CN110179465A - 机械通气脱机量化评估方法、装置、设备和存储介质 - Google Patents

机械通气脱机量化评估方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110179465A
CN110179465A CN201910447916.4A CN201910447916A CN110179465A CN 110179465 A CN110179465 A CN 110179465A CN 201910447916 A CN201910447916 A CN 201910447916A CN 110179465 A CN110179465 A CN 110179465A
Authority
CN
China
Prior art keywords
line
time
data
ventilation
current point
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
CN201910447916.4A
Other languages
English (en)
Inventor
刘松桥
潘学佰
杨毅
邱海波
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.)
Suzhou Mates Medical Technology Co ltd
Zhongda Hospital of Southeast University
Original Assignee
Suzhou Mates Medical Technology Co ltd
Zhongda Hospital of Southeast University
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 Suzhou Mates Medical Technology Co ltd, Zhongda Hospital of Southeast University filed Critical Suzhou Mates Medical Technology Co ltd
Priority to CN201910447916.4A priority Critical patent/CN110179465A/zh
Publication of CN110179465A publication Critical patent/CN110179465A/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
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Optics & Photonics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例公开了一种机械通气脱机量化评估方法、装置、设备和存储介质，该方法包括：基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。本发明实施例技术方案通过实现对机械通气对象的多个属性的监护参数进行连续动态监测，进而实现对监护参数的多维实时数据评估，最终给出机械通气对象当前时间点的通气脱机成功率，从而为辅助医护人员进行脱机决策提供了一个量化可参的通气脱机评估依据，降低了人为经验影响，提高了危重症机械通气对象的脱机及时性和成功率。

Description

机械通气脱机量化评估方法、装置、设备和存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种机械通气脱机量化评估方法、装置、设备和存储介质。
背景技术
机械通气是危重病患者重要的生命支持手段，通常采用呼吸机实现，但机械通气使用时间越长，病人越容易产生依赖，甚至产生一系列并发症。因此，应尽早脱机，从而提高疾病预后，减少医疗费用，优化利用医疗资源。
目前现有技术针对机械通气脱机的方案主要有：根据患者当前呼吸机使用参数情况，以及当前检验指标结果，结合医生既往经验进行脱机；或依托机械通气脱机试验流程指导，进行多次脱机试验，试验成功后进行脱机。
现有技术方案存在的技术缺陷为：对机械通气对象的监护参数不连续，脱机评估依据不充分，导致脱机后再次上机的情况时长发生；脱机评估决策主要来自医生经验，没有量化的依据，脱机成功率大小受专家水平影响很大；由于监护不足，且无法及时预警和提醒，往往医生决定需要进行脱机试验的时间，不是最佳时间/最早时间，从而导致医疗资源过度使用。
发明内容
本发明实施例提供一种机械通气脱机量化评估方法、装置、设备和存储介质，以解决现有技术方案中对机械通气对象的脱机评估决策主要依据医生经验以及脱机不及时、成功率低的问题。
第一方面，本发明实施例提供了一种机械通气脱机量化评估方法，包括：
基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；
将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
第二方面，本发明实施例还提供了一种机械通气脱机量化评估装置，包括：
向量确定模块，用于基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；
量化评估模块，用于将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
第三方面，本发明实施例还提供了一种机械通气脱机量化评估设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例第一方面提供的机械通气脱机量化评估方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明实施例第一方面提供的机械通气脱机量化评估方法。
