CN113017568A - 一种严重创伤患者生理变化及死亡风险预测方法及系统 - Google Patents
一种严重创伤患者生理变化及死亡风险预测方法及系统 Download PDFInfo
- Publication number
- CN113017568A CN113017568A CN202110234282.1A CN202110234282A CN113017568A CN 113017568 A CN113017568 A CN 113017568A CN 202110234282 A CN202110234282 A CN 202110234282A CN 113017568 A CN113017568 A CN 113017568A
- Authority
- CN
- China
- Prior art keywords
- data
- dbn
- prediction model
- death
- model
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- 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
-
- 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
Abstract
本发明涉及风险预测技术领域,提供了一种严重创伤患者生理变化及死亡风险预测方法及系统,方法包括:S1:预先收集已有的创伤患者数据作为建立DBN预测模型的数据集;S2:对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理;S3:采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型;S4:对所述DBN预测模型进行评价及验证;S5:采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。DBN模型可以作为一个实时的预测工具来预测ICU创伤患者的生理变化和死亡风险,并取得比传统严重程度评分有更好的预测表现。此外,我们的研究表明DBN可以用来进行医学时序数据的预测。
Description
技术领域
本发明涉及风险预测的技术领域,尤其涉及一种严重创伤患者生理变化及死亡风险预测方法及系统。
背景技术
创伤会导致任何年龄段的大量死亡和残疾,造成严重的经济负担。创伤的常见原因包括交通事故、跌倒、自残、暴力等。例如,2017年全球有440多万创伤死亡和5.2亿创伤病例,造成每10万人中损失3267个伤残调整生命年(从发病到死亡所损失的全部健康年。包括因早亡所致的寿命损失年和疾病所致伤残引起的寿命损失年两部分,经常用于测量疾病负担)。其中,重症监护病房(ICU)收治的严重创伤患者死亡风险非常高。因此,准确预测ICU创伤患者的生理变化和死亡风险,有助于对高死亡风险患者进行早期识别和干预。
尽管存在一些预后评分工具,如简化急性生理学评分(SAPS)和急性生理学和慢性健康评估(APACHE),可以用来对ICU患者死亡风险分层。同时一些创伤患者专用的评分工具,如新损伤严重程度量表(NISS)和创伤损伤严重程度评分(TRISS)也可以用来对创伤患者死亡危险分层。这些评分工具对创伤患者死亡风险的预测准确性存在较大争议。此外,还有两个原因可能会阻碍这些评分工具的临床应用。首先,这些评分工具的项目过于复杂,其中一些项目需要人工测量。其次,这些评分工具是基于基线信息(通常是入院时)来预测死亡风险。然而,在临床实践中,病人的状态会随着时间的推移而改变,医生会根据最新的状态调整他们的预后预测。因此,基于最新数据的实时预测工具在及时性和准确性方面优于基于基线数据的工具。
先进的医疗设备可以实时监控ICU创伤患者的生理状态,并在电子病历(EHR)系统中积累大量的患者实时监护数据。而先进的机器学习技术能很好地处理大数据中变量间的复杂关系。贝叶斯网络(Bayesian Networks,BNs)由于能够对变量间未知的复杂关系进行建模,已经被应用于解决医学预测问题中。动态贝叶斯网络(DBN)增加了BNs处理时间关系的能力,因此,DBN可以用于构建基于时序数据的医学预测模型,模型可以捕捉不同时间片段上变量之间的关系,并从上一时间片段中的变量预测下一时间片段中的变量。
发明内容
针对上述问题,本发明的目的在于提供一种严重创伤患者生理变化及死亡风险预测方法及系统,基于创伤患者监护大数据,采用DBN开发并验证ICU创伤患者生理变化和死亡风险实时预测模型。对于严重创伤的患者准确预测其病情,监测严重创伤患者的生理变化,以及早期确定患者的死亡风险。
本发明的上述发明目的是通过以下技术方案得以实现的:
一种严重创伤患者生理变化及死亡风险预测方法,包括以下步骤:
S1:预先收集已有的创伤患者数据作为建立DBN预测模型的数据集;
S2:对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理;
S3:采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型;
S4:对所述DBN预测模型进行评价及验证;
S5:采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。
进一步地,在步骤S1中,还包括:
将所述数据集划分为训练集和验证集;
所述训练集,用于建立所述DBN预测模型;
所述验证集,用于对根据所述训练集建立的所述DBN预测模型进行验证。
进一步地,在步骤S1中,所述数据集,具体包括:基线数据和生理指标;
所述基线数据,包括年龄、性别、ICU入院时间、ICU出院时间、住院死亡时间和基础疾病情况;
所述生理指标作为所述DBN预测模型的预测指标,包括体温、呼吸频率、心率、收缩压、舒张压、格拉斯哥昏迷评分、血氧饱和度、白细胞计数、血小板计数、红细胞压积、血糖、血钠、血钾、动脉pH值、血清肌酐、血清尿素氮。
进一步地,在步骤S2中,对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理,具体为:
S21:对所述数据集中的离群点进行过滤和删除;
S22:设定一固定时间长度作为每一次测量生命体征间隔的时间片段长度,当在所述时间片段长度内进行了多次生命体征的测量,使用平均值来避免随机误差引起的波动;
S23:根据患者的唯一身份标识号和时间片段的编号将所有时间记录整理成纵向数据,每个患者每个时间片段的所述基线数据相同;
S24:基于所述数据集中的连续变量转化成对数值,转换后服从近似正态分布;
S25:对所述数据集中的缺失数据进行插补。
进一步地,在步骤S3中,采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型,具体为:
采用基于约束的结构学习方法进行所述结构学习;
在进行所述结构学习之后,进行所述参数学习来估计结构网络中变量间的条件概率,采用极大似然参数估计法对所述DBN的参数进行拟合。
进一步地,在步骤S4中,对所述DBN预测模型进行评价及验证,具体包括:生理变化的预测准确性以及未来24小时和48小时的死亡风险预测准确性。
进一步地,设计一个基于网络的计算器,用于预测新创伤患者的生理变化和死亡风险,所述基于网络的计算器需要输入患者的基线特征和生理变量,然后输出24小时和48小时的预测结果。
一种执行如上述的严重创伤患者生理变化及死亡风险预测方法的系统,包括:
数据集收集模块,用于预先收集已有的创伤患者数据作为建立DBN预测模型的数据集;
数据处理模块,用于对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理;
模型构建模块,用于采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型;
模型评价验证模块,用于对所述DBN预测模型进行评价及验证;
模型预测模块,用于采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。
一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如上述的方法。
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代码,当所述计算机代码被执行时,如上述的方法被执行。
与现有技术相比,本发明的有益效果是:
我们的DBN模型可以作为一个实时的预测工具来预测ICU创伤患者的生理变化和死亡风险,并取得比传统严重程度评分有更好的预测表现。
附图说明
图1位本发明一种严重创伤患者生理变化及死亡风险预测方法的整体流程图;
图2为本发明时间片段数据提取示意图;
图3为本发明数据整理与装置示意图;
图4为本发明生理变化预测准确性评价示意图;
图5为本发明死亡风险预测准确性评价示意图;
图6为本发明动态贝叶斯网络模型结构图;
图7为本发明DBN模型对死亡风险的预测准确性示意图;
图8为本发明DBN模型预测死亡率与实际结果的校准曲线图;
图9为本发明将DBN模型开发成了一个基于网络的计算器的示意图;
图10为本发明一种严重创伤患者生理变化及死亡风险预测系统的整体结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
第一实施例
如图1所示,本实施例提供了一种严重创伤患者生理变化及死亡风险预测方法,包括以下步骤:
S1:预先收集已有的创伤患者数据作为建立DBN预测模型的数据集。
具体地,为了建立用于预测生理变化和死亡风险的预测模型,首先需要获取大量的已有的数据进行训练,以提高DBN预测模型的准确性。
进一步地,为了测试训练好的预测模型是否准确,在训练之前,我们将收集到的数据集划分为训练集和验证集;所述训练集,用于建立所述DBN预测模型;所述验证集,用于对根据所述训练集建立的所述DBN预测模型进行验证。
进一步地,所述数据集,具体包括:基线数据和生理指标;
所述基线数据,包括年龄、性别、ICU入院时间、ICU出院时间、住院死亡时间和基础疾病情况;所述生理指标作为所述DBN预测模型的预测指标,包括体温、呼吸频率、心率、收缩压、舒张压、格拉斯哥昏迷评分、血氧饱和度、白细胞计数、血小板计数、红细胞压积、血糖、血钠、血钾、动脉pH值、血清肌酐、血清尿素氮。
S2:对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理。
具体地,在收集到了大量的数据集之后,需要对数据进行预处理,具体包括以下步骤:
S21:对所述数据集中的离群点进行过滤和删除;
S22:设定一固定时间长度作为每一次测量生命体征间隔的时间片段长度,当在所述时间片段长度内进行了多次生命体征的测量,使用平均值来避免随机误差引起的波动;
