CN111383764B - 一种机械通气驱动压与呼吸机相关事件的相关性检测系统 - Google Patents
一种机械通气驱动压与呼吸机相关事件的相关性检测系统 Download PDFInfo
- Publication number
- CN111383764B CN111383764B CN202010115600.8A CN202010115600A CN111383764B CN 111383764 B CN111383764 B CN 111383764B CN 202010115600 A CN202010115600 A CN 202010115600A CN 111383764 B CN111383764 B CN 111383764B
- Authority
- CN
- China
- Prior art keywords
- mechanical ventilation
- driving pressure
- ventilator
- ventilation driving
- value
- 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.)
- Active
Links
- 238000005399 mechanical ventilation Methods 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000001575 pathological effect Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000007477 logistic regression Methods 0.000 claims abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 2
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 244000144985 peep Species 0.000 claims 3
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 2
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010061688 Barotrauma Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 208000009470 Ventilator-Associated Pneumonia Diseases 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 208000013223 septicemia Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本公开公开了一种机械通气驱动压与呼吸机相关事件的相关性检测系统,包括:数据预处理模块,通过样本熵插值法得到48小时内机械通气驱动压起始值、最终值以及机械通气驱动压变化值,并填充至获取的待测病例指标中;特征选择模块,从呼吸机相关事件发生病例中筛选与呼吸机相关事件发生有关的病理特征作为训练集;模型构建与检测模块,基于训练集采用逻辑回归算法构建相关性检测模型,基于相关性检测模型对待测病例指标进行预测,判断机械通气驱动压变化值与呼吸机相关事件发生的相关性概率。基于机器学习的逻辑回归算法,将呼吸机相关事件VAE与机械通气驱动压变化值建立联系,监测机械通气驱动压变化对呼吸机相关事件VAE的影响。
Description
技术领域
本公开涉及医疗数据挖掘技术领域,特别是涉及一种机械通气驱动压与呼吸机相关事件的相关性检测系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
对于危重病和呼吸衰竭患者,机械通气是一种必要的救生疗法。接受机械通气的患者有可能会出现机械通气治疗后的并发症,如呼吸机相关性肺炎VAP、败血症、急性呼吸窘迫综合征ARDS、肺栓塞、气压伤和肺水肿等,所以观测机械通气驱动压的变化是非常必要的。
目前,由于呼吸机相关事件VAE在临床上难于及时诊断,而且目前检测方法涉及较多主观成分,如影像学、分泌物和听诊等,这些指标均无特异性,造成VAE检测方式的不统一、混乱等问题,因此应寻找客观的替代监测方法;
而且,依据发明人了解,基于数据挖掘和机器学习相关方法,尚未出现探索机械通气驱动压变异与呼吸机相关事件VAE发生相关性检测系统。
发明内容
为了解决上述问题,本公开提出了一种机械通气驱动压与呼吸机相关事件的相关性检测系统,基于机器学习的逻辑回归算法,将呼吸机相关事件VAE与机械通气驱动压变化值建立联系,监测机械通气驱动压变化对呼吸机相关事件VAE的影响。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供一种机械通气驱动压与呼吸机相关事件的相关性检测系统,包括:数据预处理模块、特征选择模块和模型构建与检测模块;
所述数据预处理模块,通过样本熵插值法得到48小时内机械通气驱动压起始值、最终值以及机械通气驱动压变化值,将机械通气驱动压变化值填充至获取的待测病例指标中;
所述特征选择模块,从呼吸机相关事件发生病例中筛选与呼吸机相关事件发生有关的病理特征作为特征样本;
所述模型构建与检测模块,基于特征样本采用逻辑回归算法构建相关性检测模型,基于相关性检测模型对待测病例指标进行预测,判断机械通气驱动压变化值与呼吸机相关事件发生的相关性概率。
第二方面,本公开提供一种机械通气设备,包括呼吸机检测装置和服务器;
所述呼吸机检测装置用于检测呼吸机工作时的机械通气驱动压,并发送至服务器;
所述服务器上配置有一种机械通气驱动压与呼吸机相关事件的相关性检测系统。
与现有技术相比,本公开的有益效果为:
本公开基于机器学习,通过逻辑回归算法,构建机械通气驱动压变异与呼吸机相关事件VAE相关性模型,将呼吸机相关事件VAE与机械通气驱动压变化值建立联系,分析机械通气驱动压变化对呼吸机相关事件VAE的影响;根据机械通气驱动压变化,辅助检测呼吸机相关事件发生的概率,而且避免目前检测方法中主观因素的影响。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的系统结构图;
图2为本公开实施例1提供的VAE开始日数的分布图;
图3为本公开实施例1提供的机械通气压值DP与呼吸机相关事件VAE关系变化图;
图4为本公开实施例1提供的机械通气驱动压差值DPV与呼吸机相关事件VAE关系图。
具体实施方式:
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图1所示,本实施例提供一种基于机器学习的机械通气驱动压变异与呼吸机相关事件相关性检测系统,包括:数据提取模块,数据预处理模块、特征选择模块和模型构建与检测模块;
所述数据提取模块,用于获取原始数据;本实施例使用SQL查询语句从MIMIC数据库获取所需要的相关数据;
所述数据预处理模块,通过样本熵插值法得到48小时内机械通气驱动压起始值、最终值以及机械通气驱动压变化值,将机械通气驱动压变化值填充至获取的待测病例指标中;
所述特征选择模块,从呼吸机相关事件发生病例中筛选与呼吸机相关事件VAE发生有关的病理指标特征,构成特征样本;
所述系统构建模块,基于特征样本采用逻辑回归算法构建相关性检测模型,基于相关性检测模型对待测病例指标进行预测,判断机械通气驱动压变化值与呼吸机相关事件发生的相关性概率。
在本实施例中,数据预处理模块还包括数据筛选子模块、数据填充子模块和数据转换子模块;对原始数据中病理指标的噪声数据进行清洗、对缺失数据进行填充,并向原始数据填充机械通气驱动压值DP、呼吸机相关事件VAE的标签,对机械通气驱动压变化值进行转换和归一化处理。
具体的,所述数据筛选子模块,用于对患者数据进行筛选,剔除缺失值及噪音值,以获取更干净的数据集有利于后续对数据的处理。剔除不满足以下条件的数据:使用机械通气两天以上的,入住ICU病房超过48小时的,年龄超过18岁的患者数据。
所述数据转换子模块用于对经筛选和填充后的诱发因素的测量值进行格式转换。
所述数据填充子模块,用于对与呼吸机相关事件的病理指标的缺失值进行填充,减小数据集的稀疏性。
使用呼吸机相关事件VAE监测方法对可能发生呼吸机相关事件VAE进行标签的填充,其中标签数字1代表可能发生呼吸机相关事件,数字0代表不可能发生呼吸机相关事件;
所述呼吸机相关事件VAE监测方法为:监测吸氧量和呼气末正压,计算吸氧量和呼气末正压占基线周期每日最小吸氧量或呼气末正压的百分比,并判断该百分比是否超过预设阈值,若未超过,则填充标签0,否则填充标签1;其中预设阈值包括,基线周期每日最小吸氧量的20%,基线周期每日最小呼气末正压3cmH2O水柱。
在本实施例中,原始数据中患者持续的或逐渐改善的呼吸状况,吸氧量(FiO2)或呼气末正压(PEEP)稳定或逐渐降低的时间超过2天,这种状况下,患者至少有以下一项逐渐恶化的氧合指标:每天的吸氧量(FiO2)超过基线周期每日最小吸氧量(FiO2)的0.20(20%),并且维持时间超过2天;每天的最小呼气末正压(PEEP)超过基线周期每日最小呼气末正压(PEEP)3cmH2O水柱,并且维持时间超过2天;如果出现以上情况则标注数字1可能发生,否则标注数字0未发生。
在本实施例中,所述数据填充子模块,通过病例指标平台压(Plateau Pressure)和呼气末正压PEEP计算机械通气驱动压DP进行填充;
机械通气驱动压值DP的填充:
DP=Pplat-PEEP (1)
其中,Pplat是平台压(Plateau Pressure),PEEP是呼气末正压;
根据机械通气驱动压值DP,采用样本熵插值法获得呼吸机相关事件VAE发生之前的48h内机械通气驱动压DP的值,从而得到机械驱动压的变异值DPV,具体步骤为:
(1)设存在一个以等时间间隔采样获得的N维的时间序列u(1),u(2),...,u(N);
(2)定义算法相关参数m,r,其中,m为整数,表示向量的长度,r为实数,表示相似度的度量值;
(3)重构m维向量X(1),X(2),...,X(N-m+1),其中X(i)=[u(i),u(i+1),...,u(i+m-1)],这些向量代表从第i点开始的m个连续的u的值;
(4)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i),Xm(j)]为两者对应元素中最大差值的绝对值,即:
d[Xm(i),Xm(j)]=maxk=0,..,m-1(|u(i+k)-u(j+k)|) (2)
(5)对于给定的Xm(i),统计Xm(i)与Xm(j)之间的距离小于等于r的j的取值范围为[1,N-m+1]且j≠i的数目记作Bi,统计满足以上条件的向量个数:
(6)求对所有i值的平均值,记为Bm(r),即:
(7)令k=m+1,重复步骤第三步、第四步得:
则对所有i值的平均值,记为Ak(r),即:
(8)则样本熵(SampEn)定义为:
由于在实际计算应用过程中,N不可能为∞,因此当N取有限值时,样本熵估计为:
其中,ln表示自然对数,m和r由第二步定义。
参数选择:嵌入维数m一般取1或2;相似容限r的选择在很大程度上取决于实际应用场景,通常选择r=0.1*std~0.25*std,其中std表示原时间序列的标准差。
机械通气驱动压变异值DPV计算公式是:
其中,DPs是48小时内机械通气驱动压(DP)起始值,DPe是48小时内机械通气驱动压(DP)最终值,DPm是48小时内机械通气驱动压(DP)均值。
所述数据预处理模块还包括对机械通气驱动压变异值的归一化处理,提高计算精度:
其中,Xnorm为归一化后的数据,X为原始数据,Xmax,Xmin分别为原始数据的最大值和最小值。
实验验证
本实施例筛选出机械通气超过观察48小时且年龄大于18岁的患者作为实验数据集,总共有4323例病人的电子病历样本,并分别标有2类标签,其中,908个样本标有数字1代表可能发生呼吸机相关事件VAE的样本,3415个标有数字0代表未发生呼吸机相关事件VAE的样本。通过这些样本建立模型来检测机械通气驱动压变异与呼吸机相关事件VAE相关性。
(1)对获取的4323个样本数据进行数据处理:
第一步:对原始数据进行筛选,去除资料缺失(如:体重、身高等)不全的样本数据,去除与本实施例无关的特征如:姓名、种族、住院号;
第二步:进行填充数据,对筛选出的病理指标的缺失值进行填充,通过样本熵插值法获得48小时内机械通气驱动压DP,从而获得机械通气驱动压差异DPV;
第三步:数据格式转换,对机械通气驱动压变异值DPV等特征属性值进行归一化和数值转换;
第四步:数据归一化,对统计后的48小时后机械通气压差异值DPV归一化到0~1范围内,进一步提高计算精度。
(2)统计并分析随着机械通气天数增加,呼吸机相关事件VAE发病日分布,结果如图2所示。
(3)统计并分析机械通气压值DP与呼吸机相关事件VAE关系,如图3所示。
(4)将4323个数据集拆分为训练集和测试集,使用训练集通过机器学习方法进行构建模型,使用测试数据集进行测试,获得测试结果。
(5)对机械通气驱动压变异与呼吸机相关事件VAE进行相关性评估,如图4所示,y轴是呼吸机相关事件VAE预测结果的变化量,x轴是每个样本中机械通气压差异值DPV(dpv_48h2),阴影表示置信度,从图可以看出,机械通气驱动压差异值与呼吸机相关事件的相关性不大。
实施例2
本实施例提供一种机械通气设备,包括呼吸机检测装置和服务器;
所述呼吸机检测装置用于检测呼吸机工作时的机械通气驱动压,并发送至服务器;
所述服务器上配置有一种机械通气驱动压与呼吸机相关事件的相关性检测系统。
以上仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (6)
1.一种机械通气驱动压与呼吸机相关事件的相关性检测系统,其特征在于,包括:数据预处理模块、特征选择模块和模型构建与检测模块;
所述数据预处理模块,通过样本熵插值法得到48小时内机械通气驱动压起始值、最终值以及机械通气驱动压变化值,将机械通气驱动压变化值填充至获取的待测病例指标中;
数据预处理模块还包括数据筛选子模块、数据填充子模块和数据转换子模块;对原始数据中病理指标的噪声数据进行清洗、对缺失数据进行填充,并向原始数据填充机械通气驱动压值DP、呼吸机相关事件VAE的标签,对机械通气驱动压变化值进行转换和归一化处理;
所述数据填充子模块,通过病例指标平台压(Plateau Pressure)和呼气末正压PEEP计算机械通气驱动压DP进行填充;
机械通气驱动压值DP的填充:
DP=Pplat-PEEP(1)
其中,Pplat是平台压(Plateau Pressure),PEEP是呼气末正压;
根据机械通气驱动压值DP,采用样本熵插值法获得呼吸机相关事件VAE发生之前的48h内机械通气驱动压DP的值,从而得到机械驱动压的变异值DPV,具体步骤为:
(1)设存在一个以等时间间隔采样获得的N维的时间序列u(1),u(2),...,u(N);
(2)定义算法相关参数m,r,其中,m为整数,表示向量的长度,r为实数,表示相似度的度量值;
(3)重构m维向量X(1),X(2),...,X(N-m+1),其中X(i)=[u(i),u(i+1),...,u(i+m-1)],这些向量代表从第i点开始的m个连续的u的值;
(4)定义向量Xm(i)与Xm(j)之间的距离d[Xm(i),Xm(j)]为两者对应元素中最大差值的绝对值,即:
d[Xm(i),Xm(j)]=maxk=0,..,m-1(|u(i+k)-u(j+k)|)(2)
(5)对于给定的Xm(i),统计Xm(i)与Xm(j)之间的距离小于等于r的j的取值范围为[1,N-m+1]且j≠i的数目记作Bi,统计满足以上条件的向量个数:
(6)求对所有i值的平均值,记为Bm(r),即:
(7)令k=m+1,重复步骤第三步、第四步得:
则对所有i值的平均值,记为Ak(r),即:
(8)则样本熵(SampEn)定义为:
由于在实际计算应用过程中,N不可能为∞,因此当N取有限值时,样本熵估计为:
其中,ln表示自然对数,m和r由第二步定义;
参数选择:嵌入维数m一般取1或2;相似容限r的选择在很大程度上取决于实际应用场景,通常选择r=0.1*std~0.25*std,其中std表示原时间序列的标准差;
根据机械通气驱动压值DP,采用样本熵插值法获得呼吸机相关事件VAE发生之前的48h内机械通气驱动压DP的值,从而得到机械驱动压的变异值DPV,
机械通气驱动压变化值DPV为:
其中,DPs是48小时内机械通气驱动压DP起始值,DPe是48小时内机械通气驱动压DP最终值,DPm是48小时内机械通气驱动压DP均值;
所述特征选择模块,从呼吸机相关事件发生病例中筛选与呼吸机相关事件发生有关的病理特征作为特征样本;
所述模型构建与检测模块,基于特征样本采用逻辑回归算法构建相关性检测模型,基于相关性检测模型对待测病例指标进行预测,判断机械通气驱动压变化值与呼吸机相关事件发生的相关性概率;
使用呼吸机相关事件VAE监测方法对可能发生呼吸机相关事件VAE进行标签的填充,其中标签数字1代表可能发生呼吸机相关事件,数字0代表不可能发生呼吸机相关事件;
呼吸机相关事件监测算法为:监测吸氧量和呼气末正压,计算吸氧量和呼气末正压占基线周期每日最小吸氧量或呼气末正压的百分比,并判断该百分比是否超过预设阈值,若未超过,则填充标签0,否则填充标签1;
所述预设阈值包括,基线周期每日最小吸氧量的20%,基线周期每日最小呼气末正压3cmH2O水柱。
2.如权利要求1所述的一种机械通气驱动压与呼吸机相关事件的相关性检测系统,其特征在于,在所述数据预处理模块中,对所述机械通气驱动压变化值进行归一化处理:
其中,Xnorm为归一化后的数据,X为机械通气驱动压变化值,Xmax、Xmin分别为机械通气驱动压变化值的最大值和最小值。
3.如权利要求1所述的一种机械通气驱动压与呼吸机相关事件的相关性检测系统,其特征在于,通过病例指标平台压和呼气末正压计算机械通气驱动压。
4.如权利要求1所述的一种机械通气驱动压与呼吸机相关事件的相关性检测系统,其特征在于,所述数据预处理模块还包括:数据填充子模块,用于使用呼吸机相关事件监测算法向待测病例指标中填充标签,若不发生呼吸机相关事件填充标签0,否则填充标签1。
5.如权利要求4所述的一种机械通气驱动压与呼吸机相关事件的相关性检测系统,其特征在于,所述数据填充子模块还包括对待测病例指标的缺失值进行填充。
6.一种机械通气设备,其特征在于,包括:呼吸机检测装置和服务器;
所述呼吸机检测装置用于检测呼吸机工作时的机械通气驱动压,并发送至服务器;
所述服务器上配置有如权利要求1-5任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115600.8A CN111383764B (zh) | 2020-02-25 | 2020-02-25 | 一种机械通气驱动压与呼吸机相关事件的相关性检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115600.8A CN111383764B (zh) | 2020-02-25 | 2020-02-25 | 一种机械通气驱动压与呼吸机相关事件的相关性检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383764A CN111383764A (zh) | 2020-07-07 |
CN111383764B true CN111383764B (zh) | 2024-03-26 |
Family
ID=71218632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115600.8A Active CN111383764B (zh) | 2020-02-25 | 2020-02-25 | 一种机械通气驱动压与呼吸机相关事件的相关性检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539501A (zh) * | 2021-06-25 | 2021-10-22 | 中国科学院深圳先进技术研究院 | 一种呼吸机人机异步分类方法、系统、终端以及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101104091A (zh) * | 2006-07-11 | 2008-01-16 | 孙建国 | 差压触发无创正压呼吸机 |
CN101337101A (zh) * | 2007-07-06 | 2009-01-07 | 深圳迈瑞生物医疗电子股份有限公司 | 麻醉机和呼吸机的通气系统及压力监控方法 |
CN102196837A (zh) * | 2008-08-22 | 2011-09-21 | 呼吸科技公司 | 利用开放的气道界面提供机械通气的方法和装置 |
CN103002802A (zh) * | 2010-06-19 | 2013-03-27 | M斯特恩奎斯特公司 | 用于确定连接至呼吸装置的患者体内的跨肺压的系统和方法 |
CN104135925A (zh) * | 2012-02-20 | 2014-11-05 | 佛罗里达大学研究基金会有限公司 | 用于预测呼吸功的方法及设备 |
CN107972654A (zh) * | 2017-11-21 | 2018-05-01 | 山推工程机械股份有限公司 | 一种制动方法及压路机 |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN108597601A (zh) * | 2018-04-20 | 2018-09-28 | 山东师范大学 | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 |
CN108665066A (zh) * | 2018-05-16 | 2018-10-16 | 天津大学 | 基于bp神经网络的便携式呼吸机流量曲线标定方法 |
CN110049799A (zh) * | 2017-11-14 | 2019-07-23 | 柯惠有限合伙公司 | 用于驱动压力自发通气的方法和系统 |
CN110189822A (zh) * | 2019-05-23 | 2019-08-30 | 广州博而济信息科技有限公司 | 一种基于机械通气参数及波形进行智能分析的方法 |
CN110537917A (zh) * | 2019-08-15 | 2019-12-06 | 郴州市第一人民医院 | 一种基于呼吸力学的机械通气智能监测系统及监测方法 |
-
2020
- 2020-02-25 CN CN202010115600.8A patent/CN111383764B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101104091A (zh) * | 2006-07-11 | 2008-01-16 | 孙建国 | 差压触发无创正压呼吸机 |
CN101337101A (zh) * | 2007-07-06 | 2009-01-07 | 深圳迈瑞生物医疗电子股份有限公司 | 麻醉机和呼吸机的通气系统及压力监控方法 |
CN102196837A (zh) * | 2008-08-22 | 2011-09-21 | 呼吸科技公司 | 利用开放的气道界面提供机械通气的方法和装置 |
CN103002802A (zh) * | 2010-06-19 | 2013-03-27 | M斯特恩奎斯特公司 | 用于确定连接至呼吸装置的患者体内的跨肺压的系统和方法 |
CN104135925A (zh) * | 2012-02-20 | 2014-11-05 | 佛罗里达大学研究基金会有限公司 | 用于预测呼吸功的方法及设备 |
CN110049799A (zh) * | 2017-11-14 | 2019-07-23 | 柯惠有限合伙公司 | 用于驱动压力自发通气的方法和系统 |
CN107972654A (zh) * | 2017-11-21 | 2018-05-01 | 山推工程机械股份有限公司 | 一种制动方法及压路机 |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN108597601A (zh) * | 2018-04-20 | 2018-09-28 | 山东师范大学 | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 |
CN108665066A (zh) * | 2018-05-16 | 2018-10-16 | 天津大学 | 基于bp神经网络的便携式呼吸机流量曲线标定方法 |
CN110189822A (zh) * | 2019-05-23 | 2019-08-30 | 广州博而济信息科技有限公司 | 一种基于机械通气参数及波形进行智能分析的方法 |
CN110537917A (zh) * | 2019-08-15 | 2019-12-06 | 郴州市第一人民医院 | 一种基于呼吸力学的机械通气智能监测系统及监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111383764A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110071913B (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
CN110867196B (zh) | 一种基于深度学习及声音识别的机器设备状态监测系统 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
CN111563451A (zh) | 基于多尺度小波特征的机械通气无效吸气努力识别方法 | |
CN109360120A (zh) | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 | |
CN112675393A (zh) | 一种呼吸机撤机管理系统及方法 | |
CN116070163B (zh) | 一种室内有害气体浓度异常监测数据处理方法 | |
CN111383764B (zh) | 一种机械通气驱动压与呼吸机相关事件的相关性检测系统 | |
Loo et al. | A machine learning approach to assess magnitude of asynchrony breathing | |
CN114566282A (zh) | 一种基于超声心动图检测报告的治疗决策系统 | |
WO2021120007A1 (zh) | 一种基于红外图像序列的睡眠质量评估系统和方法 | |
CN113951868B (zh) | 机械通气患者人机不同步检测方法及装置 | |
CN111598868A (zh) | 一种肺部超声图像识别方法和系统 | |
CN111110208A (zh) | 基于lstm的慢性阻塞性肺疾病氧减状态预测方法 | |
CN113855037A (zh) | 基于Transformer的房颤识别方法及装置 | |
CN113576472A (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
CN115050454B (zh) | 预测机械通气脱机的方法、装置、设备及存储介质 | |
CN116776284A (zh) | 用于机电设备的故障诊断方法、计算机设备及存储介质 | |
CN113313682B (zh) | 基于时空多尺度分析的无参考视频质量评价方法 | |
CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
CN113571092A (zh) | 一种发动机异响识别方法及其相关设备 | |
CN112850408A (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
CN111028949A (zh) | 一种基于物联网的医学影像检查训练系统及方法 |
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 |