù)，難以精準(zhǔn)刻畫疾病動(dòng)態(tài)變化。兒童患者的生理特性不同于成人，傳統(tǒng)疾病預(yù)測(cè)模型和治療策略[0003]目前，疾病預(yù)測(cè)主要依賴靜態(tài)數(shù)據(jù)，缺乏長(zhǎng)期監(jiān)測(cè)數(shù)據(jù)的趨勢(shì)分析，導(dǎo)致疾病發(fā)展和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確性較低。治療方案多采用固定劑量或單一干預(yù)模式，未能針對(duì)個(gè)體差異動(dòng)態(tài)調(diào)整，可能影響療效或增加不良反應(yīng)。同時(shí)，缺乏綜合評(píng)估機(jī)制，未能有效結(jié)合治[0004]隨著人工智能和數(shù)據(jù)分析的發(fā)展，多源數(shù)據(jù)融合方法可提升疾病預(yù)測(cè)和風(fēng)險(xiǎn)評(píng)估的精準(zhǔn)度。通過構(gòu)建指標(biāo)關(guān)聯(lián)圖譜、時(shí)序模型及特征融合，更全面提取疾病特征，并基于健康風(fēng)險(xiǎn)評(píng)估制定個(gè)性化分層治療方案。動(dòng)態(tài)調(diào)整藥物劑量與康復(fù)訓(xùn)練可優(yōu)化治療效果，提高管理水平。因此，亟需一種基于多源數(shù)據(jù)融合的兒童腎病健康管理方法，以提升疾病預(yù)測(cè)精度、優(yōu)化個(gè)性化治療并改善患者預(yù)后。發(fā)明內(nèi)容[0005]本發(fā)明實(shí)施例提供一種基于多源數(shù)據(jù)融合的兒童腎病健康管理方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。[0006]本發(fā)明實(shí)施例的第一方面，提供一種基于多源數(shù)據(jù)融合的兒童腎病健康管理方法，包括：采集兒童腎病患者的臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告；8基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合，構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案。對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征包括：將臨床檢驗(yàn)數(shù)據(jù)按照檢驗(yàn)指標(biāo)的生理功能劃分為基礎(chǔ)生化組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊和代謝功能組數(shù)據(jù)塊，在每個(gè)數(shù)據(jù)塊內(nèi)計(jì)算指標(biāo)對(duì)之間的皮爾遜相關(guān)系數(shù)得到三個(gè)局部相關(guān)系數(shù)矩陣，基于所述局部相關(guān)系數(shù)矩陣分別構(gòu)建三個(gè)局部關(guān)聯(lián)子圖，其中所述局部關(guān)聯(lián)子圖的節(jié)點(diǎn)表示檢驗(yàn)指標(biāo)，所述局部相關(guān)系數(shù)矩陣中的皮爾遜相關(guān)系數(shù)值作為對(duì)應(yīng)節(jié)點(diǎn)之間連接邊的局部權(quán)重值；根據(jù)預(yù)設(shè)的局部權(quán)重閾值對(duì)所述局部關(guān)聯(lián)子圖進(jìn)行稀疏化處理，刪除局部權(quán)重值低于所述局部權(quán)重閾值的連接邊，得到三個(gè)稀疏化局部關(guān)聯(lián)子圖；分別計(jì)算基礎(chǔ)生化組數(shù)據(jù)塊與免疫功能組數(shù)據(jù)塊、基礎(chǔ)生化組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊之間檢驗(yàn)指標(biāo)的皮爾遜相關(guān)系數(shù)，得到三個(gè)跨數(shù)據(jù)塊相關(guān)系數(shù)矩陣，選取所述跨數(shù)據(jù)塊相關(guān)系數(shù)矩陣中皮爾遜相關(guān)系數(shù)大于預(yù)設(shè)跨塊閾值的檢驗(yàn)指標(biāo)對(duì)建立橋接邊，以所述檢驗(yàn)指標(biāo)對(duì)的皮爾遜相關(guān)系數(shù)值作為所述橋接邊的跨塊權(quán)重值，通過所述橋接邊將各個(gè)稀疏化局部關(guān)聯(lián)子圖連接形成指標(biāo)關(guān)聯(lián)圖譜；將所述局部權(quán)重值和所述跨塊權(quán)重值歸一化處理得到轉(zhuǎn)移概率矩陣，基于所述轉(zhuǎn)移概率矩陣在指標(biāo)關(guān)聯(lián)圖譜上執(zhí)行隨機(jī)游走得到節(jié)點(diǎn)序列，對(duì)所述節(jié)點(diǎn)序列中共同出現(xiàn)的檢驗(yàn)指標(biāo)進(jìn)行組合并統(tǒng)計(jì)出現(xiàn)頻次，選取出現(xiàn)頻次大于第一預(yù)設(shè)頻次閾值的檢驗(yàn)指標(biāo)組合作為候選指標(biāo)組合；計(jì)算所述候選指標(biāo)組合與臨床診斷結(jié)果的相關(guān)系數(shù)值，將相關(guān)系數(shù)值大于第二預(yù)設(shè)相關(guān)閾值的候選指標(biāo)組合確定為特征指標(biāo)組合；在連續(xù)時(shí)間窗口內(nèi)對(duì)所述臨床檢驗(yàn)數(shù)據(jù)分別執(zhí)行數(shù)據(jù)塊劃分、局部關(guān)聯(lián)子圖構(gòu)建、指標(biāo)關(guān)聯(lián)圖譜連接和特征指標(biāo)組合提取步驟，得到多個(gè)時(shí)序指標(biāo)關(guān)聯(lián)圖譜，計(jì)算相鄰時(shí)間窗口的時(shí)序指標(biāo)關(guān)聯(lián)圖譜間結(jié)構(gòu)差異得到圖譜演化特征，將所述圖譜演化特征與所述特征指標(biāo)組合融合，得到包含靜態(tài)組合信息和動(dòng)態(tài)演化信息的指標(biāo)組合特征。對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量包括：將所述生理狀態(tài)數(shù)據(jù)在時(shí)間維度上展開形成特征序列矩陣，基于多頭注意力機(jī)制計(jì)算所述特征序列矩陣的時(shí)序關(guān)聯(lián)強(qiáng)度，通過雙層殘差網(wǎng)絡(luò)對(duì)所述時(shí)序關(guān)聯(lián)強(qiáng)度進(jìn)行自適應(yīng)加權(quán)得到時(shí)序注意力權(quán)重，將所述時(shí)序注意力權(quán)重與所述特征序列矩陣進(jìn)行加權(quán)運(yùn)算得到時(shí)序上下文特征；9構(gòu)建包含長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)的雙重時(shí)序模型，將所述時(shí)序上下文特征輸入所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)得到全局變化特征，將所述時(shí)序上下文特征輸入所述門控循環(huán)單元網(wǎng)絡(luò)得到局部時(shí)序特征，采用注意力門控機(jī)制對(duì)所述全局變化特征和局部時(shí)序特征進(jìn)行自適應(yīng)融合得到指標(biāo)長(zhǎng)期變化特征；基于所述時(shí)序上下文特征構(gòu)建多尺度滑動(dòng)窗口，對(duì)各尺度窗口內(nèi)的序列執(zhí)行統(tǒng)計(jì)檢驗(yàn)得到統(tǒng)計(jì)量序列，采用動(dòng)態(tài)規(guī)劃算法對(duì)所述統(tǒng)計(jì)量序列進(jìn)行優(yōu)化得到變點(diǎn)位置集合，提取所述變點(diǎn)位置集合中各變點(diǎn)前后的局部序列構(gòu)建特征子序列，將所述特征子序列輸入多分支卷積網(wǎng)絡(luò)，通過分層注意力機(jī)制對(duì)各分支特征進(jìn)行自適應(yīng)融合得到指標(biāo)突變特征；基于患者個(gè)體信息構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，通過空間注意力機(jī)制計(jì)算患者節(jié)點(diǎn)間的相似度構(gòu)建患者關(guān)聯(lián)圖，采用門控圖卷積對(duì)所述患者關(guān)聯(lián)圖進(jìn)行特征聚合得到群體特征表征，將所述群體特征表征通過多層感知機(jī)映射得到特征權(quán)重矩陣；將預(yù)先獲取到的指標(biāo)組合特征、所述指標(biāo)長(zhǎng)期變化特征、所述指標(biāo)突變特征進(jìn)行特征拼接，并通過多層非線性變換將拼接的特征映射為多層級(jí)特征向量，利用所述特征權(quán)重矩陣對(duì)所述多層級(jí)特征向量進(jìn)行加權(quán)融合得到初始特征向量；對(duì)所述初始特征向量進(jìn)行隨機(jī)掩碼和特征增強(qiáng)得到正樣本對(duì)，將所述正樣本對(duì)輸入特征編碼器得到增強(qiáng)特征表示，通過最小化所述增強(qiáng)特征表示與所述初始特征向量間的互信息損失優(yōu)化特征表示，得到最終的患者健康狀態(tài)特征向量。