CN112117015B - 一种脓毒症的预警设备、方法、装置及存储介质 - Google Patents
一种脓毒症的预警设备、方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112117015B CN112117015B CN202011177326.3A CN202011177326A CN112117015B CN 112117015 B CN112117015 B CN 112117015B CN 202011177326 A CN202011177326 A CN 202011177326A CN 112117015 B CN112117015 B CN 112117015B
- Authority
- CN
- China
- Prior art keywords
- data
- sepsis
- risk
- early warning
- patient
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- 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
-
- 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
Abstract
本发明实施例涉及医疗技术领域,公开了一种脓毒症的预警设备、方法、装置及存储介质,该设备的处理器用于执行:对获取到的患者对象进入重症监护室后的监测数据进行采样得到采样监测数据;当检测到采样监测数据中存在数据缺失的字段时,提取数据缺失的字段中缺失的数据;将缺失的数据填充至数据缺失的字段中得到目标监测数据;将从目标监测数据中提取得到的多个特征数据输入风险预测模型中,得到患者对象患脓毒症的风险概率;当检测到风险概率大于预设阈值时,生成预警提示信息,并将预警提示信息发送给医护终端。通过这种方式可以提高预测脓毒症的准确性,降低脓毒症的发生率。本发明涉及区块链技术,上述监测数据可存储于区块链中。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种脓毒症的预警设备、方法、装置及存储介质。
背景技术
据统计全球每年有超过1800万严重脓毒症病例,死亡率高达50%以上。脓毒症的早期发现和及时治疗对于脓毒症患者的结局有至关重要的作用,每延迟一小时死亡率增加4%-8%。一项调查报告显示,86%的医师认为脓毒症的症状不典型,从而导致诊断和治疗的延迟。目前,脓毒症的预测方案多采用传统机器学习方法,如随机森林、xgboost等,预测精度较差。同时模型可解释性较差,无法解释决策过程,结果无法使临床医生信服。因此,如何提高脓毒症预测结果的有效性非常重要。
发明内容
本发明实施例提供了一种脓毒症的预警设备、方法、装置及存储介质,可以提高预测脓毒症的准确性,通过生成预警提示信息,有助于及时提醒医护人员对患者对象进行抗脓毒症治疗,降低了脓毒症的发生率。
第一方面,本发明实施例提供了一种脓毒症的预警设备,所述设备包括:存储器和处理器;
所述存储器,用于存储程序指令;
所述处理器,用于调用所述程序指令,当所述程序指令被执行时,用于执行以下操作:
获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统和/或电子病历系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;
当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;
使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
进一步地,所述处理器从所述预处理得到的目标监测数据中提取多个特征数据时,具体用于:
获取多个预设时间窗口中每个预设时间窗口中的目标监测数据的最大值、最小值以及均值;
根据所述每个预设时间窗口中的目标监测数据的最大值、最小值以及均值,确定当前时刻与上一时刻的目标监测数据的变化量和变化率;
从所述目标监测数据中获取所述患者对象进入重症监护室后每天的检测次数。
进一步地,所述处理器将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率时,具体用于:
将提取得到的所述多个特征数据输入风险预测模型中,得到每个特征数据对患者对象患脓毒症的风险影响值;
根据所述每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值确定所述患者对象患脓毒症的风险概率。
进一步地,所述处理器将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,还用于:
获取训练集中脓毒症的样本数据;
将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型。
进一步地,所述处理器将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率时,具体用于:
将所述样本数据输入分析模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值;
将所述样本数据中每个特征数据和所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值输入所述指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率。
进一步地,所述处理器根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型时,具体用于:
根据所述样本数据对应的患脓毒症的风险概率确定损失函数值;
根据所述损失函数值对所述指定分类器模型的模型参数进行调整,并在调整所述模型参数后重新训练所述指定分类器模型,得到所述风险预测模型。
进一步地,所述处理器当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息时,具体用于:
当检测到所述风险概率大于预设阈值时,根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;
根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;
根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。
第二方面,本发明实施例提供了一种脓毒症的预警方法,包括:
获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统和/或电子病历系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;
当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;
使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
第三方面,本发明实施例提供了一种脓毒症的预警装置,包括:
获取单元,用于获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统和/或电子病历系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
处理单元,用于根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
预测单元,用于将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
预警单元,用于当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第二方面的方法。
本发明实施例可以获取患者对象进入重症监护室后的监测数据,监测数据包括从患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从目标监测数据中提取多个特征数据;将提取得到的多个特征数据输入风险预测模型中,得到患者对象患脓毒症的风险概率;当检测到风险概率大于预设阈值时,根据风险概率生成预警提示信息,并将预警提示信息发送给医护终端,以使医护终端显示预警提示信息,用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。通过这种方式可以提高预测脓毒症的准确性,通过生成预警提示信息,有助于及时提醒医护人员对患者对象进行抗脓毒症治疗,降低了脓毒症的发生率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种脓毒症的预警系统的结构示意图;
图2是本发明实施例提供的一种脓毒症的预警方法的示意流程图;
图3是本发明实施例提供的一种脓毒症的预警装置的示意框图;
图4是本发明实施例提供的一种脓毒症的预警设备的示意框图。
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。
本发明实施例提供的脓毒症的预警方法可以应用于一种脓毒症的预警系统,在某些实施例中,所述脓毒症的预警系统包括生命监护系统、医护终端和脓毒症的预警设备,其中,所述脓毒症的预警设备可以设置于服务器中。在某些实施例中,所述生命监护系统可以与服务器建立通信连接。在某些实施例中,所述医护终端可以与服务器建立通信连接。在某些实施例中,所述通信连接的方式可以包括但不限于Wi-Fi、蓝牙、近场通信(Near FieldCommunication,NFC)等。在某些实施例中,所述生命监护系统用于采集患者对象进入重症监护室后的监测数据。
下面结合附图1对本发明实施例提供的脓毒症的预警系统进行示意性说明。
请参见图1,图1是本发明实施例提供的一种脓毒症的预警系统的结构示意图。所述脓毒症的预警系统包括:脓毒症的预警设备11、生命监护系统12、医护终端13。在某些实施例中,脓毒症的预警设备11与生命监护系统12可以通过无线通信连接方式建立通信连接;其中,在某些场景下,所述脓毒症的预警设备11与生命监护系统12之间也可以通过有线通信连接方式建立通信连接。在某些实施例中,脓毒症的预警设备11与医护终端13可以通过无线通信连接方式建立通信连接;其中,在某些场景下,所述脓毒症的预警设备11与医护终端13之间也可以通过有线通信连接方式建立通信连接。在某些实施例中,所述医护终端13可以包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑等智能终端设备。在某些实施例中,所述生命监护系统12可以设置在重症监护室中,用于采集患者对象的监测数据,以监测患者对象的用户数据、生命体征数据、检验数据等。
本发明实施例中,生命监护系统12可以实时采集患者对象的监测数据,并将采集到的监测数据发送给脓毒症的预警设备11,脓毒症的预警设备11可以获取生命监护系统12发送的患者对象的监测数据,并根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,以及从目标监测数据中提取多个特征数据。脓毒症的预警设备11可以将提取得到的多个特征数据输入风险预测模型中,得到患者对象患脓毒症的风险概率;当检测到所述风险概率大于预设阈值时,可以根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端13,以使所述医护终端13显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案,以提高预测脓毒症的准确性,通过生成预警提示信息,有助于及时提醒医护人员对患者对象进行抗脓毒症治疗,降低了脓毒症的发生率。
下面结合附图2对本发明实施例提供的脓毒症的预警方法进行示意性说明。
请参见图2,图2是本发明实施例提供的一种脓毒症的预警方法的示意流程图,如图2所示,该方法可以由脓毒症的预警设备执行,所述脓毒症的预警设备设置于服务器中,所述脓毒症的预警设备的具体解释如前所述,此处不再赘述。具体地,本发明实施例的所述方法包括如下步骤。
S201:获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种。
本发明实施例中,脓毒症的预警设备可以获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种。在某些实施例中,所述用户数据包括但不限于患者对象的年龄、姓名、性别等数据。在某些实施例中,所述生命体征数据包括但不限于心率、血氧、体温等数据。在某些实施例中,所述检验数据包括但不限于肌酐、胆红素、乳酸等数据。
在一个实施例中,所述生命监护系统在获取到所述患者对象的监测数据后,可以将所述患者对象的监测数据上传至云端服务器中,将所述患者对象的监测数据存储至云端服务器的区块链中,以确保患者对象的监测数据的可靠性。脓毒症的预警设备可以从云端服务器的区块链中获取所述患者对象的监测数据。
S202:根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据。
S203:当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据。
S204:使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据。
本发明实施例中,脓毒症的预警设备可以根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据。
在一个实施例中,脓毒症的预警设备在从所述目标监测数据中提取多个特征数据时,可以获取多个预设时间窗口中每个预设时间窗口中的目标监测数据的最大值、最小值以及均值,并根据所述每个预设时间窗口中的目标监测数据的最大值、最小值以及均值,确定当前时刻与上一时刻的目标监测数据的变化量和变化率,以及从所述目标监测数据中获取所述患者对象进入重症监护室后每天的检测次数。在某些实施例中,所述多个预设时间窗口可以为2小时、6小时、12小时3个预设时间窗口。
