CN113066547A - 一种基于常规无创参数的ards早期动态预警方法与系统 - Google Patents
一种基于常规无创参数的ards早期动态预警方法与系统 Download PDFInfo
- Publication number
- CN113066547A CN113066547A CN202110279740.3A CN202110279740A CN113066547A CN 113066547 A CN113066547 A CN 113066547A CN 202110279740 A CN202110279740 A CN 202110279740A CN 113066547 A CN113066547 A CN 113066547A
- Authority
- CN
- China
- Prior art keywords
- patient
- early warning
- data
- ards
- parameters
- 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.)
- Granted
Links
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 title claims abstract description 120
- 201000000028 adult respiratory distress syndrome Diseases 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 95
- 230000004044 response Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 22
- 239000001301 oxygen Substances 0.000 claims description 22
- 229910052760 oxygen Inorganic materials 0.000 claims description 22
- 238000005399 mechanical ventilation Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 230000035487 diastolic blood pressure Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000035488 systolic blood pressure Effects 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000036760 body temperature Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013610 patient sample Substances 0.000 claims description 6
- 230000036387 respiratory rate Effects 0.000 claims description 6
- 206010010071 Coma Diseases 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 210000002700 urine Anatomy 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 18
- 230000006378 damage Effects 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 6
- 230000005180 public health Effects 0.000 abstract description 5
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 description 95
- 238000004422 calculation algorithm Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 7
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 108010088751 Albumins Proteins 0.000 description 3
- 102000009027 Albumins Human genes 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 3
- 239000002585 base Substances 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 239000011575 calcium Substances 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 229940109239 creatinine Drugs 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 239000011777 magnesium Substances 0.000 description 3
- 229910052749 magnesium Inorganic materials 0.000 description 3
- 230000003278 mimic effect Effects 0.000 description 3
- 244000144985 peep Species 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 2
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000004872 arterial blood pressure Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- 208000018875 hypoxemia Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 230000027939 micturition Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 2
- -1 polytrimethylene terephthalate Polymers 0.000 description 2
- 229920002215 polytrimethylene terephthalate Polymers 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- KVZLHPXEUGJPAH-UHFFFAOYSA-N 2-oxidanylpropanoic acid Chemical compound CC(O)C(O)=O.CC(O)C(O)=O KVZLHPXEUGJPAH-UHFFFAOYSA-N 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- RKUNBYITZUJHSG-UHFFFAOYSA-N Hyosciamin-hydrochlorid Natural products CN1C(C2)CCC1CC2OC(=O)C(CO)C1=CC=CC=C1 RKUNBYITZUJHSG-UHFFFAOYSA-N 0.000 description 1
- 206010025102 Lung infiltration Diseases 0.000 description 1
