CN114446470A - 基于人工智能模型的急性肾损伤恢复时间预测方法 - Google Patents

基于人工智能模型的急性肾损伤恢复时间预测方法 Download PDF

Info

Publication number
CN114446470A
CN114446470A CN202210105579.2A CN202210105579A CN114446470A CN 114446470 A CN114446470 A CN 114446470A CN 202210105579 A CN202210105579 A CN 202210105579A CN 114446470 A CN114446470 A CN 114446470A
Authority
CN
China
Prior art keywords
kidney injury
acute kidney
data
characteristic
recovery time
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
Application number
CN202210105579.2A
Other languages
English (en)
Inventor
张冲
谢文飞
王欣
孟得力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Baiyao Group Pharmaceutical E Commerce Co ltd
Original Assignee
Yunnan Baiyao Group Pharmaceutical E Commerce Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Baiyao Group Pharmaceutical E Commerce Co ltd filed Critical Yunnan Baiyao Group Pharmaceutical E Commerce Co ltd
Priority to CN202210105579.2A priority Critical patent/CN114446470A/zh
Publication of CN114446470A publication Critical patent/CN114446470A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, 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
    • A61B5/0205Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/20Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/201Assessing renal or kidney functions
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271Specific aspects of physiological measurement analysis
    • A61B5/7275Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Pulmonology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Urology & Nephrology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请涉及一种基于人工智能模型的急性肾损伤恢复时间预测方法,通过采集急性肾损伤指标数据,并储存至数据库;预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。能够对患者临床数据进行适当的预处理后,提取有效特征,并结合人工智能机器学习算法,实现对急性肾损伤患者的恢复时间预测,为急性肾损伤的早期临床干预创造条件。采用分层建模的方法,使用不同的机器学习恢复时间预测模型,使预测结果更符合个体差异性。

