CN114783587A - 严重急性肾损伤智能预测系统 - Google Patents
严重急性肾损伤智能预测系统 Download PDFInfo
- Publication number
- CN114783587A CN114783587A CN202210276415.6A CN202210276415A CN114783587A CN 114783587 A CN114783587 A CN 114783587A CN 202210276415 A CN202210276415 A CN 202210276415A CN 114783587 A CN114783587 A CN 114783587A
- Authority
- CN
- China
- Prior art keywords
- prediction
- severe acute
- risk factor
- model
- aki
- 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
- G16H50/20—ICT 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H50/30—ICT 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了严重急性肾损伤智能预测系统,涉及医学技术领域,其技术方案要点是:包括预测标准选择单元、风险因素输入模块、预测执行单元和预测结果显示及解读模块;预测标准选择单元用于严重急性肾损伤诊断标准的选择;风险因素输入模块用于输入各风险因素值;预测执行单元根据预测标准选择单元选择的诊断标准及输入风险因素输入模块中的各风险因素值,利用预测模型进行重症急性心肌梗死的预测,并将预测结果传递至预测结果显示及解读模块。本发明的该预测系统能够预测重症急性心肌梗死(AKI)在ICU住院第一周的发展情况,且预测操作便捷,准确度高,效率高,便于为医疗人员提供早期干预或预警的时间窗,便于对患者及时进行早期的干预或防治。
Description
技术领域
本发明涉及医学技术领域,更具体地说,它涉及严重急性肾损伤智能预测系统。
背景技术
急性肾损伤(AKI)是肾移植、心脏术后、脓毒血症患者的一种常见且严重的并发症。目前,实验室主要依靠血肌酐和尿量变化预测AKI的发生,但是血肌酐和尿量只有在肾功能明显受损时才有可能检测出变化,敏感性非常差,由于血清肌酐和尿量的变化具有滞后性和不稳定性,不能对AKI进行早期有效的预测和风险评估,因而患者不能得到及时治疗。
目前,现有技术中对于严重急性肾损伤的预测中,检测的指标多,且检测成本较高,预测的便捷度、准确度和效率低。
因此,本发明旨在提供一种严重急性肾损伤智能预测系统,以解决上述问题。
发明内容
本发明的目的是为了解决上述问题,提供严重急性肾损伤智能预测系统,本发明的该预测系统能够预测重症急性心肌梗死(AKI)在ICU住院第一周的发展情况,且预测操作便捷,准确度高,效率高,便于为医疗人员提供早期干预或预警的时间窗,便于对患者及时进行早期的干预或防治。
本发明的上述技术目的是通过以下技术方案得以实现的:严重急性肾损伤智能预测系统,包括预测标准选择单元、风险因素输入模块、预测执行单元和预测结果显示及解读模块;
所述预测标准选择单元用于严重急性肾损伤诊断标准的选择;
所述风险因素输入模块用于输入各风险因素值;
所述预测执行单元根据预测标准选择单元选择的诊断标准及输入风险因素输入模块中的各风险因素值,利用预测模型进行重症急性心肌梗死的预测,并将预测结果传递至预测结果显示及解读模块;
所述预测结果显示及解读模块用于显示及解读预测执行单元的预测结果;所述预测模块包括尿量和血肌酐不同严重急性肾损伤诊断标准。
进一步地,所述预测模型包括对应预测标准选择单元的诊断标准选择的AKI-23型号预测模型和AKI-3型号预测模型。
进一步地,所述预测模型采用随机森林机器学习算法构建。
进一步地,所述AKI-23型号预测模型和AKI-3型号预测模型基于KDIGO-UOP和KDIGO SCr标准定义。
综上所述,本发明具有以下有益效果:
1、本发明的预测系统基于医疗大数据背景和机器学习算法而形成人工智能预测系统,能够对重症急性心肌梗死(AKI)在ICU住院第一周的发展情况进行精准预测;
2、本发明的该预测系统可植入医疗系统,实现自动化的获取患者的相关的数据,对重症急性心肌梗死实现自动预警;且该预测系统方便医生操作使用,便于医生对该疾病进行简单、便捷且高效的预测;
3、通过本发明的该预测系统,便于为医疗人员提供早期干预或预警的时间窗,从而便于对患者及时进行早期的干预或防治;
4、本发明的该预测系统可以对该类患者进行早期分层,便于早期调配医疗资源,优化医疗资源的分配,减少患者的住院时间和住院成本。
附图说明
图1是本发明实施例中预测系统的诊断标准选择界面图;
图2是本发明实施例中预测系统的风险因素输入界面图;
图3是本发明实施例中预测系统的预测执行界面图;
图4是本发明实施例中预测系统的预测结果显示及解读界面图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明的实施例及附图,对本发明的技术方案进行进一步详细地描述,显然,所描述的实施例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。
需要说明的是,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。下面将结合实施例来详细说明本发明。
实施例:
严重急性肾损伤智能预测系统,包括预测标准选择单元、风险因素输入模块、预测执行单元和预测结果显示及解读模块;
预测标准选择单元用于严重急性肾损伤诊断标准的选择;
风险因素输入模块用于输入各风险因素值;
预测执行单元根据预测标准选择单元选择的诊断标准及输入风险因素输入模块中的各风险因素值,利用预测模型进行重症急性心肌梗死的预测,并将预测结果传递至预测结果显示及解读模块;
预测结果显示及解读模块用于显示及解读预测执行单元的预测结果;预测模块包括尿量和血肌酐不同严重急性肾损伤诊断标准。
其中,预测模型包括对应预测标准选择单元的诊断标准选择的AKI-23型号预测模型和AKI-3型号预测模型。
其中,预测模型采用随机森林机器学习算法构建。
其中,AKI-23型号预测模型和AKI-3型号预测模型基于KDIGO-UOP和KDIGO SCr标准定义。
在本实施例中,本发明的技术方案的主要目的是预测重症急性心肌梗死(AKI)在ICU住院第一周的发展情况。AKI-23和AKI-3详细阐述了以下两项主要结果:
1)AKI-23:在ICU住院的第一周内预测AKI 2或3期的首次发病。
2)AKI-3:在ICU住院的第一周预测AKI 3期的首次发病。
临床预测模型
对于每个预测任务,根据不同的KDIGO定义,开发了三个以下的模型:
(1)AKI-23型号:
1)AKI-23_UOP:AKI-23是根据KDIGO-UOP标准定义的;
2)AKI-23_SCr:AKI-23是根据KDIGO SCr标准定义的;
3)AKI-23_UOP_SCr:AKI-23是根据KDIGO UOP SCr标准定义的。
(2)AKI-3型号:
1)AKI-3_UOP:AKI-3是根据KDIGO-UOP标准定义的;
2)AKI-3_uSCR:AKI-3是根据KDIGO SCr标准定义的;
3)AKI-3_UOP_SCr模型:AKI-3是根据KDIGO UOP SCr标准定义的。
预测模型是使用随机森林算法开发的,因为机器学习算法在大多数研究中的表现也比目前使用的逻辑回归更好。本实施例中预测模型的随机森林机器学习算法由基于R版本3.5.1的R“randomForest”软件包执行。数据来自协作研究数据库(eICU,https://eicu-crd.mit.edu/)(v1.2)和重症监护医疗信息集市(MIMIC-III:v1.4,https://mimic.physionet.org/)。
预测器选择:
对于每位患者,提取与AKI相关的大多数常规临床ICU数据作为潜在预测因子。在发展队列中,潜在的预测因素被输入到选择过程中。最后一组预测变量由每个预测模型的单变量分析确定。当观察到统计学差异在0.05水平时,这些变量与严重AKI表现出强烈相关性时,被选为最终预测因子。
预测模型开发和内部验证:
选择用作每个模型预测因子的变量,以及仅在开发队列中进行模型开发。在开发队列中,通过10倍交叉验证验证了模型的性能和稳定性。然后,在内部验证队列中评估不同模型的性能。此外,随后对模型进行评估,以预测主要临床结果,即RRT或透析的需求、ICU出院时的死亡率和出院时的死亡率。模型开发和内部验证由R版本3.5.1执行。
预测模型的变量选择与模型开发
本实施例中的预测模型的变量的选择通过提取一组48个潜在预测因子,这些预测因子来自入院前、ICU入院时和ICU住院第一天,包括人口统计学信息、主要诊断、共病、呼吸和血流动力学支持(机械通气和血管加压剂的使用)、生命体征、实验室检查,从数据库中获取ICU入住第一天的序贯器官衰竭评估(SOFA)评分。在ICU住院的第一天提取生命体征的最大值和最小值作为候选预测因子。所有预测模型都是由500棵树组成的随机森林。
在本实施例中,该预测系统的操作方法为:
第一步:严重急性肾损伤诊断标准选择;
第二步:风险因素输入界面输入各风险因素值;
第三步:点击预测执行按键;
第四步:解读预测结果。
在本发明的上述实施例中,本发明的该预测系统基于医疗大数据背景和机器学习算法而形成人工智能预测系统,能够对重症急性心肌梗死(AKI)在ICU住院第一周的发展情况进行精准预测;此外,该预测系统可植入医疗系统,实现自动化的获取患者的相关的数据,对重症急性心肌梗死实现自动预警;且该预测系统方便医生操作使用,便于医生对该疾病进行简单、便捷且高效的预测;同时,该预测系统,便于为医疗人员提供早期干预或预警的时间窗,从而便于对患者及时进行早期的干预或防治。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.严重急性肾损伤智能预测系统,其特征是:包括预测标准选择单元、风险因素输入模块、预测执行单元和预测结果显示及解读模块;
所述预测标准选择单元用于严重急性肾损伤诊断标准的选择;
所述风险因素输入模块用于输入各风险因素值;
所述预测执行单元根据预测标准选择单元选择的诊断标准及输入风险因素输入模块中的各风险因素值,利用预测模型进行重症急性心肌梗死的预测,并将预测结果传递至预测结果显示及解读模块;
所述预测结果显示及解读模块用于显示及解读预测执行单元的预测结果。
2.根据权利要求1所述的严重急性肾损伤智能预测系统,其特征是:所述预测模型包括对应预测标准选择单元的诊断标准选择的AKI-23型号预测模型和AKI-3型号预测模型。
3.根据权利要求1所述的严重急性肾损伤智能预测系统,其特征是:所述预测模型采用随机森林机器学习算法构建。
4.根据权利要求2所述的严重急性肾损伤智能预测系统,其特征是:所述AKI-23型号预测模型和AKI-3型号预测模型基于KDIGO-UOP和KDIGO SCr标准定义。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276415.6A CN114783587A (zh) | 2022-03-21 | 2022-03-21 | 严重急性肾损伤智能预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276415.6A CN114783587A (zh) | 2022-03-21 | 2022-03-21 | 严重急性肾损伤智能预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114783587A true CN114783587A (zh) | 2022-07-22 |
Family
ID=82425323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210276415.6A Pending CN114783587A (zh) | 2022-03-21 | 2022-03-21 | 严重急性肾损伤智能预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783587A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877738A (zh) * | 2024-03-13 | 2024-04-12 | 简阳市人民医院 | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 |
