CN112466469A - 一种重大危机及死亡风险预测方法 - Google Patents
一种重大危机及死亡风险预测方法 Download PDFInfo
- Publication number
- CN112466469A CN112466469A CN202011420860.2A CN202011420860A CN112466469A CN 112466469 A CN112466469 A CN 112466469A CN 202011420860 A CN202011420860 A CN 202011420860A CN 112466469 A CN112466469 A CN 112466469A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- death risk
- model
- death
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
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
- G16H50/30—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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种重大危机及死亡风险预测方法，根据患者在接下来24小时内的状态来定义患者目标状态；对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间变成结构化的时间序列数据；对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；对基本变量和获得的衍生变量进行合并，整理成标准的输入数据集；将输入数据集输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
Description
技术领域
本发明涉及重症监护技术领域，特别涉及一种重大危机及死亡风险预测方法。
背景技术
重症监护病房（ICU）内收治各种病情危重的患者，是医院患者死亡率最高的科室。不同的患者往往需要重点不同的监护治疗，医生需要根据患者病情的变化情况，决定患者的治疗方案。一个患者进入ICU会产生大量的数据信息，而在ICU，医生需要同时监护多个重症患者，加上现有监护仪的无效报警率，医生在面对大量临床数据时，可能无法及时有效的获知每个患者病情的潜在风险变化。若能在重症患者病情变化之时，针对有高危风险的患者提前给医生以预警，医生可对高风险患者重点关注，实现及时有效的救治，帮助重症患者及早脱离生命危险，改善预后提高ICU治愈率。
重症监护病房（ICU）患者生死预测一直都是医学界的研究热点和难点。目前的医院信息系统在设计的时候，主要考虑的是满足医院的收费和管理需求，没有考虑到数据再利用的问题。以及，医院的各种数据一般存放在不同的系统中，并且采集频次也不一样，导致海量的医疗临床数据没有得到有效地利用。这也对临床工作人员进行数据分析研究带来了很大的困扰，由于缺少有效的方法对医学实践中产生的大量数据进行有效挖掘，数据中一些关键信息没有被关注到，没有发挥出其在临床上应有的价值。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种重大危机及死亡风险预测方法，运用机器学习算法充分利用患者临床数据，提取患者数据中有价值的关键信息，预测患者病情动态变化趋势，实现对ICU重症患者的智能监护，给医生的临床决策提供循证依据。
预测ICU患者的死亡风险，即为评估患者在未来某一段时间内面临死亡，或者发生需要抢救（比如电除颤，心外按压，肾上腺素使用等）的重大危重事件的风险。
面对ICU数据质量高、数据密度大，但数据结构不统一、数据利用率低的特点，以及当前一些急重症患者评分模型的局限性，本发明采用数据挖掘技术充分利用患者生命体征、呼吸支持、血气、实验室检验值等等各类能反映患者病情状态的临床数据，即时监控患者状态并预测患者病情动态变化趋势，实现对ICU重症患者的智能监护，给医生的临床决策提供循证依据。不仅可以帮助临床医生对危重患者的病情做出正确评价，以便及时采取适当的治疗措施并评价治疗效果，还能实现ICU医疗资源的充分利用，提高ICU的周转和使用率，从而提高医疗质量，推动危重症医学的发展。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种重大危机及死亡风险预测方法，包括以下步骤：
步骤1：从医院的His，Lis，EMR系统里获取多维度数据；
步骤2：根据患者在接下来24小时内的状态来定义患者目标状态，死亡风险预测的目标状态不仅是指患者的死亡还有患者可能会发生需要抢救的重大危重事件，重大危重事件包括电除颤、心外按压、肾上腺素使用等；
步骤3：对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据；
步骤4：对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；
步骤5：对基本变量和获得的衍生的变量进行合并，整理成标准的输入数据集；
步骤6：对标准的输入数据集，将其输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；
步骤7：对当前的死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；
步骤8：针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
综上所述，本发明对比于现有技术的有益效果为：
1、相比于现有技术变量维度都很少，大量临床数据得不到有效利用，本发明考虑多维度的参数变量，充分利用临床数据，挖掘其在临床决策中的价值；
2、对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据，考虑到时间序列数据的变化，关注重症患者的状态变化情况。
3、本发明注重模型的在线学习能力，对死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；
4、针对模型每次的预测，都会给出特征贡献度的解释，给医生的临床决策提供循证依据。医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
附图说明
图1为实施例的整体流程图。
具体实施方案
以下结合附图对发明作进一步详细说明。
一种重大危机及死亡风险预测方法，参照图1所示，包括以下步骤：
步骤1：从医院的His，Lis，EMR系统里获取多维度数据；
步骤2：根据患者在接下来24小时内的状态来定义患者目标状态；
步骤3：对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据；
步骤4：对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；
步骤5：对基本变量和获得的衍生的变量进行合并，整理成标准的输入数据集；
步骤6：对标准的输入数据集，将其输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；
步骤7：对当前的死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；
步骤8：针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
上述死亡风险预测的目标状态，不仅是指患者的死亡还有患者可能会发生需要抢救的重大危重事件，重大危重事件包括电除颤、心外按压、肾上腺素使用等。
多维度数据包括患者基本信息、生命体征数据、呼吸支持参数、血气数据、检验数据；患者基本信息包括年龄、身高、体重等，所述生命体征数据包括心率、收缩压、舒张压、体温、呼吸频率，所述呼吸支持参数包括呼吸机模式、潮气量、每分钟通气量、吸入氧浓度、呼吸末正压，所述血气数据包括PH值、二氧化碳分压、氧分压、碱剩余、乳酸、阴离子间隙，所述检验数据包括血红蛋白、白细胞、红细胞、平均红细胞体积、血小板。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (4)
1.一种重大危机及死亡风险预测方法，其特征是，包括以下步骤：
步骤1：从医院的His，Lis，EMR系统里获取多维度数据；
步骤2：根据患者在接下来24小时内的状态来定义患者目标状态；
步骤3：对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据；
步骤4：对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；
步骤5：对基本变量和获得的衍生的变量进行合并，整理成标准的输入数据集；
步骤6：对标准的输入数据集，将其输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；
步骤7：对当前的死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；
步骤8：针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
2.根据权利要求1所述的一种重大危机及死亡风险预测方法，其特征是，死亡风险预测的目标状态，不仅是指患者的死亡还有患者可能会发生需要抢救的重大危重事件，重大危重事件包括电除颤、心外按压、肾上腺素使用等。
3.根据权利要求1至2任意一项所述的重大危机及死亡风险预测方法，其特征是：所述多维度数据包括患者基本信息、生命体征数据、呼吸支持参数、血气数据、检验数据。
4.根据权利要求3所述的一种重大危机及死亡风险预测方法，其特征是：所述患者基本信息包括年龄、身高、体重等，所述生命体征数据包括心率、收缩压、舒张压、体温、呼 吸频率，所述呼吸支持参数包括呼吸机模式、潮气量、每分钟通气量、吸入氧浓度、呼吸末正压，所述血气数据包括PH值、二氧化碳分压、氧分压、碱剩余、乳酸、阴离子间隙，所述检验数据包括血红蛋白、白细胞、红细胞、平均红细胞体积、血小板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011420860.2A CN112466469A (zh) | 2020-12-08 | 2020-12-08 | 一种重大危机及死亡风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011420860.2A CN112466469A (zh) | 2020-12-08 | 2020-12-08 | 一种重大危机及死亡风险预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112466469A true CN112466469A (zh) | 2021-03-09 |
Family
ID=74800856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011420860.2A Pending CN112466469A (zh) | 2020-12-08 | 2020-12-08 | 一种重大危机及死亡风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112466469A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978570A (zh) * | 2023-09-25 | 2023-10-31 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
| CN117131369A (zh) * | 2023-10-27 | 2023-11-28 | 福建福昇消防服务集团有限公司 | 智慧安全管理与应急救援一体站的数据处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109119155A (zh) * | 2018-07-03 | 2019-01-01 | 厦门大学 | 基于深度学习的icu死亡危险性评估系统 |
| CN110289096A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的icu院内死亡率预测方法 |
| CN110827993A (zh) * | 2019-11-21 | 2020-02-21 | 北京航空航天大学 | 基于集成学习的早期死亡风险评估模型建立方法及装置 |
-
2020
- 2020-12-08 CN CN202011420860.2A patent/CN112466469A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109119155A (zh) * | 2018-07-03 | 2019-01-01 | 厦门大学 | 基于深度学习的icu死亡危险性评估系统 |
| CN110289096A (zh) * | 2019-06-28 | 2019-09-27 | 电子科技大学 | 一种基于深度学习的icu院内死亡率预测方法 |
| CN110827993A (zh) * | 2019-11-21 | 2020-02-21 | 北京航空航天大学 | 基于集成学习的早期死亡风险评估模型建立方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978570A (zh) * | 2023-09-25 | 2023-10-31 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
| CN116978570B (zh) * | 2023-09-25 | 2024-02-06 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
| CN117131369A (zh) * | 2023-10-27 | 2023-11-28 | 福建福昇消防服务集团有限公司 | 智慧安全管理与应急救援一体站的数据处理方法及系统 |
| CN117131369B (zh) * | 2023-10-27 | 2023-12-22 | 福建福昇消防服务集团有限公司 | 智慧安全管理与应急救援一体站的数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abdel-Basset et al. | RETRACTED: a novel and powerful framework based on neutrosophic sets to aid patients with cancer | |
| Wang et al. | Enabling smart personalized healthcare: A hybrid mobile-cloud approach for ECG telemonitoring | |
| CN112675393B (zh) | 一种呼吸机撤机管理系统及方法 | |
| Basilakis et al. | Design of a decision-support architecture for management of remotely monitored patients | |
| CA2927807C (en) | System and method for providing multi-organ variability decision support for extubation management | |
| CN112365978A (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
| Mistry et al. | An Analysis of IoT-Based Solutions for Congenital Heart Disease Monitoring and Prevention | |
| CN112466469A (zh) | 一种重大危机及死亡风险预测方法 | |
| CN114420231B (zh) | 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备 | |
| CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
| CN117612725B (zh) | 一种用于重症监护室的呼吸机警报管理方法及系统 | |
| Wu et al. | Developing and evaluating a machine-learning-based algorithm to predict the incidence and severity of ARDS with continuous non-invasive parameters from ordinary monitors and ventilators | |
| CN103793610A (zh) | 基于云加端物联网的ards监测和分析管理系统 | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| Orphanidou et al. | Telemetry-based vital sign monitoring for ambulatory hospital patients | |
| WO2012006174A2 (en) | Methods, systems, and computer readable media for evaluating a hospital patient's risk of mortality | |
| Aghav et al. | Health track | |
| CN117315885B (zh) | 一种监测尿袋尿量与心电监护仪的远程共享报警系统 | |
| Zhou | IoT Sensor-Based Big Data and Information Systems in Smart Healthcare | |
| CN117747046B (zh) | 一种医用注射系统 | |
| Rehm | A Computational System for Detecting the Acute Respiratory Distress Syndrome Using Physiologic Waveform Data from Mechanical Ventilators | |
| Chindham et al. | Family Health Monitoring System using Python for Biomedical Applications | |
| Nasreen et al. | Next-Gen Telehealth Ecosystems Using IoT for Virtual Consultations and Support | |
| Jalali et al. | Predicting Clinical Deterioration in Hospitals | |
| CN116825297A (zh) | 一种基于物联网平台的医疗管理方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220120 Address after: Room 502, building 3, 1818-2 Wenyi West Road, Yuhang street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: HANGZHOU MAIXING MEDICAL TECHNOLOGY Co.,Ltd. Applicant after: PEKING UNION MEDICAL COLLEGE Hospital Address before: Room 502, building 3, 1818-2 Wenyi West Road, Yuhang street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU MAIXING MEDICAL TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210309 |
|
| RJ01 | Rejection of invention patent application after publication |