CN110993096A - 一种脓毒血症的预警装置、设备及存储介质 - Google Patents
一种脓毒血症的预警装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110993096A CN110993096A CN201911184380.8A CN201911184380A CN110993096A CN 110993096 A CN110993096 A CN 110993096A CN 201911184380 A CN201911184380 A CN 201911184380A CN 110993096 A CN110993096 A CN 110993096A
- Authority
- CN
- China
- Prior art keywords
- index data
- data
- disease
- label
- sepsis
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种脓毒血症的预警装置、设备及介质,包括:训练模块,用于利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;计算模块,用于计算各类型的疾病数据分别与脓毒血症的相关性值,计算出各类型的疾病数据分别对应的时间阈值;获取模块,用于获取目标用户的当前指标数据和历史指标数据;插值模块,用于确定出当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;预测模块,用于将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏差标签输入至预测模型中,得出预测结果;显示器,用于显示预测结果。
Description
技术领域
本发明涉及医学设备领域,特别涉及一种脓毒血症的预警装置、设备及计算机可读存储介质。
背景技术
随着科技的发展,人工智能技术已经上升至国家战略发展层面,医疗辅助诊断是人工智能的一个重要的应用和研究方向。目前,为了更便捷地辅助诊断用户是否患有脓毒血症,现有技术提供了一种脓毒血症的预警装置。通过将目标用户的当前指标数据输入至预先训练出的预测模型中,便能得出对应的预测结果。但是,在实际操作中,目标用户的当前指标数据往往存在缺失的情况,而在这种情况下,若直接将存在缺失的当前指标数据输入至预测模型,将无法预测或者使得预测结果不准确。因此,现有技术通过计算出历史指标数据中与缺失值对应的疾病数据的平均值/最大值/最小值,并据此补充缺失值,再进行预警检测。而实际上,正是因为目标用户的指标数据发生了异常变化,才表示用户可能出现患病的情况。因此,按照现有技术中补充当前指标数据中的缺失值的方式,将使得预测结果不准确。
因此,如何提高脓毒血症预警装置的准确度,是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种脓毒血症的预警装置,能够提高脓毒血症预警装置预测的准确度;本发明的另一目的是提供一种脓毒血症的预警装置设备及计算机可读存储介质,均具有上述有益效果。
为解决上述技术问题,本发明提供一种脓毒血症的预警装置,包括:
训练模块,用于利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个所述样本指标数据中包括多个类型的疾病数据;所述偏差标签为所述疾病数据与标准值的偏离方向对应的标签;
计算模块,用于计算各类型的所述疾病数据分别与脓毒血症的相关性值,并计算出各类型的所述疾病数据分别对应的时间阈值;
获取模块,用于获取目标用户的当前指标数据和历史指标数据;
插值模块,用于确定出所述当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据;
预测模块,用于将所述更新的当前指标数据和所述更新的当前指标数据中各所述当前疾病数据的分别对应的偏差标签输入至所述预测模型中,得出预测结果;
显示器,用于显示所述预测结果。
优选地,所述训练模块具体包括:
获取子模块,用于获取设置有所述脓毒血症标签的所述样本指标数据;
插值子模块,用于按照预设规则对所述样本指标数据中的缺失值进行插补;
计算子模块,用于计算各所述疾病数据分别与对应的标准值的差值,并根据所述差值确定出对应的偏差标签;
输入子模块,用于根据所述样本指标数据中所述疾病数据的数量选择对应类型的机器学习模型,并将所述样本指标数据和各对应的偏离标签输入至所述机器学习模型中;
训练子模块,用于利用所述样本指标数据和所述偏离标签对所述机器学习模型进行训练,得到所述预测模型。
优选地,所述获取子模块具体包括:
第一采集单元,用于抽取LIS库和护理系统中的结构化疾病数据;
第二采集单元,用于利用自然语言处理技术采集所述病例本中的非结构化的疾病数据;
设置单元,用于根据所述结构化疾病数据和所述非结构化疾病数据以及病历本的诊断结果得出所述设置有所述脓毒血症标签的所述样本指标数据。
优选地,进一步包括:
