一种儿童患者病情智能风险评估系统及方法

摘要

本发明公开了一种儿童患者病情智能风险评估系统及方法，首先从儿童患者家属方和医院方采集与病情相关的数据；然后从设计的数据采集表中抽取与病情相关的儿童患者表征构建实体节点，根据专家知识和医学知识库构建实体之间的关系，构建儿童患者病情风险因素知识图谱；再基于采集的数据和儿童患者病情风险因素知识图谱构建多个时刻的儿童患者病情动态属性图，利用动态异构图神经网络模型学习属性图，输出重要表征的预测值，基于重要表征的预测值评估病危程度，对儿童患者的就诊策略进行建议。本发明使用历史数据和当前数据，保证了对患儿评估的准确性，并且侧重于对患儿的表征进行分析和预测，规避了误诊的风险，缓解了智慧医疗的伦理问题。

说明书

技术领域

本发明涉及儿童监护领域，尤其涉及一种儿童患者智能病情风险评估系统及方法。

背景技术

由于儿科疾病具有起病急、发展快、调节能力差等特点，而家属往往在病情初对儿童患者的病情不重视，再加上就医流程花费时间长、过程繁琐，更加阻碍了儿童患者症状不严重时家属带儿童患者就医的行为。另一方面，部分家属对儿童的病情过于敏感，在不需要就医时也占用医疗资源。所以在就医前对儿童患者进行初步的病危预警和就医决策建议是十分重要的，可以缓解医疗资源分布的不均匀性，实现医疗数据的优化整合，使医疗行业精准化、便捷化、智能化。

大数据技术和通信技术的蓬勃发展为上述问题的提供了新思路，可以形成以患者数据为中心的医疗服务模式，实现患者与医务人员、医疗机构等之间的互动模式，即智慧医疗。一方面，在大数据技术的发展推动下，医院信息化系统产生的海量数据通过数据处理、数据挖掘等方式实现数据的高效利用，结合医疗大数据挖掘、人工智能技术等，实现对患者的智能诊断和就医决策建议。另一方面，5G的高速率、低时延、高可靠等特性推动了智慧医疗的建设，能够保证儿童患者与医疗机构之间的高效互动。

然而，在智慧医疗中面临着医学伦理学问题的挑战。由于智慧医疗具有不确定性，包括数据分析和人工智能的不确定性，导致算法结果与真实情况存在偏差，造成患者身体和金钱上的损失。若智慧医疗误诊，引发的医疗责任和法律责任的归属方存在争议且可能破坏人文与科技关系的平衡问题。而人类生命数据复杂性很高，专业医生都有误诊的情况，更不用说尚未完全工业化成熟的人工智能，这导致智慧医疗被很多人质疑，严重阻碍着智慧医疗的发展。

另一方面，智慧医疗大部分应用是面向大众，即全年龄段的人群，针对儿童的研究较少。然而与成人相比，儿童没有独立就医能力且表达能力较差，容易使家属忽视儿童患者病情而耽误就医。所以儿童比成年更需要病危预警，更加需要对儿童病症进行信息获取、信息融合、信息挖掘、历史信息利用的智能技术。以保证在儿童无法像成年人一样对自己的病症进行准确描述及医生问诊问题进行相应的回答的情况下，能够通过数据挖掘和分析对儿童病危程度进行评估，引起家属和医生的重视。

发明内容

发明目的：基于儿科智慧医疗的重要性和研究的不足，以及智慧医疗的伦理问题，本发明目的在于提供一种儿童患者病情智能风险评估系统及方法，通过收集、分析、挖掘儿童患者数据对儿童患者病危程度进行评估和就医决策建议。

技术方案：为实现上述发明目的，本发明提供的一种儿童患者病情智能风险评估系统，包括：

数据采集模块，儿童患者医学特征分析模块，儿童患者病情预测和决策模块；

所述数据采集模块，用于从儿童患者家属方和医院方采集与病情相关的数据，预处理后存储，支持调用儿童患者历史数据；

所述儿童患者病情表征数据分析模块，用于从设计的数据采集表中抽取与病情相关的儿童患者表征构建实体节点，根据专家知识和医学知识库构建实体之间的关系，构建儿童患者病情风险因素知识图谱；并计算实体之间的关联度以验证和完善实体之间的关系；

