CN110123277A - 一种脓毒血症的数据处理系统 - Google Patents

一种脓毒血症的数据处理系统 Download PDF

Info

Publication number
CN110123277A
CN110123277A CN201910415314.0A CN201910415314A CN110123277A CN 110123277 A CN110123277 A CN 110123277A CN 201910415314 A CN201910415314 A CN 201910415314A CN 110123277 A CN110123277 A CN 110123277A
Authority
CN
China
Prior art keywords
data
training
septicopyemia
patient
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910415314.0A
Other languages
English (en)
Inventor
徐胤
顾时瑞
杨家荣
毛晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Group Corp
Original Assignee
Shanghai Electric Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Group Corp filed Critical Shanghai Electric Group Corp
Priority to CN201910415314.0A priority Critical patent/CN110123277A/zh
Publication of CN110123277A publication Critical patent/CN110123277A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种脓毒血症的数据处理系统，包括模型训练单元，根据重症医学数据库提供的病患数据训练得到识别模型并保存于存储单元；预测单元，采用识别模型识别输出表示识别结果；模型训练单元包括：数据预处理模块，对取自重症医学数据库中的病患数据进行预处理，得到预处理病患数据；数据分离模块，将预处理病患数据分离为最终被诊断为脓毒血症的正向训练数据以及最终被诊断为非脓毒血症的反向训练数据；训练数据整合模块，整合成训练数据集；模型训练模块，根据训练数据集训练得到识别模型。本发明的有益效果是：减轻人为判定因素的影响，更容易挖掘数据的潜在特征，有效提升脓毒血症的预测精度。