清洗单元,用于对各所述设置有所述脓毒血症标签的所述样本指标数据进行数据清洗。
优选地,进一步包括:
接收模块,用于接收由专业人员标注所述脓毒血症标签的第一指标数据;
更新模块,用于将所述第一指标数据和对应的第一偏差标签输入至所述预测模型中进行训练,以更新所述预测模型。
优选地,所述插值模块具体包括:
排序子模块,用于将各所述历史指标数据按照预设时间顺序排列;
确定子模块,用于确定出所述当前指标数据中的缺失值对应的疾病数据的类型;
选择子模块,用于按照就近原则从排列的所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据。
优选地,进一步包括:
警示器,用于在所述预测结果为所述目标用户患病时,发出对应的提示信息。
为解决上述技术问题,本发明还提供一种脓毒血症的预警设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时,实现如下步骤:
利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个所述样本指标数据中包括多个类型的疾病数据;所述偏差标签为所述疾病数据与标准值的偏离方向对应的标签;
计算各类型的所述疾病数据分别与脓毒血症的相关性值,并计算出各类型的所述疾病数据分别对应的时间阈值;
获取目标用户的当前指标数据和历史指标数据;
确定出所述当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据;
将所述更新的当前指标数据和所述更新的当前指标数据中各所述当前疾病数据的分别对应的偏差标签输入至所述预测模型中,得出预测结果;
显示所述预测结果。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如下步骤:
利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个所述样本指标数据中包括多个类型的疾病数据;所述偏差标签为所述疾病数据与标准值的偏离方向对应的标签;
计算各类型的所述疾病数据分别与脓毒血症的相关性值,并计算出各类型的所述疾病数据分别对应的时间阈值;
获取目标用户的当前指标数据和历史指标数据;
确定出所述当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据;
将所述更新的当前指标数据和所述更新的当前指标数据中各所述当前疾病数据的分别对应的偏差标签输入至所述预测模型中,得出预测结果;
显示所述预测结果。
本发明提供的一种脓毒血症的预警装置,相较于现有技术,本装置是通过计算模块计算各类型的疾病数据分别与脓毒血症的相关性值,并计算出各类型的疾病数据分别对应的时间阈值;然后通过插值模块确定出当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;再通过将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏离方向输入至预测模型中,得出预测结果。因此,本装置不仅能够补充当前指标数据的缺失值,而且按照就近原则选择的满足时间阈值要求目标疾病数据,能够更接近目标用户当前的实际情况,从而能够更准确地对目标用户进行脓毒血症的预警检测。另外,本装置是利用更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏离方向进行预测,通过综合多种形式的数据进行预测,能够进一步提高预测结果的准确度。
为解决上述技术问题,本发明还提供了一种脓毒血症的预警设备及计算机可读存储介质,均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种脓毒血症的预警装置的流程图;
图2为本发明实施例提供的一种脓毒血症的预警设备的结构图。
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做出创造性劳动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。
本发明实施例的核心是提供一种脓毒血症的预警装置,能够提高脓毒血症预警装置预测的准确度;本发明的另一核心是提供一种脓毒血症的预警设备及计算机可读存储介质,均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种脓毒血症的预警装置的结构图,如图1所示,一种脓毒血症的预警装置包括:
训练模块10,用于利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个样本指标数据中包括多个类型的疾病数据;偏差标签为疾病数据与标准值的偏离方向对应的标签;
计算模块20,用于计算各类型的疾病数据分别与脓毒血症的相关性值,并计算出各类型的疾病数据分别对应的时间阈值;
获取模块30,用于获取目标用户的当前指标数据和历史指标数据;