所述儿童患者病情预测和决策模块，用于基于采集的数据和儿童患者病情风险因素知识图谱构建多个时刻的儿童患者病情动态属性图，再利用动态异构图神经网络模型学习属性图，输出重要表征的预测值，基于重要表征的预测值评估病危程度，对儿童患者的就诊策略进行建议；其中输入动态异构图神经网络模型的属性图的邻接矩阵根据儿童患者病情表征数据分析模块提供的知识图谱的拓扑结构确定，知识图谱中每一种关系类型对应一个邻接矩阵，特征矩阵根据数据采集模块采集的各个时刻的数据确定；所述重要表征是筛选出的对病情影响重要程度大于设定阈值的病情表征。

可选地，数据采集模块包括儿童患者家属方数据采集单元，医院方数据采集单元，历史数据存储和调用单元，数据预处理单元；

所述儿童患者家属方数据采集单元，用于采集家属提供的病情相关数据，包括儿童患者人口学特征、患病情况、就诊医院和家庭能够测量的体征；

所述医院方数据采集单元，用于采集医院提供的病情相关数据，包括儿童患者的客观和主观的身体表征，分为体外检测和体液检测数据；

所述客观的体外检测是用仪器对儿童患者身体表面进行检测，主观的体外检测基于主治医生对儿童患者体征进行评估，客观的体液检测是基于抽血或其他部位体液用于送检；

所述历史数据存储和调用单元，用于在数据库中基于儿童患者身份信息建立索引，并根据采集的时间将该儿童患者的信息存储在该索引对应位置，形成以儿童患者身份信息为索引的儿童患者数据时间序列的数据表；

所述数据预处理单元，用于对收集到的数据进行数据清洗、数据转换和数据填补。

可选地，儿童患者病情表征数据分析模块包括病情风险因素知识图谱构建单元、知识图谱深度分析单元和知识图谱深度融合单元；

所述病情风险因素知识图谱构建单元，用于从儿童患者家属数据采集表和医院数据采集表抽取实体节点并建立节点间的边关系，构建为知识图谱；所述抽取实体节点是从采集表中抽取影响儿童患者病情或可能会对儿童患者身体的健康带来风险的身体表征的名称，根据医学上的分类，将这些表征分为心血管/神经系统的生命表征、酸/碱表征、生化检测表征和血液表征四类节点；

所述建立节点的边关系是基于专家知识和医学知识库，对抽取的身体表征的互相影响进行建模，将互相影响或者表征同一病况的节点连接起来；

所述知识图谱深度分析单元，用于基于数据库存储的儿童患者医学大数据，利用关联分析算法计算实体节点间的关联程度，确定知识图谱中边的存在，将关联度低于设定阈值的边进行删除；

所述知识图谱深度融合单元，用于更新知识图谱，包括数据融合和知识融合；所述数据融合是指基于更新后的儿童患者家属数据采集表和医院数据采集表，更新儿童患者病情风险因素知识图谱的节点数量和/或类型；所述知识融合是指基于更新后的专家知识和医学知识库，更新儿童患者病情风险因素知识图谱的边的数量和/或类型。

可选地，儿童患者病情预测和决策模块包括儿童患者病情动态属性图构建单元，儿童患者病情预测模型单元和儿童患者病情评估单元；

所述儿童患者病情动态属性图构建单元，用于构建儿童患者病情动态属性图，包括当前时刻下的儿童患者病情表征和以往时刻的儿童患者病情表征；其中当前时刻的儿童患者病情表征属性图是根据儿童患者病情风险因素知识图谱建立的，其中属性的取值包含对应表征的具体取值或严重程度描述；以往时刻的儿童患者病情表征属性图中属性取值由儿童患者历史数据提供的，并以时间序列与当前时刻的儿童患者病情表征属性图堆叠合并起来为动态图；

