CN114038570A - 脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 - Google Patents
脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114038570A CN114038570A CN202111416387.5A CN202111416387A CN114038570A CN 114038570 A CN114038570 A CN 114038570A CN 202111416387 A CN202111416387 A CN 202111416387A CN 114038570 A CN114038570 A CN 114038570A
- Authority
- CN
- China
- Prior art keywords
- data set
- prediction
- key information
- prediction model
- maximum value
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
Abstract
本公开实施例中提供了一种脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质,属于医疗保健信息学技术领域,具体包括:将样本数据集训练XGBOOST算法,建立预测模型;采集目标人员的尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;将关键信息数据集输入预测模型,得到预测结果。通过本公开的方案,利用机器学习算法进行学习,建立预测模型,然后将采集到关键信息数据集输入预测模型,得到预测结果,提高了预测效率和精准度。
Description
技术领域
本公开实施例涉及医疗保健信息学技术领域,尤其涉及一种脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质。
背景技术
目前,脓毒症是一种常见的疾病,已成为全球重要的公共卫生问题,每年导致530万人死亡,总死亡率约为30%,在重症监护室(ICU)死亡率更高。脓毒症相关的急性肾损伤(S-AKI)是危重患者的常见并发症,常与较高的发病率和死亡率相关,其严重程度与死亡风险成正比。一项在中国进行的回顾性研究(包括146148名患者)发现,47.1%的脓毒症患者存在AKI。因此,早期预测患者死亡风险在为临床医生提供切实可行的临床决策指导、提供支持性治疗和限制病情进一步发展中至关重要。目前,一些敏感的血清标志物,如Ang-2、PCT、白细胞介素-6、pentraxin3等已被用于预测脓毒症导致的急性肾损伤的预后,但其预测价值有限,往往缺乏敏感性或特异性。同样,基于小样本数据的传统预测模型,如逻辑回归分析和评分系统,包括急性生理学和慢性健康评分II(Apache-II)、简化急性生理学评分II(SAPS-II)等,对不良预后风险的患者可能有重要临床意义。但是,这些预测血清标志物、模型和评分在一定程度上存在预测强度不足、波动幅度大、稳定性和可操作性差、过程繁琐、费用过高等缺点。
可见,亟需一种高效精准的脓毒症相关急性肾损伤患者死亡预测方法。
发明内容
有鉴于此,本公开实施例提供一种脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质,至少部分解决现有技术中存在预测效率和预测精准度较差的问题。
第一方面,本公开实施例提供了一种脓毒症相关急性肾损伤患者死亡预测方法,包括:
将样本数据集训练XGBOOST算法,建立预测模型;
采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;
将所述关键信息数据集输入所述预测模型,得到预测结果。
根据本公开实施例的一种具体实现方式,所述将样本数据集训练XGBOOST算法,建立预测模型的步骤之前,所述方法还包括:
从病历数据库中提取预设数量的样本人员的初始病历数据,其中,所述样本人员为脓毒症相关的急性肾损伤人员;
根据预设指标筛除所述初始病历数据中的干扰数据,形成所述样本数据集。
根据本公开实施例的一种具体实现方式,所述将样本数据集训练XGBOOST算法,建立预测模型的步骤,包括:
分析所述样本数据集中各数据与死亡率的关联性并生成决策树;
根据所述决策树建立所述预测模型。
根据本公开实施例的一种具体实现方式,所述采集目标人员的关键信息数据集的步骤之前,所述方法还包括:
获取所述目标人员的体检信息;
采用序列化特征选择算法从所述体检信息内提取多个特征数据并转换为对应的格式,形成所述关键信息数据集。
根据本公开实施例的一种具体实现方式,所述将所述关键信息数据集输入所述预测模型,得到预测结果的步骤之后,所述方法还包括:
根据所述预测结果与所述关键信息数据集的关联性,生成治疗方案。
第二方面,本公开实施例提供了一种脓毒症相关急性肾损伤患者死亡预测系统,包括:
训练模块,用于将样本数据集训练XGBOOST算法,建立预测模型;
采集模块,用于采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;
预测模块,用于将所述关键信息数据集输入所述预测模型,得到预测结果。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的脓毒症相关急性肾损伤患者死亡预测方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的脓毒症相关急性肾损伤患者死亡预测方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的脓毒症相关急性肾损伤患者死亡预测方法。
本公开实施例中的脓毒症相关急性肾损伤患者死亡预测方案,包括:将样本数据集训练XGBOOST算法,建立预测模型;采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;将所述关键信息数据集输入所述预测模型,得到预测结果。
本公开实施例的有益效果为:通过本公开的方案,利用机器学习算法对样本数据集进行学习,建立预测模型,然后将采集到的目标人员的关键信息数据集输入预测模型,得到预测结果,提高了预测效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种脓毒症相关急性肾损伤患者死亡预测方法的流程示意图;
图2为本公开实施例提供的一种脓毒症相关急性肾损伤患者死亡预测方法的关键信息数据集与死亡风险的关联示意图;
图3为本公开实施例提供的一种脓毒症相关急性肾损伤患者死亡预测系统的结构示意图;
图4为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种脓毒症相关急性肾损伤患者死亡预测方法,所述方法可以应用于医学治疗场景中的脓毒症相关急性肾损伤患者死亡预测过程中。
参见图1,为本公开实施例提供的一种脓毒症相关急性肾损伤患者死亡预测方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,将样本数据集训练XGBOOST算法,建立预测模型;
具体实施时,考虑到需要对目标人员在脓毒症相关急性肾损伤治疗过程中可能需要对死亡风险以及具体时间点进行预测,可以先收集得到所述样本数据集,然后可以采用所述XGBOOST算法对所述样本数据集中对死亡风险关联性大的数据进行学习,以使得建立所述预测模型。当然,还可以根据需要使用其他的机器学习算法对所述样本数据集进行学习以建立所述预测模型,在此不再赘述。
S102,采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;
具体实施时,考虑到在脓毒症相关急性肾损伤治疗过程中,很多因素都会导致患者病情的加重甚至死亡,纳入的危险因素有:患者的人口学特征(年龄、性别)、现病史、临床特征(体重、身高)、入院临床体征、实验室指标血常规、凝血、生化、血气(白蛋白、球蛋白、总蛋白、ALT、AST、APTT、PT、TT、DBIL、TBIL、HB、PLT、WBC、CR、INR、UA、UREA等)等,则可以采集所述目标人员的相关数据指标例如尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态等,形成所述关键信息数据集。
S103,将所述关键信息数据集输入所述预测模型,得到预测结果。
在采集到所述关键信息数据集后,可以将所述关键信息数据集输入到所述预测模型内,由所述预测模型根据所述关键信息数据集内各类数据的值进行计算,输出所述预测结果,根据所述预测结果可以得到所述目标人员在治疗期间的死亡风险,以便于提前预防。
本实施例提供的脓毒症相关急性肾损伤患者死亡预测方法,与传统的预测方法相比,新的机器学习技术显著提高了预测性能。通过利用XGBoost算法对样本数据集进行学习,建立了一个新的脓毒症相关的急性肾损伤患者的死亡预测模型,然后将采集到的目标人员的关键信息数据集输入预测模型,得到预测结果,高效、灵敏地处理数据并精准预测患者死亡率,为临床医生提供更准确的临床决策指导。
在上述实施例的基础上,步骤S101所述的,将样本数据集训练XGBOOST算法,建立预测模型之前,所述方法还包括:
从病历数据库中提取预设数量的样本人员的初始病历数据,其中,所述样本人员为脓毒症相关的急性肾损伤人员;
根据预设指标筛除所述初始病历数据中的干扰数据,形成所述样本数据集。
具体实施时,所述预设指标可以为影响脓毒症相关急性肾损伤治疗过程中死亡风险的关键因素,可以从一个或多个医院的病历数据库中提取预设数量的样本人员的初始病历数据,其中,所述样本人员为脓毒症相关的急性肾损伤人员,例如,可以分别从A地区、B地区和C地区的医院病历数据库中提取500个脓毒症相关的急性肾损伤人员的初始病历报告。考虑到所述初始病历报告中可能存在大量冗杂无关信息,在将全部所述初始病历报告汇总后,可以根据所述预设指标筛除所述初始病历数据中的干扰数据,形成所述样本数据集。考虑到不同地区或者不同医院的病历数据在存储时的格式可能不同,需要将所述样本数据集中同类型的数据转换为统一的格式,例如,例如肌酐值1mg/dL等于88.4μmol/L。排除缺失率超过50%的特征,对剩下的特征使用K近邻(KNN)算法进行缺失值填补。
进一步的,步骤S101所述的,将样本数据集训练XGBOOST算法,建立预测模型,包括:
分析所述样本数据集中各数据与死亡率的关联性并生成决策树;
根据所述决策树建立所述预测模型。
具体实施时,在使用所述XGBOOST算法对所述样本数据集进行学习时,可以先分析所述样本数据集中各类数据之间的关联性,以及,分析所述样本数据集中各数据与所述死亡率的关联性,并设定分裂点以生成决策树,然后根据所述决策树建立所述预测模型。
在上述实施例的基础上,步骤S102所述的,采集目标人员的关键信息数据集之前,所述方法还包括:
获取所述目标人员的体检信息;
采用序列化特征选择算法从所述体检信息内提取多个特征数据并转换为对应的格式,形成所述关键信息数据集。
具体实施时,考虑到所述目标人员在进行脓毒症相关的急性肾损伤治疗前,会进行相关检查,可以在所述目标人员进行检查后,获取所述目标人员的体检信息,然后识别所述体检信息中的文本信息,然后采用序列化特征选择算法从所述体检信息内提取多个特征数据,然后将提取到的特征转换为与所述预测模型对应的格式,形成所述关键信息数据集。
在上述实施例的基础上,步骤S103所述的,将所述关键信息数据集输入所述预测模型,得到预测结果之后,所述方法还包括:
根据所述预测结果与所述关键信息数据集的关联性,生成治疗方案。
具体实施时,可以采用SHAP包解释所述预测模型输出的预测结果中每个关键信息对于患者死亡风险的关联性强度,如图2所示,然后生成所述治疗方案,临床医生可据此改善患者的指标,作出对应的治疗。
与上面的方法实施例相对应,参见图3,本公开实施例还提供了一种脓毒症相关急性肾损伤患者死亡预测系统30,包括:
训练模块301,用于将样本数据集训练XGBOOST算法,建立预测模型;
采集模块302,用于采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;
预测模块303,用于将所述关键信息数据集输入所述预测模型,得到预测结果。
图3所示系统可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图4,本公开实施例还提供了一种电子设备40,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的种脓毒症相关急性肾损伤患者死亡预测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的种脓毒症相关急性肾损伤患者死亡预测方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的种脓毒症相关急性肾损伤患者死亡预测方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种脓毒症相关急性肾损伤患者死亡预测方法,其特征在于,包括:
将样本数据集训练XGBOOST算法,建立预测模型;
采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;
将所述关键信息数据集输入所述预测模型,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述将样本数据集训练XGBOOST算法,建立预测模型的步骤之前,所述方法还包括:
从病历数据库中提取预设数量的样本人员的初始病历数据,其中,所述样本人员为脓毒症相关的急性肾损伤人员;
根据预设指标筛除所述初始病历数据中的干扰数据,形成所述样本数据集。
3.根据权利要求1所述的方法,其特征在于,所述将样本数据集训练XGBOOST算法,建立预测模型的步骤,包括:
分析所述样本数据集中各数据与死亡率的关联性并生成决策树;
根据所述决策树建立所述预测模型。
4.根据权利要求1所述的方法,其特征在于,所述采集目标人员的关键信息数据集的步骤之前,所述方法还包括:
获取所述目标人员的体检信息;
采用序列化特征选择算法从所述体检信息内提取多个特征数据并转换为对应的格式,形成所述关键信息数据集。
5.根据权利要求1所述的方法,其特征在于,所述将所述关键信息数据集输入所述预测模型,得到预测结果的步骤之后,所述方法还包括:
根据所述预测结果与所述关键信息数据集的关联性,生成治疗方案。
6.一种脓毒症相关急性肾损伤患者死亡预测系统,其特征在于,包括:
训练模块,用于将样本数据集训练XGBOOST算法,建立预测模型;
采集模块,用于采集目标人员的关键信息数据集,其中,所述关键信息数据集包括尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态;
预测模块,用于将所述关键信息数据集输入所述预测模型,得到预测结果。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的脓毒症相关急性肾损伤患者死亡预测方法。
8.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的脓毒症相关急性肾损伤患者死亡预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111416387.5A CN114038570A (zh) | 2021-11-25 | 2021-11-25 | 脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111416387.5A CN114038570A (zh) | 2021-11-25 | 2021-11-25 | 脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114038570A true CN114038570A (zh) | 2022-02-11 |
Family
ID=80138899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111416387.5A Pending CN114038570A (zh) | 2021-11-25 | 2021-11-25 | 脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114038570A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115458158A (zh) * | 2022-09-23 | 2022-12-09 | 深圳大学 | 一种针对脓毒症患者的急性肾损伤预测系统 |
CN115810425A (zh) * | 2022-11-30 | 2023-03-17 | 广州中医药大学第一附属医院 | 一种脓毒症休克患者死亡率风险等级预测方法及装置 |
-
2021
- 2021-11-25 CN CN202111416387.5A patent/CN114038570A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115458158A (zh) * | 2022-09-23 | 2022-12-09 | 深圳大学 | 一种针对脓毒症患者的急性肾损伤预测系统 |
CN115458158B (zh) * | 2022-09-23 | 2023-09-15 | 深圳大学 | 一种针对脓毒症患者的急性肾损伤预测系统 |
CN115810425A (zh) * | 2022-11-30 | 2023-03-17 | 广州中医药大学第一附属医院 | 一种脓毒症休克患者死亡率风险等级预测方法及装置 |
CN115810425B (zh) * | 2022-11-30 | 2023-12-08 | 广州中医药大学第一附属医院 | 一种脓毒症休克患者死亡率风险等级预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leisman et al. | Development and reporting of prediction models: guidance for authors from editors of respiratory, sleep, and critical care journals | |
Mao et al. | Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency department, general ward and ICU | |
Alharthi | Healthcare predictive analytics: An overview with a focus on Saudi Arabia | |
US11631497B2 (en) | Personalized device recommendations for proactive health monitoring and management | |
Makar et al. | Short-term mortality prediction for elderly patients using medicare claims data | |
Newton et al. | Validation of electronic medical record-based phenotyping algorithms: results and lessons learned from the eMERGE network | |
Tang et al. | Predictive modeling in urgent care: a comparative study of machine learning approaches | |
WO2016022438A1 (en) | Automatic disease diagnoses using longitudinal medical record data | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
US20220084639A1 (en) | Electronic Phenotyping Technique for Diagnosing Chronic Kidney Disease | |
CN114038570A (zh) | 脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质 | |
US20210343420A1 (en) | Systems and methods for providing accurate patient data corresponding with progression milestones for providing treatment options and outcome tracking | |
Nie et al. | Mortality prediction in cerebral hemorrhage patients using machine learning algorithms in intensive care units | |
Liu et al. | Leveraging large-scale electronic health records and interpretable machine learning for clinical decision making at the emergency department: protocol for system development and validation | |
Baum et al. | Data integration and analysis for circadian medicine | |
Chae et al. | Predicting emergency department visits and hospitalizations for patients with heart failure in home healthcare using a time series risk model | |
CN113628751A (zh) | 胃癌预后预测方法、装置及电子设备 | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
Wu et al. | Prediction differences and implications of acute kidney injury with and without urine output criteria in adult critically ill patients | |
Delanerolle et al. | A perspective: use of machine learning models to predict the risk of multimorbidity | |
CN113345584A (zh) | 疾病预后风险预测模型训练方法、装置及电子设备 | |
WO2021232150A1 (en) | A multi-channel and agnostic hardware-software interface and database architecture for predictive and prescriptive materials discovery | |
CN113220896A (zh) | 多来源知识图谱生成方法、装置、终端设备 | |
CN114334161B (zh) | 模型训练方法、数据处理方法、装置、介质、电子设备 | |
US20210217527A1 (en) | Systems and methods for providing accurate patient data corresponding with progression milestones for providing treatment options and outcome tracking |
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 |