CN111640512B - 肾脏替代疗法启动策略评估方法、装置及电子设备 - Google Patents
肾脏替代疗法启动策略评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111640512B CN111640512B CN202010492144.9A CN202010492144A CN111640512B CN 111640512 B CN111640512 B CN 111640512B CN 202010492144 A CN202010492144 A CN 202010492144A CN 111640512 B CN111640512 B CN 111640512B
- Authority
- CN
- China
- Prior art keywords
- patient
- rrt
- strategy
- life state
- starting
- 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
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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种肾脏替代疗法启动策略评估方法、装置及电子设备,涉及机器学习技术领域。所述方法包括:基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果,所述评估结果包括是否建议启动RRT的指示信息。该方法通过患者的生命状态,采用RRT启动策略评估模型确定是否建议启动RRT,提高了RRT启动时机的预测准确性和预测效率。
Description
技术领域
本申请涉及机器学习技术领域,具体而言,涉及一种肾脏替代疗法启动策略评估方法、装置及电子设备。
背景技术
肾脏替代疗法(Renal Replacement Therapy,RRT)技术已广泛用于急性肾损伤(Acute Kidney Injury,AKI)患者以改善预后,是急性肾损伤治疗中的重要支持手段。然而,考虑到重症监护患者的临床表现变化很大,并且基于预定义的单个参数诊断阈值(例如血清肌酐或尿素)来预测RRT需求的可靠工具极为有限。自从KDIGO AKI标准被接纳以来,已有许多随机试验评估了RRT起始的最佳时机,包括在急性肾损伤的危重患者中在早期或晚期阶段启动肾脏替代治疗,在肾脏损伤试验中启用人工肾的试验分析,以及在重症监护病房(IDEAL-ICU)中尽早开始透析与延迟开始透析的试验分析。但是,这些针对RRT“最佳”时机的临床研究相互矛盾,且均依赖较为固定的少数参数进行RRT启动时机预测。而已经开发了一些使用临床和实验室变量的评分系统,例如APACHE II和SOFA,以预测危重病人的预后,但是,上述评分系统针对AKI启动RRT的时机预测效果不佳。因此,现有技术中针对RRT启动时机的预测结果准确性较差。
发明内容
有鉴于此,本申请实施例的目的在于提供一种肾脏替代疗法启动策略评估方法、装置及电子设备,以改善现有技术中存在的RRT启动时机的预测结果准确性问题。
本申请实施例提供了一种肾脏替代疗法启动策略评估方法,所述方法包括:基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果,所述评估结果包括是否建议启动RRT的指示信息。
在上述实现方式中,先根据能够表征患者当前生理参数的患者数据确定患者的生命状态预测结果,再根据患者的生命状态采用RRT启动策略评估模型确定是否建议启动RRT,将患者的当前实际生命状态作为RRT启动策略评估的基础,使RRT启动策略评估的结果更加符合患者的当前状态,提高了RRT启动时机的准确性,有助于优化医疗的介入时机,减少医疗介入副带的伤害与医疗资源的消耗。
可选地,在所述基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果之前,所述方法还包括:获取多个患者数据,所述多个患者数据包括每个患者的各特征值和院内结局,所述院内结局包括治愈出院和死亡;将所述多个患者数据中患者在当前生命状态预测时间之前的预设时段的各特征值按照时序排列,获得患者数据集;从所述患者数据集中确定训练数据集;以所述患者数据集中每个患者对应的数据作为输入数据,以生命状态作为预测结果,采用深度置信网络对所述训练数据集进行训练,获得所述生命状态监测模型;其中,所述生命状态由患者处于第一生命状态的概率、处于第二生命状态的概率、处于第三生命状态的概率和处于第四生命状态的概率综合确定,所述第一生命状态表示患者在第一预设时刻前治愈出院,所述第二生命状态表示患者在所述第一预设时刻后治愈出院,所述第三生命状态表示患者在第二预设时刻后死亡,所述第四生命状态表示患者在所述第二预设时刻前死亡。
在上述实现方式中,基于深度置信网络进行生命状态监测模型,以后续通过生命状态监测模型进行患者的生命状态确定,基于深度置信网络的多层级神经元逐层训练、预测的特性,能够基于患者当前的生理特征等数据进行连续的生命状态预测,从而更加准确的确定患者的最终生命状态,为RRT启动策略评估提供准确信息。
可选地,在所述将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果之前,所述方法还包括:基于所述患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和所述院内结局与所述当前生命状态预测时间的时间间隔,确定策略分值规则,所述院内结局包括治愈出院和死亡,所述病情变化情况包括恶化、好转和无变化;基于所述策略分值规则,在所述患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分。
在上述实现方式中,基于患者段时间内的病情和院内结局确定策略分值规则中分值的增减,然后基于策略分值规则进行患者在某时刻启动RRT的总策略评分,同时参考短时间和长时间的患者状态能够使总策略评分更加准确地反映患者启动RRT的效果,且通过总策略评分表征患者启动RRT效果更加直观、准确。
可选地,所述基于所述患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和所述院内结局与所述当前生命状态预测时间的时间间隔,确定策略分值规则,包括:在强化学习中采用马尔科夫决策过程确定每个患者的RRT启动时生命状态对应的短期分值,所述短期分值在患者于所述预设观察时段后病情恶化时减去第一预设分值,在患者于所述预设观察时段后病情好转时增加第二预设分值,在患者于所述预设观察时段后病情无变化时不变;在强化学习中采用时序差分学习策略确定每个患者的RRT启动时生命状态对应的结局分值,所述结局分值在患者的院内结局为治愈出院时增加第三预设分值,在患者的院内结局为死亡时减去第四预设分值,并基于每个患者的RRT启动时刻与院内结局的时间间隔对所述结局分值进行修正。
在上述实现方式中,基于强化学习中马尔科夫决策过程与时序差分学习策略的逐步推演确定分值的特征能够提高策略分值规则对患者的连续生命状态进行引入,并同时参考患者的短期生命状态变化和院内结局,进行分值的正演和修正,从而使策略分值规则能够更加准确地表现患者启动RRT时机的效果。
可选地,所述基于所述策略分值规则,在所述患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分,包括:对所述患者数据中每位患者生成患者策略树;对每个患者策略树依次进行正向遍历,基于所述策略分值规则确定每个患者策略树的策略路径上的短期分值;对每个患者策略树依次进行反向遍历,基于所述策略分值规则确定每个患者策略树的策略路径上的结局分值;基于所有患者的患者策略树的策略路径生成最终策略树;基于所述短期分值和所述结局分值,确定所述最终策略树上的所有策略路径的总策略评分。
在上述实现方式中,对蒙特卡罗树搜索算法进行改进,结合正向遍历和反向遍历确定最终策略树及所有策略路径的总策略评分,从而分阶段获得策略评分结果,以使总策略评分能够更加准确地表征患者的当前生命状态。
可选地,所述确定所述最终策略树上的所有策略路径的总策略评分,包括:反向遍历所述最终策略树,确定所述最终策略树上的所有策略路径的总策略评分。
在上述实现方式中,通过反向遍历确定最终策略树的策略路径的总策略评分,从而使总策略评分参考了院内结局时间,提高了总策略评分的准确性。
可选地,在所述将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果之前,所述方法还包括:获取RRT启动预测训练集,所述RRT启动预测训练集包括多个患者启动RRT时对应的生命状态和总策略评分;以患者启动RRT时对应的生命状态作为输入数据,以患者在对应生命状态启动RRT对应的总策略评分为预测结果,采用深度置信网络对所述RRT启动预测训练集进行训练,获得RRT启动策略评估模型。
在上述实现方式中,基于深度置信网络中神经网络分层次训练的特点,训练获得RRT启动策略评估模型能够对患者的持续生命状态对应的RRT启动时机进行预测,最终获得的RRT启动策略预测结果更加准确。
本申请实施例还提供了一种肾脏替代疗法启动策略评估装置,所述装置包括:生命状态确定模块,用于基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;启动策略评估模块,用于将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果,所述评估结果包括是否建议启动RRT的指示信息。
在上述实现方式中,先根据能够表征患者当前生理参数的患者数据确定患者的生命状态预测结果,再根据患者的生命状态采用RRT启动策略评估模型确定是否建议启动RRT,将患者的当前实际生命状态作为RRT启动策略评估的基础,使RRT启动策略评估的结果更加符合患者的当前状态,提高了RRT启动时机的准确性,有助于优化医疗的介入时机,减少医疗介入副带的伤害与医疗资源的消耗。
可选地,所述肾脏替代疗法启动策略评估装置还包括:生命状态监测模型建立模块,用于获取多个患者数据,所述多个患者数据包括每个患者的各特征值和院内结局,所述院内结局包括治愈出院和死亡;将所述多个患者数据中患者在当前生命状态预测时间之前的预设时段的各特征值按照时序排列,获得患者数据集;从所述患者数据集中确定训练数据集;以所述患者数据集中每个患者对应的数据作为输入数据,以生命状态作为预测结果,采用深度置信网络对所述训练数据集进行训练,获得所述生命状态监测模型;其中,所述生命状态由患者处于第一生命状态的概率、处于第二生命状态的概率、处于第三生命状态的概率和处于第四生命状态的概率综合确定,所述第一生命状态表示患者在第一预设时刻前治愈出院,所述第二生命状态表示患者在所述第一预设时刻后治愈出院,所述第三生命状态表示患者在第二预设时刻后死亡,所述第四生命状态表示患者在所述第二预设时刻前死亡。
在上述实现方式中,基于深度置信网络进行生命状态监测模型,以后续通过生命状态监测模型进行患者的生命状态确定,基于深度置信网络的多层级神经元逐层训练、预测的特性,能够基于患者当前的生理特征等数据进行连续的生命状态预测,从而更加准确的确定患者的最终生命状态,为RRT启动策略评估提供准确信息。
可选地,所述肾脏替代疗法启动策略评估装置还包括:策略评分模块,用于基于所述患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和所述院内结局与所述当前生命状态预测时间的时间间隔,确定策略分值规则,所述院内结局包括治愈出院和死亡,所述病情变化情况包括恶化、好转和无变化;基于所述策略分值规则,在所述患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分。
在上述实现方式中,基于患者段时间内的病情和院内结局确定策略分值规则中分值的增减,然后基于策略分值规则进行患者在某时刻启动RRT的总策略评分,同时参考短时间和长时间的患者状态能够使总策略评分更加准确地反映患者启动RRT的效果,且通过总策略评分表征患者启动RRT效果更加直观、准确。
可选地,所述策略评分模块具体用于:在强化学习中采用马尔科夫决策过程确定每个患者的RRT启动时生命状态对应的短期分值,所述短期分值在患者于所述预设观察时段后病情恶化时减去第一预设分值,在患者于所述预设观察时段后病情好转时增加第二预设分值,在患者于所述预设观察时段后病情无变化时不变;在强化学习中采用时序差分学习策略确定每个患者的RRT启动时生命状态对应的结局分值,所述结局分值在患者的院内结局为治愈出院时增加第三预设分值,在患者的院内结局为死亡时减去第四预设分值,并基于每个患者的RRT启动时刻与院内结局的时间间隔对所述结局分值进行修正。
在上述实现方式中,基于强化学习中马尔科夫决策过程与时序差分学习策略的逐步推演确定分值的特征能够提高策略分值规则对患者的连续生命状态进行引入,并同时参考患者的短期生命状态变化和院内结局,进行分值的正演和修正,从而使策略分值规则能够更加准确地表现患者启动RRT时机的效果。
可选地,所述策略评分模块具体用于:对所述患者数据中每位患者生成患者策略树;对每个患者策略树依次进行正向遍历,基于所述策略分值规则确定每个患者策略树的策略路径上的短期分值;对每个患者策略树依次进行反向遍历,基于所述策略分值规则确定每个患者策略树的策略路径上的结局分值;基于所有患者的患者策略树的策略路径生成最终策略树;基于所述短期分值和所述结局分值,确定所述最终策略树上的所有策略路径的总策略评分。
在上述实现方式中,对蒙特卡罗树搜索算法进行改进,结合正向遍历和反向遍历确定最终策略树及所有策略路径的总策略评分,从而分阶段获得策略评分结果,以使总策略评分能够更加准确地表征患者的当前生命状态。
可选地,所述策略评分模块具体用于:反向遍历所述最终策略树,确定所述最终策略树上的所有策略路径的总策略评分。
在上述实现方式中,通过反向遍历确定最终策略树的策略路径的总策略评分,从而使总策略评分参考了院内结局时间,提高了总策略评分的准确性。
可选地,所述肾脏替代疗法启动策略评估装置还包括:RRT启动策略评估模型建立模块,用于获取RRT启动预测训练集,所述RRT启动预测训练集包括多个患者启动RRT时对应的生命状态和总策略评分;以患者启动RRT时对应的生命状态作为输入数据,以患者在对应生命状态启动RRT对应的总策略评分为预测结果,采用深度置信网络对所述RRT启动预测训练集进行训练,获得RRT启动策略评估模型。
在上述实现方式中,基于深度置信网络中神经网络分层次训练的特点,训练获得RRT启动策略评估模型能够对患者的持续生命状态对应的RRT启动时机进行预测,最终获得的RRT启动策略预测结果更加准确。
本申请实施例还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器读取并运行所述程序指令时,执行上述任一实现方式中的步骤。
本申请实施例还提供了一种可读取存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述任一实现方式中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种肾脏替代疗法启动策略评估方法的流程示意图。
图2为本申请实施例提供的一种生命状态监测模型的模型建立步骤的流程实体图。
图3为本申请实施例提供的一种总策略评分标注步骤的流程示意图。
图4为本申请实施例提供的一种总策略评分步骤的流程示意图。
图5为本申请实施例提供的一种肾脏替代疗法启动策略评估装置的模块示意图。
图标:20-肾脏替代疗法启动策略评估装置;21-生命状态确定模块;22-启动策略评估模块。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行描述。
经本申请人研究发现,许多病类,例如急性肾损伤(Acute Kidney Injury,AKI)临床高度异质性,“早期”和“晚期”进行RRT之间的区别是可变的,并且尝试根据传统参数(例如血清肌酐(SCr))或尿量(UO)可能不准确。此外,还不清楚RRT的“最佳时机”是否会归因于尿毒症的早期清除,容量管理适当,炎症过程的减弱或尚未完全阐明的任何其他作用。业界所采用的几种模型,例如使用随机森林,极端梯度增强和人工神经网络来预测AKI(或包括RRT),没有考虑治疗反应和状态变化,也因此,不适用于指导启动RRT的时机确定,存在准确性较低的问题。
为了提高RRT启动时机策略的判定准确性,本申请实施例提供了一种肾脏替代疗法启动策略评估方法。请参考图1,图1为本申请实施例提供的一种肾脏替代疗法启动策略评估方法的流程示意图,该肾脏替代疗法启动策略评估方法的具体步骤可以如下:
步骤S12:基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果。
业界现有的对RRT启动时机的研究与临床实践,依赖于像KDIGO这样的金标准定义了疾病发展的等级,是在比如AKI的早期启动RRT,还是在AKI的后期启动RRT,或者是即使是发展到后期,也采取等等看的策略,这几种相互之间矛盾的策略在医疗实践都存在,并各自无法说服对方。
其根本的原因在于KDIGO这样的疾病定义金标准,仅仅是采用了肌酐与尿量两项参数,考虑到人的主要身体器官之间是相互作用的,尤其是肾这样人体重要的身体器官,除了它自己本身的器质性受损之外,心脏的供血,尿路的阻塞,肾毒性药物的使用,炎症因子,甚至是高氯的盐水,都有可能导致肾功能的衰竭,而需要RRT这样的体外支持手段,但单一的两种参数,其实是无法全面反映肾功能的状况的,尤其是肾功能的受损反应到肌酐或尿量参数上,还有时间上滞后。而业界也早有共识,仅仅简单地设定若干阈值,就可以把疾病划分成不同的阶段,实在一种过于简单粗暴的方式,考虑到人与人之间体质的巨大差异性。更把问题复杂化的是,RRT这样的体外支持手段的介入,使得肌酐与尿量不再具有参考价值,RRT介入之后的肌酐与尿量,不再能够定义肾功能的实际状况,也因此,难以利用它们来评估RRT的效果。
因此,本步骤中的患者数据可以包括反映人体主要机能状态的各项数据,包括生命体征、实验室参数、血气指标、统计学参数和已用药及临床干预措施等,还可以针对急性肾损伤等指定病症纳入与该病症相关指标。
上述患者数据可以是从医院信息系统(Hospital Information System,HIS)等医院相关数据来源获得。
例如患者数据可以包括年龄、性别、体重等统计学参数,肌酐、BUN、乳酸等实验室参数,PaO2、CVP、pH等血气参数,体温、呼吸、心率等生命体征,加压素、利尿剂等用药信息,肾脏替代疗法(Renal Replacement Therapy,RRT)等医疗措施。
应当理解的是,在采用生命状态监测模型(continuous Life State,cLVS)进行患者的生命状态判定之前还需要创建该模型,请参考图2,图2为本申请实施例提供的一种生命状态监测模型的模型建立步骤的流程实体图,其具体建立步骤可以如下:
步骤S111:获取多个患者数据,多个患者数据包括每个患者的各特征值和院内结局,院内结局包括治愈出院和死亡。
其中,患者数据还包括治愈出院或死亡的时刻。
步骤S112:将多个患者数据中患者在当前生命状态预测时间之前的预设时段的各特征值按照时序排列,获得患者数据集。
本实施例中的预设时段可以是预测时刻之前具有参考价值的任意长度时段,例如一天、两天、三天或五天等,且上述各特征值为患者数据中各项数据的对应值。
步骤S113:从患者数据集中确定训练数据集。
可选地,经过HIS等系统获取的数据中通常以患者编号为标识,按照患者编号对患者数据进行汇总、归类,并按照时序排列即可获得患者数据集,再从患者数据集中筛选或随机确定训练数据集。
本实施例中的患者数据集可以表示为:C={Si},i=1,2,...,n,其中,i为患者编号,n为患者数量,Si={Dt},t=t1,t2,...,tk,...,t中的t1、t2等为时刻,Si对应各时刻该患者的患者数据,Dt={vl},l=l1,l2,...,lj,...,l中的l1、l2等为各项特征项,Dt对该患者该时刻的各项特征项对应的特征值。
进一步地,本实施例中还可以对患者数据集进行同项多值归并和缺失值插值。其中,可以采用非监督的聚类技术进行插值。
可选地,患者数据集可以划分为训练数据集和测试数据集,两者的划分可以是将患者数据集按照一比一的比例进行划分,还可以是按照二比一等其他任意合适比例进行划分。
具体地,上述分组结果可以表示为C={Ctrain,Ctest},其中,Ctrain为训练数据集,Ctest为测试数据集。
步骤S114:以患者数据集中每个患者对应的数据作为输入数据,以生命状态作为预测结果,采用深度置信网络对训练数据集进行训练,获得生命状态监测模型。
生命状态监测模型输出结果可以为患者所处的生命状态,生命状态由患者处于第一生命状态的概率、处于第二生命状态的概率、处于第三生命状态的概率和处于第四生命状态的概率综合确定,第一生命状态表示患者在第一预设时刻前治愈出院,第二生命状态表示患者在第一预设时刻后治愈出院,第三生命状态表示患者在第二预设时刻后死亡,第四生命状态表示患者在第二预设时刻前死亡。
可选地,上述第一预设时刻和第二预设时刻可以根据针对病种或具体院内情况进行调整,本实施例中第一预设时刻可以设置为当前时刻的3天后,第二预设时刻可以设置为当前时刻的5天后。
在其他可选的实施例中,该生命状态监测模型的输出结果还可以是患者当前的生命状态值,该生命状态值可以由患者处于第一生命状态的概率、处于第二生命状态的概率、处于第三生命状态的概率和处于第四生命状态的概率综合确定,例如赋予每个生命状态不同基础值,再基于不同概率对其进行加权计算获得生命状态值。后续RRT启动策略评估模型也可以根据生命状态值输出的RRT启动策略评估结果。具体地,采用监督学习,该模型包括了三阶段的任务,阶段1要给出患者当前时间点对应的院内结局是否院内死亡及其概率大小,阶段2则相应的要给出当前时间点距离治愈出院的时间是否超过预设时间间隔及其概率,阶段3则相应的要给出当前时间点离院内结局为死亡时的死亡时间是否超过预设时间间隔及其概率。
在基于深度置信网络进行生命状态监测模型训练时,需要对患者数据中患者对应的院内结局(生命状态实际结果)进行标注,可以表示为s={si,sij|si},i=1,2,j=1,2,其中,s1=0代表患者的院内结局为可治愈出院,s2=1代表患者的院内结局为死亡,s11=0代表第一生命状态,s12=1代表第二生命状态,s21=1代表第三生命状态,s22=0代表第四生命状态。
其中,深度置信网络(Deep Belief Networks)DBN算法是机器学习之神经网络的一种,既可以用于非监督学习,也可以用于监督学习。DBN是一个概率生成模型,与传统的判别模型的神经网络相对,生成模型是建立一个观察数据和标签之间的联合分布。通过训练其神经元间的权重,可以让整个神经网络按照最大概率来生成训练数据进行预测。
DBN的组成元件是受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)。训练DBN的过程是一层一层地进行的。在每一层中,用数据向量来推断隐层,再把这一隐层当作下一层(高一层)的数据向量。本实施例引入深度置信网络进行生命状态预测,能够基于其分层训练的特性,基于患者生理特征的持续变化实现更加真确的生命状态预测。
具体地,本实施例中的深度置信网络可以包括3层隐含层、1层输入层和1层输出层,输入层的节点数为120,输出层的节点数为1,3层隐含层的节点数分别为300、100和10。
具体地,本实施例中训练过程可以表示为其中,h1、h2、…、hl-1、hl以及hk、hk+1等为不同神经元层级,/>h0表示数据输入层,P(hk-1|hk)为RBM中可见层单元在隐含层单元条件下的条件分布,P(hl-1,hl)RBM中最顶层的可见层/隐含层的联合分布。
经过上述训练获得连续生命状态预测模型为Model=DBN(xtrain,strain),其中,Xtrain为训练集即输入数据,Strain为训练集对应的生命状态预测结果。
进一步地,本实施例还可以采用上述训练数据集对训练获得的生命状态预测模型进行预测准确率的评估和校准。
应当理解的是,上述生命状态预测模型的建立以及生命状态预测结果的获取,除了采用基于DBN的生命状态监测模型,还可以是采用BP(Back Propagation)神经网络、多层感知(MLP,Multilayer Perceptron)神经网络、随机森林(RF,Random Forest)、极度梯度增强(XGB,Extreme Gradient Boosting)等获得生命状态监测模型。
步骤S14:将生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得RRT启动策略评估模型输出的RRT启动策略评估结果,评估结果包括是否建议启动RRT的指示信息。
作为一种可选的实施方式,本实施例中RRT启动策略评估模型的可以是根据患者当前的生命状态确定在该生命状态启动RRT的效果及是否启动RRT的建议提示。上述启动RRT的效果在本实施例中可以用总策略评分来体现,因此RRT启动策略评估模型实际上是输入生命状态数据,然后输出该生命状态对应的总策略评分,并根据该总策略评分给出是否启动RRT的提示。
因此在进行RRT启动策略评估模型训练时,需要通过标注了生命状态及该生命状态启动RRT对应的总策略评分的训练集进行RRT启动策略评估模型的训练。
可选地,本实施例中的启动RRT的时机点定义为入院后第一次启动RRT时患者所处的生命状态,可以表示为:其中,q代表患者的RRT启动策略,ai代表在时刻i时RRT启动与否,Sij代表在时刻i时的生命状态,是否启动RRT的每个时间点可以视为策略节点。
可选地,本实施例中的策略评分可以是由生命状态监测模型进行,其采用强化学习给出两类的策略评分结果,一类是策略之后的最近的将来患者对策略的效应分值,即短期分值;另一类是本发明所构建的占更大比重的院内结局对策略的效应分值,即结局分值。
请参考图3,图3为本申请实施例提供的一种总策略评分标注步骤的流程示意图。该步骤具体可以如下:
步骤S131:基于患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和院内结局与当前生命状态预测时间的时间间隔,确定策略分值规则,院内结局包括治愈出院和死亡,病情变化情况包括恶化、好转和无变化。
本实施例中基于强化学习采用一级马尔科夫决策过程(Markov DecisionProcess,MDP)给出短期分值。
具体地,短期分值在患者于预设观察时段后病情恶化时减去第一预设分值,在患者于预设观察时段后病情好转时增加第二预设分值,在患者于预设观察时段后病情无变化时不变。其中,第一预设分值和第二预设分值可以是但不限于是1。上述短期分值增减可以表示为其中,QMDP代表短期分值,qi MDP代表i时刻患者生命状态变化对应的分值,vi代表每i时刻的s/a策略对。
本实施例中基于时序差分学习(Temporal Difference Learning,TDL)给出结局评分。时序差分学习是一种通过时序自举(bootstrap)的方式采样数据,通过最小化差分更新参数的一种无模型的强化学习方法。
具体地,结局评分本发明纳入两项因素,一项是结局是院内死亡还是治愈出院,另一项是结局离当前策略时间点的时间间隔。可选地,结局分值在患者的院内结局为治愈出院时增加第三预设分值,在患者的院内结局为死亡时减去第四预设分值,并基于每个患者的RRT启动时刻与院内结局的时间间隔对结局分值进行修正(修正评分)。其中,第三预设分值和第四预设分值可以是但不限于是2。上述结局分值的确定规则可以表示为其中,QTDL代表结局分值,qi TDL代表i时刻患者生命状态变化对应的分值,λ为预设的参数,te为院内结局的时刻,k为当前策略点的时刻,qTDL即为当前时刻点的结局评分,qe为结局评分的基值(是但不限于是2或-2),/>代表了结局时刻离当前策略时刻的时间差结局策略分的修正。
步骤S132:基于策略分值规则,在患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分。
作为一种可选的实施方式,本实施例采用基于蒙特卡罗树搜索(Monte CarloSearching Tree,MCTS)算法修正获得的mMCTS(modified Monte Carlo Searching Tree,mMCTS)进行总策略评分的综合确定。mMCTS不同于MCTS的地方包括:去掉了MCTS中的扩展(Expansion)与选择(Simulation)过程;修改Selection过程,原来的机制要选择过去的时间内最少遍历的路径去模拟,而现在改成只能选择患者已有的策略树;修改回溯(Backpropagation)过程,除了本发明加进了时间长度对终局分值的修正之外,本发明把回溯过程改成两阶段的任务,第一阶段为结局对各策略节点的结局分值修正,第二阶段是在所有的策略树都遍历之后,再反向遍历计算出各节点策略分值,与最终总策略评分。
具体地,请参考图4,图4为本申请实施例提供的一种总策略评分步骤的流程示意图。
步骤S1321:对每名患者生成策略树。
该步骤对应伪代码可以为:
TherapyTree*tt=nullptr;
tt=new TherapyTree(root);
loop while not end
tt->addLeaf(datNode)。
步骤S1322:每名患者的策略路径生成之后,依次进行正向遍历与反向传播遍历,以计算出在该患者的策略路径上的短期分值与结局分值。
该步骤对应伪代码可以如下:
tt->explore1();
tt->backpropagate1()。
步骤S1323:把所有患者的策略路径进行综合,形成最终策略树。
该步骤对应的伪代码可以如下:
MCTS*mctsFinal=nullptr;
loop while tt
mctsFinal->addPair(…)。
步骤S1324:基于短期分值和结局分值,反向遍历生成的最终策略树,计算各项策略分值与总策略评分。
本步骤反向遍历引入了机构(患者所在医院、疗养所等)的策略分值,以反映机构长期积累下来的规程与医疗实践的有效性。由于要给出个性化的治疗方案,反映出机构之间的医疗水平的差异,反映大多数医生都会采用的方案,是医疗策略优化中的相当重要部分。简单的理解就是,A医院能够治愈出院的方案,在B医院可能会导致死亡,所以必须有机制反映机构的当前医疗水平;冷门的方案,比如5位医生曾用过的方案,在策略学习中依现有的学习机制,可能得分很高,但在本发明的机制中,会更倾向于推荐另一种假设是1万医生曾用过的方案,但依现有的评分机制可能相对没那么高。
该步骤对应的伪代码可以如下:
mctsFinal->backpropagate1()。
步骤S1325:基于可解释的格式输出最终策略树。
该步骤对应的伪代码可以如下:
mctsFinal->sortputNode2(…)。
综合上述内容,本实施中总策略评分可以表示如下:
其中,v=(s×a)代表所有可能的生命状态与RRT启动策略(RRT是否启动)空间,vi=(sk×an)代表某生命状态下的某RRT启动策略选择(RRT是否启动),N(vi)代表选择策略节点vi时的次数总和,N(v)代表策略节点vi的父辈节点的被选择的所有次数总和,cn、ce、c分别为短期评分、修正评分和结局评分的因子权重,te院内结局事件的时间,k为每个策略节点的时间,λ为院内结局对每策略节点进行分值修正的修正基数,0<λ<1,Qn(vi)为(si×ak)策略对下选择RRT策略ak的奖惩分值,相当于一级MDP,为只考虑下一步RRT策略时的奖惩值,Qe(vi)为最终的院内结局带来的在vi=(si×ak)策略节点的修正奖惩值,Qn(vi)/N(vi)代表当前生命状态所采用的RRT策略的奖惩分值,代表该RRT策略带来的下一阶段是生命状态的改善还是生命状态的恶化或者维持生命状态不变,Qe(vi)/N(vi)代表最终的院内结局对于RRT策略所带来奖惩分值,代表了结局时刻离当前策略时刻的时间差结局策略分的修正,N(vi)/N(v)代表机构对该策略的频次所带来的奖惩的加成。
下面对上述总策略评分的确定进行举例说明,设共纳入患者数为61532,共形成患者数据集175061*120(120对应输入层节点数),在实际的操作过程中,随机抽取出30%,即:52520*120,作为训练数据集用以训练模型;另外70%,即12541*120,作为测试数据集用以验证模型,30%数据用以训练,而留下70%用以验证,除了本发明设计的模型足够的稳定之外,也为了留出足够的变数给下一阶段的强化学习。用随机抽取的30%数据进行生命状态监测模型的训练,形成生命状态监测模型,对剩下的数据同样进行生命状态预测,以AUC(Area Under Curve)来衡量预测性能,阶段1、2、3的AUC值分别达到0.91、0.83、0.80。在进行标注时,共有3286位患者,即5.2%的患者使用了RRT,其中,0.76%患者在未发生AKI时启动了RRT;6.12%患者在第一生命状态启动了RRT;11.20%的患者在第二生命状态启动了RRT;其它的81.92%则最终在第三生命状态才启动了RRT。通过mMCTS的算法之后,最终得到的各时机启动RRT的评分结果,然后基于其训练获得RRT启动策略评估模型。
进一步地,在采用RRT启动策略评估模型进行评估之前,还需要建立该RRT启动策略评估模型,其具体步骤可以包括:
步骤S133:获取RRT启动预测训练集,RRT启动预测训练集包括多个患者启动RRT时对应的生命状态和总策略评分。
步骤S134:以患者启动RRT时对应的生命状态作为输入数据,以患者在对应生命状态启动RRT对应的总策略评分为预测结果,采用深度置信网络对RRT启动预测训练集进行训练,获得RRT启动策略评估模型。
应当理解的是,上述RRT启动策略评估模型的建立过程与生命状态监测模型在原理上可以相同,在此不再赘述,其模型训练过程可以表示为Model=DBN(C,(si×ak),Qi),模型输出结果可以表示为am=ModelDBN(Cm,sm,Qm),其中,C为预测训练集,Qi代表已通过强化学习得到的该RRT策略节点下的奖惩值,am代表患者在当前生命状态sm下的建议RRT策略方案(包括是否启动RRT)。
应当理解的是,上述步骤S132和步骤S133并没有严格的连续或顺序关系。
因此,患者在某个生命状态的RRT启动策略对应的总策略评分高于某个阈值时,可以基于am给出建议启动RRT的提示信息。
示例性地,RRT启动策略评估结果可以如下文本形式输出:
/>
此外,应当理解的是,除了RRT,本申请实施例提供的确定疗法介入时机的方法还可以应用于其他疾病的指定疗法的介入时机的确定。
为了配合本申请实施例提供的上述肾脏替代疗法启动策略评估方法,本申请实施例还提供了一种肾脏替代疗法启动策略评估装置20。
请参考图5,图5为本申请实施例提供的一种肾脏替代疗法启动策略评估装置的模块示意图。
肾脏替代疗法启动策略评估装置20包括:
生命状态确定模块21,用于基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;
启动策略评估模块22,用于将生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得RRT启动策略评估模型输出的RRT启动策略评估结果,评估结果包括是否建议启动RRT的指示信息。
可选地,肾脏替代疗法启动策略评估装置20还包括:生命状态监测模型建立模块,用于获取多个患者数据,多个患者数据包括每个患者的各特征值和院内结局,院内结局包括治愈出院和死亡;将多个患者数据中患者在当前生命状态预测时间之前的预设时段的各特征值按照时序排列,获得患者数据集;从患者数据集中确定训练数据集;以患者数据集中每个患者对应的数据作为输入数据,以生命状态作为预测结果,采用深度置信网络对训练数据集进行训练,获得生命状态监测模型;其中,生命状态由患者处于第一生命状态的概率、处于第二生命状态的概率、处于第三生命状态的概率和处于第四生命状态的概率综合确定,第一生命状态表示患者在第一预设时刻前治愈出院,第二生命状态表示患者在第一预设时刻后治愈出院,第三生命状态表示患者在第二预设时刻后死亡,第四生命状态表示患者在第二预设时刻前死亡。
可选地,肾脏替代疗法启动策略评估装置20还包括:策略评分模块,用于基于患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和院内结局与当前生命状态预测时间的时间间隔,确定策略分值规则,院内结局包括治愈出院和死亡,病情变化情况包括恶化、好转和无变化;基于策略分值规则,在患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分。
可选地,策略评分模块具体用于:在强化学习中采用马尔科夫决策过程确定每个患者的RRT启动时生命状态对应的短期分值,短期分值在患者于预设观察时段后病情恶化时减去第一预设分值,在患者于预设观察时段后病情好转时增加第二预设分值,在患者于预设观察时段后病情无变化时不变;在强化学习中采用时序差分学习策略确定每个患者的RRT启动时生命状态对应的结局分值,结局分值在患者的院内结局为治愈出院时增加第三预设分值,在患者的院内结局为死亡时减去第四预设分值,并基于每个患者的RRT启动时刻与院内结局的时间间隔对结局分值进行修正。
可选地,策略评分模块具体用于:对患者数据中每位患者生成患者策略树;对每个患者策略树依次进行正向遍历,基于策略分值规则确定每个患者策略树的策略路径上的短期分值;对每个患者策略树依次进行反向遍历,基于策略分值规则确定每个患者策略树的策略路径上的结局分值;基于所有患者的患者策略树的策略路径生成最终策略树;基于短期分值和结局分值,确定最终策略树上的所有策略路径的总策略评分。
可选地,策略评分模块具体用于:反向遍历最终策略树,确定最终策略树上的所有策略路径的总策略评分。
可选地,肾脏替代疗法启动策略评估装置20还包括:RRT启动策略评估模型建立模块,用于获取RRT启动预测训练集,RRT启动预测训练集包括多个患者启动RRT时对应的生命状态和总策略评分;以患者启动RRT时对应的生命状态作为输入数据,以患者在对应生命状态启动RRT对应的总策略评分为预测结果,采用深度置信网络对RRT启动预测训练集进行训练,获得RRT启动策略评估模型。
本申请实施例还提供了一种电子设备,该电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器读取并运行所述程序指令时,执行本实施例提供的肾脏替代疗法启动策略评估方法中任一项所述方法中的步骤。
应当理解是,该电子设备可以是个人电脑(Personal Computer,PC)、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)等具有逻辑计算功能的电子设备。
本申请实施例还提供了一种可读取存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行肾脏替代疗法启动策略评估方法中的步骤。
综上所述,本申请实施例提供了一种肾脏替代疗法启动策略评估方法、装置及电子设备,所述方法包括:基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果,所述评估结果包括是否建议启动RRT的指示信息。
在上述实现方式中,先根据能够表征患者当前生理参数的患者数据确定患者的生命状态预测结果,再根据患者的生命状态采用RRT启动策略评估模型确定是否建议启动RRT,将患者的当前实际生命状态作为RRT启动策略评估的基础,使RRT启动策略评估的结果更加符合患者的当前状态,提高了RRT启动时机的准确性,有助于优化医疗的介入时机,减少医疗介入副带的伤害与医疗资源的消耗。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上,框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图中的每个方框、以及框图的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RanDom Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种肾脏替代疗法启动策略评估方法,其特征在于,所述方法包括:
基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;其中,所述生命状态监测模型为基于当前生命状态之前的多个患者数据和对应的生命状态为训练集训练出的能够根据患者数据预测患者的生命状态的监测模型;
将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果,所述评估结果包括是否建议启动RRT的指示信息;
其中,所述肾脏替代疗法RRT启动策略评估模型为基于所述患者数据和对应的生命状态,输出与RRT启动效果相关的总策略评分,并基于所述总策略评分给出所述RRT启动策略评估结果的评估模型。
2.根据权利要求1所述的方法,其特征在于,在所述基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果之前,所述方法还包括:
获取多个患者数据,所述多个患者数据包括每个患者的各特征值和院内结局,所述院内结局包括治愈出院和死亡;
将所述多个患者数据中患者在当前生命状态预测时间之前的预设时段的各特征值按照时序排列,获得患者数据集;
从所述患者数据集中确定训练数据集;
以所述患者数据集中每个患者对应的数据作为输入数据,以生命状态作为预测结果,采用深度置信网络对所述训练数据集进行训练,获得所述生命状态监测模型;
其中,所述生命状态由患者处于第一生命状态的概率、处于第二生命状态的概率、处于第三生命状态的概率和处于第四生命状态的概率综合确定,所述第一生命状态表示患者在第一预设时刻前治愈出院,所述第二生命状态表示患者在所述第一预设时刻后治愈出院,所述第三生命状态表示患者在第二预设时刻后死亡,所述第四生命状态表示患者在所述第二预设时刻前死亡。
3.根据权利要求2所述的方法,其特征在于,在所述将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果之前,所述方法还包括:
基于所述患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和所述院内结局与所述当前生命状态预测时间的时间间隔,确定策略分值规则,所述院内结局包括治愈出院和死亡,所述病情变化情况包括恶化、好转和无变化;
基于所述策略分值规则,在所述患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分。
4.根据权利要求3的所述的方法,其特征在于,所述基于所述患者数据集中每个患者在自身对应的生命状态启动RRT后在预设观察时段后病情变化情况、院内结局和所述院内结局与所述当前生命状态预测时间的时间间隔,确定策略分值规则,包括:
在强化学习中采用马尔科夫决策过程确定每个患者的RRT启动时生命状态对应的短期分值,所述短期分值在患者于所述预设观察时段后病情恶化时减去第一预设分值,在患者于所述预设观察时段后病情好转时增加第二预设分值,在患者于所述预设观察时段后病情无变化时不变;
在强化学习中采用时序差分学习策略确定每个患者的RRT启动时生命状态对应的结局分值,所述结局分值在患者的院内结局为治愈出院时增加第三预设分值,在患者的院内结局为死亡时减去第四预设分值,并基于每个患者的RRT启动时刻与院内结局的时间间隔对所述结局分值进行修正。
5.根据权利要求4的所述的方法,其特征在于,所述基于所述策略分值规则,在所述患者数据集中标注每个患者在自身对应生命状态启动RRT的总策略评分,包括:
对所述患者数据中每位患者生成患者策略树;
对每个患者策略树依次进行正向遍历,基于所述策略分值规则确定每个患者策略树的策略路径上的短期分值;
对每个患者策略树依次进行反向遍历,基于所述策略分值规则确定每个患者策略树的策略路径上的结局分值;
基于所有患者的患者策略树的策略路径生成最终策略树;
基于所述短期分值和所述结局分值,确定所述最终策略树上的所有策略路径的总策略评分。
6.根据权利要求5所述的方法,其特征在于,所述确定所述最终策略树上的所有策略路径的总策略评分,包括:
反向遍历所述最终策略树,确定所述最终策略树上的所有策略路径的总策略评分。
7.根据权利要求6所述的方法,其特征在于,在所述将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果之前,所述方法还包括:
获取RRT启动预测训练集,所述RRT启动预测训练集包括多个患者启动RRT时对应的生命状态和总策略评分;
以患者启动RRT时对应的生命状态作为输入数据,以患者在对应生命状态启动RRT对应的总策略评分为预测结果,采用深度置信网络对所述RRT启动预测训练集进行训练,获得RRT启动策略评估模型。
8.一种肾脏替代疗法启动策略评估装置,其特征在于,所述装置包括:
生命状态确定模块,用于基于患者数据,采用生命状态监测模型确定患者的生命状态预测结果;其中,所述生命状态监测模型为基于当前生命状态之前的多个患者数据和对应的生命状态为训练集训练出的能够根据患者数据预测患者的生命状态的监测模型;
启动策略评估模块,用于将所述生命状态预测结果输入肾脏替代疗法RRT启动策略评估模型,获得所述RRT启动策略评估模型输出的RRT启动策略评估结果,所述评估结果包括是否建议启动RRT的指示信息;其中,所述肾脏替代疗法RRT启动策略评估模型为基于所述患者数据和对应的生命状态,输出与RRT启动效果相关的总策略评分,并基于所述总策略评分给出所述RRT启动策略评估结果的评估模型。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行权利要求1-7中任一项所述方法中的步骤。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492144.9A CN111640512B (zh) | 2020-06-02 | 2020-06-02 | 肾脏替代疗法启动策略评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010492144.9A CN111640512B (zh) | 2020-06-02 | 2020-06-02 | 肾脏替代疗法启动策略评估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640512A CN111640512A (zh) | 2020-09-08 |
CN111640512B true CN111640512B (zh) | 2023-08-15 |
Family
ID=72332932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010492144.9A Active CN111640512B (zh) | 2020-06-02 | 2020-06-02 | 肾脏替代疗法启动策略评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640512B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489746A (zh) * | 2020-12-08 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 数据管理的任务推送方法、装置、电子设备及存储介质 |
CN112885429A (zh) * | 2020-12-31 | 2021-06-01 | 复旦大学附属华山医院 | 透析前智能管控系统及方法 |
CN112820368A (zh) * | 2021-01-13 | 2021-05-18 | 中国人民解放军国防科技大学 | 重症患者数据集的构建方法、系统、设备和存储介质 |
CN113270192A (zh) * | 2021-04-19 | 2021-08-17 | 浙江大学 | 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 |
CN115295147A (zh) * | 2022-08-04 | 2022-11-04 | 戴松世 | 肾功能衰竭ai医生系统及肾功能衰竭医疗系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
CN108986915A (zh) * | 2018-07-24 | 2018-12-11 | 戴松世 | 人工智能的急性肾损伤的早期预测方法和装置 |
US10490309B1 (en) * | 2014-08-27 | 2019-11-26 | Cerner Innovation, Inc. | Forecasting clinical events from short physiologic timeseries |
CN111028913A (zh) * | 2019-11-29 | 2020-04-17 | 北京工业大学 | 血液透析治疗方案辅助决策方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10282512B2 (en) * | 2013-07-09 | 2019-05-07 | Indiana University Research And Technology Corporation | Clinical decision-making artificial intelligence object oriented system and method |
US10978176B2 (en) * | 2018-06-29 | 2021-04-13 | pulseData Inc. | Machine learning systems and methods for predicting risk of renal function decline |
-
2020
- 2020-06-02 CN CN202010492144.9A patent/CN111640512B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10490309B1 (en) * | 2014-08-27 | 2019-11-26 | Cerner Innovation, Inc. | Forecasting clinical events from short physiologic timeseries |
CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
CN108986915A (zh) * | 2018-07-24 | 2018-12-11 | 戴松世 | 人工智能的急性肾损伤的早期预测方法和装置 |
CN111028913A (zh) * | 2019-11-29 | 2020-04-17 | 北京工业大学 | 血液透析治疗方案辅助决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111640512A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640512B (zh) | 肾脏替代疗法启动策略评估方法、装置及电子设备 | |
Ghorbani et al. | A new hybrid predictive model to predict the early mortality risk in intensive care units on a highly imbalanced dataset | |
CN108604465B (zh) | 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测 | |
US11398308B2 (en) | Physiologic severity of illness score for acute care patients | |
Zhang et al. | Lstm for septic shock: Adding unreliable labels to reliable predictions | |
US20230290452A1 (en) | Electronic Health Record (EHR)-Based Classifier for Acute Respiratory Distress Syndrome (ARDS) Subtyping | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
Curto et al. | Predicting ICU readmissions based on bedside medical text notes | |
Gupta et al. | Utilizing time series data embedded in electronic health records to develop continuous mortality risk prediction models using hidden Markov models: a sepsis case study | |
Wong et al. | Machine learning methods to predict acute respiratory failure and acute respiratory distress syndrome | |
WO2021244993A1 (en) | Machine learning method and system suitable for prediction of disease onset using multi-variate longitudinal patient data | |
CN105718726A (zh) | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 | |
Chakshu et al. | An AI based digital-twin for prioritising pneumonia patient treatment | |
Liu et al. | Predictive analytics for blood glucose concentration: an empirical study using the tree-based ensemble approach | |
Anderies et al. | Prediction of heart disease UCI dataset using machine learning algorithms | |
Souza et al. | Identifying risk factors for heart failure: A case study employing data mining algorithms | |
CN114049952A (zh) | 一种基于机器学习的术后急性肾损伤智能预测方法及装置 | |
Jalamangala Shivananjaiah et al. | Predicting near-term glaucoma progression: an artificial intelligence approach using clinical free-text notes and data from electronic health records | |
Pereira et al. | Fuzzy modeling to predict severely depressed left ventricular ejection fraction following admission to the intensive care unit using clinical physiology | |
Srimedha et al. | A comprehensive machine learning based pipeline for an accurate early prediction of sepsis in ICU | |
US20240104340A1 (en) | Apparatus for enhancing longevity and a method for its use | |
Moghaddasi et al. | Comparing the efficiency of artificial neural network and gene expression programming in predicting coronary artery disease | |
Siddiqa et al. | Robust Length of Stay Prediction Model for Indoor Patients. | |
Bae et al. | Predicting the mortality of pneumonia patients visiting the emergency department through machine learning | |
Agrawal et al. | Lung transplant outcome prediction using unos data |
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 |