所述儿童患者病情预测模型单元，用于将儿童患者病情动态属性图输入至儿童患者病情智能诊断模型来预测儿童患者重要表征的值，其中儿童患者病情智能诊断模型是利用数据采集模块提供的历史数据训练的动态异构图神经网络模型；

所述的儿童患者重要表征是根据基于机器学习的特征选择模型筛选出的，所述特征选择模型通过儿童患者历史数据训练得到，以儿童患者的病危程度为因变量，儿童患者的表征为自变量，建模自变量与因变量的关系，为自变量赋予参数值，最后以参数值的大小衡量自变量的重要程度；

所述儿童患者病情评估单元，用于基于儿童患者重要表征的预测值，结合儿童危重患者评分表对儿童患者的病危程度进行打分，并根据评分给予立即就医或自行选择就医建议；若建议立即就医，会根据儿童患者所处客观条件连接地图接口查找附近医院以及路线的交通情况并推荐医院。

其中，儿童患者所处客观条件是由儿童患者家属数据采集表提供，包含目前是否就诊于医院、儿童患者所处地点和是否有条件运送儿童患者等；

可选地，所述儿童患者病情评估单元，还用于在家属同意并且不侵犯儿童患者隐私的情况下，将儿童患者重要表征的预测值和收集的数据发送给家属所选医院的医生进行远程诊断。

本发明提供的一种儿童患者病情智能风险评估方法，包括如下步骤：

从儿童患者家属方和医院方采集与病情相关的数据，预处理后存储，所存储的数据包括所采集的不同时刻的儿童患者历史数据；

从设计的数据采集表中抽取与病情相关的儿童患者表征构建实体节点，根据专家知识和医学知识库构建实体之间的关系，构建儿童患者病情风险因素知识图谱；并计算实体之间的关联度以验证和完善实体之间的关系；

基于采集的数据和儿童患者病情风险因素知识图谱构建多个时刻的儿童患者病情动态属性图，再利用动态异构图神经网络模型学习属性图，输出重要表征的预测值，基于重要表征的预测值评估病危程度，对儿童患者的就诊策略进行建议；其中输入动态异构图神经网络模型的属性图的邻接矩阵根据儿童患者病情表征数据分析模块提供的知识图谱的拓扑结构确定，知识图谱中每一种关系类型对应一个邻接矩阵，特征矩阵根据数据采集模块采集的各个时刻的数据确定；所述重要表征是筛选出的对病情影响重要程度大于设定阈值的病情表征。

本发明提供的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的儿童患者病情智能风险评估方法的步骤。

有益效果：本发明提供的一种儿童患者病情智能风险评估系统及方法，一方面利用数据挖掘和知识图谱技术提出了一种新颖的儿童患者数据分析方法，可以有效地动态结合医疗大数据和医学知识库，建模数据之间的关系，通过关联分析挖掘新的知识。构建的儿童患者病情风险因素知识图谱不仅以可视化的形式帮助医疗人员理解和分析数据，还能将无结构的数据整合成结构化的图形式的数据用于智能预测模型。而在对患儿病情进行智能预测中，本发明全面地使用了历史数据和当前数据，规避了患儿对当前自身病情描述模糊的影响，保证对患儿评估的准确性。另一方面，本发明还提供一种规避了误诊的风险，缓解了智慧医疗的伦理问题的方法。由于人类生命数据复杂性很高以及人工智能的不确定性，智慧医疗容易误诊而引起社会问题。本发明侧重于对患者的表征进行分析和预测，并不直接做出难度较高的临床诊断，而是根据重要表征的预测值对患者做出病危预警并将患者数据发送给医生远程诊断。这样既规避了误诊的风险，缓解了智慧医疗的伦理问题，又能利用人工智能挖掘数据中的信息帮助儿童患者及时就医、缓解医疗资源紧张和辅助医生诊断。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的儿童患者病情智能风险评估系统的架构示意图；