通过对患者对象的监测数据进行采样和/或填补缺失的数据,有助于在预测患者对象患脓毒症的风险概率时,提高预测的准确性。
S205:将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率。
本发明实施例中,脓毒症的预警设备可以将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率。
在一个实施例中,脓毒症的预警设备在将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率时,可以将提取得到的所述多个特征数据输入风险预测模型中,得到每个特征数据对患者对象患脓毒症的风险影响值,并根据所述每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值确定所述患者对象患脓毒症的风险概率。在某些实施例中,所述每个特征数据对患者对象患脓毒症的风险影响值可以为正数或负数。
例如,假设脓毒症的预警设备获取到的患者对象的监测数据包括心率、血氧、乳酸,脓毒症的预警设备可以从心率、血氧、乳酸的监测数据中提取对应的特征数据,并将提取得到的特征数据输入风险预测模型中,得到心率的特征数据对患者对象患脓毒症的风险影响值为20%,血氧的特征数据对患者对象患脓毒症的风险影响值为30%,乳酸的特征数据对患者对象患脓毒症的风险影响值为50%,进一步可以根据心率的特征数据对患者对象患脓毒症的风险影响值为20%,血氧的特征数据对患者对象患脓毒症的风险影响值为30%,乳酸的特征数据对患者对象患脓毒症的风险影响值为50%确定出所述患者对象患脓毒症的风险概率为80%。
在一个实施例中,脓毒症的预警设备在将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率时,可以将提取得到的所述多个特征数据输入风险预测模型中的分析模型,得到每个特征数据对患者对象患脓毒症的风险影响值,并将所述每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值输入分类模型,得到所述患者对象患脓毒症的风险概率。在某些实施例中,所述分析模型可以为shapley value分析模型。
在一个实施例中,脓毒症的预警设备在将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,可以获取训练集中脓毒症的样本数据,并将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率,以及根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型。在某些实施例中,所述样本数据为患脓毒症的患者对象的监测数据。在某些实施例中,所述指定分类器可以为LightGBM。
在一个实施例中,脓毒症的预警设备可以将所述样本数据输入分析模型中,指定分类器模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值,并将所述样本数据中每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值输入指定分类模型,得到所述患者对象患脓毒症的风险概率。
在一个实施例中,脓毒症的预警设备在将所述样本数据中每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值输入指定分类模型,得到所述患者对象患脓毒症的风险概率时,可以将所述样本数据中每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值输入指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率,以及根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型。
在一个实施例中,脓毒症的预警设备在根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型时,可以根据所述样本数据对应的患脓毒症的风险概率确定损失函数值,并根据所述损失函数值对所述指定分类器模型的模型参数进行调整,并在调整所述模型参数后重新训练所述指定分类器模型,得到所述风险预测模型。
通过风险预测模型预测得到患者对象的每个特征数据对患者对象患脓毒症的风险影响值,并根据每个特征数据和每个特征数据对患者对象患脓毒症的风险影响值确定患者对象患脓毒症的风险概率,可以提高风险概率的准确性。
S206:当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
本发明实施例中,脓毒症的预警设备可以当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
在某些实施例中,所述预警提示信息中可以包括患者对象患脓毒症的风险概率和每个特征数据对患者对象患脓毒症的风险影响值。在某些实施例中,所述预警提示信息中可以包括患者对象患脓毒症的风险概率、每个特征数据对患者对象患脓毒症的风险影响值以及患者对象患脓毒症的风险等级。
在一个实施例中,脓毒症的预警设备在当检测到所述风险概率大于预设阈值时,可以根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;并根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;以及根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。在某些实施例中,所述预警提示信息中包括患者对象患脓毒症的风险等级和对应的抗脓毒症治疗方案。
在一个实施例中,脓毒症的预警设备可以根据所述风险等级预测所述患者对象患脓毒症的时间信息,并根据所述风险等级和预测得到的所述患者对象患脓毒症的时间信息确定对应的抗脓毒症治疗方案,以根据患者对象患脓毒症的风险等级、患脓毒症的时间信息和对应的抗脓毒症治疗方案生成所述预警提示信息。在某些实施例中,所述时间信息可以为时间范围,如6小时内。在某些实施例中,所述预警提示信息中包括患者对象患脓毒症的风险等级、患脓毒症的时间信息和对应的抗脓毒症治疗方案。
在一个实施例中,当检测到所述风险概率大于预设阈值时,脓毒症的预警设备可以根据所述风险概率生成预警指令,其中,所述预警指令中携带了预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端接收到所述预警指令时触发所述医护终端的报警装置以发出报警声音等方式进行报警,并在所述医护终端上显示所述预警指令中携带的预警提示信息,以供医护人员查看所述预警提示信息,并根据所述预警提示信息中的风险概率对所述患者对象采取对应的抗脓毒症治疗方案,以提高对所述患者对象采取对应的抗脓毒症治疗方案的效率,降低脓毒症的发生率。
可见,通过这种根据所述风险概率生成预警提示信息,并将预警提示信息发送给医护终端的方式,有助于提醒医护人员根据所述医护终端显示所述预警提示信息对所述患者对象实施抗脓毒症治疗方案,从而降低脓毒症的发生率。
本发明实施例中,脓毒症的预警设备可以获取患者对象进入重症监护室后的监测数据,监测数据包括从患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从目标监测数据中提取多个特征数据;将提取得到的多个特征数据输入风险预测模型中,得到患者对象患脓毒症的风险概率;当检测到风险概率大于预设阈值时,根据风险概率生成预警提示信息,并将预警提示信息发送给医护终端,以使医护终端显示预警提示信息,用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。通过这种方式可以提高预测脓毒症的准确性,通过生成预警提示信息,有助于及时提醒医护人员对患者对象进行抗脓毒症治疗,降低了脓毒症的发生率。
本发明实施例还提供了一种脓毒症的预警装置,该脓毒症的预警装置用于执行前述任一项所述的方法的单元。具体地,参见图3,图3是本发明实施例提供的一种脓毒症的预警装置的示意框图。本实施例的脓毒症的预警装置包括:获取单元301、处理单元302、预测单元303、预警单元304。
获取单元301,用于获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统和/或电子病历系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
处理单元302,用于根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
预测单元303,用于将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
预警单元304,用于当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
进一步地,所述处理单元302从所述预处理得到的目标监测数据中提取多个特征数据时,具体用于:
获取多个预设时间窗口中每个预设时间窗口中的目标监测数据的最大值、最小值以及均值;
根据所述每个预设时间窗口中的目标监测数据的最大值、最小值以及均值,确定当前时刻与上一时刻的目标监测数据的变化量和变化率;
从所述目标监测数据中获取所述患者对象进入重症监护室后每天的检测次数。
进一步地,所述预测单元303将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率时,具体用于:
将提取得到的所述多个特征数据输入风险预测模型中,得到每个特征数据对患者对象患脓毒症的风险影响值;
根据所述每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值确定所述患者对象患脓毒症的风险概率。
进一步地,所述预测单元303将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,还用于:
获取训练集中脓毒症的样本数据;
将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型。
进一步地,所述预测单元303将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率时,具体用于:
将所述样本数据输入分析模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值;
将所述样本数据中每个特征数据和所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值输入所述指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率。
进一步地,所述预测单元303根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型时,具体用于:
根据所述样本数据对应的患脓毒症的风险概率确定损失函数值;
根据所述损失函数值对所述指定分类器模型的模型参数进行调整,并在调整所述模型参数后重新训练所述指定分类器模型,得到所述风险预测模型。
进一步地,所述预警单元304当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息时,具体用于:
当检测到所述风险概率大于预设阈值时,根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;
根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;
根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。
本发明实施例中,脓毒症的预警装置可以获取患者对象进入重症监护室后的监测数据,监测数据包括从患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从目标监测数据中提取多个特征数据;将提取得到的多个特征数据输入风险预测模型中,得到患者对象患脓毒症的风险概率;当检测到风险概率大于预设阈值时,根据风险概率生成预警提示信息,并将预警提示信息发送给医护终端,以使医护终端显示预警提示信息,用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。通过这种方式可以提高预测脓毒症的准确性,通过生成预警提示信息,有助于及时提醒医护人员对患者对象进行抗脓毒症治疗,降低了脓毒症的发生率。
参见图4,图4是本发明实施例提供的一种脓毒症的预警设备的示意框图。如图所示的本实施例中的设备可以包括:一个或多个处理器401和存储器402。存储器402用于存储计算机程序,所述计算机程序包括程序指令,处理器401用于执行存储器402存储的程序指令。其中,处理器401被配置用于调用所述程序指令执行:
获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;
当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;
使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。
进一步地,所述处理器401从所述预处理得到的目标监测数据中提取多个特征数据时,具体用于:
获取多个预设时间窗口中每个预设时间窗口中的目标监测数据的最大值、最小值以及均值;
根据所述每个预设时间窗口中的目标监测数据的最大值、最小值以及均值,确定当前时刻与上一时刻的目标监测数据的变化量和变化率;
从所述目标监测数据中获取所述患者对象进入重症监护室后每天的检测次数。
进一步地,所述处理器401将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率时,具体用于:
将提取得到的所述多个特征数据输入风险预测模型中,得到每个特征数据对患者对象患脓毒症的风险影响值;
根据所述每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值确定所述患者对象患脓毒症的风险概率。
进一步地,所述处理器401将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,还用于:
获取训练集中脓毒症的样本数据;
将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型。
进一步地,所述处理器401将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率时,具体用于:
将所述样本数据输入分析模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值;
将所述样本数据中每个特征数据和所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值输入所述指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率。
进一步地,所述处理器401根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型时,具体用于:
根据所述样本数据对应的患脓毒症的风险概率确定损失函数值;
根据所述损失函数值对所述指定分类器模型的模型参数进行调整,并在调整所述模型参数后重新训练所述指定分类器模型,得到所述风险预测模型。
进一步地,所述处理器401当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息时,具体用于:
当检测到所述风险概率大于预设阈值时,根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;
根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;
根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。
本发明实施例中,服务器可以获取患者对象进入重症监护室后的监测数据,监测数据包括从患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从目标监测数据中提取多个特征数据;将提取得到的多个特征数据输入风险预测模型中,得到患者对象患脓毒症的风险概率;当检测到风险概率大于预设阈值时,根据风险概率生成预警提示信息,并将预警提示信息发送给医护终端,以使医护终端显示预警提示信息,用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案。通过这种方式可以提高预测脓毒症的准确性,通过生成预警提示信息,有助于及时提醒医护人员对患者对象进行抗脓毒症治疗,降低了脓毒症的发生率。
应当理解,在本发明实施例中,所称处理器401可以是中央处理单元(CenSralProcessing UniS,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigiSalSignal Processor,DSP)、专用集成电路(ApplicaSion Specific InSegraSed CircuiS,ASIC)、现成可编程门阵列(Field-Programmable GaSe Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器402可以包括只读存储器和随机存取存储器,并向处理器401提供指令和数据。存储器402的一部分还可以包括非易失性随机存取存储器。例如,存储器402还可以存储设备类型的信息。
本发明实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现图2所对应实施例中描述的脓毒症的预警方法,也可实现本发明图3所对应实施例的脓毒症的预警设备,在此不再赘述。
所述计算机可读存储介质可以是前述任一实施例所述的脓毒症的预警设备的内部存储单元,例如脓毒症的预警设备的硬盘或内存。所述计算机可读存储介质也可以是所述脓毒症的预警设备的外部存储设备,例如所述脓毒症的预警设备上配备的插接式硬盘,智能存储卡(SmarS Media Card,SMC),安全数字(Secure DigiSal,SD)卡,闪存卡(FlashCard)等。进一步地,所述计算机可读存储介质还可以既包括所述脓毒症的预警设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述脓毒症的预警设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的单元如果以软件功能单元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。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,或者该技术方案的全部或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计算机可读存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括: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。所述的计算机可读存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
需要强调的是,为进一步保证上述风险概率的私密和安全性,上述风险概率还可以存储于一区块链的节点中。其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,仅为本发明的部分实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种脓毒症的预警设备,其特征在于,所述设备包括:存储器和处理器;
所述存储器,用于存储程序指令;
所述处理器,用于调用所述程序指令,当所述程序指令被执行时,用于执行以下操作:
获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;
当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;
使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案;
所述处理器将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,还用于:
获取训练集中脓毒症的样本数据;
将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型;
所述处理器将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率时,具体用于:
将所述样本数据输入分析模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值;
将所述样本数据中每个特征数据和所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值输入所述指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
所述处理器当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息时,具体用于:
当检测到所述风险概率大于预设阈值时,根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;
根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;
根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。
2.根据权利要求1所述的设备,其特征在于,所述处理器从所述目标监测数据中提取多个特征数据时,具体用于:
获取多个预设时间窗口中每个预设时间窗口中的目标监测数据的最大值、最小值以及均值;
根据所述每个预设时间窗口中的目标监测数据的最大值、最小值以及均值,确定当前时刻与上一时刻的目标监测数据的变化量和变化率;
从所述目标监测数据中获取所述患者对象进入重症监护室后每天的检测次数。
3.根据权利要求1所述的设备,其特征在于,所述处理器将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率时,具体用于:
将提取得到的所述多个特征数据输入风险预测模型中,得到每个特征数据对患者对象患脓毒症的风险影响值;
根据所述每个特征数据和所述每个特征数据对患者对象患脓毒症的风险影响值确定所述患者对象患脓毒症的风险概率。
4.根据权利要求1所述的设备,其特征在于,所述处理器根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型时,具体用于:
根据所述样本数据对应的患脓毒症的风险概率确定损失函数值;
根据所述损失函数值对所述指定分类器模型的模型参数进行调整,并在调整所述模型参数后重新训练所述指定分类器模型,得到所述风险预测模型。
5.一种脓毒症的预警方法,其特征在于,包括:
获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;
当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;
使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案;
所述将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,还包括:
获取训练集中脓毒症的样本数据;
将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型;
所述将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率,包括:
将所述样本数据输入分析模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值;
将所述样本数据中每个特征数据和所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值输入所述指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
所述当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,包括:
当检测到所述风险概率大于预设阈值时,根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;
根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;
根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。
6.一种脓毒症的预警装置,其特征在于,包括:
获取单元,用于获取患者对象进入重症监护室后的监测数据,所述监测数据包括从所述患者对象的生命监护系统和/或电子病历系统中实时提取的用户数据、生命体征数据、检验数据中的一种或多种;
处理单元,用于根据预设的采样频率对获取到的所述患者对象的监测数据进行采样,得到采样监测数据;当检测到所述采样监测数据中存在数据缺失的字段时,从所述监测数据中提取所述数据缺失的字段中缺失的数据;使用前向插值法将所述缺失的数据填充至所述数据缺失的字段中,得到目标监测数据,并从所述目标监测数据中提取多个特征数据;
预测单元,用于将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率;
预警单元,用于当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息,并将所述预警提示信息发送给医护终端,以使所述医护终端显示所述预警提示信息,所述预警提示信息用于提醒医护人员对所述患者对象实施抗脓毒症治疗方案;
所述预测单元将提取得到的所述多个特征数据输入风险预测模型中,得到所述患者对象患脓毒症的风险概率之前,还用于:
获取训练集中脓毒症的样本数据;
将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
根据所述样本数据对应的患脓毒症的风险概率训练所述指定分类器模型,得到所述风险预测模型;
所述预测单元将所述样本数据输入指定分类器模型中,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率时,具体用于:
将所述样本数据输入分析模型中,得到所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值;
将所述样本数据中每个特征数据和所述样本数据中每个特征数据对患者对象患脓毒症的风险影响值输入所述指定分类模型,并采用k折交叉验证的方式训练所述指定分类器模型,得到所述样本数据对应的患脓毒症的风险概率;
所述预警单元当检测到所述风险概率大于预设阈值时,根据所述风险概率生成预警提示信息时,具体用于:
当检测到所述风险概率大于预设阈值时,根据预设的概率与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级;
根据预设的方案与等级的对应关系,确定与所述患者对象患脓毒症的风险概率对应的风险等级对应的抗脓毒症治疗方案;
根据所述风险等级和所述抗脓毒症治疗方案生成所述预警提示信息。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求5所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011177326.3A CN112117015B (zh) | 2020-10-28 | 2020-10-28 | 一种脓毒症的预警设备、方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011177326.3A CN112117015B (zh) | 2020-10-28 | 2020-10-28 | 一种脓毒症的预警设备、方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112117015A CN112117015A (zh) | 2020-12-22 |
CN112117015B true CN112117015B (zh) | 2023-09-05 |
Family
ID=73794386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011177326.3A Active CN112117015B (zh) | 2020-10-28 | 2020-10-28 | 一种脓毒症的预警设备、方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112117015B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599553A (zh) * | 2016-11-29 | 2017-04-26 | 中国科学院深圳先进技术研究院 | 疾病预警方法及装置 |
CN107566358A (zh) * | 2017-08-25 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 一种风险预警提示方法、装置、介质及设备 |
CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
-
2020
- 2020-10-28 CN CN202011177326.3A patent/CN112117015B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599553A (zh) * | 2016-11-29 | 2017-04-26 | 中国科学院深圳先进技术研究院 | 疾病预警方法及装置 |
CN107566358A (zh) * | 2017-08-25 | 2018-01-09 | 腾讯科技(深圳)有限公司 | 一种风险预警提示方法、装置、介质及设备 |
CN107910068A (zh) * | 2017-11-29 | 2018-04-13 | 平安健康保险股份有限公司 | 投保用户的健康风险预测方法、装置、设备及存储介质 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112117015A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11961621B2 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
US10912508B2 (en) | Method and system for assessing mental state | |
CN100448392C (zh) | 用于从自监控数据估计糖尿病中血糖控制的方法,系统,和计算机程序产品 | |
US20210233641A1 (en) | Anxiety detection apparatus, systems, and methods | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
JP5977898B1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
CN109545387B (zh) | 一种基于神经网络的异常病例识别方法及计算设备 | |
CN111475713A (zh) | 医生信息推荐方法、装置、电子设备、系统及存储介质 | |
WO2017017554A1 (en) | Reliability measurement in data analysis of altered data sets | |
CN113707253A (zh) | 医疗方案推荐方法、装置、设备及介质 | |
CN112017784B (zh) | 一种基于多模态数据的冠心病风险预测方法及相关设备 | |
Nestor et al. | Preparing a clinical support model for silent mode in general internal medicine | |
CN112117015B (zh) | 一种脓毒症的预警设备、方法、装置及存储介质 | |
CN112037918B (zh) | 一种融合并发症风险的慢病医保费用预测方法及相关设备 | |
CN115146179A (zh) | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 | |
CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 | |
CN114566280A (zh) | 用户状态预测方法、装置、电子设备及存储介质 | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
CN112613313A (zh) | 医嘱质控的方法、装置、设备、存储介质以及程序产品 | |
US11923048B1 (en) | Determining mucopolysaccharidoses and decision support tool | |
JP7443613B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20220223287A1 (en) | Ai based system and method for prediciting continuous cardiac output (cco) of patients | |
WO2024006868A1 (en) | A system by which patients receiving treatment and at risk for iatrogenic cytokine release syndrome are safely monitored | |
Milner et al. | The Need to Identify Multidimensional Digital Biomarker Phenotypes for Mild Cognitive Impairment | |
Li et al. | TherapyPal: Towards a Privacy-Preserving Companion Diagnostic Tool based on Digital Symptomatic Phenotyping |
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 |