CN115050454A - 预测机械通气脱机的方法、装置、设备及存储介质 - Google Patents

Abstract

本申请适用于人工智能技术领域，提供了一种预测机械通气脱机的方法、装置、设备及存储介质，包括：获取患者的健康生命体征画像；获取患者对应的可脱机时的通气参数画像；获取患者在机械通气时的实时生命体征画像和实时通气参数画像；根据健康生命体征画像和实时生命体征画像之间的第一相似度，以及通气参数画像和实时通气参数画像之间的第二相似度，确定脱机决策结果。上述方案中，针对每个患者，充分考虑到了该患者的健康生命体征画像和实时生命体征画像对脱机决策结果带来的影响，因此可以准确地判断出每个患者机械通气脱机的时机，进而提升了机械通气操作的成功率。

Description

预测机械通气脱机的方法、装置、设备及存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种预测机械通气脱机的方法、装置、设备及存储介质。

背景技术

机械通气操作是治疗危重病患者的方法之一，通过机械通气操作可以使患者的呼吸功能得以维持。在机械通气操作中，脱机是关键操作。若脱机过早，机械通气不足，则需要给患者进行二次插管治疗，这给患者带来了额外伤害。若脱机过晚，机械通气时间过长，患者容易产生依赖，导致产生并发症。因此，准确预测机械通气脱机的时机非常重要。

现有技术中，在预测机械通气脱机的时机时，没有考虑到不同患者之间的差异性，导致对不同患者机械通气脱机的时机判断不准确，降低了机械通气操作的成功率。

发明内容

有鉴于此，本申请实施例提供了一种预测机械通气脱机的方法、装置、设备及存储介质，以解决现有技术中，在预测机械通气脱机的时机时，没有考虑到不同患者之间的差异性，导致对不同患者机械通气脱机的时机判断不准确，降低了机械通气操作的成功率的问题。

本申请实施例的第一方面提供了一种预测机械通气脱机的方法，该方法包括：

获取患者的健康生命体征画像；

获取所述患者对应的可脱机时的通气参数画像；

获取所述患者在机械通气时的实时生命体征画像和实时通气参数画像；

根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果。

上述方案中，获取患者的健康生命体征画像、可脱机时的通气参数画像，以及获取患者在机械通气时的实时生命体征画像和实时通气参数画像；根据健康生命体征画像和实时生命体征画像之间的第一相似度，以及通气参数画像和实时通气参数画像之间的第二相似度，共同确定脱机决策结果。针对每个患者，充分考虑到了该患者的健康生命体征画像和实时生命体征画像对脱机决策结果带来的影响，因此可以准确地判断出每个患者机械通气脱机的时机，进而提升了机械通气操作的成功率。

可选地，所述根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果，包括：

将所述健康生命体征画像和所述实时生命体征画像输入到预设的第一孪生模型中进行处理，得到所述第一相似度；

将所述通气参数画像和所述实时通气参数画像输入到预设的第二孪生模型中进行处理，得到所述第二相似度；

根据所述第一相似度和所述第二相似度，确定所述脱机决策结果。

可选地，所述获取患者的健康生命体征画像，包括：

获取所述患者的基础信息；

根据预设的生命体征预测模型对所述基础信息进行预测处理，得到所述患者的健康生命体征数据；

根据所述健康生命体征数据生成所述健康生命体征画像。

可选地，所述根据预设的生命体征预测模型对所述基础信息进行预测处理，得到所述患者的健康生命体征数据之后，所述方法还包括：

获取生命体征参考数据；

基于所述生命体征参考数据对所述健康生命体征数据进行校正，得到校正后的健康生命体征数据；

所述根据所述健康生命体征数据生成所述健康生命体征画像，包括：根据所述校正后的健康生命体征数据生成所述健康生命体征画像。

可选地，所述获取所述患者对应的可脱机时的通气参数画像，包括：

采集所述患者在预设时间点的初始通气参数；

根据预设的通气参数预测模型对所述初始通气参数进行预测处理，得到可脱机时的通气参数；

根据所述可脱机时的通气参数生成所述可脱机时的通气参数画像。

可选地，所述根据预设的通气参数预测模型对所述初始通气参数进行预测处理，得到可脱机时的通气参数之后，所述方法还包括：

获取通气参数参考数据；

基于所述通气参数参考数据对所述可脱机时的通气参数进行校正，得到校正后的通气参数；

所述根据所述可脱机时的通气参数生成所述可脱机时的通气参数画像，包括：根据所述校正后的通气参数生成所述可脱机时的通气参数画像。

可选地，所述方法还包括：

获取所述患者的原发病康复程度值、外观表征参数以及患者脱机意愿信息；

根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果，包括：

根据所述第一相似度、所述第二相似度、所述原发病康复程度值、所述外观表征参数以及所述患者脱机意愿信息，确定所述脱机决策结果。

本申请实施例的第二方面提供了一种预测机械通气脱机的装置，包括：

第一获取单元，用于获取患者的健康生命体征画像；

第二获取单元，用于获取所述患者对应的可脱机时的通气参数画像；

第三获取单元，用于获取所述患者在机械通气时的实时生命体征画像和实时通气参数画像；

确定单元，用于根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果。

本申请实施例的第三方面提供了一种预测机械通气脱机的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的预测机械通气脱机的方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的预测机械通气脱机的方法的步骤。

本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在预测机械通气脱机的设备上运行时，使得该预测机械通气脱机的设备执行上述第一方面所述的预测机械通气脱机的方法的步骤。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一示例性实施例提供的一种预测机械通气脱机的方法的示意性流程图；

图2是本申请另一示例性实施例示出的一种预测机械通气脱机的方法的步骤S101的具体流程图；

图3是本申请示出的一种生命体征预测网络的结构示意图；

图4是本申请又一示例性实施例示出的一种预测机械通气脱机的方法的步骤S102的具体流程图；

图5是本申请再一示例性实施例示出的一种预测机械通气脱机的方法的步骤S104的具体流程图；

图6是本申请又一示例性实施例示出的一种预测机械通气脱机的方法的具体流程图；

图7是本申请一实施例提供的一种预测机械通气脱机的装置的示意图；

图8是本申请另一实施例提供的预测机械通气脱机的设备的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

机械通气操作是治疗危重病患者的方法之一，通过机械通气操作可以使患者的呼吸功能得以维持。在进行机械通气操作的过程中，患者一般会经历机械通气初期、机械通气中期、机械通气后期等几个阶段，通常最后的机械通气阶段是判定患者呼吸功能是否恢复好，是否可以脱离呼吸机支持的脱机阶段。这种脱机时机的恰当决策对患者肺部呼吸功能的康复非常重要。