Description

一种脓毒血症的数据处理系统
技术领域
本发明涉及病患数据处理技术领域，尤其涉及一种脓毒血症的数据处理系统。
背景技术
在现代社会，近几年，大量的医疗数据被保存下来，然而由于医疗数据的敏感性、特异性、结构化数据和非结构化数据并存的现像，绝大多数的医疗数据并不能被直接允许用来数据分析。这些种种问题，导致了基于病情诊断的数据预处理环节显得尤为重要。本发明是基于MIMICIII数据库的研究，具有一定的ICU医疗数据库的通用性。
脓毒血症(Sepsis)是一种常见的全身多系统感染反应，在病人住院时，常作为并发症导致生命危险。其中，在ICU重症监护室病房，脓毒血症是患者死亡的主要原因之一。而且随着时间推移，病患脓毒血症的恶化，将会引起各处器官功能障碍，并导致死亡率大幅上升。因此，针对脓毒血症的检测，和提早预知，防止其恶化，是提高患者生存率的重要方式。脓毒症发生率高，全球每年有超过1800万严重脓毒症病例，美国每年有75万例脓毒症患者，并且这一数字还以每年1.5％～8.0％的速度上升。脓毒症的病情凶险，病死率高，全球每天约14,000人死于其并发症，美国每年约21.5万人死亡。据国外流行病学调查显示，脓毒症的病死率已经超过心肌梗死，成为重症监护病房内非心脏病人死亡的主要原因。近年来，尽管抗感染治疗和器官功能支持技术取得了长足的进步，脓毒症的病死率仍高达30％～70％。脓毒症治疗花费高，医疗资源消耗大，严重影响人类的生活质量，已经对人类健康造成巨大威胁。早介入，早预防，因此，提前预测患者在未来N小时内患脓毒症的概率十分重要。现有的预测方式大多是基于统计学，可解释性虽好，但是往往预测效果不佳。
发明内容
根据现有技术中存在的上述问题，现提供一种脓毒血症的数据处理系统的技术方案，旨在减轻人为判定因素的影响，更容易挖掘数据的潜在特征，有效提升脓毒血症的预测精度。
上述技术方案具体包括：
一种脓毒血症的数据处理系统，其中，所述数据处理系统包括：
模型训练单元，连接外部的重症医学数据库，用于根据所述重症医学数据库提供的病患数据，对一预设结构的神经网络模型进行训练得到一用于预测脓毒血症的识别模型；
存储单元，连接所述模型训练单元，用于保存所述识别模型；
预测单元，连接所述存储单元，用于根据外部输入的病患数据，采用训练形成的所述识别模型进行识别，以输出识别结果，所述识别结果用于表示对应所述病患数据的患者在预设时段内得脓毒血症的概率；
所述模型训练单元具体包括：
数据预处理模块，用于对取自所述重症医学数据库中的所述病患数据进行预处理，得到预处理病患数据；
数据分离模块，连接所述数据预处理模块，用于根据SIRS指标，将所述预处理病患数据分离为最终被诊断为脓毒血症的正向训练数据以及最终被诊断为非脓毒血症的反向训练数据；
训练数据整合模块，连接所述数据分离模块，用于将所述正向训练数据和所述反向训练数据整合成训练数据集；
模型训练模块，连接所述训练数据整合模块，用于根据所述训练数据集训练得到所述识别模型。
优选的，该数据处理系统，其中，所述数据预处理模块包括：
数据脱敏部件，用于对提取于所述重症医学数据库中的所述病患数据进行脱敏操作，以筛除所述病患数据中的敏感信息；
第一筛选部件，连接所述数据脱敏部件，用于在脱敏后的所述病患数据中，采用第一筛选规则筛选得到第一预处理数据；
第二筛选部件，连接所述第一筛选部件，用于在所述第一预处理数据中，采用第二筛选规则筛选得到第二预处理数据；
第三筛选部件，连接所述第二筛选部件，用于在所述第二预处理数据中，采用脓毒血症相关的筛选规则筛选得到所述预处理数据。
优选的，该数据处理系统，其中，所述敏感信息包括所述病患数据相关的患者的联系方式，和/或年龄，和/或就诊时间。
优选的，该数据处理系统，其中，所述第一筛选规则为：
筛选得到有过mICU住院史且住院时长大于一预设时段的所述病患数据并作为所述第一预处理数据。
优选的，该数据处理系统，其中，所述第二筛选规则为：
筛选得到第一次住院时，住院年龄处于一预设年龄段内的所述病患数据并作为所述第二预处理数据。
优选的，该数据处理系统，其中，所述神经网络模型为具有残差结构的卷积神经网络模型，所述卷积神经网络模型采用一维卷积核。
优选的，该数据处理系统，其中，所述神经网络模型的网络深度为12层。
优选的，该数据处理系统，其中，采用交叉熵损失函数作为所述神经网络模型的优化目标函数。
上述技术方案的有益效果是：提供一种脓毒血症的数据处理系统，能够减轻人为判定因素的影响，更容易挖掘数据的潜在特征，有效提升脓毒血症的预测精度。
附图说明
图1是本发明的较佳的实施例中，一种脓毒血症的数据处理系统的总体结构示意图；
图2是本发明的较佳的实施例中，模型训练单元的结构示意图；
图3是本发明的较佳的实施例中，数据预处理模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
根据现有技术中存在的上述问题，现提供一种脓毒血症的数据处理系统，该数据处理系统具体要来对病患在最近几小时内是否产生脓毒血症进行预测。
该数据处理系统A具体如图1中所示，包括：
模型训练单元1，连接外部的重症医学数据库B，用于根据重症医学数据库B提供的病患数据，对一预设结构的神经网络模型进行训练得到一用于预测脓毒血症的识别模型；
存储单元2，连接模型训练单元1，用于保存识别模型；
预测单元3，连接存储单元2，用于根据外部输入的病患数据，采用训练形成的识别模型进行识别，以输出识别结果，识别结果用于表示对应病患数据的患者在预设时段内得脓毒血症的概率；
则进一步地，如图2中所示，上述模型训练单元1具体包括：
数据预处理模块11，用于对取自重症医学数据库中的病患数据进行预处理，得到预处理病患数据；
数据分离模块12，连接数据预处理模块11，用于根据SIRS指标，将预处理病患数据分离为最终被诊断为脓毒血症的正向训练数据以及最终被诊断为非脓毒血症的反向训练数据；
训练数据整合模块13，连接数据分离模块12，用于将正向训练数据和反向训练数据整合成训练数据集；