將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果包括：將患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型包括特征處理模塊和預(yù)測(cè)模塊；所述特征處理模塊將患者健康狀態(tài)特征向量輸入動(dòng)態(tài)采樣網(wǎng)絡(luò)，采用非均勻時(shí)間間隔的自適應(yīng)采樣策略，根據(jù)特征變化率動(dòng)態(tài)調(diào)整采樣頻率，在特征值變化速率超過預(yù)設(shè)閾值的時(shí)間點(diǎn)提高采樣頻率，對(duì)特征值變化速率低于預(yù)設(shè)閾值的時(shí)間點(diǎn)進(jìn)行插值處理，生成時(shí)間間隔均勻的特征序列；將所述時(shí)間間隔均勻的特征序列輸入分層注意力網(wǎng)絡(luò)，通過卷積層對(duì)特征序列進(jìn)行多尺度分解得到分層特征圖，將所述分層特征圖輸入遞歸神經(jīng)網(wǎng)絡(luò)提取時(shí)序模式得到時(shí)序特征向量，將所述時(shí)序特征向量輸入注意力層計(jì)算特征權(quán)重并捕獲特征間依賴關(guān)系，得到疾病特征表示，將所述疾病特征表示輸入對(duì)比學(xué)習(xí)網(wǎng)絡(luò)，通過數(shù)據(jù)增強(qiáng)生成特征樣本對(duì)，對(duì)所述特征樣本對(duì)進(jìn)行特征對(duì)比訓(xùn)練，得到疾病演化特征；所述預(yù)測(cè)模塊的主預(yù)測(cè)路徑將所述疾病演化特征輸入動(dòng)態(tài)圖卷積網(wǎng)絡(luò)，基于癥狀相關(guān)系數(shù)構(gòu)建演化圖的鄰接矩陣，通過圖卷積運(yùn)算和門控機(jī)制更新節(jié)點(diǎn)特征，預(yù)測(cè)疾病狀態(tài)的演化軌跡，將所述演化軌跡輸入分段擬合網(wǎng)絡(luò)，通過軌跡曲線的二階導(dǎo)數(shù)檢測(cè)拐點(diǎn)位置識(shí)別狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)，在所述狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)處構(gòu)建狀態(tài)轉(zhuǎn)移矩陣，基于條件隨機(jī)場(chǎng)模型計(jì)算狀態(tài)轉(zhuǎn)移概率，得到疾病發(fā)展預(yù)測(cè)結(jié)果；所述預(yù)測(cè)模塊的輔助預(yù)測(cè)路徑將所述疾病演化特征輸入異常檢測(cè)器，基于高斯混合模型計(jì)算特征樣本的異常程度，識(shí)別異常癥狀組合，基于所述異常癥狀組合結(jié)合預(yù)設(shè)的醫(yī)學(xué)知識(shí)庫(kù)中的癥狀關(guān)聯(lián)規(guī)則確定風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)，將所述風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)輸入風(fēng)險(xiǎn)傳播網(wǎng)絡(luò)，通過圖注意力層計(jì)算癥狀節(jié)點(diǎn)間的傳播權(quán)重，基于隨機(jī)游走算法計(jì)算風(fēng)險(xiǎn)擴(kuò)散概率，得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。[0010]在一種可選的實(shí)施例中，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告包括：獲取歷史醫(yī)療數(shù)據(jù)作為訓(xùn)練樣本，基于時(shí)序特征相似度對(duì)所述訓(xùn)練樣本進(jìn)行分層，根據(jù)特征重要度確定分層抽樣概率，采用有放回抽樣方式獲取驗(yàn)證樣本；對(duì)于所述疾病發(fā)展預(yù)測(cè)結(jié)果，將所述驗(yàn)證樣本輸入驗(yàn)證模型得到疾病發(fā)展驗(yàn)證值，基于所述疾病發(fā)展驗(yàn)證值的分布特性計(jì)算加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差，根據(jù)所述加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差計(jì)算疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間；對(duì)于并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，將所述驗(yàn)證樣本輸入所述驗(yàn)證模型得到并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值，對(duì)所述并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值進(jìn)行概率分布擬合并采用最大似然估計(jì)方法確定概率分布參數(shù)，結(jié)合歷史預(yù)測(cè)準(zhǔn)確率計(jì)算所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間；計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間寬度，將所述疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間寬度與歷史數(shù)據(jù)的預(yù)測(cè)誤差分布進(jìn)行對(duì)比，得到第一可信度分值；計(jì)算所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間寬度，將所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間寬度與歷史數(shù)據(jù)的預(yù)測(cè)誤差分布進(jìn)行對(duì)比，得到第二可信度分值；分別將所述第一可信度分值和第二可信度分值歸一化處理得到對(duì)應(yīng)的融合權(quán)重，將所述疾病發(fā)展預(yù)測(cè)結(jié)果與對(duì)應(yīng)的融合權(quán)重相乘得到第一加權(quán)結(jié)果，將所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與對(duì)應(yīng)的融合權(quán)重相乘得到第二加權(quán)結(jié)果，將所述第一加權(quán)結(jié)果與第二加權(quán)結(jié)果相加得到綜合預(yù)測(cè)結(jié)果；將所述綜合預(yù)測(cè)結(jié)果與預(yù)設(shè)的風(fēng)險(xiǎn)等級(jí)閾值計(jì)算距離值，將所述距離值與第一可信度分值、第二可信度分值進(jìn)行加權(quán)計(jì)算得到基礎(chǔ)風(fēng)險(xiǎn)得分；獲取所述疾病發(fā)展預(yù)測(cè)結(jié)果與并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的歷史記錄，計(jì)算所述歷史記錄的變化率得到風(fēng)險(xiǎn)演變速度；獲取患者個(gè)體特征參數(shù)，將所述患者個(gè)體特征參數(shù)輸入預(yù)設(shè)的校正模型得到校正系數(shù)；將所述基礎(chǔ)風(fēng)險(xiǎn)得分與風(fēng)險(xiǎn)演變速度、校正系數(shù)進(jìn)行加權(quán)融合得到最終風(fēng)險(xiǎn)等級(jí)，最終生成包含預(yù)測(cè)結(jié)果、置信區(qū)間和風(fēng)險(xiǎn)等級(jí)的健康風(fēng)險(xiǎn)評(píng)估報(bào)告。[0011]在一種可選的實(shí)施例中，基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合包括：從所述健康風(fēng)險(xiǎn)評(píng)估報(bào)告中提取最終風(fēng)險(xiǎn)等級(jí)、患者個(gè)體特征參數(shù)和風(fēng)險(xiǎn)演變速度，將所述最終風(fēng)險(xiǎn)等級(jí)按照疾病嚴(yán)重程度劃分為多個(gè)風(fēng)險(xiǎn)區(qū)間；在藥物治療層，根據(jù)風(fēng)險(xiǎn)區(qū)間建立基礎(chǔ)劑量序列，將每個(gè)基礎(chǔ)劑量的上下浮動(dòng)范圍設(shè)為基準(zhǔn)值的固定比例得到劑量調(diào)整空間，生成劑量調(diào)整序列；采集患者用藥狀態(tài)數(shù)據(jù)，所述用藥狀態(tài)數(shù)據(jù)包括不良反應(yīng)發(fā)生頻次、癥狀改善程11度和生理指標(biāo)波動(dòng)幅度；對(duì)所述用藥狀態(tài)數(shù)據(jù)進(jìn)行歸一化處理得到初始耐受度值；根據(jù)所述患者個(gè)體特征參數(shù)對(duì)所述初始耐受度值進(jìn)行加權(quán)計(jì)算得到耐受度得分；基于所述耐受度得分在所述劑量調(diào)整序列中確定調(diào)整方向和調(diào)整幅度，生成遞進(jìn)式給藥策略，所述遞進(jìn)式給藥策略包含劑量調(diào)整的觸發(fā)條件和調(diào)整規(guī)則；在康復(fù)指導(dǎo)層，獲取患者運(yùn)動(dòng)能力評(píng)估結(jié)果，所述運(yùn)動(dòng)能力評(píng)估結(jié)果包括心肺功能指標(biāo)、肌力水平和關(guān)節(jié)活動(dòng)度；將所述運(yùn)動(dòng)能力評(píng)估結(jié)果與基準(zhǔn)參考值進(jìn)行對(duì)比得到能力等級(jí)；根據(jù)所述能力等級(jí)將康復(fù)訓(xùn)練活動(dòng)劃分為多個(gè)強(qiáng)度等級(jí)，針對(duì)每個(gè)強(qiáng)度等級(jí)設(shè)計(jì)兩組訓(xùn)練動(dòng)作組合，將訓(xùn)練動(dòng)作組合按照肌群負(fù)荷程度由低到高進(jìn)行排序，根據(jù)相鄰等級(jí)之間的運(yùn)動(dòng)強(qiáng)度增量設(shè)置訓(xùn)練活動(dòng)遞增方案；將所述訓(xùn)練動(dòng)作組合中的各項(xiàng)訓(xùn)練活動(dòng)構(gòu)建成相容性評(píng)估矩陣，基于活動(dòng)間隔時(shí)長(zhǎng)和肌群重疊度計(jì)算活動(dòng)之間的相容系數(shù)；根據(jù)所述相容系數(shù)與預(yù)設(shè)干擾閾值的比較結(jié)果，識(shí)別存在相互干擾的活動(dòng)組合；將包含相互干擾活動(dòng)的訓(xùn)練方案從遞增方案中剔除，得到候選方案集合。