Description

基于人工智能模型的急性肾损伤恢复时间预测方法
技术领域
本公开涉及临床医学技术领域,尤其涉及一种基于人工智能模型的急性肾损伤恢复时间预测方法、装置和预测系统。
背景技术
急性肾损伤(Acute Kidney Injury,简称AKI),其临床特点是患者发病快、病情重、预后差,死亡率极高,需要消耗大量的社会医疗资源。急性肾损伤的紧迫之处在于其可以引起危及生命的并发症,主要并发症包括容量超负荷、高钾血症、代谢性酸中毒、低钙血症及高磷血症等。在我国开展的一项涉及42737名年龄在65岁以上的患者,65-79岁患者急性肾损伤发病率为15.44%,65-80岁的急性肾损伤患者的死亡率为10.3%,80岁以上的急性肾损伤患者的死亡率为19.6%。近年来,世界各国在急性肾损伤的治疗领域取得了许多重要进展,但是,急性肾损伤患者的早期诊断及恢复时间判断准确率仍然较低。
急性肾损伤的发病机制复杂,但临床诊断主要依靠尿量、血肌酐(serumcreatinine,Scr)和血尿素氮(blood urea nitrogen,BUN)等三个指标。根据改善全球肾脏病预后(Kidney Disease Improving Global Outcomes,KDIGO)标准,将肌酐、尿量比都分别进行了四个等级的划分,0级别、I级别、II级和III级。综合肌酐、尿量比的等级,将患者急性肾损伤病情的发展分为三个等级,I级别、II级和III级。
急性肾损伤发生后,患者的恢复时间具有个体差异,难以准确判断。如果不能快速预测患者的恢复时间,就有可能过度治疗,进行血液透析(属于连续肾脏替代疗法Continuous renal replacement therapy,简称CRRT)、换肾等。也可能错过可治愈的患者的治疗机会,造成严重后果。
目前临床上关于急性肾损伤的恢复时间预估具有主观性、滞后性,当前主要依靠医生的临床经验,根据患者用药之后或者治疗之后的效果等来预估急性肾损伤患者的恢复时间。
发明内容
为了解决上述问题,本申请提出一种基于人工智能模型的急性肾损伤恢复时间预测方法、装置和预测系统,以此通过对患者临床数据进行适当的预处理后,提取有效特征,并结合人工智能机器学习算法,实现对急性肾损伤患者的恢复时间预测,为急性肾损伤的早期临床干预创造条件。
本申请一方面,提出一种基于人工智能模型的急性肾损伤恢复时间预测方法,包括如下步骤:
S100、采集急性肾损伤指标数据,并储存至数据库;
S200、预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;
S300、对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;
S400、采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
作为本申请的一种可选方案,可选地,在步骤S100中,所述采集急性肾损伤指标数据,并储存至数据库,包括:
S101、获取医疗数据源数据;
S102、从所述医疗数据源数据中,筛选出急性肾损伤患者在ICU期间的急性肾损伤指标数据;
S103、设定时间顺序,将所述急性肾损伤指标数据按照所述时间顺序进行排列和标记,将标记后的所述急性肾损伤指标数据储存至数据库。
作为本申请的一种可选方案,可选地,所述急性肾损伤指标数据包括下列中的至少一种:血肌酐、尿量、临床检测、并发症、生命体征或医学评分。
作为本申请的一种可选方案,可选地,在步骤S200中,所述预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据,包括:
S201、获取按照时间顺序排列的所述急性肾损伤指标数据;
S202、预设若干特征提取时间段,获取所述急性肾损伤指标数据在所述若干特征提取时间段内的特征量;
S203、采集所有特征量,并进行特征变换,获得急性肾损伤特征数据。
作为本申请的一种可选方案,可选地,所述在所述若干特征提取时间段内的特征量包括:
血肌酐的特征量,包括下列中的至少一种:在所述若干特征提取时间段内的肌酐值的最小值、最大值、中位值或均值;
尿量的特征量,包括下列中的至少一种:在所述若干特征提取时间段内的尿量测量的最小值、最大值、中位值或均值、总和或尿量比值;
临床检测的特征量,包括下列中的至少一种:尿量比Urine Ratio、乳酸Lactate、肌钙蛋白Troponin、凝血酶原时间PT、总胆红素bilirubin、血小板Platelet或碳酸氢盐HCO3-,分别在所述若干特征提取时间段内的最小值、最大值、中位值或均值;
并发症的特征量,包括下列中的至少一种:脓毒症(1=是,0=否)或高血压(1=是,0=否)分别在所述若干特征提取时间段内的得分值;
生命体征的特征量,包括下列中的至少一种:心率或呼吸频率在所述若干特征提取时间段内的测量值;
医学评分的特征量,包括下列中的至少一种:ApacheII评分、Angus评分或SOFA评分,分别在所述若干特征提取时间段内的评分值。
