CN113436740A - 术后不良结局风险的预测模型的构建方法 - Google Patents

术后不良结局风险的预测模型的构建方法 Download PDF

Info

Publication number
CN113436740A
CN113436740A CN202110752542.4A CN202110752542A CN113436740A CN 113436740 A CN113436740 A CN 113436740A CN 202110752542 A CN202110752542 A CN 202110752542A CN 113436740 A CN113436740 A CN 113436740A
Authority
CN
China
Prior art keywords
outcome
postoperative
patient
bad
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
CN202110752542.4A
Other languages
English (en)
Inventor
李刚
王晓晓
李义
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.)
Peking University Third Hospital Peking University Third Clinical Medical College
Original Assignee
Peking University Third Hospital Peking University Third Clinical Medical College
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 Peking University Third Hospital Peking University Third Clinical Medical College filed Critical Peking University Third Hospital Peking University Third Clinical Medical College
Priority to CN202110752542.4A priority Critical patent/CN113436740A/zh
Publication of CN113436740A publication Critical patent/CN113436740A/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
    • G16H50/30—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及术后不良结局风险的预测模型的构建方法，其包括获取预设数量手术患者的历史数据；根据所述历史数据得到每个患者的非线性动力学特征和标准属性；根据所述非线性动力学特征确定患者的关联非线性动力学特征，并建立包括预设数量手术患者所述关联非线性动力学特征、所述标准属性和所述术后结局的样本数据集；利用所述样本数据集，基于logistic回归模型构建术后不良结局的预测模型。本申请具有提高预测患者在术后发生不良结局风险的准确性，为医护人员提供较为可靠的预测结果的效果。