本发明实施例通过得到所述通气对象在当前时间点对应的属性参数向量，并通过预训练的脱机量化评估模型对所述属性参数向量进行处理，最终获得机械通气对象当前时间点的通气脱机成功率，从而为辅助医护人员进行脱机决策提供了一个量化可参的通气脱机评估依据，降低了人为经验影响，提高了危重症机械通气对象的脱机及时性和成功率。
附图说明
图1为现有技术的机械通气脱机试验流程图；
图2是本发明实施例一中的机械通气脱机量化评估方法的流程图；
图3是本发明实施例二中的机械通气脱机量化评估方法的流程图；
图4是本发明实施例三中的机械通气脱机量化评估装置的结构示意图；
图5是本发明实施例四中的机械通气脱机量化评估设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。此外，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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
现有技术中，医护人员常依托机械通气脱机试验流程指导，对机械通气对象进行多次脱机试验，试验成功后进行脱机。所述机械通气脱机试验流程如图1所示。
实施例一
图2为本发明实施例一提供的机械通气脱机量化评估方法的流程图，本实施例可适用于医护人员对机械通气对象进行脱机决策的情况，该方法可以由本发明实施例中的机械通气脱机量化评估设备来执行，该机械通气脱机量化评估设备可以通过软件和/或硬件的方式实现，该机械通气脱机量化评估设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。本发明实施例的方法具体包括如下步骤：
S101、基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量。
其中，所述通气对象具体可指因呼吸功能衰竭或自主呼吸困难而需借助机械通气装置(即呼吸机)进行呼吸的伤病患者(，也可指为获取实验所需数据而配戴机械通气装置的正常测试人员)。所述设定历史时间可理解为：自当前时间点之前的某个时间点起，至当前时间点的一段时间。所述监护参数，可以理解为：对通气对象在配戴机械通气装置期间进行各类监护而产生的各项参数。所述属性参数向量可理解为：一个以多维向量形式表示的监护参数集，该向量的元素分别为从各属性监护参数中唯一确定的对应同一时间点的监护参数，该向量的维数为该监护参数集的属性分类数。监护参数的属性是指监护参数所表示的具体含义信息的归属类别，如“37℃”表示具体含义为“体温为37℃”，则其归属的属性类别为“体温”。
可选地，所述监护参数从至少一个监护设备或监护系统中获取；所述监护参数包括下述至少一项：生命体征监护数据、血气分析数据、机械通气设备支持数据、药物使用数据以及化验检测数据。
示例性，生命体征监护数据可以指通气对象的心率、血压、体温等，血气分析数据可以指通气对象的动脉氧分压(PO2)、动脉二氧化碳分压(PCO2)、动脉氢离子浓度(pH)等，机械通气设备支持数据可以指通气对象的潮气量、每分钟通气量、呼气末正压等，药物使用数据可以指通气对象的药物使用类型、药物使用量、药物使用时间等，化验检测数据如血小板数量、血红蛋白浓度等。
具体地，一个属性参数向量可看作所有监护参数组成的集合的一个子集，分别从通气对象在设定历史时间内的各属性监护参数中选取一个监护参数作为一个向量元素，由此可确定一个多维向量，该多维向量即所述当前时间点对应的属性参数向量。
S102、将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
其中，所述脱机量化评估模型是指：基于某些集成学习算法以及人为设定参数，以通气对象的监护参数为训练样本做集成学习训练，从而得到一个可以依据所述属性参数向量对通气对象在当前时间点是否适合脱机做出量化评估的模型，即所述脱机量化评估模型。集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。一般情况下，集成学习中的多个学习器都是同质的“弱学习器”。所述通气脱机成功率是指所述脱机量化模型依据所述属性参数向量对通气对象在当前时间点是否适合脱机做出量化评估后，给出的一个对通气对象在当前时间点实施脱机能够成功的几率评估值。
具体地，所述脱机量化评估模型可看作一个具有数据处理功能的“黑盒子”，其输入数据为当前时间点的属性参数向量，其输出数据为当前时间点的通气脱机成功率。其中，该脱机量化评估模型基于某些集成学习算法以及人为设定参数，以通气对象的监护参数为训练样本做集成学习训练得到。所述集成学习算法可包括：Boosting算法、Bagging算法、随机森林(Random Forest,RF)算法，其中RF算法是Bagging算法的改进版。可选地，所述脱机量化评估模型基于随机森林(Random Forest,RF)算法对所述机械通气对象的监护参数的样本集进行训练得到。而所述当前时间点的通气脱机成功率大小主要取决于脱机量化评估模型经预训练所确定的某些影响因子，例如，各属性参数对脱机成功率的影响权重、脱机量化评估模型的参数灵敏度等。
本发明实施例通过得到所述通气对象在当前时间点对应的属性参数向量，并通过预训练的脱机量化评估模型对所述属性参数向量进行处理，最终获得机械通气对象当前时间点的通气脱机成功率，从而为辅助医护人员进行脱机决策提供了一个量化可参的通气脱机评估依据，降低了人为经验影响，提高了危重症机械通气对象的脱机及时性和成功率。
实施例二