- 206010029538 Non-cardiogenic pulmonary oedema Diseases 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 108090000340 Transaminases Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001269 cardiogenic effect Effects 0.000 description 1
- XMLNCADGRIEXPK-KUMOIWDRSA-M chembl2146143 Chemical compound [Br-].O([C@H]1C[C@H]2CC[C@@H](C1)[N+]2(C)C)C(=O)C(CO)C1=CC=CC=C1 XMLNCADGRIEXPK-KUMOIWDRSA-M 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 208000009190 disseminated intravascular coagulation Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000013922 glutamic acid Nutrition 0.000 description 1
- 239000004220 glutamic acid Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000000122 hyperventilation Diseases 0.000 description 1
- 230000000870 hyperventilation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- QHDUJTCUPWHNPK-UHFFFAOYSA-N methyl 7-methoxy-2h-indazole-3-carboxylate Chemical compound COC1=CC=CC2=C(C(=O)OC)NN=C21 QHDUJTCUPWHNPK-UHFFFAOYSA-N 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008557 oxygen metabolism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000013223 septicemia Diseases 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 102000014898 transaminase activity proteins Human genes 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 230000003519 ventilatory effect Effects 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于常规无创参数的ARDS早期动态预警方法与系统,所述方法包括:获取患者的无创参数,预处理无创参数,构造特征数据;对特征数据标准化,生成标准化特征数据;将标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率;计算修正后的预警概率;当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。本发明仅使用常用的无创参数,不需要实验室数据,扩大了本发明的适用范围,使其在偏远地区、突发公共卫生事件和战场一线情况下使用成为可能,消除了频繁采集实验室参数对患者个体造成的伤害,降低了使用成本,能够提供更好的ARDS发病预警能力,为临床干预预留的预警间隔,能够为医生设计患者治疗方案提供充足时间。
Description
技术领域
本发明涉及人工智能技术与医疗健康领域,特别涉及一种基于常规无创参数的ARDS早期动态预警方法与系统。
背景技术
急性呼吸窘迫综合征(ARDS,Acute respiratory distress syndrome)是由机械通气过度、败血症、创伤、休克和弥散性血管内凝血等多种急性刺激引起的,以非心源性肺水肿导致的临床综合征,以顽固性进行性低氧血症为临床主要表现。ARDS疾病的特点是患病率高、死亡率居高不下,所有ICU患者中有10%发生ARDS,所有机械通气患者中有23%发生ARDS,ARDS起病较急,可为24~48小时发病,也可长至5~7天。尽管ARDS的死亡率在临床试验中正在降低,但在主要的观察性研究中,死亡率仍保持在40%左右。
一些研究表明,保护性机械通气,输入液体限制等方法对预防ARDS的发生有积极作用。如果有一个预警系统来预测患者未来ARDS的发生率,那么就可以为高危患者提供及时的预防干预,这可能会大大降低死亡率和医疗费用。目前有许多经过验证和认可的风险调整算法可以使用,如SOFA,SAPSII,APACHE-IV等,但这些方法利用率较低,近期一项研究中表明只有12%的ICU患者被使用了风险调整算法。这可能要归因于四个主要因素。首先,尽管这些方法的底层算法都是公开的,但在实践中部分风险调整算法中包含实验室数据,这些参数的获取将产生高昂的医疗费用,在偏远地区更是难以获取。另外,虽然胸部X射线允许被用于先期阶段对ARDS的诊断,但其会使患者暴露于辐射剂量。气道抽吸或灌洗可实现ARDS早期检测,这些方法的缺点是他们是有创的并且对患者有害。所有以上方法不适合于对患者是否患有ARDS或者可能发展成ARDS进行频繁的核查;第二,这些算法并未在学习窗口和预警窗口(发病时间)间预留出足够的临床干预时间,不能较好的满足实际临床需求。第三,传统风险调整算法受限于静态的低频数据,忽视了动态时序数据中蕴含的大量信息,预警准确率偏低,预警结果指导意义不强。第四,这些方法通常要求医护人员对患者数据进行频繁的记录和标定,这些算法的计分往往依赖于医护人员的医疗经验与临床观察,主观性强,且需要占用大量的医疗人力资源,这更是提高了风险调整算法的应用难度。尤其是在突发公共卫生事件和战场一线情况下,由于伤员基数庞大,而医疗资源却十分有限,针对ARDS病症开展高质量个体早期预警干预将更加困难。
专利CN106061381A、专利US20160345859A1与专利US10321851B2提供了一种检测ARDS的方法以及用于检测ARDS的系统,其能够基于患者呼气呼吸中的正辛烷的所述含量来辨别所述患者是否患有ARDS或者可能发展ARDS以结果得到对所述患者的ARDS指示,但该方法仅在ARDS辨识方面有较为明确的性能指标,未能实现对ICU患者ARDS发病预警的全程监护,对尚未发病的患者ARDS症状何时出现,发病概率为多少尚未提及。专利CN108604465A、专利US20180322951A1与专利WO/2017/077414提供了一种用于确定已知ARDS模型的“最小修剪”版本的过程和系统,其仅根据患者的生理反应和可观察到的反应进行建模,并且选择决策准则以在ARDS发病前尽快提供阳性预测,但该方法仅能提供患者未来发生ARDS的可能性,缺少预警模型运行时间与预测发病时间之间的临床干预时间,亦未能实现对ICU患者ARDS发病预警的全程监护,且不能回答患者未来何时会出现ARDS症状,对已经出现了ARDS症状的患者何时能够恢复等问题。专利CN103969439A提供了一种用于预测ALI/ARDS及估量其预后的酶联免疫检测板及试剂盒,但该方法通过检测血液中细胞因子含量的联合变化,得以预测ARDS症状出现概率,对患者有一定伤害。专利CN111407250A公开了一种用于监测患者ARDS发展的系统,但该系统输入参数包括呼吸力学参数、脉搏指数连续心输出量、中心静脉压与肺动脉压力、氧代谢动力、呼气末二氧化碳等,在突发公共卫生事件、战场一线或偏远地区等情况下,难以获得硬件支持。
以上专利虽然利用能够通过患者生理参数实现对患者的ARDS发病可能的预测,但是这些并非针对患者ARDS动态预警全程监护设计,缺乏对数据采集难度,时序数据挖掘,预留预警模型运行时间点与发病预警时间点之间的临床干预时间,对患者住院期间全程动态监护可能性的考虑。目前尚无基于常规无创参数的急性呼吸窘迫综合征动态预警系统的相关专利。本专利提出一种可用于患者住院期间全程监护的,基于常规无创参数的急性呼吸窘迫综合征多时间尺度早期动态预警系统,拟仅使用常规监护仪能够采集的无创生理参数对患者未来多时间尺度内ARDS发病可能性进行预测。
