CN113421654A - 创伤后失血性休克动态早期预警深度学习系统 - Google Patents

创伤后失血性休克动态早期预警深度学习系统 Download PDF

Info

Publication number
CN113421654A
CN113421654A CN202110786377.4A CN202110786377A CN113421654A CN 113421654 A CN113421654 A CN 113421654A CN 202110786377 A CN202110786377 A CN 202110786377A CN 113421654 A CN113421654 A CN 113421654A
Authority
CN
China
Prior art keywords
subsystem
post
hemorrhagic shock
early warning
patient
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
CN202110786377.4A
Other languages
English (en)
Inventor
张广
余明
陈锋
袁晶
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.)
Institute of Medical Support Technology of Academy of System Engineering of Academy of Military Science
Original Assignee
Institute of Medical Support Technology of Academy of System Engineering of Academy of Military Science
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 Institute of Medical Support Technology of Academy of System Engineering of Academy of Military Science filed Critical Institute of Medical Support Technology of Academy of System Engineering of Academy of Military Science
Priority to CN202110786377.4A priority Critical patent/CN113421654A/zh
Publication of CN113421654A publication Critical patent/CN113421654A/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
    • G16H50/70—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Pulmonology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种创伤后失血性休克动态早期预警深度学习系统，其包括：生理参数感知子系统、深度学习模型更新子系统、智能动态预警子系统和创伤后失血性休克发病判断子系统，其中，生理参数感知子系统与智能动态预警子系统相连接；生理参数感知子系统用于实时监测患者的常规无创生理参数，智能动态预警子系统用于计算患者的创伤后失血性休克的发生概率，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据等对该预测概率值进行修正。本发明仅使用常见的无创参数，不需要实验室数据，可用于偏远地区、突发公共卫生事件和战场一线情况等场景，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。