-
2022
- 2022-03-21 CN CN202210276415.6A patent/CN114783587A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877738A (zh) * | 2024-03-13 | 2024-04-12 | 简阳市人民医院 | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 |
CN117877738B (zh) * | 2024-03-13 | 2024-05-07 | 简阳市人民医院 | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Predicting in-hospital mortality of patients with acute kidney injury in the ICU using random forest model | |
Fialho et al. | Data mining using clinical physiology at discharge to predict ICU readmissions | |
Cramer et al. | Predicting the incidence of pressure ulcers in the intensive care unit using machine learning | |
Ko et al. | 28n19 Ijaet0319396 V7 Iss1 242 254 | |
Azari et al. | Predicting hospital length of stay (PHLOS): A multi-tiered data mining approach | |
Ramon et al. | Mining data from intensive care patients | |
Yadav et al. | Detection of common risk factors for diagnosis of cardiac arrhythmia using machine learning algorithm | |
García-Gallo et al. | A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis | |
Xiong et al. | Machine learning models in type 2 diabetes risk prediction: results from a cross-sectional retrospective study in Chinese adults | |
CN114203296A (zh) | 基于患者数据的用于健康护理诊断和治疗的贝叶斯因果关系网络模型 | |
Deschepper et al. | A hospital wide predictive model for unplanned readmission using hierarchical ICD data | |
Jiang et al. | Readmission risk trajectories for patients with heart failure using a dynamic prediction approach: retrospective study | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
Lu et al. | Understanding heart failure patients EHR clinical features via SHAP interpretation of tree-based machine learning model predictions | |
US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
Abidi | Ontology-based knowledge modeling to provide decision support for comorbid diseases | |
Habib et al. | A neutrosophic clinical decision-making system for cardiovascular diseases risk analysis | |
Weiss et al. | Statistical relational learning to predict primary myocardial infarction from electronic health records | |
EP4107754A1 (en) | Medical machine learning system and method | |
Nistal-Nuño | Machine learning applied to a Cardiac Surgery Recovery Unit and to a Coronary Care Unit for mortality prediction | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
Liu et al. | Kgdal: knowledge graph guided double attention lstm for rolling mortality prediction for aki-d patients | |
US20230307133A1 (en) | Method and system for generating a patient-specific clinical meta-pathway using machine learning | |
CN114898859A (zh) | 急性主动脉夹层院内预后预测系统 |
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 |