CN113744832A - 连续性肾脏替代治疗智慧决策及质量控制系统 - Google Patents
连续性肾脏替代治疗智慧决策及质量控制系统 Download PDFInfo
- Publication number
- CN113744832A CN113744832A CN202111037423.7A CN202111037423A CN113744832A CN 113744832 A CN113744832 A CN 113744832A CN 202111037423 A CN202111037423 A CN 202111037423A CN 113744832 A CN113744832 A CN 113744832A
- Authority
- CN
- China
- Prior art keywords
- crrt
- model
- variables
- mode
- duration
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 10
- 238000012959 renal replacement therapy Methods 0.000 title claims abstract description 7
- 238000011282 treatment Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 24
- 201000011040 acute kidney failure Diseases 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000000108 ultra-filtration Methods 0.000 claims description 60
- 230000010100 anticoagulation Effects 0.000 claims description 51
- 239000008280 blood Substances 0.000 claims description 41
- 210000004369 blood Anatomy 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 21
- 206010061218 Inflammation Diseases 0.000 claims description 18
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 18
- 230000004054 inflammatory process Effects 0.000 claims description 18
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 18
- 230000004060 metabolic process Effects 0.000 claims description 18
- 210000000056 organ Anatomy 0.000 claims description 18
- 239000007788 liquid Substances 0.000 claims description 14
- 208000007536 Thrombosis Diseases 0.000 claims description 12
- 239000002934 diuretic Substances 0.000 claims description 12
- 230000001882 diuretic effect Effects 0.000 claims description 12
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 229910052700 potassium Inorganic materials 0.000 claims description 10
- 239000011591 potassium Substances 0.000 claims description 10
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 claims description 9
- 229940109239 creatinine Drugs 0.000 claims description 9
- 239000004310 lactic acid Substances 0.000 claims description 9
- 235000014655 lactic acid Nutrition 0.000 claims description 9
- 239000012528 membrane Substances 0.000 claims description 9
- 230000035487 diastolic blood pressure Effects 0.000 claims description 8
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims description 7
- 230000000740 bleeding effect Effects 0.000 claims description 7
- 238000011974 continuous veno-venous hemodialysis Methods 0.000 claims description 7
- 229940083542 sodium Drugs 0.000 claims description 7
- 229910052708 sodium Inorganic materials 0.000 claims description 7
- 239000011734 sodium Substances 0.000 claims description 7
- 239000003154 D dimer Substances 0.000 claims description 6
- 108010049003 Fibrinogen Proteins 0.000 claims description 6
- 102000008946 Fibrinogen Human genes 0.000 claims description 6
- HTTJABKRGRZYRN-UHFFFAOYSA-N Heparin Chemical compound OC1C(NC(=O)C)C(O)OC(COS(O)(=O)=O)C1OC1C(OS(O)(=O)=O)C(O)C(OC2C(C(OS(O)(=O)=O)C(OC3C(C(O)C(O)C(O3)C(O)=O)OS(O)(=O)=O)C(CO)O2)NS(O)(=O)=O)C(C(O)=O)O1 HTTJABKRGRZYRN-UHFFFAOYSA-N 0.000 claims description 6
- 206010030113 Oedema Diseases 0.000 claims description 6
- 108010094028 Prothrombin Proteins 0.000 claims description 6
- 102100027378 Prothrombin Human genes 0.000 claims description 6
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 6
- 230000004872 arterial blood pressure Effects 0.000 claims description 6
- 239000004202 carbamide Substances 0.000 claims description 6
- 229940012952 fibrinogen Drugs 0.000 claims description 6
- 230000024924 glomerular filtration Effects 0.000 claims description 6
- 229960002897 heparin Drugs 0.000 claims description 6
- 229920000669 heparin Polymers 0.000 claims description 6
- 210000004072 lung Anatomy 0.000 claims description 6
- 238000005399 mechanical ventilation Methods 0.000 claims description 6
- 229940039716 prothrombin Drugs 0.000 claims description 6
- 230000035488 systolic blood pressure Effects 0.000 claims description 6
- 210000002700 urine Anatomy 0.000 claims description 6
- 210000001631 vena cava inferior Anatomy 0.000 claims description 6
- 238000011973 continuous veno-venous hemofiltration Methods 0.000 claims description 5
- 230000002503 metabolic effect Effects 0.000 claims description 5
- 210000001835 viscera Anatomy 0.000 claims description 5
- 229940079593 drug Drugs 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 238000011221 initial treatment Methods 0.000 claims description 4
- 206010020772 Hypertension Diseases 0.000 claims description 3
- KXNPVXPOPUZYGB-XYVMCAHJSA-N argatroban Chemical compound OC(=O)[C@H]1C[C@H](C)CCN1C(=O)[C@H](CCCN=C(N)N)NS(=O)(=O)C1=CC=CC2=C1NC[C@H](C)C2 KXNPVXPOPUZYGB-XYVMCAHJSA-N 0.000 claims description 3
- 229960003856 argatroban Drugs 0.000 claims description 3
- 229960004106 citric acid Drugs 0.000 claims description 3
- 208000029078 coronary artery disease Diseases 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 229960003661 fondaparinux sodium Drugs 0.000 claims description 3
- XEKSTYNIJLDDAZ-JASSWCPGSA-F fondaparinux sodium Chemical compound [Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].O[C@@H]1[C@@H](NS([O-])(=O)=O)[C@@H](OC)O[C@H](COS([O-])(=O)=O)[C@H]1O[C@H]1[C@H](OS([O-])(=O)=O)[C@@H](O)[C@H](O[C@@H]2[C@@H]([C@@H](OS([O-])(=O)=O)[C@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O[C@@H]4[C@@H]([C@@H](O)[C@H](O)[C@@H](COS([O-])(=O)=O)O4)NS([O-])(=O)=O)[C@H](O3)C(O)=O)O)[C@@H](COS([O-])(=O)=O)O2)NS([O-])(=O)=O)[C@H](C(O)=O)O1 XEKSTYNIJLDDAZ-JASSWCPGSA-F 0.000 claims description 3
- 239000003055 low molecular weight heparin Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 229950009865 nafamostat Drugs 0.000 claims description 3
- MQQNFDZXWVTQEH-UHFFFAOYSA-N nafamostat Chemical compound C1=CC(N=C(N)N)=CC=C1C(=O)OC1=CC=C(C=C(C=C2)C(N)=N)C2=C1 MQQNFDZXWVTQEH-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000003734 kidney Anatomy 0.000 claims 1
- 238000009256 replacement therapy Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 208000005189 Embolism Diseases 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000010444 Acidosis Diseases 0.000 description 1
- 208000009304 Acute Kidney Injury Diseases 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 206010016803 Fluid overload Diseases 0.000 description 1
- 241000288113 Gallirallus australis Species 0.000 description 1
- 206010027417 Metabolic acidosis Diseases 0.000 description 1
- 208000033626 Renal failure acute Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000015294 blood coagulation disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 108010052295 fibrin fragment D Proteins 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000018406 regulation of metabolic process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000002792 vascular 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Bioethics (AREA)
- External Artificial Organs (AREA)
Abstract
本发明涉及一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，包括CRRT临床决策模型、MOVIE指标跟踪单元以及CRRT处方调整单元。本发明获得了影响CRRT的具体特征变量，基于该特征变量采用人工智能算法建立了CRRT临床决策模型，该CRRT临床决策模型基于患者的数据输出与该患者相适应的且根据历史数据判断较具有疗效的初始CRRT治疗方案。本发明解决了以往CRRT治疗方案的制定依赖医生的临床经验的问题，并也克服了以往CRRT治疗方案在整个治疗过程中一成不变，导致影响治疗效果的问题。本发明将有助于缓解医生短缺、诊治水平参差不齐、对CRRT应用缺乏信心等现实情况，提升管理危重AKI患者的能力。
Description
技术领域
本发明涉及一种用于生成连续性肾脏替代治疗(continuous renal replacementtherapy，以下简称CRRT)初步治疗方案并对治疗方案进行优化调整的系统。
背景技术
急性肾损伤(以下简称AKI)是住院患者的重要并发症，发病率波动于30％～40％，CRRT是救治危重AKI的重要手段。以往进行CRRT治疗的危重AKI患者，不仅死亡率高达50％～80％，存活下来的患者的住院费用及远期发展为慢性肾脏病的治疗费用给家庭和社会都带来极大的经济负担。
临床实践中有许多种CRRT处方模式，包括CVVH、CVVHD、CVVHDF、UF等，“持续”的时间也长短不一，短至8～10小时，长至1～2周。然而对于CRRT的处方的选择，通常面临几大问题：①现有CRRT处方名目繁多，由不同地区不同科室的医生基于自身经验开具，缺乏循证依据和统一标准。由于不同CRRT处方模式的效果不一，并且往往存在治疗矛盾，因此临床医生时常难以选择。如对于合并多脏器功能不全，或因感染、休克等因素导致的全身代谢明显增强，或容量过负荷需要连续清除水分的AKI患者，医生可能倾向于采用长时间的连续性CRRT，但相应的副反应也多，包括营养物质丢失、肝素用量大、凝血功能紊乱、管路反复凝血导致无法真正“持续”、发生出血事件迫使抗凝治疗中断、代谢难以调控、患者活动受限、费用昂贵等。②以往CRRT处方一旦制定，治疗开始后很少更改，然而危重AKI患者的病情千变万化，CRRT处方常滞后于病情需要。在治疗过程中，不同CRRT模式对电解质及酸碱浓度的影响不同，如CVVHDF更容易使钠、钾等浓度达到正常范围，而CVVH更容易提升碳酸氢根浓度、改善代谢性酸中毒，UF由于仅超滤水分，不清除溶质，因此几乎不影响血流动力学。应根据需要酌情选择。③我国CRRT应用发展迅速，但迄今仍未建立CRRT质量评价及控制的完整体系，更没有纳入现代先进的基于机器学习的循证决策系统。CRRT的医疗质量是国际公认的重要问题，国外数据显示，英国大约1/3的CRRT治疗剂量不达标，目前尚缺乏基于我国人群的CRRT质量控制相关的循证医学证据。我国虽然已有《血液净化标准操作规程》、《ICU血液净化应用指南》等，但内容多限于对硬件设备和技术能力的结构性指标。CRRT的治疗效果除了涉及时机、剂量、模式等多项因素，在实施CRRT的过程中，血管通路、抗凝方法、滤器类型多种因素也显著影响其质量。因此急需完善标准化治疗流程、资质认证等质量控制体系相关内容。
发明内容
本发明的目的是：提供一种用于智能生成CRRT初步治疗方案并对治疗方案进行优化调整的系统。
为了达到上述目的，本发明技术方案是提供了一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，包括CRRT临床决策模型、MOVIE指标跟踪单元以及CRRT处方调整单元，其中：
CRRT临床决策模型的输入特征变量包括基本人口学类变量、既往病史类变量、代谢类变量、脏器类变量、容量平衡类变量、免疫炎症类变量以及血栓事件类变量，其中：
基本人口学类变量进一步包括年龄、性别、身高、体重；
既往病史类变量进一步包括糖尿病、高血压、冠心病、AKI病因；
代谢类变量进一步包括血尿素、血肌酐、肾小球滤过率、血钾、血钠、血PH值、BE、乳酸；
脏器类变量进一步包括APACHE II评分、SOFA评分、是否机械通气、收缩压、舒张压、中心静脉压、升压药类型、升压药剂量、利尿剂类型、利尿剂剂量、EF值、下腔静脉宽度；
容量平衡类变量进一步包括入液量、出液量、目前尿量、是否水肿、肺渗出量；
免疫炎症类变量进一步包括WBC、N％、CRP、PCT；
血栓事件类变量进一步包括PT、APTT、INR、纤维蛋白原、D二聚体、Hb、Plt、ACT、出血部位；
CRRT临床决策模型的输出目标变量为CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和CRRT抗凝方式，其中：
CRRT模式指根据患者代谢、脏器支持和免疫炎症情况，明确溶质清除的目标，其类型为分类变量，分类类别包括CVVH、CVVHD、CVVHDF、HCO膜、Oxiris膜、PE、DFPP、DPMAS、HP、免疫吸附；
CRRT持续时间指根据患者脏器支持、代谢情况及容量平衡明确的CRRT治疗的持续时间，其类型为离散变量；
CRRT剂量指根据患者代谢、脏器支持和免疫炎症情况计算得到的CRRT治疗总剂量，其类型为离散变量；
CRRT超滤率指以脏器支持及容量平衡为目的调整的CRRT治疗超滤率，其类型为离散变量；
CRRT抗凝方式指根据患者血栓事件情况选择的抗凝方式，其类型为分类变量，分类类别包括无肝素、普通肝素、低分子肝素、磺达肝葵钠、枸橼酸、阿加曲班、甲磺酸萘莫司他；
在CRRT临床决策模型中，针对CRRT持续时间、CRRT剂量及CRRT超滤率，采用XGBoost算法分别构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型；
将实时获得的当前病患的输入特征变量输入CRRT临床决策模型后，基于CRRT临床决策模型输出的CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和CRRT抗凝方式生成CRRT初步治疗方案；
在CRRT治疗过程中，MOVIE指标跟踪单元每隔一固定周期T对病患的MOVIE指标进行跟踪，MOVIE指标包括代谢类指标、脏器类指标、容量平衡类指标、免疫炎症类指标以及血栓事件类指标，其中：
代谢类指标进一步包括血尿素、血肌酐、肾小球滤过率、血钾、血钠、血PH值、BE、乳酸；
脏器类指标进一步包括APACHE II评分、SOFA评分、是否机械通气、收缩压、舒张压、中心静脉压、升压药类型、升压药剂量、利尿剂类型、利尿剂剂量、EF值、下腔静脉宽度；
容量平衡类指标进一步包括入液量、出液量、目前尿量、是否水肿、肺渗出量；
免疫炎症类指标进一步包括WBC、N％、CRP、PCT；
血栓事件类指标进一步包括PT、APTT、INR、纤维蛋白原、D二聚体、Hb、Plt、ACT、出血部位；
CRRT处方调整单元每隔一固定周期T根据MOVIE指标跟踪单元获得的数据判断CRRT初步治疗方案是否需要调整，若需要调整，则对CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和/或CRRT抗凝方式进行调整。
优选地，在构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型前，基于历史数据采用GLASSO方法对所有输入特征变量进行精简，从中筛选出：适合于进行CRRT模式预测的输入特征变量构成CRRT模式最佳特征子集；适合于进行CRRT抗凝预测的输入特征变量构成CRRT抗凝最佳特征子集；基于CRRT模式最佳特征子集及CRRT抗凝最佳特征子集分别构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型。
优选地，在构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型前，基于历史数据采用Filter方法和Wrapper方法对对52个输入特征变量进行精简，从中筛选出：适合于进行CRRT持续时间预测的输入特征变量构成CRRT持续时间最佳特征子集；适合于进行CRRT剂量预测的输入特征变量构成CRRT剂量最佳特征子集；适合于进行CRRT超滤率预测的输入特征变量构成CRRT超滤率最佳特征子集。基于CRRT持续时间最佳特征子集、CRRT剂量最佳特征子集及CRRT超滤率最佳特征子集分别构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型。
优选地，在CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型中，设XGBoost有K个学习机构成，则CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型输出
表示为：
式中，X为CRRT持续时间最佳特征子集、CRRT剂量最佳特征子集或CRRT超滤率最佳特征子集，fk()为第k个学习机构的模型函数；
CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型的目标函数Obj(θ)表示为：
式中，θ＝(f1,f2,f3,…,fK)为模型参数；L(θ)为模型在训练集上的损失，用于衡量模型对于训练集的符合程度；Ω(θ)为正则项，用于表示模型的复杂度；n表示训练集的大小；yi为训练集中第i个样本的标准输出，
训练集中第i个样本的模型输出，l()为损失函数；fk为表示第k棵树的预测值，Ω(fk)为fk的罚项。
优选地，在CRRT模式贝叶斯网络模型或在CRRT抗凝方式贝叶斯网络模型中，作为输出目标变量的CRRT模式或CRRT抗凝方式的条件概率分布公式P(X1,…,Xn)因式分解为：
式中，X1,…,Xn是贝叶斯网络中的全部变量的集合，Xi为第i个变量；P(X1,…,Xn)是贝叶斯网络的总体概率分布，P(X1,…,Xn)可划分多个变量Xi的条件概率分布P(Xi|π(Xi))，π(Xi)是变量Xi的父节点集合，给定π(Xi)的值，Xi与{X1,X2,…,Xi}中的其它变量条件独立；P(Xn|X1,X2,…,Xn-1)＝P(Xn,X1,X2,…,Xn-1)/P(X1,X2,…,Xn-1)，P(Xn|X1,X2,…,Xn-1)是基于已知特征变量集合{X1,X2,…,Xn-1}计算得到的目标变量Xn的条件概率，P(Xn,X1,X2,…,Xn-1)是已知特征变量X1,X2,…,Xn-1和目标变量Xn同时发生的概率，P(X1,X2,…,Xn-1)是已知特征变量X1,X2,…,Xn-1发生的概率。
优选地，所述CRRT处方调整单元每隔一固定周期T根据MOVIE指标跟踪单元获得的数据判断CRRT初步治疗方案是否需要调整，若需要调整，则采用以下方法对CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和/或CRRT抗凝方式进行调整：
若血肌酐>正常值2倍以上，或血钾>正常值，或血PH值<7.35，或乳酸>正常值3倍以上，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，加大CRRT剂量或将CRRT模式更改为CVVHD或CVVHDF模式。
CRRT处方调整单元计算平均动脉压，平均动脉压＝舒张压+1/3(收缩压-舒张压)，若平均动脉压<65mmHg，或CRRT处方调整单元通过升压药类型判断使用3种及以上升压药，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT持续时间；
若免疫炎症类指标中的任意一个指标>正常值5倍以上，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT剂量，或将CRRT模式改为改为Oxiris膜；
CRRT处方调整单元计算容量百分比，容量百分比＝(入液量-出液量)/体重*100％，若容量百分比>5％，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT超滤率；
若凝血酶原时间PT>正常值2倍以上，或活化部分凝血酶原时间APTT>正常值3倍以上，或INR>3，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，将CRRT抗凝方式调整为与当前不同的值。
本发明基于对历史数据的分析，获得了影响CRRT的具体特征变量，基于该特征变量采用人工智能算法建立了CRRT临床决策模型，该CRRT临床决策模型基于患者的数据输出与该患者相适应的且根据历史数据判断较具有疗效的初始CRRT治疗方案。并且在治疗过程中，本发明还以固定周期T实时获得患者的MOVIE指标，并基于MOVIE指标以固定周期T对CRRT治疗方案进行调整。本发明解决了以往CRRT治疗方案的制定依赖医生的临床经验的问题，并也克服了以往CRRT治疗方案在整个治疗过程中一成不变，导致影响治疗效果的问题。将本发明提供的系统应用于基层，将有助于缓解基层医生短缺、诊治水平参差不齐、对CRRT应用缺乏信心等现实情况，提升管理危重AKI患者的能力。
附图说明
图1为本发明的应用原理示意图。
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。
本实施例使用贝叶斯网络和XGBoost等机器学习算法构建CRRT临床决策模型，对CRRT过程中的核心指标(CRRT模式、时间、剂量、超滤率和抗凝)进行有效预测。基于预测结果，开发以“MOVIE”(Metabolism、Organ、Volume、Inflammation、Embolism，即指代谢、脏器支持、容量平衡、免疫炎症、血栓事件)为核心的CRRT评估和调整体系。该体系可以在患者的临床实际情况外，给予医生更多的真实世界研究证据，辅助给予合理的处方，从而实现提高CRRT的质量和改善患者生存预后的目标。
具体而言，本发明提供的一种连续性肾脏替代治疗智慧决策及质量控制系统包括CRRT临床决策模型、MOVIE指标跟踪单元以及CRRT处方调整单元，具体包括以下内容：
一)CRRT临床决策模型
CRRT临床决策模型有52个输入特征变量，包括基本人口学类变量、既往病史类变量、Metabolism类变量、Organ类变量、Volume类变量、Inflammation类变量以及Embolism类变量。基本人口学类变量进一步包括年龄、性别、身高、体重。既往病史类变量进一步包括糖尿病、高血压、冠心病、AKI病因。Metabolism类变量进一步包括血尿素、血肌酐、肾小球滤过率、血钾、血钠、血PH值、BE、乳酸。Organ类变量进一步包括APACHE II评分、SOFA评分、是否机械通气、收缩压、舒张压、中心静脉压、升压药类型、升压药剂量、利尿剂类型、利尿剂剂量、EF值、下腔静脉宽度。Volume类变量进一步包括入液量、出液量、目前尿量、是否水肿、肺渗出量。Inflammation类变量进一步包括WBC、N％、CRP、PCT。Embolism类变量进一步包括PT、APTT、INR、纤维蛋白原、D二聚体、Hb、Plt、ACT、出血部位。
CRRT临床决策模型的输出目标变量为CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和CRRT抗凝方式，其中：
CRRT模式指根据患者代谢、脏器支持和免疫炎症情况，明确溶质清除的目标，其类型为分类变量，分类类别包括CVVH、CVVHD、CVVHDF、HCO膜、Oxiris膜、PE、DFPP、DPMAS、HP、免疫吸附；
CRRT持续时间指根据患者脏器支持、代谢情况及容量平衡明确的CRRT治疗的持续时间，其类型为离散变量；
CRRT剂量指根据患者代谢、脏器支持和免疫炎症情况计算得到的CRRT治疗总剂量，其类型为离散变量；
CRRT超滤率指以脏器支持及容量平衡为目的调整的CRRT治疗超滤率，其类型为离散变量；
CRRT抗凝方式指根据患者血栓事件情况选择的抗凝方式，其类型为分类变量，分类类别包括无肝素、普通肝素、低分子肝素、磺达肝葵钠、枸橼酸、阿加曲班、甲磺酸萘莫司他。
CRRT临床决策模型的模型平台利用eclipse平台，数据模型用Linux的R和java的weka构建。在CRRT临床决策模型中，针对CRRT模式及CRRT抗凝方式这两个分类变量利用贝叶斯网络分别构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型。
由于系统涉及的输入特征变量较多，为避免高维的维度灾难问题，降低学习难度，在构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型前，基于历史数据采用GLASSO方法对52个输入特征变量进行精简，从中筛选出：适合于进行CRRT模式预测的输入特征变量构成CRRT模式最佳特征子集；适合于进行CRRT抗凝预测的输入特征变量构成CRRT抗凝最佳特征子集。基于CRRT模式最佳特征子集及CRRT抗凝最佳特征子集分别构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型。
在CRRT模式贝叶斯网络模型或在CRRT抗凝方式贝叶斯网络模型中，作为输出目标变量的CRRT模式或CRRT抗凝方式的条件概率分布公式P(X1,…,Xn)可因式分解为：
式中，X1,…,Xn是贝叶斯网络中的全部变量的集合，Xi为第i个变量；P(X1,…,Xn)是贝叶斯网络的总体概率分布，其可以划分多个变量Xi的条件概率分布P(Xi|π(Xi))，π(Xi)是变量Xi的父节点集合。给定π(Xi)的值，Xi与{X1,X2,…,Xi}中的其它变量条件独立。基于该贝叶斯网络，基于已知特征变量集合{X1,X2,…,Xi}可以计算目标变量Y的条件概率P(Y|X1,X2,…,Xi)，即P(Y|X1,X2,…,Xi)＝P(Y,X1,X2,…,Xi)/P(X1,X2,…,Xi)，P(Y,X1,X2,…,Xi)是已知特征变量X1,…,Xi和目标变量Y同时发生的概率，P(X1,X2,…,Xi)为已知特征变量发生的概率。
在构建CRRT模式贝叶斯网络模型及CRRT抗凝方式贝叶斯网络模型时，第一阶段分别采用性能较好的Fast.iamb、Inter.iamb算法确定网络框架，第二阶段采用全局禁忌搜索算法确定网络边的方向，建立Fast.iamb-Tabu、Inter.iamb-Tabu两种混合算法。
在CRRT临床决策模型中，针对CRRT持续时间、CRRT剂量及CRRT超滤率这三个离散目标变量，采用XGBoost算法分别构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型。
在构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型前，基于历史数据采用Filter方法和Wrapper方法对对52个输入特征变量进行精简，从中筛选出：适合于进行CRRT持续时间预测的输入特征变量构成CRRT持续时间最佳特征子集；适合于进行CRRT剂量预测的输入特征变量构成CRRT剂量最佳特征子集；适合于进行CRRT超滤率预测的输入特征变量构成CRRT超滤率最佳特征子集。基于CRRT持续时间最佳特征子集、CRRT剂量最佳特征子集及CRRT超滤率最佳特征子集分别构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型。
在CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型中，设XGBoost有K个学习机构成，则CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型输出
表示为：
式中，X为CRRT持续时间最佳特征子集、CRRT剂量最佳特征子集或CRRT超滤率最佳特征子集，fk()为第k个学习机构的模型函数。
CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型的目标函数Obj(θ)表示为：
式中，θ＝(f1,f2,f3,…,fK)为模型参数；L(θ)为模型在训练集上的损失，用于衡量模型对于训练集的符合程度；Ω(θ)为正则项，用于表示模型的复杂度；n表示训练集的大小；yi为训练集中第i个样本的标准输出，
训练集中第i个样本的模型输出，l()为损失函数；fk为表示第k棵树的预测值，Ω(fk)为fk的罚项。
CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型的建模参数选择如下：最大树深度为6，学习速率为0.3，CPU线程为2，迭代次数为100次，构建最大树的数目为100棵。模型对种树的数量逐步绘制错误率，通常决定构建树的最佳数目，即第50棵树后，错误率不再进一步减少，停止迭代。
本实施例中，采用以下方式构造用于上述CRRT临床决策模型训练的训练集：
系统性地采集复旦大学附属中山医院近十年院内AKI-CRRT治疗成功的患者临床信息构建指标库，指标库包括了52个输入特征变量以及5个输出目标变量的数据。对于指标库内的数据采用删除、空置和多重插补等方法对缺失值和异常值进行处理，随后对数据进行归一化处理。归一化处理时，采用反正切函数转换、z-score标准化等方法，消除数量级大小和量纲对结果的影响。
利用训练集对CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型训练前，考虑到该离散变量存在分布不均衡的情况，在采用SMOTE技术通过在同类样本间进行线性插值基于现有的训练集生成新的训练集对CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型进行训练。
在完成CRRT临床决策模型的训练后，采用验证集数据对模型的预测结果进行外部验证，以明确决策模型临床推广的适宜性。对于CRRT模式贝叶斯网络模型及CRRT抗凝方式贝叶斯网络模型，主要采用混淆矩阵和受试工作者特征(ROC)曲线方法进行评估，评价指标包括准确度、精确度、召回率、F-measure值。多分类下的ROC曲线的AUC值可分为微观平均AUC值和和宏观平均AUC值。对于CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型的评估主要从一致性和准确性两个方面进行，一致性包括模型预测平均绝对误差(MAE)和95％一致性界限，准确性评估主要采用误差中位数、误差百分比和符合率等。
将实时获得的当前病患的52个输入特征变量输入CRRT临床决策模型后，基于CRRT临床决策模型输出的CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和CRRT抗凝方式生成CRRT初步治疗方案。
二)MOVIE指标跟踪单元
在CRRT治疗过程中，MOVIE指标跟踪单元每8小时对病患的MOVIE指标进行跟踪，MOVIE指标包括Metabolism类指标、Organ类指标、Volume类指标、Inflammation类指标以及Embolism类指标。Metabolism类指标进一步包括血尿素、血肌酐、肾小球滤过率、血钾、血钠、血PH值、BE、乳酸。Organ类指标进一步包括APACHE II评分、SOFA评分、是否机械通气、收缩压、舒张压、中心静脉压、升压药类型、升压药剂量、利尿剂类型、利尿剂剂量、EF值、下腔静脉宽度。Volume类指标进一步包括入液量、出液量、PFO、目前尿量、是否水肿、肺渗出量。Inflammation类指标进一步包括WBC、N％、CRP、PCT。Embolism类指标进一步包括PT、APTT、INR、纤维蛋白原、D二聚体、Hb、Plt、ACT、出血部位。
三)CRRT处方调整单元
CRRT处方调整单元每8小时根据MOVIE指标跟踪单元获得的数据判断CRRT初步治疗方案是否需要调整，若需要调整，则对CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和/或CRRT抗凝方式进行调整。
若血肌酐>正常值2倍以上，或血钾>正常值(5.5mmol/L)，或血PH值<7.35，或乳酸>正常值3倍以上，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，加大CRRT剂量(可以以预先设定的步长增加)或将CRRT模式更改为CVVHD或CVVHDF模式。
CRRT处方调整单元计算平均动脉压，平均动脉压＝舒张压+1/3(收缩压-舒张压)，若平均动脉压<65mmHg，或CRRT处方调整单元通过升压药类型判断使用3种及以上升压药，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT持续时间。
若Inflammation类指标中的任意一个指标>正常值5倍以上，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT剂量，或将CRRT模式改为改为Oxiris膜，以清除炎症因子。
CRRT处方调整单元计算容量百分比，容量百分比＝(入液量-出液量)/体重*100％，若容量百分比>5％，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT超滤率。
若凝血酶原时间PT>正常值2倍以上，或活化部分凝血酶原时间APTT>正常值3倍以上，或INR>3，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，将CRRT抗凝方式调整为与当前不同的值。
Claims (6)
1.一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，包括CRRT临床决策模型、MOVIE指标跟踪单元以及CRRT处方调整单元，其中：
CRRT临床决策模型的输入特征变量包括基本人口学类变量、既往病史类变量、代谢类变量、脏器类变量、容量平衡类变量、免疫炎症类变量以及血栓事件类变量，其中：
基本人口学类变量进一步包括年龄、性别、身高、体重；
既往病史类变量进一步包括糖尿病、高血压、冠心病、AKI病因；
代谢类变量进一步包括血尿素、血肌酐、肾小球滤过率、血钾、血钠、血PH值、BE、乳酸；
脏器类变量进一步包括APACHE II评分、SOFA评分、是否机械通气、收缩压、舒张压、中心静脉压、升压药类型、升压药剂量、利尿剂类型、利尿剂剂量、EF值、下腔静脉宽度；
容量平衡类变量进一步包括入液量、出液量、PFO、目前尿量、是否水肿、肺渗出量；
免疫炎症类变量进一步包括WBC、N％、CRP、PCT；
血栓事件类变量进一步包括PT、APTT、INR、纤维蛋白原、D二聚体、Hb、Plt、ACT、出血部位；
CRRT临床决策模型的输出目标变量为CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和CRRT抗凝方式，其中：
CRRT模式指根据患者代谢、脏器支持和免疫炎症情况，明确溶质清除的目标，其类型为分类变量，分类类别包括CVVH、CVVHD、CVVHDF、HCO膜、Oxiris膜、PE、DFPP、DPMAS、HP、免疫吸附；
CRRT持续时间指根据患者脏器支持、代谢情况及容量平衡明确的CRRT治疗的持续时间，其类型为离散变量；
CRRT剂量指根据患者代谢、脏器支持和免疫炎症情况计算得到的CRRT治疗总剂量，其类型为离散变量；
CRRT超滤率指以脏器支持及容量平衡为目的调整的CRRT治疗超滤率，其类型为离散变量；
CRRT抗凝方式指根据患者血栓事件情况选择的抗凝方式，其类型为分类变量，分类类别包括无肝素、普通肝素、低分子肝素、磺达肝葵钠、枸橼酸、阿加曲班、甲磺酸萘莫司他；
在CRRT临床决策模型中，针对CRRT持续时间、CRRT剂量及CRRT超滤率，采用XGBoost算法分别构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型；
将实时获得的当前病患的输入特征变量输入CRRT临床决策模型后，基于CRRT临床决策模型输出的CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和CRRT抗凝方式生成CRRT初步治疗方案；
在CRRT治疗过程中，MOVIE指标跟踪单元每隔一固定周期T对病患的MOVIE指标进行跟踪，MOVIE指标包括代谢类指标、脏器类指标、容量平衡类指标、免疫炎症类指标以及血栓事件类指标，其中：
代谢类指标进一步包括血尿素、血肌酐、肾小球滤过率、血钾、血钠、血PH值、BE、乳酸；
脏器类指标进一步包括APACHE II评分、SOFA评分、是否机械通气、收缩压、舒张压、中心静脉压、升压药类型、升压药剂量、利尿剂类型、利尿剂剂量、EF值、下腔静脉宽度；
容量平衡类指标进一步包括入液量、出液量、PFO、目前尿量、是否水肿、肺渗出量；
免疫炎症类指标进一步包括WBC、N％、CRP、PCT；
血栓事件类指标进一步包括PT、APTT、INR、纤维蛋白原、D二聚体、Hb、Plt、ACT、出血部位；
CRRT处方调整单元每隔一固定周期T根据MOVIE指标跟踪单元获得的数据判断CRRT初步治疗方案是否需要调整，若需要调整，则对CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和/或CRRT抗凝方式进行调整。
2.如权利要求1所述的一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，在构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型前，基于历史数据采用GLASSO方法对所有输入特征变量进行精简，从中筛选出：适合于进行CRRT模式预测的输入特征变量构成CRRT模式最佳特征子集；适合于进行CRRT抗凝预测的输入特征变量构成CRRT抗凝最佳特征子集；基于CRRT模式最佳特征子集及CRRT抗凝最佳特征子集分别构建CRRT模式贝叶斯网络模型以及CRRT抗凝方式贝叶斯网络模型。
3.如权利要求1所述的一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，在构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型前，基于历史数据采用Filter方法和Wrapper方法对对52个输入特征变量进行精简，从中筛选出：适合于进行CRRT持续时间预测的输入特征变量构成CRRT持续时间最佳特征子集；适合于进行CRRT剂量预测的输入特征变量构成CRRT剂量最佳特征子集；适合于进行CRRT超滤率预测的输入特征变量构成CRRT超滤率最佳特征子集。基于CRRT持续时间最佳特征子集、CRRT剂量最佳特征子集及CRRT超滤率最佳特征子集分别构建CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型和CRRT超滤率XGBoost模型。
4.如权利要求1所述的一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，在CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型中，设XGBoost有K个学习机构成，则CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型输出
表示为：
式中，X为CRRT持续时间最佳特征子集、CRRT剂量最佳特征子集或CRRT超滤率最佳特征子集，fk()为第k个学习机构的模型函数；
CRRT持续时间XGBoost模型、CRRT剂量XGBoost模型或CRRT超滤率XGBoost模型的目标函数Obj(θ)表示为：
式中，θ＝(f1，f2，f3，...，fK)为模型参数；L(θ)为模型在训练集上的损失，用于衡量模型对于训练集的符合程度；Ω(θ)为正则项，用于表示模型的复杂度；n表示训练集的大小；yi为训练集中第i个样本的标准输出，
训练集中第i个样本的模型输出，l()为损失函数；fk为表示第k棵树的预测值，Ω(fk)为fk的罚项。
5.如权利要求1所述的一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，在CRRT模式贝叶斯网络模型或在CRRT抗凝方式贝叶斯网络模型中，作为输出目标变量的CRRT模式或CRRT抗凝方式的条件概率分布公式P(X1，...，Xn)因式分解为：
式中，X1，...，Xn是贝叶斯网络中的全部变量的集合，Xi为第i个变量；P(X1，...，Xn)是贝叶斯网络的总体概率分布，P(X1，...，Xn)可划分多个变量Xi的条件概率分布P(Xi|π(Xi))，π(Xi)是变量Xi的父节点集合，给定π(Xi)的值，Xi与{X1，X2，...，Xi}中的其它变量条件独立；P(Xn|X1，X2，...，Xn-1)＝P(Xn，X1，X2，...，Xn-1)/P(X1，X2，...，Xn-1)，P(Xn|X1，X2，...，Xn-1)是基于已知特征变量集合{X1，X2，...，Xn-1}计算得到的目标变量Xn的条件概率，P(Xn，X1，X2，...，Xn-1)是已知特征变量X1，X2，...，Xn-1和目标变量Xn同时发生的概率，P(X1，X2，...，Xn-1)是已知特征变量X1，X2，...，Xn-1发生的概率。
6.如权利要求1所述的一种连续性肾脏替代治疗智慧决策及质量控制系统，其特征在于，所述CRRT处方调整单元每隔一固定周期T根据MOVIE指标跟踪单元获得的数据判断CRRT初步治疗方案是否需要调整，若需要调整，则采用以下方法对CRRT模式、CRRT持续时间、CRRT剂量、CRRT超滤率和/或CRRT抗凝方式进行调整：
若血肌酐>正常值2倍以上，或血钾>正常值，或血PH值＜7.35，或乳酸>正常值3倍以上，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，加大CRRT剂量或将CRRT模式更改为CVVHD或CVVHDF模式。
CRRT处方调整单元计算平均动脉压，平均动脉压＝舒张压+1/3(收缩压-舒张压)，若平均动脉压＜65mmHg，或CRRT处方调整单元通过升压药类型判断使用3种及以上升压药，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT持续时间；
若免疫炎症类指标中的任意一个指标>正常值5倍以上，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT剂量，或将CRRT模式改为改为Oxiris膜；
CRRT处方调整单元计算容量百分比，容量百分比＝(入液量-出液量)/体重*100％，若容量百分比>5％，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，增加CRRT超滤率；
若凝血酶原时间PT>正常值2倍以上，或活化部分凝血酶原时间APTT>正常值3倍以上，或INR>3，则CRRT处方调整单元判断CRRT初步治疗方案需要调整，调整时，将CRRT抗凝方式调整为与当前不同的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111037423.7A CN113744832B (zh) | 2021-09-06 | 2021-09-06 | 连续性肾脏替代治疗智慧决策及质量控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111037423.7A CN113744832B (zh) | 2021-09-06 | 2021-09-06 | 连续性肾脏替代治疗智慧决策及质量控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113744832A true CN113744832A (zh) | 2021-12-03 |
| CN113744832B CN113744832B (zh) | 2023-10-27 |
Family
ID=78735835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111037423.7A Active CN113744832B (zh) | 2021-09-06 | 2021-09-06 | 连续性肾脏替代治疗智慧决策及质量控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744832B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114566293A (zh) * | 2022-03-01 | 2022-05-31 | 武汉聚智惠仁信息技术有限公司 | 一种crrt停机决策辅助系统及方法 |
| CN115910280A (zh) * | 2022-12-28 | 2023-04-04 | 武汉聚智惠仁信息技术有限公司 | 一种crrt局部枸橼酸抗凝的辅助系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030083698A1 (en) * | 2001-11-01 | 2003-05-01 | Whitehurst Todd K. | Thrombolysis and chronic anticoagulation therapy |
| CN107845411A (zh) * | 2017-12-04 | 2018-03-27 | 青岛大学附属医院 | 临床用药决策支持系统 |
| CN108831556A (zh) * | 2018-06-24 | 2018-11-16 | 大连理工大学 | 一种连续性肾脏替代治疗过程中肝素剂量的预测方法 |
| EP3716207A1 (en) * | 2019-03-26 | 2020-09-30 | Can Ince | Method and apparatus for diagnostic analysis of the function and morphology of microcirculation alterations |
-
2021
- 2021-09-06 CN CN202111037423.7A patent/CN113744832B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030083698A1 (en) * | 2001-11-01 | 2003-05-01 | Whitehurst Todd K. | Thrombolysis and chronic anticoagulation therapy |
| CN107845411A (zh) * | 2017-12-04 | 2018-03-27 | 青岛大学附属医院 | 临床用药决策支持系统 |
| CN108831556A (zh) * | 2018-06-24 | 2018-11-16 | 大连理工大学 | 一种连续性肾脏替代治疗过程中肝素剂量的预测方法 |
| EP3716207A1 (en) * | 2019-03-26 | 2020-09-30 | Can Ince | Method and apparatus for diagnostic analysis of the function and morphology of microcirculation alterations |
Non-Patent Citations (2)
| Title |
|---|
| 唐莲;姚慧娟;卜书红;: "循证药学在连续性肾脏替代治疗期间抗凝治疗决策中的应用", 中国药房, no. 12 * |
| 蒋啸天;胡家昌;许佳瑞;姜物华;沈波;方艺;滕杰;王一梅;丁小强;: "基于电子监控系统的住院患者急性肾损伤流行病学研究", 上海医学, no. 02 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114566293A (zh) * | 2022-03-01 | 2022-05-31 | 武汉聚智惠仁信息技术有限公司 | 一种crrt停机决策辅助系统及方法 |
| CN114566293B (zh) * | 2022-03-01 | 2022-08-19 | 武汉聚智惠仁信息技术有限公司 | 一种crrt停机决策辅助系统及方法 |
| CN115910280A (zh) * | 2022-12-28 | 2023-04-04 | 武汉聚智惠仁信息技术有限公司 | 一种crrt局部枸橼酸抗凝的辅助系统及方法 |
| CN115910280B (zh) * | 2022-12-28 | 2023-11-21 | 武汉聚智惠仁信息技术有限公司 | 一种crrt局部枸橼酸抗凝的辅助系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113744832B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ekanayake et al. | Chronic kidney disease prediction using machine learning methods | |
| CN113744832B (zh) | 连续性肾脏替代治疗智慧决策及质量控制系统 | |
| CN110010252A (zh) | 华法林给药剂量预测方法及装置 | |
| Martínez-Martínez et al. | Prediction of the hemoglobin level in hemodialysis patients using machine learning techniques | |
| CN116403714B (zh) | 脑卒中end风险预测模型建立方法、装置、end风险预测系统、电子设备及介质 | |
| Moreno-Sánchez | Data-driven early diagnosis of chronic kidney disease: development and evaluation of an explainable AI model | |
| CN113470816A (zh) | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 | |
| CN112509669A (zh) | 基于ai技术的肾脏病血液透析方案定制方法及系统 | |
| CN109243546A (zh) | 抗凝药药效优化模型的建立方法及装置 | |
| CN106295229A (zh) | 一种基于医疗数据建模的川崎病分级预测方法 | |
| Martín-Guerrero et al. | Dosage individualization of erythropoietin using a profile-dependent support vector regression | |
| Pan et al. | A self-correcting deep learning approach to predict acute conditions in critical care | |
| Lee et al. | Prediction of intradialytic hypotension using pre-dialysis features—a deep learning–based artificial intelligence model | |
| Casino et al. | Could incremental haemodialysis be a new standard of care? A suggestion from a long-term observational study | |
| CN118039171A (zh) | 一种急性肾损伤患者早期预后预测模型及其建立方法 | |
| Purwaningsih | Improving the Performance of Support Vector Machine With Forward Selection for Prediction of Chronic Kidney Disease | |
| CN116580847B (zh) | 一种脓毒性休克预后预测方法及系统 | |
| CN111883258B (zh) | 一种构建ohss分度分型预测模型的方法 | |
| Moreno-Sanchez | Development and evaluation of an explainable prediction model for chronic kidney disease patients based on ensemble trees | |
| Sang et al. | Study on survival prediction of patients with heart failure based on support vector machine algorithm | |
| Anil et al. | Prediction of Chronic Kidney Disease Using Various Machine Learning Algorithms | |
| Shie et al. | An integrated model using the Taguchi method and artificial neural network to improve artificial kidney solidification parameters | |
| Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
| Singh et al. | Predictive analysis in health care | |
| CN111489828A (zh) | 一种筛选骨折后形成血栓因素的方法 |
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 |