若脱机过早，机械通气不足，则需要给患者进行二次插管治疗，这给患者带来了额外伤害。若脱机过晚，机械通气时间过长，患者容易产生依赖，导致产生并发症。

现有技术中，在预测机械通气脱机的时机时，主要通过各类算法模型对患者当前的通气参数进行预测处理，从而得到机械通气脱机的时机。针对所有的患者都采用统一的预测方法，没有考虑到不同患者之间的差异性，导致对不同患者机械通气脱机的时机判断不准确，降低了机械通气操作的成功率。

有鉴于此，本申请实施例提供了一种预测机械通气脱机的方法，通过获取患者的健康生命体征画像、可脱机时的通气参数画像，以及获取患者在机械通气时的实时生命体征画像和实时通气参数画像；根据健康生命体征画像和实时生命体征画像之间的第一相似度，以及通气参数画像和实时通气参数画像之间的第二相似度，共同确定脱机决策结果。针对每个患者，充分考虑到了该患者的健康生命体征画像和实时生命体征画像对脱机决策结果带来的影响，因此可以准确地判断出每个患者机械通气脱机的时机，进而提升了机械通气操作的成功率。

请参见图1，图1是本申请一示例性实施例提供的一种预测机械通气脱机的方法的示意性流程图。本申请提供的预测机械通气脱机的方法的执行主体为预测机械通气脱机的设备，其中，该设备包括但不限于车载电脑、平板电脑、计算机、个人数字助理(PersonalDigital Assistant，PDA)、等设备，还可以包括各种类型的服务器。例如，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务。

如图1所示的预测机械通气脱机的方法可包括：S101～S104，具体如下：

S101：获取患者的健康生命体征画像。

示例性地，健康生命体征画像是指基于该患者处于健康状态下的生命体征数据构建的画像。这里的画像即为刻画患者的生命体征方面信息的载体。健康生命体征画像用于表征患者健康时的生命体征。生命体征是用来判断病人的病情轻重、健康状态等的指征，生命体征通常通过呼吸、血压、脉搏、体温、心率、血氧、瞳孔和角膜反射的改变等数据体现。

患者的健康生命体征画像可以包括该患者的身高、体重、年龄、身份标识、性别、呼吸、血压、脉搏、体温、心率、疼痛、血氧、瞳孔和角膜反射的改变等信息。

可以理解的是，不同的患者对应不同的健康生命体征画像，健康生命体征画像中包含的各种信息可以表征患者的个性化信息。

示例性地，采集患者的健康生命体征数据，即采集患者处于健康状态下的生命体征数据。健康生命体征数据可以包括，患者处于健康状态下的呼吸、血压、脉搏、体温、心率、疼痛、血氧、瞳孔和角膜反射的改变等数据。例如，可以通过患者平时的体检、就医时的检查、医院存储的检查记录等方式，采集到患者的健康生命体征数据。

采集患者的基础信息，基础信息包括身份标识、姓名、身高、体重、年龄、性别等数据。对采集到的健康生命体征数据和基础信息进行整合，得到该患者的健康生命体征画像。例如，对采集到的健康生命体征数据和基础信息进行关联，得到该患者的健康生命体征画像。此处仅为示例性说明，对此不做限定。

可选地，以该患者的身份标识对该健康生命体征画像进行标识，将构建好的该患者的健康生命体征画像存储在数据库中。通过这种方式，预先在数据库中存储大量的患者的健康生命体征画像，有需要时，可以根据患者的身份标识，直接在数据库中获取到该患者的健康生命体征画像。这样大大提升了获取患者的健康生命体征画像的速度，由于后续需要根据该健康生命体征画像确定脱机决策结果，提升获取患者的健康生命体征画像的速度，相当于侧面提升了确定脱机决策结果的速度。

S102：获取患者对应的可脱机时的通气参数画像。

示例性地，可脱机时的通气参数画像用于表征患者在可脱机时的通气参数。通气参数是通用的呼吸病学名词。通气参数可以包括呼气末正压(PEEP)、吸入氧浓度(FiO2)、潮气量(VT)、分钟通气量(MV)、总呼吸频率(Ftot)等。

通气参数画像是根据患者可脱机时的通气参数构建得到的，因此，患者对应的可脱机时的通气参数画像，可以包括该患者的呼气末正压(PEEP)、吸入氧浓度(FiO2)、潮气量(VT)、分钟通气量(MV)、总呼吸频率(Ftot)等信息。可以理解的是，不同的患者对应不同的可脱机时的通气参数画像。

示例性地，若患者此前有使用过呼吸机(进行过机械通气)，可在医院存储的数据中查找该患者对应的可脱机时的通气参数画像。或者，在医院存储的数据中查找该患者此前使用呼吸机在脱机时的通气参数，根据该通气参数构建该患者对应的可脱机时的通气参数画像。

S103：获取患者在机械通气时的实时生命体征画像和实时通气参数画像。

示例性地，采集患者在机械通气时的生命体征数据，即采集患者在机械通气时的呼吸、血压、脉搏、体温、心率、疼痛、血氧、瞳孔和角膜反射的改变等数据。获取患者的基础信息，对该基础信息和采集到的患者在机械通气时的生命体征数据进行整合，得到该患者的实时生命体征画像。

同时，采集患者在机械通气时的通气参数，即采集患者在机械通气时的呼气末正压、吸入氧浓度、潮气量、分钟通气量、总呼吸频率等数据。对基础信息和采集到的患者在机械通气时的通气参数进行整合，得到该患者的实时通气参数画像。

S104：根据健康生命体征画像和实时生命体征画像之间的第一相似度，以及通气参数画像和实时通气参数画像之间的第二相似度，确定脱机决策结果。

示例性地，计算健康生命体征画像和实时生命体征画像之间的相似度，记为第一相似度。第一相似度用于表征健康生命体征画像和实时生命体征画像之间的相似程度。第一相似度越大，表示健康生命体征画像和实时生命体征画像越相似。第一相似度越小，表示健康生命体征画像和实时生命体征画像越不相似。

计算通气参数画像和实时通气参数画像之间的相似度，记为第二相似度。第二相似度用于表征通气参数画像和实时通气参数画像之间的相似程度。第二相似度越大，表示通气参数画像和实时通气参数画像越相似。第二相似度越小，表示通气参数画像和实时通气参数画像越不相似。

获取第一相似度阈值和第二相似度阈值。根据第一相似度和第一相似度阈值确定第一脱机预测结果；根据第二相似度和第二相似度阈值确定第二脱机预测结果；根据第一脱机预测结果和第二脱机预测结果确定脱机决策结果。其中，第一脱机预测结果可以为可脱机，或不可脱机。第二脱机预测结果也可以为可脱机，或不可脱机。第一相似度阈值和第二相似度阈值可根据实际情况进行设置、调整，对此不做限定。