发明内容
本发明提供了一种基于常规无创参数的ARDS早期动态预警方法,所述方法包括:
获取患者的无创参数,
所述无创参数包括静态参数和时序数据;
所述静态参数包括年龄、性别、入住ICU类型和BMI指数;
所述时序数据包括格拉斯哥昏迷指数、语言反应、运动反应、睁眼反应、排尿量、无创收缩压、无创舒张压、无创平均压、体温、心率、呼吸率、是否进行机械通气、平台压、潮气量、呼气末正压、动脉氧饱和度和吸入氧气浓度;
预处理无创参数,构造特征数据;
所述预处理无创参数包括:
根据第一动态采样周期对时序数据进行反向动态采样,获得采样数据,所述第一动态采样周期由建立智能动态预警模型时确定;插补缺失数据;
对特征数据标准化,生成标准化特征数据;
将标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率;
其中所述智能动态预警模型,是基于患者样本集数据,以及患者进入ICU后每一个第一时间周期ARDS是否发作作为分类标签,并使用随机森林模型训练得到的,所述第一时间周期由建立智能动态预警模型时确定;
计算修正后的预警概率;
预设第二分类阈值,所述第二分类阈值为临床决策阈值;
分类阈值C=第二分类阈值;
修正后的预警概率计算方式如下:
当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
进一步地,所述方法还包括,
采集患者新的无创参数后,重新判断患者是否会得ARDS。
进一步地,所述标准化包括使用Z-score方法对数据进行标准化。
进一步地,所述方法还包括:使用分类阈值C’计算第二修正后的预警概率;其中,
分类阈值C’=第一分类阈值*第一权重+第二分类阈值*第二权重;
第一分类阈值为训练智能动态预警模型时获得;
第一权重、第二权重预先设置;
第二修正后的预警概率计算方式如下:
当患者第二修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
进一步地,所述智能动态预警模型,通过以下步骤获得:
获取若干ICU患者的无创参数,预处理ICU患者的无创参数,构造ICU患者的特征数据;
所述预处理ICU患者的无创参数包括:
根据第一动态采样周期对ICU患者的时序数据进行动态采样,获得ICU患者的采样数据,插补缺失数据;所述第一动态采样周期小于等于1小时;
对ICU患者的特征数据标准化,生成ICU患者的标准化特征数据;
选择随机森林模型,模型输入为ICU患者的标准化特征数据,模型输出为患者进入ICU后每一个第一时间周期该患者ARDS发病情况;所述第一时间周期小于等于1小时;
随机选择80%数据进行训练,剩余20%数据用于测试,使用10折交叉验证的方法在训练集上计算模型第一分类阈值,生成智能动态预警模型。
本发明还提供了一种基于常规无创参数的ARDS早期动态预警系统,所述系统包括:
获取模块,用于获取患者的无创参数,
所述无创参数包括静态参数和时序数据;
所述静态参数包括年龄、性别、入住ICU类型和BMI指数;
所述时序数据包括格拉斯哥评分及其组成、语言反应、运动反应、睁眼反应、排尿量、无创收缩压、无创舒张压、无创平均压、体温、心率、呼吸率、是否进行机械通气、平台压、潮气量,呼气末正压,动脉氧饱和度和吸入氧气浓度;
预处理模块,用于预处理无创参数,构造特征数据;
所述预处理无创参数包括:根据第一动态采样周期对时序数据进行反向动态采样,获得采样数据,所述第一动态采样周期由建立智能动态预警模型时确定;插补缺失数据;
标准化模块,用于对特征数据标准化,生成标准化特征数据;
计算模块,用于将标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率;
其中所述智能动态预警模型,是基于患者样本集数据,以及患者进入ICU后每一个第一时间周期ARDS是否发作作为分类标签,并使用随机森林模型训练得到的,所述第一时间周期由建立智能动态预警模型时确定;
修正模块,用于计算修正后的预警概率;
预设第二分类阈值,所述第二分类阈值为临床决策阈值;
分类阈值C=第二分类阈值;
修正后的预警概率计算方式如下:
判断模块,用于判断结果,当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
进一步地,所述系统还包括,
重判断模块,用于当采集患者新的无创参数后,重新判断患者是否会得ARDS。
进一步地,所述标准化包括使用Z-score方法对数据进行标准化。
进一步地,所述系统还包括,
第二修正模块,用于使用分类阈值C’计算第二修正后的预警概率;其中,
分类阈值C’=第一分类阈值*第一权重+第二分类阈值*第二权重;
第一分类阈值为训练智能动态预警模型时获得;
第一权重、第二权重预先设置;
第二修正后的预警概率计算方式如下:
第二判断模块,用于判断结果,当患者第二修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
进一步地,所述系统还包括,
智能动态预警模型建立模块,用于建立智能动态预警模型,通过以下步骤获得:
获取若干ICU患者的无创参数,预处理ICU患者的无创参数,构造ICU患者的特征数据;
所述预处理ICU患者的无创参数包括:
根据第一动态采样周期对ICU患者的时序数据进行动态采样,获得ICU患者的采样数据,插补缺失数据;所述第一动态采样周期小于等于1小时;
对ICU患者的特征数据标准化,生成ICU患者的标准化特征数据;
选择随机森林模型,模型输入为ICU患者的标准化特征数据,模型输出为患者进入ICU后每一个第一时间周期该患者ARDS发病情况;所述第一时间周期小于等于1小时;
随机选择80%数据进行训练,剩余20%数据用于测试,使用10折交叉验证的方法在训练集上计算模型第一分类阈值,生成智能动态预警模型。
本发明所设计的一种基于常规无创参数的ARDS早期动态预警方法,仅使用常用的无创参数,不需要实验室数据,扩大了系统的使用适用范围,使其在偏远地区、突发公共卫生事件和战场一线情况下使用成为可能。消除了频繁采集实验室参数对患者个体造成的伤害,降低了系统使用成本。能够提供更好的ARDS发病预警能力。为临床干预预留的预警间隔,能够为医生设计患者治疗方案提供充足时间。
附图说明
图1示出了本发明实施例的一种基于常规无创参数的ARDS早期动态预警方法流程示意图;
图2示出了本发明实施例的学习窗口延迟窗口预测窗口示意图;
图3示出了本发明实施例的一种基于常规无创参数的ARDS早期动态预警系统结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明所设计了一种基于常规无创参数的ARDS早期动态预警方法,如图1所示。当患者进入ICU期间并全程监护,本方法能够基于常规无创参数对ARDS多时间尺度早期动态预警,实现对患者未来多时间尺度内ARDS发病可能性进行预测。
在本申请的文字和附图中,使用以下缩写/首字母缩略词。重症监护室(ICU,Intensive Care Unit)、身体质量指数(BMI,Body mass index)、格拉斯哥昏迷指数(GCS,Glasgow Coma Scale)、语言反应(gcsverbal)、运动反应(gcsmotor)、睁眼反应(gcseyes)、排尿量(urineoutput)、无创收缩压(Non-invasive systolic blood pressure)、无创舒张压(Non-invasive diastolic blood pressure)、无创平均压(Non-invasive mean bloodpressure)、体温(temperature)、心率(Heartrate)、呼吸率(Respiration rate)、是否进行机械通气(vent_statu)、平台压(platelet)、潮气量(tidalvolume),呼气末正压(PEEP),动脉氧饱和度(SpO2),吸入氧气浓度(fiO2)、有创收缩压(Invasive systolic bloodpressure)、有创舒张压(invasive diastolic blood pressure)、有创平均压(invasivemean blood