CN112675393B - 一种呼吸机撤机管理系统及方法 - Google Patents

Abstract

本发明公开了一种呼吸机撤机管理系统及方法，从医院的His，Lis，EMR系统里获取多维度数据，把获取的多维度临床数据进行清洗整理，并按照入院时间进行排序，变成结构化的时间序列数据以作为待提取数据，按照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，并动态评估患者的疾病状态(COPD，ARDS，VAP)，最终把时间序列数据、衍生变量和疾病的动态评估结果三部分已处理数据合并成一标准的输入数据集，输入到模式转换模型和脱机预测模型中评估，针对模式转换模型给出的判断，给出特征贡献度的解释，给医生的临床决策提供询证依据，医生结合特征解释与预测概率进行综合判断。

Description

一种呼吸机撤机管理系统及方法

技术领域

本发明涉及呼吸机撤机管理技术领域，特别涉及一种呼吸机撤机管理系统及方法。

背景技术

呼吸机是用于预防和治疗呼吸衰竭，挽救及延长病人生命的重要医疗设备。呼吸机分为有创和无创两种，危重的病人往往需要有创呼吸机，而长期使用有创呼吸机，病人得感染和肺炎的风险会增高。除此之外，使用呼吸机时间越长，病人容易对呼吸机产生依赖，从而很难脱机。所以当病人病情得到好转，适当时候合理减少呼吸支持，让病人逐渐恢复自主呼吸，尽早进行脱机，减少对呼吸机的依赖，提高疾病预后。

目前市场上存在的智能呼吸机选用参数太单一，只有呼吸机的数据，其功能简单。在实际临床上，医生要根据很多参数(呼吸参数，生命体征，血气分析等)综合判断，来决定是否对病人进行脱机；但这些数据一般存放在医院的不同的系统中，而且这些变量的采集频次也不一样，导致时间序列的数据信息很难得到有效利用；除此之外，病人的疾病诊断在医院系统中都是静态，只知道疾病的发生，但是很难知道疾病的是否治愈，以及治愈的时间，所以动态的得到病人的疾病评估对呼吸机撤机有很大的帮助。

随着医疗信息化的完善，医疗数据越来越多，利用大数据分析技术来解决医疗问题也成一个必然的一个趋势，该方法利用机器学习方法，结合临床实践情况所用的测量变量，建立一个针对呼吸机撤机管理的模型方法。

现有技术中，有公开一种用于监控一个或多个器官的随着时间过去的生理参数变异性的方法和装置(专利号为CN200880118871.6)，并具体公开了以下技术特征(见说明书0058-0060)，“支持多个时间间隔内的变异性分析(例如，连续的变异性分析)的基本理论在很多场景中广泛的应用，例如，用于治疗、早期诊断和总的健康监控。”监控多个时间间隔下的参数变异性变化情况的另一个临床用途是用于评估某个干预措施下的变异性变化情况，例如，这使下面所述的系统和/或其部分能够在危重患者中从医疗装置例如机械通气装置解放的安全和计时方面帮助临床医生。“随着时间过去的变异性分析”或“变异性分析”通常指在多个时间间隔内对每个患者参数、变量、器官等的变异性的度量的计算。变异性的每个度量指示在一个时间间隔内相应的患者参数变化的程度和特征，以及每个变异性分析使患者参数的变异性的变化能够在一段时间内被观察到。可对一个或多个患者参数，即，单个参数和/或多个参数(例如，单个器官或多个器官)执行如这里所述的变异性分析，且变异性的多个度量可根据例如间歇的、连续的等的任何适当的模式获得。

在上述的技术方案中，有透露采用患者数据基于时间变化进行变异性分析，可以在医疗装置例如机械通气装置(呼吸机)解放的安全和计时方面帮助临床医生，但并未过多介绍或系统介绍设想如何进行落地实现，经检索分析，多年来也均未关于呼吸机设备撤机管控相关的技术方案的出现，由此本申报的一种呼吸机撤机管理系统及方法经过完整可实行的方案介绍弥补了此处的技术空白，对呼吸机患者和主治医生对患者的撤机时机和医生判断提供了科学的参考依据。

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呼吸机撤机管理系统及方法，解决上述存在的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：一种呼吸机撤机管理方法，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，含有生命体征(心率，血压，温度，脉搏，血氧)、呼吸支持参数(呼吸机模式，潮气量，分钟通气量，压力支持，吸入氧浓度，呼吸峰压，呼吸末正压)、血气(PH值，二氧化碳分压，氧分压，碱剩余，血乳酸，阴离子间隙，红细胞压积)、检验数据(血红蛋白，白细胞，钾，钠，血小板)、以及感染数据；