S23:根据患者的唯一身份标识号和时间片段的编号将所有时间记录整理成纵向数据,每个患者每个时间片段的所述基线数据相同;
S24:基于所述数据集中的连续变量转化成对数值,转换后服从近似正态分布;
S25:对所述数据集中的缺失数据进行插补。
S3:采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型,具体为:采用基于约束的结构学习方法进行所述结构学习;在进行所述结构学习之后,进行所述参数学习来估计结构网络中变量间的条件概率,采用极大似然参数估计法对所述DBN的参数进行拟合。
S4:对所述DBN预测模型进行评价及验证,具体涉及生理变化的预测准确性以及未来24小时和48小时的死亡风险预测准确性。
S5:采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。
进一步地,在预测模型建立完成之后,还可以设计一个基于网络的计算器,用于预测新创伤患者的生理变化和死亡风险,所述基于网络的计算器需要输入患者的基线特征和生理变量,然后输出24小时和48小时的预测结果。
第二实施例
基于第一实施例中的一种严重创伤患者生理变化及死亡风险预测方法,本实施例提供一种具体的实施例,用于进一步解释本发明的工作流程。
本实施例执行过程主要包括以下内容:
方法:收集来自贝斯以色列迪康医学中心(MIMIC-III)和长海医院(ICU-CH)重症监护室(ICU)创伤患者数据,并基于动态贝叶斯网络(DBNs)针对生理变量不同时间段动态变化的复杂关系进行建模。训练集包括2915例MIMIC-III创伤患者的数据,验证集包括2163例ICU-CH创伤患者的数据。
结果:DBN模型包括两个静态变量(年龄和性别)和15个动态生理变量。在两个数据集中,所有生理变量的实际值与24小时和48小时预测值之间的差异率在5-10%之间。根据受试者操作特征曲线ROC计算的曲线下面积(AUC)评估24小时和48小时死亡风险预测准确性,在MIMIC-III数据集中为0.983和0.965,在ICU-CH数据集中为0.973和0.958。
结论:DBN可以用于医学时序数据,分析动态时间轴上变量间复杂关系,例如用来预测创伤患者在未来24-48小时的的生理状态和死亡风险。本研究的DBN预测模型有很高的AUC并通过ICU-CH数据验证,DBN预测模型可以作为一个实时的工具来预测ICU住院期间的生理变化和死亡风险。
以下对本实施例的方法进行详细说明:
(1)数据来源
本研究是一项回顾性/观察性研究,收集来自贝斯以色列迪康医学中心(MIMIC-III)和长海医院(ICU-CH)重症监护室(ICU)创伤患者数据,并基于动态贝叶斯网络(DBNs)针对生理变量不同时间段动态变化的复杂关系进行建模。训练集包括2915例MIMIC-III创伤患者的数据,验证集包括2163例ICU-CH创伤患者的数据。
本研究基于贝斯以色列迪康医学中心(MIMIC-III)数据库中创伤患者监护数据构建DBN预测模型,并采用2008年1月至2019年12月长海医院(ICU-CH)重症监护室(ICU)创伤患者数据进行模型验证,ICU-CH是中国东部主要的烧伤和创伤中心之一。本研究纳入人群为年龄>18岁且在ICU接受创伤治疗的患者。创伤被定义为由外部原因造成的身体伤害或损害。海军军医大学医学伦理委员会批准了本次研究。
本研究数据来源于患者电子健康档案(EHR),基线数据包括年龄、性别、ICU入院时间、ICU出院时间、住院死亡时间和基础疾病情况(获得性免疫缺陷综合征、转移癌、恶性血液病等)。本研究纳入SAPSⅡ和APACHEⅡ中的生理指标作为本研究中预测模型的预测指标,包括体温、呼吸频率、心率、收缩压、舒张压、格拉斯哥昏迷评分、血氧饱和度、白细胞计数、血小板计数、红细胞压积、血糖、血钠、血钾、动脉pH值、血清肌酐、血清尿素氮。由于氧分压(PaO2)、尿量、血清碳酸氢盐和胆红素在MIMIC-III中缺失比例>50%(如表1中显示的MIMIC-III数据库中变量缺失情况),因此没有被纳入本研究。
表1
(2)数据整理
1)离群点的处理:我们在模型构建中考虑了离群点的影响,根据临床经验设置了一系列标准,对数据库中的离群点进行过滤和删除(如表2极端值定义中,对超过极端值的数据进行删除)
表2
2)时间片段长度:生命体征数据记录间隔15分钟至4小时,实验室检查间隔约1天。本研究DBN模型中的时间片段长度设置为4小时。如果在一次片段中有多次测量生命体征,则使用平均值来避免随机误差引起的波动(如图2时间片段数据提取)。
3)数据整理:根据患者身份标识ID号和时间片段编号将所有时间记录整理成纵向数据,每个患者每个时间片段基线数据相同(如图3数据整理与装置)。
4)正态变换:连续变量在DBNs中应服从正态分布,因此有些变量被转换成对数值,大多数变量在转换后近似正态分布。
5)缺失数据插补:不同的变量以不同的频率测量,导致某些时间点变量的缺失值。因此,缺失值以该变量的最近一次观察值进行插补。其余缺失值采用期望最大化算法进行插补。
(3)模型构建
DBN是BN的一个扩展,它显示了跨时间片段的变量之间的复杂关系。DBN由一组节点和一组弧组成,每个节点表示一个变量,而弧表示变量之间的条件概率关系。DBN假定结构在不同时间片段上是相同的,变量之间的关系和影响路径不会随时间变化而改变。此外,DBN遵循马尔科夫特性,时间片段t1处的每个变量的状态仅依赖于前一时间片段t0处的父变量,而不依赖于更早的时间片段。
