CN112835316B - 新生儿败血症休克预测系统及监控设备 - Google Patents
新生儿败血症休克预测系统及监控设备 Download PDFInfo
- Publication number
- CN112835316B CN112835316B CN202110012568.5A CN202110012568A CN112835316B CN 112835316 B CN112835316 B CN 112835316B CN 202110012568 A CN202110012568 A CN 202110012568A CN 112835316 B CN112835316 B CN 112835316B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- prediction
- neonatal
- septic shock
- 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.)
- Expired - Fee Related
Links
- 208000006816 Neonatal Sepsis Diseases 0.000 title claims abstract description 20
- 230000035939 shock Effects 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 11
- 206010040047 Sepsis Diseases 0.000 claims abstract description 13
- 208000013223 septicemia Diseases 0.000 claims abstract description 13
- 206010040070 Septic Shock Diseases 0.000 claims description 29
- 230000036303 septic shock Effects 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- -1 lymphocyte count Proteins 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 4
- 102100032752 C-reactive protein Human genes 0.000 claims description 4
- 108010048233 Procalcitonin Proteins 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 4
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 claims description 4
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 claims description 3
- 102000004420 Creatine Kinase Human genes 0.000 claims description 3
- 108010042126 Creatine kinase Proteins 0.000 claims description 3
- 102000001554 Hemoglobins Human genes 0.000 claims description 3
- 108010054147 Hemoglobins Proteins 0.000 claims description 3
- 108010044467 Isoenzymes Proteins 0.000 claims description 3
- 102000003855 L-lactate dehydrogenase Human genes 0.000 claims description 3
- 108700023483 L-lactate dehydrogenases Proteins 0.000 claims description 3
- 238000000585 Mann–Whitney U test Methods 0.000 claims description 3
- 108010094028 Prothrombin Proteins 0.000 claims description 3
- 102100027378 Prothrombin Human genes 0.000 claims description 3
- 108090000190 Thrombin Proteins 0.000 claims description 3
- 108010000499 Thromboplastin Proteins 0.000 claims description 3
- 102000002262 Thromboplastin Human genes 0.000 claims description 3
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 210000003979 eosinophil Anatomy 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 210000004698 lymphocyte Anatomy 0.000 claims description 3