Description

创伤后失血性休克动态早期预警深度学习系统
技术领域
本发明涉及人工智能技术与医疗健康领域，特别涉及一种创伤后失血性休克动态早期预警深度学习系统。
背景技术
失血性休克是一种低血容量性休克，是由于严重失血而导致细胞水平的氧递送不足。如果失血得不到控制，患者会迅速死亡，创伤导致的失血性休克死亡人数占创伤总死亡数的10～40％。对多个数据库的回顾性研究结果显示，近1/4创伤后入院患者在入院期间会出现失血性休克的症状。对大多数患者而言，休克对身体的影响最初是可逆的，但是反复或长期处于低血压状态、使用大剂量血管升压药物可能使预后恶化。
医护人员间歇地评估所监测到的患者生命体征，并依赖个别生理参数来识别有恶化风险的患者。这些预警系统并未使用病人的全面信息，因此警报往往不准确，易导致警报疲劳。低精度的预警系统同时不利于临床医生识别、解释相关信息，且护士或医生难以对ICU患者进行持续监督或评估，低频低精度的预警系统将难以适应病情急性变化的患者。由于缺乏足够精度的预测工具，临床医生可能会诉诸主观判断，这增加了医生根据相关信息采取行动的风险。预防性输血或使用100％机械通气对降低失血性休克死亡率有显著作用。如果有一个预警评估系统可以动态早期预测创伤后患者未来失血性休克发生概率，那么就可以为高危患者提供及时的预防性治疗计划，从而大大降低死亡率和医疗费用。重症监护室的医生可以从多个监护系统中得到大量的患者生理数据及测量指标，但仅凭借人类处理复杂信息的有限能力将阻碍对患者病情恶化的早期识别，常规的辨识预警方法难以实时监测患者病情。深度学习技术在数据丰富的环境中分析复杂信号方面表现出色。ICU中收集的大量数据以及the Medical Information Mart for Intensive Care III(MIMIC III)database、eICU、AmsterdamUMC等大型医疗重症数据集的公开是在此环境中开发机器学习使用的关键。
专利CN201910570791提供了一种创伤失血性休克伤情的时间序列预测方法，其能够从数据库中提取创伤失血性休克伤情数据,对所述创伤失血性休克伤情数据进行数据处理，其功能包括:处理数据异常值、再对数据进行线性补缺和聚类补缺；对处理后的数据设计阶梯化指标；应用指标阶梯化结果和不同类型分类器构建预测模型,并通过预测模型对预设时长后的结果进行预测。该发明使用可实时监测的指标就能对创伤失血性休克实施基于时间序列的实时动态预测预警，但未预留临床干预时间，未对模型进行可解释性分析。
此外，在医疗健康大数据领域，患者临床数据可分为只有一个截面的截面数据和有多个截面的时序数据，而后者因为含有信息量大、包含趋势变动等特点，时间序列预测精度会高于截面预测，并能够实现滑动预测、实时监测预警病情。但是由于伤员测量指标不尽相同、伤员指标测量的时间不同且大部分化验指标不会在短期内多次测量等问题，直接导致医疗数据稀疏和缺失问题异常严重。现有技术至少存在如下问题：
(一)、在数据补缺方面还没有比较成熟的补缺技术体系,而大多采用均值补缺或者线性补缺,补缺方法单一,且补缺后仍存在数据质量差、与真实数据相差较大等问题；
(二)、现有的技术方法多采用截面预测的方式,比如对数据取均值得到截面后进行预测,其得到的结果是“结局性”的,不能实现滚动预测和实时监测病情；
(三)、现有方法利用少量时间序列进行预测,仅选用测量成本低、次数多的生命体征指标,如心率、血压等,预测效果不佳。
现有已公开专利虽然利用能够通过患者生理参数实现对患者的创伤后失血性休克发病可能的预测，但缺乏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，缺乏对模型的可解释性分析。
发明内容
针对现有创伤后失血性休克动态早期预警系统存在的问题，本发明公开了一种创伤后失血性休克动态早期预警深度学习系统，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创伤后失血性休克发病可能性进行预测，进行可解释性分析，并使用增量训练方法，在不改变模型结构基础上更新模型参数，提高模型在不同数据环境中的预警性能。本发明基于医学知识、大规模数据分析和先进深度学习技术开发并验证了一种可解释性的创伤后失血性休克动态早期预警模型，能够实现提醒临床医生在接下来的4-8小时内概率出现失血性休克症状的创伤患者。
本发明公开了一种创伤后失血性休克动态早期预警深度学习系统，其包括：生理参数感知子系统、深度学习模型更新子系统、智能动态预警子系统和创伤后失血性休克发病判断子系统，其中，生理参数感知子系统与智能动态预警子系统相连接，智能动态预警子系统与深度学习模型更新子系统和创伤后失血性休克发病判断子系统分别连接。