Description

术后不良结局风险的预测模型的构建方法
技术领域
本申请涉及医疗风险分析的领域，尤其是涉及术后不良结局风险的预测模型的构建方法。
背景技术
组织氧饱和度通常指组织中血氧的浓度，它是一个重要的生理参数，在手术过程中，为防止因局部组织氧供需失衡导致缺氧或氧过量，就要实时监测患者局部组织的氧合状况，以根据其变化调整生理参数或采取应急手段。组织氧饱和度是氧摄取、氧转运和氧消耗在时间和空间上的非线性耦合，属于混沌信号，具有广泛的非线性特征。即组织氧饱和度数据是非常复杂的、非随机的、对初始条件极其敏感、且长期不可预测的。
目前通常使用组织氧监测仪在患者手术过程中对其进行组织氧浓度监测，医护人员得到患者组织氧饱和度数据后，通常是基于自身经验对患者的组织氧饱和度进行分析，并由此对患者术后发生不良结局的风险进行判断，其具有较高的主观性和粗略性，而且科学性和客观性较差，预测结果的可靠性较差，导致术后不良结局的发生率仍然较高。
发明内容
为了提高预测患者在术后发生不良结局风险的准确性，为医护人员提供较为可靠的预测结果，本申请提供了术后不良结局风险的预测模型的构建方法。
第一方面，本申请提供术后不良结局风险的预测模型的构建方法，采用如下的技术方案：
术后不良结局风险的预测模型的构建方法，包括：
获取预设数量手术患者的历史数据；所述历史数据包括每个患者手术过程中的组织氧饱和度数据和每个患者对应的术后结局，所述术后结局包括正常结局和不良结局；
根据所述历史数据得到每个患者的非线性动力学特征和标准属性；其中，所述非线性动力学特征包括关联维数、李雅普诺夫指数和样本熵三种指标；
根据所述非线性动力学特征确定患者的关联非线性动力学特征，并建立包括预设数量手术患者所述关联非线性动力学特征、所述标准属性和所述术后结局的样本数据集；其中，样本数据集包括每个手术患者的样本数据；
利用所述样本数据集，基于logistic回归模型构建术后不良结局的预测模型。
通过采用上述技术方案，获取以往手术患者的相关数据，分析得到与术后结局关联度最高的关联非线性动力学特征，并配合其他标准属性的影响能够较为科学的得到关于术后不良结局的预测模型，提高对患者术后发生不良结局风险预测的准确性。
可选的，所述根据所述非线性动力学特征确定患者的关联非线性动力学特征，包括：根据所述术后结局对所述关联维数、所述李雅普诺夫指数和所述样本熵进行分类，得到关于每项所述指标的正常集和不良集；
分别对每项指标的所述正常集和所述不良集进行t检验，分析对应指标与所述不良结局的相关性；其中，所述相关性包括相关和无关；
根据所述指标与所述不良结局的相关性，选取某一指标作为所述关联非线性动力学特征。
可选的，所述分别对每项所述指标的所述正常集和所述不良集进行t检验，分析对应指标与所述不良结局的相关性，包括：
分别计算所述正常集α的平均值和方差以及所述不良集β的平均值和方差；
根据所有所述平均值和所述方差计算检验统计量t；
根据所述检验统计量t和t界值表，得到所述正常集α和所述不良集β的p值；
根据所述p值分析所述指标与所述不良结局的相关性；若所述p值小于预设标准值，所述指标与所述不良结局相关。
可选的，所述根据所述指标与所述不良结局的相关性，选取某一指标作为所述关联非线性动力学特征，包括：
当仅有一个所述指标与所述不良结局相关时，选择对应指标作为所述关联非线性动力学特征；当有多个所述指标与所述不良结局相关时，若所述样本熵与所述不良结局相关，选择所述样本熵作为所述关联非线性动力学特征；
若所述样本熵与所述不良结局无关，分别将所述关联维数和所述李雅普诺夫指数作为所述关联非线性动力学特征建立预测模型；
根据两个所述指标对应的所述预测模型和所述第一数据，计算得到两个所述指标对应的所述预测模型的正确率；
选取所述正确率更高的所述预测模型对应的所述指标作为所述关联非线性动力学特征。
可选的，所述根据所述第一数据，采用logistic回归构建术后不良结局的预测模型，包括：
建立logistic回归模型，logistic回归模型为
Figure BDA0003146640660000031
Figure BDA0003146640660000032
其中，β0至β7为参量估计值，X1至X7为自变量；
使用最大似然估计的方法计算所述参量估计值；
使用似然比检验的方法确定是否保留对应的所述自变量和所述参量估计值；
对所述logistic回归模型进行拟合优度检验，若拟合优度较好，将所述参量估计值代入所述logistic回归模型得到所述预测模型；若拟合优度较差，重新建立所述logistic回归模型。
可选的，所述预测模型为：
