CN115240803A - 模型训练方法、并发症预测方法及系统、设备和介质 - Google Patents

模型训练方法、并发症预测方法及系统、设备和介质 Download PDF

Info

Publication number
CN115240803A
CN115240803A CN202210405552.5A CN202210405552A CN115240803A CN 115240803 A CN115240803 A CN 115240803A CN 202210405552 A CN202210405552 A CN 202210405552A CN 115240803 A CN115240803 A CN 115240803A
Authority
CN
China
Prior art keywords
complication
historical
parameters
training
early warning
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
CN202210405552.5A
Other languages
English (en)
Inventor
武庆平
谢婉丽
刘洁
李霞
汪艳婷
许珍珍
陈世强
韩晶晶
熊悦
陈璐
何玉瑶
封一淇
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.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
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 Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Publication of CN115240803A publication Critical patent/CN115240803A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G16H50/50—ICT 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
    • 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种模型训练方法、并发症预测方法及系统、设备和介质，该训练方法包括：采集不同患者的若干条历史病况记录信息；筛选得到多个历史预设参数；历史预设参数包括历史病情诊断结果参数和历史病况过程关联参数；将历史病况过程关联参数作为输入，对应的历史病情诊断结果参数作为输出，采用神经网络算法训练得到用于预测预设并发症发生概率的第一目标预警模型。本发明能够准确且全面地对术后肺部并发症进行预测，有效提高术后肺部并发症的预测效果，便于临床医生尽早对每个患者发生术后肺部并发症的风险情况、种类以及影响因素等进行获知，以提前采取干预措施，有助于降低术后肺部并发症的发生率，缩短患者的住院时长。

Description

模型训练方法、并发症预测方法及系统、设备和介质
技术领域
本发明涉及数据处理技术领域，特别涉及一种模型训练方法、并发症预 测方法及系统、设备和介质。
背景技术
据统计每年外科手术手术量可达2亿多次，术后肺部并发症是外科患者 术后最常见的并发症，尤其在围手术期的老年患者中，病死率极高。术后肺 部并发症主要包括肺部感染、胸腔积液、肺不张和急性呼吸窘迫综合征等。 术后肺部并发症引发的一系列不良事件，不仅会增加医疗成本(即延长了患 者的住院时间和医疗费用)，同时也给患者术后机体功能的恢复和长期预后 带来许多不利影响，增加了患者的术后病死率，即使术后肺部并发症发生率 的小幅度降低也会产生显著的影响。全球每年约有3亿患者行外科手术治疗 时需接受气管内插管全身麻醉，考虑到麻醉和手术技术的不断进步，越来越 多的高龄患者选择接受各种外科手术治疗。然而，衰老过程对肺部结构和生 理功能上的多重影响引起老年病人肺功能(特别针对65岁及以上的老年人) 下降、心功能不全、慢性阻塞性肺疾病、肥胖等因素也可能会引起肺功能损 伤，其发生术后肺部并发症甚至死亡的风险随之增加。
但是，目前尚未出现能够有效监测患者术后肺部并发症的方案，从而无 法实现实际医疗场景下对术后患者的病况进行及时支持与保障，无法满足手 术治疗要求以及患者的实际使用需求。
发明内容
本发明要解决的技术问题是为了克服现有技术中患者术后肺部并发症 的方案均无法有效对对术后患者的病况进行及时支持，不能满足手术治疗要 求以及患者的实际使用需求的缺陷，提供一种模型训练方法、并发症预测方 法及系统、设备和介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种并发症预警模型的训练方法，其特征在于，所述训练方 法包括：
采集不同患者的若干条历史病况记录信息；
从每个所述历史病况记录信息中筛选出多个历史预设参数；
其中，所述历史预设参数包括表征有无预设并发症的历史病情诊断结数 和设定数量的历史病况过程关联参数；
将所述历史病况过程关联参数作为输入，对应的所述历史病情诊断结果 参数作为输出，采用神经网络算法训练得到用于预测所述预设并发症发生概 率的第一目标预警模型。
较佳地，所述预设并发症包括术后肺部并发症。
较佳地，所述历史病况过程关联参数包括人口统计学信息、基础疾病信 息、治疗药物信息、实验室检查信息、胸片信息、肺部CT信息和术中信息 中的至少一种。
较佳地，所述神经网络算法包括MLP神经网络；
所述MLP(前向结构的人工神经网络)神经网络包括依次连接的第一全 连接层、第二全连接层和分类器层，所述第一全连接层用于输入设定数量的 所述历史病况过程关联参数；所述第一全连接层对应512维特征，所述第二 全连接层对应256维特征，所述第一全连接层和所述第二全连接层均采用 PReLU(一种激活函数)激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
本发明还提供一种并发症预警模型的训练方法，所述训练方法包括：
采集不同患者的若干条历史病况记录信息；
从每个所述历史病况记录信息中筛选出多个历史预设参数；
其中，所述历史预设参数包括表征预设并发症下并发症类别的历史类别 参数和设定数量的历史病况过程关联参数；
将所述历史病况过程关联参数作为输入，对应的历史类别参数作为输出， 采用神经网络算法训练得到用于预测所述预设并发症下并发症类别发生概 率的第二目标预警模型；
其中，每种所述并发症类别对应一个所述第二目标预警模型。
较佳地，当所述预设并发症包括术后肺部并发症时，所述并发症类别包 括呼吸道感染、新发的或增加的肺不张、新发的或增加的胸腔积液、新发的 气胸、ARDS(急性呼吸窘迫综合征)、呼吸功能不全、吸入性肺炎、术后机 械通气、新发的肺栓塞、呼吸衰竭、术后二次插管、新发的肺水肿或支气管 痉挛。
较佳地，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分 类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数； 所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所 述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
较佳地，对于任意一个所述历史预设参数的样本数据，所述训练方法还 包括：
采用MLP神经网络的BatchNorm层(神经网络中的归一化处理层)对 设定数量的所述历史病况过程关联参数进行计算处理，以获取每个所述历史 病况过程关联参数在每种所述并发症类别下的影响因子；
选取所述影响因子大于第一设定阈值的所述历史病况过程关联参数作 为对应的所述并发症类别的影响因素。
较佳地，所述采用MLP神经网络的BatchNorm层对设定数量的所述历 史病况过程关联参数进行计算处理的步骤包括：
将设定数量的所述历史病况过程关联参数输入至MLP神经网络的 BatchNorm层，对每个维度的所述历史病况过程关联参数依次进行减去均值 和除以方差处理，以获取设定数量的中间数据；
将所述历史病况过程关联参数输入至所述第二目标预警模型以获取每 种所述并发症类别的预测参数；
采用所述预测参数对每个维度的所述中间数据求偏导数处理，以获取设 定数量的偏导数；
将所述偏导数与对应的所述中间数据相乘，以获取每个所述历史病况过 程关联参数在每种所述并发症类别下的所述影响因子。
本发明还提供一种并发症发生概率的预测方法，所述预测方法包括：
获取待测患者的目标病况记录信息；
筛选得到所述目标病况记录信息中设定数量的目标病况过程关联参数；
将所述目标病况过程关联参数输入至基于上述的并发症预警模型的训 练方法得到的第一目标预警模型，以预测所述待测患者发生预设并发症的第 一概率值。
较佳地，所述预测方法还包括：
在所述第一概率值大于第二设定阈值时，则将待测患者的所述目标病况 过程关联参数输入至基于上述的并发症预警模型的训练方法得到的各个第 二目标预警模型，以预测取所述待测患者发生每种并发症类别的第二概率值。
较佳地，当所述预测方法基于上述的并发症预警模型的训练方法实现时， 所述获取所述待测患者发生每种并发症类别的第二概率值的步骤之后还包 括：预测与每种所述并发症类别对应的影响因素。
本发明还提供一种并发症预警模型的训练系统，所述训练系统包括：
第一历史信息采集模块，用于采集不同患者的若干条历史病况记录信息；
第一历史参数筛选模块，用于从每个所述历史病况记录信息中筛选出多 个历史预设参数；
其中，所述历史预设参数包括表征有无预设并发症的历史病情诊断结果 参数和设定数量的历史病况过程关联参数；
第一目标模型训练模块，用于将所述历史病况过程关联参数作为输入， 对应的所述历史病情诊断结果参数作为输出，采用神经网络算法训练得到用 于预测所述预设并发症发生概率的第一目标预警模型。
较佳地，所述预设并发症包括术后肺部并发症。
较佳地，所述历史病况过程关联参数包括人口统计学信息、基础疾病信 息、治疗药物信息、实验室检查信息、胸片信息、肺部CT信息和术中信息 中的至少一种。
较佳地，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分 类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数； 所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所 述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
本发明还提供一种并发症预警模型的训练系统，所述训练系统包括：
第二历史信息采集模块，用于采集不同患者的若干条历史病况记录信息；
第二历史参数筛选模块，从每个所述历史病况记录信息中筛选出多个历 史预设参数；
其中，所述历史预设参数包括表征预设并发症下并发症类别的历史类别 参数和设定数量的历史病况过程关联参数；
第二目标模型训练模块，用于将所述历史病况过程关联参数作为输入， 对应的历史类别参数作为输出，采用神经网络算法训练得到用于预测所述预 设并发症下并发症类别发生概率的第二目标预警模型；
其中，每种所述并发症类别对应一个所述第二目标预警模型。
较佳地，当所述预设并发症包括术后肺部并发症时，所述并发症类别包 括呼吸道感染、新发的或增加的肺不张、新发的或增加的胸腔积液、新发的 气胸、急性呼吸窘迫综合征ARDS、呼吸功能不全、吸入性肺炎、术后机械 通气、新发的肺栓塞、呼吸衰竭、术后二次插管、新发的肺水肿或支气管痉 挛。
较佳地，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分 类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数； 所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所 述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
较佳地，对于任意一个所述历史预设参数的样本数据，所述训练系统还 包括：
影响因子计算模块，用于采用MLP神经网络的BatchNorm层对设定数 量的所述历史病况过程关联参数进行计算处理，以获取每个所述历史病况过 程关联参数在每种所述并发症类别下的影响因子；
影响因素选取模块，用于选取所述影响因子大于第一设定阈值的所述历 史病况过程关联参数作为对应的所述并发症类别的影响因素。
较佳地，所述影响因子计算模块包括：
参数输入单元，用于将设定数量的所述历史病况过程关联参数输入至 MLP神经网络的BatchNorm层；
中间数据计算单元，用于对每个维度的所述历史病况过程关联参数依次 进行减去均值和除以方差处理，以获取设定数量的中间数据；
预测参获取单元，用于将所述历史病况过程关联参数输入至所述第二目 标预警模型以获取每种所述并发症类别的预测参数；
偏导数获取单元，用于采用所述预测参数对每个维度的所述中间数据求 偏导数处理，以获取设定数量的偏导数；
影响因子计算单元，用于将所述偏导数与对应的所述中间数据相乘，以 获取每个所述历史病况过程关联参数在每种所述并发症类别下的所述影响 因子。
本发明还提供一种并发症发生概率的预测装置，所述预测装置包括：
目标信息采集模块，用于获取待测患者的目标病况记录信息；
目标参数筛选模块，用于筛选得到所述目标病况记录信息中设定数量的 目标病况过程关联参数；
第一预测模块，用于预测模块将所述目标病况过程关联参数输入至基于 上述的并发症预警模型的训练系统得到的第一目标预警模型，以预测所述待 测患者发生预设并发症的第一概率值。
较佳地，所述预测装置还包括：
第二预测模块，用于在所述第一概率值大于第二设定阈值时，则将待测 患者的所述目标病况过程关联参数输入至基于上述的并发症预警模型的训 练系统得到的各个第二目标预警模型，以预测取所述待测患者发生每种并发 症类别的第二概率值。
较佳地，当所述预测装置基于上述的并发症预警模型的训练系统实现时， 所述预测装置还包括：
第三预测模块，用于预测与每种所述并发症类别对应的影响因素。
本发明还提供一种电子设备，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，所述处理器执行计算机程序时实现上述的 并发症预警模型的训练方法的步骤、或上述的并发症发生概率的预测方法的 步骤。
本发明还提供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，所述计算机程序被处理器执行时实现上述的并发症预警模型的训练 方法的步骤、或上述的并发症发生概率的预测方法的步骤。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发 明各较佳实施例。
本发明的积极进步效果在于：
本发明中，通过采集不同患者围术期的若干条历史病况记录信息，然后 根据预设条件筛选出用于有效表征每个患者病况过程的若干个病况过程关 联参数，并结合病情诊断结果参数采用神经网络算法训练得到用于预测预设 并发症发生概率的第一目标预警模型，结合并发症类别的类别参数采用神经 网络算法训练得到用于预设并发症下并发症类别发生概率的若干个第二目 标预警模型；对于任意待测患者，将其病况过程关联参数输入至第一目标预 警模型以得到其预设并发症发生概率值，并在该概率值大于设定阈值时则确 定当前患者会发生预设并发症；然后再将其病况过程关联参数输入每个第二 目标预警模型以预测当前患者发生每种并发症类别的多个概率值；另外还可 以实现预测影响并发症类别的主要影响因素，从而准确且全面地术后肺部并 发症进行预测，有效地提高了术后肺部并发症的预测效果，便于临床医生尽 早对每个患者发生术后肺部并发症的风险情况、种类以及影响因素等进行获 知，以提前采取干预措施，有助于降低术后肺部并发症的发生率，缩短患者 的住院时长，且在患者的康复、预后以及降低医疗成本等方面均具有重要意义。
附图说明
图1为本发明实施例1的并发症预警模型的训练方法的流程图。
图2为本发明实施例1的MLP神经网络的架构示意图。
图3a为本发明实施例1的第一目标预警模型中训练集的ROC曲线图。
图3b为本发明实施例1的第一目标预警模型中验证集的ROC曲线图。
图4为本发明实施例2的并发症预警模型的训练方法的流程图。
图5a为本发明实施例2的用于预测呼吸道感染的第二目标预警模型中 训练集的ROC曲线图。
图5b为本发明实施例2的用于预测呼吸道感染的第二目标预警模型中 验证集的ROC曲线图。
图6a为本发明实施例2的用于预测肺不张的第二目标预警模型中训练 集的ROC曲线图。
图6b为本发明实施例2的用于预测肺不张的第二目标预警模型中验证 集的ROC曲线图。
图7a为本发明实施例2的用于预测胸腔积液的第二目标预警模型中训 练集的ROC曲线图。
图7b为本发明实施例2的用于预测胸腔积液的第二目标预警模型中验 证集的ROC曲线图。
图8a为本发明实施例2的用于预测气胸的第二目标预警模型中训练集 的ROC曲线图。
图8b为本发明实施例2的用于预测气胸的第二目标预警模型中验证集 的ROC曲线图。
图9a为本发明实施例2的用于预测ARDS的第二目标预警模型中训练 集的ROC曲线图。
图9b为本发明实施例2的用于预测ARDS的第二目标预警模型中验证 集的ROC曲线图。
图10a为本发明实施例2的用于预测呼吸功能不全的第二目标预警模型 中训练集的ROC曲线图。
图10b为本发明实施例2的用于预测呼吸功能不全的第二目标预警模型 中验证集的ROC曲线图。
图11a为本发明实施例2的用于预测吸入性肺炎的第二目标预警模型中 训练集的ROC曲线图。
图11b为本发明实施例2的用于预测吸入性肺炎的第二目标预警模型中 验证集的ROC曲线图。
图12a为本发明实施例2的用于预测术后机械通气的第二目标预警模型 中训练集的ROC曲线图。
图12b为本发明实施例2的用于预测术后机械通气的第二目标预警模型 中验证集的ROC曲线图。
图13a为本发明实施例2的用于预测肺栓塞的第二目标预警模型中训练 集的ROC曲线图。
图13b为本发明实施例2的用于预测肺栓塞的第二目标预警模型中验证 集的ROC曲线图。
图14a为本发明实施例2的用于预测术后二次插管的第二目标预警模型 中训练集的ROC曲线图。
图14b为本发明实施例2的用于预测术后二次插管的第二目标预警模型 中验证集的ROC曲线图。
图15a为本发明实施例2的用于预测肺水肿的第二目标预警模型中训练 集的ROC曲线图。
图15b为本发明实施例2的用于预测肺水肿的第二目标预警模型中验证 集的ROC曲线图。
图16a为本发明实施例2的用于预测呼吸衰竭的第二目标预警模型中训 练集的ROC曲线图。
图16b为本发明实施例2的用于预测呼吸衰竭的第二目标预警模型中验 证集的ROC曲线图。
图17为本发明实施例3的并发症预警模型的训练方法的流程图。
图18为本发明实施例4的并发症预警模型的训练方法的流程图。
图19为本发明实施例4的并发症预警模型的第一展示示意图。
图20为本发明实施例4的并发症预警模型的第二展示示意图。
图21为本发明实施例4的并发症预警模型的第三展示示意图。
图22为本发明实施例4的并发症预警模型的第四展示示意图。
图23为本发明实施例5的并发症预警模型的训练系统的模块示意图。
图24为本发明实施例6的并发症预警模型的训练系统的模块示意图。
图25为本发明实施例7的并发症预警模型的预测系统的模块示意图。
图26为本发明实施例8的并发症发生概率的预测系统的模块示意图。
图27为本发明实施例9的实现并发症预警模型的训练方法的电子设备 的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在 所述的实施例范围之中。
实施例1
如图1所示，本实施例的并发症预警模型的训练方法包括：
S101、采集不同患者的若干条历史病况记录信息；
数据库存储有所有患者的电子病例，可以通过电子病例获取每个接收肺 部手术的患者所有围术期的病况记录信息。
为了便于后续的数据处理效率，可以对这些采集的数据进行清洗、融合 等预处理。
在一可实施例的方案中，本实施例针对的患者为中老年患者(如对于大 于或者等于65岁的接受手术的患者)。
S102、从每个历史病况记录信息中筛选出多个历史预设参数；
其中，历史预设参数包括表征有无预设并发症的历史病情诊断结果参数 和设定数量的历史病况过程关联参数；
在一可实施例的方案中，预设并发症包括术后肺部并发症。当然，本实 施例的预设并发症还可以其他病症对应的并发症。
在一可实施例的方案中，历史病况过程关联参数包括人口统计学信息、 基础疾病信息、治疗药物信息、实验室检查信息、胸片信息、肺部CT信息、 术中信息等，具体包括性别、年龄、体重、C反应蛋白、空腹血糖等。
通过预先设定数据筛选标准，该筛选标准下得到数据可以全面地与术后 肺部并发症相对应，从而保证预警模型训练的准确性，能够准确且全面地对 患者术后肺部并发症进行预测，以保证有效提高术后肺部并发症的检出率。
S103、将历史病况过程关联参数作为输入，对应的历史病情诊断结果参 数作为输出，采用神经网络算法训练得到用于预测预设并发症发生概率的第 一目标预警模型，即实现直接预测术后肺部并发症发生的发病率。
在一可实施例的方案中，本实施例的神经网络算法包括MLP神经网络；
如图2所示，MLP神经网络包括依次连接的第一全连接层、第二全连接 层和分类器层(Sigmoid)，第一全连接层用于输入设定数量的历史病况过程 关联参数；第一全连接层对应512维特征，第二全连接层对应256维特征。
其中，第一全连接层和第二全连接层均采用PReLU激活函数； BatchNorm层用于对输入数据进行归一化处理，PReLU激活函数对输入数据 进行非线性处理，具体每一层的功能以及相互之间的计算逻辑属于本领域的 成熟技术，因此在此就不再赘述。
当然，第一全连接层和第二全连接层中的特征维度可以根据实际训练需 求进行重新调整或设计；激活函数也可以为ReLU激活函数等，只要能够保 证训练的预警模型满足预测要求即可。
在一可实施例的方案中，MLP神经网络训练时采用交叉熵损失函数。
当然，本实施例的神经网络算法还可以为其他类型的神经网络，只要基 于历史病况过程关联参数和对应的历史病情诊断结果参数训练得到用于预 测预设并发症发生概率的预警模型，且该预警模型的预测准确度能够满足设 定要求即可。
下面结合实例具体本实施例的并发症预警模型的训练过程：
基于每个接受手术的患者的电子病例，将该患者的唯一识别码和手术时 间进行匹配，得到每个患者每次手术的完整记录信息，每条记录信息每条包 含230个输入变量(如性别、年龄、体重、C反应蛋白、空腹血糖等)和12 种并发症类别发生情况。将所有记录信息随机分成两组以得到训练集的训练 数据和测试集的测试数据，如90％作为训练集，10％作为测试集。
研究的患者总数为13028，其中4844个患者发展为术后肺部并发症。每 一项术后肺部并发症的并发症类别对应的人数分布参见下表：
Figure BDA0003601705700000121
Figure BDA0003601705700000131
其中，只要每条记录信息中涉及一种或者多种并发症类别时，则确定当 前记录信息对应的病情诊断结果为有术后肺部并发症，否则确定当前记录信 息对应的病情诊断结果为无术后肺部并发症；或者直接从每条记录信息中直 接获取是否有术后肺部并发症的诊断结果，这样将患者分成两个队列，即术 后肺部并发症组以及无术后肺部并发症组。
对于每条记录信息，将其对应的230个输入变量作为输入，对应的术后 肺部并发症的诊断结果作为输出，基于Pytorch框架进行MLP神经网络的搭 建和训练以得到用于预测有无术后肺部并发症的预警模型。
具体地，MLP神经网络是一种前向结构的人工神经网络，映射一组输入 向量到一组输出向量。MLP神经网络可以被看作是一个有向图，由多个的节 点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个 带有非线性激活函数的神经元。MLP神经网络的搭建和训练是基于Pytorch 实现的，有无术后肺部并发症属于一个二分类任务，训练时使用交叉熵损失 函数，采用Adam优化器，初始学习率为1e-3，每30个epoch学习率乘以0.1，训练90个epoch结束。
将13028个样本(记录信息)随机分为2组，其中90％的数据作为训练 集(正样本4352，负样本7365)，剩余的10％作为验证集(正样本492，负 样本819)，总共输入的变量为230个。在训练时，为了应对正负样本的不均 衡问题，在采样时针对正负样本设置不同的权重，使得训练时正负样本的数 量基本一致。当训练完得到模型后，在验证集上进行测试，并通过统计不同 阈值下对应的TPR和FPR画出ROC曲线，比较得到AUC面积的大小。
研究结果表明，经过上述训练过程得到的第一预警模型得到训练集中 AUC为0.8609(图3a)，验证集中AUC为0.846(图3b)，即该预警模型的 预测效果较好。其中，图3a和图3b的ROC曲线横轴表示假阳率(false positive rate)，纵轴表示正阳率(true positiverate)，下述ROC曲线也类同。
另外，本实施例在训练模型是开发语言采用python、c++、html、js等； 预警模型中数据的预处理、模型的搭建和训练基于python语言实现。预警模 型的建立和训练基于Pytorch框架，Pytorch是一个针对深度学习的开源框架。 系统环境可以采用Ubuntu18.04。
本实施例中还可以对筛选出历史病况过程关联参数(如230个)采用逻 辑回归分析处理以进一步筛选出与术后肺部并发症相关联的病况过程关联 参数，然后将该病况过程关联参数代入logistic回归预测模型进行模型训练 以得到用于预测预设并发症发生概率的第一目标预警模型；或者将进一步筛 选的病况过程关联参数作为MLP神经网络训练的输入，以得到新型的用于 预测预设并发症发生概率的第一目标预警模型。
本实施例中通过采集不同患者围术期的若干条历史病况记录信息，然后 根据预设条件筛选出用于有效表征每个患者病况过程的若干个病况过程关 联参数，并结合病情诊断结果参数采用神经网络算法训练得到用于预测预设 并发症发生概率的第一目标预警模型，以提高术后肺部并发症的预测效果。
实施例2
如图4所示，本实施例的并发症预警模型的训练方法包括：
S201、采集不同患者的若干条历史病况记录信息；数据库存储有所有患 者的电子病例，可以通过电子病例获取每个接收肺部手术的患者所有围术期 的病况记录信息。为了便于后续的数据处理效率，可以对这些采集的数据进 行清洗、融合等预处理。
在一可实施例的方案中，本实施例针对的患者为中老年患者(如对于大 于或者等于65岁的接受手术的患者)。
S202、从每个历史病况记录信息中筛选出多个历史预设参数；
其中，历史预设参数包括表征预设并发症下并发症类别的历史类别参数 和设定数量的历史病况过程关联参数；
在一可实施例的方案中，当预设并发症包括术后肺部并发症时，并发症 类别包括呼吸道感染、新发的或增加的肺不张、新发的或增加的胸腔积液、 新发的气胸、急性呼吸窘迫综合征ARDS、呼吸功能不全、吸入性肺炎、术 后机械通气、新发的肺栓塞、呼吸衰竭、术后二次插管、新发的肺水肿或支 气管痉挛等。
通过预先设定数据筛选标准，该筛选标准下得到数据可以全面地与术后 肺部并发症相对应，从而保证预警模型训练的准确性，能够准确且全面地对 患者术后肺部并发症类别进行预测，以保证有效提高术后肺部并发症下具体 并发症类别的检出率。
S203、将历史病况过程关联参数作为输入，对应的历史类别参数作为输 出，采用神经网络算法训练得到用于预测预设并发症下并发症类别发生概率 的第二目标预警模型；其中，每种并发症类别对应一个第二目标预警模型， 例如在术后并发症对应12种不同的并发症类别时，则需要训练12个对应的 第二目标预警模型。
在一可实施例的方案中，本实施例的神经网络算法包括MLP神经网络；
如图2所示，MLP神经网络包括依次连接的第一全连接层、第二全连接 层和分类器层，第一全连接层用于输入设定数量的历史病况过程关联参数； 第一全连接层对应512维特征，第二全连接层对应256维特征。
其中，第一全连接层和第二全连接层均采用PReLU激活函数；当然， 第一全连接层和第二全连接层中的特征维度可以根据实际训练需求进行重 新调整或设计；激活函数也可以为ReLU激活函数等，只要能够保证训练的 预警模型满足预测要求即可。
在一可实施例的方案中，MLP神经网络训练时采用交叉熵损失函数。
本实施例中，基于Pytorch框架进行MLP神经网络的搭建和训练以得到 用于预测术后肺部并发症下具体并发症类别的预警模型的训练过程与实施 例1中类似，因此此处就不再赘述。
对于12不同的并发症类别(呼吸道感染、肺不张、胸腔积液、气胸、急 性呼吸窘迫综合征ARDS、呼吸功能不全、吸入性肺炎、术后机械通气、肺 栓塞、术后二次插管、肺水肿、呼吸衰竭)对应的12个第二目标预警模型， 研究结果表明：
(1)将呼吸道感染作为临床结局，训练得到预警模型的预测效果：得到 训练集中AUC为0.8489(图5a)，验证集中AUC为0.8086(图5b)，即该 预警模型的预测效果较好。
(2)将肺不张作为临床结局，训练得到预警模型的预测效果：得出训练 集中AUC为0.8489(图6a)，验证集中AUC为0.8086(图6b)，即该预警 模型的预测效果较好。
(3)将胸腔积液作为临床结局，训练得到预警模型的预测效果：得出训 练集中AUC为0.8489(图7a)，验证集中AUC为0.8086(图7b)，即该预 警模型的预测效果较好。
(4)将气胸作为临床结局，训练得到预警模型的预测效果：得出训练集 中AUC为0.985(图8a)，验证集中AUC为0.7730(图8b)，即该预警模型 的预测效果较好。
(5)将急性呼吸窘迫综合征ARDS作为临床结局，训练得到预警模型 的预测效果：得出训练集中AUC为0.9963(图9a)，验证集中AUC为0.7358 (图9b)，即该预警模型的预测效果较好。
(6)将呼吸功能不全治疗大于1天作为临床结局，训练得到预警模型 的预测效果：得出训练集中AUC为0.8477(图10a)，验证集中AUC为0.8112 (图10b)，即该预警模型的预测效果较好。
(7)将吸入性肺炎作为临床结局，训练得到预警模型的预测效果：得出 训练集中AUC为0.9989(图11a)，验证集中AUC为0.7265(图11b)，即 该预警模型的预测效果较好。
(8)将术后机械通气时间大于48小时作为临床结局，训练得到预警模 型的预测效果：得出训练集中AUC为0.9852(图12a)，验证集中AUC为 0.9540(图12b)，即该预警模型的预测效果较好。
(9)将肺栓塞作为临床结局，训练得到预警模型的预测效果：得出训练 集中AUC为为0.9994(图13a)，验证集中AUC为0.8126(图13b)，即该 预警模型的预测效果较好。
(10)将术后二次插管作为临床结局，训练得到预警模型的预测效果： 得出训练集中AUC为0.994(图14a)，验证集中AUC为0.9418(图14b)， 即该预警模型的预测效果较好。
(11)将肺水肿作为临床结局，训练得到预警模型的预测效果：得出训 练集中AUC为0.9997(图15a)，验证集中AUC为0.8384(图15b)，即该 预警模型的预测效果较好。
(12)将呼吸衰竭作为临床结局，训练得到预警模型的预测效果：得出 训练集中AUC为0.994(图16a)，验证集中AUC为0.6814(图16b)，即该 预警模型的预测效果较好。
另外，对于任意一个历史预设参数的样本数据，步骤S203之后还包括：
S204、采用MLP神经网络的BatchNorm层对设定数量的历史病况过程 关联参数进行计算处理，以获取每个历史病况过程关联参数在每种并发症类 别下的影响因子；
具体地，将设定数量的历史病况过程关联参数输入至MLP神经网络的 BatchNorm层，对每个维度的历史病况过程关联参数依次进行减去均值和除 以方差处理，以获取设定数量的中间数据；
将历史病况过程关联参数输入至第二目标预警模型以获取每种并发症 类别的预测参数；
采用预测参数对每个维度的中间数据求偏导数处理，以获取设定数量的 偏导数；
将偏导数与对应的中间数据相乘，以获取每个历史病况过程关联参数在 每种并发症类别下的影响因子。
S205、选取影响因子大于第一设定阈值的历史病况过程关联参数作为对 应的并发症类别的影响因素。
另外，基于上述类似处理方式还可以得到对于同时发生两种及以上的并 发症类别时对应的影响因素，因此再次就不再赘述。
例如，当一个样本的数据x(230维因素，x1，x2...x230)输入到MLP 神经网络后，先经过BatchNorm层进行归一化处理，每个维度都减去均值后 再除以方差以得到新的一组数据t(t1，t2...t230)；再结合第二预警模型获取 样本的数据x对应的预测结果y(对应某一具体并发症类别)，采用y对t中 的每个维度求偏导数以得到230维对应的偏导数t1，然后将t与t1对应的值 相乘，该乘积即代表该维度因素对该具体并发症类别的影响大小，以此排序 得到对结果影响最大的影响因素。
针对正样本中每一个样本都进行上述的影响因素权重排序，然后再对同 一个因素在所有样本中的权重求和，最后将每个影响因素的权重进行排序， 即最终确定到对每一种具体并发症类别影响最大的影响因素。不同的并发症 类别对应的影响因素的实例见下表：
Figure BDA0003601705700000181
Figure BDA0003601705700000191
另外，本实施例中的影响因素分析基于c++语言开发实现。
本实施例中通过采集不同患者围术期的若干条历史病况记录信息，然后 根据预设条件筛选出用于有效表征每个患者病况过程的若干个病况过程关 联参数，并结合并发症类别的类别参数采用神经网络算法训练得到用于预设 并发症下并发症类别发生概率的若干个第二目标预警模型；同时还可以预测 对并发症类别产生重大影响的影响因素，以提高术后肺部并发症的预测效果。
实施例3
本实施例的并发症发生概率的预测方法基于实施例1中的并发症预警模 型的训练方法实现。
如图17所示，本实施例的并发症发生概率的预测方法包括：
S301、获取待测患者的目标病况记录信息；
S302、筛选得到目标病况记录信息中设定数量的目标病况过程关联参数；
S303、将目标病况过程关联参数输入至基于实施例1中的并发症预警模 型的训练方法得到的第一目标预警模型，以预测待测患者发生预设并发症的 第一概率值。
本实施例中，对于任意待测患者，将其病况过程关联参数输入至第一目 标预警模型以得到其预设并发症发生概率值，即通过该预警模型可以提前预 知当前患者会发生预设并发症的情况，从而及时且准确地术后肺部并发症进 行预测，有效地提高了术后肺部并发症的预测效果，便于临床医生尽早对每 个患者发生术后肺部并发症的风险情况等进行获知，以提前采取干预措施， 有助于降低术后肺部并发症的发生率，缩短患者的住院时长，且在患者的康 复、预后以及降低医疗成本等方面均具有重要意义。
实施例4
本实施例的并发症发生概率的预测方法基于实施例2中的并发症预警模 型的训练方法实现。
如图18所示，本实施例的并发症发生概率的预测方法是对实施例3的 进一步改进，具体地：
步骤S303之后还包括：
S304、在第一概率值大于第二设定阈值时，则将待测患者的目标病况过 程关联参数输入至基于实施例2中的并发症预警模型的训练方法得到的各个 第二目标预警模型，以预测取待测患者发生每种并发症类别的第二概率值。
S305、预测与每种并发症类别对应的影响因素。
另外，为了保证临床医生以及患者能够更直观地查看肺部并发症预测结 果以及影响因素分析结果，可以通过不同的界面进行分别展示。
以某患者的电子病例为例，将该电子病例的相关数据输入至上述的各个 第二目标预警模型后，如图19所示，横轴分别对应12种术后肺部并发症的 并发症类别，纵轴表示当前被测患者发生每种并发症类别对应的概率值；针 对呼吸道感染这一具体并发症类别，通过图20直接展示影响呼吸道感染的 各个重要影响因素的影响占比，横轴表示影响因素的影响因子，纵轴表示影 响因素。针对胸腔积液这一具体并发症类别，通过图21直接展示影响呼吸 道感染的各个重要影响因素的影响占比，横轴表示影响因素的影响因子，纵 轴表示影响因素。针对多种并发症类别，通过图22直接展示影响多种并发 症类别的各个重要影响因素的影响占比，横轴表示影响因素的影响因子，纵 轴表示影响因素。
本实施例中，对于任意待测患者，将其病况过程关联参数输入至第一目 标预警模型以得到其预设并发症发生概率值，并在该概率值大于设定阈值时 则确定当前患者会发生预设并发症；然后再将其病况过程关联参数输入每个 第二目标预警模型以预测当前患者发生每种并发症类别的多个概率值；另外 还可以实现预测影响并发症类别的主要影响因素，从而准确且全面地术后肺 部并发症进行预测，有效地提高了术后肺部并发症的预测效果，便于临床医 生尽早对每个患者发生术后肺部并发症的风险情况、种类以及影响因素等进 行获知，以提前采取干预措施，有助于降低术后肺部并发症的发生率，缩短 患者的住院时长，且在患者的康复、预后以及降低医疗成本等方面均具有重 要意义。
实施例5
如图23所示，本实施例的并发症预警模型的训练系统包括：
第一历史信息采集模块1，用于采集不同患者的若干条历史病况记录信 息；
数据库存储有所有患者的电子病例，可以通过电子病例获取每个接收肺 部手术的患者所有围术期的病况记录信息。
为了便于后续的数据处理效率，可以对这些采集的数据进行清洗、融合 等预处理。
在一可实施例的方案中，本实施例针对的患者为中老年患者(如对于大 于或者等于65岁的接受手术的患者)。
第一历史参数筛选模块2，用于从每个历史病况记录信息中筛选出多个 历史预设参数；
其中，历史预设参数包括表征有无预设并发症的历史病情诊断结果参数 和设定数量的历史病况过程关联参数；
在一可实施例的方案中，预设并发症包括术后肺部并发症。当然，本实 施例的预设并发症还可以其他病症对应的并发症。
在一可实施例的方案中，历史病况过程关联参数包括人口统计学信息、 基础疾病信息、治疗药物信息、实验室检查信息、胸片信息、肺部CT信息、 术中信息等，具体包括性别、年龄、体重、C反应蛋白、空腹血糖等。
通过预先设定数据筛选标准，该筛选标准下得到数据可以全面地与术后 肺部并发症相对应，从而保证预警模型训练的准确性，能够准确且全面地对 患者术后肺部并发症进行预测，以保证有效提高术后肺部并发症的检出率。
第一目标模型训练模块3，用于将历史病况过程关联参数作为输入，对 应的历史病情诊断结果参数作为输出，采用神经网络算法训练得到用于预测 预设并发症发生概率的第一目标预警模型即实现直接预测术后肺部并发症 发生的发病率。
在一可实施例的方案中，本实施例的神经网络算法包括MLP神经网络；
如图2所示，MLP神经网络包括依次连接的第一全连接层、第二全连接 层和分类器层(Sigmoid)，第一全连接层用于输入设定数量的历史病况过程 关联参数；第一全连接层对应512维特征，第二全连接层对应256维特征， 第一全连接层和第二全连接层均采用PReLU激活函数；
MLP神经网络训练时采用交叉熵损失函数。
其中，第一全连接层和第二全连接层均采用PReLU激活函数； BatchNorm层用于对输入数据进行归一化处理，PReLU激活函数对输入数据 进行非线性处理，具体每一层的功能以及相互之间的计算逻辑属于本领域的 成熟技术，因此在此就不再赘述。
当然，第一全连接层和第二全连接层中的特征维度可以根据实际训练需 求进行重新调整或设计；激活函数也可以为ReLU激活函数等，只要能够保 证训练的预警模型满足预测要求即可。
在一可实施例的方案中，MLP神经网络训练时采用交叉熵损失函数。
当然，本实施例的神经网络算法还可以为其他类型的神经网络，只要基 于历史病况过程关联参数和对应的历史病情诊断结果参数训练得到用于预 测预设并发症发生概率的预警模型，且该预警模型的预测准确度能够满足设 定要求即可。
本实施例的并发症预警模型的训练过程参见实施例1中的训练过程，因 此在此就不再赘述。
本实施例中还可以对筛选出历史病况过程关联参数(如230个)采用逻 辑回归分析处理以进一步筛选出与术后肺部并发症相关联的病况过程关联 参数，然后将该病况过程关联参数代入logistic回归预测模型进行模型训练 以得到用于预测预设并发症发生概率的第一目标预警模型；或者将进一步筛 选的病况过程关联参数作为MLP神经网络训练的输入，以得到新型的用于 预测预设并发症发生概率的第一目标预警模型。
本实施例中通过采集不同患者围术期的若干条历史病况记录信息，然后 根据预设条件筛选出用于有效表征每个患者病况过程的若干个病况过程关 联参数，并结合病情诊断结果参数采用神经网络算法训练得到用于预测预设 并发症发生概率的第一目标预警模型，以提高术后肺部并发症的预测效果。
实施例6
如图24所示，本实施例的并发症预警模型的训练系统包括：
第二历史信息采集模块4，用于采集不同患者的若干条历史病况记录信 息；
数据库存储有所有患者的电子病例，可以通过电子病例获取每个接收肺 部手术的患者所有围术期的病况记录信息。为了便于后续的数据处理效率， 可以对这些采集的数据进行清洗、融合等预处理。
在一可实施例的方案中，本实施例针对的患者为中老年患者(如对于大 于或者等于65岁的接受手术的患者)。
第二历史参数筛选模块5，从每个历史病况记录信息中筛选出多个历史 预设参数；
其中，历史预设参数包括表征预设并发症下并发症类别的历史类别参数 和设定数量的历史病况过程关联参数；
在一可实施例的方案中，当预设并发症包括术后肺部并发症时，并发症 类别包括呼吸道感染、新发的或增加的肺不张、新发的或增加的胸腔积液、 新发的气胸、急性呼吸窘迫综合征ARDS、呼吸功能不全、吸入性肺炎、术 后机械通气、新发的肺栓塞、呼吸衰竭、术后二次插管、新发的肺水肿或支 气管痉挛等。
通过预先设定数据筛选标准，该筛选标准下得到数据可以全面地与术后 肺部并发症相对应，从而保证预警模型训练的准确性，能够准确且全面地对 患者术后肺部并发症类别进行预测，以保证有效提高术后肺部并发症下具体 并发症类别的检出率。
第二目标模型训练模块6，用于将历史病况过程关联参数作为输入，对 应的历史类别参数作为输出，采用神经网络算法训练得到用于预测预设并发 症下并发症类别发生概率的第二目标预警模型；
其中，每种并发症类别对应一个第二目标预警模型。例如在术后并发症 对应12种不同的并发症类别时，则需要训练12个对应的第二目标预警模 型。
在一可实施例的方案中，本实施例的神经网络算法包括MLP神经网络；
如图2所示，MLP神经网络包括依次连接的第一全连接层、第二全连接 层和分类器层，第一全连接层用于输入设定数量的历史病况过程关联参数； 第一全连接层对应512维特征，第二全连接层对应256维特征。
其中，第一全连接层和第二全连接层均采用PReLU激活函数；当然， 第一全连接层和第二全连接层中的特征维度可以根据实际训练需求进行重 新调整或设计；激活函数也可以为ReLU激活函数等，只要能够保证训练的 预警模型满足预测要求即可。
在一可实施例的方案中，MLP神经网络训练时采用交叉熵损失函数。
本实施例的并发症预警模型的训练过程参见实施例2中的训练过程，因 此在此就不再赘述。
另外，对于任意一个历史预设参数的样本数据，本实施例的训练系统还 包括：
影响因子计算模块7，用于采用MLP神经网络的BatchNorm层对设定 数量的历史病况过程关联参数进行计算处理，以获取每个历史病况过程关联 参数在每种并发症类别下的影响因子；
影响因素选取模块8，用于选取影响因子大于第一设定阈值的历史病况 过程关联参数作为对应的并发症类别的影响因素。
在一可实施例的方案中，本实施例的影响因子计算模块7包括：
参数输入单元，用于将设定数量的历史病况过程关联参数输入至MLP 神经网络的BatchNorm层；
中间数据计算单元，用于对每个维度的历史病况过程关联参数依次进行 减去均值和除以方差处理，以获取设定数量的中间数据；
预测参获取单元，用于将历史病况过程关联参数输入至第二目标预警模 型以获取每种并发症类别的预测参数；
偏导数获取单元，用于采用预测参数对每个维度的中间数据求偏导数处 理，以获取设定数量的偏导数；
影响因子计算单元，用于将偏导数与对应的中间数据相乘，以获取每个 历史病况过程关联参数在每种并发症类别下的影响因子。
另外，基于上述类似处理方式还可以得到对于同时发生两种及以上的并 发症类别时对应的影响因素，因此再次就不再赘述。
本实施例的影响因素的分析获取过程参见实施例2的对应内容，因此在 此就不再赘述。
另外，本实施例中的影响因素分析基于c++语言开发实现。
本实施例中通过采集不同患者围术期的若干条历史病况记录信息，然后 根据预设条件筛选出用于有效表征每个患者病况过程的若干个病况过程关 联参数，并结合并发症类别的类别参数采用神经网络算法训练得到用于预设 并发症下并发症类别发生概率的若干个第二目标预警模型；同时还可以预测 对并发症类别产生重大影响的影响因素，以提高术后肺部并发症的预测效果。
实施例7
本实施例的并发症发生概率的预测系统基于实施例5中的并发症预警模 型的训练系统实现。
如图25所示，本实施例的并发症发生概率的预测系统包括：
目标信息采集模块9，用于获取待测患者的目标病况记录信息；
目标参数筛选模块10，用于筛选得到目标病况记录信息中设定数量的目 标病况过程关联参数；
第一预测模块11，用于预测模块将目标病况过程关联参数输入至基于实 施例5中的并发症预警模型的训练系统得到的第一目标预警模型，以预测待 测患者发生预设并发症的第一概率值。
本实施例中，对于任意待测患者，将其病况过程关联参数输入至第一目 标预警模型以得到其预设并发症发生概率值，即通过该预警模型可以提前预 知当前患者会发生预设并发症的情况，从而及时且准确地术后肺部并发症进 行预测，有效地提高了术后肺部并发症的预测效果，便于临床医生尽早对每 个患者发生术后肺部并发症的风险情况等进行获知，以提前采取干预措施， 有助于降低术后肺部并发症的发生率，缩短患者的住院时长，且在患者的康 复、预后以及降低医疗成本等方面均具有重要意义。
实施例8
本实施例的并发症发生概率的预测方法基于实施例2中的并发症预警模 型的训练方法实现。
如图26所示，本实施例的并发症发生概率的预测系统是对实施例7的 进一步改进，具体地：
本实施例的预测装置还包括：
第二预测模块12，用于在第一概率值大于第二设定阈值时，则将待测患 者的目标病况过程关联参数输入至基于实施例7中的并发症预警模型的训练 系统得到的各个第二目标预警模型，以预测取待测患者发生每种并发症类别 的第二概率值。
第三预测模块13，用于预测与每种并发症类别对应的影响因素。
另外，为了保证临床医生以及患者能够更直观地查看肺部并发症预测结 果以及影响因素分析结果，可以通过不同的界面进行分别展示。
以某患者的电子病例为例，将该电子病例的相关数据输入至上述的各个 第二目标预警模型后，如图19所示，横轴分别对应12种术后肺部并发症的 并发症类别，纵轴表示当前被测患者发生每种并发症类别对应的概率值；针 对呼吸道感染这一具体并发症类别，通过图20直接展示影响呼吸道感染的 各个重要影响因素的影响占比，横轴表示影响因素的影响因子，纵轴表示影 响因素。针对胸腔积液这一具体并发症类别，通过图21直接展示影响呼吸 道感染的各个重要影响因素的影响占比，横轴表示影响因素的影响因子，纵 轴表示影响因素。针对多种并发症类别，通过图22直接展示影响多种并发 症类别的各个重要影响因素的影响占比，横轴表示影响因素的影响因子，纵 轴表示影响因素。
本实施例中，对于任意待测患者，将其病况过程关联参数输入至第一目 标预警模型以得到其预设并发症发生概率值，并在该概率值大于设定阈值时 则确定当前患者会发生预设并发症；然后再将其病况过程关联参数输入每个 第二目标预警模型以预测当前患者发生每种并发症类别的多个概率值；另外 还可以实现预测影响并发症类别的主要影响因素，从而准确且全面地术后肺 部并发症进行预测，有效地提高了术后肺部并发症的预测效果，便于临床医 生尽早对每个患者发生术后肺部并发症的风险情况、种类以及影响因素等进 行获知，以提前采取干预措施，有助于降低术后肺部并发症的发生率，缩短 患者的住院时长，且在患者的康复、预后以及降低医疗成本等方面均具有重 要意义。
实施例9
图27为本发明实施例7提供的一种电子设备的结构示意图。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， 处理器执行程序时实现实施例1实施例中的并发症预警模型的训练方法。图 27显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用 范围带来任何限制。
如图27所示，电子设备30可以以通用计算设备的形式表现，例如其可 以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处 理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处 理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/ 或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工 具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用 程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能 包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功 能应用以及数据处理，例如本发明实施例1实施例中的并发症预警模型的训 练方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等) 通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设 备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广 域网(WAN)和/或公共网络，例如因特网)通信。如图27所示，网络适配器36 通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未 示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不 限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘 阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子 单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发 明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单 元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一 步划分为由多个单元/模块来具体化。
实施例10
本发明实施例10提供了一种电子设备，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，处理器执行程序时实 现实施例2中的并发症预警模型的训练方法，该电子设备的具体结构参照实 施例9中的电子设备，其工作原理与实施例9中的电子设备的工作原理基本 一致，在此不再赘述。
实施例11
本发明实施例11提供了一种电子设备2，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，处理器执行程序时实 现实施例3或4任一实施例中的并发症发生概率的预测方法，该电子设备的 具体结构参照实施例9中的电子设备，其工作原理与实施例9中的电子设备 的工作原理基本一致，在此不再赘述。
实施例12
本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，程 序被处理器执行时实现实施例1中的并发症预警模型的训练方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、 硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器 件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包 括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执 行实现实施例1中的并发症预警模型的训练方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发 明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备 上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上 执行或完全在远程设备上执行。
实施例13
本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，程 序被处理器执行时实现实施例2中的并发症预警模型的训练方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、 硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器 件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包 括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执 行实现实施例2中的并发症预警模型的训练方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发 明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备 上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上 执行或完全在远程设备上执行。
实施例14
本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，程 序被处理器执行时实现实施例3或4中任一实施例中的并发症发生概率的预 测方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、 硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器 件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包 括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执 行实现实施例3或4中任一实施例中的并发症发生概率的预测方法中的步 骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发 明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备 上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上 执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理 解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领 域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式 做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (26)

1.一种并发症预警模型的训练方法，其特征在于，所述训练方法包括：
采集不同患者的若干条历史病况记录信息；
从每个所述历史病况记录信息中筛选出多个历史预设参数；
其中，所述历史预设参数包括表征有无预设并发症的历史病情诊断结果参数和设定数量的历史病况过程关联参数；
将所述历史病况过程关联参数作为输入，对应的所述历史病情诊断结果参数作为输出，采用神经网络算法训练得到用于预测所述预设并发症发生概率的第一目标预警模型。
2.如权利要求1所述的并发症预警模型的训练方法，其特征在于，所述预设并发症包括术后肺部并发症。
3.如权利要求1或2所述的并发症预警模型的训练方法，其特征在于，所述历史病况过程关联参数包括人口统计学信息、基础疾病信息、治疗药物信息、实验室检查信息、胸片信息、肺部CT信息和术中信息中的至少一种。
4.如权利要求1所述的并发症预警模型的训练方法，其特征在于，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数；所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
5.一种并发症预警模型的训练方法，其特征在于，所述训练方法包括：
采集不同患者的若干条历史病况记录信息；
从每个所述历史病况记录信息中筛选出多个历史预设参数；
其中，所述历史预设参数包括表征预设并发症下并发症类别的历史类别参数和设定数量的历史病况过程关联参数；
将所述历史病况过程关联参数作为输入，对应的历史类别参数作为输出，采用神经网络算法训练得到用于预测所述预设并发症下并发症类别发生概率的第二目标预警模型；
其中，每种所述并发症类别对应一个所述第二目标预警模型。
6.如权利要求5所述的并发症预警模型的训练方法，其特征在于，当所述预设并发症包括术后肺部并发症时，所述并发症类别包括呼吸道感染、新发的或增加的肺不张、新发的或增加的胸腔积液、新发的气胸、急性呼吸窘迫综合征ARDS、呼吸功能不全、吸入性肺炎、术后机械通气、新发的肺栓塞、呼吸衰竭、术后二次插管、新发的肺水肿或支气管痉挛。
7.如权利要求5或6所述的并发症预警模型的训练方法，其特征在于，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数；所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
8.如权利要求7所述的并发症预警模型的训练方法，其特征在于，对于任意一个所述历史预设参数的样本数据，所述训练方法还包括：
采用MLP神经网络的BatchNorm层对设定数量的所述历史病况过程关联参数进行计算处理，以获取每个所述历史病况过程关联参数在每种所述并发症类别下的影响因子；
选取所述影响因子大于第一设定阈值的所述历史病况过程关联参数作为对应的所述并发症类别的影响因素。
9.如权利要求8所述的并发症预警模型的训练方法，其特征在于，所述采用MLP神经网络的BatchNorm层对设定数量的所述历史病况过程关联参数进行计算处理的步骤包括：
将设定数量的所述历史病况过程关联参数输入至MLP神经网络的BatchNorm层，对每个维度的所述历史病况过程关联参数依次进行减去均值和除以方差处理，以获取设定数量的中间数据；
将所述历史病况过程关联参数输入至所述第二目标预警模型以获取每种所述并发症类别的预测参数；
采用所述预测参数对每个维度的所述中间数据求偏导数处理，以获取设定数量的偏导数；
将所述偏导数与对应的所述中间数据相乘，以获取每个所述历史病况过程关联参数在每种所述并发症类别下的所述影响因子。
10.一种并发症发生概率的预测方法，其特征在于，所述预测方法包括：
获取待测患者的目标病况记录信息；
筛选得到所述目标病况记录信息中设定数量的目标病况过程关联参数；
将所述目标病况过程关联参数输入至基于权利要求1-4中任一项所述的并发症预警模型的训练方法得到的第一目标预警模型，以预测所述待测患者发生预设并发症的第一概率值。
11.权利要求10所述的并发症发生概率的预测方法，其特征在于，所述预测方法还包括：
在所述第一概率值大于第二设定阈值时，则将待测患者的所述目标病况过程关联参数输入至基于权利要求5-9中任一项所述的并发症预警模型的训练方法得到的各个第二目标预警模型，以预测取所述待测患者发生每种并发症类别的第二概率值。
12.权利要求11所述的并发症发生概率的预测方法，其特征在于，当所述预测方法基于权利要求8或9所述的并发症预警模型的训练方法实现时，所述获取所述待测患者发生每种并发症类别的第二概率值的步骤之后还包括：预测与每种所述并发症类别对应的影响因素。
13.一种并发症预警模型的训练系统，其特征在于，所述训练系统包括：
第一历史信息采集模块，用于采集不同患者的若干条历史病况记录信息；
第一历史参数筛选模块，用于从每个所述历史病况记录信息中筛选出多个历史预设参数；
其中，所述历史预设参数包括表征有无预设并发症的历史病情诊断结果参数和设定数量的历史病况过程关联参数；
第一目标模型训练模块，用于将所述历史病况过程关联参数作为输入，对应的所述历史病情诊断结果参数作为输出，采用神经网络算法训练得到用于预测所述预设并发症发生概率的第一目标预警模型。
14.如权利要求13所述的并发症预警模型的训练系统，其特征在于，所述预设并发症包括术后肺部并发症。
15.如权利要求13或14所述的并发症预警模型的训练系统，其特征在于，所述历史病况过程关联参数包括人口统计学信息、基础疾病信息、治疗药物信息、实验室检查信息、胸片信息、肺部CT信息和术中信息中的至少一种。
16.如权利要求13所述的并发症预警模型的训练系统，其特征在于，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数；所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
17.一种并发症预警模型的训练系统，其特征在于，所述训练系统包括：
第二历史信息采集模块，用于采集不同患者的若干条历史病况记录信息；
第二历史参数筛选模块，从每个所述历史病况记录信息中筛选出多个历史预设参数；
其中，所述历史预设参数包括表征预设并发症下并发症类别的历史类别参数和设定数量的历史病况过程关联参数；
第二目标模型训练模块，用于将所述历史病况过程关联参数作为输入，对应的历史类别参数作为输出，采用神经网络算法训练得到用于预测所述预设并发症下并发症类别发生概率的第二目标预警模型；
其中，每种所述并发症类别对应一个所述第二目标预警模型。
18.如权利要求17所述的并发症预警模型的训练系统，其特征在于，当所述预设并发症包括术后肺部并发症时，所述并发症类别包括呼吸道感染、新发的或增加的肺不张、新发的或增加的胸腔积液、新发的气胸、急性呼吸窘迫综合征ARDS、呼吸功能不全、吸入性肺炎、术后机械通气、新发的肺栓塞、呼吸衰竭、术后二次插管、新发的肺水肿或支气管痉挛。
19.如权利要求17或18所述的并发症预警模型的训练系统，其特征在于，所述神经网络算法包括MLP神经网络；
所述MLP神经网络包括依次连接的第一全连接层、第二全连接层和分类器层，所述第一全连接层用于输入设定数量的所述历史病况过程关联参数；所述第一全连接层对应512维特征，所述第二全连接层对应256维特征，所述第一全连接层和所述第二全连接层均采用PReLU激活函数；和/或，
所述MLP神经网络训练时采用交叉熵损失函数。
20.如权利要求19所述的并发症预警模型的训练系统，其特征在于，对于任意一个所述历史预设参数的样本数据，所述训练系统还包括：
影响因子计算模块，用于采用MLP神经网络的BatchNorm层对设定数量的所述历史病况过程关联参数进行计算处理，以获取每个所述历史病况过程关联参数在每种所述并发症类别下的影响因子；
影响因素选取模块，用于选取所述影响因子大于第一设定阈值的所述历史病况过程关联参数作为对应的所述并发症类别的影响因素。
21.如权利要求20所述的并发症预警模型的训练系统，其特征在于，所述影响因子计算模块包括：
参数输入单元，用于将设定数量的所述历史病况过程关联参数输入至MLP神经网络的BatchNorm层；
中间数据计算单元，用于对每个维度的所述历史病况过程关联参数依次进行减去均值和除以方差处理，以获取设定数量的中间数据；
预测参获取单元，用于将所述历史病况过程关联参数输入至所述第二目标预警模型以获取每种所述并发症类别的预测参数；
偏导数获取单元，用于采用所述预测参数对每个维度的所述中间数据求偏导数处理，以获取设定数量的偏导数；
影响因子计算单元，用于将所述偏导数与对应的所述中间数据相乘，以获取每个所述历史病况过程关联参数在每种所述并发症类别下的所述影响因子。
22.一种并发症发生概率的预测装置，其特征在于，所述预测装置包括：
目标信息采集模块，用于获取待测患者的目标病况记录信息；
目标参数筛选模块，用于筛选得到所述目标病况记录信息中设定数量的目标病况过程关联参数；
第一预测模块，用于预测模块将所述目标病况过程关联参数输入至基于权利要求12-16中任一项所述的并发症预警模型的训练系统得到的第一目标预警模型，以预测所述待测患者发生预设并发症的第一概率值。
23.如权利要求22所述的并发症发生概率的预测装置，其特征在于，所述预测装置还包括：
第二预测模块，用于在所述第一概率值大于第二设定阈值时，则将待测患者的所述目标病况过程关联参数输入至基于权利要求17-21中任一项所述的并发症预警模型的训练系统得到的各个第二目标预警模型，以预测取所述待测患者发生每种并发症类别的第二概率值。
24.如权利要求23所述的并发症发生概率的预测装置，其特征在于，当所述预测装置基于权利要求20或21所述的并发症预警模型的训练系统实现时，所述预测装置还包括：
第三预测模块，用于预测与每种所述并发症类别对应的影响因素。
25.一种电子设备，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，其特征在于，所述处理器执行计算机程序时实现权利要求1-4中任一项所述的并发症预警模型的训练方法的步骤、权利要求5-9中任一项所述的并发症预警模型的训练方法的步骤、或权利要求10-12种任一项所述的并发症发生概率的预测方法的步骤。
26.一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，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的并发症预警模型的训练方法的步骤、权利要求5-9中任一项所述的并发症预警模型的训练方法的步骤、或权利要求10-12种任一项所述的并发症发生概率的预测方法的步骤。
CN202210405552.5A 2021-04-25 2022-04-18 模型训练方法、并发症预测方法及系统、设备和介质 Pending CN115240803A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110448811 2021-04-25
CN2021104488118 2021-04-25

Publications (1)

Publication Number Publication Date
CN115240803A true CN115240803A (zh) 2022-10-25

Family

ID=83668162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210405552.5A Pending CN115240803A (zh) 2021-04-25 2022-04-18 模型训练方法、并发症预测方法及系统、设备和介质

Country Status (1)

Country Link
CN (1) CN115240803A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434968A (zh) * 2023-06-14 2023-07-14 之江实验室 一种层级聚类约束的多标签细粒度术后并发症预测装置
CN116825356A (zh) * 2023-07-12 2023-09-29 中国医学科学院基础医学研究所 多关联手术并发症风险评估方法、系统及计算设备
CN116936134A (zh) * 2023-09-18 2023-10-24 四川互慧软件有限公司 一种基于护理晨交班数据的并发症监测方法和系统
CN117936072A (zh) * 2024-01-16 2024-04-26 宝鸡市中心医院 基于生命体征数据监测的肺叶切除术PPCs风险评估方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434968A (zh) * 2023-06-14 2023-07-14 之江实验室 一种层级聚类约束的多标签细粒度术后并发症预测装置
CN116434968B (zh) * 2023-06-14 2023-08-25 之江实验室 一种层级聚类约束的多标签细粒度术后并发症预测装置
CN116825356A (zh) * 2023-07-12 2023-09-29 中国医学科学院基础医学研究所 多关联手术并发症风险评估方法、系统及计算设备
CN116825356B (zh) * 2023-07-12 2024-02-06 中国医学科学院基础医学研究所 多关联手术并发症风险评估方法、系统及计算设备
CN116936134A (zh) * 2023-09-18 2023-10-24 四川互慧软件有限公司 一种基于护理晨交班数据的并发症监测方法和系统
CN116936134B (zh) * 2023-09-18 2023-11-24 四川互慧软件有限公司 一种基于护理晨交班数据的并发症监测方法和系统
CN117936072A (zh) * 2024-01-16 2024-04-26 宝鸡市中心医院 基于生命体征数据监测的肺叶切除术PPCs风险评估方法

Similar Documents

Publication Publication Date Title
CN115240803A (zh) 模型训练方法、并发症预测方法及系统、设备和介质
Kumar et al. A novel multimodal fusion framework for early diagnosis and accurate classification of COVID-19 patients using X-ray images and speech signal processing techniques
EP3739596B1 (en) Clinical predictive analytics system
Johnson et al. Patient specific predictions in the intensive care unit using a Bayesian ensemble
US10332638B2 (en) Methods and systems for pre-symptomatic detection of exposure to an agent
US20180211727A1 (en) Automated Evidence Based Identification of Medical Conditions and Evaluation of Health and Financial Benefits Of Health Management Intervention Programs
Shu et al. Clinical application of machine learning-based artificial intelligence in the diagnosis, prediction, and classification of cardiovascular diseases
WO2018158430A1 (en) Method for providing a wearable device, method for predicting an acute exacerbation and system for predicting an acute exacerbation
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
JP2019511057A (ja) Ｓｉｒｓの予測のための臨床パラメータの使用
CN112786203A (zh) 一种机器学习糖尿病视网膜病变发病风险预测方法及应用
CN111553478A (zh) 基于大数据的社区老年人心血管疾病预测系统与方法
Nakhashi et al. Early prediction of sepsis: Using state-of-the-art machine learning techniques on vital sign inputs
CN117238522B (zh) 一种非布司他的疗效预测系统、设备及介质
Verma et al. Methodologies, Applications, and Challenges of Pneumonia Detection of Chest X-Ray images for COVID-19 using IoT-enabled Deep Learning
CN117153422A (zh) 基于深度学习和ChatGPT的脓毒症早期检测装置
CN117116475A (zh) 缺血性脑卒中的风险预测方法、系统、终端及存储介质
Banyal et al. Technology landscape for epidemiological prediction and diagnosis of covid-19
Rajmohan et al. G-Sep: A deep learning algorithm for detection of long-term sepsis using bidirectional gated recurrent unit
Akbilgic et al. Categorizing atrial fibrillation via symbolic pattern recognition
Singh et al. Deep Learning Model to Predict Pneumonia Disease based on Observed Patterns in Lung X-rays
Lakshmi et al. Comparative Analysis of Multiclass Heart Disease Prediction Classification Models using Preprocessing and Feature Selection
Wang et al. Prediction of target range of intact parathyroid hormone in hemodialysis patients with artificial neural network
Cesario et al. Early Identification of Patients at Risk of Sepsis in a Hospital Environment
Zhang et al. Cardiac arrhythmia classification with rejection of ECG recordings based on uncertainty estimation from deep neural networks

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