CN105550509A - 一种医用输液滴速评价方法及系统 - Google Patents

Abstract

本发明提供的医用输液滴速的评价方法和系统，根据影响因子确定权重初始值，根据所述权重初始值确定所述影响因子的权重值，再根据所述权重值确定评价结果，从而实现了根据人群、疾病、药物来衡量输液滴速安全和药效的方法，方便人们对输液滴速的安全和药效有更直观的认识。

Description

一种医用输液滴速评价方法及系统

技术领域

本发明涉及医疗技术领域，尤其涉及一种医用输液滴速评价方法及系统。

背景技术

随着经济的发展，人们对健康的关注度越来越高，对身体健康造成风险的因素也更加关注，但因为输液流速不当导致人身体出现不适的状况时有发生，重则危及生命。现在输液流速的确定基本上由医护人员凭临床经验和个人观点决定，缺乏一个可靠的评定标准检验输液流速是否安全有效。影响输液流速安全性的因素有很多，如药物的种类、疾病的种类以及患者的年龄，输液流速，如何确定不同因素影响的程度和权重是输液流速安全评价的关键。各种因素权重分配采用BP神经网络的反馈算法，其具有简单、精确等特点，从而可以准确的确定影响因素的权重。由于影响因子的多样性，衡量各因素的权重分配是否合理就需要采用综合评判，从而可以确定不同因素下的输液流速是否安全有效，为人们身体健康提供保障。

神经网络确定影响因素权重的方法是目前应用最广泛并且已有较大成功的一种成熟赋权方法，在众多的神经网络算法中，BP神经网络算法应用最为广泛，应用效果最好也最为明显。现阶段BP神经网络的学习算法在其他方面的应用中，初始权重随机设定为较小的数，而本技术的初始权重由医疗专家给出，极大缩短了网络训练时间。另外，由于输液流速的影响因子有多种，评价输液流速时必须同时考虑各方面因素，就需要采用综合评价。而多数情况下评判难以用一个简单的数值表示，因此采用模糊综合评判输液流速将会取得更好的实际效果。

目前医护人员对输液流速的控制凭经验而定，缺乏准确的标准衡量所确定的输液流速是否对人体安全有效，如果流速控制不当，危及患者生命。同时没有综合考虑药物、疾病、年龄等因素对流速的影响，往往只根据某一影响最大的单一因素确定输液流速，但这样的流速控制不能保证药物对人体的安全性达到最优，也不能保证所输药物的药效发挥最优作用。

发明内容

基于此，本发明提供一种医用输液滴速评价方法，以实现输液药物对人体的安全性和药效发挥最大作用。

本发明采用下述技术方案：

一种医用输液滴速的评价方法，包括下述步骤：

确定影响因子；

根据所述影响因子确定权重初始值；

根据所述权重初始值确定所述影响因子的权重值；及

根据所述权重值确定评价结果。

在一些实施例中，所述影响因子分为药物、疾病、年龄和滴速，在这基础再进行细分，药物分为胶体、脱水剂、抗生素、血管活性药物和其他，疾病分为心内、呼吸内、消化内、肿瘤内、其他内、胸外、脑外、泌尿外，人群分为小于1岁、1到3岁、4到12岁、13到18岁、19到60岁、大于60岁，滴速分为小于40滴/分、40到60滴/分、61到80滴/分、81到120滴/分。

在一些实施例中，其中，根据所述权重初始值确定所述影响因子的权重值具体为：通过神经网络算法来确定影响因子权重值，所述神经网络为三层神经网络，包括输入层、中间层和输出层。

在一些实施例中，所述隐含层的神经元数目大于所述输入层神经元和所述输出层神经元数目之和的一半，小于所述输入层神经元和所述输出层神经元数目的和。

在一些实施例中，通过神经网络算法来确定影响因子权重值，包括下述步骤：

构建所述三层神经网络参数与输液滴速评价体系；

选择适量的样本采用粒子群优化算法用于BP网络的训练；

根据训练结果确定影响因子权重值。

在一些实施例中，根据训练结果确定影响因子权重值，包括：

分别构建第一公式、第二公式和第三公式，所述第一公式为：

$r_{\underset{\‾}{ij}}=\underset{k=1}{\overset{p}{\Σ}}{W}_{\underset{\‾}{ki}}(1-e^{-x})/(1+e^{-x});$

x＝w _jk

所述第二公式为： $\begin{array}{c}{R}_{\underset{\‾}{ij}}=|(1-e^{-y})/(1+e^{-y})|\\ y=r_{\underset{\‾}{ij}}\end{array};$