pressure)、氯化物(chloride)、钾(potassium)、白蛋白(albumin)、丙氨酸氨基转移酶(alt)、碱过量(base_excess)、肌钙蛋白t(troponin_t)、葡萄糖(glucose)、血红蛋白(hemoglobin)、谷草转氨酶(ast)、镁(magnesium)、钙(calcium)、聚对苯二甲酸丙二醇酯(ptt)、白细胞(wbc)、肌酐(creatinine)、红细胞压积(hematocrit)、尿素氮(urea_nitrogen)、乳酸(lactate)、二氧化碳分压(PaCO2)、动脉血氧分压(PaO2)、酸碱度(PH)、外周毛细血管血氧分压(PO2)、外周毛细血管氧饱和度(SaO2)、冠心病重症监护室(CCU,CoronaryCare Unit)、外科重症监护病房(SICU,Surgical Intensive Care Unit)、创伤/外科重症监护病房(TSICU,Trauma Surgical Intensive Care Unit)、新生儿重症监护室(NICU,Neonatal(Newborn)Intensive Care Unit)、内科重症监护病房(MICU,Medical IntensiveCare Unit)、心脏外科康复科(CSRU,Cardiac Surgery Recovery Unit)、ICU住院时长(ICULOS)。
本发明中,仅使用容易获取的无创参数进行预测。有创参数,如动脉氧饱和度,血红蛋白等属于实验室参数,成本高,对患者有一定伤害,同时获取需要一定时间,无法实现全程动态监测。本发明使用实际临床环境与医生经验对模型输出概率进行修正,即使用临床决策阈值进行修正。在本发明中,特别被设置了可调的预警间隔,以保证疑似患者有充足时间接受临床早期治疗。
本发明中智能动态预警模型的建立和对患者的预测,均需要获取对应的无创参数,无创参数包括静态参数和时序数据。
静态参数包括年龄、性别、入住ICU类型和BMI指数。入住ICU类型包括CSRU类型、MICU类型、SICU类型、SICU类型和TSICU类型等。
示例性的,对性别,入住ICU类型,是否进行机械通气通过独热编码的方式处理,分别为gender_1(是否为男)、gender_0(是否为女)、vent_statu_1(是否进行机械通气)、vent_statu_0(是否没有进行机械通气)、icutype_1(患者是否进入CCU类型的ICU)、icutype_2(患者是否进入CSRU类型的ICU)、icutype_3(患者是否进入MICU类型的ICU)、icutype_4(患者是否进入SICU类型的ICU)、icutype_5(患者是否进入TSICU类型的ICU)。
时序数据包括格拉斯哥昏迷指数及其组成、排尿量、无创收缩压、无创舒张压、无创平均压、体温、心率、呼吸率、是否进行机械通气、平台压、潮气量、呼气末正压、动脉氧饱和度和吸入氧气浓度。其中格拉斯哥昏迷指数组成包括语言反应、运动反应和睁眼反应。
患者的数据还包括有创参数,本发明不使用有创参数。共有46个特征从电子病历和呼吸机数据中被提取,共有无创参数与有创参数两大类,无创参数(non-invasiveparameters)21个,有创参数(laboratory measurements)25个。但是为证明本发明使用无创参数就能建立智能动态预警模型,同时对使用无创参数建立的模型和使用无创参数、有创参数建立另一模型进行比较,比较的结果是仅使用无创参数就能接近加入了有创参数模型的性能。
有创参数包括有创收缩压、有创舒张压、有创平均压、氯化物、钾、白蛋白、丙氨酸氨基转移酶、碱过量、肌钙蛋白t、葡萄糖、血红蛋白、谷草转氨酶、镁、钙、聚对苯二甲酸丙二醇酯、白细胞、肌酐、红细胞压积、尿素氮、乳酸、二氧化碳分压、动脉血氧分压、酸碱度、外周毛细血管血氧分压和外周毛细血管氧饱和度。
示例性的,模型建立采用的临床数据来自the Medical Information Mart forIntensive Care III(MIMIC III)database。MIMIC III数据库包含2001年至2012年入住Beth lsrael女执事医疗中心重症监护室的受试者,包括人口统计信息、床边测量的生命信号、实验室测量、药物信息、医生笔记和成像报告。
所有年龄大于等于18岁,在ICU停留时间超过8小时但不超过7天的患者全部包含在该分析中。排除不满足下述ARDS相关定义且一小时内多次出现机械通气状态变动的患者,共有29395名患者纳入分析。
ARDS定义,也被称为柏林定义,由欧洲重症监护医学协会提出。ARDS定义是:在已知临床损伤或新的/恶化的急性低氧血症(PaO2/FiO2≤300mmhg)以及至少5cmH2O的PEEP的通气患者中,出现新的或恶化的呼吸系统症状,并且在7天内不能完全用心力衰竭或心源性肺水肿来解释患者胸片中的双侧肺浸润情况。为了减少假阳性患者的引入,进一步加强对ARDS的定量诊断,在本发明研究中,定义PaO2/fiO2≤200且同时进行机械通气PEEP≥5cmH2O,在ICU期间进行胸部影像学检查,且影像报告得到证实的患者为ARDS患者。
本发明中智能动态预警模型的建立和对患者的预测,均需要对其无创参数进行预处理,构造对应的特征数据。两者预处理方式略有不同。
模型建立时,根据第一动态采样周期对ICU患者的时序数据进行动态采样,获得ICU患者的采样数据,插补缺失数据;所述第一动态采样周期小于等于1小时。
示例性的,以患者入住ICU的时间作为起始时间点,患者离开ICU时间或死亡时间为终点。定义第一动态采样周期,第一动态采样周期≤1小时,所有的时序数据被以第一动态采样周期为周期进行采样。如第一动态采样周期为1小时,即1小时采样一次;如第一动态采样周期为30分钟,即30分钟采样一次。本文以第一动态采样周期为1小时进行示例性说明。
本文定义,[X0,X1]表示从时间X0到时间X1,模型训练时,患者进入ICU时间为X0;对患者预测时,假设患者入住ICU的时间或者医生选择时间点,即起始时间点为X0。当患者入住ICU共9.5小时,最终生成10个ICU患者的采样数据,第一个数据为第0小时到1小时的采样数据,即[X0+0,X0+1]的采样数据,第二个数据为[X0+1,X0+2]的采样数据,最后一个为[X0+9,X0+9.5]的采样数据。
对患者预测时,根据第一动态采样周期对其时序数据进行反向动态采样,获得采样数据;所述第一动态采样周期由建立智能动态预警模型时确定;插补缺失数据。
示例性的,预测时,动态采样使用是反向采样。以医生对患者做预测时间点为终点,以患者入住ICU的时间或者医生选择时间点作为起始时间点。根据第一动态采样周期对所有时序数据反向采样。在本发明中,正向采样,反向采样,采样数据均以时间发生先后顺序排序进行说明。排序不影响模型的建立和对患者的预测。
当医生为患者进行预测时,患者已经入住ICU共9.5小时,医生选择患者入住ICU后1小时为起始时间点。最终生成9个ICU患者的采样数据,第一个数据为第1小时到1.5小时的采样数据,即[X0+0,X0+0.5]的采样数据,第二个数据为第1.5小时到2.5小时的采样数据,[X0+1.5,X0+2.5]的采样数据,最后一个为第8.5小时到9.5小时的采样数据,即[X0+7.5,X0+8.5]的采样数据。另一患者,当医生为患者进行预测时,患者刚入住ICU共0.4小时,以患者入住ICU为起始点。因为该时间未满1小时,则生成一个采样数据,[X0+0,X0+0.4]的采样数据。
本发明中智能动态预警模型的建立和对患者的预测,都需要对已采样的数据中缺失数据进行插补。本发明需要对加入有创参数进行比较,所以以下方式也包括对有创参数进行处理。
示例性的,本发明使用以下方式进行插补:
模型建立时和对患者预测时的采样周期均为第一动态采样周期。如第一个采样数据是从[0,1]采样获得的数据,第二个采样数据是从[1,2]采样获得的数据,则对应原始数据中,[0,1]、[1,2]均为一个采样周期跨度;其中[0,1]为第一采样周期跨度,[1,2]的上一采样周期跨度为[0,1],[1,2]的下一采样周期跨度为[2,3]。