Figure BDA0003146640660000033
Figure BDA0003146640660000034
其中，P为发生术后不良结局的概率；A为关联非线性动力学特征；t1、h1、t2、h2、M、N为所述标准属性，t1为低于基线预设幅度的第一持续时间，h1为低于基线预设幅度的第一最大幅度，t2为高于基线预设幅度的第二持续时间，h2为高于基线预设幅度的第二最大幅度，M为患者年龄，N为患者BMI值；w0为常数变化参量，w1至w7为属性变化参量。
第二方面，本申请提供术后不良结局风险的预测方法，采用如下的技术方案：
术后不良结局风险的预测方法，使用如第一方面所述的术后不良结局风险得分的预测模型，所述预测方法包括：
每隔预设时间获取该预设时间内被监测患者的组织氧饱和度的原始数据；
根据所述原始数据得到被监测患者的实际数据；其中，所述实际数据包括关联非线性动力学特征和标准属性；所述标准属性包括低于基线预设幅度的第一持续时间、低于基线预设幅度的第一最大幅度、高于基线预设幅度的第二持续时间、高于基线预设幅度的第二最大幅度、患者年龄和患者BMI值；
根据所述实际数据和所述预测模型计算发生术后不良结局的概率。
通过采用上述技术方案，使用第一方面所得的预测模型，在患者术中对患者的术后不良结局进行预测，并根据预测结果调整手术过程中的操作，有助于医护人员护理诊疗，也能够提升患者的安全性，减小患者术后发生不良结局的风险。
可选的，所述预测模型为：
Figure BDA0003146640660000041
Figure BDA0003146640660000042
其中，w0为常数变化参量，w1至w7为属性变化参量。
可选的，所述根据所述实际数据计算发生术后不良结局的概率，包括：
将所述实际数据代入所述预测模型，计算所述预测模型的值log-odds；
根据所述预测模型的值log-odds和概率公式计算发生术后不良结局的概率P；其中，所述概率公式为
Figure BDA0003146640660000043
第三方面，本申请提供术后不良结局风险的预测装置，采用如下的技术方案：
术后不良结局风险的预测装置，包括存储器、处理器以及存储在所述存储器上能够被所述处理器运行的计算机程序，所述处理器运行所述计算机程序时，能够实现如第一方面和第二方面所述的术后不良结局风险的预测模型的建立方法和术后不良结局风险的预测方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过对以往手术患者的历史数据进行总结计算，得到关联非线性动力学特征、标准属性和术后结局等后，建立科学性的预测模型对正在进行手术的患者进行术后不良结局风险预测，医护人员可以根据预测结果调整手术方案或者操作等，提高患者术后不良结局风险预测的准确性，减少患者术后不良结局的发生；
2.在建立预测模型的过程中，对多种非线性动力学特征进行对比，选择出与术后结局关联性最好的关联非线性动力学特征后，再根据该关联非线性动力学特征和标准属性建立预测模型，并且在建立预测模型的过程中，对参数进行迭代计算，预测模型的可靠性较高。
附图说明
图1是不良结局风险得分的预测模型的构建方法的流程图；
图2是步骤S400中构建术后不良结局的预测模型的方法的流程图；
图3是确定患者的关联非线性动力学特征的方法的流程图；
图4是术后不良结局风险的预测方法的流程图；
图5是术后不良结局风险的预测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-5及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例公开计算术后不良结局风险得分的预测模型的构建方法，包括：
获取患者的历史数据；历史数据包括患者手术过程中的组织氧饱和度(曲线)和每个患者对应的术后结局，术后结局包括正常结局和不良结局；
根据历史数据得到关于每个患者的非线性动力学特征，从中选取关联非线性动力学特征；非线性动力学特征包括关联维数、李雅普诺夫指数和样本熵三种指标；
根据历史数据和关联非线性动力学特征，得到关于每个患者的第一数据；其中，第一数据包括关联非线性动力学特征、标准属性和术后结局；标准属性包括低于基线预设幅度的第一持续时间、低于基线预设幅度的第一最大幅度、高于基线预设幅度的第二持续时间、高于基线预设幅度的第二最大幅度、患者年龄和患者BMI值；
根据第一数据，采用logistic回归构建术后不良结局的预测模型。
参照图1，作为计算术后不良结局风险得分的预测模型的构建方法的一种实施方式，该方法包括：
步骤S100，获取预设数量手术患者的历史数据。
历史数据包括患者手术过程中的组织氧饱和度数据和每个患者对应的术后结局，术后结局包括正常结局和不良结局。预设数量为一个确定的较大数值，并且该预设数量越大时，建立得到的预测模型的准确度越高。
步骤S200，根据历史数据计算得到每个患者的非线性动力学特征和标准属性。
非线性动力学特征包括关联维数、李雅普诺夫指数和样本熵三种指标。标准属性包括组织氧饱和度低于基线预设幅度的第一持续时间t1、低于基线预设幅度的第一最大幅度h1、高于基线预设幅度的第二持续时间t2、低于基线预设幅度的第二最大幅度h2、患者年龄J、患者BMI值K共六项。三种非线性动力学特征的指标和六项标准属性均由患者的组织氧饱和度数据计算得出。
步骤S300，根据非线性动力学特征确定患者的关联非线性动力学特征，并建立包括预设数量手术患者关联非线性动力学特征、标准属性和术后结局的样本数据集。
在建立预测模型时，仅选取非线性动力学特征中的一个特定指标作为关联非线性动力学特征，并用于构建预测模型，该关联非线性动力学特征为与术后结局关联性最强的指标。样本数据集包括所有患者的样本数据，样本数据包括对应患者的关联非线性动力学特征、标准属性和术后结局。
步骤S400，根据样本数据集，基于logistic回归模型构建术后不良结局的预测模型。
将样本数据集作为初始数据，基于spss软件，将关联非线性动力学特征和各项标准属性作为协变量，术后结局作为因变量，构建术后不良结局的预测模型。
术后不良结局的预测模型为：
Figure BDA0003146640660000061
Figure BDA0003146640660000062
其中，P为发生术后不良结局的概率，w0为常数变化参量，w1至w7为属性变化参量。
参照图2，步骤S400中，构建术后不良结局的预测模型的方法包括：
步骤S410，建立logistic回归模型；其中，logistic回归模型为
Figure BDA0003146640660000063
Figure BDA0003146640660000064
β0至β7为参量估计值，X1至X7为自变量。
步骤S420，基于spss软件，使用最大似然估计的方法计算参量估计值，包括：
步骤S421，根据样本数据集，对于其中第i个患者，在对应患者的样本数据Xi时，出现术后结局Yi的概率为P(Yi|Xi)；其中，若术后结局为不良结局，Yi＝1，若术后结局为正常结局，Yi＝0。
Figure BDA0003146640660000065
步骤S422，建立似然函数L，
Figure BDA0003146640660000066
步骤S423，取似然函数L的对数形式，得到目标函数lnL，
Figure BDA0003146640660000071
Figure BDA0003146640660000072
步骤S424，采用牛顿迭代法对目标函数lnL进行迭代，计算使得目标函数取得极大值时，β0至β7的值，即参量估计值。
步骤S430，基于spss软件，使用似然比检验的方法确定是否保留logistic回归模型中对应的自变量和参量估计值，包括：
步骤S431，选取关联非线性动力学特征或标准属性中的一个，建立不包含该关联非线性动力学特征或标准属性的对照logistic回归模型。
步骤S432，根据步骤S420的方法，建立对照logistic回归模型的对照目标函数lnL1。
步骤S433，计算似然比统计量G，G＝2(lnL-lnL1)。
步骤S434，根据似然比统计量G和卡方分布界值表，计算对照参量p1并根据对照参量p1判断是否保留对应自变量，其判断逻辑为：
若对照参量p1小于0.05，保留logistic回归模型中对应的自变量；
若对照参量p1大于等于0.05，不保留logistic回归模型中对应的自变量，并重新执行步骤S420计算参量估计值并得到预测模型。
步骤S440，基于spss软件，采用霍斯默-莱梅肖检验的方法对logistic回归模型进行拟合优度检验。若拟合优度较好，将参量估计值代入logistic回归模型得到预测模型；若拟合优度较差，重新执行步骤S410构建logistic回归模型。
本实施例中，通过对以往患者组织氧饱和度曲线的历史数据进行总结计算，并据此得到关于患者组织氧饱和度的非线性动力学特征、标准属性、术后结局等信息，据此基于logistic回归模型建立预测模型。通过引入患者组织氧饱和度的非线性动力学特征对是否发生术后不良结局进行预测，有助于对组织氧饱和度与术后不良结局之间的关联性进行分析，并且得到更加准确的结果，预测模型的准确性更高。
本申请实施例步骤S200中，关联维数D2描述动力系统的轨迹在空间中的关联程度，反映描述某个时间序列信号的变化规律所需的最小信息量，能够反映该序列的复杂程度，时间序列复杂度越高，关联维数D2越大。关联维数D2的计算方法如下：
根据患者组织氧饱和度曲线建立组织氧饱和度信号时间序列{X1，X2……XN}；其中，J为观测点数量；
取正数ξ并计算关联积分
Figure BDA0003146640660000081
其中，|Xi-Xj|为Xi和Xj之间的距离，
Figure BDA0003146640660000082
取嵌入维数m对ln C(ξ)和ln ξ的关系进行线性回归，绘制关于ln C(ξ)-lnξ的第一曲线，并计算第一曲线上线性区的斜率记为k1；
逐渐增大m，逐一计算不同m对应k1的值，并绘制m-k1曲线，取k1趋于稳定时的数值，该数值即为关联维数D2。
李雅普诺夫指数λ用于度量时间序列信号长期变化轨迹受初始条件影响的程度，反映时间序列对初始状态的敏感程度，李雅普诺夫指数λ越低说明时间序列的复杂程度越低，对初始条件敏感度越低，规律性越强。李雅普诺夫指数λ的计算方法如下：
根据患者组织氧饱和度曲线建立组织氧饱和度信号时间序列{Y1，Y2……YK}；
在组织氧饱和度信号时间序列中任取一参考点Yk以及参考点Yk附近任一最近点
Figure BDA0003146640660000095
计算两点之间的初始距离Ck；其中，j＝1，2，……；
经过时间iΔt，参考点Yk以及其最近点
Figure BDA0003146640660000091
之间的参考距离变为dk(i)，初始距离Ck与参考距离dk(i)之间构成第一公式dk(i)≈Ckeλ(iΔt)；
对第一公式两端取对数得到第二公式lndk(i)≈lnCk+λ(iΔt)；
计算lndk(i)的平均值
Figure BDA0003146640660000093
定义
Figure BDA0003146640660000094
用最小二乘法对y(i)进行拟合得到第二曲线，第二曲线的斜率即为李雅普诺夫指数λ。
样本熵SampEn是用于度量时间序列不可预测性、复杂性的常用指标，时间序列的复杂性越高，样本熵SampEn值越大。样本熵SampEn的计算方法为：
根据患者组织氧饱和度曲线建立组织氧饱和度信号时间序列{Z1，Z2……ZL}；
按顺序建立L-n+1个n维向量Zn(i)＝(xi，xi+1，......，xi+n-1)，其中，i＝1，2，……，L-n+1；计算向量Zn(i)和Zn(j)之间的距离d[Zn(i)，Zn(j)]；其中，1≤i≤L-n+1，1≤j≤L-n，i≠j；统计d[Zn(i)，Zn(j)]小于等于r的数量Bi，定义
Figure BDA0003146640660000101
Figure BDA0003146640660000102
将向量维数增加到n+1，计算
Figure BDA0003146640660000103
计算样本熵
Figure BDA0003146640660000104
参照图3，本申请实施例步骤S300中，根据非线性动力学特征确定患者的关联非线性动力学特征的方法包括：
步骤S310，根据术后结局对关联维数、李雅普诺夫指数和样本熵进行分类，得到关于每项指标的正常集和不良集。
正常集为术后结局正常结局时对应的指标所构成的集合，不良集为术后结局为不良结局时对应的指标所构成的集合。正常集和不良集分别包括关联维数正常集αD2和关联维数不良集βD2、李雅普诺夫指数正常集αλ和李雅普诺夫指数不良集βλ以及样本熵正常集αSampEn和样本熵不良集βSampEn。
步骤S320，分别对关联维数正常集αD2和关联维数不良集βD2、李雅普诺夫指数正常集αλ和李雅普诺夫指数不良集βλ以及样本熵正常集αsampEn和样本熵不良集βSampEn进行t检验，分析对应指标与不良结局的相关性；其中，相关性包括相关和无关。
对关联维数正常集αD2和关联维数不良集βD2进行t检验的方法包括：
分别计算关联维数正常集αD2和关联维数不良集βD2的平均值及方差；其中，
Figure BDA0003146640660000111
和
Figure BDA0003146640660000112
为二者对应的平均值，
Figure BDA0003146640660000113
和
Figure BDA0003146640660000114
为二者对应的方差；
计算检验统计量t，
Figure BDA0003146640660000115
其中，n1和n2分别为关联维数正常集αD2和关联维数不良集βD2中的样本数量；
根据检验统计量t和t界值表，得到关联维数正常集αD2和关联维数不良集βD2之间的p值；根据p值判断关联维数正常集αD2和关联维数不良集βD2是否存在差异，若p值小于预设标准值，两组集之间存在差异，该关联维数指标与不良结局相关；否则，该关联维数指标与不良结局无关。
同理，对李雅普诺夫指数正常集αλ和李雅普诺夫指数不良集βλ、样本熵正常集αSampEn和样本熵不良集βSampEn分别进行t检验，并分析对应指标与不良结局的相关性。
步骤S330，根据每个指标与不良结局的相关性，确定某一指标作为关联非线性动力学特征；其确定方法为：
仅有一个指标与不良结局相关时，则选择该对应指标作为关联非线性动力学特征。
有多个指标与不良结局相关时：
若样本熵与不良结局相关，则选择样本熵作为关联非线性动力学特征；
若样本熵与不良结局无关，其选取方法包括：
步骤S331，将关联维数D2和李雅普诺夫指数λ两项指标分别作为关联非线性动力学特征，基于logistic回归模型建立术后不良结局预测模型。
步骤S332，根据关联维数D2和李雅普诺夫指数λ两项指标对应的术后不良结局预测模型和样本数据集，分别计算得出两项指标作为关联非线性动力学特征的条件下，预设数量的手术患者中每个患者发生术后不良结局的概率。
步骤S333，计算每项指标作为关联非线性动力学特征时，预测模型的正确率R。
计算预测模型的正确率R的方法包括：
统计得出发生术后不良结局的概率大于等于得分标准Q且术后结局为不良结局患者的数量a；其中，得分标准Q为预设值；
统计得出发生术后不良结局的概率小于得分标准Q且术后不良结局为正常结局患者的数量b；计算预测模型的正确率
Figure BDA0003146640660000121
其中，L为历史数据中患者的总数。
步骤S334，选择正确率R较大的预测模型所对应的指标作为预测模型中的关联非线性动力学特征。
本申请实施例步骤S300中，标准属性中的低于基线预设幅度的第一持续时间t1、低于基线预设幅度的第一最大幅度h1、高于基线预设幅度的第二持续时间t2、高于基线预设幅度的第二最大幅度h2、患者年龄M、患者BMI值N均可以通过历史数据直接获取。
参照图4，本申请实施例还公开术后不良结局风险的预测方法，包括：
步骤S600，每隔预设时间获取该预设时间内被监测患者的组织氧饱和度的原始数据。
步骤S700，根据原始数据计算得到被监测患者的实际数据。
实际数据包括该被监测患者组织氧饱和度的关联非线性动力学特征A以及低于基线预设幅度的第一持续时间t1、低于基线预设幅度的第一最大幅度h1、高于基线预设幅度的第二持续时间t2、低于基线预设幅度的第二最大幅度h2、患者年龄M、患者BMI值N共六项标准属性。
步骤S800，根据实际数据和预测模型计算发生术后不良结局的概率P。
本申请步骤S800包括：
步骤S810，根据实际数据和预测模型，计算预测模型的值log-odds。
步骤S820，根据预测模型的值log-odds和概率公式计算发生术后不良结局的概率P，概率公式为：
Figure BDA0003146640660000131
步骤S900，根据不良结局风险的得分标准Q判断术后不良结局风险。
若发生术后不良结局的概率P大于等于不良结局风险的得分标准Q，术后不良结局风险较高；
若发生术后不良结局的概率P小于不良结局风险的得分标准Q，术后不良结局风险较低。
医护人员可以对不同的疾病确定不同的不良结局风险的得分标准Q，若某患者的发生术后不良结局的概率P大于等于得分标准Q，可以认定该患者术后不良结局风险较高，并且概率P越大，不良结局的风险越高，医护人员需要根据该患者的组织氧饱和度的实际数据进行针对性干预。若某患者的发生术后不良结局的概率P小于得分标准Q，可以认定该患者术后不良结局风险较低，医护人员可以继续进行手术。
在本申请实施例中，在进行手术的过程中，组织氧饱和度监测仪能够实时监测患者的组织氧饱和度的原始数据数据，并每隔预设时间生成组织氧饱和度曲线，根据组织氧饱和度的原始数据和预测模型计算发生术后不良结局的概率。医护人员可以根据发生术后不良结局的概率与得分标准Q进行对比，调整麻醉和手术诊疗决策，以减小患者术后发生不良结局的风险。
参照图5，本申请实施例还公开术后不良结局风险的预测装置，包括存储器10、处理器20以及存储在存储器10上能够被处理器20运行的计算机程序，并且当处理器20运行该计算机程序时，能够实现本申请具体实施方式中公开的术后不良结局风险的预测模型的建立方法和术后不良结局风险的预测方法。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (10)

1.术后不良结局风险的预测模型的构建方法，其特征在于，包括：
获取预设数量手术患者的历史数据；所述历史数据包括每个患者手术过程中的组织氧饱和度数据和每个患者对应的术后结局，所述术后结局包括正常结局和不良结局；
根据所述历史数据得到每个患者的非线性动力学特征和标准属性；其中，所述非线性动力学特征包括关联维数、李雅普诺夫指数和样本熵三种指标；
根据所述非线性动力学特征确定患者的关联非线性动力学特征，并建立包括预设数量手术患者所述关联非线性动力学特征、所述标准属性和所述术后结局的样本数据集；其中，样本数据集包括每个手术患者的样本数据；
利用所述样本数据集，基于logistic回归模型构建术后不良结局的预测模型。
2.根据权利要求1所述的构建方法，其特征在于，所述根据所述非线性动力学特征确定患者的关联非线性动力学特征，包括：
根据所述术后结局对所述关联维数、所述李雅普诺夫指数和所述样本熵进行分类，得到关于每项所述指标的正常集和不良集；
分别对每项指标的所述正常集和所述不良集进行t检验，分析对应指标与所述不良结局的相关性；其中，所述相关性包括相关和无关；
根据所述指标与所述不良结局的相关性，选取某一指标作为所述关联非线性动力学特征。
3.根据权利要求2所述的构建方法，其特征在于，所述分别对每项所述指标的所述正常集和所述不良集进行t检验，分析对应指标与所述不良结局的相关性，包括：
分别计算所述正常集α的平均值和方差以及所述不良集β的平均值和方差；
根据所有所述平均值和所述方差计算检验统计量t；
根据所述检验统计量t和t界值表，得到所述正常集α和所述不良集β的p值；
根据所述p值分析所述指标与所述不良结局的相关性；若所述p值小于预设标准值，所述指标与所述不良结局相关。
4.根据权利要求2所述的构建方法，其特征在于，所述根据所述指标与所述不良结局的相关性，选取某一指标作为所述关联非线性动力学特征，包括：
当仅有一个所述指标与所述不良结局相关时，选择对应指标作为所述关联非线性动力学特征；
当有多个所述指标与所述不良结局相关时，若所述样本熵与所述不良结局相关，选择所述样本熵作为所述关联非线性动力学特征；
若所述样本熵与所述不良结局无关，分别将所述关联维数和所述李雅普诺夫指数作为所述关联非线性动力学特征建立预测模型；
根据两个所述指标对应的所述预测模型和所述第一数据，计算得到两个所述指标对应的所述预测模型的正确率；
选取所述正确率更高的所述预测模型对应的所述指标作为所述关联非线性动力学特征。
5.根据权利要求1所述的构建方法，其特征在于，所述根据所述第一数据，采用logistic回归构建术后不良结局的预测模型，包括：
建立logistic回归模型，logistic回归模型为
Figure FDA0003146640650000021
Figure FDA0003146640650000022
其中，β0至β7为参量估计值，X1至X7为自变量；
使用最大似然估计的方法计算所述参量估计值；
使用似然比检验的方法确定是否保留对应的所述自变量和所述参量估计值；
对所述logistic回归模型进行拟合优度检验，若拟合优度较好，将所述参量估计值代入所述logistic回归模型得到所述预测模型；若拟合优度较差，重新建立所述logistic回归模型。
6.根据权利要求1所述的构建方法，其特征在于，所述预测模型为：
Figure FDA0003146640650000023
Figure FDA0003146640650000034
其中，P为发生术后不良结局的概率；A为关联非线性动力学特征；t1、h1、t2、h2、M、N为所述标准属性，t1为低于基线预设幅度的第一持续时间，h1为低于基线预设幅度的第一最大幅度，t2为高于基线预设幅度的第二持续时间，h2为高于基线预设幅度的第二最大幅度，M为患者年龄，N为患者BMI值；w0为常数变化参量，w1至w7为属性变化参量。
7.术后不良结局风险的预测方法，其特征在于，使用如权利要求1-6所述的术后不良结局风险得分的预测模型，所述预测方法包括：
每隔预设时间获取该预设时间内被监测患者的组织氧饱和度的原始数据；
根据所述原始数据得到被监测患者的实际数据；其中，所述实际数据包括关联非线性动力学特征和标准属性；所述标准属性包括低于基线预设幅度的第一持续时间、低于基线预设幅度的第一最大幅度、高于基线预设幅度的第二持续时间、高于基线预设幅度的第二最大幅度、患者年龄和患者BMI值；
根据所述实际数据和所述预测模型计算发生术后不良结局的概率。
8.根据权利要求7所述的预测方法，其特征在于，所述预测模型为：
Figure FDA0003146640650000031
Figure FDA0003146640650000032
其中，w0为常数变化参量，w1至w7为属性变化参量。
9.根据权利要求8所述的预测方法，其特征在于，所述根据所述实际数据计算发生术后不良结局的概率，包括：
将所述实际数据代入所述预测模型，计算所述预测模型的值log-odds；
根据所述预测模型的值log-odds和概率公式计算发生术后不良结局的概率P；其中，所述概率公式为
Figure FDA0003146640650000033
10.术后不良结局风险的预测装置，其特征在于，包括存储器、处理器以及存储在所述存储器上能够被所述处理器运行的计算机程序，所述处理器运行所述计算机程序时，能够实现如权利要求1-9所述的术后不良结局风险的预测模型的建立方法和术后不良结局风险的预测方法。
CN202110752542.4A 2021-07-03 2021-07-03 术后不良结局风险的预测模型的构建方法 Pending CN113436740A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110752542.4A CN113436740A (zh) 2021-07-03 2021-07-03 术后不良结局风险的预测模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110752542.4A CN113436740A (zh) 2021-07-03 2021-07-03 术后不良结局风险的预测模型的构建方法