图2是本发明实施例中儿童患者数据采集方法的流程示意图；

图3是本发明实施例中儿童患者医学特征分析方法的流程示意图；

图4是本发明实施例中儿童患者病情预测和决策方法的流程示意图；

图5是本发明实施例提供的儿童患者病情智能风险评估方法的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例公开的一种儿童患者病情智能风险评估系统，主要包括：数据采集模块，儿童患者医学特征分析模块，儿童患者病情预测和决策模块；其中，

(1)数据采集模块，用于从儿童患者家属方和医院提供的儿童患者数据，采集与病情相关的数据并对其进行预处理，并合理地存储和调用儿童患者历史数据；其中，所述的儿童患者家属方提供的儿童患者数据是基于设计的儿童患者家属数据采集表采集的儿童患者人口学特征、疾病情况、就诊医院和家庭能够测量的简单儿童患者体征，医院提供的儿童患者数据基于设计的医院数据采集表采集的儿童患者的客观和主观的身体表征，分为体外检测和体液检测；所述的存储和调用儿童患者历史数据用于将收集的儿童患者数据按采集时刻存储在后台数据库中以形成儿童患者医疗大数据库，并在该儿童患者诊断时调用该儿童患者历史数据以辅助诊断；

可选地，在本发明的实施例中，所述儿童患者数据采集模块至少包括儿童患者家属方数据采集单元、医院方数据采集单元、数据预处理单元和历史数据存储和调用单元；

所述的儿童患者家属方数据采集单元具体采集的数据包括儿童患者人口学特征、就诊医院、患病情况、和简单儿童患者体征。其中，儿童患者人口学特征包括年龄、性别、所处地址等；就诊医院包括儿童患者目前是否就诊医院、医院等级、所在地区等；患病情况包括入院诊断、儿童患者入住科室、儿童患者是否为手术后等；简单儿童患者体征包括体温、心率、肢体是否发凉等。若儿童患者目前是否就诊医院此项数据家属输入是，则需要进行医院方数据采集，否则不需要；

所述的医院方数据采集单元具体收集的数据包括儿童患者的客观的体外检测、主观的体外检测、客观的体液检测，其中客观的体外检测是指用仪器对儿童患者身体表面进行检测，如收缩压、舒张压和呼吸等；主观的体外检测基于主治医生对儿童患者体征进行评估，如是否发绀、毛细血管再充盈时间和瞳孔对光反射程度等；客观的体液检测是基于抽血或其他部位体液用于送检，如血糖、碱剩余和钙离子浓度等；

所述的数据预处理单元是对上述单元收集的原始数据中，不完整的、不一致的、错误的数据进行处理，包括数据清洗、转换和填补，缓解这些异常对儿童患者病情评估方法造成的影响，将原始数据转换为易于数据挖掘的形式；

所述的历史数据存储和调用单元用于存储所有儿童患者的数据并能调用出某一儿童患者的所有时刻的数据，储存功能将儿童患者身份信息编码为哈希编码作为索引以收集的时刻为序列存储在后台的SQL数据库中，调用功能根据儿童患者身份信息编码为哈希编码并以此为索引查询数据库中该儿童患者所有时刻的数据。

具体地，儿童患者病情智能风险评估架构还包括：

(2)儿童患者病情表征数据分析模块，此模块基于知识图谱技术，结合收集的儿童患者表征数据和医学专家知识分析数据之间的关系，建立儿童患者病情风险因素知识图谱，并根据儿童患者数据和医学知识库对知识图谱进行深度分析和深度融合；

可选地，在本发明的实施例中，所述儿童患者病情表征数据分析模块至少包括病情风险因素知识图谱构建单元、知识图谱深度分析单元和知识图谱深度融合单元；

所述的病情风险因素知识图谱构建单元基于儿童患者数据和医学专家知识，利用知识图谱构建方法构建知识图谱。其中知识图谱由与病情相关的因素，以及这些因素基于医学专家知识之间的影响关系构成的三元组构成的。所述的与病情相关的因素是基于从儿童患者家属和医院方收集的数据中提取出的与儿童患者病情相关的表征名称；所述的因素之间的影响关系是指医学表征之间的相关性，多种表征对儿童患者身体同一方面有影响或一种表征对儿童患者身体多个方面有影响；

