CN113421640A - 基于早期心率变化的外科术后并发症预测模型的建模方法 - Google Patents

基于早期心率变化的外科术后并发症预测模型的建模方法 Download PDF

Info

Publication number
CN113421640A
CN113421640A CN202110704811.XA CN202110704811A CN113421640A CN 113421640 A CN113421640 A CN 113421640A CN 202110704811 A CN202110704811 A CN 202110704811A CN 113421640 A CN113421640 A CN 113421640A
Authority
CN
China
Prior art keywords
data
heart rate
postoperative
day
prediction 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
Application number
CN202110704811.XA
Other languages
English (en)
Inventor
谈善军
张燕妮
张知格
吴国豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Hospital Fudan University
Original Assignee
Zhongshan Hospital Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Hospital Fudan University filed Critical Zhongshan Hospital Fudan University
Priority to CN202110704811.XA priority Critical patent/CN113421640A/zh
Publication of CN113421640A publication Critical patent/CN113421640A/zh
Pending legal-status Critical Current

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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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

Abstract

本发明涉及一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，包括如下步骤：步骤S10、数据采集；步骤S20、对采集到的人口统计学以及临床特征数据进行数据处理，得到建模数据；步骤S30、界值确定；步骤S40、建立模型。本发明针对术后早期心率及影响术后早期心率的术前指标作为预测术后并发症发生的因素，预测内容切实可行、预测方法简洁方便，可提高外科术后并发症的预测效果，将所述术后早期心率增快的预测模型应用于患者术后并发症的预测可针对高危人群采取恰当措施，辅助医生诊疗，降低术后并发症的发病率。

