CN114420231A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114420231A CN114420231A CN202210042926.1A CN202210042926A CN114420231A CN 114420231 A CN114420231 A CN 114420231A CN 202210042926 A CN202210042926 A CN 202210042926A CN 114420231 A CN114420231 A CN 114420231A
- Authority
- CN
- China
- Prior art keywords
- early warning
- clinical
- information
- kidney injury
- acute kidney
- 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
- 208000009304 Acute Kidney Injury Diseases 0.000 title claims abstract description 77
- 208000033626 Renal failure acute Diseases 0.000 title claims abstract description 69
- 201000011040 acute kidney failure Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000002452 interceptive effect Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims description 25
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 24
- 210000004369 blood Anatomy 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 12
- 229940109239 creatinine Drugs 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 210000002700 urine Anatomy 0.000 claims description 10
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000001125 extrusion Methods 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 4
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 102000009027 Albumins Human genes 0.000 claims description 2
- 108010088751 Albumins Proteins 0.000 claims description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 2
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 2
- 102000001554 Hemoglobins Human genes 0.000 claims description 2
- 108010054147 Hemoglobins Proteins 0.000 claims description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 claims description 2
- 101150004141 Vcan gene Proteins 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims description 2
- 239000003513 alkali Substances 0.000 claims description 2
- 150000001450 anions Chemical class 0.000 claims description 2
- 230000004872 arterial blood pressure Effects 0.000 claims description 2
- 238000004820 blood count Methods 0.000 claims description 2
- 229910001424 calcium ion Inorganic materials 0.000 claims description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 2
- 239000001569 carbon dioxide Substances 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 230000035487 diastolic blood pressure Effects 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000005534 hematocrit Methods 0.000 claims description 2
- 210000000265 leukocyte Anatomy 0.000 claims description 2
- 238000006213 oxygenation reaction Methods 0.000 claims description 2
- 229910001414 potassium ion Inorganic materials 0.000 claims description 2
- 238000012959 renal replacement therapy Methods 0.000 claims description 2
- 230000036387 respiratory rate Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 229910001415 sodium ion Inorganic materials 0.000 claims description 2