所述的知识图谱深度分析单元基于收集的儿童患者医疗大数据库，利用关联算法对构建的儿童患者病情风险因素知识图谱进行验证，确定知识图谱中各个节点和边关系的存在，并完善各实体间的关联关系。所述的儿童患者医疗大数据库是历史数据存储和调用单元在后台存储的所有儿童患者的数据；所述的关联算法是指基于儿童患者医疗大数据计算节点间的皮尔逊相关系数作为它们的关联度；基于节点间的关联度和关系阈值检验节点间的边是否正确，若低于设置阈值则进行删除；

所述的知识图谱深度融合单元对所述的知识图谱的节点和边进行更新，包括数据融合和知识融合。其中数据融合是基于更新后的儿童患者数据采集表，更新儿童患者病情风险因素知识图谱的节点数量和/或类型；知识融合在专业知识源越来越丰富的情况下，将具有差异性的不同来源知识体系融合在一起，基于更新后的专家知识和医学知识库，更新儿童患者病情风险因素知识图谱的边的数量和/或类型。

具体地，儿童患者病情智能风险评估架构还包括：

(3)儿童患者病情预测和决策模块，基于收集的儿童患者数据和儿童患者病情风险因素知识图谱构建多个时刻的儿童患者病情动态属性图，利用儿童患者病情智能诊断模型学习属性图，输出重要表征的预测值，基于重要表征的预测值对该儿童患者病危程度进行评估，并根据结果对儿童患者就医进行建议、对儿童患者数据进行整合并发送给医生进行远程诊断。

所述的儿童患者病情动态属性图是由当前时刻下的儿童患者病情表征图和以往时刻的儿童患者病情表征图合并组成。其中当前时刻下的儿童患者病情表征图根据儿童患者病情风险因素知识图谱建立的，其中属性的取值包含对应表征的具体取值或严重程度描述；其中以往时刻的儿童患者病情表征属性图中属性取值是由所述的历史数据存储和调用单元提供的，调用近段时间记录的所有时刻的该儿童患者病情表征构建属性图，并以时间序列与当前时刻的儿童患者病情表征属性图堆叠合并起来为动态图；

所述的儿童患者病情智能诊断模型是基于动态异构图神经网络构建的儿童患者表征预测模型，以儿童患者病情动态属性图为输入，利用儿童患者的当前数据和以往数据预测儿童患者未来重要表征的预测值。其中重要表征预测是基于特征选择模型筛选出的对儿童患者病危情况影响大的重要体征；其中特征选择模型利用历史数据存储和调用单元存储的儿童患者医疗大数据库对模型在后台进行训练和测试，再将训练好的模型及参数调用出来对输入的儿童患者信息进行预测；

儿童患者病情评估包括儿童患者病危评估和病情预测。所述的病危评估是基于儿童患者重要表征的预测值，结合小儿危重病例评分方法给儿童患者进行评分并给予儿童患者是否应立即入院建议，门诊挂号科室建议，结合儿童患者客观条件与外接的地图软件接口提供推荐入院医院名称和地址。所述的病情预测是在征得家属同意且不涉及儿童患者隐私的情况下，将儿童患者重要表征的预测值和收集的数据整合为电子病历发送给推荐的医院医生进行远程诊断，并提供医生与患儿家属的互动沟通窗口。

下面结合图2至图5说明本发明实施例公开的一种儿童患者病情智能风险评估方法的具体过程，主要包括儿童患者病情相关数据采集、儿童患者医学特征分析以及儿童患者病情预测和决策。如图2所示，儿童患者病情相关数据采集具体包括：

步骤110、依据设计的儿童患者家属方数据采集表，家属提供儿童患者人口学特征、就诊医院、患病情况和简单体征数据。

具体来说，儿童患者家属通过APP或网页的形式填写儿童患者家属方数据采集表，此表采集了全面、可靠、可用的原始数据，包括儿童患者人口学特征、就诊医院、患病情况和简单体征数据。