模型训练模块14，连接训练数据整合模块13，用于根据训练数据集训练得到识别模型。
具体地，重症医学数据库(MIMIC III数据库)是由麻省理工学院计算生理学实验室开发的公开可用数据集，其中收录了大量的住院相关数据，相比较一般的医疗数据库来说具有更普遍的ICU医疗数据的通用性。本实施例中，通过连接MIMIC III数据库，数据处理系统能够收集到更多更全面的病患数据。
本实施例中，数据预处理模块11对收集到的病患数据进行预处理，以将原始数据处理成初步的预处理数据。随后数据分离模块12将上述预处理数据按照SIRS指标分离形成最终被诊断为脓毒血症的正向训练数据以及最终被诊断为非脓毒血症的反向训练数据。由于SIRS指标中不包括格拉斯哥昏迷指数，因此采用SIRS指标而非SOFA或者QSOFA评分，有助于减轻人为的判定因素，使得最终的预测结果更为精确。上述数据预处理的过程会在下文中详述。
本实施例中，经过分离后的正向和反向的训练数据均被纳入到训练数据集中，并通过该训练数据集对一预先准备好的神经网络模型进行训练得到识别模型。采用正反向的训练数据进行训练有助于进一步提升识别模型的预测精度。
本实施例中，后续再采用该识别模型，对实际采集到的病患数据进行识别和预测，从而能够预测出未来数小时内患者会得脓毒血症的概率。上述预测时长可以为条件允许的任意时长，具体可通过调整神经网络模型的相关参数来实现。
本发明的较佳的实施例中，如图3中所示，上述数据预处理模块11具体包括：
数据脱敏部件111，用于对提取于重症医学数据库中的病患数据进行脱敏操作，以筛除病患数据中的敏感信息；
第一筛选部件112，连接数据脱敏部件111，用于在脱敏后的病患数据中，采用第一筛选规则筛选得到第一预处理数据；
第二筛选部件113，连接第一筛选部件112，用于在第一预处理数据中，采用第二筛选规则筛选得到第二预处理数据；
第三筛选部件114，连接第二筛选部件113，用于在第二预处理数据中，采用脓毒血症相关的筛选规则筛选得到预处理数据。
具体地，敏感信息包括病患数据相关的患者的联系方式，和/或年龄，和/或就诊时间。上述联系方式(例如家庭住址和联系电话)的筛除方式为直接隐去。上述年龄以及就诊时间的筛除方式为将年份打乱，只需要保证差值为真实年龄段或者真实就诊时段即可。筛除敏感信息可以保护病患隐私，并且一定程度上对原始数据进行了清洗。
本发明的较佳的实施例中，上文中所述的第一筛选规则为筛选得到有过内科重症监护室(mICU)住院史且住院时长大于一预设时段的所述病患数据并作为第一预处理数据。例如筛选出有过mICU住院史且住院时长大于7小时的病患数据。该筛选过程中合并第二预设时段内多次转院的记录，例如合并5小时内多次转院记录，以囊括进病人多次转院但实际诊疗过程仍在继续的情况。
本发明的较佳的实施例中，上文中所述的第二筛选规则为筛选得到第一次住院时，住院年龄处于一预设年龄段内的所述病患数据并作为第二预处理数据。例如筛选出第一次住院时，年龄为[18,89)区间内的病人，从而排除婴幼儿以及老年人等特殊年龄段的人群，使得病患数据更具有通用的参考价值。
本发明的较佳的实施例中，上述与脓毒血症相关的筛选规则具体可以考虑病患数据中的收缩压、脉压、心率、体温、呼吸率、白细胞计数、PH值、血氧饱和度以及病患年龄等因素，初步判断病患最终是否能够被诊断出患有脓毒血症，并将这些数据作为预处理数据输出，从而完成原始的病患数据的数据预处理。
本发明的较佳的实施例中，上述数据分离模块12采用5小时持续SIRS指标的筛选标准，将预处理数据分离为最终诊断结果为脓毒血症(ICD-9疾病编码包含99591和99592)的病患数据，以及最终诊断结果为非脓毒血症(ICD-9编码未包含99591和99592)的病患数据，从而形成正向训练数据和反向训练数据。
综上，本发明技术方案中，针对医疗数据的敏感性和结构特性，结合MIMIC III医疗数据库大数据量的特点，从中筛选出符合特定条件的特定人群的病患数据，并给出详细的数据脱敏、属性规约以及数据清洗的数据预处理步骤，最终形成的训练数据集具有较好的通用性，从而使得训练得到的识别模型能够普遍适用于不同的医疗场合。并且，采用SIRS评判标准来进行数据分离和筛选，能够筛选出更多样本和有用的实验数据，使得训练得到的识别模型的预测结果更为精确。
本发明的较佳的实施例中，上述神经网络模型为具有残差结构的神经网络模型，能够防止梯度消失现象。并且，上述神经网络模型为卷积神经网络模型，其采用一维卷积核，在时间维度上对病患数据中的各维度的特征进行卷积，从而提取时间维度的特征，使得病患数据在时间尺度上建立局部联系和全局联系。
本发明的较佳的实施例中，上述神经网络模型采用多层网络层构成，其网络深度可以为例如12层，或者其他合适的层数，在此不作限制。
本发明的较佳的实施例中，采用交叉熵损失函数作为神经网络模型的优化目标函数。并且在上述神经网络模型的训练过程中，采用批标准化(batch-normalization)的训练方式，能够加快神经网络模型的训练过程。
本发明的较佳的实施例中，在上述神经网络模型的训练过程中，采用dropout方法来解决训练时的过拟合问题。同时采用ROC曲线来表征病患数据中各数据特征之间的敏感性和特异性的关系，并且可以任意调整神经网络模型的敏感性和特异性。
综上，本发明技术方案中，采用残差结构搭建12层或者更多层的神经网络模型，并使用一维卷积核，在时间维度上对数据的各维度特征进行卷积，从而提取时间维度上的数据特征，使得病患数据在时间尺度上建立具体联系和全局联系。
在训练过程中，使用交叉熵损失函数作为模型的优化的目标函数，采用batch-normalization加快模型的训练过程，使用dropout方法来解决训练时的过拟合问题，并且使用ROC曲线来表征数据特征之间的敏感性和特异性的关系，最终训练得到一个用来预测患者未来数小时内得脓毒血症的概率的识别模型。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (8)

