CN115444366A - 一种麻醉深度预测方法 - Google Patents
一种麻醉深度预测方法 Download PDFInfo
- Publication number
- CN115444366A CN115444366A CN202211058372.0A CN202211058372A CN115444366A CN 115444366 A CN115444366 A CN 115444366A CN 202211058372 A CN202211058372 A CN 202211058372A CN 115444366 A CN115444366 A CN 115444366A
- Authority
- CN
- China
- Prior art keywords
- information
- anesthesia
- depth prediction
- history
- anesthesia depth
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Anesthesiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及麻醉技术领域,公开了一种麻醉深度预测方法,包括:S1、获取TIVA全身麻醉注射的真实手术记录,将手术记录中的麻醉药物注射历史作为原始数据集;S2、对原始数据集进行预处理,将预处理后的原始数据集划分为训练集、验证集和测试集;S3、构建麻醉深度预测网络模型,麻醉深度预测网络模型包括PK‑PD模型、时序信息编码器和注意力机制解码器;S4、利用训练集对麻醉深度预测网络模型进行训练,利用验证集对训练过程中的麻醉深度预测网络模型进行评估,利用测试集测试麻醉深度预测网络模型的有效性,得到训练好的麻醉深度预测网络模型;S5、获取患者的麻醉药物注射历史,将患者的麻醉药物注射历史输入训练好的目标检测模型,输出麻醉深度预测结果。
Description
技术领域
本发明涉及麻醉技术领域,特别是涉及一种麻醉深度预测方法。
背景技术
自20世纪30年代Teorell为药代动力学奠定基础以来,由于药物分析技术与计算机技术的发展,药物动力学在理论与引用两方面都获得了迅速的发展。1985年Alvis等首先根据芬太尼三室药物动力学模型设计了较为完整的微机控制输液泵系统,并将其应用于冠状动脉手术麻醉的诱导和维持。后来很多输液泵都沿用了药代动力学-药效动力学(PK-PD)模型作为估计药物效应、计算患者麻醉深度的算法基础。
以房室模型为代表的PK-PD模型是将机体看成药物分布速度不同的单元组成的体系,在每个单元体系上建立线性的动力学模型。虽然在理论上该模型符合大部分人群的生理特征参数,但在实际应用场景中,经常出现预测错误的情况,对患者生命安全造成威胁。
具体来说,虽然药代动力学方法和模型已有较多研究,已经涌现出了大量的模型,然而在临床手术过程中,由于机体个体的差异,各种模型的参数差异非常大。这是因为药物剂量与具体机体之间的药物效应尚不明确,即使是在相同时间内注射相同剂量的麻醉药物,不同人的生理反应也不尽相同,有的人可能小剂量药物作用下就进入深度麻醉状态,有的人则需要大剂量的药物。如何根据具体的个体,结合现有的PK-PD模型进行精准用药尚没有较为合理有效的方案,目前仍需要医护人员全程监控并根据经验和知识来判断药效来手动调节药物的输注用量和速率。
因此,要实现自动化的闭环静脉靶控输注系统,准确的药效预测模型至关重要。对比传统的PK-PD药效预测模型,神经网络的优势在于复杂的非线性动态计算,在环境信息十分复杂,知识背景不清楚和推理规则不明确的前提下也能表现出良好的性能。目前出现了基于深度学习的麻醉药效预测模型,该类模型在结构上借鉴了PK-PD的整体框架,首先利用神经网络来对药物注射历史信息进行特征提取,然后结合年龄、性别、身高、体重等人体生理特征来预测BIS值(BispectralIndex,麻醉深度指标)。虽然该模型在指标上有了较大提升,但该模型只在BIS值较为平稳的样本上表现良好,面对BIS值波动大的样本预测效果较差,难于预测到突发情况,预测效果也不理想。