作为本申请的一种可选方案,可选地,在步骤S300中,所述预处理方法为缺失值填补、归一化处理或特征变换中的至少一种方法。
作为本申请的一种可选方案,可选地,在步骤S400,所述采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间,包括:
S401、分层构建对应不同类别患者的预测模型;
S402、使用分层构建的预测模型,分别对不同类别患者的所述急性肾损伤特征预处理数据进行预测,获得不同类别患者的预估恢复时间天数。
本申请另一方面,提出一种实现上述所述的基于人工智能模型的急性肾损伤恢复时间预测方法的装置,包括:
数据采集模块,用于采集急性肾损伤指标数据,并储存至数据库;
特征提取模块,用于预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;
特征预处理模块,用于对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;
预测模块,用于采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
本申请另一方面,还提出一种预测系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现上述所述的基于人工智能模型的急性肾损伤恢复时间预测方法。
本发明的技术效果:
本申请通过采集急性肾损伤指标数据,并储存至数据库;预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。能够对患者临床数据进行适当的预处理后,提取有效特征,并结合人工智能机器学习算法,实现对急性肾损伤患者的恢复时间预测,为急性肾损伤的早期临床干预创造条件。基于急性肾损伤患者指标预测急性肾损伤恢复时间,诊断结果比现有医生基于经验预估的方法更加客观,而且模型预测实施方法也简单、易行、可靠,为临床患者个体化诊断及早期治疗提供依据。采用分层建模的方法,针对不同类别的急性肾损伤患者,分别使用不同的机器学习恢复时间预测模型,使预测结果更符合个体差异性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出为本发明基于人工智能模型的急性肾损伤恢复时间预测方法的实施流程示意图;
图2示出为本发明实施例2中装置的组成结构示意图;
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
实施例1
如图1所示,公开提出了一种基于人工智能模型的急性肾损伤恢复时间预测方法,包括如下步骤:
S100、采集急性肾损伤指标数据,并储存至数据库;
本申请用于急性肾损伤恢复时间预测,因此需要在医疗数据源中采集数据,包括下列中的至少一种急性肾损伤患者在ICU期间的人口学特征、血肌酐、尿量、临床检验检测类、并发症、生命体征等指标数据。
首先,需要筛选出符合一定条件的急性肾损伤患者。需要满足:入ICU48小时内且满足KDIGO标准。其中,需要排除下列患者:
确诊为慢性肾损伤;
持续接受透析;
符合上述的患者,为本发明范围的急性肾损伤患者。
本实施例,提出一种针对不同类别的患者进行恢复时间预测的实施方案,分别对应男性、女性患者的急性肾损伤恢复时间模型进行预测,输出预估恢复时间天数;在预训练模型构建模块中,采用分层建模的方法,针对不同类别的急性肾损伤患者,分别使用不同的机器学习恢复时间预测模型,使预测结果更符合个体差异性。
类别可以是性别或者不同年龄段或者其他分类类型。本实施例,对不同性别的患者进行预测。
S200、预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;
从急性肾损伤指标数据中,提取不同指标的特征,以此体现急性肾损伤发病过程。特征提取条件,按照时间顺序排列的指标进行特征提取,获得不同时间段的特征量。下述将具体参数。
S300、对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;
将提取的特征进行处理,包括下列中的至少一种缺失值填补、归一化处理、特征变换等,以达到模型预测的使用目的。
S400、采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
采用已训练的机器学习算法,包括下列中的至少一种线性回归、决策树、随机森林、支持向量机、极端树回归模型等,对经过预处理的特征进行预测,输出预估恢复时间天数。能够根据急性肾损伤患者的多项特征,运用人工智能算法预测患者恢复时间天数的方法。诊断结果比现有医生基于经验预估的方法更加客观,而且模型预测实施方法也简单、易行、可靠,为临床患者个体化诊断及早期治疗提供依据。
作为本申请的一种可选方案,可选地,在步骤S100中,所述采集急性肾损伤指标数据,并储存至数据库,包括:
S101、获取医疗数据源数据;
S102、从所述医疗数据源数据中,筛选出急性肾损伤患者在ICU期间的急性肾损伤指标数据;
S103、设定时间顺序,将所述急性肾损伤指标数据按照所述时间顺序进行排列和标记,将标记后的所述急性肾损伤指标数据储存至数据库。