構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案包括：構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的評(píng)價(jià)指標(biāo)體系，采集患者在不同時(shí)間節(jié)點(diǎn)的癥狀改善數(shù)據(jù)，通過小波變換提取癥狀改善曲線特征參數(shù)，得到癥狀改善特征向量；獲取患者用藥狀態(tài)數(shù)據(jù)和耐受度得分，將所述癥狀改善特征向量、用藥狀態(tài)數(shù)據(jù)和耐受度得分輸入預(yù)先構(gòu)建的效果預(yù)測(cè)模型，生成治療效果指標(biāo)評(píng)分；將經(jīng)濟(jì)負(fù)擔(dān)、時(shí)間負(fù)擔(dān)和體力負(fù)擔(dān)構(gòu)建為模糊認(rèn)知圖的概念節(jié)點(diǎn)，建立節(jié)點(diǎn)間因果關(guān)系矩陣；將所述用藥狀態(tài)數(shù)據(jù)輸入所述模糊認(rèn)知圖的概念節(jié)點(diǎn)，確定節(jié)點(diǎn)初始激活值；基于所述因果關(guān)系矩陣和節(jié)點(diǎn)初始激活值迭代計(jì)算負(fù)擔(dān)傳遞效應(yīng)，得到患者負(fù)擔(dān)指標(biāo)評(píng)采集患者歷史執(zhí)行數(shù)據(jù)、生理指標(biāo)變化數(shù)據(jù)和心理狀態(tài)數(shù)據(jù)，輸入長(zhǎng)短期記憶網(wǎng)絡(luò)，提取時(shí)序特征，對(duì)所述時(shí)序特征引入注意力機(jī)制進(jìn)行加權(quán)處理，得到依從性指標(biāo)評(píng)分；將所述治療效果指標(biāo)評(píng)分、患者負(fù)擔(dān)指標(biāo)評(píng)分和依從性指標(biāo)評(píng)分構(gòu)建為狀態(tài)空間，將候選方案組合的調(diào)整操作構(gòu)建為動(dòng)作空間，將所述狀態(tài)空間和動(dòng)作空間輸入強(qiáng)化學(xué)習(xí)模型，基于各指標(biāo)評(píng)分的實(shí)時(shí)反饋優(yōu)化方案選擇策略，得到方案組合評(píng)分；將所述方案組合評(píng)分輸入分層注意力網(wǎng)絡(luò)，計(jì)算所述治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)對(duì)所述方案組合評(píng)分的貢獻(xiàn)權(quán)重，將具有最大貢獻(xiàn)權(quán)重的評(píng)價(jià)指標(biāo)輸入因?qū)⑺鲈u(píng)價(jià)解釋報(bào)告輸入深度強(qiáng)化學(xué)習(xí)模型，提取優(yōu)化信號(hào)，基于所述優(yōu)化信號(hào)對(duì)候選方案組合進(jìn)行動(dòng)態(tài)調(diào)整，生成優(yōu)化后的候選方案集合；計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案。[0013]本發(fā)明實(shí)施例的第二方面，提供一種基于多源數(shù)據(jù)融合的兒童腎病健康管理系統(tǒng)，包括：第一單元，用于采集兒童腎病患者的臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量；第二單元，用于將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告；第三單元，用于基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合，構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案。處理器；用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。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)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。[0016]在本實(shí)施例中，通過多源數(shù)據(jù)融合，實(shí)現(xiàn)更精準(zhǔn)的兒童腎病健康管理。通過構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，能夠挖掘臨床檢驗(yàn)數(shù)據(jù)與生理狀態(tài)數(shù)據(jù)之間的深層關(guān)聯(lián)，提高疾病特征提取的準(zhǔn)確性。雙重時(shí)序模型的應(yīng)用可同時(shí)捕捉長(zhǎng)期變化趨勢(shì)和突變特征，使疾病發(fā)展預(yù)測(cè)和并發(fā)癥風(fēng)險(xiǎn)評(píng)估更加精準(zhǔn)可靠。基于健康風(fēng)險(xiǎn)評(píng)估構(gòu)建個(gè)性化分層治療策略，動(dòng)態(tài)調(diào)整藥物劑量，提高治療的有效性和安全性?？祻?fù)指導(dǎo)層采用交替訓(xùn)練方案，結(jié)合患者耐受情況優(yōu)化訓(xùn)練強(qiáng)度，提高康復(fù)效果和依從性。多維度評(píng)價(jià)體系能夠綜合考量治療效果、患者負(fù)擔(dān)及依從性，確保治療方案的合理性和可行性。提升了兒童腎病的早期預(yù)測(cè)能力、優(yōu)化了個(gè)性化治療方案，并減少了不良反應(yīng)風(fēng)險(xiǎn)，從而改善患者長(zhǎng)期健康預(yù)后，提高醫(yī)療資源的利用效附圖說明[0017]圖1為本發(fā)明實(shí)施例基于多源數(shù)據(jù)融合的兒童腎病健康管理方法的流程示意圖；圖2為本發(fā)明實(shí)施例基于多源數(shù)據(jù)融合的兒童腎病健康管理系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式[0018]為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。[0019]下面以具體地實(shí)施例對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。下面這幾個(gè)具體的實(shí)施例可以相互結(jié)合，對(duì)于相同或相似的概念或過程可能在某些實(shí)施例不再贅述。[0020]圖1為本發(fā)明實(shí)施例基于多源數(shù)據(jù)融合的兒童腎病健康管理方法的流程示意圖，S101.采集兒童腎病患者的臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量；S102.將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告；S103.基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干擾的方案組合，得到候選方案集合，構(gòu)建包含治療效果指標(biāo)、患者負(fù)擔(dān)指標(biāo)和依從性指標(biāo)的多維度評(píng)價(jià)指標(biāo)體系，計(jì)算所述候選方案集合中各方案組合的綜合評(píng)分，選擇綜合評(píng)分最高的方案組合作為最終治療方案。[0021]其中，兒童腎病患者的臨床檢驗(yàn)數(shù)據(jù)和生理狀態(tài)數(shù)據(jù)是指在疾病管理過程中，對(duì)患者進(jìn)行的實(shí)驗(yàn)室檢測(cè)結(jié)果和生理信號(hào)監(jiān)測(cè)數(shù)據(jù)。臨床檢驗(yàn)數(shù)據(jù)包括血液生化指標(biāo)(如血能相關(guān)指標(biāo)(如C反應(yīng)蛋白、免疫球蛋白)。生理狀態(tài)數(shù)據(jù)涉及患者的動(dòng)態(tài)生理參數(shù)，如心率、[0022]指標(biāo)關(guān)聯(lián)圖譜是一種基于網(wǎng)絡(luò)結(jié)構(gòu)的表示方法，其中節(jié)點(diǎn)代表各個(gè)臨床檢驗(yàn)指標(biāo)，邊的權(quán)重則反映兩個(gè)指標(biāo)之間的相關(guān)程度。通過信息傳播方法，可以從圖譜中提取高度相關(guān)的指標(biāo)組合，以便更精準(zhǔn)地描述患者的健康狀態(tài)。[0023]雙重時(shí)序模型用于分析生理狀態(tài)數(shù)據(jù)，分別提取長(zhǎng)期變化特征和突變特征。長(zhǎng)期變化特征是指某些指標(biāo)在較長(zhǎng)時(shí)間范圍內(nèi)的穩(wěn)定趨勢(shì)，如腎功能的緩慢下降或蛋白尿的持續(xù)增加。突變特征則用于檢測(cè)短期內(nèi)的異常變化，例如血壓在短時(shí)間內(nèi)突然升高或尿液中出現(xiàn)異常成分。多層級(jí)特征融合是指將不同來源的數(shù)據(jù)特征進(jìn)行層次化整合，以形成更全面的患者健康狀態(tài)描述。特征權(quán)重矩陣基于患者的個(gè)體信息(如年齡、性別、病史)構(gòu)建，賦予不同特征不同的重要性權(quán)重，使得特征融合的結(jié)果更加個(gè)性化和精準(zhǔn)。