示例性地，比较第一相似度和第一相似度阈值，当比较结果为第一相似度大于或等于第一相似度阈值时，确定第一脱机预测结果为可脱机。当比较结果为第一相似度小于第一相似度阈值时，确定第一脱机预测结果为不可脱机。

同理，比较第二相似度和第二相似度阈值，当比较结果为第二相似度大于或等于第二相似度阈值时，确定第二脱机预测结果为可脱机。当比较结果为第二相似度小于第二相似度阈值时，确定第二脱机预测结果为不可脱机。

脱机决策结果可以为可脱机或不可脱机。当第一脱机预测结果和第二脱机预测结果均为不可脱机时，确定脱机决策结果为不可脱机。当第一脱机预测结果为可脱机，第二脱机预测结果为不可脱机时，确定脱机决策结果为不可脱机。当第一脱机预测结果为不可脱机，第二脱机预测结果为可脱机时，确定脱机决策结果为不可脱机。当第一脱机预测结果和第二脱机预测结果均为可脱机时，确定脱机决策结果为可脱机。

上述方案中，获取患者的健康生命体征画像、可脱机时的通气参数画像，以及获取患者在机械通气时的实时生命体征画像和实时通气参数画像；根据健康生命体征画像和实时生命体征画像之间的第一相似度，以及通气参数画像和实时通气参数画像之间的第二相似度，共同确定脱机决策结果。本实施方式中，健康生命体征画像和实时生命体征画像中包含的信息可表征每个患者的个性化信息，针对每个患者，充分考虑到了该患者的健康生命体征画像和实时生命体征画像对脱机决策结果带来的影响，因此可以准确地判断出每个患者机械通气脱机的时机，进而提升了机械通气操作的成功率。

请参见图2，图2是本申请另一示例性实施例示出的一种预测机械通气脱机的方法的步骤S101的具体流程图，上述S101可包括S1011～S1013。

可选地，在本申请一些可能的实现方式中，若数据库中没有存储患者的健康生命体征画像，医院也没有该患者处于健康状态下的生命体征数据。当前只能采集到患者处于非健康状态下的生命体征数据。此时，可以利用预设的生命体征预测模型预测该患者的健康生命体征数据。具体如下：

S1011：获取患者的基础信息。

示例性地，获取患者的基础信息即获取该患者的身份标识、姓名、身高、体重、年龄等数据。

S1012：根据预设的生命体征预测模型对基础信息进行预测处理，得到患者的健康生命体征数据。

获取预设的生命体征预测模型，该生命体征预测模型是利用第一样本训练集对初始生命体征预测模型进行训练得到的。将该患者的身高、体重、年龄输入到预设的生命体征预测模型中进行预测处理，该生命体征预测模型输出该患者的健康生命体征数据。

示例性地，预设的生命体征预测模型包含多个生命体征预测网络，例如，生命体征预测网络可以为呼吸预测网络、血压预测网络、体温预测网络、脉搏预测网络、心率预测网络、血氧预测网络等。其中，呼吸预测网络用于预测患者处于健康状态下的呼吸数据，血压预测网络用于预测患者处于健康状态下的血压数据，体温预测网络用于预测患者处于健康状态下的体温数据，脉搏预测网络用于预测患者处于健康状态下的脉搏数据，心率预测网络用于预测患者处于健康状态下的心率数据，血氧预测网络用于预测患者处于健康状态下的血氧数据。

每个生命体征预测网络可以包含输入层、多个全连接层以及输出层。请参见图3，图3是本申请示出的一种生命体征预测网络的结构示意图。如图3所示，每个生命体征预测网络可以包含一个输入层、四个全连接层(如第一全连接层、第二全连接层、第三全连接层以及第四全连接层)以及一个输出层。第一全连接层、第二全连接层、第三全连接层以及第四全连接层的神经元数据可以分别设置为30、90、30、1。第一全连接层、第二全连接层以及第三全连接层的激活函数均设置为ReLU激活函数，第四全连接层的激活函数可设置为Linear激活函数。

例如，将该患者的身高、体重、年龄这组数据，输入到呼吸预测网络中的输入层，呼吸预测网络中的全连接层提取这组数据中的特征向量，对特征向量进行逻辑回归处理，通过输出层输出处理结果，即输出呼吸数据。该呼吸数据为预测得到的该患者处于健康状态下的呼吸数据。

又例如，将该患者的身高、体重、年龄这组数据，输入到血压预测网络中的输入层，血压预测网络中的全连接层提取这组数据中的特征向量，对特征向量进行逻辑回归处理，通过输出层输出处理结果，即输出血压数据。该血压数据为预测得到的该患者处于健康状态下的血压数据。其余处理过程类似，需要什么类型的健康生命体征数据，就通过对应的生命体征预测网络进行处理得到，此处不再赘述。

S1013：根据健康生命体征数据生成健康生命体征画像。

将预测得到的该患者的健康生命体征数据，以及该患者的基础信息关联，得到该患者的健康生命体征画像。

本实施方式中，在只能采集到患者处于非健康状态下的生命体征数据的情况下，利用预设的生命体征预测模型预测该患者的健康生命体征数据，进而根据预测得到的健康生命体征数据生成健康生命体征画像，为后续基于该健康生命体征画像确定脱机决策结果提供了保障。

可选地，在一种可能的实现方式中，在S1012之后还可包括：

S1014：获取生命体征参考数据。

示例性地，生命体征参考数据指医学参考数据，即医学界常用的规范化的生命体征数据。生命体征参考数据中包括不同身高、体重、年龄的人对应的呼吸、血压、脉搏、体温、心率、疼痛、血氧、瞳孔和角膜反射的改变等数据的取值范围(如区间值)。可以在医院、网络等渠道获取生命体征参考数据。

S1015：基于生命体征参考数据对健康生命体征数据进行校正，得到校正后的健康生命体征数据。

示例性地，判断预测得到的健康生命体征数据是否在其对应的生命体征参考数据的取值范围内。若判定预测得到的健康生命体征数据在其对应的生命体征参考数据的取值范围内，证明预测得到的健康生命体征数据符合常态，则不对预测得到的健康生命体征数据进行处理。

若判定预测得到的健康生命体征数据不在其对应的生命体征参考数据的取值范围内，则根据其对应的生命体征参考数据的取值范围对预测得到的健康生命体征数据进行校正，得到校正后的健康生命体征数据。

示例性地，获取取值范围对应的区间值。若预测得到的健康生命体征数据大于该区间值，则取该区间值内的最大值作为校正后的健康生命体征数据。若预测得到的健康生命体征数据小于该区间值，则取该区间值内的最小值作为校正后的健康生命体征数据。若预测得到的健康生命体征数据刚好在该区间值内，则就将预测得到的健康生命体征数据作为校正后的健康生命体征数据。此处仅为示例性说明，对此不做限定。

以预测得到的健康生命体征数据中的体温数据为例进行说明。生命体征参考数据为，体温：36.0-37.3℃。若预测得到的体温数据为37.5℃，显然37.5℃大于37.3℃，则将37.3℃作为校正后的体温数据。若预测得到的体温数据为35.5℃，显然35.5℃小于36.0℃，则将36.0℃作为校正后的体温数据。若预测得到的体温数据为36.5℃，显然36.5℃在36.0-37.3℃范围内，则将36.5℃作为校正后的体温数据。此处仅为示例性说明，对此不做限定。

S1016：根据校正后的健康生命体征数据生成健康生命体征画像。

将校正后的健康生命体征数据，以及该患者的基础信息关联，得到该患者的健康生命体征画像。

在本实施方式中，利用生命体征参考数据对健康生命体征数据进行校正，使各个健康生命体征数据在最大个性化的同时保持有效性，再根据校正后的健康生命体征数据生成健康生命体征画像，使最终得到的健康生命体征画像更准确，进而后续基于该健康生命体征画像确定脱机决策结果时也更准确，即侧面提升了脱机决策结果的准确性。

可选地，在一种可能的实现方式中，本申请提供的预测机械通气脱机的方法还可包括：训练生命体征预测模型。

示例性地，生命体征预测模型是利用第一样本训练集对初始生命体征预测模型进行训练得到的。第一样本训练集中包括多个第一样本数据组，第一样本数据组的数量，与最终训练得到的生命体征预测模型中的生命体征预测网络的数量对应。也就是说，需要训练多少种不同类型的生命体征预测网络，第一样本训练集中就对应包括多少个第一样本数据组。

例如，需要最终训练得到的生命体征预测模型中包括呼吸预测网络、血压预测网络、体温预测网络以及脉搏预测网络，第一样本训练集中就对应包括四个第一样本数据组。每个第一样本数据组中包含多个第一样本输入数据和每个第一样本输入数据对应的第一样本输出数据。值得说明的是，不同的生命体征预测网络对应的第一样本数据组中的第一样本输入数据相同，对应的第一样本输出数据不同。

例如，呼吸预测网络、血压预测网络、体温预测网络以及脉搏预测网络各自对应的第一样本数据组中的第一样本输入数据，均可以为身高、体重、年龄、呼吸、血压、体温、脉搏这些数据。呼吸预测网络对应的第一样本输出数据为呼吸数据，血压预测网络对应的第一样本输出数据为血压数据，体温预测网络对应的第一样本输出数据为体温数据，脉搏预测网络对应的第一样本输出数据为脉搏数据。

示例性地，第一样本训练集中包含的各个数据可以在医院、网络等渠道收集。例如，收集患者使用呼吸机之初，或使用呼吸机之前的生命体征数据，同样再收集机械通气脱机成功后的生命体征数据。按照需要训练的不同的类型的生命体征预测网络，对收集的这些生命体征数据进行分类，得到第一样本训练集中的多个第一样本数据组。

通过各个生命体征预测网络对应的第一样本数据组对其进行训练，得到训练好的各个生命体征预测网络。训练各个生命体征预测网络时用到的损失函数可以为均方误差(MSE)函数。训练的批次和次数可以自行设置、调整，例如，设置为批次为16，次数为200次等。

示例性地，以训练呼吸预测网络为例，将其对应的第一样本输入数据(如身高、体重、年龄、呼吸、血压、体温、脉搏)输入未训练的呼吸预测网络中，该未训练的呼吸预测网络的对第一样本输入数据进行处理，输出预测呼吸数据。利用MSE函数计算预测呼吸数据与第一样本输入数据(如身高、体重、年龄、呼吸、血压、体温、脉搏)对应的第一样本输出数据(呼吸数据)之间的第一损失值。

当检测到第一损失值大于第一预设阈值时，调整训练中的呼吸预测网络的网络参数(如权重值)，并利用第一样本数据组对该训练中的呼吸预测网络继续训练。当检测到第一损失值小于或等于第一预设阈值时，停止训练该训练中的呼吸预测网络，并将训练后的呼吸预测网络确定为训练好的呼吸预测网络。训练其他生命体征预测网络的过程类似，此处不再赘述。

在训练过程中，各个生命体征预测网络学习到了如何从输入的第一样本输入数据中，预测出其对应的第一样本输出数据的能力。例如，在训练呼吸预测网络的过程中，该呼吸预测网络学习到了如何从输入的身高、体重、年龄、呼吸、血压、体温、脉搏这些数据中，预测出呼吸数据的能力，便于后续在实际实施中应用。

本实施方式中，训练生命体征预测模型的样本丰富，使训练得到的生命体征预测模型更准确，进而基于该生命体征预测模型预测患者的健康生命体征数据时也更准确。

请参见图4，图4是本申请又一示例性实施例示出的一种预测机械通气脱机的方法的步骤S102的具体流程图，上述S102可包括S1021～S1023。可选地，在本申请一些可能的实现方式中，若患者此前未使用过呼吸机，则根据本次患者使用呼吸机时采集的初始通气参数和预设的通气参数预测模型，生成可脱机时的通气参数画像。具体如下：

S1021：采集患者在预设时间点的初始通气参数。

示例性地，患者在进行机械通气时，在每个时间点都会产生对应的通气参数。采集患者在预设时间点的通气参数，将该通气参数记为初始通气参数。其中，预设时间点可根据实际情况进行设置、调整，本示例中将预设时间点设置为开始机械通气后的五分钟。例如，采集患者在进行机械通气五分钟时的通气参数，该通气参数记为初始通气参数。此处仅为示例性说明，对此不做限定。

S1022：根据预设的通气参数预测模型对初始通气参数进行预测处理，得到可脱机时的通气参数。

示例性地，获取患者的基础信息，即获取该患者的身份标识、姓名、身高、体重、年龄等数据。将该患者的身高、体重、年龄输入到预设的通气参数预测模型中进行预测处理，该通气参数预测模型输出该患者在可脱机时的通气参数。该通气参数预测模型是利用第二样本训练集对初始通气参数预测模型进行训练得到的。

预设的通气参数预测模型包含多个通气参数预测网络，例如，该通气参数预测模型可以包括呼气末正压预测网络、吸入氧浓度预测网络、潮气量预测网络、分钟通气量预测网络、总呼吸频率预测网络等。