其中儿童患者人口学特征包括儿童患者个人信息、家庭情况和所处位置，具体来说，比如名字、年龄、所处地址等，特别地，此项数据会经过隐私化处理，隐私数据使用掩码设置为不可见形式，仅仅用作后台的模型训练。

其中就诊医院是指目前儿童患者就诊医院的情况，包括儿童患者目前是否就诊医院、医院等级、所在地区等。

其中患病情况是指目前儿童患者被诊断的疾病情况，包括儿童患者的入院诊断、儿童患者入住科室、儿童患者是否为手术后等，特别地，若儿童患者目前没有就诊于医院，则这一项数据不予填写。

其中简单儿童患者体征是指在普通家庭场景下也能测量的儿童患者体征情况，包括体温、心率、肢体是否发凉等；若儿童患者目前有就诊于医院，则这一项数据不予填写，因医院方提供的儿童患者体征比家属方更加精确。

步骤120、依据设计的医院数据采集表，儿童患者目前就诊的医院提供儿童患者的客观的体外检测、主观的体外检测和客观的体液检测。

具体来说，儿童患者目前就诊的医院方通过导入电子病历或纸质病历的图片，由系统利用正则化匹配技术和文字识别技术自动填写医院数据采集表，此表采集了全面、可靠、可用的原始数据，包括儿童患者的客观的体外检测、主观的体外检测和客观的体液检测。

其中，儿童患者的客观的体外检测是指用仪器对儿童患者身体表面进行检测，如收缩压、舒张压和呼吸等；主观的体外检测基于主治医生对儿童患者体征进行评估，如是否发绀、毛细血管再充盈时间和瞳孔对光反射程度等；客观的体液检测是基于抽血或其他部位体液用于送检，如血糖、碱剩余和钙离子浓度等；

步骤130、对收集的数据进行数据清洗、数据转换和数据填补。

具体来说，由于收集的数据存在缺省和错误的情况，且各个数据间存在单位不统一或者单位不利于分析的情况，为了缓解这些异常对儿童患者病情评估方法造成的影响，将原始数据转换为易于数据挖掘的形式。

所述的数据清洗是指对收集到的数据表合并，再剔除数据项缺失的数据记录，比如该儿童患者目前没有就诊于医院时，则应剔除医院方所有数据项的数据；当该儿童患者目前是就诊于医学时，则应剔除简单体征数据项的数据；

所述数据转换是将数据表中各字段依照字段特点进行转换，将冗长的离散数据进行重新编码、将时间型数据进行数值映射，比如该儿童患者的入院诊断字段为“孕28+5周极低出生体重生活能力低下重症肺炎”，转换为“体重低、生活能力底下、重症肺炎”；

所述数据填补是对记录中的缺失数据进行填补，对离散型数据采用简单的众数填补，对数值型数据采用均值填补，比如该儿童患者的“肢体是否发凉”这一特征家属不确定便会空着不填，造成该儿童患者这一项数据缺省，为了解决这种情况，调用医疗大数据库中所有儿童患者这项特征的众数为“否”，以此来填补该儿童患者的数据。

步骤140、将儿童患者数据以身份为索引，以采集时间为序列存储在后台数据库中。

具体来说，本系统后台设置了一个存储所有儿童患者数据的医疗大数据数据库，每位儿童患者每次采集数据的数据都会在预处理后存储进去，形成以儿童患者信息为主索引的采集时间序列数据表，需要调用该儿童患者数据时可以根据儿童患者信息将其所有时刻采集的数据调用出来。其中为了避免重名，儿童患者信息不止包括儿童患者姓名，还包括儿童患者的性别、出生日期和户籍所在地，将这些信息进行哈希编码，将得到的编码作为索引。具体地，存储的步骤为，首先将儿童患者信息进行哈希编码，再搜索主索引中是否存在此编码，若存在，则将采集数据时间作为副索引把数据录入到数据库中；若不存在，则建立此编码为主编码，采集数据时间为副索引，并将数据录入到数据库中。调用的步骤为，首先将儿童患者信息进行哈希编码，再搜索主索引中此编码存在的位置，最后将对应位置的数据调用出来。