Publications (1)

Publication Number Publication Date
CN113436740A true CN113436740A (zh) 2021-09-24

Family

ID=77758932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110752542.4A Pending CN113436740A (zh) 2021-07-03 2021-07-03 术后不良结局风险的预测模型的构建方法

Country Status (1)

Country Link
CN (1) CN113436740A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973778A (zh) * 2006-12-08 2007-06-06 南京大学 胃癌术后严重并发症风险度的预测方法
CN106295180A (zh) * 2016-08-10 2017-01-04 中国人民解放军第三军医大学第三附属医院 老年骨科手术风险预测方法
CN107174209A (zh) * 2017-06-02 2017-09-19 南京理工大学 基于非线性动力学的睡眠阶段分期方法
CN109727679A (zh) * 2018-07-30 2019-05-07 中国医学科学院肿瘤医院 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统
CN110634571A (zh) * 2019-09-20 2019-12-31 四川省人民医院 肝移植术后预后预测系统
CN111261289A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于人工智能模型的心脏疾病的检测方法
CN111640518A (zh) * 2020-06-02 2020-09-08 山东大学齐鲁医院 一种宫颈癌术后生存预测方法、系统、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973778A (zh) * 2006-12-08 2007-06-06 南京大学 胃癌术后严重并发症风险度的预测方法
CN106295180A (zh) * 2016-08-10 2017-01-04 中国人民解放军第三军医大学第三附属医院 老年骨科手术风险预测方法
CN107174209A (zh) * 2017-06-02 2017-09-19 南京理工大学 基于非线性动力学的睡眠阶段分期方法
CN109727679A (zh) * 2018-07-30 2019-05-07 中国医学科学院肿瘤医院 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统
CN111261289A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于人工智能模型的心脏疾病的检测方法
CN110634571A (zh) * 2019-09-20 2019-12-31 四川省人民医院 肝移植术后预后预测系统
CN111640518A (zh) * 2020-06-02 2020-09-08 山东大学齐鲁医院 一种宫颈癌术后生存预测方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑业英: "局部氧饱和度监测在围术期的临床应用进展", 《海南医学院学报》, vol. 25, no. 6, pages 467 - 470 *

Similar Documents

Publication Publication Date Title
Fritz et al. Deep-learning model for predicting 30-day postoperative mortality
Schuster Predicting outcome after ICU admission: the art and science of assessing risk
RU2630122C2 (ru) Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации
Niewiński et al. Prognostic scoring systems for mortality in intensive care units—the APACHE model
Donner et al. The statistical analysis of kappa statistics in multiple samples
Fei et al. Prediction and evaluation of the severity of acute respiratory distress syndrome following severe acute pancreatitis using an artificial neural network algorithm model
CN108475542A (zh) 通过使用生物年龄预测剩余寿命的方法
CN110364259B (zh) 一种高原疾病预测方法、系统、介质及电子设备
Ivanović et al. ANN prediction of metabolic syndrome: a complex puzzle that will be completed
Jemal et al. Enhanced decision support systems in intensive care unit based on intuitionistic fuzzy sets
Huerta et al. Validation of a sequential organ failure assessment score using electronic health record data
Uvizl et al. Patient survival, predictive factors and disease course of severe sepsis in Czech intensive care units: A multicentre, retrospective, observational study.
Man et al. Improving non-invasive hemoglobin measurement accuracy using nonparametric models
CN113903466A (zh) 辅助评估人群心血管疾病危险程度的数据处理装置、系统及其应用
CN113436740A (zh) 术后不良结局风险的预测模型的构建方法
Nazlı et al. Classification of Coronary Artery Disease Using Different Machine Learning Algorithms
Madrakhimov et al. Construction of fuzzy inference rules for medicine diagnostics problems
De Mello et al. Metaparametric neural networks for survival analysis
Sundas et al. Comprehensive Study of Machine Learning-Based Systems for Early Warning of Clinical Deterioration
US20230395267A1 (en) Procedure and Prediction System to Determine the Probability of a Patient Suffering from Sepsis
Shruthi et al. Diabetes prediction using machine learning technique
Wajs et al. Newborn Arterial Blood Gas Prediction
Sen et al. The use of artificial neural networks to determine in-hospital mortality after coronary artery bypass surgery
TWI803893B (zh) 敗血症之人工智慧輔助醫療診斷方法及其系統
Jafari et al. Investigating Association and Causal Relationships between Physiological Signals and Affective State

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