其中，呼气末正压预测网络用于预测患者在可脱机时的呼气末正压数据，吸入氧浓度预测网络用于预测患者在可脱机时的吸入氧浓度数据，潮气量预测网络用于预测患者在可脱机时的潮气量数据，分钟通气量预测网络用于预测患者在可脱机时的分钟通气量数据，总呼吸频率预测网络用于预测患者在可脱机时的总呼吸频率数据。

每个通气参数预测网络的结构与生命体征预测网络的结构类型。示例性地，每个通气参数预测网络包含输入层、多个全连接层以及输出层。例如，每个通气参数预测网络可以包含一个输入层、四个全连接层(如第一全连接层、第二全连接层、第三全连接层以及第四全连接层)以及一个输出层。第一全连接层、第二全连接层、第三全连接层以及第四全连接层的神经元数据可以分别设置为30、90、30、1。第一全连接层、第二全连接层以及第三全连接层的激活函数均设置为ReLU激活函数，第四全连接层的激活函数可设置为Linear激活函数。

例如，将该患者的身高、体重、年龄这组数据，输入到呼气末正压预测网络中的输入层，呼气末正压预测网络中的全连接层提取这组数据中的特征向量，对特征向量进行逻辑回归处理，通过输出层输出处理结果，即输出呼气末正压数据。该呼气末正压数据为预测得到的该患者可脱机时的呼气末正压数据。其余处理过程类似，需要什么类型的通气参数，就通过对应的通气参数预测网络进行处理得到，此处不再赘述。

S1023：根据可脱机时的通气参数生成可脱机时的通气参数画像。

示例性地，通过S1022中的处理，可以预测得到患者在可脱机时的呼气末正压、吸入氧浓度、潮气量、分钟通气量、总呼吸频率等通气参数。对预测得到的这些可脱机时的通气参数，以及该患者的基础信息进行整合，得到该患者对应的可脱机时的通气参数画像。

上述实施方式中，根据预设的通气参数预测模型预测可脱机时的通气参数，提升了可脱机时的通气参数的准确度，进而提升了可脱机时的通气参数画像的准确度。后续基于该可脱机时的通气参数画像确定的脱机决策结果更准确。

可选地，在一种可能的实现方式中，在S1022之后还可包括：

S1024：获取通气参数参考数据。

通气参数参考数据指医学界常用的规范化的通气参数。通气参数参考数据中包括不同身高、体重、年龄的人对应的呼气末正压、吸入氧浓度、潮气量、分钟通气量、总呼吸频率等数据的取值范围(如区间值)。可以在医院、网络等渠道获取通气参数参考数据。

S1025：基于通气参数参考数据对可脱机时的通气参数进行校正，得到校正后的通气参数。

示例性地，判断预测得到的可脱机时的通气参数是否在其对应的通气参数参考数据的取值范围内。若判定预测得到的可脱机时的通气参数在其对应的通气参数参考数据的取值范围内，证明预测得到的可脱机时的通气参数符合常态，则不对预测得到的可脱机时的通气参数进行处理。

若判定预测得到的可脱机时的通气参数不在其对应的通气参数参考数据的取值范围内，则根据其对应的通气参数参考数据的取值范围对预测得到的可脱机时的通气参数进行校正，得到校正后的通气参数。

示例性地，获取取值范围对应的区间值。若预测得到的可脱机时的通气参数大于该区间值，则取该区间值内的最大值作为校正后的通气参数。若预测得到的可脱机时的通气参数小于该区间值，则取该区间值内的最小值作为校正后的通气参数。若预测得到的可脱机时的通气参数刚好在该区间值内，则就将预测得到的可脱机时的通气参数作为校正后的通气参数。此处仅为示例性说明，对此不做限定。

S1026：根据校正后的通气参数生成可脱机时的通气参数画像。

对校正后的通气参数，以及该患者的基础信息进行整合，得到该患者对应的可脱机时的通气参数画像。

在本实施方式中，利用通气参数参考数据对预测的通气参数进行校正，使校正后的通气参数在最大个性化的同时保持有效性，再根据校正后的通气参数生成可脱机时的通气参数画像，使最终得到的可脱机时的通气参数画像更准确，进而后续基于该可脱机时的通气参数画像确定脱机决策结果时也更准确，即侧面提升了脱机决策结果的准确性。

可选地，在一种可能的实现方式中，本申请提供的预测机械通气脱机的方法还可包括：训练通气参数预测模型。

示例性地，通气参数预测模型是利用第二样本训练集对初始通气参数预测模型进行训练得到的。第二样本训练集中包括多个第二样本数据组，第二样本数据组的数量，与最终训练得到的通气参数预测模型中的通气参数预测网络的数量对应。也就是说，需要训练多少种不同类型的通气参数预测网络，第二样本训练集中就对应包括多少个第二样本数据组。

例如，需要最终训练得到的通气参数预测模型中包括呼气末正压预测网络、吸入氧浓度预测网络、潮气量预测网络、分钟通气量预测网络、总呼吸频率预测网络，第二样本训练集中就对应包括五个第二样本数据组。每个第二样本数据组中包含多个第二样本输入数据和每个第二样本输入数据对应的第二样本输出数据。值得说明的是，不同的通气参数预测网络对应的第二样本数据组中的第二样本输入数据相同，对应的第二样本输出数据不同。

例如，呼气末正压预测网络、吸入氧浓度预测网络、潮气量预测网络、分钟通气量预测网络以及总呼吸频率预测网络，各自对应的第二样本数据组中的第二样本输入数据，均可以为身高、体重、年龄、呼气末正压、吸入氧浓度、潮气量、分钟通气量、总呼吸频率这些数据。呼气末正压预测网络对应的第二样本输出数据为呼气末正压数据，吸入氧浓度预测网络对应的第二样本输出数据为吸入氧浓度数据，潮气量预测网络对应的第二样本输出数据为潮气量数据，分钟通气量预测网络对应的第二样本输出数据为分钟通气量数据，总呼吸频率预测网络对应的第二样本输出数据为总呼吸频率数据。

示例性地，第二样本训练集中包含的各个数据可以在医院、网络等渠道收集。

通过各个通气参数预测网络对应的第二样本数据组对其进行训练，得到训练好的各个通气参数预测网络。训练各个通气参数预测网络时用到的损失函数也可以为均方误差(MSE)函数。训练的批次和次数可以自行设置、调整，例如，设置为批次为18，次数为300次等。

示例性地，以训练呼气末正压预测网络为例，将其对应的第二样本输入数据(如身高、体重、年龄、呼气末正压、吸入氧浓度、潮气量、分钟通气量、总呼吸频率)输入未训练的呼气末正压预测网络中，该未训练的呼气末正压预测网络的对第二样本输入数据进行处理，输出预测呼气末正压数据。利用MSE函数计算预测呼气末正压数据与第二样本输入数据对应的第二样本输出数据(呼气末正压数据)之间的第二损失值。