现有技术公开了一种智能麻醉控制方法及系统,该方法包括:获取手术的类型;根据所述手术的类型以及手术的进程确定最优麻醉深度,其中所述麻醉深度包括清醒期、麻醉期和恢复期;获取患者的生命特征信息,其中所述生命特征信息包括反应镇静深度、肌肉松弛程度和镇痛程度的信息;建立麻醉深度与所述生命特征信息之间的映射关系;以及根据所述手术的类型、最优麻醉深度以及所述映射关系,得出患者所需的麻醉药物种类、药物剂量和注射速度。该专利通过卷积神经网络模型建立麻醉深度与所述生命特征信息之间的映射关系,但该模型只在BIS值较为平稳的样本上表现良好,面对BIS值波动大的样本预测效果较差,难于预测到突发情况,预测效果也不理想。并且该专利只使用当前时间点的药物注射速率来估计药效,进而计算麻醉深度,这样做缺乏历史数据信息,无法将过往的药物注射量考虑进来,对预测的准确性造成极大影响。
发明内容
本发明的目的是提供一种预测结果更加准确的麻醉深度预测方法。
为了实现上述目的,本发明提供了一种麻醉深度预测方法,包括:
S1、获取TIVA全身麻醉注射的真实手术记录,将手术记录中的麻醉药物注射历史作为原始数据集;
S2、对步骤S1获得的原始数据集进行预处理,并将预处理后的原始数据集划分为训练集、验证集和测试集;
S3、构建麻醉深度预测网络模型,麻醉深度预测网络模型包括PK-PD模型、时序信息编码器和注意力机制解码器;利用PK-PD模型计算BIS历史信息;将麻醉药物注射历史和BIS历史信息分别输入一个时序信息编码器,利用时序信息编码器提取时序信息的特征,时序信息作为动态信息,并在每个时间步里将静态信息年龄、性别、身高和体重加入到时序信息中,学习动态信息与静态信息相结合的特征,输出麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息;将麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息输入注意力机制解码器,注意力机制解码器将麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息堆叠起来,并进行解码,输出预测的BIS值;
S4、利用训练集对麻醉深度预测网络模型进行训练,利用验证集对训练过程中的麻醉深度预测网络模型进行评估,利用测试集测试麻醉深度预测网络模型的有效性,得到训练好的麻醉深度预测网络模型;
S5、获取患者的麻醉药物注射历史,将患者的麻醉药物注射历史输入训练好的目标检测模型,输出麻醉深度预测结果。
作为优选方案,在步骤S1中,麻醉药物注射历史包括异丙酚注射历史和瑞芬太尼注射历史;在步骤S3中,将异丙酚注射历史、瑞芬太尼注射历史和BIS历史信息分别输入一个时序信息编码器。
作为优选方案,异丙酚注射历史和瑞芬太尼注射历史均为30分钟内的药物注射数据。
作为优选方案,在步骤S2中,对原始数据集进行预处理包括:用线性插值法对数据异常值与空值进行插值运算;丢弃数据损失超过300秒的样本;丢弃只有半场手术记录的样本。
作为优选方案,在步骤S2中,对划分后的训练集的真实BIS值进行了平滑处理,对验证集和测试集不进行处理。
作为优选方案,在步骤S3中,时序信息编码器包括依次连接的长短期记忆神经网络和门控卷积残差网络,长短期记忆神经网络用于提取时序信息的特征,门控卷积残差网络用于将静态信息加入到时序信息中。
作为优选方案,在步骤S3中,注意力机制解码器采用多头注意力机制。
作为优选方案,在多头注意力机制中,在不同的头部中对特征V保持相同的参数矩阵WV进行关注,再进行相加聚合,最后经过两层全连接层后输出。
作为优选方案,在步骤S3中,对麻醉药物注射历史和静态信息进行归一化处理。
作为优选方案,在步骤S4中,麻醉深度预测网络模型的训练使用均方误差作为损失函数。
与现有技术相比,本发明的有益效果在于:
本发明考虑到麻醉药物在人体内的消除率呈非线性关系,同时药物在不同体征的人体中的存留时间也不同,利用神经网络从药物输注历史数据中提取时序特征信息,并在每个时间步中加入静态信息(年龄、性别、身高、体重),让网络学习学习不同时间步长的特征之间的长期关系,使得网络可以学习到长时间用药模式下麻醉深度的变化模式,并且本发明是将用药历史都输入到网络中,能够得到更准确的预测结果,其次本发明对不同的时序信息分别引入静态信息进行归约偏置,让网络学习到不同的人群对不同药物的反应,使得网络面对不同人群也有着较为准确的预测能力,在泛化性能上有明显提升。
附图说明
图1是本发明实施例的麻醉深度预测方法的流程图。
图2是本发明实施例的数据预处理示意图。
图3是本发明实施例的PK-PD(药代动力学-药效动力学)模型来计算BIS值的示意图。
图4是本发明实施例的麻醉深度预测网络模型的结构示意图。
图5是本发明实施例的麻醉深度预测结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
如图1至图5所示,本发明优选实施例的一种麻醉深度预测方法,包括:
S1、获取TIVA全身麻醉注射的真实手术记录,将手术记录中的麻醉药物注射历史作为原始数据集;
S2、对步骤S1获得的原始数据集进行预处理,并将预处理后的原始数据集划分为训练集、验证集和测试集;
S3、构建麻醉深度预测网络模型,麻醉深度预测网络模型包括PK-PD模型、时序信息编码器和注意力机制解码器;利用PK-PD模型计算BIS历史信息;将麻醉药物注射历史和BIS历史信息分别输入一个时序信息编码器,利用时序信息编码器提取时序信息的特征,时序信息作为动态信息,并在每个时间步里将静态信息年龄、性别、身高和体重加入到时序信息中,学习动态信息与静态信息相结合的特征,输出麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息;将麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息输入注意力机制解码器,注意力机制解码器将麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息堆叠起来,并进行解码,输出预测的BIS值;
S4、利用训练集对麻醉深度预测网络模型进行训练,利用验证集对训练过程中的麻醉深度预测网络模型进行评估,利用测试集测试麻醉深度预测网络模型的有效性,得到训练好的麻醉深度预测网络模型;
S5、获取患者的麻醉药物注射历史,将患者的麻醉药物注射历史输入训练好的目标检测模型,输出麻醉深度预测结果。
本实施例考虑到麻醉药物在人体内的消除率呈非线性关系,同时药物在不同体征的人体中的存留时间也不同,利用神经网络从药物输注历史数据中提取时序特征信息,并在每个时间步中加入静态信息(年龄、性别、身高、体重),让网络学习学习不同时间步长的特征之间的长期关系,使得网络可以学习到长时间用药模式下麻醉深度的变化模式,并且本实施例是将用药历史都输入到网络中,能够得到更准确的预测结果,其次本发明对不同的时序信息分别引入静态信息进行归约偏置,让网络学习到不同的人群对不同药物的反应,使得网络面对不同人群也有着较为准确的预测能力,在泛化性能上有明显提升。
在本实施例中,麻醉深度预测网络模型是递归神经网络。本实施例将深度学习神经网络与PK-PD模型结合,使用递归神经网络来学习药物对人体的持续作用,并将静态信息编码到时序信息中,学习变量之间在每个时间点的相互作用,另外还使用注意力机制去学习不同时间长度之间的依赖关系,可使得麻醉深度预测更为准确。
实施例二
本实施例与实施例一的区别在于,在实施例一的基础上,本实施例与步骤S1和步骤S2作进一步的说明。
本实施例在步骤S1中,麻醉药物注射历史包括异丙酚注射历史和瑞芬太尼注射历史;在步骤S3中,将异丙酚注射历史、瑞芬太尼注射历史和BIS历史信息分别输入一个时序信息编码器。异丙酚主要是起麻醉作用,瑞芬太尼主要起镇痛作用,在临床手术中,一般是这两种药一起用的。因此,本实施例可对异丙酚与瑞芬太尼联合用药下的麻醉深度进行预测。
本实施例在步骤S1中,从vitalDB开源数据库中随机挑选600例采用TIVA全身麻醉注射的真实手术记录作为我们深度学习的原始数据库。由于源数据中含有大量的噪声干扰以及信息缺失,因此需要对数据进行清洗,所以在步骤S2中的预处理中,进行了以下操作:(1)用线性插值法对数据异常值与空值进行插值运算;(2)丢弃数据损失超过300秒的样本;(3)丢弃只有半场手术记录的样本。经过数据清洗后,排除了344例数据缺失严重和只有半场手术记录的样本,剩余256例样本。其中100例作为训练集,80例作为验证集,76例作为测试集。
然后对数据进行额外的处理,考虑到异丙酚在注射到人体后,大部分药物在25分钟内就会被消除,因此本实施例将异丙酚的注射历史信息设定为1800秒(即30分钟),为学习到药物之间的联合作用,瑞芬太尼的注射历史信息也被设定为同样的时间范围。所以,在步骤S3中的异丙酚注射历史和瑞芬太尼注射历史均为30分钟内的药物注射数据。数据库中的异丙酚和瑞芬太尼的注射历史为每1秒记录一次的药物总注射量,为了节省运算资源,本实施例将数据处理成每10秒内注射的药物剂量(即180个数据点)。另外,将药物剂量除以时间长度得到药物注射速率,用于PK-PD模型计算BIS特征。本实施例对药物注射历史和静态信息都经过了归一化处理,有利于加速网络收敛。为了抑制噪声的影响,本实施例对训练集的真实BIS值进行了平滑处理,对真实BIS值采用平滑参数为0.03的局部加权散点图平滑(即LOWESS,局部加权回归),以减少训练过程中的计算误差。为确保实验的真实性,验证集和测试集不进行平滑处理。数据的预处理如图2所示。数据清洗完成后,将用药数据分成三部分,第一、二部分分别为异丙酚、瑞芬太尼的1800秒内的用药量,第三部分使用PK-PD模型制作成BIS历史数据。