生理参数感知子系统用于实时监测患者的常规无创生理参数，并采集到患者常规无创生理参数和患者学习窗口内生理参数时序数据后，智能动态预警子系统用于接收生理参数感知子系统采集的患者常规无创生理参数和患者学习窗口内生理参数时序数据并对其进行清洗，计算得到患者在预测时间窗口内创伤后失血性休克发病的原始概率，再根据生理参数感知子系统采集到的常规无创生理参数和患者学习窗口内生理参数时序数据，计算患者在未来预测时间窗口范围内的创伤后失血性休克的发生概率，得到预测概率值，并将该预测概率值发送至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对该预测概率值进行修正，若修正后的预测概率值大于0.5，则该创伤后失血性休克动态早期预警深度学习系统判断患者在未来预测时间窗口范围内将会出现创伤后失血性休克，若修正后的预测概率值小于等于0.5，则该系统判断患者在未来预测时间窗口范围内不会出现创伤后失血性休克。
深度学习模型更新子系统对该系统所处地的医疗环境进行监测，若深度学习模型更新子系统监测到所处地的医疗环境改变，则该子系统根据生理参数感知子系统采集到的患者常规无创生理参数及包括患者死亡情况、创伤后失血性休克发生情况、住院时长在内的预后信息，使用增量学习方法对智能动态预警子系统中的栈式深度学习模型的权重进行更新，以使该系统的预警结果适应该系统所处地的医疗环境。
所述的栈式深度学习模型，包括卷积层、双向长短期记忆层、自注意力层。
所述的智能动态预警子系统对最小时间单位内的缺失的患者生理参数时序数据，采用自适应插补方法对该缺失数据进行插补，其具体步骤包括：
S1，计算每一患者入院至出院期间各项生理参数的采样频率的中位数Midparam与四分位数IQRidparam；
S2，选择采集数据缺失的患者的带有缺失值的生理参数并记该参数为param参数，并将采集的所有param参数按采集时间升序顺序，选择采集的param参数中的空值或异常值所在时间位置为选定位置；
S3，按下述的优先级顺序对选定位置进行数据插补，首先将选定位置的前(Midparam+IQRidparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，其次将选定位置的前(Midparam+2*IQRidparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，再次将采集的param参数的有效值的中位数作为选定位置的数据插补值，最后对数据库中记录的param参数的中位数作为选定位置的数据插补值。
创伤后失血性休克发病判断子系统接收患者在预测时间窗口内创伤后失血性休克发病的原始概率，创伤后失血性休克发病判断子系统根据智能动态预警子系统中的栈式深度学习模型在测试集数据上的敏感性与特异性，得到栈式深度学习模型的分类阈值D，使得当分类阈值为D时，栈式深度学习模型在测试集数据上的敏感性与特异性之间差值最小。
所述的创伤后失血性休克发病判断子系统根据其所处地的医疗环境数据与医生治疗经验评价值对创伤后失血性休克的发生概率值进行修正，修正后的创伤后失血性休克发病概率的计算公式为：
Figure BDA0003159331660000051
其中C为概率阈值。
深度学习模型更新子系统监测到所处地的医疗环境改变后，收集患者生理参数及预后信息，或使用输入的患者生理参数及预后信息，结合增量训练方法，在不改变栈式深度学习模型结构基础上更新该模型参数，并将患者在学习窗口范围内的生理参数实时传递给更新栈式深度学习模型参数后的智能动态预警子系统。
本发明的有益效果为：
(一)本发明公开了一种可解释性的基于无创参数的创伤后失血性休克动态早期预警深度学习系统，其仅使用常见的无创参数，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；
(二)本发明系统与传统的线性相加的回归模型相比，自动化、流程化的智能动态预警子系统有着更高的计算复杂度，更适合现实问题中常见的非线性问题，能够提供更好的创伤后失血性休克发病预警能力。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；
(三)本发明系统的模型可解释性分析结果与临床研究结果一致，模型性能优异；该系统可根据环境变化自动更新模型权重，以适应不同的临床环境。