所述第三公式为： $S_{\underset{\‾}{ij}}=R_{\underset{\‾}{ij}}/\underset{i=1}{\overset{m}{\Σ}}{R}_{\underset{\‾}{ij}};$

其中，i为神经网络输入单元，i＝1,...m；j为神经网络输出单元，j＝1,...n；k为神经网络的隐含单元，k＝1,...p；ki为输入层神经元i和隐含层神经元k之间的权系数；

根据所述第一公式、第二公式和第三公式获取影响因子权重值S。

在一些实施例中，根据所述权重值确定评价结果，包括下述步骤：

1.设定因素集：

U＝(u₁,u₂,u₃,u₄,u₅,u₆,u₇,u₈,u₉,u₁₀,u₁₁,u₁₂,u₁₃,u₁₄,u₁₅,u₁₆,u₁₇,u₁₈,u₁₉,u₂₀,u₂₁,u₂₂,u₂₃)其中u₁为胶体，u₂为脱水剂，u₃为抗生素，u₄为血管活性药物，u₅为其他药物，u₆为心内，u₇为呼吸内，u₈为消化内，u₉肿瘤内，u₁₀为其他内，u₁₁为胸外，u₁₂为脑外，u₁₃泌尿外，u₁₄为<1岁，u₁₅为1－3岁，u₁₆为4－12岁，u₁₇为13－18岁，u₁₈为19－60岁，u₁₉为>60岁，u₂₀为<40滴/分，u₂₁为40－60滴/分,u₂₂为61－80滴/分，u₂₃为81－120滴/分；

2.设定评价集：

V＝{v₁,v₂,v₃,v₄,v₅,v₆,v₇,v₈,v₉}

其中v₁为安全性优、药效优，v₂为安全性优、药效良，v₃为安全性优、药效良，v₄为安全性良、药效优，v₅为安全性良、药效优，v₆为安全性良、药效一般，v₇为安全性一般、药效优，v₈为安全性一般、药效良，v₉为安全性一般、药效一般；

3.建立评判矩阵，即建立一个从U到F(V)的模糊映射：

$f:U\&RightArrow;F\left(V\right),\&ForAll;u_i\&Element;U$

$u_i\&RightArrow;f\left(u_i\right)=\frac{r_{i1}}{V_1}+\frac{r_{i2}}{V_2}+\mathrm{...}+\frac{r_{im}}{V_m},(0\&le;r_{ij}\&le;1,1\&le;i\&le;n,1\&le;j\&le;m)$

由f可诱导出模糊关系R，得到单因素评判矩阵

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{nm}\end{array}\right)$

4.确定权重的分配：

5.综合评判：

在R于A求出之后，则综合评判为B＝AοR，记B＝{b₁,b₂,...,b_m}，B是V上的模糊子集，其中如果评判结果 $\underset{j=1}{\overset{m}{\&Sigma;}}{b}_j\&NotEqual;1,$ 再将b_j归一化，最后根据最大隶属原则，最大b_j所对应的项就是评判的结果。

另外，本发明还提供了一种医用输液滴速的评价系统，包括：

影响因子确定模块，用于确定影响因子；

权重初始值确定模块，用于根据所述影响因子确定权重初始值；

权重值确定模块，用于根据所述权重初始值确定所述影响因子的权重值；及

评价模块，用于根据所述权重值确定评价结果。

本发明提供的医用输液滴速的评价方法和系统，根据影响因子确定权重初始值，根据所述权重初始值确定所述影响因子的权重值，再根据所述权重值确定评价结果，从而实现了根据人群、疾病、药物来衡量输液滴速安全和药效的方法，方便人们对输液滴速的安全和药效有更直观的认识。

此外，上述技术方案应用神经网络算法对影响因子权重进行重新分配，进而得到比较合理、科学的权重，同时，根据影响因子权重利用模糊综合评判方法对事实进行评价，进而得出一个科学的评价结果，以实现输液药物对人体的安全性和药效发挥最大作用，指导医护人员更精准地控制输液流速，使影响人们健康的风险降低，为人们的身体健康提供保证。

附图说明

图1为本发明一较佳实施例提供的医用输液滴速评价方法的步骤流程图。

图2为本发明一较佳实施例提供的影响因子示意图。

图3为本发明一较佳实施例提供的IPSO优化网络训练算法流程图。

图4为本申请提供的一种医用输液滴速评价系统。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1，本发明一较佳实施例提供一种医用输液滴速评价方法100，包括：