本实施例,从医疗数据源采集数据,包括下列中的至少一种急性肾损伤患者在ICU期间的人口学特征、血肌酐、尿量、临床检测类、并发症、生命体征等数据,并对每一项数据按照时间顺序排列(入ICU6小时、12小时、18小时、24小时、36小时),并进行标记;将标记后的所述急性肾损伤指标数据储存至数据库。
作为本申请的一种可选方案,可选地,所述急性肾损伤指标数据包括下列中的至少一种:血肌酐、尿量、临床检测、并发症、生命体征或医学评分。本技术,创造性利用急性肾损伤患者在ICU期间的人口学特征、血肌酐、尿量、临床检测类、并发症、生命体征等指标,创新性的提取了以下特征用于急性肾损伤恢复时间预测:尿量比Urine Ratio、乳酸Lactate、肌钙蛋白Troponin、凝血酶原时间PT、总胆红素bilirubin、血小板Platelet、碳酸氢盐HCO3-和Angus评分等。预测输出的急性肾损伤恢复时间,诊断结果比现有医生基于经验预估的方法更加客观,而且模型预测实施方法也简单、易行、可靠。
特征提取方法,可以是如下方法中的一种:使用同一个特征在不同时间点的测量值;使用同一个特征在一定时间段内的最小值、最大值、中位值或均值、总和等统计结果;使用多种非线性变换方法,包括下列中的至少一种sin、tan等变换函数。
作为本申请的一种可选方案,可选地,在步骤S200中,所述预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据,包括:
S201、获取按照时间顺序排列的所述急性肾损伤指标数据;
时间顺序设定如下:入ICU6小时、12小时、18小时、24小时、36小时。
分别获取每一项指标数据按照该时间顺序排列的特征量,以此体现急性肾损伤发病过程,增强模型耦合性。
S202、预设若干特征提取时间段,获取所述急性肾损伤指标数据在所述若干特征提取时间段内的特征量;
具体提取时:使用同一个特征在一定时间段内的最小值、最大值、中位值或均值、总和等统计结果,即采集性肾损伤患者在ICU期间的人口学特征、血肌酐、尿量、临床检测类、并发症、生命体征等指标数据在上述不同时间段的最小值、最大值、中位值或均值、总和,作为该指标的特征量,作为该指标的特征量。
S203、采集所有特征量,并进行特征变换,获得急性肾损伤特征数据。
使用同一个特征在一定时间段内的统计结果,运用sin、tan等变换函数,将提取的特征进行非线性转换。
具体的,作为本申请的一种可选方案,可选地,所述在所述若干特征提取时间段内的特征量包括:
血肌酐的特征量,包括下列中的至少一种:在所述若干特征提取时间段内的肌酐值的最小值、最大值、中位值或均值;即在入ICU6小时、18小时、24小时、36小时内肌酐值的最小值、最大值、中位值或均值。
尿量的特征量,包括下列中的至少一种:在所述若干特征提取时间段内的尿量测量的最小值、最大值、中位值或均值、总和或尿量比值;即在上述一定时间段内尿量测量的最小值、最大值、中位值或均值、总和以及尿量比(尿量与体重的比值)等统计量。
临床检测的特征量,包括下列中的至少一种:尿量比Urine Ratio、乳酸Lactate、肌钙蛋白Troponin、凝血酶原时间PT、总胆红素bilirubin、血小板Platelet或碳酸氢盐HCO3-,分别在所述若干特征提取时间段内的最小值、最大值、中位值或均值;即乳酸、血红蛋白、肌钙蛋白、白蛋白、凝血酶原时间、总胆红素、血小板在上述一定时间段内的最小值、最大值、中位值或均值。
并发症的特征量,包括下列中的至少一种:脓毒症(1=是,0=否)或高血压(1=是,0=否)分别在所述若干特征提取时间段内的得分值;即脓毒症(1=是,0=否)或高血压(1=是,0=否)分别在入ICU6小时、18小时、24小时、36小时内肌酐值的脓毒症(1=是,0=否)得分值或高血压(1=是,0=否)得分值。
生命体征的特征量,包括:心率或呼吸频率在所述若干特征提取时间段内的测量值;即心率、呼吸频率在上述一定时间段内的测量值。
医学评分的特征量,包括:ApacheII评分、Angus评分或SOFA评分,分别在所述若干特征提取时间段内的评分值。即ApacheII评分、Angus评分、SOFA评分在上述一定时间段内的测量值。
作为本申请的一种可选方案,可选地,在步骤S300中,所述预处理方法为缺失值填补、归一化处理或特征变换中的至少一种方法。
缺失值填补:提取的患者临床特征可能存在不完整的情况,该模块用于对缺失的特征进行插补处理,其中连续特征采用中位值插补,分类特征采用频数最高的等级进行插补;
归一化处理:将提取的特征进行归一化处理后作为急性肾损伤预测的特征向量;
特征变换:运用sin、tan等变换函数,将提取的特征进行非线性转换。
作为本申请的一种可选方案,可选地,在步骤S400,所述采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间,包括:
S401、分层构建对应不同类别患者的预测模型;