附图说明
图1为本发明公开的一种创伤后失血性休克动态早期预警深度学习系统的组成框图；
图2为本发明的智能动态预警子系统中观测窗口，延迟窗口，预警窗口关系图；
图3为对深度学习预警模型的SHAP可解释性分析与参数依赖分析结果。
具体实施方式
为了更好的了解本发明内容，这里给出三个实施例。
发明公开了一种创伤后失血性休克动态早期预警深度学习系统，其包括：生理参数感知子系统、深度学习模型更新子系统、智能动态预警子系统和创伤后失血性休克发病判断子系统，其中，生理参数感知子系统与智能动态预警子系统相连接，智能动态预警子系统与深度学习模型更新子系统和创伤后失血性休克发病判断子系统分别连接。
基于无创参数的创伤后失血性休克动态早期预警深度学习系统工作原理见图1。智能动态预警子系统中观测窗口，延迟窗口，预警窗口的关系见图2。图2中，学习窗口：有可用数据的时间范围，用于智能动态预警子模块的输入。预测窗口：用来确定是否发生了创伤后失血性休克的时间段。延迟窗口：预测窗口和学习窗口之间的时间差。其中T0为患者入住ICU的时间点，T1点被设置为当前时间点，满足T1≥T0，x1为学习窗口的时间长度，满足T1-x1≥T0，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。
生理参数感知子系统用于实时监测患者的常规无创生理参数，并采集患者常规无创生理参数和患者学习窗口内生理参数时序数据后，智能动态预警子系统用于接收生理参数感知子系统采集的患者常规无创生理参数和患者学习窗口内生理参数时序数据，再根据生理参数感知子系统采集到的常规无创生理参数和患者学习窗口内生理参数时序数据，计算患者未来在预测窗口范围内的创伤后失血性休克的发生概率，得到预测概率值，并将该预测概率值发送至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对该预测概率值进行修正，若修正后的预测概率值大于0.5，则该创伤后失血性休克动态早期预警深度学习系统判断患者未来在预测窗口范围内将会出现创伤后失血性休克，若修正后的预测概率值小于等于0.5，则该系统判断患者未来在预测窗口范围内不会出现创伤后失血性休克。若深度学习模型更新子系统监测到医疗环境改变，则该子系统则会根据生理参数感知子系统采集到的患者常规无创生理参数及患者死亡情况、创伤后失血性休克发生情况、住院时长等临床预后信息，使用增量学习方法对智能动态预警子系统中的栈式深度学习模型的权重进行更新，以使该系统的预警结果适应该系统所处的医疗环境。所述的栈式深度学习模型，包括卷积层、双向长短期记忆层、自注意力层。
生理通气参数感知子系统具有对患者无创生理参数实时监测功能，可实现对age、gender、BMI、、the status of Mechanical ventilation、Glasgow Coma Score(gcs)、gcs-verbal、gcs-motor、gcs-eyes、fiO2、PEEP、etco2、tidal volume、urineoutput、Heartrate、Respiration rate、temperature、SpO2、Non-invasive systolic blood pressure、Non-invasive diastolic blood pressure等参数的实时监测。生理通气参数感知子系统连接当地医院数据库或医护人员手动输入数据。
智能动态预警子系统结合生理通气参数感知子系统获取的学习窗口内患者常规无创生理参数计算患者未来在预测窗口内出现创伤后失血性休克症状的原始概率。
创伤后失血性休克发病判断子系统，将根据当地的医疗环境与医生治疗经验对智能动态预警子系统输出的原始概率修正，并反馈给医护人员早期动态预警系统对患者未来在预测窗口内是否会出现创伤后失血性休克症状的判断。
实施例1
ICU患者接入该创伤后失血性休克动态早期预警深度学习系统后，生理通气参数感知子系统实时监测患者生理参数，并将患者在学习窗口范围内的参数实时传递给智能动态预警子系统。
以1小时为最小时间单位，原始数据中一小时跨度内有多个有效采样点的，智能动态预警子系统对排尿量计算小时内患者排尿量总数，对其它参数则计算中位数，随后对数据缺失值插补。
智能动态预警子系统对最小时间单位内的缺失的生理参数时序数据，采用自适应插补方法对该缺失数据进行插补，其具体步骤包括：
S1，计算每一患者入院至出院期间各项生理参数的采样频率的中位数Midparam与四分位数IQRidparam；
