CN112837826A - 一种基于机器学习的重症序贯性脏器衰竭评分方法及系统 - Google Patents
一种基于机器学习的重症序贯性脏器衰竭评分方法及系统 Download PDFInfo
- Publication number
- CN112837826A CN112837826A CN202011608785.2A CN202011608785A CN112837826A CN 112837826 A CN112837826 A CN 112837826A CN 202011608785 A CN202011608785 A CN 202011608785A CN 112837826 A CN112837826 A CN 112837826A
- Authority
- CN
- China
- Prior art keywords
- less
- equal
- minutes
- indexes
- severe
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于机器学习的重症序贯性脏器衰竭评分方法及系统,包括了临床指标筛选出25个重要影响指标;再利用公开重症数据库进行相关数据提取;之后对提取的数据,建立了一个基于决策树模型的组合模型进行模型训练;再利用算法进行指标筛选,最终通过算法分枝选择结合临床经验知识,保留8大器官系统的13个重要指标;此后划分指标数值区间,建立评估分数体系;最终对方法有效性进行验证,证明新评分方法的有效性。本发明最关键的突破在于定性定量的建立了一个13指标的8大系统评分方法,其有效性达到0.82,远高于SOFA评分。
Description
技术领域
本发明属于医学评分技术领域,尤其是涉及一种基于机器学习的重症序贯性脏器衰竭评分方法及系统。
背景技术
危重疾病严重程度评分是根据疾病的一些重要症状、体征和生理参数等进行夹权或赋值,从而量化评价危重疾病严重程度的一种方法。定量性评估疾病的严重程度,预测疾病或病人死亡的危险性,能够帮助临床医生对个体病人的治疗做出决定。此外,其也能再评价治疗措施、资源利用、质量控制、ICU周转和使用率、医疗费用、病愈后生活质量、残疾状况以及领导决策等方面有诸多应用。
目前常用的危重疾病严重程度评分包括急性生理功能和慢性健康状况评分系统II、III,简称APACHEII、III;昏迷程度评分,简称GCS;多脏器功能性障碍评分,简称MODSScore;全身性感染相关性器官功能衰竭评分,简称SOFA以及简明急性生理功能评分,简称SAPS。
如公开号为CN109524124A的中国发明文献公开了一种重症评分系统,包括:用于采集每个评分项目的参数的数据值的采集模块;用于自动根据采集参数的最差值计算评分的自动计算评分模块;可以提供多种重症医疗评分,包括ApacheII、SOFA、VTE、营养评分。以ApacheII评分为例,其可用于在选定的时间范围内,自动选取每个参数对应的最差值计算评分;用于向用户显示选择时间段内评分项目的每个参数值变化趋势和评分值的分数范围的图形显示模块;用于供用户输入GCS评分记录的GCS 评分记录模块。
目前,SOFA评分是临床最常用的评估分数之一,其目的是描述多器官功能障碍综合征(multiple organ dysfunction syndrome,MODS)的发生、发展及评价发病率。其对6个器官系统进行0-4分的分数评估,每日记录最差值,分数越高,预后越差。它采用的变量均为持续变量,具有客观、简单、容易获取及可靠的特点,对所评价的器官功能有特异性。此外,其能区分单个器官功能障碍或衰竭的程度,这样可使评分能广泛应用,并促进不同来源病人之间的比较。
但是,SOFA评分也存在一些不足和缺点。其最早提出于1994年,虽经过多年的发展和完善,但大体的改进不多,针对其计算繁复等特点,日后还形成了qSOFA等改进评分方法。更重要的是,由于其缺少感染指标以及人口统计学指标,不能有效的对感染系统以及个人特点进行评估,且部分评估指标也已无法满足目前临床应用的需求。
发明内容
为了克服目前SOFA评分计算繁复、且缺乏感染系统指标以及人口统计学指标的不足和缺点,本发明提供了一种基于机器学习的重症序贯性脏器衰竭评分方法及系统,在保证评估有效性的同时,有利于临床的全面评估,且也具有客观、简单、易获取等性质。
一种基于机器学习的重症序贯性脏器衰竭评分方法,包括以下步骤:
(1)根据医生的经验筛选出初步的临床指标;
(2)选择公开的重症数据库,对样本中与筛选出的临床指标相关的数据进行提取和清洗,剔除缺失指标较多的部分样本;
(3)构建基于决策树模型的多算法模型,通过多个算法的加权平均作为模型的最终输出;
(4)筛选算法指标,输入步骤(2)处理后的样本数据,在基于决策树模型的特征重要性排序功能下,通过算法对临床指标进行重要性特征排序,保留13个算法筛选指标;
(5)根据决策树模型生成树枝期间产生的自动分割算法,并结合临床医学知识,将保留的13个指标进行数据进行指标数值区间的划分,建立0到4分的评估体系;
(6)对于待评分的样本数据,在评估体系下,通过多算法模型进行打分,对重症全身性感染相关性器官功能衰竭进行评估。
本发明的方法,利用医生的临床经验知识,对可能涉及的八大系统指标进行选取。在选定有效评估指标之后,再对公开重症治疗数据库进行有关数据的提取和清洗。利用机器学习技术对抓取的数据进行模型设计以及模型训练,并随后对所选指标的重要性特征进行排序,剔除无关影响或低影响度的指标。其后再对机器学习算法筛选后的指标特征进行模型设计和训练,保证模型的准确程度能与筛选之前保持接近或比后者更高。此后,再对筛选完成的指标进行数据划分区域的压缩,建立0到4分的评估体系。最后再对新的序贯性脏器衰竭评分方法与原始SOFA评分进行测试,验证新评分方法的有效性。
步骤(1)中,筛选出的临床指标包括呼吸系统指标、血液系统指标、肝脏指标、心血管系统指标、中枢神经系统指标、肾脏指标、感染系统指标和人口信息学指标。
所述的临床指标一共选取26个,具体如下:
所述的呼吸系统指标包括氧合指数PaO2/FiO2、有无机械通气、二氧化碳分压;
所述的血液系统指标包括血小板plt计数、血浆凝血酶原时间PT、活化部分凝血活酶时间、D二聚体测试;
所述的肝脏指标包括胆红素计数、谷草转氨酶AST、谷丙转氨酶ALT、白蛋白albumin计数;
所述的心血管系统指标包括平均动脉压、多巴胺、多巴酚丁胺、肾上腺素、去甲肾上腺素、乳酸lactate、标准碱剩余BE;
所述的中枢神经系统指标包括格拉斯哥昏迷指数GCS评分;
所述的肾脏指标包括肌酐、血尿素氮BUN、尿量;
所述的感染系统指标包括白细胞WBC计数、急性反应蛋白CRP计数、体温;
所述的人口信息学指标包括年龄。
步骤(2)中,在剔除缺失指标较多的部分样本后,还包括对剩余样本数据中的临床指标进行数据清洗、分布分析以及相关性分析。
步骤(3)中,所述的多算法模型包括xgboost算法、lightgbm算法以及catboost,通过三个算法的加权平均作为模型的最终输出。
步骤(4)中,保留的13个算法筛选指标具体为:
年龄、氧合指数PaO2/FiO2、血小板plt计数、平均动脉压MAP、格拉斯哥昏迷指数GCS评分、血尿素氮BUN、乳酸lactate、血浆凝血酶原时间PT、谷草转氨酶AST、白细胞WBC计数、尿量、体温以及二氧化碳分压。
步骤(5)中,建立0到4分的评估体系具体为:
年龄,小于45岁转化为0分、大于等于45岁且小于55岁转化为1 分、大于等于55岁且小于65岁转化为2分、大于等于65岁且小于75岁转化为3分,以及大于75岁转化为4分;
氧合指数PaO2/FiO2,大于53.33转化为0分、大于等于40且小于 53.33转化为1分、大于等于26.67且小于40转化为2分、大于等于13.33 且小于26.67转化为3分,以及小于13.33转化为4分;
血小板plt计数,大于150转化为0分、大于等于100且小于150转化为1分、大于等于50且小于100转化为2分、大于等于21且小于50 转化为3分,以及小于21转化为4分;
平均动脉压MAP,大于等于70转化为0分、大于等于65且小于70 转化为1分、大于等于60且小于65转化为2分、大于等于55且小于60 转化为3分,以及小于55转化为4分;
格拉斯哥昏迷指数GCS评分,等于15分转化为0分、大于等于13 分且小于15分转化为1分、大于等于10且小于13转化为2分、大于等于6分且小于10分转化为3分,以及小于6分转化为4分;
血尿素氮BUN,小于8转化为0分、大于等于8且小于30转化为1 分、大于等于30且小于50转化为2分、大于等于50且小于60转化为3 分,以及大于60转化为4分;
乳酸lactate,小于2转化为0分、大于等于2且小于等于3转化为1 分、大于等于4且小于等于5转化为2分、大于等于6且小于等于7转化为3分,以及大于等于8转化为4分;
血浆凝血酶原时间PT,小于13转化为0分、大于等于13且小于16 转化为1分、大于等于16且小于18转化为2分、大于等于18且小于21 转化为3分,以及大于等于21转化为4分;
谷草转氨酶AST,小于40转化为0分、大于等于40且小于100转化为1分、大于等于100且小于200转化为2分、大于等于200且小于500 转化为3分,以及大于等于500转化为4分;
白细胞WBC计数,小于10转化为0分、大于等于10且小于15转化为1分、大于等于15且小于20转化为2分、大于等于20且小于40转化为3分,以及大于等于40转化为4分;
尿量,大于1500转化为0分、大于等于1000且小于1500转化为1 分、大于等于400且小于1000转化为2分、大于等于100且小于400转化为3分,以及小于100转化为4分;
体温,大于36摄氏度且小于等于37摄氏度转化为0分、大于等于35 摄氏度且小于36摄氏度转化为1分、大于37摄氏度且小于等于38摄氏度转化为2分、大于38摄氏度且小于等于39摄氏度转化为3分,以及大于39摄氏度转化为4分;
二氧化碳分压,大于等于35且小于等于45转化为0分、大于等于30 且小于35或大于等于45且小于50转化为1分、大于等于25且小于30 或大于等于50且小于55转化为2分、大于等于20且小于25或大于等于 55且小于65转化为3分,以及大于65或小于20转化为4分。
为了保证压缩后的评估体系的有效性,本发明最后再对新的序贯性脏器衰竭评分方法与原始SOFA评分进行测试,以此来验证新评分方法的有效性。最终实验结果证明,改进后的新评分方法确实更加有效也更为全面。
本发明还提供了一种基于机器学习的重症序贯性脏器衰竭评分系统,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述的计算存储器中存有构建好的0到4分评估体系和训练好的基于决策树模型的多算法模型;所述计算机处理器执行所述计算机程序时实现以下步骤:
对待评分的样本数据,提取13个算法筛选指标并进行数据清洗,在评估体系下,通过多算法模型对13个算法筛选指标进行打分,对重症序贯性脏器衰竭进行评估。
与现有技术相比,本发明具有以下有益效果:
本发明能更加准确、有效的评估重症全身性感染相关性器官功能衰竭,此外本发明方法利用机器学习方法进行了指标筛选、指标数值区间划分以及评分验证,避免了传统医学经验所带来制约,通过数据验证的方式,更加合理及理性。且改进后的新序贯性脏器衰竭评分方法有效性更高于原 SOFA评分的有效性,AUC验证指标在0.95的置信区间内能达到0.82。
附图说明
图1为本发明实施例一种基于机器学习的重症序贯性脏器衰竭评分方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于机器学习的重症序贯性脏器衰竭评分方法,包括了临床指标筛选、数据提取、模型训练、算法指标筛选、评估分数体系建立以及方法有效性验证。其具体实施的操作,包括以下步骤:
步骤1,临床指标筛选:根据多年重症临床医生的经验进行初步指标筛选。最后选择了呼吸系统指标,包括PaO2/FiO2,即氧合指数,动脉血氧分压与吸入氧浓度之比、有无机械通气、二氧化碳分压;血液系统指标,包括血小板计数、PT即血浆凝血酶原时间、APTT即活化部分凝血活酶时间以及D-dimer即D二聚体测试;肝脏指标,包括胆红素计数、谷草转氨酶AST、谷丙转氨酶ALT、白蛋白albumin计数;心血管系统指标,包括平均动脉压、多巴胺、多巴酚丁胺、肾上腺素、去甲肾上腺素、乳酸lactate 以及标准碱剩余BE;中枢神经系统指标,包括了GCS评分,及格拉斯哥昏迷指数的评估;肾脏指标,包括肌酐、血尿素氮BUN以及尿量;感染系统指标,包括白细胞WBC计数、急性反应蛋白CRP计数以及体温;人口信息学指标,包括了年龄。全部临床指标一共选取了25个。
步骤2,数据提取:本发明方法对公开重症数据库MIMICIII以及eICU 数据库进行了相关数据的提取和清洗,剔除了缺失指标较多的部分样本,并进一步对数据和指标进行了数据清洗、分布分析以及相关性分析。
步骤3,模型训练:为了更好进行评分方法的建立,本发明设计了一个基于决策树模型的多算法模型,包括了xgboost算法、lightgbm算法以及catboost,并通过对这三种算法的加权平均来确定模型的稳定有效性。
步骤4,算法指标筛选:由于决策树模型是一种带有判决规则的算法,其本质上是从训练集中归纳出一组分类规则从而得到与数据集矛盾较小的决策树,所以其在训练归纳时会自动计算每个特征的基尼系数,从而得到特征的重要性分数,故本发明利用决策树模型的特征重要性排序功能,通过算法对原涉及的26个指标进行有效选择,剔除了D二聚体在内的12 个低影响指标,保留了年龄在内的13个算法筛选指标,包括了龄、氧合指数PaO2/FiO2、血小板plt计数、平均动脉压MAP、格拉斯哥昏迷指数 GCS评分、血尿素氮BUN、乳酸lactate、血浆凝血酶原时间PT、谷草转氨酶AST、白细胞WBC计数、尿量、体温以及二氧化碳分压。
步骤5,评估分数体系建立:根据决策树模型训练过程中生成树枝期间产生的自动分割归纳方法,以及结合临床医学知识。本发明继续对筛选完成的13个指标进行数据划分区域的压缩,建立0到4分的评估体系。依旧通过打分的形式,来对重症全身性感染相关性器官功能衰竭进行评估,将原SOFA评分的24分体系拓展为32分体系。细节包括将年龄小于 45岁转化为0分、大于等于45岁且小于55岁转化为1分、大于等于55 岁且小于65岁转化为2分,大于等于65岁且小于75岁转化为3分,以及大于75岁转化为4分;将氧合指数PaO2/FiO2大于53.33转化为0分、大于等于40且小于53.33转化为1分、大于等于26.67且小于40转化为2分,大于等于13.33且小于26.67转化为3分,以及小于13.33转化为4 分;将血小板plt计数,大于150转化为0分、大于等于100且小于150 转化为1分、大于等于50且小于100转化为2分,大于等于21且小于50 转化为3分,以及小于21转化为4分;将平均动脉压MAP,大于等于70转化为0分、大于等于65且小于70转化为1分、大于等于60且小于65 转化为2分,大于等于55且小于60转化为3分,以及小于55转化为4 分;将格拉斯哥昏迷指数GCS评分,等于15分转化为0分、大于等于13 分且小于15分转化为1分、大于等于10且小于13转化为2分,大于等于6分且小于10分转化为3分,以及小于6分转化为4分;将血尿素氮 BUN,小于8转化为0分、大于等于8且小于30转化为1分、大于等于 30且小于50转化为2分,大于等于50且小于60转化为3分,以及大于 60转化为4分;将乳酸lactate,小于2转化为0分、大于等于2且小于等于3转化为1分、大于等于4且小于等于5转化为2分,大于等于6且小于等于7转化为3分,以及大于等于8转化为4分;将血浆凝血酶原时间 PT,小于13转化为0分、大于等于13且小于16转化为1分、大于等于 16且小于18转化为2分,大于等于18且小于21转化为3分,以及大于等于21转化为4分;谷草转氨酶AST,小于40转化为0分、大于等于 40且小于100转化为1分、大于等于100且小于200转化为2分,大于等于200且小于500转化为3分,以及大于等于500转化为4分;白细胞 WBC计数,小于10转化为0分、大于等于10且小于15转化为1分、大于等于15且小于20转化为2分,大于等于20且小于40转化为3分,以及大于等于40转化为4分;尿量,大于1500转化为0分、大于等于1000 且小于1500转化为1分、大于等于400且小于1000转化为2分,大于等于100且小于400转化为3分,以及小于100转化为4分;体温,大于36 摄氏度且小于等于37摄氏度转化为0分、大于等于35摄氏度且小于36 摄氏度转化为1分、大于37摄氏度且小于等于38摄氏度转化为2分,大于38摄氏度且小于等于39摄氏度转化为3分,以及大于39摄氏度转化为4分;二氧化碳分压,大于等于35且小于等于45转化为0分、大于等于30且小于35或大于等于45且小于50转化为1分、大于等于25且小于30或大于等于50且小于55转化为2分,大于等于20且小于25或大于等于55且小于65转化为3分,以及大于65或小于20转化为4分。
步骤6,方法有效性验证:本发明通过公开重症数据库MIMICIII以及eICU数据库的数据,对原始SOFA以及新的序贯性脏器衰竭评分方法进行了有效性评估。实验证明改进后的新序贯性脏器衰竭评分方法有效性更高于原SOFA评分的有效性,AUC验证指标在0.95的置信区间内能达到0.82,高于原SOFA评分的0.67。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,包括以下步骤:
(1)根据医生的经验筛选出初步的临床指标;
(2)选择公开的重症数据库,对样本中与筛选出的临床指标相关的数据进行提取和清洗,剔除缺失指标较多的部分样本;
(3)构建基于决策树模型的多算法模型,通过多个算法的加权平均作为模型的最终输出;
(4)筛选算法指标,输入步骤(2)处理后的样本数据,在基于决策树模型的特征重要性排序功能下,通过算法对临床指标进行重要性特征排序,保留13个算法筛选指标;
(5)根据决策树模型生成树枝期间产生的自动分割算法,并结合临床医学知识,将保留的13个指标进行数据进行指标数值区间的划分,建立0到4分的评估体系;
(6)对于待评分的样本数据,在评估体系下,通过多算法模型进行打分,对重症全身性感染相关性器官功能衰竭进行评估。
2.根据权利要求1所述的基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,步骤(1)中,筛选出的临床指标包括呼吸系统指标、血液系统指标、肝脏指标、心血管系统指标、中枢神经系统指标、肾脏指标、感染系统指标和人口信息学指标。
3.根据权利要求2所述的基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,所述的临床指标一共选取26个,具体如下:
所述的呼吸系统指标包括氧合指数PaO2/FiO2、有无机械通气、二氧化碳分压;
所述的血液系统指标包括血小板plt计数、血浆凝血酶原时间PT、活化部分凝血活酶时间、D二聚体测试;
所述的肝脏指标包括胆红素计数、谷草转氨酶AST、谷丙转氨酶ALT、白蛋白albumin计数;
所述的心血管系统指标包括平均动脉压、多巴胺、多巴酚丁胺、肾上腺素、去甲肾上腺素、乳酸lactate、标准碱剩余BE;
所述的中枢神经系统指标包括格拉斯哥昏迷指数GCS评分;
所述的肾脏指标包括肌酐、血尿素氮BUN、尿量;
所述的感染系统指标包括白细胞WBC计数、急性反应蛋白CRP计数、体温;
所述的人口信息学指标包括年龄。
4.根据权利要求1所述的基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,步骤(2)中,在剔除缺失指标较多的部分样本后,还包括对剩余样本数据中的临床指标进行数据清洗、分布分析以及相关性分析。
5.根据权利要求1所述的基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,步骤(3)中,所述的多算法模型包括xgboost算法、lightgbm算法以及catboost,通过三个算法的加权平均作为模型的最终输出。
6.根据权利要求1所述的基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,步骤(4)中,保留的13个算法筛选指标具体为:
年龄、氧合指数PaO2/FiO2、血小板plt计数、平均动脉压MAP、格拉斯哥昏迷指数GCS评分、血尿素氮BUN、乳酸lactate、血浆凝血酶原时间PT、谷草转氨酶AST、白细胞WBC计数、尿量、体温以及二氧化碳分压。
7.根据权利要求6所述的基于机器学习的重症序贯性脏器衰竭评分方法,其特征在于,步骤(5)中,建立0到4分的评估体系具体为:
年龄,小于45岁转化为0分、大于等于45岁且小于55岁转化为1分、大于等于55岁且小于65岁转化为2分、大于等于65岁且小于75岁转化为3分,以及大于75岁转化为4分;
氧合指数PaO2/FiO2,大于53.33转化为0分、大于等于40且小于53.33转化为1分、大于等于26.67且小于40转化为2分、大于等于13.33且小于26.67转化为3分,以及小于13.33转化为4分;
血小板plt计数,大于150转化为0分、大于等于100且小于150转化为1分、大于等于50且小于100转化为2分、大于等于21且小于50转化为3分,以及小于21转化为4分;
平均动脉压MAP,大于等于70转化为0分、大于等于65且小于70转化为1分、大于等于60且小于65转化为2分、大于等于55且小于60转化为3分,以及小于55转化为4分;
格拉斯哥昏迷指数GCS评分,等于15分转化为0分、大于等于13分且小于15分转化为1分、大于等于10且小于13转化为2分、大于等于6分且小于10分转化为3分,以及小于6分转化为4分;
血尿素氮BUN,小于8转化为0分、大于等于8且小于30转化为1分、大于等于30且小于50转化为2分、大于等于50且小于60转化为3分,以及大于60转化为4分;
乳酸lactate,小于2转化为0分、大于等于2且小于等于3转化为1分、大于等于4且小于等于5转化为2分、大于等于6且小于等于7转化为3分,以及大于等于8转化为4分;
血浆凝血酶原时间PT,小于13转化为0分、大于等于13且小于16转化为1分、大于等于16且小于18转化为2分、大于等于18且小于21转化为3分,以及大于等于21转化为4分;
谷草转氨酶AST,小于40转化为0分、大于等于40且小于100转化为1分、大于等于100且小于200转化为2分、大于等于200且小于500转化为3分,以及大于等于500转化为4分;
白细胞WBC计数,小于10转化为0分、大于等于10且小于15转化为1分、大于等于15且小于20转化为2分、大于等于20且小于40转化为3分,以及大于等于40转化为4分;
尿量,大于1500转化为0分、大于等于1000且小于1500转化为1分、大于等于400且小于1000转化为2分、大于等于100且小于400转化为3分,以及小于100转化为4分;
