買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉上海孿心醫(yī)療科技有限公司;首都醫(yī)科大學(xué)附屬北京安貞醫(yī)院申請的專利基于因果Transformer模型的栓塞及大出血風(fēng)險預(yù)測方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120183709B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510653412.3，技術(shù)領(lǐng)域涉及：G16H50/30；該發(fā)明授權(quán)基于因果Transformer模型的栓塞及大出血風(fēng)險預(yù)測方法及系統(tǒng)是由何柳;馬長生;桑才華;李思彤;林煊毅;林錚設(shè)計研發(fā)完成，并于2025-05-21向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于因果Transformer模型的栓塞及大出血風(fēng)險預(yù)測方法及系統(tǒng)在說明書摘要公布了：本發(fā)明提供了一種基于因果Transformer模型的栓塞及大出血風(fēng)險預(yù)測方法及系統(tǒng)，包括：步驟S1：獲取患有心房顫動的病人的臨床數(shù)據(jù)，并對獲取的患者臨床數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的患者臨床數(shù)據(jù)；步驟S2：針對不同時間序列長度的預(yù)處理后的患者臨床數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將標(biāo)準(zhǔn)化處理后的患者臨床數(shù)據(jù)分解為動態(tài)變量和靜態(tài)變量，生成多維特征；步驟S3：基于CausalTransformer模型構(gòu)建預(yù)測模型，并利用多維特征訓(xùn)練預(yù)測模型，得到訓(xùn)練后的預(yù)測模型；步驟S4：利用訓(xùn)練后的預(yù)測模型預(yù)測目標(biāo)對象未來預(yù)設(shè)時間段內(nèi)栓塞和大出血的概率。

本發(fā)明授權(quán)基于因果Transformer模型的栓塞及大出血風(fēng)險預(yù)測方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種基于因果Transformer模型的栓塞及大出血風(fēng)險預(yù)測方法，其特征在于，包括： 步驟S1：獲取患有心房顫動的病人的臨床數(shù)據(jù)，并對獲取的患者臨床數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的患者臨床數(shù)據(jù)； 步驟S2：針對不同時間序列長度的預(yù)處理后的患者臨床數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將標(biāo)準(zhǔn)化處理后的患者臨床數(shù)據(jù)分解為動態(tài)變量和靜態(tài)變量，生成多維特征； 步驟S3：基于CausalTransformer模型構(gòu)建預(yù)測模型，并利用多維特征訓(xùn)練預(yù)測模型，得到訓(xùn)練后的預(yù)測模型； 步驟S4：利用訓(xùn)練后的預(yù)測模型預(yù)測目標(biāo)對象未來預(yù)設(shè)時間段內(nèi)栓塞和大出血的概率； 所述基于CausalTransformer模型構(gòu)建預(yù)測模型包括：多頭注意力模塊、前饋層以及歸一化層； 所述多頭注意力模塊包括多頭自注意力層和交叉注意力層； 利用所述歸一化層對輸入的序列進(jìn)行歸一化處理，得到歸一化處理后的序列；將歸一化處理后的序列輸入多頭自注意力層捕獲輸入序列內(nèi)部不同位置之間的關(guān)系； 利用所述歸一化層對動態(tài)特征和靜態(tài)特征進(jìn)行歸一化處理，得到歸一化處理后的動態(tài)特征和靜態(tài)特征；將歸一化處理后的動態(tài)特征和靜態(tài)特征輸入交叉注意力層捕獲動態(tài)特征和靜態(tài)特征之間的交互關(guān)系； 對捕獲到的序列內(nèi)部不同位置之間的關(guān)系以及捕獲到的動態(tài)特征和靜態(tài)特征之間的交互關(guān)系進(jìn)行歸一化處理，得到歸一化處理后的序列內(nèi)部不同位置之間的關(guān)系以及捕獲到的動態(tài)特征和靜態(tài)特征之間的交互關(guān)系； 基于歸一化處理后的序列內(nèi)部不同位置之間的關(guān)系和動態(tài)特征和靜態(tài)特征之間的交互關(guān)系，通過前饋層中的全連接網(wǎng)絡(luò)提取深層次特征；對深層次特征進(jìn)行歸一化處理，得到歸一化處理后的深層次特征； 所述步驟S3還包括：訓(xùn)練過程中的損失函數(shù)和約束條件； 所述損失函數(shù)包括： 其中，表示域分類器；表示由主網(wǎng)絡(luò)提取的表征；表示主網(wǎng)絡(luò)的參數(shù)；表示域分類器的參數(shù)；表示治療分配類別的數(shù)量；表示域分類器預(yù)測的治療分配概率的對數(shù)； 所述約束條件包括：反事實平衡約束和常識約束； 其中，所述反事實平衡約束包括：對CausalTransformer模型輸出的約束； 其中，M為有效樣本集合；為第i個樣本的治療分配，其中，T=0表示未治療，T=1表示已治療；為模型對反事實結(jié)果的預(yù)測； 所述常識約束包括： 基于醫(yī)學(xué)常識對大出血和栓塞概率的約束： 栓塞：同一患者服用抗凝藥時的概率應(yīng)不高于未服用抗凝藥時的概率； 大出血：同一患者未服用抗凝藥時的概率應(yīng)不高于服用抗凝藥時的概率； 所述方法還包括：計算個體的臨床凈獲益NCB； 當(dāng)NCB0時推薦服用抗凝藥，NCB≤0時不推薦服用抗凝藥。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人上海孿心醫(yī)療科技有限公司;首都醫(yī)科大學(xué)附屬北京安貞醫(yī)院，其通訊地址為：201306 上海市浦東新區(qū)中國(上海)自由貿(mào)易試驗區(qū)臨港新片區(qū)正博路356號41幢三層A303室；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。