步骤S110：确定影响因子；

根据临床经验，影响因子分为药物、疾病、年龄和滴速，在这基础再进行细分。药物分为胶体、脱水剂、抗生素、血管活性药物和其他，疾病分为心内、呼吸内、消化内、肿瘤内、其他内、胸外、脑外、泌尿外，人群分为小于1岁、1到3岁、4到12岁、13到18岁、19到60岁、大于60岁，滴速分为小于40滴/分、40到60滴/分、61到80滴/分、81到120滴/分。影响因子如图2所示。

步骤S120：根据所述影响因子确定权重初始值；

在实际中，根据所述影响因子确定权重初始值是由临床经验比较丰富的医生给出初步的权重，再经过医疗领域的专家对权重分配结果进行科学论证，最终确定权重初始值的分配。

步骤S130：根据所述权重初始值确定所述影响因子的权重值；

优选地，通过神经网络算法来确定影响因子权重值，所述神经网络为三层神经网络，包括输入层、中间层和输出层。

其中，输入层为21个指标层，中间层本次计算中取为个，输出层为1个，即为各影响因素的权重值。衡量输液滴速安全和药效的单一输出BP神经网络拓扑结构表如表1所示。

表1衡量输液滴速安全和药效的单一输出BP神经网络拓扑结构表

具体地，本申请通过神经网络算法来确定影响因子权重值，包括下述步骤：

步骤S131：构建所述三层神经网络参数与输液滴速评价体系；

具体地，从人群、疾病、药物和滴速四个方面来评价，其指标如表2影响因子所示。

表2输液滴速安全性和药效神经网络的具体参数

可以理解，上表中其中隐含层神经单元数可以自行设置，一般来说，如果需要解决的问题越复杂，隐含层单元数应该设置越多，或者同样的问题，隐含层越多就越容易收敛，但如果设置的隐含层单元过多会增加计算量，目前隐含层单元数的设定还没有有效的方法，一般需要根据网络的大小来确定。

本申请根据如下规则来确定隐含层的单元数：隐含层的神经元数目大于输入层神经元和输出层神经元数目之和的一半，小于输入层神经元和输出层神经元数目的和。

步骤S132：选择适量的样本采用粒子群优化算法用于BP网络的训练；

可以理解，网络拓扑结构建立后，需要选择适量的样本对网络进行训练学习，本申请通过医疗领域专家给出权重的初始值对样本数据进行初始化。从BP神经网络算法的原则上样本数量越多越好，但也应该根据网络大小确定合适的样本数量，过大或过小都会是计算不准确，完成此步骤后会得出神经网络的训练结果。

请参阅图3，为本发明实施例提供的IPSO优化网络训练算法流程图，可以理解，将粒子群优化算法(IPOS)用于BP网络的训练即粒子群中每个粒子的位置表示BP网络中当前迭代的权值集合，每个粒子的维数由网络中起连接作用的权值的数量和阈值个数决定。以给定训练样本集的神经网络输出误差作为神经网络训练问题的适应函数，适应度值表示神经网络的误差，误差越小则表明粒子在搜索中具有更好的性能。粒子在权值空间内移动搜索使得网络输出层的误差最小，改变粒子的速度即更新网络的权值，以减少均方误差(MSE)。

步骤S133：根据训练结果确定影响因子权重值。

可以理解，建立神经网络学习算法的目的是确定影响因子的权重值，而神经网络训练得到的结果只是各神经元之间的关系，如若想要得到输入因素相对于输出因素之间的真实关系，也就是输入因素对输出因素的影响权重，还需要对各神经元之间的权重加以分析处理。因此，采用以下几项指标来描述输入因素和输出因素之间的关系。

①相关显著性系数

$r_{\underset{\&OverBar;}{ij}}=\underset{k=1}{\overset{p}{\&Sigma;}}{W}_{\underset{\&OverBar;}{ki}}(1-e^{-x})/(1+e^{-x})---\left(1\right)$

x＝w _jk

②相关指数

R_ij＝|(1-e^-y)/(1+e^-y)|⑵

y＝r _ij

③绝对影响系数

$S_{\underset{\&OverBar;}{ij}}=R_{\underset{\&OverBar;}{ij}}/\underset{i=1}{\overset{m}{\&Sigma;}}{R}_{\underset{\&OverBar;}{ij}}---\left(3\right)$

