CN113611419A - 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 - Google Patents
基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 Download PDFInfo
- Publication number
- CN113611419A CN113611419A CN202110906875.8A CN202110906875A CN113611419A CN 113611419 A CN113611419 A CN 113611419A CN 202110906875 A CN202110906875 A CN 202110906875A CN 113611419 A CN113611419 A CN 113611419A
- Authority
- CN
- China
- Prior art keywords
- data
- fetal
- risk
- postpartum hemorrhage
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000018525 Postpartum Hemorrhage Diseases 0.000 title claims abstract description 52
- 208000036029 Uterine contractions during pregnancy Diseases 0.000 title claims abstract description 49
- 230000001605 fetal effect Effects 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010586 diagram Methods 0.000 title claims abstract description 15
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 25
- 208000034158 bleeding Diseases 0.000 claims abstract description 24
- 230000000740 bleeding effect Effects 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000013058 risk prediction model Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 14
- 210000001215 vagina Anatomy 0.000 claims abstract description 5
- 230000008602 contraction Effects 0.000 claims description 13
- 208000034423 Delivery Diseases 0.000 claims description 12
- 230000008774 maternal effect Effects 0.000 claims description 12
- 230000009677 vaginal delivery Effects 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 210000002458 fetal heart Anatomy 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 4
- 238000009533 lab test Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000002483 medication Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000035935 pregnancy Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 210000004381 amniotic fluid Anatomy 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000000556 factor analysis Methods 0.000 claims description 2
- 208000004104 gestational diabetes Diseases 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000032696 parturition Effects 0.000 claims description 2
- 210000002826 placenta Anatomy 0.000 claims description 2
- 208000006083 Hypokinesia Diseases 0.000 abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 abstract description 2
- 230000023555 blood coagulation Effects 0.000 abstract description 2
- 230000006378 damage Effects 0.000 abstract description 2
- 230000004064 dysfunction Effects 0.000 abstract description 2
- 208000014674 injury Diseases 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000035606 childbirth Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010036872 Prolonged labour Diseases 0.000 description 1
- 206010046788 Uterine haemorrhage Diseases 0.000 description 1