本实施例的其他步骤与实施例一相同,此处不再赘述。
实施例三
本实施例与实施例二的区别在于,在实施例二的基础上,本实施例对步骤S3作进一步的说明。
本实施例在步骤S3中,利用PK-PD模型计算BIS历史信息:首先使用基于三室模型的PK-PD(药代动力学-药效动力学)模型来计算BIS,如图3所示。根据以下方程组求BIS:
其中的C1,C2,C3分别代表药物在中心室、快室、慢室里的浓度,V1,V2,V3分别代表中心室、快室、慢室的体积。kij代表各个隔室之间的流通速率,i、j表示两个不同的隔室。经过以上方程组联合求解分别得到芬太尼与异丙酚的效应室浓度Ecr与Ecp后,根据下式计算t时刻的BIS值:
其中BIS0,BISmin分别代表清醒状态的BIS和可达到的最低BIS值。Ec50r与Ec50p分别代表瑞芬太尼与异丙酚与达到最大临床效应的50%相对应的效应室浓度。若最终经过神经网络预测τ时刻的麻醉深度值BIS(τ),则使用PK-PD模型计算出t∈[τ-1800,τ-1]范围内的历史信息BIS(t),作为网络的前置输入。
时序信息编码器:本实施例在步骤S3中,时序信息编码器包括依次连接的长短期记忆神经网络和门控卷积残差网络,长短期记忆神经网络用于提取时序信息的特征,门控卷积残差网络用于将静态信息加入到时序信息中。
本实施例首先使用LSTM(长短期记忆神经网络)网络来提取时序信息的特征。将输入分成三个部分:(1)异丙酚注射历史,(2)瑞芬太尼注射历史,(3)基于PKPD模型计算得到的BIS历史信息,分别输入到三个LSTM网络后,用GRN(门控残差网络)在每个时间步t∈[0,1,…τ]里将静态信息人体生理信息(年龄、性别、身高、体重)加入到时序特征中,让网络学习到动态信息与静态信息相结合的特征,GRN接受一个主输入a和一个协变量输入c:
GRN(a,c)=LayerNorm(a+GLU(η1))
η1=W1η2+b1
η2=ELU(W2a+W3c+b2)
上式中LayerNorm(.)表示层归一化,用于加速网络学习,ELU(.)表示指数线性单元激活函数。a是指时序信息编码器里面的长短期记忆网络(LSTM)的输出,也是前文提到的动态信息。c就是前文提到的静态信息(年龄、性别、身高、体重)。η1η2是中间层变量。W1W2W3是网络学习得到的权重矩阵,b1b2
是网络学习得到的偏差,它们(W、b)的作用是为网络提供线性变换。GLU是线性门控单元。
因此,本实施例的时序信息编码器由两部分组成:第一部分是LSTM网络,用于提取时序信息的高维特征,其隐藏层数为1,隐藏状态大小为64,时间序列长度为180;第二部分是门控残差网络(GRN),用于将静态信息加入到时序信息中,学习不同人群的药效反应,GRN的维度设置为64,与LSTM输出的维度相同。另外我们还使用GRN对静态信息额外进行了一次特征提取以确保多种信息的维度相同。我们将三个特征分别输入到三个参数不同的时序编码器中,让三个编码器分别学习不同药物以及历史BIS信息的关系,最后得到三个输出z(i):
注意力机制解码器:将时序信息编码器输出的三组动态-静态混合信息堆叠起来,新的特征维度为:τ×b×d×3,其中τ为用药历史信息的时间区间,b为训练的批度大小,d为步骤3中LSTM网络中的隐藏状态维度,然后输入到注意力机制解码器中。本实施例的注意力机制解码器采用多头注意力机制,如下所示:
其中,Q,K,V:根据输入特征产生的向量。每个头部产生的注意力值的和。mH表示注意力头数。表示第h个注意力头对于Q的权重矩阵。同理。WV表示所有注意力头共用一个对于V的权重矩阵。Softmax:归一化指数函数。dattn:输入特征的长度,即上文中的τ。
与传统多头注意力机制不同的是,本实施例在不同的头部中对特征V保持相同的参数矩阵WV进行关注,再进行相加聚合,最后经过两层全连接层后输出为:
ypred=W2RELU(W1x+b1)+b2
ypred为最终预测的BIS值。
传统的注意力机制由于每个头部使用了不同的权重矩阵来计算特征信息,注意力权重不能表征特定特征的重要性。而改进的注意力机制共享每个头部中的值,最后再进行相加聚合,得到的注意力权重可以简单地可视化成注意力图,这样可以为我们观察网络更关注哪个区间的用药情况提供便利,也能观察药物在什么时间发挥药效作用。
本实施例的其他步骤与实施例二相同,此处步骤赘述。
实施例四
本实施例与实施例三的区别在于,在实施例三的基础上,本实施例对步骤S4作进一步的说明。