插值模块40,用于确定出当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;
预测模块50,用于将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏差标签输入至预测模型中,得出预测结果;
显示器60,用于显示预测结果。
首先,训练模块10需要获取样本指标数据,然后利用样本指标数据和偏差标签训练出预测模型,以便后续利用预测模型根据目标用户的当前指标数据对目标用户进行脓毒血症的预测。
需要说明的是,样本指标数据指的是设置有脓毒血症标签的指标数据,并且每一个样本指标数据中包括多个类型的疾病数据。疾病数据包括检验数据和检查数据,检验数据为通过实验室实验得出的数据,如红细胞数量、白细胞数量等;检查数据为直接通过观察或者检查仪器得出的数据,如体温、心跳频率等。一个样本指标数据中包括多个疾病数据,本实施例对样本指标数据中具体包括的疾病数据的数据类型不做限定。可以理解的是,在实际操作中,样本指标数据中与脓毒血症相关联的疾病数据的类型越多,越能够快速准确地进行预警;并且,样本指标数据的数据量越大,训练出的预测模型也将更加准确。
需要说明的是,偏差标签为疾病数据与标准值的偏离方向对应的标签,例如,疾病数据大于标准值,或者疾病数据小于标准值,或者疾病数据等于标准值,这三种情况分别对应不同的偏离方向:正偏、反偏或者没有偏离,将不同的偏离方向分别设置为对应的偏离标签。
需要说明的是,由于样本指标数据中包括多种类型的疾病数据,因此需要利用计算模块20计算各类型的疾病数据分别与脓毒血症的相关性值,相关性值表示各类型的疾病数据对是否患脓毒血症的影响效果,并计算出各类型的疾病数据分别对应的时间阈值,时间阈值指的是疾病数据对应的有效时长,用于约束从历史指标数据中追溯得出作为缺失值的疾病数据时的时间。
具体的,计算各类型的疾病数据分别与脓毒血症的相关性值的过程,包括两个步骤:
第一步:确定各类型的疾病数据的追溯时间窗。
具体的,首先获取每个样本指标数据中,在预设时间段内各不同类型的疾病数据出现的第一时间间隔,将第一时间间隔的70%作为第二时间间隔;
然后计算各样本指标数据中,同一类型的疾病数据的第二时间间隔的平均值,得到追溯时间窗,或者在计算出平均值,得到第三时间间隔后,再将第三时间间隔的70%设置为追溯时间窗。
第二步:确定各类型的疾病数据的时效性。
根据各类型的疾病数据分别对应的追溯时间窗,利用追溯时间窗,在样本指标数据的时间轴上滑动,计算每个追溯时间窗中的各疾病数据的平均值,并将各计算出的平均值与目标用户确定为脓毒血症时的目标时间窗的目标平均值进行相关性分析,具体是根据计算出的相关性值是否大于0.6来确定追溯时间窗与目标时间窗之间是否相关。在第一次出现小于0.6之前的窗口作为最终追溯的最长窗口,若都小于0.6默认第一个时间窗作为追溯的窗口。
在对目标用户进行脓毒血症的预警时,利用获取模块30获取目标用户的当前指标数据和历史指标数据;可以理解的是,当前指标数据指的是当前时间获取到的指标数据,历史指标数据指的是在当前时间之前获取到的指标数据。
插值模块40用于先确定出当前指标数据中的缺失值对应的疾病数据的类型,然后按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;也就是说,更新的当前指标数据指的是依据历史指标数据对存有缺失值的当前指标数据进行插值处理之后的指标数据。
具体的,例如,假设类型为A的疾病数据对应的时间阈值为t1,那么要获取该类疾病数据在T时间的缺失值,则以T时间为基准,从历史的同类型的疾病数据中查找,只有在t1时间内的疾病数据才是有效数据,因此按照就近原则从历史指标数据中确定出目标疾病数据,作为该类疾病数据在T时间的缺失值;超过t1时间的疾病数据已失效,即使是同类型的疾病数据,也不能作为缺失值。
预测模块50用于将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏差标签输入至预测模型中,得出预测结果。
显示器60用于显示通过预测模块50得出的预测结果,以便医护人员能够通过显示器直观地获取到预测结果。具体的,通过显示器显示预测结果的方式,可以将预测结果为高危和疑似患者进行高亮显示。另外,可以进一步将异常的疾病数据进行高亮显示;还可以进一步显示目标用户的个人信息、实验室检查信息、病历信息、护理记录、更新的当前指标数据与标准值的对比情况等。需要说明的是,预先设置显示方法,以利用显示器显示对应的预测结果,是本领域技术人员所公知的技术内容,本实施例对此不做限定。