- 229940039716 prothrombin Drugs 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 229960004072 thrombin Drugs 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 208000037656 Respiratory Sounds Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 239000013074 reference sample Substances 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002924 anti-infective effect Effects 0.000 description 1
- 238000009640 blood culture Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002635 electroconvulsive therapy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于疾病预测技术领域，具体公开了一种新生儿败血症休克预测系统及监控设备，该系统包括依次连接的数据采集模块、独立危险因素筛选模块和预测模块，该监控设备包括床体、防护罩和预测系统。采用本技术方案，利用各模块的配合，获取临床特征数据并得到独立危险因素，同时分析获取的独立危险因素数值并预测新生儿败血症休克，实现对败血症的早期预警，还可利用监控设备对新生儿进行实时监控。
Description
技术领域
本发明属于疾病预测技术领域，涉及一种新生儿败血症休克预测系统及监控设备。
背景技术
新生儿败血症是新生儿时期常见的危重症，其导致的败血症休克是新生儿主要死因之一。随着医疗技术发展，抗感染治疗及败血症休克处理技术已经取得了明显进步，但在临床实践中，新生儿败血症休克的发病率及死亡率仍居高不下。研究表明，早期识别、早期治疗是改善新生儿败血症休克预后及降低死亡率的关键，但该疾病具有起病隐匿、早期临床症状无特异性、金标准血培养时间过长、常规实验室检查项目不能纵向评估病情发展等特点，因此，如何精准和及早识别发生败血症休克的新生儿则成为了一项难题。
现有技术中，一些生物标志物如降钙素原、C反应蛋白等能作为败血症休克的预测因子，但仍存在模型指标过多、临床应用困难、模型性能不佳等问题。
发明内容
本发明的目的在于提供一种新生儿败血症休克预测系统及监控设备，对临床特征数据进行筛选，提高预测的精准性。
为了达到上述目的，本发明的基础方案为：一种新生儿败血症休克预测系统，包括：
数据采集模块，所述数据采集模块用于采集样本的临床特征数据；
独立危险因素筛选模块，所述独立危险因素筛选模块用于接收临床特征数据并筛选临床特征数据内的独立危险因素；以及
预测模块，所述预测模块通过分析获取的独立危险因素数值并预测新生儿败血症休克。
本基础方案的工作原理和有益效果在于：数据采集模块能够采集新生儿的临床特征数据，即生物标志物，用于构建预测模型。独立危险因素筛选模块用于筛选独立危险因素，仅利用独立危险因素对败血症休克进行预测，避免模型指标过多而导致预测模型的运算速度慢、性能不佳等问题。预测模块根据独立危险因素，预测新生儿败血症休克，操作简便，实现对败血症的早期预警，以便及时治疗。
进一步，还包括数据填补模块，所述数据填补模块的输入端与数据采集模块的输出端连接，数据填补模块对缺失率≤30％的临床特征数据使用缺失值算法填补，数据填补模块的输出端与独立危险因素筛选模块的输入端连接；
具体缺失值填补方法为：
获取所有样本的临床特征数据的数值并将一个样本的临床特征数据作为一个集合，将所有样本的临床特征数据中与某一样本的待填充数据同类型的已知数据按照大小顺序排序；
对缺失值以外其余类型的临床特征数据分别设立权重，若有的数据缺失，则数值取为0；
利用聚类算法对样本的其余类型的临床特征数据进行聚类；
选取与该样本所在簇对应的待填充数据作为填充的数值。
因机械原因或人为原因而导致数据收集或保存失败造成数据缺失，产生缺失值，数据中的缺失值导致数据的真实性不能得到保证，所以需要对数据进行填补，增强数据的可靠性。且缺失率太大的数据真实性较低，不具有填补价值，可直接排除。
进一步，还包括模型评估模块，模型评估模块内存储有灵敏度、特异度、精度、AUC、PLR和NLR的额定数值范围，模型评估模块采集预测模块的对应数据，将采集的数据数值与额定数值范围进行对比，得出对比差值，根据对比差值评估预测模块的预测性能。
利用模型评估模块，对预测模块的各项数据进行评估，以此判断预测模块的运算性能，以便后期对预测模块进行优化，同时以此判断预测模块的可靠性。
进一步，所述独立危险因素筛选模块采用如下方法筛选数据：
对临床特征数据中的计量数据进行Mann-Whitney U检验，临床特征数据中的计数数据采用χ2检验进行单因素分析；
对处理后的数据进行回归分析，获取败血症休克的独立危险因素。
对临床特征数据进行有针对性的处理分析，再对处理后的数据进行回归分析，筛选出对预测败血症休克这一结果影响较大的因素。