图3为为本发明实施例二提供的机械通气脱机量化评估方法的流程图，本实施例在上述实施例基础上进一步优化。本实施例将所述基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量，具体化为：确定所述设定历史时间内所获取各监护参数的属性信息；将所述设定历史时间内属性信息相同的监护参数划分为一类，并以时间顺序排列各类监护参数，形成至少一类时间序列属性数据；基于设定的数据处理策略处理各类时间序列属性数据，获得对应的有效时间序列属性数据；从各类有效时间序列属性数据中分别确定一个目标属性数据，构成当前时间点的属性参数向量。
同时，本实施例还优化增加了：当所述当前时间点的通气脱机成功率作为参考值用于所述通气对象进行脱机后，获得所述当前时间点对应的实际脱机结果；将所述当前时间点的属性参数向量及实际脱机结果添加入训练样本集，重训练所述脱机量化评估模型。
此外，本实施例优化还包括了：将所述当前时间点及连续设定量历史时间点的通气脱机成功率，拟合成随时间连续动态变化的曲线，并通过设备屏幕展示。
如图3所示，本发明实施例二提供的一种机械通气脱机量化评估方法，具体包括如下步骤：
S201、确定所述设定历史时间内所获取各监护参数的属性信息。
其中，监护参数的属性信息是指监护参数所表示的具体含义的归属类别信息，如“37℃”表示具体含义为“体温为37℃”，则其归属的属性信息类别为“体温”。
具体地，确定所有在设定历史时间内所获取的各监护参数的具体含义，并根据其具体含义确定各监护参数的属性信息。
S202、将所述设定历史时间内属性信息相同的监护参数划分为一类，并以时间顺序排列各类监护参数，形成至少一类时间序列属性数据。
其中，一类时间序列属性数据是指属性信息相同且按照数据产生的时间先后顺序排列的一列监护参数。
具体地，对所述设定历史时间内获取的监护参数各监护参数按照属性信息进行分类，并对每一类监护参数按照各监护参数产生的时间先后顺序进行排列，从而得到各类监护参数的时间序列属性数据。
S203、基于设定的数据处理策略处理各类时间序列属性数据，获得对应的有效时间序列属性数据。
其中，可选地，所述数据处理策略具体包括：数据哑变量处理、数据异常值检测和数据缺失值插补。所述有效时间序列属性数据指所有变量均为数值型变量，且不存在缺失值和异常值的时间序列属性数据。
具体地，数据哑变量处理，即通过哑变量处理技术将数据中的非数值型变量转化成数值型变量。哑变量又称虚拟变量、虚设变量或名义变量，是用以反映质的属性的人工变量，是量化了的自变量。例如，对“性别”这一变量来说，可以用“1”代表“男性”，用“2”代表“女性”。可选地，本申请所有非数值型变量均以此方法处理。
数据异常值检测，即检测数据中的异常值，并对其进行处理。异常值是数据分布的常态，通常把处于特定分布区域或范围之外的数据定义为异常值或噪声。异常分为两种：“伪异常”，由特定的业务运营动作产生，是对业务做出的正常反应，而不是数据本身的异常；“真异常”，不是由特定的业务运营动作产生，而是数据本身分布异常。可选地，本申请对异常值的处理方式为：保留伪异常值，删除真异常值。
数据缺失值插补，即应用某些数据缺失值插补技术对数据中由某些客观因素而导致缺失的数据进行插补。例如，在医疗领域中，由于信息化建设的不完全，会存在数据缺失的情况。可选地，本申请通过利用k最邻近(k-NearestNeighbor,kNN)分类算法与时间序列数据的特性对数据进行插值，让数据变得完整起来。
S204、从各类有效时间序列属性数据中分别确定一个目标属性数据，构成当前时间点的属性参数向量。
具体地，可以从各类有效时间序列属性数据中分别随机选取一个数据作为目标属性数据，或者分别求得各类有效时间序列属性数据的算术平均值作为目标属性数据，将所有目标属性数据组成的向量称为当前时间点的属性参数向量。
可以理解的是，对不同属性的监护参数，其数据生成的频次或时间间隔是不同的，且有的监护参数数据生成的频次或时间间隔是固定的，有的监护参数数据生成的频次或时间间隔是不固定的，故在设定历史时间内，不同属性的监护参数可供读取的数据量也是不同的。总的来说，有两种情况产生，一是有的监护参数在设定历史时间内可供读取的数据至少有一个，二是有的监护参数在设定历史时间内没有可供读取的数据。
示例性地，假设一共有A和B两类监护参数，且A和B都是周期性生成的监护参数，A的数据生成频次为每小时五次，B的数据生成频次为每两小时一次，设定历史时间为一小时，则在所述设定历史时间内可以读取到五个监护参数A数据，而监护参数B数据可能读取到一个，也可能一个都读取不到。那么，将读取到的五个监护参数A数据按照数据产生的时间先后顺序排列，即可得到A的时间序列属性数据，再通过数据哑变量处理(若A为数值型变量则无需进行哑变量处理)及数据异常值检测，即可得到A的有效时间序列属性数据。若在设定历史时间内未读取到监护参数B的数据，则可通过数据缺失值插补获得B在设定历史时间内的数据(若B为非数值型变量则需先进行哑变量处理)，继而通过数据异常值检测得到B的有效时间序列属性数据。分别从A和B有效时间序列属性数据中确定一个目标属性数据，即可组成当前时间点的属性参数向量。
可以理解的是，本发明实施例适用于医护人员对机械通气对象进行脱机决策时的情况，故所述机械通气对象的各监护参数(如生命体征参数)应是趋于平稳的，即在短时间内(如一小时内)机械通气对象的各监护参数数据变化不大，故采用从各类有效时间序列属性数据中分别随机地选取一个数据作为目标属性数据，或者分别求得各类有效时间序列属性数据的算术平均值作为目标属性数据是可行的。
S205、将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
S206、将所述当前时间点及连续设定量历史时间点的通气脱机成功率，拟合成随时间连续动态变化的曲线，并通过设备屏幕展示。
其中，所述连续设定量历史时间点是指在当前时间点之前且与当前时间点在时间轴上连续等间隔排列的多个确定出通气脱机成功率的时间点，所述多个时间点的数量可根据实际需求确定，且所述多个时间点对应的通气脱机成功率均通过本发明实施例所述的机械通气脱机量化评估方法获得。