步骤2，把获取的多维度临床数据进行清洗整理，并按照入院时间进行排序，变成结构化的时间序列数据以作为待提取数据；

步骤3，提取时间序列数据按照6h，12h，24h为周期计算各个基础变量在不同时间间隔下的变化值，得到时间序列数据的衍生变量，衍生变量包含基于时间间隔下的各个参数单独的连续性变化值、各个参数之间联合作用下的变化值，衍生变量体现了患者对呼吸机需求程度的变化趋势；

步骤4，除上述衍生变量之外，还额外添加了一些更高维的数据特征，通过提取时间序列数据进行动态评估患者与呼吸性疾病相关的疾病状态，如慢性阻塞性肺疾病COPD、急性呼吸窘迫综合征ARDS、呼吸机相关性肺炎VAP，具体通过相应呼吸性疾病下对应的特征指标，对时间序列数据进行数据比对和分析，动态评估出患者得相应呼吸性疾病的判断值；

步骤5：把时间序列数据、衍生变量和呼吸性疾病的动态评估结果三部分已处理数据合并成一标准的输入数据集，预训练出具有预测患者呼吸机脱机概率功能的脱机预测模型；

步骤6：根据呼吸机具有完全控制通气、辅助/控制通气、压力支持模式、同步间歇指令通气4种通气方式，预先设计出呼吸机模式调整预测模型，根据患者与呼吸相关的实时数据预测出患者对呼吸机的支持力度，以此判断在当前病人状态下，是否需要改变呼吸机的模式；脱机预测判断只能在呼吸机模式调整预测模型的预测结果为减少呼吸支持的情况下才能进一步进行；

步骤7：根据当前呼吸机的模式下的脱机成功率，动态调整预测阈值，阈值调整公式为：P_new＝P_std*ln(1/(P_model/P_psv))+P_std；其中，P_std为0.5，P_psv为在压力支持模式下的脱机成功率，作为基数，P_model为在各个呼吸机通气模式下的脱机成功率；

步骤8：将根据患者实时数据处理得出的标准数据集输入到脱机预测模型中，判断在当前病人状态下，呼吸机脱机的概率，并将得出的概率与动态调整得出的新预测阈值进行比较，得到是否可脱机的最终判断；

步骤9：针对脱机预测模型给出的判断，再计算每次预测路径的上数据集中的重要特征的权重排序，形成重要特征的权重序列，提供特征贡献度的解释，给医生的临床决策提供询证依据，医生结合特征贡献度的解释与预测结果进行综合判断。

进一步优选为：定期把标准数据集内增加的数据加入呼吸机模式调整预测模型和脱机预测模型内进行再次学习，更新模型评估参数及评估标准。

进一步优选为：所述时间序列数据不单单按照时间节点包含各基本参数及其变化，同时含有各时间点的发生的事件信息。

本发明的另一目的是提供上述呼吸机撤机管理方法的呼吸机撤机管理系统。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种呼吸机撤机管理系统，包括：

标准化数据库，从医院信息化平台(His，Lis，EMR)获取多维度数据并进行标准化处理以作为待提取数据；

特征池模块，根据在特征池定义好的特征，计算和选取所需要的特征，形成标准化的输入数据集；

算法模型模块，含有呼吸机模式调整预测模型和脱机预测模型，定期把增加的数据加入模型进行再次学习以更新模型，在使用过程中通过接收实时数据进行在线预测并输出评估结果。

进一步优选为：所述多维度数据含有生命体征(心率，血压，温度，脉搏，血氧)、呼吸支持参数(呼吸机模式，潮气量，分钟通气量，压力支持，吸入氧浓度，呼吸峰压，呼吸末正压)、血气(PH值，二氧化碳分压，氧分压，碱剩余，血乳酸，阴离子间隙，红细胞压积)、检验数据(血红蛋白，白细胞，钾，钠，血小板)、以及感染数据，并进行清洗整理、按照入院时间进行排序，变成结构化的时间序列数据以作为待提取数据。

进一步优选为：所述特征池模块按照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，并提取时间序列数据依照《撤机指南》的要求进行动态评估患者的疾病状态，最终把时间序列数据、衍生变量和疾病的动态评估结果三部分已处理数据合并成一标准的输入数据集。

综上所述，本发明对比于现有技术的有益效果为：

1、多维度的参数变量，现有的技术变量维度都很少；

2、考虑时间序列数据的变化，既病人的状态变化；

3、对病人与呼吸机相关的疾病进行动态的评估，而不是如EMR里的静态方式；

4、模型会定时学习，自动更新；

5、模型调整与脱机的相结合；

6、针对每次预测都会给出个性化的解释。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1为实施例的整体流程图。具体实施方案

下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。说明书中的“实施例”或“实施方式”既可表示一个实施例或一种实施方式，也可表示一些实施例或一些实施方式的情况。

本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的实施方式，提出了一种呼吸机撤机管理系统及方法。

需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

下面对本发明中所涉及的技术术语进行简单描述，以便相关人员更好的理解本方案。

His系统，一般指医院信息系统，医院信息系统是指利用计算机软硬件技术和网络通信技术等现代化手段，对医院及其所属各部门的人流、物流、财流进行综合管理，对在医疗活动各阶段产生的数据进行采集、存储、处理、提取、传输、汇总，加工形成各种信息，从而为医院的整体运行提供全面的自动化管理及各种服务的信息系统。

Lis系统，Lis系统(Laboratory Information System)即实验室(检验科)信息系统，它是医院信息管理的重要组成部分之一，自从人类社会进入信息时代，信息技术的迅速发展加快了各行各业现代化与信息化的进程。Lis系统逐步采用了智能辅助功能来处理大信息量的检验工作，即Lis系统不仅是自动接收检验数据，打印检验报告，系统保存检验信息的工具，而且可根据实验室的需要实现智能辅助功能。随着IT技术的不断发展，人工智能在Lis系统中的应用也越来越广泛。

EMR系统，EMR是Electronic Medical Record的简写，指的是计算机化的病案系统。

一种呼吸机撤机管理方法，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，含有生命体征(心率，血压，温度，脉搏，血氧)、呼吸支持参数(呼吸机模式，潮气量，分钟通气量，压力支持，吸入氧浓度，呼吸峰压，呼吸末正压)、血气(PH值，二氧化碳分压，氧分压，碱剩余，血乳酸，阴离子间隙，红细胞压积)、检验数据(血红蛋白，白细胞，钾，钠，血小板)、以及感染数据。

步骤2，把获取的多维度临床数据进行清洗整理，并按照入院时间进行排序，变成结构化的时间序列数据以作为待提取数据。

步骤3，提取时间序列数据按照6h，12h，24h为周期计算各个基础变量在不同时间间隔下的变化值，得到时间序列数据的衍生变量，衍生变量包含基于时间间隔下的各个参数单独的连续性变化值、各个参数之间联合作用下的变化值，衍生变量体现了患者对呼吸机需求程度的变化趋势；对于衍生变量的具有形式，现举例如下。

场景1：PS的变化值，PS表示呼吸机提供的支持压力，如果压力越大，表示自主呼吸条件越差，多个时间段的变化值，可以很好的反应患者的病情好转的快慢。

场景2：参考临床上一个很有用变量氧和指数(PaO2/FiO2)，结合临床知识，构建变量有SPO2/pO2，PS/Ppeak等，这些变量和患者的氧和条件有很强的关联。

场景3：肺的阻力与顺应性也是评估肺能力的重要参数；

阻力的计算公式：

R＝(Ppeak-Pplat)/flow，Flow＝VT/Ti；

其中Ppeak为气道峰压，Pplat为平台压，flow为流速，VT为潮气量，Ti为吸气时间；

顺应性的公式为：

C＝VT/(Pplat–PEEP)；

其中VT为潮气量，PEEP为呼气末正压；因为平台压没法自动测量，数据比较少，这里我们使用来PS(压力支持)代替，VT用VTe(呼气潮气量)来代替,近似算出阻力与顺应性。

步骤4，往往医院医生对患者的诊断是静态的，动态的进行疾病自动诊断，对判断脱机很有帮助，除上述衍生变量之外，还额外添加了一些更高维的数据特征，通过提取时间序列数据进行动态评估患者与呼吸性疾病相关的疾病状态，如慢性阻塞性肺疾病COPD、急性呼吸窘迫综合征ARDS、呼吸机相关性肺炎VAP；其中，如果患者得了ARDS,那患者的脱机成功率就大大的降低，所以要动态监测与呼吸相关的重大疾病ARDS、COPD、VAP；具体通过相应呼吸性疾病下对应的特征指标，对时间序列数据进行数据比对和分析，动态评估出患者得相应呼吸性疾病的动态评估结果。

步骤5：把时间序列数据、衍生变量和呼吸性疾病的动态评估结果三部分已处理数据合并成一标准的输入数据集，预训练出具有预测患者呼吸机脱机概率功能的脱机预测模型。

步骤6：呼吸机安装通气方式可以分为：完全控制通气、辅助/控制通气、压力支持模式、同步间歇指令通气4种通气方式；当患者病情得到好转时，要减少呼吸机给的支持力度，逐渐让患者恢复自主呼吸能力；根据患者的模式调整的数据，我们可以先训练一个判断模式调整的模式预测是否需要减少支持，还是增加支持。

根据呼吸机具有完全控制通气、辅助/控制通气、压力支持模式、同步间歇指令通气4种通气方式，预先设计出呼吸机模式调整预测模型，根据患者与呼吸相关的实时数据预测出患者对呼吸机的支持力度，以此判断在当前病人状态下，是否需要改变呼吸机的模式；脱机预测判断只能在呼吸机模式调整预测模型的预测结果为减少呼吸支持的情况下才能进一步进行。

步骤7：预测时，一般采用0.5作为阈值，超过0.5作为能脱机，小于0.5为不能进行脱机，本发明申请会根据当前呼吸机的模式对阈值进行调整，因为在完全控制的模式，患者自主呼吸能力差，成功低，而在压力支持模式下，患者具备一定的自主呼吸能力，所以脱机的概率会高。

阈值调整公式为：P_new＝P_std*ln(1/(P_model/P_psv))+P_std；其中，P_std为0.5，P_psv为在压力支持模式下的脱机成功率，作为基数，P_model为在各个呼吸机通气模式下的脱机成功率。

例如，如果PSV模式下脱机成功率为0.9，在完成控制模式下为0.6，则阈值为：P_new＝0.5*ln(1/(0.9/0.6))+0.5＝0.7，那么在完全控制模式下，脱机概率需要大于0.7才能脱机。

步骤8：将根据患者实时数据处理得出的标准数据集输入到脱机预测模型中，判断在当前病人状态下，呼吸机脱机的概率，并将得出的概率与动态调整得出的新预测阈值进行比较，得到是否可脱机的最终判断。

步骤9：针对脱机预测模型给出的判断，再计算每次预测路径的上数据集中的重要特征的权重排序，形成重要特征的权重序列，提供特征贡献度的解释，给医生的临床决策提供询证依据，医生结合特征贡献度的解释与预测结果进行综合判断。

实际使用阶段，参照图1所示，患者相关的操作具体包含以下步骤：

将患者实时数据输入到呼吸机模式调整预测模型中，预测模型根据患者的时间序列数据和数据变化趋势，预测出患者是否需要减少呼吸机提供的支持力度，还是增加支持力度，以此判断出患者呼吸能力是否改善，只有在呼吸机模式调整预测模型的预测结果为减少呼吸支持的情况下才能进行下一步，否则一直提供采集患者实时数据进行模式调整预测；

当患者得出的预测结果是减少呼吸支持时，将患者数据输入到脱机预测模型中，得到脱机概率；

根据患者当期的呼吸机模式，根据阈值调整公式进行阈值的调整，再将脱机概率与阈值进行比较，如脱机概率大于阈值则可以脱机，否则从呼吸机模式调整预测重新开始。

本发明的另一目的是提供上述呼吸机撤机管理方法的呼吸机撤机管理系统。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种呼吸机撤机管理系统，包括：

标准化数据库，从医院信息化平台(His，Lis，EMR)获取多维度数据并进行标准化处理以作为待提取数据；

特征池模块，根据在特征池定义好的特征，计算和选取所需要的特征，形成标准化的输入数据集；

算法模型模块，含有模式转换模型和脱机预测模型，定期把增加的数据加入模型进行再次学习以更新模型，在使用过程中通过接收实时数据进行在线预测并输出评估结果。

针对上述系统组成，对部分内容或具体模块内的操作进行展开：

上述的多维度数据含有生命体征(心率，血压，温度，脉搏，血氧)、呼吸支持参数(呼吸机模型，潮气量，分钟通气量，压力支持，吸入氧浓度，呼吸峰压，呼吸末正压)、血气(PH值，二氧化碳分压，氧分压，碱剩余，血乳酸，阴离子间隙，红细胞压积)、检验数据(血红蛋白，白细胞，钾，钠，血小板)、以及感染数据，并进行清洗整理、按照入院时间进行排序，变成结构化的时间序列数据以作为待提取数据，此处的时间序列数据不单单按照时间节点包含各基本参数及其变化，同时含有各时间点的发生的事件信息，是一个多维度的数据集合；