1.一种脓毒血症的数据处理系统，其特征在于，所述数据处理系统包括：
模型训练单元，连接外部的重症医学数据库，用于根据所述重症医学数据库提供的病患数据，对一预设结构的神经网络模型进行训练得到一用于预测脓毒血症的识别模型；
存储单元，连接所述模型训练单元，用于保存所述识别模型；
预测单元，连接所述存储单元，用于根据外部输入的病患数据，采用训练形成的所述识别模型进行识别，以输出识别结果，所述识别结果用于表示对应所述病患数据的患者在预设时段内得脓毒血症的概率；
所述模型训练单元具体包括：
数据预处理模块，用于对取自所述重症医学数据库中的所述病患数据进行预处理，得到预处理病患数据；
数据分离模块，连接所述数据预处理模块，用于根据SIRS指标，将所述预处理病患数据分离为最终被诊断为脓毒血症的正向训练数据以及最终被诊断为非脓毒血症的反向训练数据；
训练数据整合模块，连接所述数据分离模块，用于将所述正向训练数据和所述反向训练数据整合成训练数据集；
模型训练模块，连接所述训练数据整合模块，用于根据所述训练数据集训练得到所述识别模型。
2.如权利要求1所述的数据处理系统，其特征在于，所述数据预处理模块包括：
数据脱敏部件，用于对提取于所述重症医学数据库中的所述病患数据进行脱敏操作，以筛除所述病患数据中的敏感信息；
第一筛选部件，连接所述数据脱敏部件，用于在脱敏后的所述病患数据中，采用第一筛选规则筛选得到第一预处理数据；
第二筛选部件，连接所述第一筛选部件，用于在所述第一预处理数据中，采用第二筛选规则筛选得到第二预处理数据；
第三筛选部件，连接所述第二筛选部件，用于在所述第二预处理数据中，采用脓毒血症相关的筛选规则筛选得到所述预处理数据。
3.如权利要求2所述的数据处理系统，其特征在于，所述敏感信息包括所述病患数据相关的患者的联系方式，和/或年龄，和/或就诊时间。
4.如权利要求2所述的数据处理系统，其特征在于，所述第一筛选规则为：
筛选得到有过mICU住院史且住院时长大于一预设时段的所述病患数据作为所述第一预处理数据。
5.如权利要求2所述的数据处理系统，其特征在于，所述第二筛选规则为：
筛选得到第一次住院时，住院年龄处于一预设年龄段内的所述病患数据作为所述第二预处理数据。
6.如权利要求1所述的数据处理系统，其特征在于，所述神经网络模型为具有残差结构的卷积神经网络模型，所述卷积神经网络模型采用一维卷积核。
7.如权利要求1所述的数据处理系统，其特征在于，所述神经网络模型的网络深度为12层。
8.如权利要求1所述的数据处理系统，其特征在于，采用交叉熵损失函数作为所述神经网络模型的优化目标函数。
CN201910415314.0A 2019-05-17 2019-05-17 一种脓毒血症的数据处理系统 Pending CN110123277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910415314.0A CN110123277A (zh) 2019-05-17 2019-05-17 一种脓毒血症的数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910415314.0A CN110123277A (zh) 2019-05-17 2019-05-17 一种脓毒血症的数据处理系统