示例性地，采用本实施例所述的机械通气脱机量化评估方法，对同一机械通气对象每隔一个小时获取一次对应时间点的通气脱机成功率，连续获取十次。假设当前时间点为17:00，则分别获取8:00～17:00间每个整点时间点对应的通气脱机成功率。其中，17:00对应的通气脱机成功率即为当前时间点的通气脱机成功率，而8:00～16:00的九个整点对应的通气脱机成功率则为连续设定量历史时间点的通气脱机成功率。可将上述十个时间点对应的通气脱机成功率拟合成随时间连续动态变化的曲线，并通过设备屏幕进行展示。
通过观察通气脱机成功率随时间连续动态变化的曲线，可以看出通气对象的通气脱机成功率的既往数据及变化趋势，从而为医护人员提供更多量化可参的脱机决策依据。例如，若通气脱机成功率曲线趋于连续平稳或上升状态，且当前时间点的通气脱机成功率达到或超过设定门限值，则表明当前时间点通气对象的各方面条件均适合脱机，且此时实际脱机成功的可能性很大；若通气脱机成功率曲线趋于连续下降状态，且当前时间点的通气脱机成功率位于设定门限值以下或位于门限附近，则表明当前时间点通气对象的身体状态还不适合进行脱机，或最好进一步观察后再做决定。
S207、当所述当前时间点的通气脱机成功率作为参考值用于所述通气对象进行脱机后，获得所述当前时间点对应的实际脱机结果。
其中，所述实际脱机结果，是指在医护人员参考当前时间点的通气脱机成功率对机械通气对象实施脱机后，通气对象实际脱机成功或失败的结果。
具体地，实际脱机结果一般可由医生根据通气对象脱机后的生命体征和各项检验指标判断所得。
S208、将所述当前时间点的属性参数向量及实际脱机结果添加入训练样本集，重训练所述脱机量化评估模型。
其中，所述训练样本集为包含预训练和重训练所述脱机量化评估模型所需的所有样本数据的集合。
具体地，将所述当前时间点的属性参数向量及实际脱机结果作为新的训练数据添加入原有训练样本集，由脱机量化评估模型根据实际脱机结果自动调节原有训练样本中各属性参数对脱机成功率的影响权重，从而自动地对模型根据下一个属性参数向量生成的通气脱机成功率形成调节，实现对所述脱机量化评估模型的重训练。
每次重训练都是对模型的一次优化，对后续每次获得的属性参数向量及实际脱机结果均重复上述重训练步骤，从而可实现对模型的不断优化，使得基于所述脱机量化评估模型得到的对应时间点的通气脱机成功率不断接近实际的脱机结果。
进一步地，重训练该脱机量化评估模型的过程可描述为：将当前时间点的属性参数向量的元素作为新的训练样本元素添加到原有的训练样本集中，以形成新的训练样本集；根据所述实际脱机结果为成功或失败，相应地对当前时间点的属性参数向量的元素做出“成功”或“失败”的标记；原有训练样本集中可能会有相同的元素(指监护参数属性相同且数值相同)，将所有相同的元素归为一类，对同一相同元素类中的标记“成功”和“失败”的元素的个数分别进行统计，从而分别得到该相同元素类中标记“成功”和标记“失败”的元素各自在该相同元素类中的数量占比，分别将其定义为该相同元素类的“成功”率和“失败”率；如此，将同样做了“成功”和“失败”标记的当前时间点的属性参数向量的元素添加到原有训练样本集中后，重新将所有相同的元素归为一类；此时，可能会有新的相同元素类产生，也可能原有相同元素类的“成功”率和“失败”率会因为新元素的加入而发生改变，而本发明实施例的脱机量化评估模型则会根据各相同元素类“成功”率和“失败”率的改变自动做出相应的调节；若某相同元素类的“成功”率增大(或“失败”率减小)，则该相同元素类对通气脱机成功率的影响权重会增大，相应地，若某相同元素类的“成功”率减小(或“失败”率增大)，则该相同元素类对通气脱机成功率的影响权重会减小，从而本发明实施例的脱机量化评估模型可在获取新的属性参数向量对应的通气脱机成功率时，实现对该通气脱机成功率大小的自动调节。
示例性地，假设原有训练样本集有两类不同属性的监护参数A、B，A和B分别只有一类相同数值的数据A1、B1，其中A1和B1的个数均为3，标记“成功”的A1的个数为2，标记“失败”的A1的个数为1，标记“成功”的B1的个数为1，标记“失败”的B1的个数为2，则原有训练样本集中所有的A1为一相同元素类，A1的“成功”率为2/3，A1的“失败”率为1/3,所有的B1为一相同元素类，B1的“成功”率为1/3，B1的“失败”率为2/3。假设当前时间点的属性参数向量为(A1,B2)，其中A1、B2的个数均为1，B2为与B1同属性但不同数值的B类监护参数数据，且最终当前时间点的A1和B2均被标记为“成功”(即实际脱机结果为成功)，把当前时间点的A1和B2添加到原有训练样本集，则得到的新的训练样本集中A1的“成功”率和“失败”率分别变为3/4和1/4，B1的“成功”率和“失败”率分别保持1/3和2/3不变，B2作为一新的相同元素类，其“成功”率和“失败”率分别为1和0。其中，由于A1的“成功”率增大，其对通气脱机成功率的影响权重也会增大，假设下一次得到的属性参数向量仍为(A1,B2)，则根据所述脱机量化评估模型得到对应的通气脱机成功率会高于当前时间点的通气脱机成功率。
可选地，当实际脱机结果为失败时，还可人为地对所述脱机量化评估模型进行调节。具体为，根据医生分析出的脱机失败的具体原因，确定评估模型中对应的具体相关参数，并对所述具体相关参数进行调节，比如调节参数灵敏度，从而对下一次生成的通气脱机成功率大小形成调节。
本实施例的技术方案对实施例一进一步优化，首先，通过得到机械通气对象的各属性监护参数的时间序列属性数据，实现了对机械通气对象的各属性监护参数的连续动态监测，解决了现有技术方案中获取机械通气对象的监护参数不连续的问题；进而，通过得到机械通气对象的各属性监护参数的当前时间点的属性参数向量，实现了对机械通气对象的多维数据实时监测，解决了现有技术方案中对机械通气对象的脱机评估依据不充分的问题。
可以理解的是，本发明实施例提供的机械通气脱机量化评估方法，不限于只得到当前时间点对应的属性参数向量和通气脱机成功率，也可以得到所述连续设定量历史时间点对应的属性参数向量和通气脱机成功率；同理，本发明实施例提供的机械通气脱机量化评估方法，不限于只得到所述设定历史时间对应的各属性监护参数的时间序列属性数据，也可以得到连续多个设定历史时间对应的各属性监护参数的时间序列属性数据。因此，本发明实施例的技术方案进一步体现了对机械通气对象及其监护参数实现的连续动态监护和监测的效果。
最后，本发明实施例通过得到机械通气对象当前时间点的通气脱机成功率，实现了对脱机评估依据的实时量化，为辅助医护人员进行脱机决策提供了一个量化可参的通气脱机评估依据，降低了人为经验影响，提高了危重症机械通气对象的脱机及时性和成功率，解决了现有技术方案中脱机评估决策主要依据医生经验以及脱机不及时、成功率低的问题。此外，本发明实施例实现了对所述脱机量化评估模型的不断优化，从而使得获取的通气脱机成功率更能接近或者反映实际的脱机结果，从而为医护人员提供更优、更具有参考价值的通气脱机量化评估依据，进一步提高对机械通气对象的脱机成功率。
实施例三
图4为本发明实施例三中的机械通气脱机量化评估装置的结构示意图，本实施例可适用于医护人员对机械通气对象进行脱机决策时的情况，该机械通气脱机量化评估装置可以由软件和/或硬件实现，具体包括：向量确定模块301、量化评估模块302。
其中，向量确定模块301，用于基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；
量化评估模块302，用于将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
在上述各实施例的基础上，所述机械通气脱机量化评估装置，还可以包括：
监护参数获取模块，用于从至少一个监护设备或监护系统中获取所述通气对象在设定历史时间内的监护参数；
其中，所述监护参数包括下述至少一项：
生命体征监护数据、血气分析数据、机械通气设备支持数据、药物使用数据以及化验检测数据。
在上述各实施例的基础上，向量确定模块301，具体可以包括：
属性信息确定单元，用于确定所述设定历史时间内所获取各监护参数的属性信息；
分类排序单元，用于将所述设定历史时间内属性信息相同的监护参数划分为一类，并以时间顺序排列各类监护参数，形成至少一类时间序列属性数据；
数据处理单元，用于基于设定的数据处理策略处理各类时间序列属性数据，获得对应的有效时间序列属性数据；
向量生成单元，用于从各类有效时间序列属性数据中分别确定一个目标属性数据，构成当前时间点的属性参数向量。
在上述各实施例的基础上，所述机械通气脱机量化评估装置，还可以包括：
实际结果获取模块，用于当参考所述当前时间点的通气脱机成功率对所述通气对象进行脱机后，获得所述当前时间点对应的实际脱机结果；
重训练模块，用于将所述当前时间点的属性参数向量及所述实际脱机结果添加入训练样本集，重训练所述脱机量化评估模型。
在上述各实施例的基础上，所述机械通气脱机量化评估装置，还可以包括：
拟合结果展示模块，用于将所述当前时间点及连续设定量历史时间点的通气脱机成功率，拟合成随时间连续动态变化的曲线，并通过设备屏幕展示。
本发明实施例所提供的机械通气脱机量化评估装置可执行本发明任意实施例所提供的机械通气脱机量化评估方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种机械通气脱机量化评估设备的结构示意图，如图5所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图5中以一个处理器40为例；设备的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例四的机械通气脱机量化评估装置中对应的程序指令/模块(例如，向量确定模块301、量化评估模块302)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的机械通气脱机量化评估方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种机械通气脱机量化评估方法，该方法包括：
基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；
将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的机械通气脱机量化评估方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种机械通气脱机量化评估方法，其特征在于，包括：
基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；
将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
2.根据权利要求1所述的机械通气脱机量化评估方法，其特征在于，所述通气对象在设定历史时间内的监护参数从至少一个监护设备或监护系统中获取；
所述监护参数包括下述至少一项：
生命体征监护数据、血气分析数据、机械通气设备支持数据、药物使用数据以及化验检测数据。
3.根据权利要求1所述的机械通气脱机量化评估方法，其特征在于，所述基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量，包括：
确定所述设定历史时间内所获取各监护参数的属性信息；
将所述设定历史时间内属性信息相同的监护参数划分为一类，并以时间顺序排列各类监护参数，形成至少一类时间序列属性数据；
基于设定的数据处理策略处理各类时间序列属性数据，获得对应的有效时间序列属性数据；从各类有效时间序列属性数据中分别确定一个目标属性数据，构成当前时间点的属性参数向量。
4.根据权利要求1所述的机械通气脱机量化评估方法，其特征在于，还包括：