原始数据中,在一个采样周期跨度内有多个有效采样点的取其中位数。对出现vent_statu缺失的,若缺失点在患者进入ICU的第一采样周期跨度,则以患者未进行机械通气进行插补,其它的缺失值用上一采样周期跨度患者vent_statu进行插补。对出现fiO2缺失的,当患者未进行机械通气时,使用固定数值21进行插补,对应空气中氧气含量;若在缺失点出现的时间患者进行了机械通气,则使用上一采样周期跨度的数据进行插补。对出现PEEP值缺失的,若患者未进行机械通气,则使用固定数值0进行插补;若在缺失点出现的时间患者进行了机械通气,且前一采样周期跨度患者未进行机械通气,使用固定值5进行插补;其它情况使用上一采样周期跨度的数据进行插补。对出现urineoutput值缺失的,使用固定值0进行插补。对其它参数,一个采样周期跨度内没有采样点的用上一采样周期跨度数据插补,每个参数在患者进入ICU后开始记录第一采样周期跨度内有缺失值的使用患者该参数平均值进行插补。若患者在住院期间没有某一参数的有效值,使用全部数据集该参数的平均值进行插补。特别的,在给患者添加标签时因为需要计算PaO2/fiO2,在加标签时原始数据中出现PaO2数值缺失的,首先使用同时间段的PO2进行代替,若同时间段的PO2出现缺失,则使用同时间段SpO2*300/315插补,否则使用上一采样周期跨度患者的PaO2原始数据进行插补。
理论上,当医护人员取得患者第一个无创参数时,其余缺失数据可以使用插补,即可以对患者进行预测。该患者无创参数获取的越来越多,缺失的数据越来越少,这样对患者会生成若干种相同或不同的预测。而经过治疗或时间的变化,患者的无创参数发生变化,又生成新的预测。
本发明中智能动态预警模型的建立和对患者的预测,都需要对其特征数据标准化,生成对应的标准化特征数据;所述标准化包括使用Z-score方法对数据进行标准化。模型建立时,生成的为ICU患者的标准化特征数据;对患者预测时,生成为标准化特征数据。
Z-Score是数据标准化处理的一种常用方法,通过Z-Score,可以将不同量级的数据转化为统一量度的Z-Score分值,并进行比较。本发明还可以使用其他标准化方法来进行标准化。
具体的,本发明中智能动态预警模型的建立是基于患者样本集数据,以及患者进入ICU后每一个第一时间周期ARDS是否发作作为分类标签,并使用随机森林模型训练得到的。
选择随机森林模型,模型输入为ICU患者的标准化的特征数据,模型输出为该患者进入ICU后每一个第一时间周期该患者ARDS发病情况。随机选择80%数据进行训练,剩余20%数据用于测试,使用10折交叉验证的方法在训练集上计算模型第一分类阈值,生成智能动态预警模型。所述第一时间周期小于等于1小时。
示例性的,定义第一时间周期为Z小时,某患者进入ICU共k小时,k=(n+1)*Z+m,则对于该患者,每一个第一时间周期分别为[X0+0,X0+1*Z]、[X0+1*Z,X0+2*Z]、[X0+2*Z,X0+3*Z]、…、[X0+n*Z,X0+(n+1)*Z]、[X0+(n+1)*Z,X0+(n+1)*Z+m]。如定义第一时间周期为1小时,患者进入ICU后,第3.7小时ARDS发病。则对于该患者,[X0+0,X0+1]正常,[X0+1,X0+2]正常,[X0+2,X0+3]正常,[X0+3,X0+4]发病。若某患者第一时间周期整数倍时间ARDS发病,则向前记录。如第2小时发病,则对于该患者,[X0+0,X0+1]正常,[X0+1,X0+2]发病,[X0+2,X0+3]发病。
当患者[X0+0,X0+1*Z]正常、[X0+1*Z,X0+2*Z]正常、[X0+2*Z,X0+3*Z]正常、[X0+3*Z,X0+4*Z]发病。将相应时间合并后,该患者[X0+0,X0+2*Z]正常、[X0+2*Z,X0+4*Z]发病。
优选的,第一时间周期为第一动态采样周期的整数倍。更进一步地,第一时间周期为=第一动态采样周期。这种方式,使得模型建立时,样本取样周期与判断患者ARDS发病情况周期部分或全部重合,更有利于后续预测时正确判断。本文以第一时间为1小时示例性说明,此时第一时间周期为=第一动态采样周期。
示例性的,模型建立时,输入数据包含在[X0+0,X0+1]等时间段采样获得标准化特征数据,输出数据包含[X0+0,X0+1]、[X0+1,X0+2]、[X0+2,X0+3]、[X0+3,X0+4]等时间段该患者是否发病情况。模型建立后,在0时刻获得患者无创数据,能够预测患者[0,1]、[1,2]、[2,3]、[3,4]等时间段的发病概率,同样可以预测某患者[0,2]、[1,3]、[2,4]等时间段的发病概率。在5时刻获得患者无创数据,能够预测患者[5,6]、[6,7]、[7,8]、[8,9]等时间段的发病概率,同样可以预测某患者[5,7]、[6,8]、[7,9]等时间段的发病概率。因此,生成模型后,可以预测患者在多种时间段内发病情况。
示例性的,MIMIC III数据库中用于模型建立共包含29395名患者,其中6936(23.60%)人在入住ICU过程中出现了ARDS症状,中位延迟时间为4小时。患ARDS患者入住ICU时长与住院死亡率都要明显高于不患ARDS患者入住ICU的时长与死亡率。其中训练集23156人,测试集5879人,患者参数的统计分析见表1。
表1
随机森林通过基于集成的方法来集合多个决策树构成森林以降低决策树在算法复杂度上的限制。每棵树由原始训练集的随机子集构成,在每个需要拆分的节点上,分析变量全集的随机子集。随后通过这些随机生成的大量决策树的结果的众数进行最终决策。模型建立时,使用10折交叉验证的方法在训练集上计算模型第一分类阈值。表2中cut_off值为第一动态采样周期为一小时,机器学习模型通过表1中训练集数据计算出的阴性阳性样本的第一分类阈值。其中1h、2h、3h、4h表示预警间隔,如1h表示患者1小时后是否出现ARDS症状进行预测。第一动态采样周期不同会生成不同的第一分类阈值。需要根据实际情况选用。第一分类阈值可以使用但不限于以下方式获得:模型在训练集上,使得敏感性与特异性相差最小的阈值。
表2
模型建立后,将已经标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率。
本发明使用实际临床环境与医生经验对模型输出概率进行修正,即使用临床决策阈值进行修正,临床决策阈值判断可参见论文《Dual Processing Model for MedicalDecisionMaking:An Extension to Diagnostic Testing》或其他相关论文。
示例性的,医生根据实际临床过程中依据当地医疗条件、医疗水平等多种因素设定。如三甲医院,医疗设备齐全,医生更加专业,临床决策阈值相比于普通乡村医院更低,患者治疗收益高,非ARDS患者接受了ARDS干预治疗的损伤低。较低的临床决策阈值能纳入更多的疑似患者进行临床干预治疗,提高入疑似ARDS患者存活率。
计算修正后的预警概率;预设第二分类阈值,所述第二分类阈值为临床决策阈值;其中分类阈值C=第二分类阈值。其中,修正后的预警概率计算方式如下:
当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。示例性的,某患者在0时刻将无创数据输入模型,模型输出后,得到该患者[1,2]时间段修正后的预警概率为0.32,[2,3]为0.49,[3,4]为0.57,[4,5]为0.62,则判断该患者在[3,4]之间很可能得ARDS。而[2,3]的概率虽然为0.49,但是结合[3,4]的概率,说明在[2,3]该患者已经出现危险,从现在到2小时后,医生需要对该患者做预防治疗。
本发明还可以使用临床决策阈值和第一分类阈值共同判断患者是否在某时间得ARDS。
使用分类阈值C’计算第二修正后的预警概率;其中,分类阈值C’=第一分类阈值*第一权重+第二分类阈值*第二权重。第一分类阈值为训练智能动态预警模型时获得,第一权重、第二权重预先设置。医生可以根据实际情况设定不同的第一权重和第二权重。
第二修正后的预警概率计算方式如下:
当患者第二修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
医生可以根据实际来选择具体的预测方式。也可以两者结合使用。
患者每一时刻都会产生新的无创参数,而对患者进行有效的治疗后,该患者的无创参数会发生一系列变化,采集患者新的无创参数后,重新判断患者某时刻是否会得ARDS。
优选的,定义学习窗口、延迟窗口和预测窗口。学习窗口为有可用数据的时间范围,用于智能动态预警模型的输入。预测窗口用来确定是否发生了急性呼吸窘迫综合征的时间段;延迟窗口:预测窗口和学习窗口之间的时间差。