本发明实施例提供的一种脓毒血症的预警装置,相较于现有技术,本装置是通过计算模块计算各类型的疾病数据分别与脓毒血症的相关性值,并计算出各类型的疾病数据分别对应的时间阈值;然后在通过获取模块获取到目标用户的当前指标数据和历史指标数据之后,通过插值模块确定出当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;再通过将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏离方向输入至预测模型中,得出预测结果。因此,本装置不仅能够补充当前指标数据的缺失值,而且按照就近原则选择的满足时间阈值要求目标疾病数据,能够更接近目标用户当前的实际情况,从而能够更准确地对目标用户进行脓毒血症的预警检测。另外,本装置是利用更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏离方向进行预测,通过综合多种形式的数据进行预测,能够进一步提高预测结果的准确度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,训练模块具体包括:
获取子模块,用于获取设置有脓毒血症标签的样本指标数据;
插值子模块,用于按照预设规则对样本指标数据中的缺失值进行插补;
计算子模块,用于计算各疾病数据分别与对应的标准值的差值,并根据差值确定出对应的偏差标签;
输入子模块,用于根据样本指标数据中疾病数据的数量选择对应类型的机器学习模型,并将样本指标数据和各对应的偏离标签输入至机器学习模型中;
训练子模块,用于利用样本指标数据和偏离标签对机器学习模型进行训练,得到预测模型。
需要说明的是,训练模块训练得出预测模型的过程中,首先需要利用获取子模块获取设置有脓毒血症标签的样本指标数据,然后利用插值子模块按照预设规则对样本指标数据中的缺失值进行插补,需要说明的是,插值子模块对样本指标数据进行插值的过程,与对目标用户的当前指标数据进行插值的操作方法一致,因此可以参考上一实施例的具体描述,此处不做赘述。
具体的,通过计算子模块计算各疾病数据分别与对应的标准值的差值,然后根据计算出的差值,包括差值为正,差值为负或差值为0这三种情况确定出对应的偏差标签。本实施例对偏差标签的具体类型不做限定,例如,可以用“0”、“1”和“2”的偏差标签分别表示三种不同的偏差方向;或者可以用“+”、“-”和“0”的偏差标签分别表示三种不同的偏差方向等。
可以理解的是,机器学习模型多种多样,如向量机SVM、逻辑斯蒂回归、XGboost等,不同的机器学习模型训练的维度是不同的,即不同的机器学习模型根据疾病数据的类型的数量的不同,对应的训练的方式是不同的,对应训练得出的预测模型也是不同的,因此,在实际操作中,需要利用输入子模块根据样本指标数据中的疾病数据的数量选择对应类型的机器学习模型,并将样本指标数据和对应的偏离标签输入至选择的机器学习模型中,再通过训练子模块根据输入的样本指标数据和偏离标签进行训练,得出预测模型。
可见,本实施例通过输入子模块根据样本指标数据中的疾病数据的类型的数量选择对应的机器学习模型,再利用对应的机器学习模型对样本指标数据和偏离标签进行训练,使得训练出的预测模型更加准确。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,获取子模块具体包括:
第一采集单元,用于抽取LIS库和护理系统中的结构化疾病数据;
第二采集单元,用于利用自然语言处理技术采集病例本中的非结构化的疾病数据;
设置单元,用于根据结构化疾病数据和非结构化疾病数据以及病历本的诊断结果得出设置有脓毒血症标签的样本指标数据。
需要说明的是,样本指标数据包括结构化疾病数据和非结构化疾病数据,本实施例通过第一采集单元抽取LIS库(LIS,Laboratory Information Management System,是专为医院检验科设计的一套实验室信息管理系统)和护理系统(护理信息系统是利用信息技术、计算机技术和网络通信技术对护理管理和业务技术信息进行采集、存储、处理、传输、查询,以提高护理管理质量为目的的信息系统,是医院信息系统的一个重要子系统)中的结构化疾病数据,并通过第二采集单元利用自然语言处理技术采集病历本中的非结构化疾病数据;然后通过设置单元根据结构化疾病数据和非结构化疾病数据以及病历本的诊断结果得出设置有脓毒血症标签的样本指标数据,即,根据病历本的诊断结果(是否患有脓毒血症)为包括结构化疾病数据和非结构化疾病数据的疾病数据设置对应的标签,以作为样本指标数据。
因此,本实施例提供的获取子模块,是通过第一采集单元抽取LIS库和护理系统中的结构化疾病数据和第二采集单元利用自然语言处理技术采集病历本中的非结构化疾病数据得出样本指标数据,因此样本指标数据的数据来源更加广泛。
作为优选的实施方式,本实施例进一步包括:
清洗单元,用于对各设置有脓毒血症标签的样本指标数据进行数据清洗。
也就是说,在得出设置有脓毒血症标签的样本指标数据之后,进一步利用清洗单元对各样本指标数据进行数据清洗。具体的,数据清洗指的是发现并纠正样本指标数据中可识别的错误,包括检查数据一致性,处理无效值等,将样本指标数据按照对应的机器学习模型进行规整,便于利用机器学习模型对样本指标数据进行训练,提高训练的便捷度和准确度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例进一步包括:
接收模块,用于接收由专业人员标注脓毒血症标签的第一指标数据;