当所述当前时间点的通气脱机成功率作为参考值用于所述通气对象进行脱机后，获得所述当前时间点对应的实际脱机结果；
将所述当前时间点的属性参数向量及实际脱机结果添加入训练样本集，重训练所述脱机量化评估模型。
5.根据权利要求1-4任一项所述的机械通气脱机量化评估方法，还包括：
将所述当前时间点及连续设定量历史时间点的通气脱机成功率，拟合成随时间连续动态变化的曲线，并通过设备屏幕展示。
6.一种机械通气脱机量化评估装置，其特征在于，包括：
向量确定模块，用于基于通气对象在设定历史时间内的监护参数，确定所述通气对象在当前时间点对应的属性参数向量；
量化评估模块，用于将所述属性参数向量作为输入数据，通过预训练的脱机量化评估模型，获得所述当前时间点的通气脱机成功率。
7.根据权利要求6所述的机械通气脱机量化评估装置，其特征在于，所述向量确定模块包括：
属性信息确定单元，用于确定所述设定历史时间内所获取各监护参数的属性信息；
分类排序单元，用于将所述设定历史时间内属性信息相同的监护参数划分为一类，并以时间顺序排列各类监护参数，形成至少一类时间序列属性数据；
数据处理单元，用于基于设定的数据处理策略处理各类时间序列属性数据，获得对应的有效时间序列属性数据；
向量生成单元，用于从各类有效时间序列属性数据中分别确定一个目标属性数据，构成当前时间点的属性参数向量。
8.根据权利要求6所述的机械通气脱机量化评估装置，其特征在于，还包括：
实际结果获取模块，用于当参考所述当前时间点的通气脱机成功率对所述通气对象进行脱机后，获得所述当前时间点对应的实际脱机结果；
重训练模块，用于将所述当前时间点的属性参数向量及所述实际脱机结果添加入训练样本集，重训练所述脱机量化评估模型；
拟合结果展示模块，用于将所述当前时间点及连续设定量历史时间点的通气脱机成功率，拟合成随时间连续动态变化的曲线，并通过设备屏幕展示。
9.一种机械通气脱机量化评估设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的机械通气脱机量化评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的机械通气脱机量化评估方法。
CN201910447916.4A 2019-05-27 2019-05-27 机械通气脱机量化评估方法、装置、设备和存储介质 Pending CN110179465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910447916.4A CN110179465A (zh) 2019-05-27 2019-05-27 机械通气脱机量化评估方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910447916.4A CN110179465A (zh) 2019-05-27 2019-05-27 机械通气脱机量化评估方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN110179465A true CN110179465A (zh) 2019-08-30

Family

ID=67718056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910447916.4A Pending CN110179465A (zh) 2019-05-27 2019-05-27 机械通气脱机量化评估方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110179465A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112675393A (zh) * 2020-12-18 2021-04-20 杭州脉兴医疗科技有限公司 一种呼吸机撤机管理系统及方法
CN114259633A (zh) * 2021-12-20 2022-04-01 东软汉枫医疗科技有限公司 机械通气决策方法、装置、存储介质及电子设备
CN114887184A (zh) * 2022-05-05 2022-08-12 广州蓝仕威克医疗科技有限公司 一种基于混合气体解决患者呼吸机脱机的方法及装置
CN115006674A (zh) * 2022-05-31 2022-09-06 广州蓝仕威克医疗科技有限公司 一种通过混合二氧化碳的呼吸机及解决呼吸衰竭的方法
TWI788743B (zh) * 2020-12-16 2023-01-01 奇美醫療財團法人奇美醫院 呼吸器脫離時機預測系統、程式產品及其建立與使用方法
WO2023226369A1 (zh) * 2022-05-26 2023-11-30 深圳先进技术研究院 预测机械通气脱机的方法、装置、设备及存储介质
WO2023230957A1 (zh) * 2022-06-01 2023-12-07 深圳迈瑞生物医疗电子股份有限公司 通气分析方法、医疗设备、中央站和医疗系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274100A1 (en) * 2004-06-18 2010-10-28 Andrew Behar Systems and methods for monitoring subjects in potential physiological distress
US20120145152A1 (en) * 2007-01-04 2012-06-14 Oridion Medical 1987 Ltd. Integrated pulmonary index for weaning from mechanical ventilation