本实施例在步骤S4中,麻醉深度预测网络模型的训练使用均方误差作为损失函数。
具体地,本实施例的网络训练如下:使用均方误差作为损失函数,初始学习率设置为0.03,每20次迭代后衰减10倍。训练批度大小为1024个数据点(训练集共111323个数据点)。网络框架使用pytorch进行搭建。网络收敛后进行测试,预测效果如图5所示。
在步骤5中,只需要将患者的三十分钟的异丙酚注射历史和瑞芬太尼用药历史输入模型中,即可得到麻醉深度的预测结果。在图5中,每秒进行一次下一秒的麻醉深度预测,浅色线是真实麻醉深度bis值,深色线是本实施例的网络输出的预测结果,横轴单位为秒。可知,本实施例的预测方法结果准确。
本实施例的其他步骤与实施例三相同,此处不再赘述。
综上,本发明实施例提供一种麻醉深度预测方法,其将三十分钟前的用药历史都输入到网络中,能够得到更准确的预测结果。其次本发明实施例对不同的时序信息分别引入静态信息进行归约偏置,让网络学习到不同的人群对不同药物的反应,使得网络面对不同人群也有着较为准确的预测能力,在泛化性能上有明显提升。并且,采用改进的注意力机制,改进的注意力机制共享每个头部中的值,最后再进行相加聚合,得到的注意力权重可以简单地可视化成注意力图,这样可以为我们观察网络更关注哪个区间的用药情况提供便利,也能观察药物在什么时间发挥药效作用。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种麻醉深度预测方法,其特征在于,包括:
S1、获取TIVA全身麻醉注射的真实手术记录,将手术记录中的麻醉药物注射历史作为原始数据集;
S2、对步骤S1获得的原始数据集进行预处理,并将预处理后的原始数据集划分为训练集、验证集和测试集;
S3、构建麻醉深度预测网络模型,麻醉深度预测网络模型包括PK-PD模型、时序信息编码器和注意力机制解码器;利用PK-PD模型计算BIS历史信息;将麻醉药物注射历史和BIS历史信息分别输入一个时序信息编码器,利用时序信息编码器提取时序信息的特征,时序信息作为动态信息,并在每个时间步里将静态信息年龄、性别、身高和体重加入到时序信息中,学习动态信息与静态信息相结合的特征,输出麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息;将麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息输入注意力机制解码器,注意力机制解码器将麻醉药物注射历史的动态-静态混合信息以及BIS历史信息的动态-静态混合信息堆叠起来,并进行解码,输出预测的BIS值;
S4、利用训练集对麻醉深度预测网络模型进行训练,利用验证集对训练过程中的麻醉深度预测网络模型进行评估,利用测试集测试麻醉深度预测网络模型的有效性,得到训练好的麻醉深度预测网络模型;
S5、获取患者的麻醉药物注射历史,将患者的麻醉药物注射历史输入训练好的目标检测模型,输出麻醉深度预测结果。
2.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S1中,麻醉药物注射历史包括异丙酚注射历史和瑞芬太尼注射历史;在步骤S3中,将异丙酚注射历史、瑞芬太尼注射历史和BIS历史信息分别输入一个时序信息编码器。
3.根据权利要求2所述的麻醉深度预测方法,其特征在于,异丙酚注射历史和瑞芬太尼注射历史均为30分钟内的药物注射数据。
4.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S2中,对原始数据集进行预处理包括:用线性插值法对数据异常值与空值进行插值运算;丢弃数据损失超过300秒的样本;丢弃只有半场手术记录的样本。
5.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S2中,对划分后的训练集的真实BIS值进行了平滑处理,对验证集和测试集不进行处理。
6.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S3中,时序信息编码器包括依次连接的长短期记忆神经网络和门控卷积残差网络,长短期记忆神经网络用于提取时序信息的特征,门控卷积残差网络用于将静态信息加入到时序信息中。
7.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S3中,注意力机制解码器采用多头注意力机制。
8.根据权利要求8所述的麻醉深度预测方法,其特征在于,在多头注意力机制中,在不同的头部中对特征V保持相同的参数矩阵WV进行关注,再进行相加聚合,最后经过两层全连接层后输出。
9.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S3中,对麻醉药物注射历史和静态信息进行归一化处理。
10.根据权利要求1所述的麻醉深度预测方法,其特征在于,在步骤S4中,麻醉深度预测网络模型的训练使用均方误差作为损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211058372.0A CN115444366A (zh) | 2022-08-30 | 2022-08-30 | 一种麻醉深度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211058372.0A CN115444366A (zh) | 2022-08-30 | 2022-08-30 | 一种麻醉深度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115444366A true CN115444366A (zh) | 2022-12-09 |
Family
ID=84299915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211058372.0A Pending CN115444366A (zh) | 2022-08-30 | 2022-08-30 | 一种麻醉深度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115444366A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116173345A (zh) * | 2023-02-28 | 2023-05-30 | 长沙市妇幼保健院(长沙市妇幼保健计划生育服务中心) | 闭环自调节ai注射泵 |
CN116452101A (zh) * | 2023-06-09 | 2023-07-18 | 淄博市中心医院 | 一种智能麻醉科药物配送收费方法及系统 |
CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
CN117577264A (zh) * | 2023-12-12 | 2024-02-20 | 南栖仙策(南京)高新技术有限公司 | 给药信息确定方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-30 CN CN202211058372.0A patent/CN115444366A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116173345A (zh) * | 2023-02-28 | 2023-05-30 | 长沙市妇幼保健院(长沙市妇幼保健计划生育服务中心) | 闭环自调节ai注射泵 |
CN116173345B (zh) * | 2023-02-28 | 2023-12-12 | 长沙市妇幼保健院(长沙市妇幼保健计划生育服务中心) | 闭环自调节ai注射泵 |
CN116452101A (zh) * | 2023-06-09 | 2023-07-18 | 淄博市中心医院 | 一种智能麻醉科药物配送收费方法及系统 |
CN116452101B (zh) * | 2023-06-09 | 2023-08-25 | 淄博市中心医院 | 一种智能麻醉科药物配送收费方法及系统 |
CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
CN117438023B (zh) * | 2023-10-31 | 2024-04-26 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
CN117577264A (zh) * | 2023-12-12 | 2024-02-20 | 南栖仙策(南京)高新技术有限公司 | 给药信息确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115444366A (zh) | 一种麻醉深度预测方法 | |
Nemati et al. | Optimal medication dosing from suboptimal clinical examples: A deep reinforcement learning approach | |
Admon et al. | Emulating a novel clinical trial using existing observational data. Predicting results of the PreVent study | |
Weng et al. | Representation and reinforcement learning for personalized glycemic control in septic patients | |
CN108717869A (zh) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 | |
Allahverdi et al. | A Fuzzy Expert System design for diagnosis of periodontal dental disease | |
CN110464367A (zh) | 基于多通道协同的心理异常检测方法和系统 | |
Ordóñez et al. | An animated multivariate visualization for physiological and clinical data in the ICU | |
Alasaady et al. | A proposed approach for diabetes diagnosis using neuro-fuzzy technique | |
CN117316434A (zh) | 一种基于历史数据变化分析的面瘫评估系统 | |
CN116173345B (zh) | 闭环自调节ai注射泵 | |
CN113555079B (zh) | 一种基于神经网络的用药预测系统 | |
Gottschalk et al. | A comparison of human and machine-based predictions of successful weaning from mechanical ventilation | |
Ritter et al. | Modeling the range of performance on the serial subtraction task | |
CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
CN113517044A (zh) | 基于药代学评价胞二磷胆碱的临床数据处理方法及系统 | |
CN112233809A (zh) | 一种分析个体治疗效果的亚群分析方法 | |
CN112329921A (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
He et al. | A Transformer-based Prediction Method for Depth of Anesthesia During Target-controlled Infusion of Propofol and Remifentanil | |
Siegel | Research issues in psychosocial oncology | |
Nie et al. | Drug Treatment Effect Model Based on MODWT and Hawkes Self‐Exciting Point Process | |
Gong | [Retracted] A Continuous Deep Learning System Study of Tennis Player Health Information and Professional Input | |
Farahani et al. | LASSO Based Causal Variable Selection Addressing Time-Varying Confounding in Interdisciplinary Pain Management | |
Zhu et al. | Risk feature assessment of readmission for diabetes | |
Zhang et al. | Depth of anesthesia control with fuzzy logic |
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 |