定义学习窗口,T0为患者进入ICU时间,T1被设置为当前时间点,满足T1-x1≥T0,x1为学习窗口的时间长度,即数据从[T1-x1,T1]时间内获得。当x1≤1h时,即取得x1时间内一个采样数据。如果x1>1,则按照反向动态采样方法,对学习窗口时间内数据进行采样,会取得多个采样数据。
预测窗口即用来确定是否发生了急性呼吸窘迫综合征的时间段。如图2所示,x2为延迟窗口长度,预测窗口的时间段为[T1+x2,T1+x2+x3],x3为预测窗口长度。本发明可以在学习窗口内取得患者数据,得到未来预测窗口内该患者ARDS发病的预测结果,即数据从[T1-x1,T1]时间内获得,预测患者在[T1+x2,T1+x2+x3]发病情况。
当预测窗口和学习窗口之间的时间差无穷小,即延迟窗口为0。而ARDS具有急性发病的特点,如果只是预测出患者在未来很短的时间内会发生ARDS,但来不及对患者进行临床干预,那么模型的实用性就不大,因此,延迟窗口为0在临床对患者预测时没有实际意义。
考虑到数据库中患者入住ICU后,患者出现ARDS症状所用时间的中位数为4小时。为了更加及时地预警ARDS并给后续ARDS干预留出足够的时间,以1小时作为学习窗口和延迟窗口的标准,对模型的预测性能进行分析。
示例性的,使用基于特征全集(有创参数和无创参数总集合),固定学习窗口为1小时,延迟窗口为1小时的随机森林模型,以反映每个变量在进行动态ARDS预警时在模型中的贡献,如表3所示,无创参数预警ARDS权重最大的三个参数是临近1小时内患者是否进行机械通气、患者吸入氧浓度和语言反应。有创参数预警ARDS权重最大的三个参数是PO2、PaO2和SaO2。其中无创参数的贡献总和占比为78.93%,无创参数集合的贡献相对有创参数集合的权重为3.746:1。
表3
表4为基于无创参数的机器学习预警模型AUC指标。表中为使用无创参数的建立模型,并进行测试的结果,在每个学习窗口(x1=1、2、4、6,、8h)和延迟窗口(x2=1、2、3、4h)上,AUC值均大于0.925,模型在学习窗口为8小时,延迟窗口为1小时时AUC值达到最大,为0.966(95%CI:0.964-0.968)。随着延迟窗口增加,模型性能降低;随着学习窗口增加,模型获取临床信息增加,模型性能增加。
表4
本发明对比了基于无创参数集合与基于特征全集的面建立的预警模型性能。结果如表4所示。表5为固定学习窗口为1小时,延迟窗口为1、2、3、4小时,基于无创特征集合和特征全集的机器学习预警模型AUC指标。
表5
随着机器学习使用特征数量的增加,模型性能会有些许上浮。当延迟窗口1小时时,基于特征全集参数的预测AUC比仅基于无创参数的AUC多0.009。本发明还比较了ACC、AUC、BER、F1_score、KAPPA、MCC、TNR、TPR等指标。还比较了学习窗口为不同时间的指标。如表6所示,表6为固定学习窗口为4小时,延迟窗口为1、2、3、4小时,基于无创特征集合和特征全集的机器学习预警模型。表6仅为相关比较数据中的其中一个对比表。本发明实际还比较了学习窗口为其他时间的数据。因此,基于无创参数的ARDS预警算法可匹敌使用全集的算法。基于无创参数的算法,无需有创参数的支持,可以在缺少专业医生和专业临床设备的偏远地区和基层社区医疗机构广泛应用推广。
表6
本发明还设计一种基于常规无创参数的ARDS早期动态预警系统,如图3所示,所述系统包括:
获取模块,用于获取患者的无创参数,其中,
所述无创参数包括静态参数和时序数据;
所述静态参数包括年龄、性别、入住ICU类型和BMI指数;
所述时序数据包括格拉斯哥评分及其组成、语言反应、运动反应、睁眼反应、排尿量、无创收缩压、无创舒张压、无创平均压、体温、心率、呼吸率、是否进行机械通气、平台压、潮气量,呼气末正压,动脉氧饱和度和吸入氧气浓度。
预处理模块,接收获取模块传来的无创参数,用于预处理无创参数,构造特征数据;其中
所述预处理无创参数包括:根据第一动态采样周期对时序数据进行反向动态采样,获得采样数据,所述第一动态采样周期由建立智能动态预警模型时确定;插补缺失数据。
标准化模块,接收预处理模块传来的特征数据,用于对特征数据标准化,生成标准化特征数据;
所述标准化包括使用Z-score方法对数据进行标准化。
计算模块,接收标准化模块传来的标准化特征数据,用于将标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率;其中,
所述智能动态预警模型,是基于患者样本集数据,以及患者进入ICU后每一小时ARDS是否发作作为分类标签,并使用随机森林模型训练得到的。
修正模块,接收计算模块传来的原始概率,用于计算修正后的预警概率;其中,
预设第二分类阈值,所述第二分类阈值为临床决策阈值;
分类阈值C=第二分类阈值;
修正后的预警概率计算方式如下:
判断模块,接收修正模块传来的修正后的预警概率,用于判断结果,当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
重判断模块,用于当采集患者新的无创参数后,重新判断患者是否会得ARDS。
第二修正模块,用于使用分类阈值C’计算第二修正后的预警概率;其中,
分类阈值C’=第一分类阈值*第一权重+第二分类阈值*第二权重;
第一分类阈值为训练智能动态预警模型时获得;第一权重、第二权重预先设置;
第二修正后的预警概率计算方式如下:
第二判断模块,用于判断结果,当患者第二修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
智能动态预警模型建立模块,用于建立智能动态预警模型,通过以下步骤获得:
获取若干ICU患者的无创参数,预处理ICU患者的无创参数,构造ICU患者的特征数据;
所述预处理ICU患者的无创参数包括:
根据第一动态采样周期对ICU患者的时序数据进行动态采样,获得ICU患者的采样数据,插补缺失数据;所述第一动态采样周期小于等于1小时;
对ICU患者的特征数据标准化,生成ICU患者的标准化特征数据;
选择随机森林模型,模型输入为ICU患者的标准化特征数据,模型输出为患者进入ICU后每一个第一时间周期该患者ARDS发病情况;所述第一时间周期小于等于1小时;
随机选择80%数据进行训练,剩余20%数据用于测试,使用10折交叉验证的方法在训练集上计算模型第一分类阈值,生成智能动态预警模型。
本发明所设计的一种基于常规无创参数的ARDS早期动态预警方法与系统,仅使用常用的无创参数,不需要实验室数据,扩大了本系统的适用范围,使其在偏远地区、突发公共卫生事件和战场一线情况下使用成为可能。消除了频繁采集实验室参数对患者个体造成的伤害,降低了系统使用成本。能够提供更好的ARDS发病预警能力。为临床干预预留的预警间隔,能够为医生设计患者治疗方案提供充足时间。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于常规无创参数的ARDS早期动态预警方法,其特征在于,所述方法包括:
获取患者的无创参数,
所述无创参数包括静态参数和时序数据;
所述静态参数包括年龄、性别、入住ICU类型和BMI指数;
所述时序数据包括格拉斯哥昏迷指数、语言反应、运动反应、睁眼反应、排尿量、无创收缩压、无创舒张压、无创平均压、体温、心率、呼吸率、是否进行机械通气、平台压、潮气量、呼气末正压、动脉氧饱和度和吸入氧气浓度;
预处理无创参数,构造特征数据;
所述预处理无创参数包括:
根据第一动态采样周期对时序数据进行反向动态采样,获得采样数据,所述第一动态采样周期由建立智能动态预警模型时确定;插补缺失数据;
对特征数据标准化,生成标准化特征数据;
将标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率;
其中所述智能动态预警模型,是基于患者样本集数据,以及患者进入ICU后每一个第一时间周期ARDS是否发作作为分类标签,并使用随机森林模型训练得到的,所述第一时间周期由建立智能动态预警模型时确定;
计算修正后的预警概率;
预设第二分类阈值,所述第二分类阈值为临床决策阈值;
分类阈值C=第二分类阈值;
修正后的预警概率计算方式如下:
当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