设置模块,用于根据第一指标数据中的各疾病数据与标准值的偏差方向分别设置对应的第一偏差标签;
更新模块,用于将第一指标数据和对应的第一偏差标签输入至预测模型中进行训练,以更新预测模型。
在本实施例中,进一步包括用于接收由专业人员标注脓毒血症标签的第一指标数据的接收模块,第一指标数据也即由专业人员标注脓毒血症标签的指标数据;然后通过设置模块根据第一指标数据中的各第一疾病数据分别与标准值的偏差方向,得出对应的第一偏差标签,再通过更新模块将第一指标数据输入至预测模型中进行训练,以更新预测模型。
可以理解的是,由于第一指标数据的标签是由专业人员标注的,因此第一指标数据是相较于样本指标数据更为准确的带有脓毒血症标签的指标数据;因此通过更新模块将第一指标数据和第一偏差标签输入至预测模型中进行训练,能够不断地更新预测模型,使得预测模型的预测更加准确。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,插值模块具体包括:
排序子模块,用于将各历史指标数据按照预设时间顺序排列;
确定子模块,用于确定出当前指标数据中的缺失值对应的疾病数据的类型;
选择子模块,用于按照就近原则从排列的历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据。
具体的,本实施例中,插值模块具体包括用于将各历史指标数据按照预设时间顺序排列的排序子模块,即,将历史指标数据按照时间先后顺序,由近期时间至远期时间或者由远期时间至近期时间排列,得出时间轴;然后通过确定子模块确定出当前指标数据中的缺失值对应的疾病数据的类型;再通过选择子模块按照就近原则从排列的历史指标数据中选择出满足时间阈值要求的目标疾病数据,并将该目标疾病数据作为缺失值,得到更新的当前指标数据。
本实施例通过排序子模块将历史指标数据按照时间顺序进行排序,能够更便于选择子模块选择出目标疾病数据。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例进一步包括:
警示器,用于在预测结果为目标用户患病时,发出对应的提示信息。
具体的,本实施例进一步包括警示器,当预测模块对目标用户的当前指标数据进行预测得出的预测结果为目标用户患病时,则通过警示器发出对应的提示信息,以提示医护人员目标用户的异常情况。
需要说明的是,本实施例中的警示器可以具体为蜂鸣器或者指示灯,利用蜂鸣器的发声频率或指示灯的发光频率设置对应的提示信息,以起到提示效果。可以理解的是,蜂鸣器和指示灯作为常用的提示装置,不仅能够简单直观地达到提示的效果,而且价格便宜。
本实施例通过进一步利用警示器在预测结果为目标用户患病时,发出对应的提示信息,能够更加及时直观地进行提示。
上文对于本发明提供的一种脓毒血症的预警装置的实施例进行了详细的描述,本发明还提供了一种与该装置对应的脓毒血症的预警设备及计算机可读存储介质,由于设备及计算机可读存储介质部分的实施例与装置部分的实施例相互照应,因此设备及计算机可读存储介质部分的实施例请参见装置部分的实施例的描述,这里暂不赘述。
图2为本发明实施例提供的一种脓毒血症的预警设备的结构图,如图2所示,一种脓毒血症的预警设备包括:
存储器21,用于存储计算机程序;
处理器22,用于执行存储器中存储的计算机程序时,实现如下步骤:
利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个样本指标数据中包括多个类型的疾病数据;偏差标签为疾病数据与标准值的偏离方向对应的标签;
计算各类型的疾病数据分别与脓毒血症的相关性值,并计算出各类型的疾病数据分别对应的时间阈值;
获取目标用户的当前指标数据和历史指标数据;
确定出当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;
将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏差标签输入至预测模型中,得出预测结果;
显示预测结果。
本发明实施例提供的脓毒血症的预警设备,具有上述脓毒血症的预警装置的有益效果。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器执行时,实现如下步骤:
利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个样本指标数据中包括多个类型的疾病数据;偏差标签为疾病数据与标准值的偏离方向对应的标签;
计算各类型的疾病数据分别与脓毒血症的相关性值,并计算出各类型的疾病数据分别对应的时间阈值;
获取目标用户的当前指标数据和历史指标数据;
确定出当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从历史指标数据中选择出满足时间阈值要求的目标疾病数据作为缺失值,得到更新的当前指标数据;
将更新的当前指标数据和更新的当前指标数据中各当前疾病数据的分别对应的偏差标签输入至预测模型中,得出预测结果;
显示预测结果。