[0024]患者健康狀態(tài)特征向量是指綜合多種數(shù)據(jù)特征后生成的數(shù)值向量，作為疾病預(yù)測(cè)模型的輸入。疾病預(yù)測(cè)模型包含主預(yù)測(cè)路徑和輔助預(yù)測(cè)路徑，前者主要用于預(yù)測(cè)疾病的長(zhǎng)期發(fā)展趨勢(shì)，例如病情是否會(huì)加重或緩解，而后者基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)分析可能出現(xiàn)的并發(fā)癥，如高血壓、貧血或感染。置信區(qū)間用于衡量預(yù)測(cè)結(jié)果的不確定性，第一可信度分值表示疾病發(fā)展預(yù)測(cè)的置信度，第二可信度分值表示并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)的置信度，兩者結(jié)合用于對(duì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，以提高預(yù)測(cè)的可靠性。[0025]分層治療方案是根據(jù)健康風(fēng)險(xiǎn)評(píng)估報(bào)告制定的個(gè)性化治療策略，包括藥物治療層和康復(fù)指導(dǎo)層。遞進(jìn)式給藥策略根據(jù)患者對(duì)藥物的耐受程度，逐步調(diào)整藥物劑量，以最大化治療效果并減少副作用。交替訓(xùn)練方案用于康復(fù)指導(dǎo)，按照活動(dòng)強(qiáng)度的逐步遞增原則，確?；颊吣軌蜻m應(yīng)不同強(qiáng)度的康復(fù)訓(xùn)練，提高康復(fù)效果。[0026]方案相容性檢驗(yàn)是指對(duì)不同治療方案進(jìn)行交互分析，以剔除可能產(chǎn)生相互干擾的方案組合。例如，某些藥物可能影響特定的運(yùn)動(dòng)方式，因此需要進(jìn)行篩選以確保安全性。多維度評(píng)價(jià)指標(biāo)體系用于綜合評(píng)估治療方案的可行性，包含治療效果指標(biāo)(如蛋白尿水平、腎功能恢復(fù)情況)、患者負(fù)擔(dān)指標(biāo)(如經(jīng)濟(jì)成本、治療時(shí)間)以及依從性指標(biāo)(如患者的執(zhí)行率和主觀接受程度)。[0027]在一種可選的實(shí)施方式中，對(duì)臨床檢驗(yàn)數(shù)據(jù)進(jìn)行局部分塊分解，構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，通過所述指標(biāo)關(guān)聯(lián)圖譜中節(jié)點(diǎn)間的信息傳遞提取指標(biāo)組合特征包括：將臨床檢驗(yàn)數(shù)據(jù)按照檢驗(yàn)指標(biāo)的生理功能劃分為基礎(chǔ)生化組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊和代謝功能組數(shù)據(jù)塊，在每個(gè)數(shù)據(jù)塊內(nèi)計(jì)算指標(biāo)對(duì)之間的皮爾遜相關(guān)系數(shù)得到三個(gè)局部相關(guān)系數(shù)矩陣，基于所述局部相關(guān)系數(shù)矩陣分別構(gòu)建三個(gè)局部關(guān)聯(lián)子圖，其中所述局部關(guān)聯(lián)子圖的節(jié)點(diǎn)表示檢驗(yàn)指標(biāo)，所述局部相關(guān)系數(shù)矩陣中的皮爾遜相關(guān)系數(shù)值作為對(duì)應(yīng)節(jié)點(diǎn)之間連接邊的局部權(quán)重值；根據(jù)預(yù)設(shè)的局部權(quán)重閾值對(duì)所述局部關(guān)聯(lián)子圖進(jìn)行稀疏化處理，刪除局部權(quán)重值低于所述局部權(quán)重閾值的連接邊，得到三個(gè)稀疏化局部關(guān)聯(lián)子圖；分別計(jì)算基礎(chǔ)生化組數(shù)據(jù)塊與免疫功能組數(shù)據(jù)塊、基礎(chǔ)生化組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊之間檢驗(yàn)指標(biāo)的皮爾遜相關(guān)系數(shù)，得到三個(gè)跨數(shù)據(jù)塊相關(guān)系數(shù)矩陣，選取所述跨數(shù)據(jù)塊相關(guān)系數(shù)矩陣中皮爾遜相關(guān)系數(shù)大于預(yù)設(shè)跨塊閾值的檢驗(yàn)指標(biāo)對(duì)建立橋接邊，以所述檢驗(yàn)指標(biāo)對(duì)的皮爾遜相關(guān)系數(shù)值作為所述橋接邊的跨塊權(quán)重值，通過所述橋接邊將各個(gè)稀疏化局部關(guān)聯(lián)子圖連接形成指標(biāo)關(guān)聯(lián)圖譜；將所述局部權(quán)重值和所述跨塊權(quán)重值歸一化處理得到轉(zhuǎn)移概率矩陣，基于所述轉(zhuǎn)移概率矩陣在指標(biāo)關(guān)聯(lián)圖譜上執(zhí)行隨機(jī)游走得到節(jié)點(diǎn)序列，對(duì)所述節(jié)點(diǎn)序列中共同出現(xiàn)的檢驗(yàn)指標(biāo)進(jìn)行組合并統(tǒng)計(jì)出現(xiàn)頻次，選取出現(xiàn)頻次大于第一預(yù)設(shè)頻次閾值的檢驗(yàn)指標(biāo)組合作為候選指標(biāo)組合；計(jì)算所述候選指標(biāo)組合與臨床診斷結(jié)果的相關(guān)系數(shù)值，將相關(guān)系數(shù)值大于第二預(yù)設(shè)相關(guān)閾值的候選指標(biāo)組合確定為特征指標(biāo)組合；在連續(xù)時(shí)間窗口內(nèi)對(duì)所述臨床檢驗(yàn)數(shù)據(jù)分別執(zhí)行數(shù)據(jù)塊劃分、局部關(guān)聯(lián)子圖構(gòu)建、指標(biāo)關(guān)聯(lián)圖譜連接和特征指標(biāo)組合提取步驟，得到多個(gè)時(shí)序指標(biāo)關(guān)聯(lián)圖譜，計(jì)算相鄰時(shí)間窗口的時(shí)序指標(biāo)關(guān)聯(lián)圖譜間結(jié)構(gòu)差異得到圖譜演化特征，將所述圖譜演化特征與所述特征指標(biāo)組合融合，得到包含靜態(tài)組合信息和動(dòng)態(tài)演化信息的指標(biāo)組合特征。[0028]示例性地，首先進(jìn)行數(shù)據(jù)分塊操作。臨床檢驗(yàn)數(shù)據(jù)按照檢驗(yàn)指標(biāo)的生理功能劃分為基礎(chǔ)生化組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊和代謝功能組數(shù)據(jù)塊，每個(gè)數(shù)據(jù)塊包含相應(yīng)的檢驗(yàn)指標(biāo)。基礎(chǔ)生化組數(shù)據(jù)塊涵蓋血糖、肝功能、腎功能等指標(biāo)，免疫功能組數(shù)據(jù)塊涉及免疫[0029]在每個(gè)數(shù)據(jù)塊內(nèi)，計(jì)算各檢驗(yàn)指標(biāo)之間的相關(guān)性，構(gòu)建局部相關(guān)關(guān)系矩陣。通過篩選這些矩陣中的數(shù)據(jù)，僅保留相關(guān)性較高的指標(biāo)對(duì)，構(gòu)建局部關(guān)聯(lián)子圖。局部關(guān)聯(lián)子圖的節(jié)點(diǎn)表示各個(gè)檢驗(yàn)指標(biāo)，節(jié)點(diǎn)之間的連接表示這些指標(biāo)之間的相關(guān)性強(qiáng)度。為降低計(jì)算復(fù)雜[0030]分別計(jì)算不同數(shù)據(jù)塊之間的檢驗(yàn)指標(biāo)相關(guān)性，例如，基礎(chǔ)生化組數(shù)據(jù)塊與免疫功能組數(shù)據(jù)塊、基礎(chǔ)生化組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊、免疫功能組數(shù)據(jù)塊與代謝功能組數(shù)據(jù)塊之間的指標(biāo)相關(guān)性?；谶@些跨數(shù)據(jù)塊的指標(biāo)相關(guān)性，建立跨塊連接邊，形成整體的指標(biāo)關(guān)聯(lián)圖譜?？鐗K連接的權(quán)重由跨數(shù)據(jù)塊的相關(guān)性強(qiáng)度決定，僅保留超過預(yù)設(shè)閾值的連接。[0031]對(duì)建立的指標(biāo)關(guān)聯(lián)圖譜進(jìn)行歸一化處理，以確保不同來源的數(shù)據(jù)能夠在同一標(biāo)準(zhǔn)下進(jìn)行計(jì)算?；跉w一化后的數(shù)據(jù)，采用隨機(jī)游走方法在圖譜上執(zhí)行路徑搜索。隨機(jī)游走的過程中，遍歷多個(gè)檢驗(yàn)指標(biāo)，記錄指標(biāo)之間的共同出現(xiàn)情況。通過統(tǒng)計(jì)共同出現(xiàn)頻次，識(shí)別高頻出現(xiàn)的指標(biāo)組合，并篩選出出現(xiàn)頻次超過設(shè)定閾值的指標(biāo)組合作為候選組合。[0032]計(jì)算候選指標(biāo)組合與臨床診斷結(jié)果之間的相關(guān)性，篩選出具有較強(qiáng)診斷價(jià)值的特征指標(biāo)組合。通過計(jì)算相關(guān)性指標(biāo)，選取相關(guān)性超過設(shè)定閾值的組合作為最終的特征指標(biāo)組合。這些特征指標(biāo)組合可用于疾病預(yù)測(cè)、診斷優(yōu)化等臨床應(yīng)用。[0033]在連續(xù)時(shí)間窗口內(nèi)重復(fù)上述數(shù)據(jù)處理過程，生成多個(gè)時(shí)序指標(biāo)關(guān)聯(lián)圖譜。對(duì)相鄰時(shí)間窗口的圖譜進(jìn)行對(duì)比，分析其結(jié)構(gòu)變化，提取圖譜演化特征。圖譜演化特征可用于分析指標(biāo)間的動(dòng)態(tài)變化趨勢(shì)。[0034]將靜態(tài)的特征指標(biāo)組合與動(dòng)態(tài)的圖譜演化特征相結(jié)合，形成既包含靜態(tài)信息又包含動(dòng)態(tài)演化趨勢(shì)的指標(biāo)組合特征。這種綜合特征可以用于更精準(zhǔn)的疾病預(yù)測(cè)和風(fēng)險(xiǎn)評(píng)估，提高臨床檢驗(yàn)數(shù)據(jù)分析的深度和廣度。[0035]在本實(shí)施例中，通過局部分塊和圖譜連接的方式構(gòu)建指標(biāo)關(guān)聯(lián)圖譜，合理反映了檢驗(yàn)指標(biāo)之間的復(fù)雜關(guān)聯(lián)關(guān)系，避免了全局建模帶來的計(jì)算開銷大的問題。采用隨機(jī)游走提取指標(biāo)組合，充分利用了圖譜中節(jié)點(diǎn)間的信息傳遞，能夠發(fā)現(xiàn)非顯式關(guān)聯(lián)的有價(jià)值指標(biāo)組合，提高了特征提取的有效性。結(jié)合靜態(tài)組合信息和動(dòng)態(tài)演化信息，使提取的指標(biāo)組合特征既包含穩(wěn)定的指標(biāo)關(guān)聯(lián)模式，又反映了指標(biāo)關(guān)系隨時(shí)間的變化趨勢(shì)，特征表達(dá)更加全面和準(zhǔn)確。[0036]在一種可選的實(shí)施方式中，對(duì)所述生理狀態(tài)數(shù)據(jù)建立雙重時(shí)序模型，分別提取指標(biāo)長(zhǎng)期變化特征和提取指標(biāo)突變特征，將所述指標(biāo)組合特征、指標(biāo)長(zhǎng)期變化特征和指標(biāo)突變特征進(jìn)行多層級(jí)特征融合，并基于患者信息構(gòu)建特征權(quán)重矩陣，利用所述特征權(quán)重矩陣對(duì)多層級(jí)特征融合結(jié)果進(jìn)行加權(quán)計(jì)算，生成患者健康狀態(tài)特征向量包括：將所述生理狀態(tài)數(shù)據(jù)在時(shí)間維度上展開形成特征序列矩陣，基于多頭注意力機(jī)制計(jì)算所述特征序列矩陣的時(shí)序關(guān)聯(lián)強(qiáng)度，通過雙層殘差網(wǎng)絡(luò)對(duì)所述時(shí)序關(guān)聯(lián)強(qiáng)度進(jìn)行自適應(yīng)加權(quán)得到時(shí)序注意力權(quán)重，將所述時(shí)序注意力權(quán)重與所述特征序列矩陣進(jìn)行加權(quán)運(yùn)算得到時(shí)序上下文特征；構(gòu)建包含長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)的雙重時(shí)序模型，將所述時(shí)序上下文特征輸入所述長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)得到全局變化特征，將所述時(shí)序上下文特征輸入所述門控循環(huán)單元網(wǎng)絡(luò)得到局部時(shí)序特征，采用注意力門控機(jī)制對(duì)所述全局變化特征和局部時(shí)序特征進(jìn)行自適應(yīng)融合得到指標(biāo)長(zhǎng)期變化特征；基于所述時(shí)序上下文特征構(gòu)建多尺度滑動(dòng)窗口，對(duì)各尺度窗口內(nèi)的序列執(zhí)行統(tǒng)計(jì)檢驗(yàn)得到統(tǒng)計(jì)量序列，采用動(dòng)態(tài)規(guī)劃算法對(duì)所述統(tǒng)計(jì)量序列進(jìn)行優(yōu)化得到變點(diǎn)位置集合，提取所述變點(diǎn)位置集合中各變點(diǎn)前后的局部序列構(gòu)建特征子序列，將所述特征子序列輸入多分支卷積網(wǎng)絡(luò)，通過分層注意力機(jī)制對(duì)各分支特征進(jìn)行自適應(yīng)融合得到指標(biāo)突變特征；基于患者個(gè)體信息構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，通過空間注意力機(jī)制計(jì)算患者節(jié)點(diǎn)間的相似度構(gòu)建患者關(guān)聯(lián)圖，采用門控圖卷積對(duì)所述患者關(guān)聯(lián)圖進(jìn)行特征聚合得到群體特征表征，將所述群體特征表征通過多層感知機(jī)映射得到特征權(quán)重矩陣；將預(yù)先獲取到的指標(biāo)組合特征、所述指標(biāo)長(zhǎng)期變化特征、所述指標(biāo)突變特征進(jìn)行特征拼接，并通過多層非線性變換將拼接的特征映射為多層級(jí)特征向量，利用所述特征權(quán)重矩陣對(duì)所述多層級(jí)特征向量進(jìn)行加權(quán)融合得到初始特征向量；對(duì)所述初始特征向量進(jìn)行隨機(jī)掩碼和特征增強(qiáng)得到正樣本對(duì)，將所述正樣本對(duì)輸入特征編碼器得到增強(qiáng)特征表示，通過最小化所述增強(qiáng)特征表示與所述初始特征向量間的互信息損失優(yōu)化特征表示，得到最終的患者健康狀態(tài)特征向量。將生理狀態(tài)數(shù)據(jù)在時(shí)間維度展開，形成特征序列矩陣。采用多頭注意力機(jī)制計(jì)算特征序列之間的關(guān)聯(lián)強(qiáng)度，每個(gè)注意力頭分別關(guān)注不同時(shí)間尺度下的特征關(guān)聯(lián)。通過雙層殘差網(wǎng)絡(luò)對(duì)關(guān)聯(lián)強(qiáng)度進(jìn)行自適應(yīng)加權(quán)，殘差連接保證信息的有效傳遞。將得到的時(shí)序注意力權(quán)重與原始特征序列矩陣進(jìn)行加權(quán)運(yùn)算，生成包含時(shí)序依賴關(guān)系的上下文特征。[0038]構(gòu)建雙重時(shí)序模型，包含長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)兩個(gè)分支。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分支接收時(shí)序上下文特征，通過遺忘門、輸入門和輸出門的配合，捕獲數(shù)據(jù)的長(zhǎng)期變化趨勢(shì)，輸出全局變化特征。門控循環(huán)單元網(wǎng)絡(luò)分支接收相同輸入，通過重置門和更新門的調(diào)控，提取局部時(shí)序特征。采用注意力門控機(jī)制，根據(jù)兩個(gè)分支特征的重要程度進(jìn)行自適[0039]基于時(shí)序上下文特征，構(gòu)建多個(gè)不同大小的滑動(dòng)窗口。對(duì)每個(gè)窗口內(nèi)的序列執(zhí)行統(tǒng)計(jì)檢驗(yàn)，得到反映數(shù)據(jù)突變程度的統(tǒng)計(jì)量序列。采用動(dòng)態(tài)規(guī)劃算法對(duì)統(tǒng)計(jì)量序列進(jìn)行優(yōu)化，確定最優(yōu)的變點(diǎn)位置集合。提取各變點(diǎn)前后的局部序列構(gòu)建特征子序列。將特征子序列輸入多分支卷積網(wǎng)絡(luò)，不同分支使用不同卷積核提取特征。通過分層注意力機(jī)制對(duì)各分支[0040]基于患者的年齡、性別、既往病史等個(gè)體信息構(gòu)建圖神經(jīng)網(wǎng)絡(luò)。通過空間注意力機(jī)制計(jì)算患者節(jié)點(diǎn)間的相似度，構(gòu)建反映患者關(guān)聯(lián)關(guān)系的圖結(jié)構(gòu)。采用門控圖卷積對(duì)圖結(jié)構(gòu)進(jìn)行特征聚合，得到包含群體特征信息的表征向量。將群體特征表征通過多層感知機(jī)映射為特征權(quán)重矩陣。[0041]將預(yù)先獲取的指標(biāo)組合特征、長(zhǎng)期變化特征和突變特征進(jìn)行特征拼接。通過多層非線性變換將拼接特征映射為多層級(jí)特征向量。利用特征權(quán)重矩陣對(duì)多層級(jí)特征向量進(jìn)行加權(quán)融合，得到初始特征向量。[0042]對(duì)初始特征向量進(jìn)行隨機(jī)掩碼和特征增強(qiáng)操作，生成正樣本對(duì)。將正樣本對(duì)輸入特征編碼器得到增強(qiáng)特征表示。通過最小化增強(qiáng)特征表示與初始特征向量之間的互信息損失來優(yōu)化特征表示，最終得到能夠全面刻畫患者健康狀態(tài)的特征向量。[0043]在本實(shí)施例中，通過雙重時(shí)序建模和多層級(jí)特征融合，能夠全面捕獲生理指標(biāo)的長(zhǎng)期演變規(guī)律和短期波動(dòng)特征，提高了健康狀態(tài)表征的準(zhǔn)確性和可靠性?；趫D神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制的特征權(quán)重學(xué)習(xí)方法，可以充分利用群體特征信息指導(dǎo)個(gè)體特征融合，增強(qiáng)了特征表示的個(gè)性化程度和適應(yīng)性。采用對(duì)比學(xué)習(xí)框架優(yōu)化特征表示，可以在無監(jiān)督條件下學(xué)習(xí)到更具判別性的健康狀態(tài)特征，提升了方案在實(shí)際應(yīng)用中的泛化能力和魯棒性。[0044]在一種可選的實(shí)施方式中，將所述患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型通過主預(yù)測(cè)路徑預(yù)測(cè)疾病發(fā)展趨勢(shì)得到疾病發(fā)展預(yù)測(cè)結(jié)果，通過輔助預(yù)測(cè)路徑基于癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果包括：將患者健康狀態(tài)特征向量輸入疾病預(yù)測(cè)模型，所述疾病預(yù)測(cè)模型包括特征處理模塊和預(yù)測(cè)模塊；所述特征處理模塊將患者健康狀態(tài)特征向量輸入動(dòng)態(tài)采樣網(wǎng)絡(luò)，采用非均勻時(shí)間間隔的自適應(yīng)采樣策略，根據(jù)特征變化率動(dòng)態(tài)調(diào)整采樣頻率，在特征值變化速率超過預(yù)設(shè)閾值的時(shí)間點(diǎn)提高采樣頻率，對(duì)特征值變化速率低于預(yù)設(shè)閾值的時(shí)間點(diǎn)進(jìn)行插值處理，生成時(shí)間間隔均勻的特征序列；將所述時(shí)間間隔均勻的特征序列輸入分層注意力網(wǎng)絡(luò)，通過卷積層對(duì)特征序列進(jìn)行多尺度分解得到分層特征圖，將所述分層特征圖輸入遞歸神經(jīng)網(wǎng)絡(luò)提取時(shí)序模式得到時(shí)序特征向量，將所述時(shí)序特征向量輸入注意力層計(jì)算特征權(quán)重并捕獲特征間依賴關(guān)系，得到疾病特征表示，將所述疾病特征表示輸入對(duì)比學(xué)習(xí)網(wǎng)絡(luò)，通過數(shù)據(jù)增強(qiáng)生成特征樣本對(duì)，對(duì)所述特征樣本對(duì)進(jìn)行特征對(duì)比訓(xùn)練，得到疾病演化特征；所述預(yù)測(cè)模塊的主預(yù)測(cè)路徑將所述疾病演化特征輸入動(dòng)態(tài)圖卷積網(wǎng)絡(luò)，基于癥狀相關(guān)系數(shù)構(gòu)建演化圖的鄰接矩陣，通過圖卷積運(yùn)算和門控機(jī)制更新節(jié)點(diǎn)特征，預(yù)測(cè)疾病狀態(tài)的演化軌跡，將所述演化軌跡輸入分段擬合網(wǎng)絡(luò)，通過軌跡曲線的二階導(dǎo)數(shù)檢測(cè)拐點(diǎn)位置識(shí)別狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)，在所述狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)處構(gòu)建狀態(tài)轉(zhuǎn)移矩陣，基于條件隨機(jī)場(chǎng)模型計(jì)算狀態(tài)轉(zhuǎn)移概率，得到疾病發(fā)展預(yù)測(cè)結(jié)果；所述預(yù)測(cè)模塊的輔助預(yù)測(cè)路徑將所述疾病演化特征輸入異常檢測(cè)器，基于高斯混合模型計(jì)算特征樣本的異常程度，識(shí)別異常癥狀組合，基于所述異常癥狀組合結(jié)合預(yù)設(shè)的醫(yī)學(xué)知識(shí)庫(kù)中的癥狀關(guān)聯(lián)規(guī)則確定風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)，將所述風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)輸入風(fēng)險(xiǎn)傳播網(wǎng)絡(luò)，通過圖注意力層計(jì)算癥狀節(jié)點(diǎn)間的傳播權(quán)重，基于隨機(jī)游走算法計(jì)算風(fēng)險(xiǎn)擴(kuò)散概率，得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。[0045]示例性地，將患者健康狀態(tài)特征向量作為疾病預(yù)測(cè)模型的輸入。疾病預(yù)測(cè)模型包括特征處理模塊和預(yù)測(cè)模塊兩部分。特征處理模塊負(fù)責(zé)對(duì)輸入的患者健康狀態(tài)特征向量進(jìn)行預(yù)處理，生成可用于后續(xù)預(yù)測(cè)的疾病特征表示。預(yù)測(cè)模塊則基于處理后的疾病特征表示，通過主預(yù)測(cè)路徑預(yù)測(cè)疾病未來的發(fā)展趨勢(shì)，得到疾病發(fā)展預(yù)測(cè)結(jié)果；同時(shí)通過輔助預(yù)測(cè)路徑結(jié)合癥狀關(guān)聯(lián)網(wǎng)絡(luò)預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)，得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。[0046]具體地，特征處理模塊首先將患者健康狀態(tài)特征向量輸入到一個(gè)動(dòng)態(tài)采樣網(wǎng)絡(luò)中。該動(dòng)態(tài)采樣網(wǎng)絡(luò)采用一種非均勻時(shí)間間隔的自適應(yīng)采樣策略，能夠根據(jù)各項(xiàng)健康特征值的變化率動(dòng)態(tài)調(diào)整采樣頻率。當(dāng)某個(gè)特征值變化速率超過預(yù)設(shè)閾值時(shí)，動(dòng)態(tài)采樣網(wǎng)絡(luò)會(huì)在相應(yīng)的時(shí)間點(diǎn)提高采樣頻率，以更高的時(shí)間分辨率捕捉該特征的快速變化過程。而對(duì)于變化緩慢的特征，若其變化速率低于預(yù)設(shè)閾值，則對(duì)相應(yīng)的時(shí)間點(diǎn)進(jìn)行插值處理，從而獲得時(shí)間間隔均勻的特征序列。[0047]例如，患者的體溫測(cè)量值序列為[(Oh,36.5℃),(4h,36.8℃),(10h,39.1℃),(14h,39.5℃),(24h,37.2℃)]。假設(shè)溫度變化速率閾值設(shè)為0.1℃/h,則在10h和14h兩個(gè)時(shí)間點(diǎn)，溫度變化速率分別為(39.1-36.8)/(10-4)=0.38℃/h和(39.5-39.1)/(14-10)=0.1℃/h,均超過閾值，因此這兩個(gè)時(shí)間點(diǎn)的采樣頻率應(yīng)當(dāng)提高。而在其他時(shí)間段，溫度變化平緩，可進(jìn)行插值處理，最終得到時(shí)間間隔均勻(如每小時(shí)一次)的體溫特征序列。[0048]接下來，將動(dòng)態(tài)采樣網(wǎng)絡(luò)輸出的時(shí)間間隔均勻的特征序列輸入到一個(gè)分層注意力網(wǎng)絡(luò)中。分層注意力網(wǎng)絡(luò)先通過卷積層對(duì)特征序列進(jìn)行多尺度分解，提取不同時(shí)間尺度上的特征模式，生成分層特征圖。然后將分層特征圖輸入遞歸神經(jīng)網(wǎng)絡(luò)，利用其循環(huán)結(jié)構(gòu)捕捉特征序列的時(shí)序演化規(guī)律，提取各個(gè)時(shí)間步上的時(shí)序特征向量。[0049]分層注意力網(wǎng)絡(luò)的下一步是將時(shí)序特征向量輸入到注意力層。注意力機(jī)制能夠自動(dòng)計(jì)算不同特征之間的相關(guān)性權(quán)重，突出相關(guān)性強(qiáng)的特征組合，捕獲特征間的依賴關(guān)系，從而得到綜合了時(shí)序演化和特征交互的疾病特征表示。[0050]為了進(jìn)一步提升特征表示的魯棒性和泛化能力，特征處理模塊最后將疾病特征表示輸入到對(duì)比學(xué)習(xí)網(wǎng)絡(luò)中。對(duì)比學(xué)習(xí)網(wǎng)絡(luò)先通過數(shù)據(jù)增強(qiáng)手段(如添加噪聲等)從原始特征中生成正負(fù)樣本對(duì)，再通過最大化正樣本對(duì)的相似性和最小化負(fù)樣本對(duì)的相似性，從而學(xué)習(xí)到一個(gè)判別性強(qiáng)且對(duì)樣本擾動(dòng)魯棒的特征表示空間，輸出疾病演化特征向量。[0051]預(yù)測(cè)模塊的主預(yù)測(cè)路徑將特征處理模塊輸出的疾病演化特征向量輸入到動(dòng)態(tài)圖卷積網(wǎng)絡(luò)，以預(yù)測(cè)疾病狀態(tài)的演化軌跡。動(dòng)態(tài)圖卷積網(wǎng)絡(luò)先根據(jù)醫(yī)學(xué)知識(shí)庫(kù)中疾病癥狀之間的相關(guān)系數(shù)，構(gòu)建一個(gè)癥狀關(guān)聯(lián)圖，并將其鄰接矩陣作為圖卷積運(yùn)算的輸入。然后通過圖卷積和門控機(jī)制，動(dòng)態(tài)更新癥狀節(jié)點(diǎn)的特征表示，建模疾病狀態(tài)隨時(shí)間推移可能出現(xiàn)的演變規(guī)律。[0052]為了進(jìn)一步提高疾病發(fā)展預(yù)測(cè)的精度，主預(yù)測(cè)路徑將動(dòng)態(tài)圖卷積網(wǎng)絡(luò)輸出的狀態(tài)演化軌跡送入分段擬合網(wǎng)絡(luò)。分段擬合網(wǎng)絡(luò)通過計(jì)算軌跡曲線在不同時(shí)間點(diǎn)的二階導(dǎo)數(shù)，檢測(cè)曲線的突變點(diǎn)，從而識(shí)別疾病狀態(tài)的關(guān)鍵轉(zhuǎn)換節(jié)點(diǎn)。在這些轉(zhuǎn)換節(jié)點(diǎn)處，分段擬合網(wǎng)絡(luò)構(gòu)建狀態(tài)轉(zhuǎn)移矩陣，基于條件隨機(jī)場(chǎng)模型計(jì)算不同疾病狀態(tài)之間的轉(zhuǎn)移概率，最終輸出未來疾病發(fā)展的概率分布作為預(yù)測(cè)結(jié)果。[0053]例如，對(duì)于一個(gè)慢性腎病患者，動(dòng)態(tài)圖卷積網(wǎng)絡(luò)輸出的疾病狀態(tài)演化軌跡為身體功能評(píng)分(0-100)隨時(shí)間變化的曲線。通過分析曲線的二階導(dǎo)數(shù)，分段擬合網(wǎng)絡(luò)檢測(cè)到在第3個(gè)月和第11個(gè)月處，曲線出現(xiàn)陡峭的下降，對(duì)應(yīng)著疾病出現(xiàn)明顯惡化，因此這兩個(gè)時(shí)間點(diǎn)可能是狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)。