DBN的构造包括两个步骤:结构学习和参数学习。在我们的研究中,网络的结构学习是数据驱动的,并带有一些逻辑约束。我们假设t1时生理变量的状态只与t0时变量的状态有关。DBN结构学习是使用PC算法进行的,PC算法是一种典型的基于约束的结构学习方法。在建立网络结构之后,我们进行参数学习来估计网络中变量间的条件概率。采用极大似然参数估计法对DBN的参数进行拟合。
我们的预测模型采用DBN基于MIMIC-III数据库中的整理后数据进行构建。DBN是使用R包bnlearn实现的。Nagarajan等人的一本书详细描述了DBN理论、结构和参数学习。本研究中DBN实现程序在附件中。
(4)模型评价及验证
在临床实践中,预测创伤后24小时和48小时内生理变量的状态和死亡风险是相当重要的,这些信息有助于医生调整治疗方案和进行早期干预。因此,我们的预测模型的评估包括两部分:生理变化的预测准确性以及未来24小时和48小时的死亡风险预测准确性。
DBN模型评价分别在MIMIC-III和ICU-CH数据库中进行。对于ICU住院时间>24小时的患者,我们提取最后一个时间片段(死亡或出院前4小时内)和最后第7个时间片段(死亡或出院前24小时)中的真实数据,然后对最后第7个时间片段的数据根据DBN模型进行6次迭代预测后,得到最后一个时间片段的预测数据。对于ICU住院时间>48小时的患者,我们提取最后一个时间片段和最后第13个时间片段(死亡或出院前48小时)的真实数据,经过DBN模型12次迭代后获得最后一个时间片段的预测数据。利用DBN预测的24小时和48小时后预测数据,对照真实数据和结局,检验其对未来24小时和48小时生理变化和死亡风险的预测能力。
评估生理变化的预测准确性时(如图4中生理变化预测准确性评价),我们使用绝对差值和差值比率来衡量真实数据和预测数据之间的差异。评估死亡率风险预测的准确性时(如图5死亡风险预测准确性评价),我们使用MIMIC-III最后时间片段中的真实数据,通过限制性样条函数的Logistic回归建立死亡率判别模型。随后,根据DBN计算的最后一个时间片段的预测数据,使用该死亡率判别模型来计算预测的死亡率风险。用受试者工作特征曲线(ROC)下面积(AUCs)和校正曲线评价死亡率的预测性能。此外,我们根据最后7个或13个时间片段的数据计算了SAPSⅡ和APACHEⅡ的得分,以比较我们的DBN模型与SAPSⅡ和APACHEⅡ评分的死亡率预测能力。死亡率判别模型、ROC曲线和校正曲线用R软件rms包实现。
为了直观地显示和使用我们的DBN模型,我们使用R软件“Shiny”包开发了一个基于web的交互式计算器.
(5)结果
本研究纳入2915名来自MIMIC-III的ICU住院患者和2163名来自ICU-CH的ICU住院患者。纳入人群的一般特征如表3所示。DBN模型的结构如图6(动态贝叶斯网络模型结构图)所示,其中箭头表示从t0时间片段中变量到t1时间片段中变量的影响路径。
表3
表4
*差值比例=(真实值-预测值)×100%/真实值
表5
*差值比例=(真实值-预测值)×100%/真实值
表4和表5分别显示了DBN模型在MIMIC-III中对24小时和48小时后生理变化的预测精度。大多数生理变量的实际值和24小时预测值之间的差异率在5%以内。48小时预测值的误差略大于24小时预测值。在长海数据集中,所有变量的实际值与24小时或48小时预测值之间的差值比率都在10%以内,大多数都在5%以内(表6和表7)。此外,我们还评估了最终死亡的患者的生理变化预测准确性(如表8为MIMIC-III死亡人群24小时的生理指标预测准确性,如表9为MIMIC-III死亡人群48小时后的生理指标预测准确性,如表10为ICU-CH死亡人群24小时的生理指标预测准确性,如表11为ICU-CH死亡人群48小时后的生理指标预测准确性)。大部分变量在死亡人群中预测准确性也较高。
表6
*差值比例=(真实值-预测值)×100%/真实值
表7
*差值比例=(真实值-预测值)×100%/真实值
表8
*差值比例=(真实值-预测值)×100%/真实值
表9
*差值比例=(真实值-预测值)×100%/真实值
表10
*差值比例=(真实值-预测值)×100%/真实值
表11
*差值比例=(真实值-预测值)×100%/真实值
图7显示了DBN模型对死亡风险的预测准确性。在MIMIC-III中,基于最后一个时间片段真实数据的死亡判别模型具有很强的死亡率判别能力,AUCs接近1,死亡风险截断点为8%,敏感性为0.945,特异性为0.937。基于结局前24小时数据(未经过DBN预测)的死亡判别模型的AUC为0.961,而24小时后预测数据(经过DBN预测)的死亡判别模型的AUC为0.983,基于结局前24小时数据的SAPS-II和APACHE-II的AUCs分别为0.954和0.948。同样地,对于48小时死亡结局,经过DBN预测后的数据的AUC也高于未经DBN预测的原始观测数据。在图8中的校准图显示,使用DBN预测数据的模型预测死亡率与实际结果非常接近。在ICU-CH中,也证实了DBN模型预测后的数据相较于原始数据可以有效提高死亡风险预测准确性。校正曲线证明了使用DBN预测数据的模型预测死亡率与实际结果非常接近。