本发明采用已训练的机器学习算法,包括下列中的至少一种线性回归、决策树、随机森林、支持向量机、极端树回归模型等,对经过预处理的特征进行预测。考虑到不同类别的患者的恢复时间存在显著差异,本发明采用了“分层建模”的方法。
针对不同类别的患者,分别对应男性、女性患者的急性肾损伤恢复时间模型进行预测,输出预估恢复时间天数;
S402、使用分层构建的预测模型,分别对不同类别患者的所述急性肾损伤特征预处理数据进行预测,获得不同类别患者的预估恢复时间天数。
在预训练模型构建模块中,采用分层建模的方法,针对不同类别的急性肾损伤患者,分别使用不同的机器学习恢复时间预测模型。使预测结果更符合个体差异性。
因此,本申请通过采集急性肾损伤指标数据,并储存至数据库;预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
能够对患者临床数据进行适当的预处理后,提取有效特征,并结合人工智能机器学习算法,实现对急性肾损伤患者的恢复时间预测,为急性肾损伤的早期临床干预创造条件。
基于急性肾损伤患者指标预测急性肾损伤恢复时间,诊断结果比现有医生基于经验预估的方法更加客观,而且模型预测实施方法也简单、易行、可靠,为临床患者个体化诊断及早期治疗提供依据。采用分层建模的方法,针对不同类别的急性肾损伤患者,分别使用不同的机器学习恢复时间预测模型,使预测结果更符合个体差异性。
需要说明的是,尽管以作为示例介绍了如上预处理方法和预测模型,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据实际应用场景灵活设定预处理方法和预测模型,只要可以按照上述技术方法实现本申请的技术功能即可。
在本技术中,优选各个特征量包括所有列举的指标数据,如临床检测的特征量,包括:尿量比Urine Ratio、乳酸Lactate、肌钙蛋白Troponin、凝血酶原时间PT、总胆红素bilirubin、血小板Platelet和碳酸氢盐HCO3-,分别在所述若干特征提取时间段内的最小值、最大值、中位值和均值。
实施例2
基于实施例1的实施原理,本实施例提出一种装置来实现上述实施例1的各控制方法的实施例的流程。
如图2所示,本申请另一方面,提出一种实现上述所述的基于人工智能模型的急性肾损伤恢复时间预测方法的装置,包括:
数据采集模块,用于采集急性肾损伤指标数据,并储存至数据库;
特征提取模块,用于预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;
特征预处理模块,用于对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;
预测模块,用于采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
上述装置的具体功能参见实施例1的描述,本处不再赘述。
显然,本领域的技术人员应该明白,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制方法的实施例的流程。上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,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,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
实施例3
更进一步地,根据本公开的另一方面,还提供了一种预测系统。
本申请另一方面,还提出一种预测系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现上述所述的基于人工智能模型的急性肾损伤恢复时间预测方法。
本公开实施例来预测系统包括处理器以及用于存储处理器可执行指令的存储器。其中,处理器被配置为执行可执行指令时实现前面任一所述的一种基于人工智能模型的急性肾损伤恢复时间预测方法。
此处,应当指出的是,处理器的个数可以为一个或多个。同时,在本公开实施例的溯源系统中,还可以包括输入装置和输出装置。其中,处理器、存储器、输入装置和输出装置之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本公开实施例的一种基于人工智能模型的急性肾损伤恢复时间预测方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块,从而执行溯源系统的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,包括如下步骤:
S100、采集急性肾损伤指标数据,并储存至数据库;
S200、预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;
S300、对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;
S400、采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