如图3所示，儿童患者医学特征分析具体包括：

步骤210、从数据采集表中仅抽取与儿童患者病情相关的身体表征的名称，根据医学上的分类，将这些表征分为对应节点。

具体来说，基于收集的儿童患者医学表征数据和医学知识库，将所有的影响儿童患者身体的医学数据划分为四种实体类型，心血管/神经系统的生命表征节点、酸/碱表征节点、生化检测表征节点和血液表征节点四类节点，其中心血管/神经系统的生命表征包括收缩血压、心率、体温、瞳孔反射等，酸/碱表征包括酸中毒，CO2总含量、PH值、PaO2等，生化检测表征包括血糖、血钾、肌酐、血尿素氮等，血液表征包括白细胞计数、凝血酶原时间、血小板计数等。

步骤220、基于专家知识和医学知识库，对上述身体表征的互相影响建立节点间的边。

具体来说，基于专家知识和医学知识库，上述的部分节点会互相影响或者表征同一病况，应在它们之间建立边关系，并且不同的节点类型之间的边类型应不同，比如在血液表征中的动脉血二氧化碳分压不仅表示肺通气功能，还是机体酸碱调节的呼吸因素，若测量值大于50mmHg表示呼吸性酸中毒，小于35mmHg表示呼吸性碱中毒，这与酸/碱表征中碱剩余的意义有类似作用，它们是相关且互相影响的，应对这两个实体节点间赋予血液表征和酸/碱表征之间有联系的边。

步骤230、根据建立的节点和边构建儿童患者病情风险因素知识图谱。

具体来说，知识图谱是由三元组组成，而一个三元组由头实体(head)和尾实体(tail)，以及头实体和尾实体之间的关联关系(relation)构成。将上述儿童患者病情医学表征节点作为头实体和尾实体，将上述医学表征之间的关系的边作为关联关系，形成(head，relation，tail)形式的三元组。最后在图中叠加所有三元组即可得儿童患者病情风险因素知识图谱。

步骤240、基于后台数据库中存储的儿童患者医学大数据，利用关联分析算法计算实体节点间的关联程度，确定知识图谱中边的存在。

具体来说，这一步骤目的是为了验证通过医学知识库和专家知识构建的关系是否正确，使用医疗大数据来验证原知识图谱。系统首先调用历史数据存储和调用单元中存储的所有儿童患者数据，即称为儿童患者医学大数据，再计算大数据中节点间的皮尔逊相关系数作为它们之间的关联度，根据设置的阈值，若某两个节点之间的关联度低于此阈值，则说明这两个节点之间关联程度低，不应该存在关系，若原知识图谱中节点间存在边，则应删除对应边。

步骤250、对知识图谱进行数据融合和知识融合，更新图谱中的节点和边。

具体来说，数据融合的目的是为了在数据收集模块中数据收集表已被更新的情况下，更新知识图谱中的节点，知识融合的目的是为了在医学知识库和专家知识更加丰富的情况下，更新知识图谱中的边。

所述的数据融合首先获取数据收集表新增加的表项名称，在图中建立对应节点，并在医学知识库中搜索此节点对应的类型，再搜索此节点与其他所有节点之间是否存在关联，若存在，则建立一组三元组，最后根据新建的三元组将新的节点和关系添加入原知识图谱中。

所述的知识融合首先获取某节点的新的知识，搜索与其有关的医学表征是否作为知识图谱中的节点，若是，则检测两个节点之间的关系，若无边存在则建立一条边；若否，则放弃此条知识，继续找下一条。