CN102622501A (zh) * 2011-01-30 2012-08-01 深圳迈瑞生物医疗电子股份有限公司 血流动力学参数管理方法、系统及监护设备
CN102685233A (zh) * 2012-05-11 2012-09-19 上海交通大学 移动医疗保健远程监控系统及其数据传输方法
CN103040443A (zh) * 2012-12-06 2013-04-17 海信集团有限公司 智能健康调整系统及方法
CN103340630A (zh) * 2013-06-18 2013-10-09 东南大学 一种双水平呼吸机的呼吸状态识别装置及其识别方法
CN103445766A (zh) * 2013-05-09 2013-12-18 陈飞 基于历史生理数据与物理数据对比的状态监测方法及装置
US20140276173A1 (en) * 2013-03-14 2014-09-18 Convergent Engineering, Inc. Methods and systems for monitoring resistance and work of breathing for ventilator-dependent patients
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
WO2016057806A1 (en) * 2014-10-08 2016-04-14 Phyzq Research Inc. Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN108348718A (zh) * 2015-11-02 2018-07-31 皇家飞利浦有限公司 用于改善估计性能的患者肺参数的逐次呼吸重新评估
CN109685671A (zh) * 2018-12-13 2019-04-26 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100274100A1 (en) * 2004-06-18 2010-10-28 Andrew Behar Systems and methods for monitoring subjects in potential physiological distress
US20120145152A1 (en) * 2007-01-04 2012-06-14 Oridion Medical 1987 Ltd. Integrated pulmonary index for weaning from mechanical ventilation
CN102622501A (zh) * 2011-01-30 2012-08-01 深圳迈瑞生物医疗电子股份有限公司 血流动力学参数管理方法、系统及监护设备
CN102685233A (zh) * 2012-05-11 2012-09-19 上海交通大学 移动医疗保健远程监控系统及其数据传输方法
CN103040443A (zh) * 2012-12-06 2013-04-17 海信集团有限公司 智能健康调整系统及方法
US20140276173A1 (en) * 2013-03-14 2014-09-18 Convergent Engineering, Inc. Methods and systems for monitoring resistance and work of breathing for ventilator-dependent patients
CN103445766A (zh) * 2013-05-09 2013-12-18 陈飞 基于历史生理数据与物理数据对比的状态监测方法及装置
CN103340630A (zh) * 2013-06-18 2013-10-09 东南大学 一种双水平呼吸机的呼吸状态识别装置及其识别方法
CN104063645A (zh) * 2014-07-01 2014-09-24 清华大学深圳研究生院 一种基于心电信号动态自更新样本的身份识别方法
WO2016057806A1 (en) * 2014-10-08 2016-04-14 Phyzq Research Inc. Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis
CN108348718A (zh) * 2015-11-02 2018-07-31 皇家飞利浦有限公司 用于改善估计性能的患者肺参数的逐次呼吸重新评估
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN109685671A (zh) * 2018-12-13 2019-04-26 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI788743B (zh) * 2020-12-16 2023-01-01 奇美醫療財團法人奇美醫院 呼吸器脫離時機預測系統、程式產品及其建立與使用方法
CN112675393A (zh) * 2020-12-18 2021-04-20 杭州脉兴医疗科技有限公司 一种呼吸机撤机管理系统及方法
CN112675393B (zh) * 2020-12-18 2024-04-19 杭州脉兴医疗科技有限公司 一种呼吸机撤机管理系统及方法
CN114259633A (zh) * 2021-12-20 2022-04-01 东软汉枫医疗科技有限公司 机械通气决策方法、装置、存储介质及电子设备
CN114887184A (zh) * 2022-05-05 2022-08-12 广州蓝仕威克医疗科技有限公司 一种基于混合气体解决患者呼吸机脱机的方法及装置
WO2023226369A1 (zh) * 2022-05-26 2023-11-30 深圳先进技术研究院 预测机械通气脱机的方法、装置、设备及存储介质