2.根据权利要求1所述的一种基于常规无创参数的ARDS早期动态预警方法,其特征在于,
所述方法还包括,
采集患者新的无创参数后,重新判断患者是否会得ARDS。
3.根据权利要求1所述的一种基于常规无创参数的ARDS早期动态预警方法,其特征在于,
所述标准化包括使用Z-score方法对数据进行标准化。
5.根据权利要求1所述的一种基于常规无创参数的ARDS早期动态预警方法,其特征在于,
所述智能动态预警模型,通过以下步骤获得:
获取若干ICU患者的无创参数,预处理ICU患者的无创参数,构造ICU患者的特征数据;
所述预处理ICU患者的无创参数包括:
根据第一动态采样周期对ICU患者的时序数据进行动态采样,获得ICU患者的采样数据,插补缺失数据;所述第一动态采样周期小于等于1小时;
对ICU患者的特征数据标准化,生成ICU患者的标准化特征数据;
选择随机森林模型,模型输入为ICU患者的标准化特征数据,模型输出为患者进入ICU后每一个第一时间周期该患者ARDS发病情况;所述第一时间周期小于等于1小时;
随机选择80%数据进行训练,剩余20%数据用于测试,使用10折交叉验证的方法在训练集上计算模型第一分类阈值,生成智能动态预警模型。
6.一种基于常规无创参数的ARDS早期动态预警系统,其特征在于,所述系统包括:
获取模块,用于获取患者的无创参数,
所述无创参数包括静态参数和时序数据;
所述静态参数包括年龄、性别、入住ICU类型和BMI指数;
所述时序数据包括格拉斯哥评分及其组成、语言反应、运动反应、睁眼反应、排尿量、无创收缩压、无创舒张压、无创平均压、体温、心率、呼吸率、是否进行机械通气、平台压、潮气量,呼气末正压,动脉氧饱和度和吸入氧气浓度;
预处理模块,用于预处理无创参数,构造特征数据;
所述预处理无创参数包括:根据第一动态采样周期对时序数据进行反向动态采样,获得采样数据,所述第一动态采样周期由建立智能动态预警模型时确定;插补缺失数据;
标准化模块,用于对特征数据标准化,生成标准化特征数据;
计算模块,用于将标准化特征数据输入到预先训练好的智能动态预警模型,得到原始概率;
其中所述智能动态预警模型,是基于患者样本集数据,以及患者进入ICU后每一个第一时间周期ARDS是否发作作为分类标签,并使用随机森林模型训练得到的,所述第一时间周期由建立智能动态预警模型时确定;修正模块,用于计算修正后的预警概率;
预设第二分类阈值,所述第二分类阈值为临床决策阈值;
分类阈值C=第二分类阈值;
修正后的预警概率计算方式如下:
判断模块,用于判断结果,当患者修正后的预警概率大于等于0.5时,判断该患者该时间会得ARDS。
7.根据权利要求6所述的一种基于常规无创参数的ARDS早期动态预警系统,其特征在于,
所述系统还包括,
重判断模块,用于当采集患者新的无创参数后,重新判断患者是否会得ARDS。
8.根据权利要求6所述的一种基于常规无创参数的ARDS早期动态预警系统,其特征在于,
所述标准化包括使用Z-score方法对数据进行标准化。
10.根据权利要求6所述的一种基于常规无创参数的ARDS早期动态预警系统,其特征在于,
所述系统还包括,
智能动态预警模型建立模块,用于建立智能动态预警模型,通过以下步骤获得:
获取若干ICU患者的无创参数,预处理ICU患者的无创参数,构造ICU患者的特征数据;
所述预处理ICU患者的无创参数包括:
根据第一动态采样周期对ICU患者的时序数据进行动态采样,获得ICU患者的采样数据,插补缺失数据;所述第一动态采样周期小于等于1小时;
对ICU患者的特征数据标准化,生成ICU患者的标准化特征数据;
选择随机森林模型,模型输入为ICU患者的标准化特征数据,模型输出为患者进入ICU后每一个第一时间周期该患者ARDS发病情况;所述第一时间周期小于等于1小时;
随机选择80%数据进行训练,剩余20%数据用于测试,使用10折交叉验证的方法在训练集上计算模型第一分类阈值,生成智能动态预警模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279740.3A CN113066547B (zh) | 2021-03-16 | 2021-03-16 | 一种基于常规无创参数的ards早期动态预警方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279740.3A CN113066547B (zh) | 2021-03-16 | 2021-03-16 | 一种基于常规无创参数的ards早期动态预警方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066547A true CN113066547A (zh) | 2021-07-02 |
CN113066547B CN113066547B (zh) | 2022-06-24 |
Family
ID=76560507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279740.3A Active CN113066547B (zh) | 2021-03-16 | 2021-03-16 | 一种基于常规无创参数的ards早期动态预警方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066547B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787130B (zh) * | 2022-05-16 | 2022-12-11 | 臺中榮民總醫院 | 呼吸狀態分類方法及其系統 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106061381A (zh) * | 2014-02-19 | 2016-10-26 | 皇家飞利浦有限公司 | 检测ards的方法以及用于检测ards的系统 |
US20170032090A1 (en) * | 2015-07-30 | 2017-02-02 | Siemens Medical Solutions Usa, Inc. | Virtual biopsy techniques for analyzing diseases |
CN106407699A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的冠心病预测方法和预测系统 |
CN108604465A (zh) * | 2015-11-03 | 2018-09-28 | 皇家飞利浦有限公司 | 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测 |
CN109840932A (zh) * | 2019-01-23 | 2019-06-04 | 平安科技(深圳)有限公司 | 心脑血管疾病展示方法、装置、设备及存储介质 |
US20200178903A1 (en) * | 2018-12-10 | 2020-06-11 | General Electric Company | Patient monitoring system and method having severity prediction and visualization for a medical condition |
CN111657888A (zh) * | 2020-05-28 | 2020-09-15 | 首都医科大学附属北京天坛医院 | 重度急性呼吸窘迫综合症预警方法及系统 |
CN111951975A (zh) * | 2020-08-19 | 2020-11-17 | 哈尔滨工业大学 | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 |
CN112365978A (zh) * | 2020-11-10 | 2021-02-12 | 北京航空航天大学 | 心动过速事件早期风险评估的模型的建立方法及其装置 |
-
2021
- 2021-03-16 CN CN202110279740.3A patent/CN113066547B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106061381A (zh) * | 2014-02-19 | 2016-10-26 | 皇家飞利浦有限公司 | 检测ards的方法以及用于检测ards的系统 |