如图4所示，儿童患者病情预测和决策具体包括：

步骤310、由当前时刻下的儿童患者病情表征和以往时刻的儿童患者病情表征合并构建儿童患者病情动态属性图。

具体来说，儿童患者病情动态属性图包括儿童患者一段时间内所有的病情状况，不仅仅是当前时刻的，还有历史时刻采集的数据，所以由当前时刻下的儿童患者病情表征和以往时刻的儿童患者病情表征合并组成。属性图以动态异构图的形式输入到智能预测模型中，包括图的邻接矩阵和特征矩阵两部分。其中，邻接矩阵表示图的拓扑结构，由于知识图谱是一种异构图，即节点类型和边类型不止一种，所以邻接矩阵包括R个维度为N×N的矩阵，N表示图中节点的数目，R表示边类型的数目，若对应边类型的矩阵中取值为1，表示图中对应两个节点之间有该类型的边，若取值为0，表示图中对应两个节点之间无该类型的边。特征矩阵表示节点的具体取值，是由患儿在医学表征上的表现的具体值，通过归一化处理得到的。

步骤320、基于所述儿童患者病情动态属性图构建儿童患者病情智能预测模型，并输出儿童患者重要表征的预测值。

具体来说，基于动态异构图神经网络建立儿童患者病情智能预测模型，该模型的输入是该儿童患者的病情动态属性图，输出是儿童患者病情重要特征的预测值，该模型的参数是利用后台存储的儿童患者医疗大数据进行训练后得到的。

其中动态异构图神经网络由异构图神经网络，如RGCN、GAT，加上长短期记忆网络LSTM实现。其中异构图神经网络是在传统的图神经网络上进行改进，由于传统的神经网络默认都是同构图，输入只有一个邻接矩阵，而异构图有R个邻接矩阵，其中R表示边类型的数目。所以异构图神经网络增加学习参数的数目，对于R个邻接矩阵分别学习R个参数矩阵。其中长短期记忆网络是为了学习数据的动态性而设计的，某时刻的属性图的异构图神经网络的初始参数矩阵是由以往时刻的网络的参数计算得到的。其中具体计算规则由LSTM规定，当前时刻的参数矩阵由以往所有时刻的参数矩阵计算而来，并且时间距离越近的参数矩阵对当前时刻的参数矩阵影响越大。

其中儿童患者病情重要特征是利用后台中的特征选择模型，对儿童患者动态属性图中的表征进行筛选，选出对病情影响较大的部分表征。特征选择算法的原理是利用机器学习中加入正则项后参数的稀疏性对输入的表征进行筛选，某项表征的参数大说明它对儿童患者的病危程度更重要，反之，则说明它对儿童患者的病危程度不重要。本模型基于特征选择算法，通过后台中的医疗大数据进行训练，以儿童患者的病危程度为因变量，儿童患者的表征为自变量，为自变量赋予参数值，建模自变量与因变量之间的关系。最后，通过自变量的参数值即可判断它对因变量的重要程度。

步骤330、根据所述的儿童患者重要表征的预测值评估儿童患者危重程度、推断病情的种类和严重程度，并给予就医建议。

具体来说，基于上述的儿童患者病情重要特征的预测值，结合多种小儿危重病例评分方法对儿童患者目前身体病危程度进行打分，基于打分可以对儿童患者就医进行立即就诊和自行选择就诊两种建议。例如根据得分，可以将儿童患者病情分为非常严重、严重、一般、较轻和健康五个等级，若该儿童患者得分为一般及以上等级会建议儿童患者立即就诊并根据儿童患者所处客观条件调用外部地图软件显示推荐医院所在地、附近交通情况和预计到达时间，若为较轻或者健康会建议儿童患者自行选择就诊。其中，儿童患者所处客观条件是由儿童患者家属数据采集表提供，包含目前是否就诊于医院、儿童患者所处地点和是否有条件运送儿童患者等；

另外，在家属决定去医院后，系统在征得家属同意的情况下，会将上述的当前儿童患者病情表征和儿童患者病情重要特征的预测值制作为结构化表格形式发送给推荐医院的门诊医生，实现远程诊断，以节约医生和儿童患者家属的时间。

本发明实施例公开的一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的儿童患者病情智能风险评估方法的步骤。

本领域技术人员可以理解的是，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例所述方法的全部或部分步骤。存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储计算机程序的介质。