本发明实施例提供的计算机可读存储介质,具有上述脓毒血症的预警装置的有益效果。
以上对本发明所提供的脓毒血症的预警装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (9)
1.一种脓毒血症的预警装置,其特征在于,包括:
训练模块,用于利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个所述样本指标数据中包括多个类型的疾病数据;所述偏差标签为所述疾病数据与标准值的偏离方向对应的标签;
计算模块,用于计算各类型的所述疾病数据分别与脓毒血症的相关性值,并计算出各类型的所述疾病数据分别对应的时间阈值;
获取模块,用于获取目标用户的当前指标数据和历史指标数据;
插值模块,用于确定出所述当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据;
预测模块,用于将所述更新的当前指标数据和所述更新的当前指标数据中各所述当前疾病数据的分别对应的偏差标签输入至所述预测模型中,得出预测结果;
显示器,用于显示所述预测结果。
2.根据权利要求1所述的装置,其特征在于,所述训练模块具体包括:
获取子模块,用于获取设置有所述脓毒血症标签的所述样本指标数据;
插值子模块,用于按照预设规则对所述样本指标数据中的缺失值进行插补;
计算子模块,用于计算各所述疾病数据分别与对应的标准值的差值,并根据所述差值确定出对应的偏差标签;
输入子模块,用于根据所述样本指标数据中所述疾病数据的数量选择对应类型的机器学习模型,并将所述样本指标数据和各对应的偏离标签输入至所述机器学习模型中;
训练子模块,用于利用所述样本指标数据和所述偏离标签对所述机器学习模型进行训练,得到所述预测模型。
3.根据权利要求2所述的装置,其特征在于,所述获取子模块具体包括:
第一采集单元,用于抽取LIS库和护理系统中的结构化疾病数据;
第二采集单元,用于利用自然语言处理技术采集所述病例本中的非结构化的疾病数据;
设置单元,用于根据所述结构化疾病数据和所述非结构化疾病数据以及病历本的诊断结果得出所述设置有所述脓毒血症标签的所述样本指标数据。
4.根据权利要求3所述的装置,其特征在于,进一步包括:
清洗单元,用于对各所述设置有所述脓毒血症标签的所述样本指标数据进行数据清洗。
5.根据权利要求2所述的装置,其特征在于,进一步包括:
接收模块,用于接收由专业人员标注所述脓毒血症标签的第一指标数据;
更新模块,用于将所述第一指标数据和对应的第一偏差标签输入至所述预测模型中进行训练,以更新所述预测模型。
6.根据权利要求1所述的装置,其特征在于,所述插值模块具体包括:
排序子模块,用于将各所述历史指标数据按照预设时间顺序排列;
确定子模块,用于确定出所述当前指标数据中的缺失值对应的疾病数据的类型;
选择子模块,用于按照就近原则从排列的所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据。
7.根据权利要求1至6任一项所述的装置,其特征在于,进一步包括:
警示器,用于在所述预测结果为所述目标用户患病时,发出对应的提示信息。
8.一种脓毒血症的预警设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序时,实现如下步骤:
利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个所述样本指标数据中包括多个类型的疾病数据;所述偏差标签为所述疾病数据与标准值的偏离方向对应的标签;
计算各类型的所述疾病数据分别与脓毒血症的相关性值,并计算出各类型的所述疾病数据分别对应的时间阈值;
获取目标用户的当前指标数据和历史指标数据;
确定出所述当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据;
将所述更新的当前指标数据和所述更新的当前指标数据中各所述当前疾病数据的分别对应的偏差标签输入至所述预测模型中,得出预测结果;
显示所述预测结果。
9.一种计算机可读存储介质,所述计算机可读存储介质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,实现如下步骤:
利用设置有脓毒血症标签的样本指标数据和偏差标签训练出预测模型;其中,每一个所述样本指标数据中包括多个类型的疾病数据;所述偏差标签为所述疾病数据与标准值的偏离方向对应的标签;
计算各类型的所述疾病数据分别与脓毒血症的相关性值,并计算出各类型的所述疾病数据分别对应的时间阈值;
获取目标用户的当前指标数据和历史指标数据;
确定出所述当前指标数据中的缺失值对应的疾病数据的类型,按照就近原则从所述历史指标数据中选择出满足所述时间阈值要求的目标疾病数据作为所述缺失值,得到更新的当前指标数据;
将所述更新的当前指标数据和所述更新的当前指标数据中各所述当前疾病数据的分别对应的偏差标签输入至所述预测模型中,得出预测结果;
显示所述预测结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911184380.8A CN110993096B (zh) | 2019-11-27 | 2019-11-27 | 一种脓毒血症的预警装置、设备及存储介质 |
PCT/CN2020/105398 WO2021103624A1 (zh) | 2019-11-27 | 2020-07-29 | 一种脓毒血症的预警装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911184380.8A CN110993096B (zh) | 2019-11-27 | 2019-11-27 | 一种脓毒血症的预警装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110993096A true CN110993096A (zh) | 2020-04-10 |
CN110993096B CN110993096B (zh) | 2021-04-09 |
Family
ID=70087537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911184380.8A Active CN110993096B (zh) | 2019-11-27 | 2019-11-27 | 一种脓毒血症的预警装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110993096B (zh) |
WO (1) | WO2021103624A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111939018A (zh) * | 2020-08-19 | 2020-11-17 | 郑州铁路职业技术学院 | 一种内科病人用腿部理疗装置 |
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 |
CN113035352A (zh) * | 2021-04-27 | 2021-06-25 | 河南科技大学 | 基于bp神经网络的糖尿病视网膜病变预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104204808A (zh) * | 2011-11-14 | 2014-12-10 | 耶拿大学附属医院 | 脓毒血症和全身炎症反应综合征的诊断 |
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN109711606A (zh) * | 2018-12-13 | 2019-05-03 | 平安医疗健康管理股份有限公司 | 一种基于模型的数据预测方法及装置 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
CN110123277A (zh) * | 2019-05-17 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的数据处理系统 |
CN110123274A (zh) * | 2019-04-29 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的监测系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902881A (zh) * | 2019-03-19 | 2019-06-18 | 武汉乐易创想科技有限公司 | 基于多元统计分析和lstm融合的pm2.5浓度预测方法 |
CN110147367B (zh) * | 2019-05-14 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种温度缺失数据填补方法、系统及电子设备 |
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 |
-
2019
- 2019-11-27 CN CN201911184380.8A patent/CN110993096B/zh active Active
-
2020
- 2020-07-29 WO PCT/CN2020/105398 patent/WO2021103624A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104204808A (zh) * | 2011-11-14 | 2014-12-10 | 耶拿大学附属医院 | 脓毒血症和全身炎症反应综合征的诊断 |
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
CN109711606A (zh) * | 2018-12-13 | 2019-05-03 | 平安医疗健康管理股份有限公司 | 一种基于模型的数据预测方法及装置 |
CN110123274A (zh) * | 2019-04-29 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的监测系统 |
CN110123277A (zh) * | 2019-05-17 | 2019-08-16 | 上海电气集团股份有限公司 | 一种脓毒血症的数据处理系统 |
Non-Patent Citations (1)
Title |
---|
JOYCE C.HO 等: "Septic Shock Prediction for Patients with Missing Data", 《ACM TRANSACTIONS ON MANAGEMENT INFORMATION SYSTEMS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111939018A (zh) * | 2020-08-19 | 2020-11-17 | 郑州铁路职业技术学院 | 一种内科病人用腿部理疗装置 |
CN113035352A (zh) * | 2021-04-27 | 2021-06-25 | 河南科技大学 | 基于bp神经网络的糖尿病视网膜病变预警方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021103624A1 (zh) | 2021-06-03 |
CN110993096B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210142915A1 (en) | Clinical predictive analytics system | |
CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
US20190287661A1 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
CN113569984B (zh) | 脑灌注状态分类装置、方法、设备及存储介质 | |
EP3547320A2 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
US11278246B1 (en) | Determining respiratory deterioration and decision support tool | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
Rodríguez-González et al. | Analysis of a multilevel diagnosis decision support system and its implications: a case study | |
CN111008269A (zh) | 数据处理方法及装置、存储介质及电子终端 | |
CN112970070A (zh) | 用于健康护理提供者辅助系统的方法和系统 | |
CN110911011B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN117292836A (zh) | 一种体测成绩监控方法及系统 | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
US20230060794A1 (en) | Diagnostic Tool | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
WO2023110477A1 (en) | A computer implemented method and a system | |
WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
CN114242239B (zh) | 一种vte风险监测及结果质控系统 | |
CN113990512A (zh) | 异常数据检测方法及装置、电子设备和存储介质 | |
CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
US20220319650A1 (en) | Method and System for Providing Information About a State of Health of a Patient | |
CN113345541A (zh) | 一种规范心内科护理记录的方法及系统 | |
Jeong et al. | Temporal progress model of metabolic syndrome for clinical decision support system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |