CN115083604B - 一种术后不良事件预测模型的构建方法、系统和预测装置 - Google Patents
一种术后不良事件预测模型的构建方法、系统和预测装置 Download PDFInfo
- Publication number
- CN115083604B CN115083604B CN202210637938.9A CN202210637938A CN115083604B CN 115083604 B CN115083604 B CN 115083604B CN 202210637938 A CN202210637938 A CN 202210637938A CN 115083604 B CN115083604 B CN 115083604B
- Authority
- CN
- China
- Prior art keywords
- intraoperative
- data
- adverse event
- indexes
- prediction model
- 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.)
- Active
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
- G16H50/30—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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种术后不良事件预测模型的构建方法、系统和预测装置，包括：获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对术中循环数据进行量化处理，获得对应的术中循环数据特征；将所有患者对应的患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征分为训练数据集和验证数据集；根据训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有特征指标，构建术后不良事件预测模型。本发明通过对术中循环数据进行量化处理，使得模型能够充分探索量化后的术中循环数据的规律，并对训练集数据进行筛选，以提升构建的术后不良事件预测模型的预测准确性。
Description
技术领域
本发明涉及术后不良事件评估技术领域，尤其涉及一种术后不良事件预测模型的构建方法、系统和预测装置。
背景技术
据研究表明，术中低血压、血压异常升高及心律失常等传统术中循环数据与术后并发症、二次入院甚至死亡等不良事件的发生关系密切。比如，术中出现低血压可能诱发术后并发症、急性心脑血管疾病、肾功能不全甚至术后30天死亡等严重术后不良事件的发生，血压降低的幅度和持续时间也与非心脏全麻手术术后不良事件的发生正相关。除了术中血压过低或过高的异常情况，术中血压波动幅度对非心脏全麻手术术后严重心血管并发症的发生有重要影响，因此术中血压波动幅度同样值得关注。另一方面，术中心率的变化以及心律失常的发生同样可以影响非心脏全麻手术术后不良事件的发生，目前临床麻醉中以是否出现术中血压异常以及心律失常为术中循环管理的主要评价指标，并以此指标指导术中循环管理。
目前，对术后不良事件发生概率值的预测，主要是依据包括术中低血压、血压异常升高及心律失常等传统术中循环评价指标。然而，术中循环状态容易受患者的基本情况、手术刺激、术中出血以及术中补液等多种因素影响，存在变化快且无规律性等特点。因此，传统术中循环评价体系存在明显缺陷，无法准确预测术后不良事件的发生。
发明内容
本发明提供了一种术后不良事件预测模型的构建方法、系统和预测装置，对术中循环数据进行量化处理，以便于模型更好地探索量化后的术中循环数据的规律，并利用筛选出的与术后不良事件相关联的特征指标，构建术后不良事件预测模型，以提升模型的预测准确性。
为了解决上述技术问题，本发明实施例提供了一种术后不良事件预测模型的构建方法，包括：
获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对所述术中循环数据进行量化处理，获得对应的术中循环数据特征；
将所有所述患者对应的所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征分为训练数据集和验证数据集；
根据所述训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有所述特征指标，构建术后不良事件预测模型。
实施本申请实施例，对术中循环数据进行量化分析，使得模型能够充分探索量化后的术中循环数据的规律，避免无规律性的术中循环数据对术后不良事件预测模型的预测实时性的影响。此外，从训练数据集中筛选出若干种与术后不良事件相关联的特征指标，并根据筛选出的特征指标构建术后不良事件预测模型，进一步提升术后不良事件预测模型的预测准确性。
作为优选方案，所述根据所述训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有所述特征指标，构建术后不良事件预测模型，具体为：
通过XGBoost算法，结合所述训练数据集，构建初始预测模型，并基于所述初始预测模型，计算所述训练数据集中各指标的SHAP值；其中，所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征都各自包括至少两个所述指标；
按照预设的规则，根据所有所述指标的SHAP值，从所述训练数据集的所有所述指标中，选取若干种与术后不良事件相关联的所述特征指标；
根据所有所述特征指标，构建所述术后不良事件预测模型。
实施本申请实施例的优选方案，通过计算各指标的SHAP值，以量化各指标对初始预测模型完成预测的贡献，并基于SHAP值，从所有指标中选取对预测模型完成预测的贡献最大的若干种特征指标，以优化模型的预测性能。
作为优选方案，所述按照预设的规则，根据所有所述指标的SHAP值，从所述训练数据集的所有所述指标中，选取若干种与术后不良事件相关联的所述特征指标，具体为：
从所述训练数据集的所有所述指标中，选取大于预设阈值的所述SHAP值对应的所述指标，作为与术后不良事件相关联的所述特征指标；
或者，根据各所述SHAP值从大到小的顺序，对所述训练数据集的所有所述指标进行排列，并选取排列结果中前M个所述指标，作为与术后不良事件相关联的所述特征指标。
实施本申请实施例的优选方案，采用不同的指标筛选规则，从训练数据集的所有指标中，选取与术后不良事件关联度最高的若干种特征指标，以满足不同的应用需求。
作为优选方案，所述获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对所述术中循环数据进行量化处理，获得对应的术中循环数据特征，具体为：
获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
运用机器学习工具，提取所述术中循环数据的特征信息，作为所述术中循环数据对应的所述术中循环数据特征。
实施本申请实施例的优选方案，在利用数据构建训练模型之前，对术中循环数据进行特征信息提取，便于模型运行过程中对数据的后续处理，减少模型的整体运行时间，进而优化模型的实时预测性能。
作为优选方案，所述一种术后不良事件预测模型的构建方法，还包括：
将所述验证数据集中的若干种与术后不良事件相关联的特征指标，输入至所述术后不良事件预测模型中，并输出发生术后不良事件的概率值；
根据所述概率值和多个预设阈值，确定受试者工作特征曲线，并根据所述受试者工作特征曲线，建立对应的混淆矩阵；
根据所述混淆矩阵和所述受试者工作特征曲线，分析所述术后不良事件预测模型的预测准确性。
实施本申请实施例的优选方案，通过混淆矩阵和受试者工作特征曲线，形象地呈现术后不良事件预测模型的预测准确度，可用于与传统术中循环评价体系的预测性能作对比，以体现术后不良事件预测模型的预测性能优化程度。
为了解决相同的技术问题，本发明还提供了一种术后不良事件预测模型的构建系统，包括：
数据获取模块，用于获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对所述术中循环数据进行量化处理，获得对应的术中循环数据特征；将所有所述患者对应的所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征分为训练数据集和验证数据集；
模型构建模块，用于根据所述训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有所述特征指标，构建术后不良事件预测模型。
作为优选方案，所述模型构建模块，具体包括：
计算单元，用于通过XGBoost算法，结合所述训练数据集，构建初始预测模型，并基于所述训练数据集中各指标的SHAP值；其中，所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征都各自包括至少两个所述指标；
指标筛选单元，用于从所述训练数据集的所有所述指标中，选取大于预设阈值的所述SHAP值对应的所述指标，作为与术后不良事件相关联的所述特征指标；或者，根据各所述SHAP值从大到小的顺序，对所述训练数据集的所有所述指标进行排列，并选取排列结果中前M个所述指标，作为与术后不良事件相关联的所述特征指标；
模型构建单元，用于根据所有所述特征指标，构建所述术后不良事件预测模型。
作为优选方案，所述数据获取模块，具体包括：
第一数据获取单元，用于获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
特征提取单元，用于运用机器学习工具，提取所述术中循环数据的特征信息，作为所述术中循环数据对应的所述术中循环数据特征；
第二数据获取单元，用于将所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征分为训练数据集和验证数据集。
作为优选方案，所述一种术后不良事件预测模型的构建系统，还包括：
模型性能评估模块，用于将所述验证数据集中的若干种与术后不良事件相关联的特征指标，输入至所述术后不良事件预测模型中，并输出发生术后不良事件的概率值；根据所述概率值和多个预设阈值，确定受试者工作特征曲线，并根据所述受试者工作特征曲线，建立对应的混淆矩阵；根据所述混淆矩阵和所述受试者工作特征曲线，分析所述术后不良事件预测模型的预测准确性。
为了解决相同的技术问题，本发明还提供了一种术后不良事件预测装置，包括：
指标获取模块，用于从患者的相关实时数据中，获取与术后不良事件相关联的若干种特征指标；其中，所述相关实时数据包括患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
预测模块，用于将所有所述特征指标输入至术后不良事件预测模型，并输出所述患者发生术后不良事件的概率值，作为术后不良事件的预测结果；其中，所述术后不良事件预测模型是使用所述的一种术后不良事件预测模型的构建方法构建得到的。
附图说明
图1：为本发明实施例一提供的一种术后不良事件预测模型的构建方法的流程示意图；
图2：为本发明实施例一提供的一种术后不良事件预测模型的构建系统的结构示意图；
图3：为本发明实施例二提供的一种术后不良事件预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
实施例一：
请参照图1，为本发明实施例提供的一种术后不良事件预测模型的构建方法的流程示意图，该构建方法包括步骤S1至步骤S3，各步骤具体如下：
步骤S1，获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对术中循环数据进行量化处理，获得对应的术中循环数据特征。
作为优选方案，步骤S1包括步骤S11至步骤S12，各步骤具体如下：
步骤S11，获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据。
在本实施例中，为了准确预测患者在完成非心脏全麻手术之后发生术后不良事件的概率，在构建模型之前，所获取的各类数据应当包括但不限于以下指标：患者基本资料包括性别、年龄、身体质量指数(BMI)、手术部位、术式、ASA分级、吸烟酗酒史、放化疗史、各器官和系统的功能评价及分级体系(包括纽约心功能分级、Goldman多因素心脏、肺功能减退分级、Glasgow昏迷量表、Child－Pugh肝功能分级、肌酐清除率、尿素氮水平等)；围术期检查结果包括术前及术后的血红蛋白、白蛋白水平、各类血细胞计数、肝肾功能的检测指标(谷丙转氨酶、谷草转氨酶、总胆红素、直接及间接胆红素、血肌酐水平)以及胸片、心电图等；术中循环数据是指自患者进入手术室至手术麻醉结束后出手术室之间的循环数据，包括收缩压、舒张压、脉搏、心率；术中管理数据包括术前禁食禁饮时间、术中出血量、手术及麻醉时间、术中血制品输注情况、术中补液量、术中尿量、术中体温等。
步骤S12，运用机器学习工具，提取术中循环数据的特征信息，作为术中循环数据对应的术中循环数据特征。
在本实施例中，由于获取得到的术中循环数据属于无规律性且变异较大的时间序列数据，所以模型无法直接探索术中循环数据的规律，在一定程度上影响了模型的预测实时性，因此为了便于模型对术中循环数据进行充分探索，运行包括但不限于傅里叶转换、小波分析的机器学习工具，对术中循环数据进行量化分析处理，实现术中循环数据在不同域中的映射变换，以提取术中循环数据在某一维度上凸显的特征信息，并将提取到的特征信息作为对应的术中循环数据特征。
步骤S2，将所有患者对应的患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征分为训练数据集和验证数据集。
在本实施例中，在采集获取患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征之后，以一部分患者对应的各类数据作为训练数据集，另一部分患者对应的各类数据作为验证数据集，分别用于模型训练和模型验证。
步骤S3，根据训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有特征指标，构建术后不良事件预测模型。
作为优选方案，步骤S3包括步骤S31至步骤S33，各步骤具体如下：
步骤S31，通过XGBoost算法，结合训练数据集，构建初始预测模型，并基于初始预测模型，计算训练数据集中各指标的SHAP值；其中，患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征都各自包括至少两个指标。
具体地，在对数据进行建模并预测的过程中，利用XGBoost算法(eXtremeGradientBoosting)实现模型的构建与训练，相对于其它的人工智能算法来说，占用内存较少且训练速度较快，使得最终构建的模型能够更快地运行并输出预测结果。
在本实施例中，通过XGBoost算法，整合由部分患者基本资料、部分围术期检查结果、部分术中管理数据和部分术中循环数据特征构成的训练数据集，以构建初始预测模型。
步骤S32，按照预设的规则，根据所有指标的SHAP值，从训练数据集的所有指标中，选取若干种与术后不良事件相关联的特征指标。
作为优选方案，步骤S32可以为以下两种情况，具体为：
从训练数据集的所有指标中，选取大于预设阈值的SHAP值对应的指标，作为与术后不良事件相关联的特征指标；
或者，根据各SHAP值从大到小的顺序，对训练数据集的所有指标进行排列，并选取排列结果中前M个指标，作为与术后不良事件相关联的特征指标。
步骤S33，根据所有特征指标，构建术后不良事件预测模型。
具体地，SHAP值(Shapley Additive exPlanations value)可用于量化每个指标为模型的输出概率值所带来的变化量/贡献。
在本实施例中，采用不同的指标筛选规则，从训练数据集的所有指标中，选取若干种与术后不良事件相关联的特征指标，以满足不同的应用需求。为了进一步优化模型的预测性能，根据训练数据集中各指标的SHAP值，对训练数据集进行优化筛选，并运用相同的人工智能算法——XGBoost算法，基于筛选出的特征指标，构建针对非心脏全麻手术的术后不良事件预测模型。
作为优选方案，一种术后不良事件预测模型的构建方法，还包括步骤S4至步骤S5，各步骤具体如下：
步骤S4，将验证数据集中的若干种与术后不良事件相关联的特征指标，输入至术后不良事件预测模型中，并输出发生术后不良事件的概率值。
在本实施例中，由步骤S3可知，术后不良事件预测模型是根据若干种与术后不良事件相关联的特征指标构建得到的，即表明术后不良事件预测模型的输入变量为若干种与术后不良事件相关联的特征指标，因此，选取验证数据集中的若干种与术后不良事件相关联的特征指标，并将之输入至术后不良事件预测模型，则可输出该验证数据集对应的发生术后不良事件的概率值。
步骤S5，根据概率值和多个预设阈值，确定受试者工作特征曲线，并根据受试者工作特征曲线，建立对应的混淆矩阵，然后根据混淆矩阵和受试者工作特征曲线，分析术后不良事件预测模型的预测准确性。
在本实施例中，对模型输出的概率值和预设阈值进行对比，若概率值大于预设阈值，则记该样本的预测结果为positive，否则记为negative；同时，若该样本的真实情况是发生术后不良事件，则记该样本的真实结果为positive，否则记为negative。当遍历验证数据集的所有样本之后，统计真实结果为positive、预测结果为positive的样本数量，并记为TP(True Positive)；统计真实结果为positive、预测结果为negative的样本数量，并记为FN(False negative)；统计真实结果为negative、预测结果为positive的样本数量，并记为FP(False Positive)；统计真实结果为negative、预测结果为negative的样本数量，并记为TN(True negative)。利用TP、FN、FP和TN，分别计算模型的准确率ACC、精确率PVV、灵敏度TPR和特异度TNR，用于衡量模型性能的优劣。对于同一模型、同一验证数据集，设置不同的预设阈值，得到多组基于不同预设阈值的模型灵敏度TPR和特异度TNR，然后以(1－TNR)为横坐标、以TPR为纵坐标，建立ROC曲线，并运用ROC曲线下面积，直观评估模型的预测准确性。同时，根据ROC曲线，从所有预设阈值中选取满足条件的预测阈值，然后根据预测阈值，对模型输出的预测效果进行positive和negative的判定，进而确定基于预测阈值的TP、FN、FP和TN四个指标，并将之呈现在表格中，即得到该验证数据集的混淆矩阵。
另外地，可以对传统术中循环评价体系的预测效果进行验证分析，得到其ROC曲线下面积，并通过对比传统术中循环评价体系的ROC曲线下面积和本方案术后不良事件预测模型的ROC曲线下面积，验证术后不良事件预测模型在预测准确度方面的优化程度。
请参照图2，为本发明实施例提供的一种术后不良事件预测模型的构建系统的结构示意图，该构建系统包括数据获取模块1和模型构建模块2，各模块具体如下：
数据获取模块1，用于获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对术中循环数据进行量化处理，获得对应的术中循环数据特征；将所有患者对应的患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征分为训练数据集和验证数据集；
模型构建模块2，用于根据训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有特征指标，构建术后不良事件预测模型。
作为优选方案，模型构建模块2，具体包括计算单元、指标筛选单元和模型构建单元，各单元具体如下：
计算单元，用于通过XGBoost算法，结合训练数据集，构建初始预测模型，并基于训练数据集中各指标的SHAP值；其中，患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征都各自包括至少两个指标；
指标筛选单元，用于从训练数据集的所有指标中，选取大于预设阈值的SHAP值对应的指标，作为与术后不良事件相关联的特征指标；或者，根据各SHAP值从大到小的顺序，对训练数据集的所有指标进行排列，并选取排列结果中前M个指标，作为与术后不良事件相关联的特征指标；
模型构建单元，用于根据所有特征指标，构建术后不良事件预测模型。
作为优选方案，数据获取模块1，具体包括第一数据获取单元和特征提取单元，各单元具体如下：
第一数据获取单元，用于获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
特征提取单元，用于运用机器学习工具，提取术中循环数据的特征信息，作为术中循环数据对应的术中循环数据特征；
第二数据获取单元，用于将患者基本资料、围术期检查结果、术中管理数据和术中循环数据特征分为训练数据集和验证数据集。
作为优选方案，请参照图2，一种术后不良事件预测模型的构建系统，还包括模型性能评估模块3，具体如下：
模型性能评估模块3，用于将验证数据集中的若干种与术后不良事件相关联的特征指标，输入至术后不良事件预测模型中，并输出发生术后不良事件的概率值；根据概率值和多个预设阈值，确定受试者工作特征曲线，并根据受试者工作特征曲线，建立对应的混淆矩阵；根据混淆矩阵和受试者工作特征曲线，分析术后不良事件预测模型的预测准确性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例二：
请参照图3，为本发明实施例提供的一种术后不良事件预测装置的结构示意图，该预测装置包括指标获取模块4和预测模块5，各模块具体如下：
指标获取模块4，用于从患者的相关实时数据中，获取与术后不良事件相关联的若干种特征指标；其中，相关实时数据包括患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
预测模块5，用于将所有特征指标输入至术后不良事件预测模型，并输出患者发生术后不良事件的概率值，作为术后不良事件的预测结果；其中，术后不良事件预测模型是使用实施例一所述的一种术后不良事件预测模型的构建方法构建得到的。
在本实施例中，在运行术后不良事件预测装置之前，先使用实施例一所述的一种术后不良事件预测模型的构建方法，构建针对非心脏全麻手术的术后不良事件预测模型。其中，术后不良事件预测模型的具体构建过程，可以参考前述方法实施例中的对应过程，在此不再赘述。然后，通过指标获取模块4，可以在患者进入手术室之前，采集包括但不限于以下指标：
①患者的性别、年龄、身体质量指数(BMI)、手术部位、术式、ASA分级、吸烟酗酒史、放化疗史、各器官和系统的功能评价及分级体系(包括纽约心功能分级、Goldman多因素心脏、肺功能减退分级、Glasgow昏迷量表、Child－Pugh肝功能分级、肌酐清除率、尿素氮水平等)；
②术前的血红蛋白、白蛋白水平、各类血细胞计数、肝肾功能的检测指标(谷丙转氨酶、谷草转氨酶、总胆红素、直接及间接胆红素、血肌酐水平)以及胸片、心电图等；
③术前禁食禁饮时间等。
另外地，通过指标获取模块4，可以从患者进入手术室开始，实时采集包括但不限于以下指标：
④自患者进入手术室至手术麻醉结束后出手术室之间的循环数据，包括收缩压、舒张压、脉搏、心率；
⑤术中出血量、手术及麻醉时间、术中血制品输注情况、术中补液量、术中尿量、术中体温等；
⑥术后的血红蛋白、白蛋白水平、各类血细胞计数、肝肾功能的检测指标(谷丙转氨酶、谷草转氨酶、总胆红素、直接及间接胆红素、血肌酐水平)以及胸片、心电图等。
其中，①属于患者基本资料，②和⑥属于围术期检查结果，③和⑤属于术中管理数据，④属于术中循环数据。
接着，利用指标获取模块4，根据术中循环数据获得对应的术中循环数据特征，然后从术中循环数据特征和其他实时采集到的所有指标中，选取与术后不良事件相关联的若干种特征指标。其中，特征指标即为构建术后不良事件预测模型过程中筛选出的特征指标的种类相同，比如在模型构建过程中，筛选出的特征指标包括术中出血量，那么此时术后不良事件预测装置的指标获取模块4则是从其实时采集到的所有指标中，选取当前患者的术中出血量作为模型的输入变量。
然后，通过预测模块5，将确定的输入变量输入至术后不良事件预测模型，并输出当前患者发生术后不良事件的概率值。
另外地，术后不良事件预测装置能够辅助医护人员开展后续工作。比如在术中，当术后不良事件预测模型实时输出的概率值提高时，麻醉医师等医护人员则根据观察得到的术中循环数据(包括收缩压、舒张压、脉搏、心率)的变化，对输血量等数据进行细微调整，以逆转目前的术中循环变化趋势。而在术后，术后不良事件预测模型输出预测发生术后不良事件的最终概率值，根据最终概率值与预设阈值的对比，辅助医护人员预测患者是否会发生不良事件。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提出一种术后不良事件预测模型的构建方法、系统和预测装置，通过对术中循环数据进行量化分析，得到对应的术中循环数据特征，使得模型能够直接地、充分地探索术中循环数据特征的规律，以减少术后不良事件预测模型的数据处理效率，进而减少模型的整体运行时间，提升模型的预测实时性。此外，基于SHAP值对训练集数据中的指标进行筛选，以提升构建的术后不良事件预测模型的预测准确性。
进一步地，采用不同的指标筛选规则，从训练数据集的所有指标中，选取与术后不良事件关联度最高的若干种特征指标，以满足不同的应用需求。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种术后不良事件预测模型的构建方法，其特征在于，包括：
获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对所述术中循环数据进行量化处理，获得对应的术中循环数据特征；其中，所述机器学习工具，包括傅里叶转换和小波分析；
将所有所述患者对应的所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征分为训练数据集和验证数据集；
根据所述训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有所述特征指标，构建术后不良事件预测模型；
其中，所述根据所述训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有所述特征指标，构建术后不良事件预测模型，具体为：
通过XGBoost算法，结合所述训练数据集，构建初始预测模型，并基于所述初始预测模型，计算所述训练数据集中各指标的SHAP值；其中，所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征都各自包括至少两个所述指标；
按照预设的规则，根据所有所述指标的SHAP值，从所述训练数据集的所有所述指标中，选取若干种与术后不良事件相关联的所述特征指标；
根据所有所述特征指标，构建所述术后不良事件预测模型；
其中，所述按照预设的规则，根据所有所述指标的SHAP值，从所述训练数据集的所有所述指标中，选取若干种与术后不良事件相关联的所述特征指标，具体为：
从所述训练数据集的所有所述指标中，选取大于预设阈值的所述SHAP值对应的所述指标，作为与术后不良事件相关联的所述特征指标；
或者，根据各所述SHAP值从大到小的顺序，对所述训练数据集的所有所述指标进行排列，并选取排列结果中前M个所述指标，作为与术后不良事件相关联的所述特征指标。
2.如权利要求1所述的一种术后不良事件预测模型的构建方法，其特征在于，所述获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对所述术中循环数据进行量化处理，获得对应的术中循环数据特征，具体为：
获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
运用机器学习工具，提取所述术中循环数据的特征信息，作为所述术中循环数据对应的所述术中循环数据特征。
3.如权利要求1所述的一种术后不良事件预测模型的构建方法，其特征在于，还包括：
将所述验证数据集中的若干种与术后不良事件相关联的特征指标，输入至所述术后不良事件预测模型中，并输出发生术后不良事件的概率值；
根据所述概率值和多个预设阈值，确定受试者工作特征曲线，并根据所述受试者工作特征曲线，建立对应的混淆矩阵；
根据所述混淆矩阵和所述受试者工作特征曲线，分析所述术后不良事件预测模型的预测准确性。
4.一种术后不良事件预测模型的构建系统，其特征在于，包括：
数据获取模块，用于获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据，并通过机器学习工具，对所述术中循环数据进行量化处理，获得对应的术中循环数据特征；将所有所述患者对应的所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征分为训练数据集和验证数据集；其中，所述机器学习工具，包括傅里叶转换和小波分析；
模型构建模块，用于根据所述训练数据集，确定若干种与术后不良事件相关联的特征指标，并根据所有所述特征指标，构建术后不良事件预测模型；
其中，所述模型构建模块，具体包括：
计算单元，用于通过XGBoost算法，结合所述训练数据集，构建初始预测模型，并基于所述训练数据集中各指标的SHAP值；其中，所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征都各自包括至少两个所述指标；
指标筛选单元，用于从所述训练数据集的所有所述指标中，选取大于预设阈值的所述SHAP值对应的所述指标，作为与术后不良事件相关联的所述特征指标；或者，根据各所述SHAP值从大到小的顺序，对所述训练数据集的所有所述指标进行排列，并选取排列结果中前M个所述指标，作为与术后不良事件相关联的所述特征指标；
模型构建单元，用于根据所有所述特征指标，构建所述术后不良事件预测模型。
5.如权利要求4所述的一种术后不良事件预测模型的构建系统，其特征在于，所述数据获取模块，具体包括：
第一数据获取单元，用于获取多个患者对应的患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
特征提取单元，用于运用机器学习工具，提取所述术中循环数据的特征信息，作为所述术中循环数据对应的所述术中循环数据特征；
第二数据获取单元，用于将所述患者基本资料、所述围术期检查结果、所述术中管理数据和所述术中循环数据特征分为训练数据集和验证数据集。
6.如权利要求4所述的一种术后不良事件预测模型的构建系统，其特征在于，还包括：
模型性能评估模块，用于将所述验证数据集中的若干种与术后不良事件相关联的特征指标，输入至所述术后不良事件预测模型中，并输出发生术后不良事件的概率值；根据所述概率值和多个预设阈值，确定受试者工作特征曲线，并根据所述受试者工作特征曲线，建立对应的混淆矩阵；根据所述混淆矩阵和所述受试者工作特征曲线，分析所述术后不良事件预测模型的预测准确性。
7.一种术后不良事件预测装置，其特征在于，包括：
指标获取模块，用于从患者的相关实时数据中，获取与术后不良事件相关联的若干种特征指标；其中，所述相关实时数据包括患者基本资料、围术期检查结果、术中循环数据和术中管理数据；
预测模块，用于将所有所述特征指标输入至术后不良事件预测模型，并输出所述患者发生术后不良事件的概率值，作为术后不良事件的预测结果；其中，所述术后不良事件预测模型是使用权利要求1至3任意一项所述的一种术后不良事件预测模型的构建方法构建得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210637938.9A CN115083604B (zh) | 2022-06-07 | 2022-06-07 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210637938.9A CN115083604B (zh) | 2022-06-07 | 2022-06-07 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115083604A CN115083604A (zh) | 2022-09-20 |
| CN115083604B true CN115083604B (zh) | 2023-06-20 |
Family
ID=83250521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210637938.9A Active CN115083604B (zh) | 2022-06-07 | 2022-06-07 | 一种术后不良事件预测模型的构建方法、系统和预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115083604B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116230212A (zh) * | 2023-04-04 | 2023-06-06 | 曜立科技(北京)有限公司 | 基于数据处理的术后脑卒中复查用的诊断决策系统 |
| CN116628577B (zh) * | 2023-07-26 | 2023-10-31 | 安徽通灵仿生科技有限公司 | 一种心室辅助设备的不良事件检测方法及装置 |
| CN117574101B (zh) * | 2024-01-17 | 2024-04-26 | 山东大学第二医院 | 有源医疗器械不良事件发生频率的预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009322A (zh) * | 2019-10-21 | 2020-04-14 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315507A1 (en) * | 2017-04-27 | 2018-11-01 | Yale-New Haven Health Services Corporation | Prediction of adverse events in patients undergoing major cardiovascular procedures |
| CN113362954A (zh) * | 2021-05-20 | 2021-09-07 | 浙江大学 | 一种老年患者术后感染并发症风险预警模型及其建立方法 |
| CN113470816A (zh) * | 2021-06-30 | 2021-10-01 | 中国人民解放军总医院第一医学中心 | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 |
| CN113782197B (zh) * | 2021-08-03 | 2022-11-04 | 中国人民解放军总医院第一医学中心 | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 |
-
2022
- 2022-06-07 CN CN202210637938.9A patent/CN115083604B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009322A (zh) * | 2019-10-21 | 2020-04-14 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115083604A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115083604B (zh) | 一种术后不良事件预测模型的构建方法、系统和预测装置 | |
| CN112669960B (zh) | 一种基于机器学习方法的肝脏纤维化预测模型的构建方法、预测系统、设备和存储介质 | |
| Ning et al. | Automatic detection of congestive heart failure based on a hybrid deep learning algorithm in the internet of medical things | |
| WO2007142968A2 (en) | Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit | |
| CN112786204A (zh) | 一种机器学习糖尿病发病风险预测方法及应用 | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
| 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 | |
| CN113593708A (zh) | 基于集成学习算法的脓毒症预后预测方法 | |
| Du et al. | Automated prediction of sepsis onset using gradient boosted decision trees | |
| CN113128654B (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| Hao et al. | Adaptive r-peak detection algorithm based on brown exponential smoothing model | |
| US20030191666A1 (en) | System and method for evaluating pretest probabilities of life-threatening diseases | |
| Zhang et al. | A machine learning method for acute hypotensive episodes prediction using only non-invasive parameters | |
| CN117352169A (zh) | 基于神经网络模型的蛇伤康复评价方法、装置及电子设备 | |
| CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
| CN116861252A (zh) | 一种基于平衡功能异常的跌倒评估模型的构建方法 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| Sang et al. | Study on survival prediction of patients with heart failure based on support vector machine algorithm | |
| Du-Yan et al. | Convolutional neural network is a good technique for sleep staging based on HRV: A comparative analysis | |
| TWI641963B (zh) | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm | |
| CN117877748B (zh) | 一种多参数心肺功能测试设备及其数据处理方法 | |
| Melillo et al. | Heart rate variability for automatic assessment of congestive heart failure severity | |
| Setyawati et al. | Feature selection for the classification of clinical data of stroke patients | |
| CN116189899B (zh) | 一种基于机器学习的急危重症辅助评估系统 |
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 |