体温,大于36摄氏度且小于等于37摄氏度转化为0分、大于等于35摄氏度且小于36摄氏度转化为1分、大于37摄氏度且小于等于38摄氏度转化为2分、大于38摄氏度且小于等于39摄氏度转化为3分,以及大于39摄氏度转化为4分;
二氧化碳分压,大于等于35且小于等于45转化为0分、大于等于30且小于35或大于等于45且小于50转化为1分、大于等于25且小于30或大于等于50且小于55转化为2分、大于等于20且小于25或大于等于55且小于65转化为3分,以及大于65或小于20转化为4分。
8.一种基于机器学习的重症序贯性脏器衰竭评分系统,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述的计算存储器中存有构建好的0到4分评估体系和训练好的基于决策树模型的多算法模型;所述计算机处理器执行所述计算机程序时实现以下步骤:
对待评分的样本数据,提取13个算法筛选指标并进行数据清洗,在评估体系下,通过多算法模型对13个算法筛选指标进行打分,对重症序贯性脏器衰竭进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608785.2A CN112837826A (zh) | 2020-12-30 | 2020-12-30 | 一种基于机器学习的重症序贯性脏器衰竭评分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011608785.2A CN112837826A (zh) | 2020-12-30 | 2020-12-30 | 一种基于机器学习的重症序贯性脏器衰竭评分方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112837826A true CN112837826A (zh) | 2021-05-25 |
Family
ID=75925376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011608785.2A Pending CN112837826A (zh) | 2020-12-30 | 2020-12-30 | 一种基于机器学习的重症序贯性脏器衰竭评分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658685A (zh) * | 2021-08-16 | 2021-11-16 | 张青 | 感染性休克严重程度评分系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408144A (zh) * | 2014-11-14 | 2017-11-28 | Zoll医疗公司 | 医疗先兆事件估计 |
WO2020037244A1 (en) * | 2018-08-17 | 2020-02-20 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Use of machine learning models for prediction of clinical outcomes |
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 |
CN111145912A (zh) * | 2019-12-23 | 2020-05-12 | 浙江大学 | 一种基于机器学习的个性化超促排卵方案的预测装置 |
-
2020
- 2020-12-30 CN CN202011608785.2A patent/CN112837826A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408144A (zh) * | 2014-11-14 | 2017-11-28 | Zoll医疗公司 | 医疗先兆事件估计 |
WO2020037244A1 (en) * | 2018-08-17 | 2020-02-20 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Use of machine learning models for prediction of clinical outcomes |
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 |
CN111145912A (zh) * | 2019-12-23 | 2020-05-12 | 浙江大学 | 一种基于机器学习的个性化超促排卵方案的预测装置 |
Non-Patent Citations (3)
Title |
---|
TINGTING CHEN 等: "Prediction of Extubation Failure for Intensive Care Unit Patients Using Light Gradient Boosting Machine.", IEEE ACCESS., vol. 7, pages 150960 - 150968, XP011752307, DOI: 10.1109/ACCESS.2019.2946980 * |
刘家硕: "电影数据分析", HTTPS://GITHUB.COM/LJSTHU/MOVIE-ANALYSIS * |
虎磐: "基于集成机器学习的老年多器官功能不全早期死亡风险因素分析及预测模型构建", 中国优秀硕士学位论文全文数据库医药卫生科技辑, pages 060 - 394 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658685A (zh) * | 2021-08-16 | 2021-11-16 | 张青 | 感染性休克严重程度评分系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111554401B (zh) | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及系统 | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
US20130060549A1 (en) | Methods and apparatus for identifying disease status using biomarkers | |
CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
CN107430645B (zh) | 用于重症监护病房中的实验室值自动化分析和风险通知的系统 | |
CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
CN112117006A (zh) | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 | |
CN112133407A (zh) | 一种基于语音与表情的快速智能情绪测评分析方法 | |
CN110874409A (zh) | 病情分级预测系统、方法、电子设备及可读存储介质 | |
US10327709B2 (en) | System and methods to predict serum lactate level | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
CN112652398A (zh) | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 | |
CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
CN112837826A (zh) | 一种基于机器学习的重症序贯性脏器衰竭评分方法及系统 | |
CN113128654B (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
CN116864062B (zh) | 一种基于互联网的健康体检报告数据分析管理系统 | |
CN117198532A (zh) | 一种基于机器学习的icu患者脓毒症风险预测方法及系统 | |
CN117116477A (zh) | 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统 | |
CN112768079A (zh) | 一种基于机器学习的肝病认知模型构建方法和系统 | |
CN115910360A (zh) | 一种烟雾病风险预测模型构建方法 | |
CN114974562A (zh) | 一种基于机器学习的重症胰腺炎的临床预测模型构建方法 | |
CN113611412B (zh) | 一种t2dm引起冠心病风险的预测方法、装置及系统 | |
CN114724721A (zh) | 基于电子病历的ai结肠癌风险早筛建模方法 |
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 |