S2，选择采集数据缺失的患者的带有缺失值的生理参数并记该参数为param参数，并将该生理参数按记录时间升序顺序，选择采集的param参数中的空值或异常值所在时间位置为选定位置；所述异常值为数据库中该参数95％CI之外数据；
S3，按下述的优先级顺序对选定位置进行数据插补，首先将选定位置的前(Midparam+IQRidparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，其次将选定位置的前(Midparam+2*IQRidparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，再次将param参数的有效值的中位数作为选定位置的数据插补值，最后对数据库中记录的param参数的中位数作为选定位置的数据插补值。例如，ID为32572156的患者，心率参数在入院后第8小时存在缺失值，将第8小时作为选定位置，经计算得该患者心率参数采样中位数为2小时一个有效值，上四分位数为1小时一个有效值，则计算患者入院后第(8-2-1)至第8小时心率参数有效值的中位数，作为第8小时缺失值的插补值。
需要说明的是，插补数据不视为有效值点。
智能动态预警子系统中的栈式深度学习模型利用清洗后的学习窗口内的患者生理参数时序数据，得到患者在预测窗口内创伤后失血性休克发病的原始概率。
患者在预测窗口内创伤后失血性休克发病的原始概率导入至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统根据智能动态预警子系统中的栈式深度学习模型在测试集数据上的敏感性与特异性，得到栈式深度学习模型的分类阈值D，使得当分类阈值为D时，栈式深度学习模型在测试集数据上的敏感性与特异性差值最小。
所述的创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对创伤后失血性休克的发生概率值进行修正，修正后的创伤后失血性休克发病概率的计算公式为：
Figure BDA0003159331660000091
其中C为概率阈值。
若修正后的创伤后失血性休克发病概率修正后的概率值大于0.5，则早期动态预警系统判断患者未来在预测窗口范围内将会出现创伤后失血性休克症状，反之判断患者不会出现创伤后失血性休克症状。
实施例2
对于临床医疗环境发生变化的情形，ICU患者接入一种可解释性的基于无创参数的创伤后失血性休克动态早期预警深度学习系统后。生理通气参数感知子系统实时监测患者生理参数。
以小时为最小时间单位，原始数据中一小时跨度内有多个有效采样点的，智能动态预警子系统对排尿量计算小时内患者排尿量总数，对其它参数则计算中位数，随后对数据缺失值插补。深度学习模型更新子系统收集患者生理参数及预后信息，或使用输入的生理参数及预后信息，结合增量训练方法，在不改变栈式深度学习模型结构基础上更新该模型参数，并将患者在学习窗口范围内的生理参数实时传递给更新栈式深度学习模型参数后的智能动态预警子系统。
智能动态预警子系统将清洗后的学习窗口内的患者数据传输至已经训练好的机器学习模型，经模型的处理可以得到患者在预测窗口内创伤后失血性休克发病的原始概率。
预测窗口内创伤后失血性休克发病的原始概率导入至创伤后失血性休克发病判断子系统，结合智能动态预警子系统中机器学习模型在测试集数据上的预警性能与医生经验，得到分类阈值D，使得当分类阈值为D时，模型在测试集数据上的敏感性或特异性为专家建议值。
实施例3
结合SHAP分析方法，对建立的深度学习模型进行可解释性分析。图3展示了前20重要参数对模型的影响及相关参数依赖分析，是对深度学习预警模型的SHAP可解释性分析与参数依赖分析结果。图3中，gender_0,gender_1是对性别这一参数进行独热编码之后的结果，gender_0为1是指男性，gender_0为0是指女性。gender_1则与之相反。
从图3.A中可以观察到性别对模型判断影响最大，男性较女性更易被模型判断将出现失血性休克症状。同时，高于队列平均值的心率、年龄，低于平均值的收缩压、舒张压，都对模型输出更高的预警概率起到了积极作用。而图3.B，图3.C则展示了心率和收缩压与性别的参数依赖分析。心率高于数据库平均值时，模型更易对男性患者输出高预警值；收缩压低于数据库平均值时,模型有着相同的表现。定性分析可知，心率/收缩压(即SI)较高时，模型偏向于对男性患者输出高预警值。这与临床研究结果相一致。
以上所述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 (7)