CN115006674A (zh) * 2022-05-31 2022-09-06 广州蓝仕威克医疗科技有限公司 一种通过混合二氧化碳的呼吸机及解决呼吸衰竭的方法
CN115006674B (zh) * 2022-05-31 2023-09-05 广州蓝仕威克医疗科技有限公司 一种通过混合二氧化碳的呼吸机及解决呼吸衰竭的方法
WO2023230957A1 (zh) * 2022-06-01 2023-12-07 深圳迈瑞生物医疗电子股份有限公司 通气分析方法、医疗设备、中央站和医疗系统

Similar Documents

Publication Publication Date Title
CN110179465A (zh) 机械通气脱机量化评估方法、装置、设备和存储介质
Luo et al. Predicting ICU mortality risk by grouping temporal trends from a multivariate panel of physiologic measurements
Johnson et al. Patient specific predictions in the intensive care unit using a Bayesian ensemble
US9959390B2 (en) Modeling techniques for predicting mortality in intensive care units
AU2016278357A1 (en) Method and system for monitoring stress conditions
Lee Patient-specific predictive modeling using random forests: an observational study for the critically ill
CN110051324B (zh) 一种急性呼吸窘迫综合征死亡率预测方法及系统
CN103189883A (zh) 医学评分系统及方法
Xiang et al. Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning
Suresh et al. Understanding potential sources of harm throughout the machine learning life cycle
CN112992375A (zh) 一种疾病的预警方法、预警装置、设备及介质
Kobrinskii et al. Artificial intelligence technologies application for personal health management
CN114469022A (zh) 报警事件的回顾方法、装置及可读存储介质
Zanna et al. Bias reducing multitask learning on mental health prediction
CN112542242A (zh) 数据转换/症状评分
Li et al. Introduce structural equation modelling to machine learning problems for building an explainable and persuasive model
Altintop et al. Fuzzy linguistic summarization with genetic algorithm: An application with operational and financial healthcare data
Mehdi et al. Self-Adaptive sampling rate to improve network lifetime using watchdog sensor and context recognition in wireless body sensor networks
Abd Rahman et al. Medical device failure predictions through AI-driven analysis of multimodal maintenance records
Aziz et al. Initialization of adaptive neuro-fuzzy inference system using fuzzy clustering in predicting primary triage category
CN112466469A (zh) 一种重大危机及死亡风险预测方法
US20220406463A1 (en) System and method for providing wellness recommendation
US20210279838A1 (en) State visualization device, state visualization method, and state visualization program
Jia et al. The need for the human-centred explanation for ML-based clinical decision support systems
JP7420753B2 (ja) 臨床アセスメントへのコンテキストデータの組み込み

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

Application publication date: 20190830

RJ01 Rejection of invention patent application after publication