Description

基于早期心率变化的外科术后并发症预测模型的建模方法
技术领域
本发明涉及一种基于术后早期心率变化的外科术后并发症预测模型的建模方法，用于达到更方便、更快捷地辅助预测外科术后并发症的目的，属于医疗检测辅助设备技术领域。
背景技术
感染、出血、梗阻、心肺功能异常是外科术后的常见并发症，也是延长住院时间、增加治疗费用、导致患者预后不良的主要原因。尽管当前手术期管理在临床实践过程中得以不断完善，但是术后并发症的发生率依然很高。据报道，外科术后并发症发生率高达35％，死亡率约为2％。术后并发症发生初期常较隐匿，如未能及时处理将严重影响患者术后生活质量，甚至缩短生存期。
心率包含了大量的生理健康信息，能够反映神经体液因素对心血管系统的调节信息以及机体对自主神经系统活性的协调反馈。外科创伤引起的儿茶酚胺激增是导致自主神经系统协调失衡的重要原因，此时交感神经张力显著增高、心率增快。越来越多研究表明，接受非心脏手术的患者可从抑制心率的β受体阻滞剂中受益；这一发现部分归因于β受体阻滞剂的心脏保护作用，该作用是通过减少对心血管系统不利的肾上腺素能神经递质实现的。此外，还有证据表明，β受体阻滞剂可减轻炎症反应，从而具有更广泛的保护作用，可降低术后并发症和死亡的风险。因此，可通过术后的早期心率变化预判即将发生的非心功能性损害。
目前还没有一种简便的、能在术前对患者术后并发症进行预判的工具。临床上对术后并发症的预测主要靠医生的主观判断，存在不少弊端。申请人先前的研究结果显示，术后第一天较快的心率与住院期间出现并发症密切相关，是术后出现并发症的独立危险因素。此外，对患者的临床特征及术前化验检查结果进行逻辑回归分析，得出手术部位、术期检测的白细胞计数和糖化血红蛋白水平是术后第一天平均心率增快的主要影响因素。因此，通过术前化验检查或术后早期的心率变化可以预判术后出现并发症概率，从而早期实施干预，以降低术后并发症的发生。
发明内容
本发明要解决的技术问题是：目前还没有一种简便的、能在术前对患者术后并发症进行预判的方法。
为了解决上述技术问题，本发明技术方案是提供了一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，包括如下步骤：
步骤S10、数据采集：使用R语言方法从医院电子病历系统中收集于普外科住院行手术治疗患者的所有人口统计学以及临床特征数据；
步骤S20、对采集到的人口统计学以及临床特征数据进行数据处理，得到建模数据，包括以下步骤：
步骤S21、剔除步骤S20采集到的人口统计学以及临床特征数据中的无用数据。
步骤S22、数据规范化处理：
将步骤S21获得的数据整理成标准格式，并删除重复项；
步骤S23、数据缺失值处理：
将规范化后的缺失率大于40％的数据删除，并对保留下来的规范化后的数据依据数据类型进行中位数或均值填补，获得建模数据；
步骤S30、界值确定，进一步包括以下步骤：
步骤S31、对建模数据进行单因素分析，再对建模数据进行多因素逻辑回归分析，得出术后第一天平均心率是术后并发症发生的独立危险因素；
步骤S32、运用SPSS计算第一天平均心率预判术后并发症的受试者工作特征曲线，根据受试者工作特征曲线上各坐标值计算约登指数，得出预判术后出现并发症的术后第一天平均心率界值，当术后第一天平均心率大于术后第一天平均心率界值时应警惕术后并发症发生的可能；
步骤S40、建立模型，进一步包括以下步骤：
步骤S41、通过多因素逻辑回归分析，得出手术部位、术期白细胞计数、术前糖化血红蛋白水平是影响术后第一天平均心率增快的主要影响因素；
步骤S42、用R语言绘制术后第一天平均心率增快的风险预测模型，并用内部资料进行验证，以此获得一种基于术后早期心率变化的外科术后并发症预测模型。
优选地，步骤S10中，所述人口统计学以及临床特征数据包括病史记录、体温单、检验和检查报告中的数据，内容包括性别、年龄、吸烟史、既往病史、出入院日期、化验结果、功能状态评分、手术日期、手术部位、病理分期、术后第一天每隔4小时记录的心率、术后并发症如感染、出血、梗阻、心肺功能异常。
优选地，步骤S10中，所有所述人口统计学特征数据以及临床特征数据对应患者的住院号进行查询与收集。
优选地，步骤S21中，若患者术前进行重复检验，则以距离手术日期最近的一次检验结果为准，其余的检验值作为无用数据剔除。
优选地，步骤S31中，运用t检验或卡方检验对建模数据进行单因素分析。
与现有技术相比，本发明具有以下优点：
本发明针对术后早期心率及影响术后早期心率的术前指标作为预测术后并发症发生的因素，预测内容切实可行、预测方法简洁方便，可提高外科术后并发症的预测效果，将所述术后早期心率增快的预测模型应用于患者术后并发症的预测可针对高危人群采取恰当措施，辅助医生诊疗，降低术后并发症的发病率。
附图说明
图1为本发明的流程图；
图2为术后早期心率增快的风险预测模型；
图3为术后第一天平均心率预测术后并发症发生的ROC曲线；
图4为术后第一天平均心率增高预测模型的校准曲线。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种基于早期心率变化的外科术后并发症预测模型的建模方法，包括如下步骤：
步骤S10、数据采集：使用R语言方法从医院电子病历系统中收集于普外科住院行手术治疗患者的所有人口统计学以及临床特征数据。
所有人口统计学以及临床特征数据包括病史记录、体温单、检验和检查报告中的数据，内容包括性别、年龄、吸烟史、既往病史、出入院日期、化验结果、功能状态评分、手术日期、手术部位、病理分期、术后第一天每隔4小时记录的心率、术后并发症如感染、出血、梗阻、心肺功能异常等。所有人口统计学特征数据以及临床特征数据对应患者的住院号进行查询与收集。
由于每种数据对应不同患者不可避免地存在缺失以及文字性描述不均一等情况，因此为了控制数据的完整性以及规范化，需对所述收集数据进行规范化及缺失值填补处理。本发明采用下述步骤S20对步骤S10得到的数据进行处理以克服上述问题。
步骤S20、对采集到的人口统计学以及临床特征数据进行数据处理，得到建模数据。
步骤S20进一步包括以下步骤：
步骤S21、剔除步骤S20采集到的人口统计学以及临床特征数据中的无用数据。若患者术前进行重复检验，则以距离手术日期最近的一次检验结果为准，其余的检验值作为无用数据剔除。
步骤S22、数据规范化处理：
将步骤S21获得的数据整理成标准格式，如计算术后住院天数、病理结果等文字性描述转换为数值，所有等级资料均按照临床规范予以赋值，并删除重复项；
步骤S23、数据缺失值处理：
将规范化后的缺失率大于40％的数据删除，并对其余规范化后的数据依据数据类型进行中位数或均值填补，获得建模数据。
通过上述步骤S10以及步骤S20最终获得的指标为：性别、年龄、术后住院天数、手术部位、术后第一天每隔2h心率、术后第一天平均心率、功能状态评分、既往冠心病、既往高血压、既往糖尿病、吸烟史、术后病理分期、化验结果包括APOB、甘油三酯、载脂蛋白AI、载脂蛋白E、高密度脂蛋白胆固醇、低密度脂蛋白、转铁蛋白、非高密度脂蛋白、总胆固醇、血糖、尿素氮、谷草转氨酶、谷丙转氨酶、白蛋白、总蛋白、肌酐、前白蛋白、白介素6、肿瘤坏死因子、甲胎蛋白、癌胚抗原、糖类抗原125、糖类抗原199、糖类抗原724、红细胞计数、白细胞计数、血红蛋白、血小板计数、游离脂肪酸、C反应蛋白、糖化血红蛋白等。
步骤S30、界值确定，进一步包括以下步骤：
步骤S31、运用t检验或卡方检验对建模数据进行单因素分析，再对建模数据进行多因素逻辑回归分析，得出术后第一天平均心率是术后并发症发生的独立危险因素；
步骤S32、运用SPSS计算第一天平均心率预判术后并发症的受试者工作特征(以下简称“ROC”)曲线下面积。本实施例中，如图3所示，通过ROC曲线获取所述心率界值，该ROC曲线下面积为0.633(P<0.0001)。根据ROC曲线上各坐标值计算约登指数，得出预判术后出现并发症的术后第一天平均心率界值。本实施例中，通过计算约登指数得到所述术后第一天平均心率的界值为76.5bpm，即术后第一天平均心率＞76.5bpm时应警惕术后并发症发生的可能，如下表1所示。
Figure BDA0003130743700000051
表1
步骤S40、建立模型，进一步包括以下步骤：
步骤S41、通过多因素逻辑回归分析，得出手术部位、术期白细胞计数、术前糖化血红蛋白水平是影响术后第一天平均心率增快的主要影响因素；
步骤S42、用R语言绘制术后第一天平均心率增快的风险预测模型，并用内部资料进行验证，以此获得一种基于术后早期心率变化的外科术后并发症预测模型。
本实施例中，利用R语言绘制术后第一天平均心率＞76.5bpm的预测模型，如图4所示。使用预测模型的校正曲线验证模型与实际情况的拟合度，如图4所示，x轴表示预测术后第一天心率＞76.5bpm的概率。y轴表示实际术后第一天心率＞76.5bpm的比率。对角线虚线表示理想模型的完美预测。图中实线表示所述预测模型的性能，与对角虚线的拟合接近，表明预测效果较好。

Claims (5)

1.一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，包括如下步骤：
步骤S10、数据采集：使用R语言方法从医院电子病历系统中收集于普外科住院行手术治疗患者的所有人口统计学以及临床特征数据；
步骤S20、对采集到的人口统计学以及临床特征数据进行数据处理，得到建模数据，包括以下步骤：
步骤S21、剔除步骤S20采集到的人口统计学以及临床特征数据中的无用数据。
步骤S22、数据规范化处理：
将步骤S21获得的数据整理成标准格式，并删除重复项；
步骤S23、数据缺失值处理：
将规范化后的缺失率大于40％的数据删除，并对保留下来的规范化后的数据依据数据类型进行中位数或均值填补，获得建模数据；
步骤S30、界值确定，进一步包括以下步骤：
步骤S31、对建模数据进行单因素分析，再对建模数据进行多因素逻辑回归分析，得出术后第一天平均心率是术后并发症发生的独立危险因素；
步骤S32、运用SPSS计算第一天平均心率预判术后并发症的受试者工作特征曲线，根据受试者工作特征曲线上各坐标值计算约登指数，得出预判术后出现并发症的术后第一天平均心率界值，当术后第一天平均心率大于术后第一天平均心率界值时应警惕术后并发症发生的可能；
步骤S40、建立模型，进一步包括以下步骤：
步骤S41、通过多因素逻辑回归分析，得出手术部位、术期白细胞计数、术前糖化血红蛋白水平是影响术后第一天平均心率增快的主要影响因素；
步骤S42、用R语言绘制术后第一天平均心率增快的风险预测模型，并用内部资料进行验证，以此获得一种基于术后早期心率变化的外科术后并发症预测模型。
2.如权利要求1所述的一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，步骤S10中，所述人口统计学以及临床特征数据包括病史记录、体温单、检验和检查报告中的数据，内容包括性别、年龄、吸烟史、既往病史、出入院日期、化验结果、功能状态评分、手术日期、手术部位、病理分期、术后第一天每隔4小时记录的心率、术后并发症如感染、出血、梗阻、心肺功能异常。
3.如权利要求1所述的一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，步骤S10中，所有所述人口统计学特征数据以及临床特征数据对应患者的住院号进行查询与收集。
4.如权利要求1所述的一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，步骤S21中，若患者术前进行重复检验，则以距离手术日期最近的一次检验结果为准，其余的检验值作为无用数据剔除。
5.如权利要求1所述的一种基于早期心率变化的外科术后并发症预测模型的建模方法，其特征在于，步骤S31中，运用t检验或卡方检验对建模数据进行单因素分析。
CN202110704811.XA 2021-06-24 2021-06-24 基于早期心率变化的外科术后并发症预测模型的建模方法 Pending CN113421640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110704811.XA CN113421640A (zh) 2021-06-24 2021-06-24 基于早期心率变化的外科术后并发症预测模型的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110704811.XA CN113421640A (zh) 2021-06-24 2021-06-24 基于早期心率变化的外科术后并发症预测模型的建模方法

Publications (1)

Publication Number Publication Date
CN113421640A true CN113421640A (zh) 2021-09-21

Family

ID=77716796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110704811.XA Pending CN113421640A (zh) 2021-06-24 2021-06-24 基于早期心率变化的外科术后并发症预测模型的建模方法

Country Status (1)

Country Link
CN (1) CN113421640A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113782211A (zh) * 2021-10-27 2021-12-10 首都医科大学附属北京地坛医院 乙肝肝硬化病患发生慢性肾脏病的风险预警模型建立方法、预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106667437A (zh) * 2016-12-22 2017-05-17 北京品驰医疗设备有限公司 一种预测植入式医疗设备手术后并发症的系统
CN112017783A (zh) * 2020-09-14 2020-12-01 华中科技大学同济医学院附属协和医院 一种心脏术后肺部感染的预测模型及其构建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106667437A (zh) * 2016-12-22 2017-05-17 北京品驰医疗设备有限公司 一种预测植入式医疗设备手术后并发症的系统
CN112017783A (zh) * 2020-09-14 2020-12-01 华中科技大学同济医学院附属协和医院 一种心脏术后肺部感染的预测模型及其构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
余江;蒋科;吴思宇;王爱民;: "骨科老年患者围手术期并发症相关危险因素评估", 第三军医大学学报, no. 11, pages 1160 - 1163 *
图尔霍・麦图松;张昌明;朱辉;: "食管癌切除术后围术期死亡危险因素的分析及预测模型的建立", 世界华人消化杂志, no. 24 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113782211A (zh) * 2021-10-27 2021-12-10 首都医科大学附属北京地坛医院 乙肝肝硬化病患发生慢性肾脏病的风险预警模型建立方法、预测方法

Similar Documents

Publication Publication Date Title
Reich et al. Intraoperative tachycardia and hypertension are independently associated with adverse outcome in noncardiac surgery of long duration
Ladenheim et al. Incremental prognostic power of clinical history, exercise electrocardiography and myocardial perfusion scintigraphy in suspected coronary artery disease
King et al. Heart rate variability as a triage tool in patients with trauma during prehospital helicopter transport
Mowery et al. Cardiac uncoupling and heart rate variability are associated with intracranial hypertension and mortality: a study of 145 trauma patients with continuous monitoring
Al-Maskari et al. Prevalence and determinants of microalbuminuria among diabetic patients in the United Arab Emirates
Wang et al. Twenty-four-hour systolic blood pressure variability and renal function decline in elderly male hypertensive patients with well-controlled blood pressure
Karohl et al. Hybrid myocardial imaging for risk stratification prior to kidney transplantation: added value of coronary calcium and epicardial adipose tissue
CN113421640A (zh) 基于早期心率变化的外科术后并发症预测模型的建模方法
CN114267451A (zh) 一种心血管病风险评估方法
Tang et al. Association between atrial fibrillation burden and cognitive function in patients with atrial fibrillation
Zhang et al. Association between visceral adiposity index and heart failure: A cross‐sectional study
Bellon et al. Perioperative glycaemic control for people with diabetes undergoing surgery
CN116206774B (zh) 一种结合大数据自动匹配护理治疗方案的方法及系统
CN115862874B (zh) 高龄外科多学科围术期辅助决策系统
CN114141359A (zh) 一种针对全麻腹部手术患者的液体治疗预警系统
CN114864097A (zh) 一种主动脉夹层病人术后死亡预测模型的建立方法和装置
Talebpour et al. Comparison between Emergency Severity Index plus Capnometer and Emergency Severity Index in the dyspneic patients with Chronic Heart Failure
Hartz et al. The use of risk-adjusted complication rates to compare hospitals performing coronary artery bypass surgery or angioplasty
JP5796319B2 (ja) 検査結果管理装置、検査結果管理プログラム及び検査結果管理方法
Nicoll et al. Analyzing continuous physiologic data to find hemodynamic signatures associated with new brain injury after congenital heart surgery
Bernstein et al. Development and validation of risk-adjustment models for elective, single-level posterior lumbar spinal fusions
Guo et al. Association between glycemic control assessed by continuous glucose monitoring and stroke in patients with atrial fibrillation and diabetes mellitus
Hou et al. Evaluation of radial artery pulse pressure effects on detection of stroke volume changes after volume loading maneuvers in cardiac surgical patients
Yue et al. Validity study of a multiscaled fusion network using single-lead electrocardiogram signals for obstructive sleep apnea diagnosis
Salib et al. Validity of the (WIFI) classification system in predicting the risk of amputation in patients with non healing ulcer

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