我们将DBN模型开发成了一个基于网络的计算器(图9),用于预测新创伤患者的生理变化和死亡风险。这个基于网络的计算器需要输入患者的基线特征和生理变量,然后输出24小时和48小时的预测结果。
(6)讨论
本研究建立了一个预测严重创伤患者生理变化和死亡风险的DBN模型,并在外部数据集上进行了验证。DBN模型中纳入SAPS-II和APACHE-II中的重要生理变量。与其他基于机器学习的模型相比,我们的DBN模型可以很容易地通过一个web应用程序进行计算,从而允许临床医生在实践中使用我们的模型,并在医疗工作中验证我们的模型。
在实际应用中,我们可以将一个创伤患者当前生理变量的值输入到我们的DBN模型中,就可以计算其在未来24小时和48小时内的生理变化和死亡风险。随着ICU监护过程中记录了多种生理变量,我们的DBN模型能够动态更新预测值。随着个性化医疗的出现,我们的DBN模型可以用于个性化预测生理变化和死亡风险,并用于临床决策,以期早期干预。
ICU患者生理变量之间的关系是非常复杂的(通常是非线性和存在交互作用的),这不太可能被常用的参数化方法(如线性回归)捕捉到。此外,为便于理解而设计的直观模型在概率建模中可能准确性较差。考虑变量间复杂依赖关系的方法在概率建模中更为精确。DBN在经典BNs模型中引入了时间变量,可以处理任意非线性和复杂的时间依赖关系,被广泛应用于不确定性条件下的预测和决策。我们的研究表明,与SAPS-II和APACHE-II等传统工具相比,DBN是一种稳健的方法,能够预测生理变化,提高死亡率的预测精度。
我们的研究有三个主要的局限性。首先,我们纳入了SAPS-II和APACHE-II中的生理学指标,而SAPS和APACHE都有最新版本,我们没有采用最新版本,部分原因是最新版本中的一些变量在我们的两个数据库中不存在,另一部分原因是我们希望使模型尽可能简单。第二,虽然我们的DBN模型在外部验证中表现良好,但我们的数据来自两家医疗条件先进、医疗经验丰富的高水平医院。生理变化不仅受到创伤的影响,也受到医疗条件的影响。因此,我们的DBN模型还需要在未来的各类医院中得到广泛的验证。最后,具有相同输入值的参与者使用DBN模型计算出的输出值相同,但每个人都具有独特的个性特征。因此,虽然我们的DBN预测模型可以支持决策,但所有的医疗保健决策都需要由临床医生做出。
(7)结论
我们的DBN模型可以作为一个实时的预测工具来预测ICU创伤患者的生理变化和死亡风险,并取得比传统严重程度评分有更好的预测表现。
第三实施例
如图10所示,本实施例提供一种执行如第一实施例中的严重创伤患者生理变化及死亡风险预测方法的系统,包括:
数据集收集模块1,用于预先收集已有的创伤患者数据作为建立DBN预测模型的数据集;
数据处理模块2,用于对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理;
模型构建模块3,用于采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型;
模型评价验证模块4,用于对所述DBN预测模型进行评价及验证;
模型预测模块5,用于采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。
本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机代码,当计算机代码被执行时,如上述方法被执行。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个功能或步骤的电路。如本说明书实施例所示实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Net work Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate 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。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。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。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子系统执行时,使得所述电子系统执行实施例一所述的方法。在此不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
Claims (10)
1.一种严重创伤患者生理变化及死亡风险预测方法,其特征在于,包括以下步骤:
S1:预先收集已有的创伤患者数据作为建立DBN预测模型的数据集;
S2:对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理;
S3:采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型;
S4:对所述DBN预测模型进行评价及验证;
S5:采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。
2.根据权利要求1所述的严重创伤患者生理变化及死亡风险预测方法,其特征在于,在步骤S1中,还包括:
将所述数据集划分为训练集和验证集;
所述训练集,用于建立所述DBN预测模型;
所述验证集,用于对根据所述训练集建立的所述DBN预测模型进行验证。
3.根据权利要求1所述的严重创伤患者生理变化及死亡风险预测方法,其特征在于,在步骤S1中,所述数据集,具体包括:基线数据和生理指标;
所述基线数据,包括年龄、性别、ICU入院时间、ICU出院时间、住院死亡时间和基础疾病情况;
所述生理指标作为所述DBN预测模型的预测指标,包括体温、呼吸频率、心率、收缩压、舒张压、格拉斯哥昏迷评分、血氧饱和度、白细胞计数、血小板计数、红细胞压积、血糖、血钠、血钾、动脉pH值、血清肌酐、血清尿素氮。
4.根据权利要求3所述的严重创伤患者生理变化及死亡风险预测方法,其特征在于,在步骤S2中,对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理,具体为:
S21:对所述数据集中的离群点进行过滤和删除;
S22:设定一固定时间长度作为每一次测量生命体征间隔的时间片段长度,当在所述时间片段长度内进行了多次生命体征的测量,使用平均值来避免随机误差引起的波动;
S23:根据患者的唯一身份标识号和时间片段的编号将所有时间记录整理成纵向数据,每个患者每个时间片段的所述基线数据相同;
S24:基于所述数据集中的连续变量转化成对数值,转换后服从近似正态分布;
S25:对所述数据集中的缺失数据进行插补。
5.根据权利要求1所述的严重创伤患者生理变化及死亡风险预测方法,其特征在于,在步骤S3中,采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型,具体为:
采用基于约束的结构学习方法进行所述结构学习;
在进行所述结构学习之后,进行所述参数学习来估计结构网络中变量间的条件概率,采用极大似然参数估计法对所述DBN的参数进行拟合。
6.根据权利要求1所述的严重创伤患者生理变化及死亡风险预测方法,其特征在于,在步骤S4中,对所述DBN预测模型进行评价及验证,具体包括:生理变化的预测准确性以及未来24小时和48小时的死亡风险预测准确性。
7.根据权利要求1所述的严重创伤患者生理变化及死亡风险预测方法,其特征在于,还包括:
设计一个基于网络的计算器,用于预测新创伤患者的生理变化和死亡风险,所述基于网络的计算器需要输入患者的基线特征和生理变量,然后输出24小时和48小时的预测结果。
8.一种执行如权利要求1-7所述的严重创伤患者生理变化及死亡风险预测方法的系统,其特征在于,包括:
数据集收集模块,用于预先收集已有的创伤患者数据作为建立DBN预测模型的数据集;
数据处理模块,用于对所述数据集进行包括离群点处理、时间片段长度、数据整理、正态变换和缺失数据插补在内的预处理;
模型构建模块,用于采用包括结构学习和参数学习在内的步骤构建所述DBN预测模型;
模型评价验证模块,用于对所述DBN预测模型进行评价及验证;
模型预测模块,用于采用所述DBN预测模型预测严重创伤患者生理变化及死亡风险。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1-7中任意一项所述的方法。
10.一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代码,当所述计算机代码被执行时,如权利要求1至7中任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234282.1A CN113017568A (zh) | 2021-03-03 | 2021-03-03 | 一种严重创伤患者生理变化及死亡风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234282.1A CN113017568A (zh) | 2021-03-03 | 2021-03-03 | 一种严重创伤患者生理变化及死亡风险预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113017568A true CN113017568A (zh) | 2021-06-25 |
Family
ID=76466493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110234282.1A Pending CN113017568A (zh) | 2021-03-03 | 2021-03-03 | 一种严重创伤患者生理变化及死亡风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017568A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793661A (zh) * | 2021-07-27 | 2021-12-14 | 北京交通大学 | 创伤失血性休克智能监测预警系统 |
CN114420231A (zh) * | 2022-01-14 | 2022-04-29 | 东南大学 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008026166A2 (en) * | 2006-08-28 | 2008-03-06 | Koninklijke Philips Electronics N.V. | Dynamic bayesian network for emulating cardiovascular function |