进一步，所述独立危险因素包括体温、降钙素原、尿素氮、淋巴细胞计数、乳酸脱氢酶、嗜酸性粒细胞计数、血红蛋白、凝血酶原时间、肌酸激酶同工酶MB，C反应蛋白、活化部分凝血活酶时间、新生儿出生体重和凝血酶时间。
上述因素对败血症休克的影响较大，预测模块仅根据这些独立危险因素，判断样本是否败血症休克，判断的准确性更高。
进一步，预测模块采用RF算法进行构建，将独立危险因素作为算法输入参数，将是否发生败血症休克作为结局事件建立机器学习预测模型。
RF算法的性能优越，更利于使用。
进一步，还包括无线传输模块，无线传输模块的输入端分别与预测模块和数据采集模块的输出端连接，无线传输模块的输出端连接有云端。
利用无线传输模块，实现信息的远程传输，工作人员远程接收预测信息而及时获取预测结果，有利于后续及时医治。
进一步，还包括警报模块，警报模块的输入端与预测模块的输出端连接，用于发出声音信号或光信号。
当预测模块向警报模块发出预测为败血症休克的信号，警报模块接收信号而启动发出警报信号，及时告知工作人员预测结果，避免工作人员未及时查看预测模块的信息或云端的信息而导致信息获取不及时。
本发明还提供一种新生儿败血症休克监控设备，包括床体、设于床体上的防护罩和设置在床体侧边的本发明所述的新生儿败血症预测系统，床体靠近新生儿头部的侧壁上设有麦克风，用于采集新生儿的呼吸声及叫声，防护罩顶部设有摄像头，摄像头用于实时采集新生儿图像。
新生儿败血症常伴有黄疸和出血现象，需要时刻观察新生儿的皮肤情况，同时新生儿的头部也会产生变化，利用摄像头实时采集新生儿的图像，有利于对新生儿的监护。而麦克风能够采集新生儿的呼吸声及叫声，新生儿感染疾病将导致呼吸急促，工作人员结合新生儿呼吸声音的状态，能够更精确判断新生儿的情况。
进一步，还包括显示屏，显示屏设置在床体上，显示屏分别与新生儿败血症预测系统、麦克风和摄像头连接。
显示屏将各类信息进行直观展示，更利于工作人员查看。
附图说明
图1是本发明新生儿败血症休克预测系统的流程结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明公开了一种新生儿败血症休克预测系统，包括数据采集模块、独立危险因素筛选模块和预测模块。数据采集模块用于采集样本的临床特征数据，独立危险因素筛选模块的输入端与数据采集模块的信息输出端电性连接，用于接收临床特征数据并筛选临床特征数据内的独立危险因素。预测模块的输入端与独立危险因素筛选模块的信息输出端电性连接，通过分析获取的独立危险因素数值并预测新生儿败血症休克。
例如共收集3037例有效病例，其中研究组339例，因研究组和对照组比例相差过大，因此采用倾向评分匹配，以研究组和对照组新生儿日龄、性别为匹配因素，按照1:4比例匹配对照组，得到1356例对照组病例。排除缺失率>30％的11项指标，共纳入39项指标，如表1所示。
表1.新生儿败血症休克相关指标单因素分析
独立危险因素筛选模块采用如下方法筛选数据：
对临床特征数据中的计量数据进行Mann-Whitney U检验(曼-惠特尼秩和检验)，Mann-Whitney U检验属于非参数检验的一种，它假设两个样本分别来自除了总体均值以外完全相同的两个总体，目的是检验这两个总体的均值是否有显著的差别。临床特征数据中的计数材料采用χ2检验进行单因素分析，χ2检验也称卡方检验，是一种假设检验方法，检验的基本公式为：
A为实际数，T为根据检验假设推断出来的理论数。计量数据是血压、身高等数据，可以直接用数据来衡量大小的。计数数据是性别、是否有高血压等数据，是用来衡量数据个数的。计量数据以四分位数M(P25，P75)表示，计数数据以频率n(％)表示。
然后对处理后的数据进行回归分析，回归分析以获取的数据为自变量，以新生儿败血症是否并发败血症休克为应变量(是＝1，否＝0)，获取败血症休克的独立危险因素。独立危险因素包括体温、降钙素原、尿素氮、淋巴细胞计数、乳酸脱氢酶、嗜酸性粒细胞计数、血红蛋白、凝血酶原时间、肌酸激酶同工酶MB，C反应蛋白、活化部分凝血活酶时间、新生儿出生体重和凝血酶时间。
本发明的一种优选方案中，预测模块采用RF算法进行构建，将独立危险因素作为算法输入参数，将是否发生败血症休克作为结局事件建立机器学习预测模型。
本发明的一种优选方案中，新生儿败血症休克预测系统还包括数据填补模块，数据填补模块的输入端与数据采集模块的输出端电性连接，数据填补模块的输出端与独立危险因素筛选模块的输入端电性连接。数据填补模块对缺失率≤30％的临床特征数据使用缺失值算法填补，缺失值算法优选采用随机森林算法，随机森林算法是一种非参数的缺失值填补方法，利用随机森林对缺失值进行填补。
在本发明的另外的优选实施方式中，具体缺失值填补方法可以为：
获取所有样本的临床特征数据的数值并将每一个样本的临床特征数据作为一个集合，将所有样本的临床特征数据中与某一样本的待填充数据同类型的已知数据按照大小顺序排序；例如，A样本的a数据类型缺失，选取所有样本中具有a数据类型的样本作为参考样本，按照a数据类型的数据大小顺序排序，并划分形成多个区间。
对参考样本缺失值以外的其余数据类型的临床特征数据分别设立权重，若有的数据缺失，则数值取为0，具体权重的数值可根据实际情况确定，例如如果有31个数据类型，则分别设立权重，具体权重可以相同也可以不同。在计算时，设置好权重后优选不再变动。
利用聚类算法对同一区间内的参考样本的其余类型的临床特征数据进行聚类，具体方法可采用现有的聚类方法。例如可以计算各数据类型乘以其权重，然后求和，利用和值进行聚类，每一个簇与a数据的一个区间对应。
