本发明涉及人工智能，具体而言，涉及一种基于人工智能的临床患者状态监测方法及系统。
背景技术：
1、传统的临床患者状态监测主要依赖医生或医疗人员对患者的定期检查和观察。然而，这种方法在处理大量患者、复杂疾病或需要长时间监测的情况下可能效率低下，甚至可能出现错误。近年来，随着人工智能技术的发展，其在医疗领域的应用也越来越广泛。尤其是深度学习和自注意力模型等先进的机器学习技术，可以处理大量数据并提供准确的预测结果，从而显著提高临床患者状态监测的效率和准确性。然而，这些方法通常需要大量的计算资源，并可能引发隐私问题，因为它们通常需要在中央服务器上处理敏感的医疗数据。因此，如何在保护患者隐私的同时有效地使用人工智能进行临床患者状态监测是一个重要的挑战。
技术实现思路
1、本发明的目的在于提供一种基于人工智能的临床患者状态监测方法及系统。
2、第一方面，本发明实施例提供一种基于人工智能的临床患者状态监测方法，包括：
3、获取当前监测数据集合，所述当前监测数据集合由当前患者在实时监测状态下的不同监测节点产生的生理状态数据构成；
4、调用集成模型中所述当前患者对应的自注意力模型对所述当前监测数据集合进行并行解码，得到所述当前患者的第一临床患者状态评估结果；所述集成模型包括所述当前患者的隐私服务器对应的自注意力模型；
5、从所述隐私服务器中获取针对所述当前患者的第二临床患者状态评估结果；所述第二临床患者状态评估结果是由所述隐私服务器获取的对比监测数据集合，并基于调用所述隐私服务器对应的自注意力模型对所述对比监测数据集合进行并行解码得到的；
6、基于所述当前患者的第一临床患者状态评估结果和所述第二临床患者状态评估结果进行集成预测，得到所述当前患者的目标临床患者状态评估结果。
7、第二方面，本发明实施例提供一种服务器系统，包括服务器，所述服务器用于执行第一方面所述的方法。
8、相比现有技术，本发明提供的有益效果包括：采用本发明公开的一种基于人工智能的临床患者状态监测方法及系统，通过获取实时的患者生理状态数据，然后使用集成模型中的自注意力模型对这些数据进行并行解码，得到第一临床患者状态评估结果。随后从隐私服务器中获取第二临床患者状态评估结果，该结果是通过调用隐私服务器对应的自注意力模型对对比监测数据集合进行并行解码得到的。最后，基于第一和第二临床患者状态评估结果进行集成预测，得到当前患者的目标临床患者状态评估结果。如此设计，能够实时、高效和准确地评估患者的健康状况，提高医疗服务的质量和效率，同时保护患者的隐私。
1.基于人工智能的临床患者状态监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取当前监测数据集合，包括：
3.根据权利要求1所述的方法，其特征在于，所述集成模型中的所述当前患者对应的自注意力模型包括所述当前患者对应的生理监测评估模型和所述当前患者对应的治疗预后评估模型，所述当前监测数据集合包括生理监测样本数据集和治疗记录样本数据集；所述调用集成模型中所述当前患者对应的自注意力模型对所述当前监测数据集合进行并行解码，得到所述当前患者的第一临床患者状态评估结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述当前患者的隐私服务器包括环境监测传感器和药物追踪组件中的至少一个，所述隐私服务器对应的自注意力模型包括医疗环境评估模型和药物情况评估模型中的至少一个；
5.根据权利要求1所述的方法，其特征在于，所述基于所述当前患者的第一临床患者状态评估结果和所述第二临床患者状态评估结果进行集成预测，得到所述当前患者的目标临床患者状态评估结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，在所述基于所述当前患者的第一临床患者状态评估结果和所述第二临床患者状态评估结果进行集成预测，得到所述当前患者的目标临床患者状态评估结果之后，所述方法还包括：
8.根据权利要求7所述的方法，其特征在于，所述基于所述多个临床患者状态评估子结果一一匹配的评估内容，分别确定所述多个临床患者状态评估子结果一一匹配的医护人员协调结果，包括：
9.根据权利要求7所述的方法，其特征在于，所述基于所述多个临床患者状态评估子结果一一匹配的评估内容，分别确定所述多个临床患者状态评估子结果一一匹配的医护人员协调结果，包括：
10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任一项所述的方法。