CN102281816A (zh) * | 2008-11-20 | 2011-12-14 | 人体媒介公司 | 用于确定危重护理参数的方法和设备 |
CN106156512A (zh) * | 2016-07-11 | 2016-11-23 | 皖南医学院弋矶山医院 | 一种中医药方用于类风湿性关节炎临床治疗的研究方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN109785951A (zh) * | 2019-02-20 | 2019-05-21 | 江苏大学 | 一种多车碰撞中乘员伤情预测及优先救援方法 |
CN109805898A (zh) * | 2019-03-22 | 2019-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 |
CN111065319A (zh) * | 2017-08-16 | 2020-04-24 | 哈佛学院院长等 | 用以改善婴儿呼吸的随机刺激 |
-
2021
- 2021-03-03 CN CN202110234282.1A patent/CN113017568A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008026166A2 (en) * | 2006-08-28 | 2008-03-06 | Koninklijke Philips Electronics N.V. | Dynamic bayesian network for emulating cardiovascular function |
CN102281816A (zh) * | 2008-11-20 | 2011-12-14 | 人体媒介公司 | 用于确定危重护理参数的方法和设备 |
CN106156512A (zh) * | 2016-07-11 | 2016-11-23 | 皖南医学院弋矶山医院 | 一种中医药方用于类风湿性关节炎临床治疗的研究方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN111065319A (zh) * | 2017-08-16 | 2020-04-24 | 哈佛学院院长等 | 用以改善婴儿呼吸的随机刺激 |
CN109785951A (zh) * | 2019-02-20 | 2019-05-21 | 江苏大学 | 一种多车碰撞中乘员伤情预测及优先救援方法 |
CN109805898A (zh) * | 2019-03-22 | 2019-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793661A (zh) * | 2021-07-27 | 2021-12-14 | 北京交通大学 | 创伤失血性休克智能监测预警系统 |
CN114420231A (zh) * | 2022-01-14 | 2022-04-29 | 东南大学 | 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 |
CN114420231B (zh) * | 2022-01-14 | 2024-04-19 | 东南大学 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bolourani et al. | A machine learning prediction model of respiratory failure within 48 hours of patient admission for COVID-19: model development and validation | |
Mao et al. | Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency department, general ward and ICU | |
Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
García-Gallo et al. | A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis | |
EP2614480A2 (en) | Medical scoring systems and methods | |
US20220044809A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
Zhang et al. | Lstm for septic shock: Adding unreliable labels to reliable predictions | |
US20210020312A1 (en) | Efficient and lightweight patient-mortality-prediction system with modeling and reporting at time of admission | |