上述公式中：i为神经网络输入单元，i＝1,...m；j为神经网络输出单元，j＝1,...n；k为神经网络的隐含单元，k＝1,...p；wki为输入层神经元i和隐含层神经元k之间的权系数。

上面三个相关系数中绝对影响系数S就是要求的权重值。运用公式⑴～⑶可以算出各影响因子的权重值。

步骤S140：根据所述权重值确定评价结果。

应用模糊综合评判方法根据上面已确定的影响因子权重值对某一事实进行评判。具体过程如下：

1：设定因素集

U＝(u₁,u₂,u₃,u₄,u₅,u₆,u₇,u₈,u₉,u₁₀,u₁₁,u₁₂,u₁₃,u₁₄,u₁₅,u₁₆,u₁₇,u₁₈,u₁₉,u₂₀,u₂₁,u₂₂,u₂₃)其中u₁为胶体，u₂为脱水剂，u₃为抗生素，u₄为血管活性药物，u₅为其他药物，u₆为心内，u₇为呼吸内，u₈为消化内，u₉肿瘤内，u₁₀为其他内，u₁₁为胸外，u₁₂为脑外，u₁₃泌尿外，u₁₄为<1岁，u₁₅为1－3岁，u₁₆为4－12岁，u₁₇为13－18岁，u₁₈为19－60岁，u₁₉为>60岁，u₂₀为<40滴/分，u₂₁为40－60滴/分,u₂₂为61－80滴/分，u₂₃为81－120滴/分。

2：设定评价集

V＝{v₁,v₂,v₃,v₄,v₅,v₆,v₇,v₈,v₉}

其中v₁为安全性优、药效优，v₂为安全性优、药效良，v₃为安全性优、药效良，v₄为安全性良、药效优，v₅为安全性良、药效优，v₆为安全性良、药效一般，v₇为安全性一般、药效优，v₈为安全性一般、药效良，v₉为安全性一般、药效一般。

3：建立评判矩阵。即建立一个从U到F(V)的模糊映射

$f:U\&RightArrow;F\left(V\right),\&ForAll;u_i\&Element;U$

$u_i\&RightArrow;f\left(u_i\right)=\frac{r_{i1}}{V_1}+\frac{r_{i2}}{V_2}+\mathrm{...}+\frac{r_{im}}{V_m},(0\&le;r_{ij}\&le;1,1\&le;i\&le;n,1\&le;j\&le;m)$

由f可诱导出模糊关系R，得到单因素评判矩阵

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{nm}\end{array}\right)$

4.确定权重。由于对U中各因素有不同的侧重，需要对每个因素赋予不同的权重，它可表示为U上的一个模糊子集A＝{a₁,a₂,...,a_n}，并规定本文中的权重是由由临床经验比较丰富的医生给出初步的权重，再经过医疗领域的专家对权重分配结果进行科学论证，最终确定权重的分配。

5综合评判。在R于A求出之后，则综合评判为B＝AοR，记B＝{b₁,b₂,..,b_m}它是V上的模糊子集。其中如果评判结果 $\underset{j=1}{\overset{m}{\&Sigma;}}{b}_j\&NotEqual;1,$ 应将它归一化。最后根据最大隶属原则，最大b_j所对应的项就是评判的结果。

请参阅图4，本申请还提供了一种医用输液滴速评价系统，包括：影响因子确定模块110，用于确定影响因子；权重初始值确定模块120，用于根据所述影响因子确定权重初始值；权重值确定模块130，用于根据所述权重初始值确定所述影响因子的权重值；及评价模块140，用于根据所述权重值确定评价结果。详细可以参阅上文的描述。

本发明提供的医用输液滴速的评价方法和系统，根据影响因子确定权重初始值，根据所述权重初始值确定所述影响因子的权重值，再根据所述权重值确定评价结果，从而实现了根据人群、疾病、药物来衡量输液滴速安全和药效的方法，方便人们对输液滴速的安全和药效有更直观的认识。

此外，上述技术方案应用神经网络算法对影响因子权重进行重新分配，进而得到比较合理、科学的权重，同时，根据影响因子权重利用模糊综合评判方法对事实进行评价，进而得出一个科学的评价结果，以实现输液药物对人体的安全性和药效发挥最大作用，指导医护人员更精准地控制输液流速，使影响人们健康的风险降低，为人们的身体健康提供保证。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种医用输液滴速的评价方法，其特征在于，包括下述步骤：