- 206010046910 Vaginal haemorrhage Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000754 myometrium Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 201000007532 polyhydramnios Diseases 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统，其方法包括步骤：S1、收集医院胎监宫缩图及电子病历系统的数据；S2、筛选行经阴道分娩的孕产妇，并提取所需患者信息；S3、应用机器学习方法，建立产妇分娩后24小时内出血风险预测模型；S4、评估各模型预测价值，选取最优的预测模型。本发明通过机器学习的方法建立预测模型，对于及时识别宫缩乏力、预防软产道损伤、纠正凝血功能异常等在内的临床治疗决策、降低出血发生率具有重要意义。
Description
技术领域
本发明涉及产科临床风险预测技术领域，尤其涉及基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统。
背景技术
随着医疗信息电子化技术的发展，孕产妇的临床重要指标、历次孕检信息都被记录在电子病历中，使得产后出血的一些高危因素及数据都能被提取成为可能，这为医生全面掌握孕妇身体状况，预判产后出血风险提供了便利。但由于产后出血相关因素众多且复杂，即使是经验丰富的医生，面对这些数据庞大、类型异构、内部关联复杂的临床大数据，都难以全面客观地进行分析，对缺乏经验的年轻医生更是巨大的挑战。
随着机器学习深度和广度的发展，借助计算机手段挖掘电子病历、辅助检查病历信息中包含的临床重要指标等数据信息，建立疾病风险预测模型，为疾病的早期发现和及时干预提供了技术支持，成为近年来计算机与医学领域研究的热点。
现有技术中，多是采用传统统计学方法(logistic回归)对一类特定人群开展产后出血预测建模研究，而未有应用数据挖掘及拟合能力更强的机器学习方法进行建模研究，同时也未见纳入宫缩图(Tocography，TOCO)作为建模对象的相关产后出血预测研究。
发明内容
为解决现有技术所存在的技术问题，本发明提供基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统，基于医院产科临床数据，通过机器学习的方法建立预测模型，对于及时识别宫缩乏力、预防软产道损伤、纠正凝血功能异常等在内的临床治疗决策、降低出血发生率具有重要意义。
本发明方法采用以下技术方案来实现：基于胎监宫缩图和高危因素的产后出血风险预测方法，包括以下步骤：
S1、收集医院胎监宫缩图及电子病历系统的数据；
S2、筛选行经阴道分娩的孕产妇，并提取所需患者信息；
S3、应用机器学习方法，建立产妇分娩后24小时内出血风险预测模型；
S4、评估各模型预测价值，选取最优的预测模型。
本发明系统采用以下技术方案来实现：基于胎监宫缩图和高危因素的产后出血预警系统，包括：
输入变量形成单元110，用于获取产妇人口学资料和产前检查资料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数，且将具有统计学意义的特征变量及产时生理参数共同作为输入变量；
输入数据筛选单元120，用于根据输入变量，从产妇人口学资料、产前检查资料及产时生理参数各自对应的数据中，组合得到具有输入变量的样本数据作为模型输入数据；
风险预测模型单元130，用于基于机器学习法，构建产后出血预测模型；其中，产后出血预测模型以模型输入数据为数据输入，以产后出血风险等级为目标输出；
预测结果输出单元140，用于将模型输入数据导入产后出血预测模型中进行计算，得到最终产后出血风险等级对应的数值。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明通过在医院胎监信号和电子病历系统中回顾性收集经阴道分娩产妇的信息，对于孕产妇的人口学特征、病史及体格检查结果、实验室检查结果、胎儿超声检查结果、产时情况及分娩结局在院期间出血相关事件和其他所有可获得的患者基线特征进行分析收集，完全针对经阴道分娩产妇的信息，并通过应用机器学习的多种模型，建立使用孕产妇信息对其出血风险进行预测的模型，便于医护人员的观察，对于指导临床治疗决策和降低出血发生率有一定的意义。
附图说明
图1是本发明的方法流程图；
图2是高危因素重要性筛选结果示意图；
图3是出血因素权重示意图；
图4是本发明系统的输入输出流程图；
其中，110为输入变量形成单元，120为输入数据筛选单元，130为风险预测模型单元，140为预测结构输出单元。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例基于胎监宫缩图和高危因素的产后出血风险预测方法，通过建立经阴道分娩产妇信息的数据库，并从中严格筛选出完整的产妇信息进行数据分析，其筛选标准为：纳入医院内所有阴道分娩的孕产妇，产程中至少持续胎监宫缩监护2小时以上，该基于胎监宫缩图和高危因素的产后出血风险预测方法，主要包括以下步骤：
S1、收集医院胎监宫缩图及电子病历系统的数据；
S2、筛选行经阴道分娩的孕产妇，并提取所需患者信息；
S3、应用机器学习方法，建立产妇分娩后24小时内出血风险预测模型；
S4、评估各模型预测价值，选取最优的预测模型。
本实施例中，步骤S1中收集的数据具体包括：医院胎监宫缩数据和电子病历系统的数据；其中，医院胎监宫缩数据，具体形式为一维体表信号；电子病历系统为脱敏后的数据，具体包括对于孕产妇的人口学特征、病史及体格检查结果、实验室检查结果、胎儿超声检查结果、产时情况及分娩结局在院期间出血相关事件和其他所有可获得的患者基线特征。
本实施例中，步骤S1中收集数据的具体过程为：通过根据孕产妇纳入及排除标准，在医院胎监系统及电子病历系统中回顾性收集接受经阴道分娩产妇的信息；其中，
纳入标准包括：纳入医院内所有阴道分娩的孕产妇，产程中持续胎监宫缩监护2小时及以上；
排除标准包括：产时胎监宫缩图描记不连续，或急诊入院，持续胎心宫缩监护时间小于30分钟。
本实施例中，对所有入选患者基线或筛选期回顾性收集包括人口学特征、体征、行为、实验室检查结果、胎儿超声检查结果、合并症、病史、用药、在院期间出血相关事件各项特征在内的所有可获得的脱敏后的孕产妇信息；各项特征包含有经阴道分娩产妇24小时内出血风险预测评分使用的患者特征，以及其他首次用产时宫缩曲线联合临床出血高危因素预测产后出血风险的影响因素。本实施例通过患者诊断、病程、影像学诊断和实验室检查结果回顾性收集产妇产后出血事件相关信息；当患者在分娩后阴道出血大于500ml即认为有出血事件发生；产后出血的最主要原因是子宫收缩乏力，因此，监测分娩时宫缩情况有助于及早发现分娩后子宫收缩异常，任何影响子宫肌纤维收缩或缩复功能的因素，均可以引起子宫收缩乏力性出血，如子宫过度膨胀、巨大儿、羊水过多，产程延长或孕妇合并肥胖、高血压、糖尿病等合并症或并发症，均可导致子宫收缩乏力。
本实施例中，收集数据完成后，从原始数据集中提取对产后出血有影响的特征属性、产后出血标签属性的合理化以及性能评估方法的选择；再进行数据清洗，对数据进行准确有效的分析，在这个阶段必须对不符合常理的情况进行处理；实际上，数据通常是不完整的，包含缺失值、不一致的情况，这样的数据必须经过预处理，恢复数据的完整性和一致性。
本实施例中，步骤S2中提取的患者信息包括胎监信号和胎监信号中相关形态学特征；其中，胎监信号中相关形态学特征包含：宫缩基线、宫缩波、异常宫缩、孕产妇人口学特征、体征、行为、实验室检查结果、胎儿超声检查结果、合并症、病史、入院前长期用药、在院期间治疗和在院期间出血相关事件。
本实施例中，步骤S3中应用的机器学习方法包括逻辑回归LR、支持向量机SVM、多层感知器KNN和随机森林RF算法；对提取出的患者信息，应用包括逻辑回归LR、支持向量机SVM、多层感知器KNN和随机森林RF算法在内的机器学习方法，分别建立以所有患者特征和孕产妇特征预测经阴道分娩后24小时内发生产后出血风险的模型。
本实施例中，步骤S4中选取最优的预测模型通过比对最终产生的各风险预测模型的预测价值，包括AUC、灵敏度、特异度、阳性预测值和阴性预测值，分别选取最优的产后24小时内出血风险预测模型；通过比对最终产生的各风险预测模型的预测价值，包括ROC曲线下面积、灵敏度、特异度、阳性预测值和阴性预测值等，分别选取最优的预测模型，给出产后出血高危因素权重比例、产后出血原因权重比例，如图2、图3所示。
如图4所示，本发明还提出了基于胎监宫缩图和高危因素的产后出血预警系统，包括：
输入变量形成单元110，用于获取产妇人口学资料和产前检查资料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数，且将具有统计学意义的特征变量及产时生理参数共同作为输入变量；
输入数据筛选单元120，用于根据输入变量，从产妇人口学资料、产前检查资料及产时生理参数各自对应的数据中，组合得到具有输入变量的样本数据作为模型输入数据；
风险预测模型单元130，用于基于机器学习法，构建产后出血预测模型；其中，产后出血预测模型以模型输入数据为数据输入，以产后出血风险等级为目标输出；
预测结果输出单元140，用于将模型输入数据导入产后出血预测模型中进行计算，得到最终产后出血风险等级对应的数值。
本实施例中，输入变量形成单元110包括：
第一变量获取模块1101，用于从预设的电子病历系统中，获取产妇人口学资料和产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有统计学意义的特征变量；其中，具有统计学意义的特征变量包括连续性变量和分类变量；连续性变量包括年龄、BMI、孕周、胎盘、羊水、宫腔压力、宫缩持续时间、宫缩频率、胎头大小和宫口扩张；分类变量包括阴道分娩史、剖宫产史、妊娠糖尿病；
第二变量获取模块1102，用于从胎心监护仪数据端口中，获取产时生理参数；其中，产时生理参数包括宫缩频率、宫缩持续时间、宫缩强度、宫腔压力峰值在指定时间内的平均值以及异常宫缩个数；
输入变量组合模块1103，用于将具有统计学意义的特征变量及产时生理参数共同作为输入变量。
本实施例中，风险预测模型单元130中应用的机器学习法包括逻辑回归LR、支持向量机SVM、多层感知器KNN和随机森林RF算法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，包括以下步骤：
S1、收集医院胎监宫缩图及电子病历系统的数据；
S2、筛选行经阴道分娩的孕产妇，并提取所需患者信息；
S3、应用机器学习方法，建立产妇分娩后24小时内出血风险预测模型；
S4、评估各模型预测价值，选取最优的预测模型。
2.根据权利要求1所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，步骤S1中收集的数据具体包括：医院胎监宫缩数据和电子病历系统的数据；其中，医院胎监宫缩数据，具体形式为一维体表信号；电子病历系统为脱敏后的数据，具体包括对于孕产妇的人口学特征、病史及体格检查结果、实验室检查结果、胎儿超声检查结果、产时情况及分娩结局在院期间出血相关事件和其他所有可获得的患者基线特征。
3.根据权利要求2所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，步骤S1中收集数据的具体过程为：通过根据孕产妇纳入及排除标准，在医院胎监系统及电子病历系统中回顾性收集接受经阴道分娩产妇的信息；其中，
纳入标准包括：纳入医院内所有阴道分娩的孕产妇，产程中持续胎监宫缩监护2小时及以上；
排除标准包括：产时胎监宫缩图描记不连续，或急诊入院，持续胎心宫缩监护时间小于30分钟。
4.根据权利要求3所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，对所有入选患者基线或筛选期回顾性收集包括人口学特征、体征、行为、实验室检查结果、胎儿超声检查结果、合并症、病史、用药、在院期间出血相关事件各项特征在内的所有可获得的脱敏后的孕产妇信息；其中，各项特征包含有经阴道分娩产妇24小时内出血风险预测评分使用的患者特征，以及其他首次用产时宫缩曲线联合临床出血高危因素预测产后出血风险的影响因素。
5.根据权利要求4所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，收集数据完成后，从原始数据集中提取对产后出血有影响的特征属性、产后出血标签属性的合理化以及性能评估方法的选择；再进行数据清洗，对数据进行分析。
6.根据权利要求1所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，步骤S2中提取的患者信息包括胎监信号和胎监信号中相关形态学特征；其中，胎监信号中相关形态学特征包含：宫缩基线、宫缩波、异常宫缩、孕产妇人口学特征、体征、行为、实验室检查结果、胎儿超声检查结果、合并症、病史、入院前长期用药、在院期间治疗和在院期间出血相关事件。
7.根据权利要求1所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，步骤S3中应用的机器学习方法包括逻辑回归LR、支持向量机SVM、多层感知器KNN和随机森林RF算法；对提取出的患者信息，应用包括逻辑回归LR、支持向量机SVM、多层感知器KNN和随机森林RF算法在内的机器学习方法，分别建立以所有患者特征和孕产妇特征预测经阴道分娩后24小时内发生产后出血风险的模型。
8.根据权利要求1所述的基于胎监宫缩图和高危因素的产后出血风险预测方法，其特征在于，步骤S4中选取最优的预测模型通过比对最终产生的各风险预测模型的预测价值，包括AUC、灵敏度、特异度、阳性预测值和阴性预测值，分别选取最优的产后24小时内出血风险预测模型；通过比对最终产生的各风险预测模型的预测价值，包括ROC曲线下面积、灵敏度、特异度、阳性预测值和阴性预测值，分别选取最优的预测模型，给出产后出血高危因素权重比例、产后出血原因权重比例。
9.基于胎监宫缩图和高危因素的产后出血预警系统，其特征在于，包括：
输入变量形成单元110，用于获取产妇人口学资料和产前检查资料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数，且将具有统计学意义的特征变量及产时生理参数共同作为输入变量；
输入数据筛选单元120，用于根据输入变量，从产妇人口学资料、产前检查资料及产时生理参数各自对应的数据中，组合得到具有输入变量的样本数据作为模型输入数据；
风险预测模型单元130，用于基于机器学习法，构建产后出血预测模型；其中，产后出血预测模型以模型输入数据为数据输入，以产后出血风险等级为目标输出；
预测结果输出单元140，用于将模型输入数据导入产后出血预测模型中进行计算，得到最终产后出血风险等级对应的数值。
10.根据权利要求9所述的基于胎监宫缩图和高危因素的产后出血预警系统，其特征在于，输入变量形成单元110包括：
第一变量获取模块1101，用于从预设的电子病历系统中，获取产妇人口学资料和产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有统计学意义的特征变量；其中，具有统计学意义的特征变量包括连续性变量和分类变量；连续性变量包括年龄、BMI、孕周、胎盘、羊水、宫腔压力、宫缩持续时间、宫缩频率、胎头大小和宫口扩张；分类变量包括阴道分娩史、剖宫产史、妊娠糖尿病；
第二变量获取模块1102，用于从胎心监护仪数据端口中，获取产时生理参数；其中，产时生理参数包括宫缩频率、宫缩持续时间、宫缩强度、宫腔压力峰值在指定时间内的平均值以及异常宫缩个数；
输入变量组合模块1103，用于将具有统计学意义的特征变量及产时生理参数共同作为输入变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110906875.8A CN113611419A (zh) | 2021-08-09 | 2021-08-09 | 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110906875.8A CN113611419A (zh) | 2021-08-09 | 2021-08-09 | 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113611419A true CN113611419A (zh) | 2021-11-05 |
Family
ID=78339938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110906875.8A Pending CN113611419A (zh) | 2021-08-09 | 2021-08-09 | 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113611419A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758780A (zh) * | 2022-05-07 | 2022-07-15 | 陈艳红 | 产后出血预测方法、装置、终端及存储介质 |
| CN116649923A (zh) * | 2023-05-11 | 2023-08-29 | 东莞市人民医院 | 基于影像组学预测剖宫产术中出血量的方法及相关装置 |
| CN117954102A (zh) * | 2024-03-27 | 2024-04-30 | 北京大学第三医院（北京大学第三临床医学院） | 一种预测单纯宫缩乏力性产后出血的系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2687864C1 (ru) * | 2018-02-21 | 2019-05-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Северо-Осетинская государственная медицинская академия" Министерства здравоохранения Российской Федерации | Способ прогнозирования риска развития послеродовых кровотечений в раннем послеродовом периоде у женщин разных соматотипов |
| CN112365952A (zh) * | 2020-10-16 | 2021-02-12 | 温州医科大学 | 基于机器学习法的产时缩宫素速度智能调控方法及系统 |
| CN112971853A (zh) * | 2021-01-21 | 2021-06-18 | 中山大学附属第一医院 | 一种基于人工智能分析电子胎心监测数据的方法及装置 |
-
2021
- 2021-08-09 CN CN202110906875.8A patent/CN113611419A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2687864C1 (ru) * | 2018-02-21 | 2019-05-16 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Северо-Осетинская государственная медицинская академия" Министерства здравоохранения Российской Федерации | Способ прогнозирования риска развития послеродовых кровотечений в раннем послеродовом периоде у женщин разных соматотипов |
| CN112365952A (zh) * | 2020-10-16 | 2021-02-12 | 温州医科大学 | 基于机器学习法的产时缩宫素速度智能调控方法及系统 |
| CN112971853A (zh) * | 2021-01-21 | 2021-06-18 | 中山大学附属第一医院 | 一种基于人工智能分析电子胎心监测数据的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘莹: "阴道分娩产后出血早期干预方案的构建", 中国优秀硕士学位论文全文数据库医药卫生科技辑, no. 1, 15 January 2018 (2018-01-15), pages 27 * |
| 齐凡: "产后大出血医学预测系统的设计与开发", 中国优秀硕士学位论文全文数据库医药卫生科技辑, no. 6, 5 June 2020 (2020-06-05), pages 1 - 3 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758780A (zh) * | 2022-05-07 | 2022-07-15 | 陈艳红 | 产后出血预测方法、装置、终端及存储介质 |
| CN116649923A (zh) * | 2023-05-11 | 2023-08-29 | 东莞市人民医院 | 基于影像组学预测剖宫产术中出血量的方法及相关装置 |
| CN117954102A (zh) * | 2024-03-27 | 2024-04-30 | 北京大学第三医院（北京大学第三临床医学院） | 一种预测单纯宫缩乏力性产后出血的系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cömert et al. | Prognostic model based on image-based time-frequency features and genetic algorithm for fetal hypoxia assessment | |
| US10987047B2 (en) | System and method for analyzing progress of labor and preterm labor | |
| Jager et al. | Characterization and automatic classification of preterm and term uterine records | |
| CN113611419A (zh) | 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统 | |
| Georgieva et al. | Artificial neural networks applied to fetal monitoring in labour | |
| Guedalia et al. | Real-time data analysis using a machine learning model significantly improves prediction of successful vaginal deliveries | |
| EP3643246B1 (en) | Method for processing ultrasonic image | |
| CN110534184B (zh) | 一种产科手术资源配置预测系统 | |
| Sarno et al. | Use of artificial intelligence in obstetrics: not quite ready for prime time | |
| Baghel et al. | 1D-FHRNet: automatic diagnosis of fetal acidosis from fetal heart rate signals | |
| Spairani et al. | A deep learning mixed-data type approach for the classification of FHR signals | |
| WO2004072822A2 (en) | Quantitative fetal heart rate and cardiotocographic monitoring system and related method thereof | |
| Liang et al. | A CNN-RNN unified framework for intrapartum cardiotocograph classification | |
| Spairani et al. | A novel large structured cardiotocographic database | |
| Almeida et al. | Electrohysterography extracted features dependency on anthropometric and pregnancy factors | |
| Medjedovic et al. | Artificial intelligence as a new answer to old challenges in maternal-fetal medicine and obstetrics | |
| CN113052205B (zh) | 基于机器学习的产妇数据分类方法、装置、设备及介质 | |
| CN114159039A (zh) | 一种智能产前胎心监护模型 | |
| Kuo et al. | Combination of xgboost analysis and rule-based method for intrapartum cardiotocograph classification | |
| Fergus et al. | Prediction of intrapartum hypoxia from cardiotocography data using machine learning | |
| Xin et al. | Early Warning Model of Placenta Accreta Spectrum Disorders Complicated with Cervical Implantation: A Single‐Center Retrospective Study | |
| Bahar et al. | Model Structure of Fetal Health Status Prediction | |
| Gorthi et al. | Automated risk assessment tool for pregnancy care | |
| KR20190119198A (ko) | 인공 지능을 이용하여 태아의 심박동을 모니터링하는 방법 | |
| de Vries et al. | Contrastive predictive coding for anomaly detection of fetal health from the cardiotocogram |
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 |