CN113017568A (zh) | 一种严重创伤患者生理变化及死亡风险预测方法及系统 | |
He et al. | The development and validation of simplified machine learning algorithms to predict prognosis of hospitalized patients with COVID-19: multicenter, retrospective study | |
CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
Li et al. | Improving preeclampsia risk prediction by modeling pregnancy trajectories from routinely collected electronic medical record data | |
Shaw et al. | Timing of onset, burden, and postdischarge mortality of persistent critical illness in Scotland, 2005–2014: a retrospective, population-based, observational study | |
Ma et al. | Using the shapes of clinical data trajectories to predict mortality in ICUs | |
Balkan et al. | Decompensation in critical care: early prediction of acute heart failure onset | |
Shickel et al. | Dynamic predictions of postoperative complications from explainable, uncertainty-aware, and multi-task deep neural networks | |
Verma et al. | Developing and validating a prediction model for death or critical illness in hospitalized adults, an opportunity for human-computer collaboration | |
CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
US20220068492A1 (en) | System and method for selecting required parameters for predicting or detecting a medical condition of a patient | |
Zhou et al. | Fast prediction of deterioration and death risk in patients with acute exacerbation of chronic obstructive pulmonary disease using vital signs and admission history: retrospective cohort study | |
Kausch et al. | Individual illness dynamics: an analysis of children with sepsis admitted to the pediatric intensive care unit | |
Zhang et al. | Healthcare processes of laboratory tests for the prediction of mortality in the intensive care unit: a retrospective study based on electronic healthcare records in the USA | |
US11810652B1 (en) | Computer decision support for determining surgery candidacy in stage four chronic kidney disease | |
CN116036399A (zh) | 透析中的分析方法及用于透析的分析装置 | |
Shade et al. | COVID-HEART: development and validation of a multi-variable model for real-time prediction of cardiovascular complications in hospitalized patients with COVID-19 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210625 |
|
WD01 | Invention patent application deemed withdrawn after publication |