Publications (1)

Publication Number Publication Date
CN110123277A true CN110123277A (zh) 2019-08-16

Family

ID=67571280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910415314.0A Pending CN110123277A (zh) 2019-05-17 2019-05-17 一种脓毒血症的数据处理系统

Country Status (1)

Country Link
CN (1) CN110123277A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110911011A (zh) * 2019-11-27 2020-03-24 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN110910980A (zh) * 2019-11-27 2020-03-24 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN110993096A (zh) * 2019-11-27 2020-04-10 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN113017572A (zh) * 2021-03-17 2021-06-25 上海交通大学医学院附属瑞金医院 一种重症预警方法、装置、电子设备及存储介质
CN113057587A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 一种病症预警方法、装置、电子设备及存储介质
CN116580847A (zh) * 2023-07-14 2023-08-11 天津医科大学总医院 一种脓毒性休克预后预测的建模方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN107958471A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于欠采样数据的ct成像方法、装置、ct设备及存储介质
CN108231067A (zh) * 2018-01-13 2018-06-29 福州大学 基于卷积神经网络与随机森林分类的声音场景识别方法
WO2019025901A1 (en) * 2017-08-02 2019-02-07 Mor Research Applications Ltd. SYSTEMS AND METHODS FOR PREDICTING THE APPEARANCE OF A SEPSIE
WO2019035639A1 (ko) * 2017-08-16 2019-02-21 재단법인 아산사회복지재단 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
CN109585020A (zh) * 2018-11-27 2019-04-05 华侨大学 一种运用卷积神经网络对疾病风险预测的模型