US20170032090A1 (en) * | 2015-07-30 | 2017-02-02 | Siemens Medical Solutions Usa, Inc. | Virtual biopsy techniques for analyzing diseases |
CN108604465A (zh) * | 2015-11-03 | 2018-09-28 | 皇家飞利浦有限公司 | 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测 |
CN106407699A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的冠心病预测方法和预测系统 |
US20200178903A1 (en) * | 2018-12-10 | 2020-06-11 | General Electric Company | Patient monitoring system and method having severity prediction and visualization for a medical condition |
CN109840932A (zh) * | 2019-01-23 | 2019-06-04 | 平安科技(深圳)有限公司 | 心脑血管疾病展示方法、装置、设备及存储介质 |
CN111657888A (zh) * | 2020-05-28 | 2020-09-15 | 首都医科大学附属北京天坛医院 | 重度急性呼吸窘迫综合症预警方法及系统 |
CN111951975A (zh) * | 2020-08-19 | 2020-11-17 | 哈尔滨工业大学 | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 |
CN112365978A (zh) * | 2020-11-10 | 2021-02-12 | 北京航空航天大学 | 心动过速事件早期风险评估的模型的建立方法及其装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787130B (zh) * | 2022-05-16 | 2022-12-11 | 臺中榮民總醫院 | 呼吸狀態分類方法及其系統 |
US11908136B2 (en) | 2022-05-16 | 2024-02-20 | Taichung Veterans General Hospital | Respiratory status classifying method and system thereof |
Also Published As
Publication number | Publication date |
---|---|
CN113066547B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smina et al. | Cough peak flows and extubation outcomes | |
JP5841196B2 (ja) | ヒトの健康に関する残差ベースの管理 | |
EP2614480A2 (en) | Medical scoring systems and methods | |
JP2013536971A5 (zh) | ||
WO2020091053A1 (ja) | 健康ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
Rawlings et al. | Factor structure of the ARIC-NCS Neuropsychological Battery: An evaluation of invariance across vascular factors and demographic characteristics. | |
KR20200040669A (ko) | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 | |
Yarnell et al. | Do thresholds for invasive ventilation in hypoxemic respiratory failure exist? A cohort study | |
CN115517682B (zh) | 基于胃肠电信号的认知功能障碍预测系统及构建方法 | |
KR102169637B1 (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
CN114420301B (zh) | 基于分段域rf建模预测血糖的方法、系统及存储介质 | |
CN113066547B (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
CN116153508A (zh) | 基于主动健康指数的健康干预系统 | |
CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
Kanbar et al. | Undersampling and bagging of decision trees in the analysis of cardiorespiratory behavior for the prediction of extubation readiness in extremely preterm infants | |
KR20210043941A (ko) | 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
Ladde et al. | End‐tidal carbon dioxide measured at emergency department triage outperforms standard triage vital signs in predicting in‐hospital mortality and intensive care unit admission | |
Mohamed et al. | Evidence-based prediction of Atrial Fibrillation using physiological signals | |
Liu et al. | Extubation outcome after a successful spontaneous breathing trial: a multicenter validation of a 3-factor prediction model | |
CN106919775B (zh) | 一种睡眠信息的处理方法及装置 | |
Chen et al. | Biovitals™: a personalized multivariate physiology analytics using continuous mobile biosensors | |
Ennett et al. | Predicting respiratory instability in the ICU | |
El Tannoury et al. | Arterial partial pressures of carbon dioxide estimation using non-invasive parameters in mechanically ventilated children | |
Temdee et al. | Classification Method for Thai Elderly People Based on Controllability of Sugar Consumption | |
CN117898682B (zh) | 基于胃肠电信号的癫痫预测系统及构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |