CN113951845B - 创伤严重失血伤情预测方法与系统 - Google Patents
创伤严重失血伤情预测方法与系统 Download PDFInfo
- Publication number
- CN113951845B CN113951845B CN202111452197.9A CN202111452197A CN113951845B CN 113951845 B CN113951845 B CN 113951845B CN 202111452197 A CN202111452197 A CN 202111452197A CN 113951845 B CN113951845 B CN 113951845B
- Authority
- CN
- China
- Prior art keywords
- blood loss
- time
- patient
- data
- sequence
- 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.)
- Active
Links
- 239000008280 blood Substances 0.000 title claims abstract description 113
- 210000004369 blood Anatomy 0.000 title claims abstract description 113
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 68
- 208000014674 injury Diseases 0.000 title claims abstract description 53
- 206010052428 Wound Diseases 0.000 title claims abstract description 36
- 230000006378 damage Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000008733 trauma Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000035487 diastolic blood pressure Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 230000036387 respiratory rate Effects 0.000 claims description 6
- 230000035488 systolic blood pressure Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000034994 death Effects 0.000 abstract description 8
- 231100000517 death Toxicity 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 208000034158 bleeding Diseases 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B5/02042—Determining blood loss or bleeding, e.g. during a surgical procedure
-
- 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
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
- A61B5/445—Evaluating skin irritation or skin trauma, e.g. rash, eczema, wound, bed sore
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dermatology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种创伤严重失血伤情预测方法及系统，该方法包括：采集多个患者历史生理指标数据；从所述历史生理指标数据中提取反映其失血状况的关键特征；根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型；利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。利用本发明，可以实现对创伤患者在一定时间后是否会出现严重失血伤情的有效预测，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
Description
技术领域
本发明涉及人工智能辅助伤情预测领域，具体涉及一种创伤严重失血伤情预测方法与系统。
背景技术
创伤是指机械力作用于人体造成的人体机体完整性的破坏与功能障碍。导致创伤患者死亡的主要原因是局部或全身不可控的严重失血，约40％的创伤死亡可以归因于创伤严重失血。及早对创伤严重失血的发生进行预测，对创伤严重失血患者进行早期识别，可以帮助在创伤发生后对严重失血患者进行早期干预，这对患者的结局至关重要，因此，创伤相关的救治也是当今医疗领域的重要课题。
发明内容
本发明提供一种创伤严重失血伤情预测方法与系统，以实现对患者在一定时间后是否会出现严重失血伤情的有效预测，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
为此，本发明提供如下技术方案：
一种创伤严重失血伤情预测方法，所述方法包括：
采集多个患者历史生理指标数据；
从所述历史生理指标数据中提取反映其失血状况的关键特征；
根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型；
利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。
可选地，所述关键特征包括：心率、呼吸频率、血氧饱和度、收缩压、舒张压。
可选地，所述根据所述关键特征的检测时间生成对应各患者的多维体征数据序列包括：
根据所述关键特征的检测时间对所述关键特征进行排序、组合，生成对应各患者的第一特征序列；
对所述第一特征序列中的各特征进行标准化处理，得到对应各患者的多维体征数据序列。
可选地，所述对所述第一特征序列中的各特征进行标准化处理包括：
对所述第一特征序列中的各特征数据，采用z-score标准化处理。
可选地，所述中间辅助特征包括:缺失标记矩阵
前向间隔矩阵
后向间隔矩阵
其中，T是患者多维体征时序数据序列的长度，D是所述关键特征的数量，
表示
是否缺失，如缺失则为0，否则为1，
为患者的关键特征d在t时刻的检测结果；
可选地，按以下公式计算
按以下公式计算
可选地，所述严重失血伤情预测模型为基于RNN的GRU-D-B模型，在t时刻以xt,mt,δt,
以及前一时刻的隐藏状态向量ht-1作为输入，所述严重失血伤情预测模型的输出为患者在设定时间后发生严重失血的概率。
可选地，所述将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型包括：
将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，分别训练得到三个不同的GRU-D-B模型，分别用于预测患者在1小时、2小时、3小时后发生严重失血的概率。
一种创伤严重失血伤情预测系统，所述系统包括：
数据采集模块，用于采集多个患者历史生理指标数据；
特征提取模块，用于从所述历史生理指标数据中提取反映其失血状况的关键特征；
中间辅助特征生成模块，用于根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
训练模块，用于将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型；
预测模块，用于利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。
可选地，所述系统还包括：
告警模块，用于在所述预测模块预测所述创伤患者在设定时间后发生严重失血的概率大于设定阈值的情况下，进行告警提示。
本发明实施例提供的创伤严重失血伤情预测方法与系统，通过采集多个患者历史生理指标数据；从历史生理指标数据中提取反映其失血状况的关键特征；根据关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征，利用多维体征时序数据序列及中间辅助特征训练得到严重失血伤情预测模型；利用严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
进一步地，在预测得到的发生严重失血的概率超过设定的阈值的情况下，进行告警提示，将具有较高失血风险的患者及时通知给医生，有助于对患者及早实施临床干预措施。
附图说明
图1是本发明实施例创伤严重失血伤情预测方法的流程图；
图2是本发明实施例中正负样本研究截面示意图；
图3是本发明实施例中GRU-D-B模型的单元结构示意图；
图4是本发明实施例中采用单层的GRU-D-B模型的严重失血伤情预测模型结构示意图；
图5是本发明实施例创伤严重失血伤情预测系统的结构示意图。
具体实施方式
近年来，随着医疗无创监护技术和设备的发展，已经实现了多维度生命体征信息的无创、实时、连续、动态监测。将患者一段时间内的生命体征多次检测结果进行组合可以得到多维体征时序数据，其中蕴含着丰富的人体生理、病理状态，也是“医疗大数据”的重要组成部分。心率、呼吸频率、收缩压、舒张压、血氧饱和度等是人体基本生命体征，当发生创伤严重失血时，由于短期大量失血或重要部位失血，机体先后出现心率加快、呼吸频率加快、血压(收缩压、舒张压)下降、血氧饱和度下降等生理表现。对于患者的多维体征时序数据，可以利用RNN((Recurrent Neural Network，循环神经网络)、TCN((Temporalconvolutional network，时序卷积网络)等深度学习方法挖掘患者病情的转归信息，对患者未来的病情发展做出预测。然而，患者的体征时序数据通常是不等间隔的，并且可能会由于监护设备异常或记录过程不规范导致数据中出现缺失值或错误值，因此不适合直接使用RNN或TCN进行序列建模。
为此，本发明实施例提供一种创伤严重失血伤情预测方法与系统，消除不等间隔以及缺失值和错误值带来的影响，根据创伤患者的生命体征时序数据对患者在k(比如k＝1,2,3)小时后是否会出现严重失血伤情进行预测，可以有效地对创伤患者进行分诊和后送决策，有助于医护人员更早实施挽救生命的干预措施，如快速控制出血、损伤控制复苏和启动大量输血方案，降低创伤患者的伤残率和死亡率。
如图1所示，是本发明实施例创伤严重失血伤情预测方法的流程图，包括以下步骤：
步骤101，采集多个患者历史生理指标数据。
具体地，可以从患者医疗电子档案、急重病临床数据等历史信息中采集患者生理指标数据。
步骤102，从所述历史生理指标数据中提取反映其失血状况的关键特征。
所述关键特征可以包括但不限于以下任意一种或多种：心率、呼吸频率、血氧饱和度、收缩压、舒张压。
对于所有患者的上述五项生命体征数据，限定取值范围分别为30-300bpm、3-50bpm、40-100％、40-300mmHg以及40-300mmHg。将所有在对应取值范围之外的结果都看作是错误结果，并标记为缺失。
步骤103，根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征。
具体地，可以先根据关键特征的检测时间对提取的各患者的关键特征进行排序、组合，生成对应各患者的第一特征序列；然后对所述第一特征序列中的各特征进行标准化处理，得到对应各患者的多维体征数据序列。比如，可以对第一特征序列中的各特征数据采用z-score标准化处理，即：
首先计算所有患者记录的平均值和标准差，然后对应每一关键特征，将每一次记录的数据减去平均值并除以标准差，得到该数据标准化后的结果。经过标准化处理后，各项特征数据的平均值均为0，标准差均为1，具有相近的取值范围。
对于所有严重失血患者，可以作为实验组(正样本)，并以严重失血时刻作为研究截面；其余患者看作对照组(负样本)，并以出院或最后一次体征记录的时刻作为研究截面。取出所有患者研究截面前k+12至k小时内的多维体征时序数据建立数据集，数据集中不同患者的时序数据可能具有不同的长度。
进一步地，由于各项体征的检测频率不同、相同特征前后两次检测时间间隔可能不同，因此患者的多维体征时序数据具有不等间隔的特点，同时具有较多缺失值。为了消除患者体征时序数据中不等间隔以及缺失值和错误值为时序数据分析带来的影响，本发明实施例的方案还可根据患者的多维体征时序数据以及检测时间生成中间辅助特征。
具体地，可以将患者过去一定时间(比如12小时)内的多维体征时序数据表示为
其中T是患者时序数据的长度，D是检测的特征数量，在这里为5。
为患者在t时刻各项特征组成的特征向量，
为患者的关键特征d在t时刻的检测结果。记st为患者在t时刻的时间戳，并且令s1＝0。
在本发明实施例中，需要生成的中间辅助特征可以包括以下三种矩阵：缺失标记矩阵
前向间隔矩阵
后向间隔矩阵
在缺失标记矩阵M中，
表示
是否缺失，如缺失则为0，否则为1，由公式(1)计算得到。
在前向间隔矩阵Δ中，
表示患者的特征d在t时刻的结果(可能缺失)距离上一次未缺失记录的时间间隔，由公式(2)计算得到。
在后向间隔矩阵
中，
表示患者的特征d在t时刻的结果(可能缺失)距离后一次未缺失记录的时间间隔，由公式(3)计算得到。
步骤104，将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型。
在本发明实施例中，可以使用某个k值对应的数据集以及生成的中间辅助特征构建并训练一个神经网络模型，用于预测创伤患者在k小时后发生严重失血的概率，后面将该模型称为严重失血伤情预测模型。
具体地，所述严重失血伤情预测模型可以采用基于RNN的GRU((Gated RecurrentUnit,门控循环单元)-D(响应历史)-B(饱和度)模型，该模型结合T-LSTM(Time-Aware LongShort-Term Memory，时序获取长短期记忆)网络以及GRU-D模型的特点，可以处理不等间隔时序数据，并自动填补时序数据中的缺失值。GRU-D-B模型的单元结构如图3所示，在t时刻以xt,mt,δt,
以及前一时刻的隐藏状态向量ht-1作为输入，输出为当前时刻的隐藏状态向量ht，其中包含着当前以及之前时刻的记忆信息。单元内的计算过程如公式(4)-(13)所示。
其中，
表示时刻t的信息衰减系数，gx是一个值域为[0,1]的单调函数；
是利用特征d在t时刻前后的未缺失记录
和
填补后的结果；
和
分别为从隐藏状态向量ht-1中分离出来的短期记忆和长期记忆，使用时间衰减函数gh作用在短期记忆
上再与长期记忆
求和可得到调整后的隐藏状态向量
W,U,V均表示权重矩阵，b表示偏置向量，
为对角矩阵。
在本发明实施例中，严重失血伤情预测模型采用单层的GRU-D-B模型，如图4所示，模型的输入是患者多维体征时序数据X、前向间隔矩阵Δ、前向间隔矩阵
以及缺失标记矩阵M，在t时刻输入
的组合，并输出隐藏状态向量ht。最后一个时刻单元的输出hT是一个向量，令其经过一个全连接层得到标量输出
作为模型最后的输出，表示患者在k小时后发生严重失血的概率估计值。
需要说明的是，对于k的不同取值，可以分别训练得到对应每个k值的GRU-D-B模型，比如，k的三个不同取值分别为1小时、2小时、3小时，相应地，分别训练对应这三个k值的GRU-D-B模型，分别用于预测患者在1小时、2小时、3小时后发生严重失血的概率。
步骤105，利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。
具体地，对于临床监护过程中的创伤患者，提取该患者过去n(比如4≤n≤12)小时内的心率、呼吸频率、血氧饱和度、收缩压、舒张压时间序列数据，记录每一次体征数据监护时间，标记缺失值和错误值，生成中间辅助特征。
利用预先训练得到的三个针对不同k值的GRU-D-B模型，预测患者在1小时、2小时、3小时后发生严重失血的概率。
本发明实施例提供的创伤严重失血伤情预测方法，通过采集多个患者历史生理指标数据；从历史生理指标数据中提取反映其失血状况的关键特征；根据关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征，利用多维体征时序数据序列及中间辅助特征训练得到严重失血伤情预测模型；利用严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
进一步地，在预测得到的发生严重失血的概率超过设定的阈值的情况下，进行告警提示，从而及时向医生发出警报，让医生及时进行医学干预，避免患者出现严重失血情况。
相应地，本发明实施例还提供一种创伤严重失血伤情预测系统，如图5所示，是该系统的一种结构示意图。
在该实施例中，所述创伤严重失血伤情预测系统包括以下各模块：
数据采集模块501，用于采集多个患者历史生理指标数据；
特征提取模块502，用于从所述历史生理指标数据中提取反映其失血状况的关键特征；
中间辅助特征生成模块503，用于根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
训练模块504，用于将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型500；
预测模块505，用于利用所述严重失血伤情预测模型500预测创伤患者在设定时间后发生严重失血的概率。
关于所述创伤严重失血伤情预测系统的工作原理、工作方式的更多内容，可以参照前面本发明方法实施例中的相关描述，在此不再赘述。
本发明实施例提供的创伤严重失血伤情预测系统，通过采集多个患者历史生理指标数据；从历史生理指标数据中提取反映其失血状况的关键特征；根据关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征，利用多维体征时序数据序列及中间辅助特征训练得到严重失血伤情预测模型；利用严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
进一步地，在本发明创伤严重失血伤情预测系统的另一实施例中，还可包括告警模块，用于在所述预测模块预测所述创伤患者在设定时间后发生严重失血的概率大于设定阈值的情况下，进行告警提示。从而可以将具有较高失血风险的患者及时通知给医生，有助于对患者及早实施临床干预措施。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。
相应地，本发明实施例还提供一种用于创伤严重失血伤情预测方法的系统，该系统是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及系统，其仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种创伤严重失血伤情预测系统，其特征在于，所述系统包括：
数据采集模块，用于采集多个患者历史生理指标数据；特征提取模块，用于从所述历史生理指标数据中提取反映其失血状况的关键特征；
中间辅助特征生成模块，用于根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
其中所述根据所述关键特征的检测时间生成对应各患者的多维体征数据序列包括：
根据所述关键特征的检测时间对所述关键特征进行排序、组合，生成对应各患者的第一特征序列；
对所述第一特征序列中的各特征进行标准化处理，得到对应各患者的多维体征数据序列；
所述对所述第一特征序列中的各特征进行标准化处理包括，对所述第一特征序列中的各特征数据，采用z-score标准化处理，计算所有患者记录的平均值和标准差，然后对应每一关键特征，将每一次记录的数据减去平均值并除以标准差，得到该数据标准化后的结果；经过标准化处理后，各项特征数据的平均值均为0，标准差均为1；
严重失血患者为实验组，并以严重失血时刻作为研究截面；其余患者看作对照组，并以出院或最后一次体征记录的时刻作为研究截面；取出所有患者研究截面前k+12至k小时内的多维体征时序数据建立数据集，数据集中不同患者的时序数据具有不同的长度；
所述中间辅助特征包括:缺失标记矩阵
前向间隔矩阵
后向间隔矩阵
其中，T是患者多维体征时序数据序列的长度，D是所述关键特征的数量，
表示
是否缺失，如缺失则为0，否则为1，
为患者的关键特征d在t时刻的检测结果；
按以下公式计算
其中，st为患者在t时刻的时间戳，并且令s1＝0；
按以下公式计算
训练模块，用于将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型；
预测模块，用于利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率；
告警模块，用于在所述预测模块预测所述创伤患者在设定时间后发生严重失血的概率大于设定阈值的情况下，进行告警提示；
所述严重失血伤情预测模型为基于RNN的GRU-D-B模型，在t时刻以xt,mt,δt,
以及前一时刻的隐藏状态向量ht-1作为输入，所述严重失血伤情预测模型的输出为患者在设定时间后发生严重失血的概率；
其中，所述将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型包括：将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，分别训练得到三个不同的GRU-D-B模型，分别用于预测患者在1小时、2小时、3小时后发生严重失血的概率。
2.根据权利要求1所述的系统，其特征在于，所述关键特征包括：心率、呼吸频率、血氧饱和度、收缩压、舒张压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111452197.9A CN113951845B (zh) | 2021-12-01 | 2021-12-01 | 创伤严重失血伤情预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111452197.9A CN113951845B (zh) | 2021-12-01 | 2021-12-01 | 创伤严重失血伤情预测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113951845A CN113951845A (zh) | 2022-01-21 |
| CN113951845B true CN113951845B (zh) | 2022-08-05 |
Family
ID=79472737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111452197.9A Active CN113951845B (zh) | 2021-12-01 | 2021-12-01 | 创伤严重失血伤情预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113951845B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238446A (zh) * | 2023-10-24 | 2023-12-15 | 惠州市第一人民医院 | 基于创伤患者的辅助处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108511057A (zh) * | 2018-02-28 | 2018-09-07 | 北京和兴创联健康科技有限公司 | 输血量模型建立及预测方法、装置、设备及其存储介质 |
| CN110289061A (zh) * | 2019-06-27 | 2019-09-27 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
| CN113345581A (zh) * | 2021-05-14 | 2021-09-03 | 浙江工业大学 | 一种基于集成学习的脑卒中溶栓后出血概率预测方法 |
| CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11227209B2 (en) * | 2019-07-31 | 2022-01-18 | Dell Products L.P. | Systems and methods for predicting information handling resource failures using deep recurrent neural network with a modified gated recurrent unit having missing data imputation |
| CN110957015B (zh) * | 2019-12-02 | 2023-04-28 | 南开大学 | 电子医疗记录数据的缺失值填充方法 |
| CN113096818B (zh) * | 2021-04-21 | 2023-05-30 | 西安电子科技大学 | 基于ode和grud的急性病症发生几率的评估方法 |
| CN112967816B (zh) * | 2021-04-26 | 2023-08-15 | 四川大学华西医院 | 一种急性胰腺炎器官衰竭预测方法、计算机设备和系统 |
-
2021
- 2021-12-01 CN CN202111452197.9A patent/CN113951845B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108511057A (zh) * | 2018-02-28 | 2018-09-07 | 北京和兴创联健康科技有限公司 | 输血量模型建立及预测方法、装置、设备及其存储介质 |
| CN110289061A (zh) * | 2019-06-27 | 2019-09-27 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
| CN113345581A (zh) * | 2021-05-14 | 2021-09-03 | 浙江工业大学 | 一种基于集成学习的脑卒中溶栓后出血概率预测方法 |
| CN113421654A (zh) * | 2021-07-12 | 2021-09-21 | 军事科学院系统工程研究院卫勤保障技术研究所 | 创伤后失血性休克动态早期预警深度学习系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113951845A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| 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 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| KR20190114694A (ko) | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 | |
| US20220218289A1 (en) | Predicting transient ischemic events using ecg data | |
| Chang et al. | Risk prediction of critical vital signs for ICU patients using recurrent neural network | |
| KR102446376B1 (ko) | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 | |
| CN114126701A (zh) | 主动脉内压预测 | |
| CN113951845B (zh) | 创伤严重失血伤情预测方法与系统 | |
| CN114420231A (zh) | 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备 | |
| Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
| Dhyani et al. | Arrhythmia disease classification utilizing ResRNN | |
| Golande et al. | Smart hospital for heart disease prediction using IoT | |
| Devi et al. | A method of cardiovascular disease prediction using machine learning | |
| Lu et al. | An epileptic seizure prediction method based on CBAM-3D CNN-LSTM model | |
| CN117238510B (zh) | 一种基于深度学习的脓毒症预测方法及系统 | |
| KR102169637B1 (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
| Nestor et al. | Preparing a clinical support model for silent mode in general internal medicine | |
| CN112802598A (zh) | 基于语音诊疗数据的实时辅助诊疗方法及系统 | |
| Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
| CN115547502B (zh) | 基于时序数据的血透病人风险预测装置 | |
| WO2020252429A1 (en) | Method and apparatus providing an ongoing and real time indicator for survival and major medical events | |
| CN113017572B (zh) | 一种重症预警方法、装置、电子设备及存储介质 | |
| CN115721283A (zh) | 一种心率健康预警方法、系统、计算机设备及介质 | |
| CN113261924B (zh) | 一种脑卒中智能预警系统及方法 |
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 |