- 230000035488 systolic blood pressure Effects 0.000 claims description 2
- 239000002585 base Substances 0.000 claims 2
- 208000028399 Critical Illness Diseases 0.000 claims 1
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 claims 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 claims 1
- 230000002688 persistence Effects 0.000 claims 1
- 230000035790 physiological processes and functions Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了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,包括以下步骤。第一步:临床电子病历数据获取,构建以小时为单位步长的患者表格化时间序列;第二步:数据预处理及特征提取,进行临床动态特征解析提取临床经验特征;第三步:对患者时间序列信息进行多层非线性映射表示,构建急性肾损伤持续预警深度学习方法;第四步:基于改进积分梯度方法提出可解释的预警模型对输出结果进行解释;第五步:临床可视化交互界面搭建以辅助临床决策。本发明在融合先验特征的基础上构建急性肾损伤深度表示预警算法,有效提高了患者风险持续追踪的准确性,同时可解释与可视化的交互信息大大提高算法所依托系统的可用性。
Description
技术领域
本发明涉及医学技术领域,尤其涉及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。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
急性肾损伤(Acute kidney injury,AKI)是由多种病因和病理机制引起的以肾功能迅速下降为特征的一种严重临床综合征,具有高发病率和病死率。据相关资料统计,全球每年约有1330万AKI新发病例,近170万人因AKI及其并发症死亡。目前临床上仍然缺乏有效的减少AKI病程的治疗方法,因此对于AKI的预防和早期诊断是其防治中最重要的环节。
随着近二十年来医院信息化建设的高速发展,使得利用大数据、医学统计分析和人工智能等手段构建数字化的AKI疾病早期预警系统成为研究重点。然而基于人工智能预警系统的报警疲劳问题,以及临床工作者无法有效理解报警的出现,使得无法交互式的获得评价患者病情的有效信息以辅助治疗是当前AKI智能预警算法远没有达到临床应用标准的主要问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了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,首先获取临床电子病历数据,然后对数据预处理及特征提取,随后建立急性肾损伤风险的可持续预警和早期识别方法,并对其输出结果进行解释,最后搭建可视化交互界面以辅助临床决策。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种可解释的急性肾损伤持续预警方法,其特征在于,包括以下步骤:
S1:临床电子病历数据获取,构建以小时为单位步长的患者表格化时间序列,选取KDIGO指南中的肌酐和尿量标准定义急性肾损伤的发生以及危急程度;
S2:数据预处理及特征提取,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
S3:急性肾损伤持续预警深度学习方法构建,基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
S4:预警模型可解释方法提出,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素;
S5:临床可视化交互界面搭建,基于提示的可解释信息搭建临床可视化交互界面以辅助临床决策,建立从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
进一步地,从电子病历数据中获取参数信息包括:年龄、性别、身高、体重、合并症、入重症监护室(ICU)时长等人口统计学资料,心率、温度、收缩压、舒张压、平均动脉压、呼吸频率、血氧饱和度等实时采集的生命体征,pH、血氧分压、血二氧化碳分压、吸氧分数、碱剩余、乳酸盐、血糖、血细胞比容、血红蛋白、白细胞计数、血小板、白蛋白、阴离子间隙、碳酸氢盐、尿素氮、肌酐、钙离子、氯离子、钠离子、钾离子、国际标准化比值、尿量等更新的实验室检查信息,选取KDIGO指南中肌酐和尿量标准定义急性肾损伤的发生以及危急程度;进一步地,预处理包括数据标准化、低于生理参数分布1%以下以及高于99%以上的异常值剔除、对缺失值向后以及中值填充法处理;特征提取依据临床先验知识计算得到氧合指数、尿素氮和血肌酐比值、身体质量指数、48小时内血肌酐最低值、12小时尿量,以及缺失值标志序列、当前参数采样与上一次记录差值、过去24小时内生命体征最大值、最小值、中值、标准差、差值序列标准差等统计指标特征。
进一步地,改进的积分梯度方法对持续预警模型进行解释,具体方法如下:假设预警模型表示为f,输入为v,则v的第i个分量的归因值(特征重要度)可以看做是模拟特征缺失的基线b到输入v路径上所有梯度的累计。该路径可表示为γ(α),其中α∈[0,1],并且γ(0)=b,γ(1)=v。在IG中使用直线路径,即γ(α)=b+α(v-b),则表示为:
其中pD为基线概率密度函数,假设α服从区间[0,1]上的均匀分布U,则期望梯度将上述积分重新表示为下式:
为了在实际应用中计算特征归因值,随机从患者人群中选取k个样本作为从基线分布D中选取的基线样本,得到下式:
进一步地,可视化交互界面包括以下模块:数据输入模块中实时显示收集到的各源头数据;随后经预警方法推理后由辅助决策模块提示潜在的危险因素提示干预;之后风险追踪模块实时、持续的判断患者恶化风险,提示进行肾脏替代治疗合适时机;在交互反馈模块,医生首先判断算法给出结果是否正确,并根据临床经验对自动诊断依据和结果进行交互式修正,医生交互式输入知识能够参与到模型补全及拓展工作;模型更新模块基于医生介入反馈结果,重新进行算法反馈式训练,生成表示能力更强大、推理更准确的预警算法。
一个或多个实施例提供了一种可解释的急性肾损伤持续预警系统,包括:
临床电子病历数据获取及整合模块,获取的所述人口统计资料、生命体征及实验室检查等数据信息作为模型训练样本,以小时为单位步长构建的融合重症患者多生理参数信息的表格化时间序列;
数据预处理及特征提取模块,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
急性肾损伤风险持续预警方法模块,基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
急性肾损伤风险持续预警方法可解释模块,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素;
临床可视化信息交互模块,包括从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
一个或多个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,该程序被处理器执行时实现所述可解释的急性肾损伤持续预警方法。
一个或多个实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述可解释的急性肾损伤持续预警方法。
以上一个或多个技术方案存在以下有益效果:
1.本方法只选取了临床最容易收集到的患者基本信息、生命体征和实验室检查信息,在各个医院或机构均易获取,有利于提高模型的泛化能力,同时为减少系统部署复杂度提供有利条件。
2.本方法融合了临床经验特征及深度网络非线性映射的高阶特征表示,有利于挖掘患者随时间变化的潜在动态病理信息,提高急性肾损伤早期识别准确率。
3.本方法每六个小时对患者进行一次未来24小时内患急性肾损伤风险评估,而不仅仅在固定时间点做静态预测,实现了患者风险的动态持续追踪,同时也缓解了误报警频发带来的报警疲劳问题。
4.本方法应用改进的积分梯度方法对深度模型进行解释,提供给医生可靠的患者临床信息反馈,突破了当前“黑箱”模型无法向临床工作人员解释为何模型输出患病风险具体原因的局限性,对于临床辅助决策具有重要的实际应用价值。
5.本方法基于提示的可解释信息提出了一种临床可视化交互界面,突破了当前算法在实际应用中信息流动的单向性,将医生介入纠正的信息引入到算法模型更新当中,打通数据流动,同时将临床宝贵标注信息利用起来。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明可解释的急性肾损伤持续预警方法的流程图。
图2为固定小时步长表格化时间序列示意图。
图3为基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络结构图。
图4为每六个小时进行急性肾损伤持续预警示意图。
图5为单个患者每次预测的特征重要度分布示意图。
图6为临床可视化信息交互示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种可解释的急性肾损伤持续预警方法,如图1所示,包括以下步骤:
步骤1:临床电子病历数据获取,构建以小时为单位步长的患者表格化时间序列,选取KDIGO指南中的肌酐和尿量标准定义急性肾损伤的发生以及危急程度(图2);
步骤2:数据预处理及特征提取,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征。
步骤3:急性肾损伤持续预警深度学习方法构建,基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联(图3),每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警(图4)。
步骤4:预警模型可解释方法提出,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素(图5)。
步骤5:临床可视化交互界面搭建,基于提示的可解释信息搭建临床可视化交互界面以辅助临床决策,建立从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式(图6)。
实施例二
本实施例提供了一种可解释的急性肾损伤持续预警系统,包括:
临床电子病历数据获取及整合模块,获取的所述人口统计资料、生命体征及实验室检查等数据信息作为模型训练样本,以小时为单位步长构建的融合重症患者多生理参数信息的表格化时间序列;
数据预处理及特征提取模块,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
急性肾损伤风险持续预警方法模块,基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
急性肾损伤风险持续预警方法可解释模块,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素。临床可视化信息交互模块,包括从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
实施例三
本实施例的目的是提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,用于指纹图谱相似度计算,该程序被处理器执行时执行以下步骤:
临床电子病历数据获取及整合模块,获取的所述人口统计资料、生命体征及实验室检查等数据信息作为模型训练样本,以小时为单位步长构建的融合重症患者多生理参数信息的表格化时间序列;
数据预处理及特征提取模块,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
急性肾损伤风险持续预警方法模块,基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
急性肾损伤风险持续预警方法可解释模块,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素。临床可视化信息交互模块,包括从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
实施例四
本实施例的目的是提供一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
临床电子病历数据获取及整合模块,获取的所述人口统计资料、生命体征及实验室检查等数据信息作为模型训练样本,以小时为单位步长构建的融合重症患者多生理参数信息的表格化时间序列;
数据预处理及特征提取模块,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
急性肾损伤风险持续预警方法模块,基于扩张因果卷积结合嵌入挤压和激励(SE)模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
急性肾损伤风险持续预警方法可解释模块,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素。临床可视化信息交互模块,包括从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
以上实施例二到四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
实验效果:
本发明获取所述人口统计资料、生命体征及实验室检查等数据信息作为模型训练样本,并以小时为单位步长构建融合重症患者多生理参数信息的表格化时间序列,选取KDIGO指南中肌酐和尿量标准定义急性肾损伤的发生及危急程度。构建预警算法时融合了临床经验特征及深度网络非线性映射的高阶特征表示,能够挖掘患者随时间变化的潜在动态病理信息,提高了急性肾损伤早期识别准确率。此外基于改进的积分梯度方法能够对持续预警模型进行解释,并基于可解释输出信息搭建可视化交互界面,有利于实际部署于临床应用。
测试数据:利用重症领域全球范围最具影响力的公开数据库MIMIC-IV以及eICU-CRD数据作为测试数据。
使用85%的MIMIC-IV数据作为训练集,15%的MIMIC-IV数据作为内部测试集,15%的eICU-CRD数据作为外部测试集。结果表明对于任何急性肾损伤危急程度(AKIstage1/2/3)的持续预测,内部测试集受试者工作特征曲线下面积(AUROC)为0.80,外部测试集AUROC为0.76;对于中重度急性肾损伤危急程度(AKIstage 2/3)的持续预测,内部测试集AUROC为0.83,外部测试集AUROC为0.80。同时,可解释步骤给出了风险高风险因素。这些结果均表明所提出的可解释的急性肾损伤持续预警方法具有实际临床应用价值。
以上一个或多个实施例具有以下技术效果:
1.本方法只选取了临床最容易收集到的患者基本信息、生命体征和实验室检查信息,在各个医院或机构均易获取,有利于提高模型的泛化能力,同时为减少系统部署复杂度提供有利条件。
2.本方法融合了临床经验特征及深度网络非线性映射的高阶特征表示,有利于挖掘患者随时间变化的潜在动态病理信息,提高急性肾损伤早期识别准确率。
3.本方法每六个小时对患者进行一次未来24小时内患急性肾损伤风险评估,而不仅仅在固定时间点做静态预测,实现了患者风险的动态持续追踪,同时也缓解了误报警频发带来的报警疲劳问题。
4.本方法应用改进的积分梯度方法对深度模型进行解释,提供给医生可靠的患者临床信息反馈,突破了当前“黑箱”模型无法向临床工作人员解释为何模型输出患病风险具体原因的局限性,对于临床辅助决策具有重要的实际应用价值。
5.本方法基于提示的可解释信息提出了一种临床可视化交互界面,突破了当前算法在实际应用中信息流动的单向性,将医生介入纠正的信息引入到算法模型更新当中,打通数据流动,同时将临床宝贵标注信息利用起来。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明保护的范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种可解释的急性肾损伤持续预警方法,其特征在于,包括以下步骤:
S1:临床电子病历数据获取,构建以小时为单位步长的患者表格化时间序列,选取KDIGO指南中的肌酐和尿量标准定义急性肾损伤的发生以及危急程度;
S2:数据预处理及特征提取,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
S3:急性肾损伤持续预警深度学习方法构建,基于扩张因果卷积结合嵌入挤压和激励SE模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
S4:预警模型可解释方法提出,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素;
S5:临床可视化交互界面搭建,基于提示的可解释信息搭建临床可视化交互界面以辅助临床决策,建立从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
2.根据权利要求1所述的一种可解释的急性肾损伤持续预警方法,其特征在于,从电子病历数据中获取包括年龄、性别、身高、体重、合并症、入重症监护室ICU时长的人口统计学资料,心率、温度、收缩压、舒张压、平均动脉压、呼吸频率、血氧饱和度的实时采集的生命体征,pH、血氧分压、血二氧化碳分压、吸氧分数、碱剩余、乳酸盐、血糖、血细胞比容、血红蛋白、白细胞计数、血小板、白蛋白、阴离子间隙、碳酸氢盐、尿素氮、肌酐、钙离子、氯离子、钠离子、钾离子、国际标准化比值、尿量的更新的实验室检查信息,以小时为单位步长构建融合重症患者多生理参数信息的表格化时间序列,实时反映患者生理状态;选取KDIGO指南中的肌酐和尿量标准定义急性肾损伤的发生以及危急程度。
3.根据权利要求1所述的一种可解释的急性肾损伤持续预警方法,其特征在于,对数据进行如下预处理和特征提取,预处理包括数据标准化、低于生理参数分布1%以下以及高于99%以上的异常值剔除、对缺失值向后以及中值填充法处理;特征提取依据临床先验知识计算得到氧合指数、尿素氮和血肌酐比值、身体质量指数、48小时内血肌酐最低值、12小时尿量,以及缺失值标志序列、当前参数采样与上一次记录差值、过去24小时内生命体征最大值、最小值、中值、标准差、差值序列标准差的统计指标特征。
4.根据权利要求1所述的一种可解释的急性肾损伤持续预警方法,其特征在于利用改进的积分梯度方法对持续预警模型进行解释,具体方法如下:假设预警模型表示为f,输入为v,则v的第i个分量的归因值可以看做是模拟特征缺失的基线b到输入v路径上所有梯度的累计;该路径可表示为γ(α),其中α∈[0,1],并且γ(0)=b,γ(1)=v;在IG中使用直线路径,即γ(α)=b+α(v-b),则表示为:
其中pD为基线概率密度函数,假设α服从区间[0,1]上的均匀分布U,则期望梯度将上述积分重新表示为下式:
为了在实际应用中计算特征归因值,随机从患者人群中选取k个样本作为从基线分布D中选取的基线样本,得到下式:
5.根据权利要求1所述的一种可解释的急性肾损伤持续预警方法,其特征在于,以可解释信息和临床知识为驱动内核,搭建模块化的临床可视化交互界面以辅助临床决策,建立从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式;在最开始的数据输入模块中实时显示收集到的各源头数据;随后经预警方法推理后由辅助决策模块提示潜在的危险因素提示干预;之后风险追踪模块实时、持续的判断患者恶化风险,提示进行肾脏替代治疗合适时机;在交互反馈模块,医生首先判断算法给出结果是否正确,并根据临床经验对自动诊断依据和结果进行交互式修正,医生交互式输入知识能够参与到模型补全及拓展工作;模型更新模块基于医生介入反馈结果,重新进行算法反馈式训练,生成表示能力更强大、推理更准确的预警算法。
6.一种可解释的急性肾损伤持续预警系统,其特征在于,包括:
临床电子病历数据获取及整合模块,获取的所述人口统计资料、生命体征及实验室检查等数据信息作为模型训练样本,以小时为单位步长构建的融合重症患者多生理参数信息的表格化时间序列;
数据预处理及特征提取模块,进行临床动态特征解析,依据先验知识进行临床信息挖掘,提取临床经验特征;
急性肾损伤风险持续预警方法模块,基于扩张因果卷积结合嵌入挤压和激励SE模块的残差网络对患者时间序列信息进行多层非线性映射表示,自动挖掘患者时间维度前后状态信息的潜在关联,每六小时一次利用过去24小时的信息预测患者将来24小时内患急性肾损伤的风险,实现急性肾损伤风险的持续预警;
急性肾损伤风险持续预警方法可解释模块,利用改进积分梯度方法对持续预警模型进行解释,输出单个患者每次预测的特征重要度分布,提示高危风险因素;
临床可视化信息交互模块,包括从原始数据和可视化预警信息显示到医生实时风险追踪、再到医生介入纠正、从而不断更新模型的全链条交互模式。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:用于指纹图谱相似度计算,该程序被处理器执行时实现权利要求1至6中任意一项所述的可解释的急性肾损伤持续预警方法。
8.一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至6中任意一项所述的可解释的急性肾损伤持续预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042926.1A CN114420231B (zh) | 2022-01-14 | 2022-01-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042926.1A CN114420231B (zh) | 2022-01-14 | 2022-01-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114420231A true CN114420231A (zh) | 2022-04-29 |
CN114420231B CN114420231B (zh) | 2024-04-19 |
Family
ID=81274204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042926.1A Active CN114420231B (zh) | 2022-01-14 | 2022-01-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114420231B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116959715A (zh) * | 2023-09-18 | 2023-10-27 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
CN116978570A (zh) * | 2023-09-25 | 2023-10-31 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
CN117373584A (zh) * | 2023-12-08 | 2024-01-09 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015011592A2 (en) * | 2013-07-26 | 2015-01-29 | Koninklijke Philips N.V. | Computerization and visualization of clinical rules and definitions for patient monitoring systems. |
CA2982794A1 (en) * | 2015-04-15 | 2016-10-20 | The Johns Hopkins University | System and urine sensing devices for and method of monitoring kidney function |
CN112932458A (zh) * | 2021-01-26 | 2021-06-11 | 青岛百洋智能科技股份有限公司 | 急性呼吸窘迫综合症临床智能辅助决策方法及系统 |
CN113017568A (zh) * | 2021-03-03 | 2021-06-25 | 中国人民解放军海军军医大学 | 一种严重创伤患者生理变化及死亡风险预测方法及系统 |
-
2022
- 2022-01-14 CN CN202210042926.1A patent/CN114420231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015011592A2 (en) * | 2013-07-26 | 2015-01-29 | Koninklijke Philips N.V. | Computerization and visualization of clinical rules and definitions for patient monitoring systems. |
CA2982794A1 (en) * | 2015-04-15 | 2016-10-20 | The Johns Hopkins University | System and urine sensing devices for and method of monitoring kidney function |
CN112932458A (zh) * | 2021-01-26 | 2021-06-11 | 青岛百洋智能科技股份有限公司 | 急性呼吸窘迫综合症临床智能辅助决策方法及系统 |
CN113017568A (zh) * | 2021-03-03 | 2021-06-25 | 中国人民解放军海军军医大学 | 一种严重创伤患者生理变化及死亡风险预测方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116959715A (zh) * | 2023-09-18 | 2023-10-27 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
CN116959715B (zh) * | 2023-09-18 | 2024-01-09 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
CN116978570A (zh) * | 2023-09-25 | 2023-10-31 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
CN116978570B (zh) * | 2023-09-25 | 2024-02-06 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
CN117373584A (zh) * | 2023-12-08 | 2024-01-09 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
CN117373584B (zh) * | 2023-12-08 | 2024-03-12 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114420231B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11482336B2 (en) | Systems and methods for transitioning patient care from signal based monitoring to risk based monitoring | |
CN114420231B (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 | |
CN109805898B (zh) | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 | |
US9785745B2 (en) | System and method for providing multi-organ variability decision support for extubation management | |
CN110459328A (zh) | 一种评估心脏骤停的临床决策支持系统 | |
JP6262200B2 (ja) | 信号ベースモニタリングからリスクベースモニタリングへ患者ケアを移行させるシステム及び方法 | |
US20220115143A1 (en) | Systems and Methods for determining the Contribution of a Given Measurement to a Patient State Determination | |
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 | |
US20230317296A1 (en) | Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring | |
EP4229642A1 (en) | System and method for providing clinical decision support | |
CN115049069A (zh) | 一种可视化交互式的脓毒症早期智能预警方法 | |
US10172569B2 (en) | System and method for assisting decisions associated with events relative to withdrawal of life-sustaining therapy using variability measurements | |
CN111951965A (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
EP4035178A1 (en) | Systems and methods for transitioning patient care from signal based monitoring to risk-based monitoring | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测系统 | |
Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
US20240120107A1 (en) | Data processing system and method for predicting a score representative of a probability of a sepsis for a patient | |
Saripalli | Scalable and Data Efficient Deep Reinforcement Learning Methods for Healthcare Applications | |
Pawar et al. | An algorithm for early detection of sepsis using traditional statistical regression modeling | |
CN116469566A (zh) | 一种基于数据处理管道的脓毒症预测模型的构建和使用方法及系统 | |
Zhao et al. | Improving Mortality Risk Prediction Using an LSTM Network Combined With Self-Attention | |
CN115579146A (zh) | 一种胸部创伤后严重失血伤情预测方法与系统 | |
CN117524477A (zh) | 一种基于无创参数的mods动态预警方法及系统 |
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 |