1.一种创伤后失血性休克动态早期预警深度学习系统，其特征在于，其包括：生理参数感知子系统、深度学习模型更新子系统、智能动态预警子系统和创伤后失血性休克发病判断子系统，其中，生理参数感知子系统与智能动态预警子系统相连接，智能动态预警子系统与深度学习模型更新子系统和创伤后失血性休克发病判断子系统分别连接；
生理参数感知子系统用于实时监测患者的常规无创生理参数，并采集到患者常规无创生理参数和患者学习窗口内生理参数时序数据后，智能动态预警子系统用于接收生理参数感知子系统采集的患者常规无创生理参数和患者学习窗口内生理参数时序数据并对其进行清洗，计算得到患者在预测时间窗口内创伤后失血性休克发病的原始概率，再根据生理参数感知子系统采集到的常规无创生理参数和患者学习窗口内生理参数时序数据，计算患者在未来预测时间窗口范围内的创伤后失血性休克的发生概率，得到预测概率值，并将该预测概率值发送至创伤后失血性休克发病判断子系统，创伤后失血性休克发病判断子系统将根据其所处地的医疗环境数据与医生治疗经验评价值对该预测概率值进行修正，若修正后的预测概率值大于0.5，则该创伤后失血性休克动态早期预警深度学习系统判断患者在未来预测时间窗口范围内将会出现创伤后失血性休克，若修正后的预测概率值小于等于0.5，则该系统判断患者在未来预测时间窗口范围内不会出现创伤后失血性休克。
2.如权利要求1所述的创伤后失血性休克动态早期预警深度学习系统，其特征在于，
深度学习模型更新子系统对该系统所处地的医疗环境进行监测，若深度学习模型更新子系统监测到所处地的医疗环境改变，则该子系统根据生理参数感知子系统采集到的患者常规无创生理参数及包括患者死亡情况、创伤后失血性休克发生情况、住院时长在内的预后信息，使用增量学习方法对智能动态预警子系统中的栈式深度学习模型的权重进行更新，以使该系统的预警结果适应该系统所处地的医疗环境。
3.如权利要求2所述的创伤后失血性休克动态早期预警深度学习系统，其特征在于，
所述的栈式深度学习模型，包括卷积层、双向长短期记忆层、自注意力层。
4.如权利要求2所述的创伤后失血性休克动态早期预警深度学习系统，其特征在于，
创伤后失血性休克发病判断子系统接收患者在预测时间窗口内创伤后失血性休克发病的原始概率，创伤后失血性休克发病判断子系统根据智能动态预警子系统中的栈式深度学习模型在测试集数据上的敏感性与特异性，得到栈式深度学习模型的分类阈值D，使得当分类阈值为D时，栈式深度学习模型在测试集数据上的敏感性与特异性之间差值最小。
5.如权利要求4所述的创伤后失血性休克动态早期预警深度学习系统，其特征在于，
所述的创伤后失血性休克发病判断子系统根据其所处地的医疗环境数据与医生治疗经验评价值对创伤后失血性休克的发生概率值进行修正，修正后的创伤后失血性休克发病概率的计算公式为：
Figure FDA0003159331650000021
其中C为概率阈值。
6.如权利要求2所述的创伤后失血性休克动态早期预警深度学习系统，其特征在于，
深度学习模型更新子系统监测到所处地的医疗环境改变后，收集患者生理参数及预后信息或使用输入的患者生理参数及预后信息，结合增量训练方法，在不改变栈式深度学习模型结构基础上更新该模型参数，并将患者在学习窗口范围内的生理参数实时传递给更新栈式深度学习模型参数后的智能动态预警子系统。
7.如权利要求1所述的创伤后失血性休克动态早期预警深度学习系统，其特征在于，
所述的智能动态预警子系统对最小时间单位内的缺失的患者生理参数时序数据，采用自适应插补方法对该缺失数据进行插补，其具体步骤包括：
S1，计算每一患者入院至出院期间各项生理参数的采样频率的中位数Midparam与四分位数IQRidparam；
S2，选择采集数据缺失的患者的带有缺失值的生理参数并记该参数为param参数，并将采集的所有param参数按采集时间升序顺序，选择采集的param参数中的空值或异常值所在时间位置为选定位置；
S3，按下述的优先级顺序对选定位置进行数据插补，首先将选定位置的前(Midparam+IQRidparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，其次将选定位置的前(Midparam+2*IQRidparam)个采样时间长度的有效值的中位数作为选定位置的数据插补值，再次将采集的param参数的有效值的中位数作为选定位置的数据插补值，最后对数据库中记录的param参数的中位数作为选定位置的数据插补值。
CN202110786377.4A 2021-07-12 2021-07-12 创伤后失血性休克动态早期预警深度学习系统 Pending CN113421654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110786377.4A CN113421654A (zh) 2021-07-12 2021-07-12 创伤后失血性休克动态早期预警深度学习系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110786377.4A CN113421654A (zh) 2021-07-12 2021-07-12 创伤后失血性休克动态早期预警深度学习系统

Publications (1)

Publication Number Publication Date
CN113421654A true CN113421654A (zh) 2021-09-21

Family

ID=77720759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110786377.4A Pending CN113421654A (zh) 2021-07-12 2021-07-12 创伤后失血性休克动态早期预警深度学习系统

Country Status (1)

Country Link
CN (1) CN113421654A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113951845A (zh) * 2021-12-01 2022-01-21 中国人民解放军总医院第一医学中心 创伤严重失血伤情预测方法与系统
CN117393153A (zh) * 2023-12-11 2024-01-12 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106859618A (zh) * 2017-03-21 2017-06-20 中国计量大学 一种基于人体状态的健康分析系统
CN107767958A (zh) * 2017-11-10 2018-03-06 湖南省妇幼保健院 医疗预警系统
CN109522221A (zh) * 2018-10-26 2019-03-26 中国科学院信息工程研究所 一种提高模糊测试效率的方法和系统
CN109616218A (zh) * 2018-12-04 2019-04-12 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备
CN109872819A (zh) * 2019-01-30 2019-06-11 杭州脉兴医疗科技有限公司 一种基于重症监护检测项的急性肾损伤发病概率预测系统
CN112489793A (zh) * 2020-12-16 2021-03-12 郑州航空工业管理学院 一种脑卒中风险患者用预警系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106859618A (zh) * 2017-03-21 2017-06-20 中国计量大学 一种基于人体状态的健康分析系统
CN107767958A (zh) * 2017-11-10 2018-03-06 湖南省妇幼保健院 医疗预警系统
CN109522221A (zh) * 2018-10-26 2019-03-26 中国科学院信息工程研究所 一种提高模糊测试效率的方法和系统
CN109616218A (zh) * 2018-12-04 2019-04-12 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备
CN109872819A (zh) * 2019-01-30 2019-06-11 杭州脉兴医疗科技有限公司 一种基于重症监护检测项的急性肾损伤发病概率预测系统
CN112489793A (zh) * 2020-12-16 2021-03-12 郑州航空工业管理学院 一种脑卒中风险患者用预警系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜坤: ""基于LSTM和注意力机制的情感分析服务设计与实现"", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
赵宇卓: ""基于创伤大数据的创伤失血性休克伤情预测预警模型建立研究"", 《中国优秀博硕士学位论文全文数据库（硕士） 医药卫生科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113951845A (zh) * 2021-12-01 2022-01-21 中国人民解放军总医院第一医学中心 创伤严重失血伤情预测方法与系统
CN113951845B (zh) * 2021-12-01 2022-08-05 中国人民解放军总医院第一医学中心 创伤严重失血伤情预测方法与系统
CN117393153A (zh) * 2023-12-11 2024-01-12 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统
CN117393153B (zh) * 2023-12-11 2024-03-08 中国人民解放军总医院 基于医疗物联网时序数据和深度学习算法的休克实时风险预警监测方法及系统

Similar Documents

Publication Publication Date Title
JP6734430B2 (ja) 急性肺損傷（ａｌｉ）／急性呼吸窮迫症候群（ａｒｄｓ）アセスメント及びモニタリング
CN112365978B (zh) 心动过速事件早期风险评估的模型的建立方法及其装置
US8388530B2 (en) Personalized monitoring and healthcare information management using physiological basis functions
CN106714682B (zh) 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序
WO2007142968A2 (en) Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit
JP2009539416A (ja) 潜在的に生命を脅かす病気の発症を予想するための装置、方法並びにコンピュータ可読コード
CN113421654A (zh) 创伤后失血性休克动态早期预警深度学习系统
CN114758786A (zh) 基于无创参数的创伤后失血性休克动态早期预警系统
US20190156233A1 (en) System monitor and method of system monitoring
US20200178903A1 (en) Patient monitoring system and method having severity prediction and visualization for a medical condition
Xiao et al. Nearest-neighbor and logistic regression analyses of clinical and heart rate characteristics in the early diagnosis of neonatal sepsis
CN115101199A (zh) 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法
Kenneth et al. Data fusion of multimodal cardiovascular signals
Shirole et al. Cardiac, diabetic and normal subjects classification using decision tree and result confirmation through orthostatic stress index
CN113205884B (zh) 一种血糖预测方法、系统及其应用
Kannathal et al. Cardiac health diagnosis using data fusion of cardiovascular and haemodynamic signals
CN116098595B (zh) 一种心源性及脑源性猝死监测预防系统和方法
Pathinarupothi et al. Consensus motifs as adaptive and efficient predictors for acute hypotensive episodes
Pathinarupothi Clinically aware data summarization at the edge for Internet of Medical Things
CN114999647A (zh) 一种基于大数据的智慧健康监测方法及系统
Gnanavel et al. GUI Base Prediction of Heart Stroke Stages by Finding the Accuracy using Machine Learning Algorithm
US20230012295A1 (en) Method of generating credible solutions from non-validated datasets
CN113393939B (zh) 重症监护室患者住院天数预测方法及系统
CN108175405A (zh) 一种用于计算心脏稳定度的系统及其设备
Pathinarupothi et al. Deriving High Performance Alerts from Reduced Sensor Data for Timely Intervention in Acute Hypotensive Episodes

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210921

RJ01 Rejection of invention patent application after publication