确定影响因子；

根据所述影响因子确定权重初始值；

根据所述权重初始值确定所述影响因子的权重值；及

根据所述权重值确定评价结果。

2.如权利要求1所述的医用输液滴速评价方法，其特征在于，所述影响因子分为药物、疾病、年龄和滴速，其中，药物分为胶体、脱水剂、抗生素、血管活性药物和其他，疾病分为心内、呼吸内、消化内、肿瘤内、其他内、胸外、脑外、泌尿外，人群分为小于1岁、1到3岁、4到12岁、13到18岁、19到60岁、大于60岁，滴速分为小于40滴/分、40到60滴/分、61到80滴/分、81到120滴/分。

3.如权利要求1所述的医用输液滴速评价方法，其特征在于，其中，根据所述权重初始值确定所述影响因子的权重值具体为：通过神经网络算法来确定影响因子权重值，所述神经网络为三层神经网络，包括输入层、中间层和输出层。

4.如权利要求3所述的医用输液滴速评价方法，其特征在于，所述隐含层的神经元数目大于所述输入层神经元和所述输出层神经元数目之和的一半，小于所述输入层神经元和所述输出层神经元数目的和。

5.如权利要求3所述的医用输液滴速评价方法，其特征在于，通过神经网络算法来确定影响因子权重值，包括下述步骤：

构建所述三层神经网络参数与输液滴速评价体系；

选择适量的样本采用粒子群优化算法用于BP网络的训练；

根据训练结果确定影响因子权重值。

6.如权利要求5所述的医用输液滴速评价方法，其特征在于，其中，根据训练结果确定影响因子权重值，包括下述步骤：

分别构建第一公式、第二公式和第三公式，所述第一公式为：

所述第二公式为：

所述第三公式为：

其中，i为神经网络输入单元，i＝1,...m；j为神经网络输出单元，j＝1,...n；k为神经网络的隐含单元，k＝1,...p；ki为输入层神经元i和隐含层神经元k之间的权系数；

根据所述第一公式、第二公式和第三公式获取影响因子权重值S。

7.如权利要求1所述的医用输液滴速评价方法，其特征在于，根据所述权重值确定评价结果，包括下述步骤：

1).设定因素集：

U＝(u₁,u₂,u₃,u₄,u₅,u₆,u₇,u₈,u₉,u₁₀,u₁₁,u₁₂,u₁₃,u₁₄,u₁₅,u₁₆,u₁₇,u₁₈,u₁₉,u₂₀,u₂₁,u₂₂,u₂₃)其中u₁为胶体，u₂为脱水剂，u₃为抗生素，u₄为血管活性药物，u₅为其他药物，u₆为心内，u₇为呼吸内，u₈为消化内，u₉肿瘤内，u₁₀为其他内，u₁₁为胸外，u₁₂为脑外，u₁₃泌尿外，u₁₄为<1岁，u₁₅为1－3岁，u₁₆为4－12岁，u₁₇为13－18岁，u₁₈为19－60岁，u₁₉为>60岁，u₂₀为<40滴/分，u₂₁为40－60滴/分,u₂₂为61－80滴/分，u₂₃为81－120滴/分；

2).设定评价集：

V＝{v₁,v₂,v₃,v₄,v₅,v₆,v₇,v₈,v₉}

其中v₁为安全性优、药效优，v₂为安全性优、药效良，v₃为安全性优、药效良，v₄为安全性良、药效优，v₅为安全性良、药效优，v₆为安全性良、药效一般，v₇为安全性一般、药效优，v₈为安全性一般、药效良，v₉为安全性一般、药效一般；

3).建立评判矩阵，即建立一个从U到F(V)的模糊映射：

由f可诱导出模糊关系R，得到单因素评判矩阵

4).确定权重的分配：

5).综合评判：

在R于A求出之后，则综合评判为B＝AоR，记B＝{b₁,b₂,...,b_m}，B是V上的模糊子集，其中如果评判结果再将b_j归一化，最后根据最大隶属原则，最大b_j所对应的项就是评判的结果。

8.一种医用输液滴速的评价系统，其特征在于，包括：

影响因子确定模块，用于确定影响因子；

权重初始值确定模块，用于根据所述影响因子确定权重初始值；

权重值确定模块，用于根据所述权重初始值确定所述影响因子的权重值；评价模块，用于根据所述权重值确定评价结果。