计算A样本a数据类型之外的各数据类型数据乘以其权重，然后求和确定A样本所在的簇，选取与该样本所在簇对应的a数据类型的数值作为填充的数值。
预测模块采用随机抽样方法将样本分成训练集(n＝1185)和测试集(n＝508)。将13项独立危险因素，可以利用Logistic，XGBoost或RF算法输入参数，将就诊期间是否发生败血症休克作为结局事件建立机器学习预测模型。训练集用于对模型进行训练，测试集用于对建立的预测模型进行性能检验。具体预测模型的建立方法可采用现有机器学习方法。
本发明的一种优选方案中，新生儿败血症休克预测系统还包括模型评估模块，模型评估模块内存储有灵敏度、特异度、精度、AUC(ROC曲线下面积)、PLR(阳性似然比)和NLR(阴性似然比)的额定数值范围，模型评估模块采集预测模块的对应数据，将采集的数据数值与额定数值范围进行对比，得出对比差值，根据对比差值评估预测模块的预测性能。
本发明的一种优选方案中，新生儿败血症休克预测系统还包括无线传输模块，无线传输模块可选用WIFI、蓝牙等传输设备。无线传输模块的输入端分别与预测模块和数据采集模块的输出端电性连接，无线传输模块的输出端连接有云端。
本发明的一种优选方案中，新生儿败血症休克预测系统还包括警报模块，警报模块的输入端与预测模块的输出端电性连接，警报模块优选有蜂鸣器或LED灯等，用于发出声音信号或光信号。
本发明还提供一种新生儿败血症休克监控设备，包括床体、设于床体上的防护罩和设置在床体侧边的本发明所述的新生儿败血症预测系统。床体靠近新生儿头部的侧壁上设有麦克风，麦克风粘接或镶嵌在床体上，用于采集新生儿的呼吸声及叫声，麦克风优选用高灵敏度的驻极体电容麦克风，麦克风的输出端连接有放大器及滤波器，保证传输的声音信号清晰稳定。防护罩顶部设有摄像头，摄像头粘接在防护罩上，摄像头用于实时采集新生儿图像。
本发明的一种优选方案中，新生儿败血症休克监控设备还包括显示屏，显示屏设置在床体上，显示屏通过支架与床体连接，支架与车体焊接，显示屏焊接或铆接在支架上，或者显示屏镶嵌在车体上。显示屏分别与新生儿败血症预测系统、麦克风和摄像头连接，显示屏上可显示麦克风的音频波纹图、摄像头的图像视频和败血症预测的文字结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种新生儿败血症休克预测系统，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集样本的临床特征数据；
独立危险因素筛选模块，所述独立危险因素筛选模块用于接收临床特征数据并筛选临床特征数据内的独立危险因素；以及
预测模块，所述预测模块通过分析获取的独立危险因素数值并预测新生儿败血症休克；
还包括数据填补模块，所述数据填补模块的输入端与数据采集模块的输出端连接，数据填补模块对缺失率≤30％的临床特征数据使用缺失值算法填补，数据填补模块的输出端与独立危险因素筛选模块的输入端连接；
具体缺失值填补方法为：
获取所有样本的临床特征数据的数值并将一个样本的临床特征数据作为一个集合，将所有样本的临床特征数据中与某一样本的待填充数据同类型的已知数据按照大小顺序排序；
对缺失值以外其余类型的临床特征数据分别设立权重，若有的数据缺失，则数值取为0；
利用聚类算法对样本的其余类型的临床特征数据进行聚类；
选取与该样本所在簇对应的待填充数据作为填充的数值；
计算各数据类型乘以其权重，然后求和，利用和值进行聚类，每一个簇与a数据的一个区间对应。
2.如权利要求1所述的新生儿败血症休克预测系统，其特征在于，还包括模型评估模块，模型评估模块内存储有灵敏度、特异度、精度、AUC、PLR和NLR的额定数值范围，模型评估模块采集预测模块的对应数据，将采集的数据数值与额定数值范围进行对比，得出对比差值，根据对比差值评估预测模块的预测性能。
3.如权利要求1所述的新生儿败血症休克预测系统，其特征在于，所述独立危险因素筛选模块采用如下方法筛选数据：
对临床特征数据中的计量数据进行Mann-Whitney U检验，临床特征数据中的计数数据用χ2检验进行单因素分析；
对处理后的数据进行回归分析，获取败血症休克的独立危险因素。
4.如权利要求3所述的新生儿败血症休克预测系统，其特征在于，所述独立危险因素包括体温、降钙素原、尿素氮、淋巴细胞计数、乳酸脱氢酶、嗜酸性粒细胞计数、血红蛋白、凝血酶原时间、肌酸激酶同工酶MB，C反应蛋白、活化部分凝血活酶时间、新生儿出生体重和凝血酶时间。
5.如权利要求1所述的新生儿败血症休克预测系统，其特征在于，预测模块采用RF算法进行构建，将独立危险因素作为算法输入参数，将是否发生败血症休克作为结局事件建立机器学习预测模型。
6.如权利要求1所述的新生儿败血症休克预测系统，其特征在于，还包括无线传输模块，无线传输模块的输入端分别与预测模块和数据采集模块的输出端连接，无线传输模块的输出端连接有云端。
7.如权利要求1或6所述的新生儿败血症休克预测系统，其特征在于，还包括警报模块，警报模块的输入端与预测模块的输出端连接，用于发出声音信号或光信号。
8.一种新生儿败血症休克监控设备，其特征在于，包括床体、设于床体上的防护罩和设置在床体侧边的权利要求1-7之一所述的新生儿败血症预测系统，床体靠近新生儿头部的侧壁上设有麦克风，用于采集新生儿发出的声音，防护罩顶部设有摄像头，摄像头用于实时采集新生儿图像。