網(wǎng)絡(luò)據(jù)此構(gòu)建狀態(tài)轉(zhuǎn)移矩陣，其中(i,j)元素表示從第i個(gè)月的狀態(tài)轉(zhuǎn)移到第j個(gè)月狀態(tài)的概率，最后通過條件隨機(jī)場(chǎng)模型計(jì)算得到該患者在未來1年內(nèi)腎功能進(jìn)一步惡化、保持穩(wěn)定或有所改善的概率分布。[0054]與主預(yù)測(cè)路徑并行，預(yù)測(cè)模塊的輔助預(yù)測(cè)路徑則側(cè)重于預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)。它首先將疾病演化特征輸入異常檢測(cè)器。異常檢測(cè)器基于高斯混合模型，通過估計(jì)樣本特征屬于正常樣本的概率來計(jì)算其異常程度。異常程度高的樣本通常對(duì)應(yīng)罕見的病癥組合，需要重點(diǎn)關(guān)注。異常檢測(cè)器據(jù)此識(shí)別出一些異常癥狀組合，再結(jié)合醫(yī)學(xué)知識(shí)庫(kù)中的癥狀關(guān)聯(lián)規(guī)則，確定可能誘發(fā)并發(fā)癥的風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)。[0055]接下來，輔助預(yù)測(cè)路徑將風(fēng)險(xiǎn)源癥狀節(jié)點(diǎn)輸入到風(fēng)險(xiǎn)傳播網(wǎng)絡(luò)。風(fēng)險(xiǎn)傳播網(wǎng)絡(luò)采用圖注意力機(jī)制，通過注意力層自動(dòng)計(jì)算不同癥狀之間的風(fēng)險(xiǎn)傳播權(quán)重，突出那些容易引發(fā)連鎖反應(yīng)的關(guān)鍵癥狀。在此基礎(chǔ)上，網(wǎng)絡(luò)使用隨機(jī)游走算法模擬風(fēng)險(xiǎn)在癥狀關(guān)聯(lián)圖上的擴(kuò)散過程，計(jì)算并發(fā)癥的發(fā)生概率，從而得到并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。[0056]例如，異常檢測(cè)器識(shí)別出患者同時(shí)出現(xiàn)胸痛、呼吸困難、心悸等癥狀，與醫(yī)學(xué)知識(shí)庫(kù)中關(guān)于“胸痛+呼吸困難→肺栓塞”的關(guān)聯(lián)規(guī)則匹配，因此將胸痛傳播網(wǎng)絡(luò)以胸痛為起點(diǎn)，基于癥狀關(guān)聯(lián)圖和注意力權(quán)重，模擬從胸痛出發(fā)，經(jīng)呼吸困難引發(fā)肺功能衰竭，進(jìn)而誘發(fā)心衰等并發(fā)癥的風(fēng)險(xiǎn)傳播路徑，最終計(jì)算得到該患者發(fā)生肺栓塞、肺心病等并發(fā)癥風(fēng)險(xiǎn)的概率值。[0057]在本實(shí)施例中，采用動(dòng)態(tài)采樣和分層注意力機(jī)制，能夠自適應(yīng)捕獲疾病發(fā)展過程中的關(guān)鍵特征變化，提高特征表達(dá)的準(zhǔn)確性和時(shí)效性。通過主預(yù)測(cè)路徑的圖卷積網(wǎng)絡(luò)和狀態(tài)轉(zhuǎn)移模型，實(shí)現(xiàn)對(duì)疾病發(fā)展軌跡的精確建模和預(yù)測(cè)，有效識(shí)別疾病狀態(tài)轉(zhuǎn)換節(jié)點(diǎn)引入輔助預(yù)測(cè)路徑的風(fēng)險(xiǎn)傳播網(wǎng)絡(luò)，基于癥狀關(guān)聯(lián)關(guān)系預(yù)測(cè)并發(fā)癥風(fēng)險(xiǎn)，提升預(yù)警的及時(shí)性和準(zhǔn)[0058]在一種可選的實(shí)施方式中，分別計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果對(duì)應(yīng)的置信區(qū)間，根據(jù)各個(gè)置信區(qū)間分別計(jì)算第一可信度分值和第二可信度分值，依據(jù)所述第一可信度分值和第二可信度分值對(duì)所述疾病發(fā)展預(yù)測(cè)結(jié)果和并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，生成健康風(fēng)險(xiǎn)評(píng)估報(bào)告包括：獲取歷史醫(yī)療數(shù)據(jù)作為訓(xùn)練樣本，基于時(shí)序特征相似度對(duì)所述訓(xùn)練樣本進(jìn)行分層，根據(jù)特征重要度確定分層抽樣概率，采用有放回抽樣方式獲取驗(yàn)證樣本；對(duì)于所述疾病發(fā)展預(yù)測(cè)結(jié)果，將所述驗(yàn)證樣本輸入驗(yàn)證模型得到疾病發(fā)展驗(yàn)證值，基于所述疾病發(fā)展驗(yàn)證值的分布特性計(jì)算加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差，根據(jù)所述加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差計(jì)算疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間；對(duì)于并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，將所述驗(yàn)證樣本輸入所述驗(yàn)證模型得到并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值，對(duì)所述并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值進(jìn)行概率分布擬合并采用最大似然估計(jì)方法確定概率分布參數(shù)，結(jié)合歷史預(yù)測(cè)準(zhǔn)確率計(jì)算所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間；計(jì)算所述疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間寬度，將所述疾病發(fā)展預(yù)測(cè)結(jié)果的置信區(qū)間寬度與歷史數(shù)據(jù)的預(yù)測(cè)誤差分布進(jìn)行對(duì)比，得到第一可信度分值；計(jì)算所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間寬度，將所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的置信區(qū)間寬度與歷史數(shù)據(jù)的預(yù)測(cè)誤差分布進(jìn)行對(duì)比，得到第二可信度分值；分別將所述第一可信度分值和第二可信度分值歸一化處理得到對(duì)應(yīng)的融合權(quán)重，將所述疾病發(fā)展預(yù)測(cè)結(jié)果與對(duì)應(yīng)的融合權(quán)重相乘得到第一加權(quán)結(jié)果，將所述并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果與對(duì)應(yīng)的融合權(quán)重相乘得到第二加權(quán)結(jié)果，將所述第一加權(quán)結(jié)果與第二加權(quán)結(jié)果相加得到綜合預(yù)測(cè)結(jié)果；將所述綜合預(yù)測(cè)結(jié)果與預(yù)設(shè)的風(fēng)險(xiǎn)等級(jí)閾值計(jì)算距離值，將所述距離值與第一可信度分值、第二可信度分值進(jìn)行加權(quán)計(jì)算得到基礎(chǔ)風(fēng)險(xiǎn)得分；獲取所述疾病發(fā)展預(yù)測(cè)結(jié)果與并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的歷史記錄，計(jì)算所述歷史記錄的變化率得到風(fēng)險(xiǎn)演變速度；獲取患者個(gè)體特征參數(shù)，將所述患者個(gè)體特征參數(shù)輸入預(yù)設(shè)的校正模型得到校正系數(shù)；將所述基礎(chǔ)風(fēng)險(xiǎn)得分與風(fēng)險(xiǎn)演變速度、校正系數(shù)進(jìn)行加權(quán)融合得到最終風(fēng)險(xiǎn)等級(jí)，最終生成包含預(yù)測(cè)結(jié)果、置信區(qū)間和風(fēng)險(xiǎn)等級(jí)的健康風(fēng)險(xiǎn)評(píng)估報(bào)告。[0059]示例性地，首先獲取患者多維度歷史醫(yī)療數(shù)據(jù)作為訓(xùn)練樣本，包含病情發(fā)展記錄、檢驗(yàn)檢查結(jié)果、用藥記錄等信息?；跁r(shí)序特征相似度進(jìn)行分層，將相似疾病發(fā)展軌跡的樣本聚類到同一層。根據(jù)各特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)度確定重要度權(quán)重，作為分層抽樣概率。采用有放回抽樣方式從各層抽取驗(yàn)證樣本，保證驗(yàn)證樣本具有代表性。[0060]對(duì)于疾病發(fā)展預(yù)測(cè)結(jié)果，將驗(yàn)證樣本輸入驗(yàn)證模型得到多組疾病發(fā)展驗(yàn)證值。對(duì)驗(yàn)證值進(jìn)行正態(tài)性檢驗(yàn)，如果符合正態(tài)分布，則采用加權(quán)均值和加權(quán)標(biāo)準(zhǔn)差計(jì)算置信區(qū)間上下限；如果不符合正態(tài)分布，則采用Bootstrap方法計(jì)算分位數(shù)來確定置信區(qū)間。例如某糖尿病患者的血糖控制預(yù)測(cè)結(jié)果為7.2mmol/L,通過驗(yàn)證得到置信區(qū)間為[6.8,7.6]mmol/[0061]對(duì)于并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，將驗(yàn)證樣本輸入驗(yàn)證模型得到多組并發(fā)癥風(fēng)險(xiǎn)驗(yàn)證值。對(duì)驗(yàn)證值進(jìn)行多種概率分布擬合，選擇擬合優(yōu)度最高的分布。采用最大似然估計(jì)確定分布參數(shù)，結(jié)合歷史預(yù)測(cè)準(zhǔn)確率計(jì)算置信區(qū)間。例如某高血壓患者并發(fā)心血管疾病風(fēng)險(xiǎn)預(yù)測(cè)為35%,通過驗(yàn)證得到置信區(qū)間為[28%,42%]。[0062]計(jì)算疾病發(fā)展預(yù)測(cè)結(jié)果置信區(qū)間寬度，與歷史預(yù)測(cè)誤差分布對(duì)比得到第一可信度分值。例如置信區(qū)間寬度為0.8mmol/L,歷史預(yù)測(cè)誤差均值為1.2mmol/L,可得第一可信度分值為0.75。同理計(jì)算并發(fā)癥風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果的第二可信度分值，例如得到0.82。[0063]將兩個(gè)可信度分值歸一化得到融合權(quán)重，分別為0.48和0.52。將預(yù)測(cè)結(jié)果與權(quán)重相乘并相加得到綜合預(yù)測(cè)結(jié)果。與預(yù)設(shè)風(fēng)險(xiǎn)等級(jí)閾值計(jì)算距離，結(jié)合可信度分值計(jì)算基礎(chǔ)風(fēng)險(xiǎn)得分。根據(jù)歷史記錄變化率計(jì)算風(fēng)險(xiǎn)演變速度。獲取患者年齡、并發(fā)癥等個(gè)體特征，輸入校正模型得到校正系數(shù)。最終融合得到風(fēng)險(xiǎn)等級(jí)，生成評(píng)估報(bào)告。[0064]在本實(shí)施例中，通過分層抽樣和置信區(qū)間計(jì)算，提高了預(yù)測(cè)結(jié)果的可靠性和準(zhǔn)確性，使預(yù)測(cè)結(jié)果更加客觀可信。采用加權(quán)融合的方式綜合考慮疾病發(fā)展和并發(fā)癥風(fēng)險(xiǎn)，結(jié)合患者個(gè)體特征進(jìn)行校正，使風(fēng)險(xiǎn)評(píng)估更加全面和個(gè)性化?；跉v史數(shù)據(jù)的變化趨勢(shì)分析風(fēng)險(xiǎn)演變速度，并將其納入最終風(fēng)險(xiǎn)等級(jí)評(píng)估，提高了風(fēng)險(xiǎn)評(píng)估的時(shí)效性和前瞻性。[0065]在一種可選的實(shí)施方式中，基于健康風(fēng)險(xiǎn)評(píng)估報(bào)告構(gòu)建分層治療方案，在藥物治療層設(shè)置遞進(jìn)式給藥策略，根據(jù)患者對(duì)藥物的耐受程度動(dòng)態(tài)調(diào)整給藥劑量，在康復(fù)指導(dǎo)層采用交替訓(xùn)練方案，將活動(dòng)強(qiáng)度由低到高分級(jí)遞增，通過方案相容性檢驗(yàn)剔除具有相互干從所述健康風(fēng)險(xiǎn)評(píng)估報(bào)告中提取最終風(fēng)險(xiǎn)等級(jí)、患者個(gè)體特征參數(shù)和風(fēng)險(xiǎn)演變速度，將所述最終風(fēng)險(xiǎn)等級(jí)按照疾病嚴(yán)重程度劃分為多個(gè)風(fēng)險(xiǎn)區(qū)間；在藥物治療層，根據(jù)風(fēng)險(xiǎn)區(qū)間建立基礎(chǔ)劑量序列，將每個(gè)基礎(chǔ)劑量的上下浮動(dòng)范圍設(shè)為基準(zhǔn)值的固定比例得到劑量調(diào)整空間，生成劑量調(diào)整序列；采集患者用藥狀態(tài)數(shù)據(jù)，所述用藥狀態(tài)數(shù)據(jù)包括不良反應(yīng)發(fā)生頻次、癥狀改善程度和生理指標(biāo)波動(dòng)幅度；對(duì)所述用藥狀態(tài)數(shù)據(jù)進(jìn)行歸一化處理得到初始耐受度值；根據(jù)所述患者個(gè)體特征參數(shù)對(duì)所述初始耐受度值進(jìn)行加權(quán)計(jì)算得到耐受度得分；基于所述耐受度得分在所述劑量調(diào)整序列中確定調(diào)整方向和調(diào)整幅度，生成遞進(jìn)式給藥策略，所述遞進(jìn)式給藥策略包含劑量調(diào)整的觸發(fā)條件和調(diào)整規(guī)則；在康復(fù)指導(dǎo)層，獲取患者運(yùn)動(dòng)能力評(píng)估結(jié)果，所述運(yùn)動(dòng)能力評(píng)估結(jié)果包括心肺功能指標(biāo)、肌力水平和關(guān)節(jié)活動(dòng)度；將所述運(yùn)動(dòng)能力評(píng)估結(jié)果與基準(zhǔn)參考值進(jìn)行對(duì)比得到能力等級(jí)；根據(jù)所述能力等級(jí)將康復(fù)訓(xùn)練活動(dòng)劃分為多個(gè)強(qiáng)度等級(jí)，針對(duì)每個(gè)強(qiáng)度等級(jí)設(shè)計(jì)兩組訓(xùn)練動(dòng)作組合，將訓(xùn)練動(dòng)作組合按照肌群負(fù)荷程度由低到高進(jìn)行排序，根據(jù)相鄰等級(jí)之間的運(yùn)動(dòng)強(qiáng)度增量設(shè)置訓(xùn)練活動(dòng)遞增方案；將所述訓(xùn)練動(dòng)作組合中的各項(xiàng)訓(xùn)練活動(dòng)構(gòu)建成相容性評(píng)估矩陣，基于活動(dòng)間隔時(shí)長(zhǎng)和肌群重疊度計(jì)算活動(dòng)之間的相容系數(shù)；根據(jù)所述相容系數(shù)與預(yù)設(shè)干擾閾值的比較結(jié)果，識(shí)別存在相互干擾的活動(dòng)組合；將包含相互干擾活動(dòng)的訓(xùn)練方案從遞增方案中剔除，得到候選方案集合。[0066]示例性地，首先從健康風(fēng)險(xiǎn)評(píng)估報(bào)告中提取三個(gè)關(guān)鍵指標(biāo)，包括：疾病的最終風(fēng)險(xiǎn)等級(jí)、反映個(gè)體差異的患者特征參數(shù)、以及疾病進(jìn)展速度的風(fēng)險(xiǎn)演變速度。根據(jù)疾病的嚴(yán)重[0067]在藥物治療層，針對(duì)每個(gè)風(fēng)險(xiǎn)區(qū)間建立相應(yīng)的基礎(chǔ)給藥劑量序列。例如，輕度風(fēng)險(xiǎn)對(duì)應(yīng)每日10mg,中度風(fēng)險(xiǎn)對(duì)應(yīng)20mg,重度風(fēng)險(xiǎn)對(duì)應(yīng)30mg。在此基礎(chǔ)上，考慮到患者個(gè)體差異，為每個(gè)基礎(chǔ)劑量設(shè)置一個(gè)上下浮動(dòng)范圍，浮動(dòng)幅度設(shè)為基準(zhǔn)值的固定比例(如±20%),從而得到劑量調(diào)整空間。于是，輕度風(fēng)險(xiǎn)的給藥范圍為8-12mg/日，中度為16-24mg/日，重度為24-36mg/日，形成劑量調(diào)整序列。[0068]在用藥過程中，需要持續(xù)采集患者的用藥狀態(tài)數(shù)據(jù)，包括藥物不良反應(yīng)的發(fā)生頻次、疾病癥狀的改善程度、以及血壓、心率等生理指標(biāo)的波動(dòng)幅度。將這些數(shù)據(jù)進(jìn)行歸一化處理，得到0-1之間的初始耐受度值。數(shù)值越大，表示患者對(duì)當(dāng)前劑量的耐受程度越好。[0069]考慮到患者的個(gè)體特征(如年齡、基礎(chǔ)疾病等)也會(huì)影響其耐藥性，因此需要在初始耐受度的基礎(chǔ)上，根據(jù)患者特征參數(shù)進(jìn)行加權(quán)修正。修正后得到的最終耐受度得分更能反映患者的真實(shí)耐藥水平。耐受度得分與劑量調(diào)整序列結(jié)合，即可確定后續(xù)給藥劑量的調(diào)整方向(增加或減少)和調(diào)整幅度。由此形成動(dòng)態(tài)更新的遞進(jìn)式給藥策略，明確了各種情況下觸發(fā)劑量調(diào)整的條件(如耐受度低于0.6)以及具體的調(diào)整規(guī)則(如耐受度每降低0.1,劑量減少10%)。[0070]在康復(fù)指導(dǎo)層，為保證康復(fù)訓(xùn)練方案的科學(xué)性，首先需評(píng)估患者的運(yùn)動(dòng)能力，包括心肺功能指標(biāo)(如最大攝氧量)、肌力水平(如握力)、關(guān)節(jié)活動(dòng)度(如膝關(guān)節(jié)屈伸角度)等。將評(píng)估結(jié)果與正常人群的參考值進(jìn)行對(duì)比，據(jù)此將患者的運(yùn)動(dòng)能力劃分為3-5個(gè)等級(jí)。[0071]針對(duì)每個(gè)能力等級(jí)，設(shè)計(jì)難度遞增的兩組訓(xùn)練動(dòng)作。各組動(dòng)作按照由易到難的順間的運(yùn)動(dòng)強(qiáng)度根據(jù)遞增比例設(shè)置，如：二級(jí)比一級(jí)增加20%的強(qiáng)度、三級(jí)比二級(jí)增加25%等。由此形成階梯式的訓(xùn)練活動(dòng)遞增方案。[0072]但并非所有訓(xùn)練動(dòng)作的組合都是合理的。為避免不同動(dòng)作之間的干擾，本方案引入相容性評(píng)估機(jī)制：將各項(xiàng)訓(xùn)練活動(dòng)兩兩配對(duì)，構(gòu)建成方陣形式的相容性評(píng)估矩陣。矩陣中的每個(gè)元素表示行動(dòng)作與列動(dòng)作的相容程度，數(shù)值由兩個(gè)指標(biāo)決定：一是兩個(gè)動(dòng)作的間隔此計(jì)算得到動(dòng)作之間的相容系數(shù)。[0073]將相容系數(shù)與預(yù)先設(shè)定的干擾閾值(如0.5)進(jìn)行比較，即可篩選出不相容的活動(dòng)組合(即相容系數(shù)低于閾值的動(dòng)作對(duì))。這些容易產(chǎn)生干擾的活動(dòng)組合所在