在时间序列数据形成后，特征池模块按照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，并提取时间序列数据依照《撤机指南》的要求进行动态评估患者的疾病状态(COPD，ARDS，VAP)，此处的时间周期不局限于6h，12h，24h三个时间节点，可根据具体病患的病情情况和病例情况进行调整，最终把时间序列数据、衍生变量和疾病的动态评估结果三部分已处理数据合并成一标准的输入数据集。

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 (5)

1.一种呼吸机撤机管理方法，其特征在于，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，含有生命体征、呼吸支持参数、血气、检验数据、以及感染数据；

步骤2，把获取的多维度临床数据进行清洗整理，并按照入院时间进行排序，变成结构化的时间序列数据以作为待提取数据；

步骤3，提取时间序列数据按照6h，12h，24h为周期计算各个基础变量在不同时间间隔下的变化值，得到时间序列数据的衍生变量，衍生变量包含基于时间间隔下的各个参数单独的连续性变化值、各个参数之间联合作用下的变化值，衍生变量体现了患者对呼吸机需求程度的变化趋势；

步骤4，除上述衍生变量之外，还额外添加了一些更高维的数据特征，通过提取时间序列数据进行动态评估患者与呼吸性疾病相关的疾病状态，如慢性阻塞性肺疾病COPD、急性呼吸窘迫综合征ARDS、呼吸机相关性肺炎VAP，具体通过相应呼吸性疾病下对应的特征指标，对时间序列数据进行数据比对和分析，动态评估出患者得相应呼吸性疾病的动态评估结果；

步骤5：把时间序列数据、衍生变量和呼吸性疾病的动态评估结果三部分已处理数据合并成一标准输入数据集，预训练出具有预测患者呼吸机脱机概率功能的脱机预测模型；

步骤6：根据呼吸机具有完全控制通气、辅助/控制通气、压力支持模式、同步间歇指令通气4种通气方式，预先设计出呼吸机模式调整预测模型，根据患者与呼吸相关的实时数据预测出患者对呼吸机的支持力度，以此判断在当前病人状态下，是否需要改变呼吸机的模式；脱机预测判断只能在呼吸机模式调整预测模型的预测结果为减少呼吸支持的情况下才能进一步进行；

步骤7：根据当前呼吸机的模式下的脱机成功率，动态调整预测阈值，阈值调整公式为：

P_new＝P_std*ln(1/(P_model/P_psv))+P_std；其中，P_std为0.5，P_psv为在压力支持模式下的脱机成功率，作为基数，P_model为在各个呼吸机通气模式下的脱机成功率；

步骤8：将根据患者实时数据处理得出的标准输入数据集输入到脱机预测模型中，判断在当前病人状态下，呼吸机脱机的概率，并将得出的概率与动态调整得出的新预测阈值进行比较，得到是否可脱机的最终判断；

步骤9：针对脱机预测模型给出的判断，再计算每次预测路径上的数据集中的重要特征的权重排序，形成重要特征的权重序列，提供特征贡献度的解释，给医生的临床决策提供询证依据，医生结合特征贡献度的解释与预测结果进行综合判断。

2.根据权利要求1所述的一种呼吸机撤机管理方法，其特征是：生命体征包括心率、血压、温度、脉搏、血氧，呼吸支持参数包括呼吸机模式、潮气量、分钟通气量、压力支持、吸入氧浓度、呼吸峰压、呼吸末正压，血气包括PH值、二氧化碳分压、氧分压、碱剩余、血乳酸、阴离子间隙、红细胞压积，检验数据包括血红蛋白、白细胞、钾、钠、血小板。

3.根据权利要求1所述的一种呼吸机撤机管理方法，其特征是：呼吸机撤机管理方法还将定期把标准输入数据集内增加的数据加入呼吸机模式调整预测模型和脱机预测模型内进行再次学习，更新模型评估参数及评估标准。

4.根据权利要求1所述的一种呼吸机撤机管理方法，其特征是：所述时间序列数据不单单按照时间节点包含各基本参数及其变化，同时含有各时间点的发生的事件信息。

5.一种实现如权利要求1-4任意一项所述的呼吸机撤机管理方法的呼吸机撤机管理系统，其特征在于，包括：标准化数据库，从医院信息化平台获取多维度数据并进行标准化处理以作为待提取数据；

特征池模块，根据在特征池定义好的特征，计算和选取所需要的特征，形成标准化的输入数据集；

算法模型模块，含有呼吸机模式调整预测模型和脱机预测模型，定期把增加的数据加入模型进行再次学习以更新模型，在使用过程中通过接收实时数据进行在线预测并输出评估结果。