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
WO2019025901A1 (en) * 2017-08-02 2019-02-07 Mor Research Applications Ltd. SYSTEMS AND METHODS FOR PREDICTING THE APPEARANCE OF A SEPSIE
WO2019035639A1 (ko) * 2017-08-16 2019-02-21 재단법인 아산사회복지재단 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
CN107958471A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于欠采样数据的ct成像方法、装置、ct设备及存储介质
CN108231067A (zh) * 2018-01-13 2018-06-29 福州大学 基于卷积神经网络与随机森林分类的声音场景识别方法
CN109585020A (zh) * 2018-11-27 2019-04-05 华侨大学 一种运用卷积神经网络对疾病风险预测的模型

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110911011A (zh) * 2019-11-27 2020-03-24 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN110910980A (zh) * 2019-11-27 2020-03-24 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN110993096A (zh) * 2019-11-27 2020-04-10 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN110993096B (zh) * 2019-11-27 2021-04-09 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
WO2021103624A1 (zh) * 2019-11-27 2021-06-03 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN110911011B (zh) * 2019-11-27 2021-10-19 医惠科技有限公司 一种脓毒血症的预警装置、设备及存储介质
CN113017572A (zh) * 2021-03-17 2021-06-25 上海交通大学医学院附属瑞金医院 一种重症预警方法、装置、电子设备及存储介质
CN113057587A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 一种病症预警方法、装置、电子设备及存储介质
CN116580847A (zh) * 2023-07-14 2023-08-11 天津医科大学总医院 一种脓毒性休克预后预测的建模方法及系统
CN116580847B (zh) * 2023-07-14 2023-11-28 天津医科大学总医院 一种脓毒性休克预后预测方法及系统

Similar Documents

Publication Publication Date Title
CN110123277A (zh) 一种脓毒血症的数据处理系统
Swapna et al. Diabetes detection using deep learning algorithms
CN111261282A (zh) 一种基于机器学习的脓毒症早期预测方法
CN111297349A (zh) 一种基于机器学习的心律分类系统
CN111951975B (zh) 一种基于深度学习模型gpt-2的脓毒症早期预警方法
Buscema et al. The IFAST model allows the prediction of conversion to Alzheimer disease in patients with mild cognitive impairment with high degree of accuracy
CN109920547A (zh) 一种基于电子病历数据挖掘的糖尿病预测模型构建方法
CN111968748A (zh) 一种糖尿病并发症预测模型的建模方法
CN114203295B (zh) 脑卒中风险预测干预方法及系统
CN112117004A (zh) 一种基于多源医学数据的糖尿病风险预测模型
CN114898873A (zh) 一种糖尿病前期患者心血管疾病风险的预测方法及系统
CN110491506A (zh) 心房颤动预测模型及其预测系统
CN113270192A (zh) 基于动静态数据结合与深度自编码器的血透风险预测系统
CN113520319A (zh) 一种基于逻辑回归的癫痫事件风险管理方法和系统
CN118038548A (zh) 异常行为检测方法、装置、电子设备及存储介质
CN113611428A (zh) 一种脑卒中高危人群筛选方法和系统
CN117238510A (zh) 一种基于深度学习的脓毒症预测方法及系统
CN116687422A (zh) 一种基于自动睡眠分期的意识障碍患者辅助诊断系统
CN117153422A (zh) 基于深度学习和ChatGPT的脓毒症早期检测装置
CN117079810A (zh) 一种心血管疾病非计划再住院风险预测方法
CN117198525A (zh) 基于血压趋势分析预警血压疾病风险分析系统
CN113951845B (zh) 创伤严重失血伤情预测方法与系统
CN115414054A (zh) 基于前馈脉冲神经网络的癫痫脑电检测系统
Rajmohan et al. G-Sep: A deep learning algorithm for detection of long-term sepsis using bidirectional gated recurrent unit
Pujitha et al. Chronic Kidney Disease Detection Using Machine Learning Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190816