9.如权利要求8所述的新生儿败血症休克监控设备，其特征在于，还包括显示屏，显示屏设置在床体上，显示屏分别与新生儿败血症预测系统、麦克风和摄像头连接，新生儿败血症预测系统还与远程监控系统相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110012568.5A CN112835316B (zh) | 2021-01-06 | 2021-01-06 | 新生儿败血症休克预测系统及监控设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110012568.5A CN112835316B (zh) | 2021-01-06 | 2021-01-06 | 新生儿败血症休克预测系统及监控设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112835316A CN112835316A (zh) | 2021-05-25 |
| CN112835316B true CN112835316B (zh) | 2022-04-19 |
Family
ID=75926244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110012568.5A Expired - Fee Related CN112835316B (zh) | 2021-01-06 | 2021-01-06 | 新生儿败血症休克预测系统及监控设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112835316B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113380329A (zh) * | 2021-06-08 | 2021-09-10 | 重庆医科大学 | 川崎病患儿首次注射丙种球蛋白抵抗的预测系统及装置 |
| CN113421641B (zh) * | 2021-06-30 | 2023-01-10 | 重庆医科大学 | 子痫患者保护装置及预测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375944A (zh) * | 2016-10-10 | 2017-02-01 | 深圳万发创新进出口贸易有限公司 | 一种基于云计算的数据采集系统 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN108309664A (zh) * | 2018-03-16 | 2018-07-24 | 商丘医学高等专科学校 | 一种基于物联网平台的儿科抢救监护装置 |
| CN108742642A (zh) * | 2018-04-13 | 2018-11-06 | 首都医科大学附属北京地坛医院 | 一种评价肝硬化食道胃底静脉曲张出血风险的方法及系统 |
| CN109567742A (zh) * | 2018-10-17 | 2019-04-05 | 吴平 | 一种儿科病情早期预警方法 |
| CN110289061A (zh) * | 2019-06-27 | 2019-09-27 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
| CN110970133A (zh) * | 2019-12-10 | 2020-04-07 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
| CN111292854A (zh) * | 2020-02-19 | 2020-06-16 | 首都医科大学附属北京世纪坛医院 | 预后预测方法、系统及设备 |
| CN111640509A (zh) * | 2020-06-02 | 2020-09-08 | 山东大学齐鲁医院 | 一种宫颈癌术后复发风险预测方法及系统 |
| CN111816310A (zh) * | 2020-07-16 | 2020-10-23 | 山东大学 | 一种骨髓血液疾病危险因素贡献率计算及风险预测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2765145A1 (en) * | 2009-06-15 | 2010-12-23 | Cardiodx, Inc. | Determination of coronary artery disease risk |
| TWI582240B (zh) * | 2015-05-19 | 2017-05-11 | 鄭鴻鈞 | 以基因體預後評估試劑組預測乳癌患者局部區域復發風險及放射治療有效性的方法、用途及裝置 |
-
2021
- 2021-01-06 CN CN202110012568.5A patent/CN112835316B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375944A (zh) * | 2016-10-10 | 2017-02-01 | 深圳万发创新进出口贸易有限公司 | 一种基于云计算的数据采集系统 |
| CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
| CN108309664A (zh) * | 2018-03-16 | 2018-07-24 | 商丘医学高等专科学校 | 一种基于物联网平台的儿科抢救监护装置 |
| CN108742642A (zh) * | 2018-04-13 | 2018-11-06 | 首都医科大学附属北京地坛医院 | 一种评价肝硬化食道胃底静脉曲张出血风险的方法及系统 |
| CN109567742A (zh) * | 2018-10-17 | 2019-04-05 | 吴平 | 一种儿科病情早期预警方法 |
| CN110289061A (zh) * | 2019-06-27 | 2019-09-27 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
| CN110970133A (zh) * | 2019-12-10 | 2020-04-07 | 中国医学科学院肿瘤医院 | 一种crt风险评估方法和风险预测系统 |
| CN111292854A (zh) * | 2020-02-19 | 2020-06-16 | 首都医科大学附属北京世纪坛医院 | 预后预测方法、系统及设备 |
| CN111640509A (zh) * | 2020-06-02 | 2020-09-08 | 山东大学齐鲁医院 | 一种宫颈癌术后复发风险预测方法及系统 |
| CN111816310A (zh) * | 2020-07-16 | 2020-10-23 | 山东大学 | 一种骨髓血液疾病危险因素贡献率计算及风险预测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于大数据技术的皮肤损伤护理不良事件预测模型的构建和平台研发;宋杰;《中国优秀硕士学位论文全文数据库》;20190930;第6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112835316A (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11967410B2 (en) | Biodosimetry panels and methods | |
| CN112835316B (zh) | 新生儿败血症休克预测系统及监控设备 | |
| CN103403549B (zh) | 败血症的预后的预测方法 | |
| CN106714682A (zh) | 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序 | |
| CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
| CN111297403B (zh) | 尘肺群体快速精准筛查及肺部纤维化病变早期预警系统 | |
| CN111989752A (zh) | 用于检测败血症的检测组 | |
| CN113012806B (zh) | 一种妊娠期糖尿病的早期预测方法 | |
| CN115769058A (zh) | 使用参数检测医疗状况、严重性、风险和敏度 | |
| CN115759729A (zh) | 一种基于算法的灾害风险预警管理系统以及预测方法 | |
| US8812249B2 (en) | Analyzer apparatus and methods for lung disease | |
| CN112992343A (zh) | 一种对2型糖尿病患者的冠心病辅助诊断系统 | |
| CN112017782A (zh) | SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法 | |
| CN117238508B (zh) | 一种基于人工智能的信息筛选系统 | |
| CN115223706A (zh) | 适用于移动监护设备的脓毒症早期筛查模型 | |
| Herbert et al. | Clinical and economic considerations associated with testing for fetal lung maturity | |
| CN113409939A (zh) | Copd急性加重并发呼吸衰竭的预测系统及监测装置 | |
| CN116762011A (zh) | 发展成脓毒症的概率的检测 | |
| CN109730657A (zh) | 一种实现监测生理病理数据的系统及方法 | |
| CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
| CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测系统 | |
| CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
| CN115762789A (zh) | 高血压肾病预测方法及护理装置 | |
| TWM652658U (zh) | 利用免疫細胞數量判讀受測生物疾病資訊之系統 | |
| ALTUNOK et al. | Frontal QRS-T Angle in Predicting Short-Term Mortality in Patients with SARS-CoV 2 Infection in Emergency Service: An Analytical Study |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220419 |