当检测到第二损失值大于第二预设阈值时，调整训练中的呼气末正压预测网络的网络参数(如权重值)，并利用第二样本数据组对该训练中的呼气末正压预测网络继续训练。当检测到第二损失值小于或等于第二预设阈值时，停止训练该训练中的呼气末正压预测网络，并将训练后的呼气末正压预测网络确定为训练好的呼气末正压预测网络。训练其他通气参数预测网络的过程类似，此处不再赘述。

在训练过程中，各个通气参数预测网络学习到了如何从输入的第二样本输入数据中，预测出其对应的第二样本输出数据的能力。例如，在训练呼气末正压预测网络的过程中，该呼气末正压预测网络学习到了如何从输入的身高、体重、年龄、呼气末正压、吸入氧浓度、潮气量、分钟通气量、总呼吸频率这些数据中，预测出呼气末正压数据的能力，便于后续在实际实施中应用。

本实施方式中，训练通气参数预测模型的样本丰富，使训练得到的通气参数预测模型更准确，进而基于该通气参数预测模型预测患者的通气参数时也更准确。

请参见图5，图5是本申请再一示例性实施例示出的一种预测机械通气脱机的方法的步骤S104的具体流程图，上述S104可包括S1041～S1043，具体如下：

S1041：将健康生命体征画像和实时生命体征画像输入到预设的第一孪生模型中进行处理，得到第一相似度。

获取预设的第一孪生模型，该第一孪生模型是利用第三样本训练集对初始第一孪生模型进行训练得到的。

示例性地，第一孪生模型可以包含输入层、第一全连接层、丢弃层、第二全连接层、特征向量层、特征距离计算层、损失评估层以及结果输出层。其中，第一全连接层和第二全连接层均可采用若干个(如20个)神经元，激活函数均可设置为ReLU激活函数，丢弃层配置0.1的丢弃率。

将健康生命体征画像和实时生命体征画像输入到第一孪生模型中的输入层，第一孪生模型中的第一全连接层提取健康生命体征画像对应的第一特征以及实时生命体征画像对应的第二特征。丢弃层丢弃第一全连接层提取的第一特征和第二特征中的冗余特征，并将处理结果传递第二全连接层。第二全连接层再次提取特征，并将提取结果传递至特征向量层，特征向量层生成健康生命体征画像对应的第一特征向量，以及实时生命体征画像对应的第二特征向量。特征距离计算层采用欧式距离公式计算第一特征向量和第二特征向量之间的第一相似度。通过结果输出层直接输出第一相似度。

S1042：将通气参数画像和实时通气参数画像输入到预设的第二孪生模型中进行处理，得到第二相似度。

获取预设的第二孪生模型，该第二孪生模型是利用第四样本训练集对初始第二孪生模型进行训练得到的。

示例性地，第二孪生模型和第一孪生模型结构类似。例如，第二孪生模型也可以包含输入层、第一全连接层、丢弃层、第二全连接层、特征向量层、特征距离计算层、损失评估层以及结果输出层。其中，第一全连接层和第二全连接层均可采用若干个(如20个)神经元，激活函数均可设置为ReLU激活函数，丢弃层配置0.1的丢弃率。训练时的批次大小可设置为20，总训练次数为1000次。此处仅为示例性说明，对此不做限定。

将通气参数画像和实时通气参数画像输入到第二孪生模型中的输入层，第二孪生模型中的第一全连接层提取通气参数画像对应的第三特征以及实时通气参数画像对应的第四特征。丢弃层丢弃第一全连接层提取的第三特征和第四特征中的冗余特征，并将处理结果传递第二全连接层。第二全连接层再次提取特征，并将提取结果传递至特征向量层，特征向量层生成通气参数画像对应的第三特征向量，以及实时通气参数画像对应的第四特征向量。特征距离计算层采用欧式距离公式计算第三特征向量和第四特征向量之间的第二相似度。通过结果输出层直接输出第二相似度。

S1043：根据第一相似度和第二相似度，确定脱机决策结果。

获取第一相似度阈值和第二相似度阈值。根据第一相似度和第一相似度阈值确定第一脱机预测结果；根据第二相似度和第二相似度阈值确定第二脱机预测结果；根据第一脱机预测结果和第二脱机预测结果确定脱机决策结果。其中，第一脱机预测结果可以为可脱机，或不可脱机。第二脱机预测结果也可以为可脱机，或不可脱机。第一相似度阈值和第二相似度阈值可根据实际情况进行设置、调整，对此不做限定。

示例性地，比较第一相似度和第一相似度阈值，当比较结果为第一相似度大于或等于第一相似度阈值时，确定第一脱机预测结果为可脱机。当比较结果为第一相似度小于第一相似度阈值时，确定第一脱机预测结果为不可脱机。

同理，比较第二相似度和第二相似度阈值，当比较结果为第二相似度大于或等于第二相似度阈值时，确定第二脱机预测结果为可脱机。当比较结果为第二相似度小于第二相似度阈值时，确定第二脱机预测结果为不可脱机。

脱机决策结果可以为可脱机或不可脱机。当第一脱机预测结果和第二脱机预测结果均为不可脱机时，确定脱机决策结果为不可脱机。当第一脱机预测结果为可脱机，第二脱机预测结果为不可脱机时，确定脱机决策结果为不可脱机。当第一脱机预测结果为不可脱机，第二脱机预测结果为可脱机时，确定脱机决策结果为不可脱机。当第一脱机预测结果和第二脱机预测结果均为可脱机时，确定脱机决策结果为可脱机。

可选地，在一种可能的实现方式中，在计算得到第一相似度之后，比较第一相似度和第一相似度阈值，当比较结果为第一相似度大于或等于第一相似度阈值时，通过结果输出层输出1。当比较结果为第一相似度小于第一相似度阈值时，通过结果输出层输出0。其中，1表示可脱机，0表示不可脱机。

在计算得到第二相似度之后，比较第二相似度和第二相似度阈值，当比较结果为第二相似度大于或等于第二相似度阈值时，通过结果输出层输出1。当比较结果为第二相似度小于第二相似度阈值时，通过结果输出层输出0。其中，1表示可脱机，0表示不可脱机。

当第一孪生模型和第二孪生模型输出的结果均为1时，确定脱机决策结果为可脱机。当第一孪生模型输出的结果为1，第二孪生模型输出的结果为0时，确定脱机决策结果为不可脱机。当第一孪生模型输出的结果为0，第二孪生模型输出的结果为1时，确定脱机决策结果为不可脱机。此处仅为示例性说明，对此不做限定。

上述实施方式中，通过预设的第一孪生模型，确定健康生命体征画像和实时生命体征画像之间的第一相似度，通过预设的第二孪生模型，确定通气参数画像和实时通气参数画像之间的第二相似度。第一相似度能准确地反应健康生命体征画像和实时生命体征画像之间的相似程度，第二相似度准确地反应通气参数画像和实时通气参数画像之间相似程度，进而基于第一相似度和第二相似度确定脱机决策结果时会更准确。可以准确地判断出每个患者机械通气脱机的时机，进而提升了机械通气操作的成功率。

可选地，在一种可能的实现方式中，本申请提供的预测机械通气脱机的方法还可包括：训练第一孪生模型和第二孪生模型。

示例性地，第一孪生模型是利用第三样本训练集对初始第一孪生模型进行训练得到的。第三样本训练集包括多个患者成功脱机时的生命体征画像，和每个患者对应的样本健康生命体征画像。

初始第一孪生模型的网络结果与训练好的第一孪生模型的网络结构相同。在训练过程中，通过损失评估层调整初始第一孪生模型的模型参数，使得相似的生命体征画像的损失尽可能小，相异的生命体征画像间的损失尽可能大。直至初始第一孪生模型对应的损失函数收敛，得到训练好的第一孪生模型。

第二孪生模型是利用第四样本训练集对初始第二孪生模型进行训练得到的。第四样本训练集包括多个正样本和多个负样本。其中，正样本为患者成功脱机时的通气参数画像，负样本为患者机械通气初期对应的通气参数画像。例如，负样本为患者使用呼吸机2分钟、5分钟等时，对应的通气参数构建的通气参数画像。

示例性地，在采集第四样本训练集中的数据时，可以在患者使用呼吸机之后，按照一定时间间隔收集。待患者快脱机时，降低收集数据的时间间隔，如每隔两分钟收集一次，直至收集到患者成功脱机。此处仅为示例性说明，对此不做限定。

在训练过程中，通过损失评估层调整初始第二孪生模型的模型参数，使得相似的通气参数画像的损失尽可能小，相异的通气参数画像间的损失尽可能大。直至初始第二孪生模型对应的损失函数收敛，得到训练好的第二孪生模型。

请参见图6，图6是本申请又一示例性实施例示出的一种预测机械通气脱机的方法的具体流程图，如图6所示的预测机械通气脱机的方法可包括：S201～S205，具体如下：

S201：获取患者的健康生命体征画像。

S202：获取患者对应的可脱机时的通气参数画像。

S203：获取患者在机械通气时的实时生命体征画像和实时通气参数画像。

上述S201～S203与图1对应的实施例中的S101～S103完全相同，具体参考图1对应的实施例中的S101～S103的描述，此处不再赘述。

S204：获取患者的原发病康复程度值、外观表征参数以及患者脱机意愿信息。

示例性地，原发病康复程度值用于表征该患者原先患有的疾病的康复程度，可在医院数据库中获取患者的原发病康复程度值。外观表征参数可以包括患者的气色、舒适度等指标项。患者脱机意愿信息用于表征患者基于自身感受确定的是否希望脱机的意向。

S205：根据健康生命体征画像和实时生命体征画像之间的第一相似度、通气参数画像和实时通气参数画像之间的第二相似度、原发病康复程度值、外观表征参数以及患者脱机意愿信息，确定脱机决策结果。

示例性地，当原发病康复程度值大于或等于预设程度值时，该原发病康复程度值表征可脱机；当原发病康复程度值小于预设程度值时，该原发病康复程度值表征不可脱机。当外观表征参数中的各指标项符合预设要求时，该外观表征参数表征可脱机；当外观表征参数中的各指标项不符合预设要求时，该外观表征参数表征不可脱机。患者脱机意愿信息由患者自主选择可脱机或不可脱机。

当第一相似度、第二相似度、原发病康复程度值、外观表征参数以及患者脱机意愿信息这五项信息中，有三项信息表征可脱机时，确定脱机决策结果为可脱机。其余情况则确定脱机决策结果为不可脱机。

原发病是导致患者需要呼吸支持的主要原因，原发病的康复程度能有效指导患者的脱机时机把控工作，外观表征参数又能准确地反应患者当前的状态，患者脱机意愿信息准确反应患者的脱机意愿，这些信息反应了不同患者之间的差异性。因此根据第一相似度、第二相似度、原发病康复程度值、外观表征参数以及患者脱机意愿信息这五项信息，共同确定脱机决策结果，可使脱机决策结果更准确，为医护人员提供准确地脱机建议，以便医护人员更好的把控脱机决策，进而提升了机械通气操作的成功率。

可选地，在一种可能的实现方式中，在采集患者在机械通气时的生命体征数据，以及采集患者在机械通气时的通气参数时，每隔预设时长，采集一次患者在机械通气时的生命体征数据和通气参数，根据当前采集的生命体征数据生成实时生命体征画像，根据当前采集的通气参数，生成实时通气参数画像。

根据健康生命体征画像和当前的实时生命体征画像之间的第一相似度，以及通气参数画像和当前的实时通气参数画像之间的第二相似度，确定脱机决策结果。若脱机决策结果为可脱机，则结束流程。若脱机决策结果为不可脱机，则继续采集下一时间点的生命体征数据和通气参数，并重复执行上述确定脱机决策结果的过程，直至脱机决策结果为可脱机。

示例性地，各个时间点可以设置开始机械通气后的10分钟、20分钟、30分钟、40分钟、50分钟、60分钟、2小时等。值得说明的是，在设置这些时间点时，可以通过动态方式进行设定。例如，根据所采集的通气参数在预设时长内的方差进行判断。方差较大，则将时间间隔调小一些，以便更敏锐地捕捉到通气参数的变化；方差较小，则将时间间隔调大一些，以更好地节省计算资源；如果方差变化稳定，则加入随机调节，以便较为均衡捕捉到稳定状态时，不同时间尺度的通气参数变化情况，这样便可权衡计算的敏锐性与计算资源的可调节性。

可选地，在一种可能的实现方式中，可采用多条折线图的形式呈现动态画像参数相对于基线参数的变化趋势与幅度，其中基线参数是一条条直线(或点划线之类的虚线)，例如体温基线与体温折线，脉搏基线与折线，血压基线与折线，吸入氧浓度基线与折线，潮气量基线与折线等。此外，同步采用条形柱状图的形式显示五项结果的决策情况，可脱机对应正向柱子，不可脱机对应负向柱子，可视化展示给医护人员参考，以便医护人员更好的把控脱机决策。

请参见图7，图7是本申请一实施例提供的一种预测机械通气脱机的装置的示意图。该预测机械通气脱机的装置包括的各单元用于执行图1、图2、图4、图5、图6对应的实施例中的各步骤。具体请参阅图1、图2、图4、图5、图6各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图7，包括：