2.根据权利要求1所述的基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,在步骤S100中,所述采集急性肾损伤指标数据,并储存至数据库,包括:
S101、获取医疗数据源数据;
S102、从所述医疗数据源数据中,筛选出急性肾损伤患者在ICU期间的急性肾损伤指标数据;
S103、设定时间顺序,将所述急性肾损伤指标数据按照所述时间顺序进行排列和标记,将标记后的所述急性肾损伤指标数据储存至数据库。
3.根据权利要求2所述的基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,所述急性肾损伤指标数据包括下列中的至少一种:血肌酐、尿量、临床检测、并发症、生命体征或医学评分。
4.根据权利要求1所述的基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,在步骤S200中,所述预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据,包括:
S201、获取按照时间顺序排列的所述急性肾损伤指标数据;
S202、预设若干特征提取时间段,获取所述急性肾损伤指标数据在所述若干特征提取时间段内的特征量;
S203、采集所有特征量,并进行特征变换,获得急性肾损伤特征数据。
5.根据权利要求4所述的基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,所述在所述若干特征提取时间段内的特征量包括:
血肌酐的特征量,包括下列中的至少一种:在所述若干特征提取时间段内的肌酐值的最小值、最大值、中位值或均值;
尿量的特征量,包括下列中的至少一种:在所述若干特征提取时间段内的尿量测量的最小值、最大值、中位值或均值、总和或尿量比值;
临床检测的特征量,包括下列中的至少一种:尿量比Urine Ratio、乳酸Lactate、肌钙蛋白Troponin、凝血酶原时间PT、总胆红素bilirubin、血小板Platelet或碳酸氢盐HCO3-,分别在所述若干特征提取时间段内的最小值、最大值、中位值或均值;
并发症的特征量,包括下列中的至少一种:脓毒症(1=是,0=否)或高血压(1=是,0=否)分别在所述若干特征提取时间段内的得分值;
生命体征的特征量,包括下列中的至少一种:心率或呼吸频率在所述若干特征提取时间段内的测量值;
医学评分的特征量,包括下列中的至少一种:ApacheII评分、Angus评分或SOFA评分,分别在所述若干特征提取时间段内的评分值。
6.根据权利要求1所述的一种基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,在步骤S300中,所述预处理方法为缺失值填补、归一化处理或特征变换中的至少一种方法。
7.根据权利要求1所述的一种基于人工智能模型的急性肾损伤恢复时间预测方法,其特征在于,在步骤S400,所述采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间,包括:
S401、分层构建对应不同类别患者的预测模型;
S402、使用分层构建的预测模型,分别对不同类别患者的所述急性肾损伤特征预处理数据进行预测,获得不同类别患者的预估恢复时间天数。
8.一种实现权利要求1-7中任一项所述的基于人工智能模型的急性肾损伤恢复时间预测方法的装置,其特征在于,包括:
数据采集模块,用于采集急性肾损伤指标数据,并储存至数据库;
特征提取模块,用于预设特征提取条件,根据所述特征提取条件,从所述急性肾损伤指标数据中提取并获得急性肾损伤特征数据;
特征预处理模块,用于对获得的所述急性肾损伤特征数据进行预处理,获得急性肾损伤特征预处理数据;
预测模块,用于采用预测模型,对所述急性肾损伤特征预处理数据进行预测,获得急性肾损伤恢复时间。
9.根据权利要求8所述的装置,其特征在于,所述急性肾损伤指标数据包括下列中的至少一种:血肌酐、尿量、临床检测、并发症、生命体征或医学评分。
10.一种预测系统,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任意一项所述的基于人工智能模型的急性肾损伤恢复时间预测方法。
CN202210105579.2A 2022-01-28 2022-01-28 基于人工智能模型的急性肾损伤恢复时间预测方法 Pending CN114446470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210105579.2A CN114446470A (zh) 2022-01-28 2022-01-28 基于人工智能模型的急性肾损伤恢复时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210105579.2A CN114446470A (zh) 2022-01-28 2022-01-28 基于人工智能模型的急性肾损伤恢复时间预测方法

Publications (1)

Publication Number Publication Date
CN114446470A true CN114446470A (zh) 2022-05-06

Family

ID=81368821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210105579.2A Pending CN114446470A (zh) 2022-01-28 2022-01-28 基于人工智能模型的急性肾损伤恢复时间预测方法

Country Status (1)

Country Link
CN (1) CN114446470A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI796228B (zh) * 2022-05-25 2023-03-11 臺中榮民總醫院 急性腎損傷預測系統及其方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190122189A (ko) * 2019-10-21 2019-10-29 성균관대학교산학협력단 뇌졸중 환자의 운동 회복 예측 모델
CN110827992A (zh) * 2019-11-15 2020-02-21 袁洪 高血压术后急性肾损伤的术前预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190122189A (ko) * 2019-10-21 2019-10-29 성균관대학교산학협력단 뇌졸중 환자의 운동 회복 예측 모델
CN110827992A (zh) * 2019-11-15 2020-02-21 袁洪 高血压术后急性肾损伤的术前预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李敏: "基于MIMIC--Ⅲ数据库的重症患者AKI预警系统的建立", 万方数据, 14 December 2020 (2020-12-14), pages 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI796228B (zh) * 2022-05-25 2023-03-11 臺中榮民總醫院 急性腎損傷預測系統及其方法
US11937932B2 (en) 2022-05-25 2024-03-26 Taichung Veterans General Hospital Acute kidney injury predicting system and method thereof

Similar Documents

Publication Publication Date Title
Singh et al. A deep neural network for early detection and prediction of chronic kidney disease
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
CN107785057B (zh) 医疗数据处理方法、装置、存储介质和计算机设备
US20080082356A1 (en) System and method to optimize control cohorts using clustering algorithms
CN113053535B (zh) 一种医疗信息预测系统及医疗信息预测方法
WO2022060949A1 (en) Systems and methods for automatically identifying a candidate patient for enrollment in a clinical trial
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN109243620A (zh) 基于血药浓度监测的药效优化方法及装置
Xiong et al. Prediction of hemodialysis timing based on LVW feature selection and ensemble learning
CN111063448A (zh) 输血不良反应数据库建立方法、存储系统以及主动预警系统
Cai et al. Predicting acute kidney injury risk in acute myocardial infarction patients: an artificial intelligence model using medical information mart for intensive care databases
CN114049952A (zh) 一种基于机器学习的术后急性肾损伤智能预测方法及装置
CN116598012A (zh) 一种基于联邦学习价值评估的慢性病医疗保健方法和系统
CN114446470A (zh) 基于人工智能模型的急性肾损伤恢复时间预测方法
EP3788640A1 (en) Method and apparatus for subtyping subjects based on phenotypic information
CN116246749B (zh) 集成电子病历的内分泌病人个性化健康管理系统
CN113220895A (zh) 基于强化学习的信息处理方法、装置、终端设备
CN115547502B (zh) 基于时序数据的血透病人风险预测装置
CN116110594B (zh) 基于关联文献的医学知识图谱的知识评价方法及系统
CN111640517A (zh) 病历编码方法、装置、存储介质及电子设备
CN116150690A (zh) DRGs决策树构建方法及装置、电子设备、存储介质
CN115526882A (zh) 一种医学图像的分类方法、装置、设备及存储介质
CN115631823A (zh) 相似病例推荐方法及系统
CN110570943B (zh) 智能推荐mdt入组的方法及装置、电子设备、存储介质
CN113571179A (zh) 基于知识图谱的指标提取方法和装置

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