买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海孪心医疗科技有限公司;首都医科大学附属北京安贞医院申请的专利基于因果Transformer模型的栓塞及大出血风险预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120183709B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510653412.3，技术领域涉及：G16H50/30；该发明授权基于因果Transformer模型的栓塞及大出血风险预测方法及系统是由何柳;马长生;桑才华;李思彤;林煊毅;林铮设计研发完成，并于2025-05-21向国家知识产权局提交的专利申请。

本基于因果Transformer模型的栓塞及大出血风险预测方法及系统在说明书摘要公布了：本发明提供了一种基于因果Transformer模型的栓塞及大出血风险预测方法及系统，包括：步骤S1：获取患有心房颤动的病人的临床数据，并对获取的患者临床数据进行预处理，得到预处理后的患者临床数据；步骤S2：针对不同时间序列长度的预处理后的患者临床数据进行标准化处理，将标准化处理后的患者临床数据分解为动态变量和静态变量，生成多维特征；步骤S3：基于CausalTransformer模型构建预测模型，并利用多维特征训练预测模型，得到训练后的预测模型；步骤S4：利用训练后的预测模型预测目标对象未来预设时间段内栓塞和大出血的概率。

本发明授权基于因果Transformer模型的栓塞及大出血风险预测方法及系统在权利要求书中公布了：1.一种基于因果Transformer模型的栓塞及大出血风险预测方法，其特征在于，包括： 步骤S1：获取患有心房颤动的病人的临床数据，并对获取的患者临床数据进行预处理，得到预处理后的患者临床数据； 步骤S2：针对不同时间序列长度的预处理后的患者临床数据进行标准化处理，将标准化处理后的患者临床数据分解为动态变量和静态变量，生成多维特征； 步骤S3：基于CausalTransformer模型构建预测模型，并利用多维特征训练预测模型，得到训练后的预测模型； 步骤S4：利用训练后的预测模型预测目标对象未来预设时间段内栓塞和大出血的概率； 所述基于CausalTransformer模型构建预测模型包括：多头注意力模块、前馈层以及归一化层； 所述多头注意力模块包括多头自注意力层和交叉注意力层； 利用所述归一化层对输入的序列进行归一化处理，得到归一化处理后的序列；将归一化处理后的序列输入多头自注意力层捕获输入序列内部不同位置之间的关系； 利用所述归一化层对动态特征和静态特征进行归一化处理，得到归一化处理后的动态特征和静态特征；将归一化处理后的动态特征和静态特征输入交叉注意力层捕获动态特征和静态特征之间的交互关系； 对捕获到的序列内部不同位置之间的关系以及捕获到的动态特征和静态特征之间的交互关系进行归一化处理，得到归一化处理后的序列内部不同位置之间的关系以及捕获到的动态特征和静态特征之间的交互关系； 基于归一化处理后的序列内部不同位置之间的关系和动态特征和静态特征之间的交互关系，通过前馈层中的全连接网络提取深层次特征；对深层次特征进行归一化处理，得到归一化处理后的深层次特征； 所述步骤S3还包括：训练过程中的损失函数和约束条件； 所述损失函数包括： 其中，表示域分类器；表示由主网络提取的表征；表示主网络的参数；表示域分类器的参数；表示治疗分配类别的数量；表示域分类器预测的治疗分配概率的对数； 所述约束条件包括：反事实平衡约束和常识约束； 其中，所述反事实平衡约束包括：对CausalTransformer模型输出的约束； 其中，M为有效样本集合；为第i个样本的治疗分配，其中，T=0表示未治疗，T=1表示已治疗；为模型对反事实结果的预测； 所述常识约束包括： 基于医学常识对大出血和栓塞概率的约束： 栓塞：同一患者服用抗凝药时的概率应不高于未服用抗凝药时的概率； 大出血：同一患者未服用抗凝药时的概率应不高于服用抗凝药时的概率； 所述方法还包括：计算个体的临床净获益NCB； 当NCB0时推荐服用抗凝药，NCB≤0时不推荐服用抗凝药。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海孪心医疗科技有限公司;首都医科大学附属北京安贞医院，其通讯地址为：201306 上海市浦东新区中国(上海)自由贸易试验区临港新片区正博路356号41幢三层A303室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。