第一获取单元310，用于获取患者的健康生命体征画像；

第二获取单元320，用于获取所述患者对应的可脱机时的通气参数画像；

第三获取单元330，用于获取所述患者在机械通气时的实时生命体征画像和实时通气参数画像；

确定单元340，用于根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果。

可选地，所述确定单元340具体用于：

将所述健康生命体征画像和所述实时生命体征画像输入到预设的第一孪生模型中进行处理，得到所述第一相似度；

将所述通气参数画像和所述实时通气参数画像输入到预设的第二孪生模型中进行处理，得到所述第二相似度；

根据所述第一相似度和所述第二相似度，确定所述脱机决策结果。

可选地，所述第一获取单元310具体用于：

获取所述患者的基础信息；

根据预设的生命体征预测模型对所述基础信息进行预测处理，得到所述患者的健康生命体征数据；

根据所述健康生命体征数据生成所述健康生命体征画像。

可选地，所述装置还包括第一校正单元，用于：

获取生命体征参考数据；

基于所述生命体征参考数据对所述健康生命体征数据进行校正，得到校正后的健康生命体征数据；

所述根据所述健康生命体征数据生成所述健康生命体征画像，包括：根据所述校正后的健康生命体征数据生成所述健康生命体征画像。

可选地，所述第二获取单元320具体用于：

采集所述患者在预设时间点的初始通气参数；

根据预设的通气参数预测模型对所述初始通气参数进行预测处理，得到可脱机时的通气参数；

根据所述可脱机时的通气参数生成所述可脱机时的通气参数画像。

可选地，所述装置还包括第二校正单元，用于：

获取通气参数参考数据；

基于所述通气参数参考数据对所述可脱机时的通气参数进行校正，得到校正后的通气参数；

所述根据所述可脱机时的通气参数生成所述可脱机时的通气参数画像，包括：根据所述校正后的通气参数生成所述可脱机时的通气参数画像。

可选地，所述装置还包括决策确定单元，用于：

获取所述患者的原发病康复程度值、外观表征参数以及患者脱机意愿信息；

根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果，包括：

根据所述第一相似度、所述第二相似度、所述原发病康复程度值、所述外观表征参数以及所述患者脱机意愿信息，确定所述脱机决策结果。

请参见图8，图8是本申请另一实施例提供的预测机械通气脱机的设备的示意图。如图8所示，该实施例的预测机械通气脱机的设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个预测机械通气脱机的方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器30执行所述计算机程序32时实现上述各实施例中各单元的功能，例如图7所示单元310至340功能。

示例性地，所述计算机程序32可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机指令段，该指令段用于描述所述计算机程序32在所述预测机械通气脱机的设备3中的执行过程。例如，所述计算机程序32可以被分割为第一获取单元、第二获取单元、第三获取单元以及确定单元，各单元具体功能如上所述。

所述设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图8仅仅是预测机械通气脱机的设备3的示例，并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述设备的内部存储单元，例如设备的硬盘或内存。所述存储器31也可以是所述设备的外部存储终端，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述设备的内部存储单元也包括外部存储终端。所述存储器31用于存储所述计算机指令以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机存储介质，计算机存储介质可以是非易失性，也可以是易失性，该计算机存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个预测机械通气脱机的方法实施例中的步骤。

本申请还提供了一种计算机程序产品，当计算机程序产品在设备上运行时，使得该设备执行上述各个预测机械通气脱机的方法实施例中的步骤。

本申请实施例还提供了一种芯片或者集成电路，该芯片或者集成电路包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片或者集成电路的设备执行上述各个预测机械通气脱机的方法实施例中的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种预测机械通气脱机的方法，其特征在于，包括：

获取患者的健康生命体征画像；

获取所述患者对应的可脱机时的通气参数画像；

获取所述患者在机械通气时的实时生命体征画像和实时通气参数画像；

根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果。

2.如权利要求1所述的方法，其特征在于，所述根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果，包括：

将所述健康生命体征画像和所述实时生命体征画像输入到预设的第一孪生模型中进行处理，得到所述第一相似度；

将所述通气参数画像和所述实时通气参数画像输入到预设的第二孪生模型中进行处理，得到所述第二相似度；

根据所述第一相似度和所述第二相似度，确定所述脱机决策结果。

3.如权利要求1所述的方法，其特征在于，所述获取患者的健康生命体征画像，包括：

获取所述患者的基础信息；

根据预设的生命体征预测模型对所述基础信息进行预测处理，得到所述患者的健康生命体征数据；

根据所述健康生命体征数据生成所述健康生命体征画像。

4.如权利要求3所述的方法，其特征在于，所述根据预设的生命体征预测模型对所述基础信息进行预测处理，得到所述患者的健康生命体征数据之后，所述方法还包括：

获取生命体征参考数据；

基于所述生命体征参考数据对所述健康生命体征数据进行校正，得到校正后的健康生命体征数据；

所述根据所述健康生命体征数据生成所述健康生命体征画像，包括：根据所述校正后的健康生命体征数据生成所述健康生命体征画像。

5.如权利要求1所述的方法，其特征在于，所述获取所述患者对应的可脱机时的通气参数画像，包括：

采集所述患者在预设时间点的初始通气参数；

根据预设的通气参数预测模型对所述初始通气参数进行预测处理，得到可脱机时的通气参数；

根据所述可脱机时的通气参数生成所述可脱机时的通气参数画像。

6.如权利要求5所述的方法，其特征在于，所述根据预设的通气参数预测模型对所述初始通气参数进行预测处理，得到可脱机时的通气参数之后，所述方法还包括：

获取通气参数参考数据；

基于所述通气参数参考数据对所述可脱机时的通气参数进行校正，得到校正后的通气参数；

所述根据所述可脱机时的通气参数生成所述可脱机时的通气参数画像，包括：根据所述校正后的通气参数生成所述可脱机时的通气参数画像。

7.如权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：

获取所述患者的原发病康复程度值、外观表征参数以及患者脱机意愿信息；

根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果，包括：

根据所述第一相似度、所述第二相似度、所述原发病康复程度值、所述外观表征参数以及所述患者脱机意愿信息，确定所述脱机决策结果。

8.一种预测机械通气脱机的装置，其特征在于，包括：

第一获取单元，用于获取患者的健康生命体征画像；

第二获取单元，用于获取所述患者对应的可脱机时的通气参数画像；

第三获取单元，用于获取所述患者在机械通气时的实时生命体征画像和实时通气参数画像；

确定单元，用于根据所述健康生命体征画像和所述实时生命体征画像之间的第一相似度，以及所述通气参数画像和所述实时通气参数画像之间的第二相似度，确定脱机决策结果。

9.一种预测机械通气脱机的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images