CN115662613A - 一种气压伤的预测方法及装置 - Google Patents
一种气压伤的预测方法及装置 Download PDFInfo
- Publication number
- CN115662613A CN115662613A CN202211189599.9A CN202211189599A CN115662613A CN 115662613 A CN115662613 A CN 115662613A CN 202211189599 A CN202211189599 A CN 202211189599A CN 115662613 A CN115662613 A CN 115662613A
- Authority
- CN
- China
- Prior art keywords
- patient
- prediction
- ecmo
- barotrauma
- information
- 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
-
- 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
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请公开了一种气压伤的预测方法及装置,涉及数据处理技术领域。该气压伤的预测方法,包括:获取ARDS‑ECMO患者的预测因子;预测因子包括:患者年龄、患者的卡肺感染信息、患者在ECMO治疗后的肺复张信息、患者在ECMO治疗后的体温信息、患者在ECMO治疗后的呼吸频率、患者在ECMO治疗前吸入的氧浓度、患者的非典型病原体感染信息;根据预测因子和预先训练好的预测模型确定ARDS‑ECMO患者的气压伤预测结果。该预测方法能够实现有效且准确的气压伤预测。
Description
技术领域
本申请是关于数据处理技术领域,特别是关于一种气压伤的预测方法及装置。
背景技术
ARDS(Acute respiratory distress syndrome,急性呼吸窘迫综合征)是危重患者中较为常见的致死性或致残性综合征。ARDS患者可通过ECMO(Extracorporeal MembraneOxygenation,体外膜氧合)进行治疗,将进行ECMO治疗的ARDS患者称为ARDS-ECMO患者。
对于这类患者,在治疗过程中虽然提供了肺休息策略,但是可能会出现气压伤。气压伤的出现,会影响患者的治疗效果,从而使患者住院时间增加,住院费用也增加,患者及家庭负担加重。
因此,监测ARDS-ECMO患者的气压伤对于ARDS-ECMO患者来说较为重要。相关技术中,通过人工的方式监测气压伤,并且,缺少科学的气压伤监测方式,导致气压伤监测结果的准确性也难以得到保证。
公开于该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本申请的目的在于提供一种气压伤的预测方法及装置,其能够实现有效且准确的气压伤预测。
为实现上述目的,本申请的实施例提供了一种气压伤的预测方法,包括:获取ARDS-ECMO患者的预测因子;所述预测因子包括:患者年龄、患者的卡肺感染信息、患者在ECMO治疗后的肺复张信息、患者在ECMO治疗后的体温信息、患者在ECMO治疗后的呼吸频率、患者在ECMO治疗前吸入的氧浓度、患者的非典型病原体感染信息;根据所述预测因子和预先训练好的预测模型确定所述ARDS-ECMO患者的气压伤预测结果。
在本申请的实施例中,通过获取与气压伤具有强相关性的预测因子,结合预先训练好的预测模型,实现气压伤的预测。一方面,通过与气压伤具有强相关性的预测因子对气压伤进行预测,能够提高气压伤预测结果的准确性。另一方面,通过预先训练好的预测模型基于预测因子得到预测结果,能够实现气压伤的有效预测。因此,该气压伤的预测方法能够实现气压伤的有效且准确的预测。
在一种可能的实现方式中,所述卡肺感染信息用于指示患者是否存在卡肺感染,所述肺复张信息用于指示是否给予患者肺复张治疗,所述体温信息为患者在ECMO治疗后第一天的体温信息,所述呼吸频率为患者在ECMO治疗后第一天的呼吸频率,所述氧浓度为患者在ECMO治疗前6小时吸入的氧浓度,所述非典型病原体感染信息用于指示患者是否存在非典型病原体感染。
在该实现方式中,通过用于指示患者是否存在卡肺感染的卡肺感染信息、用于指示患者是否存在肺复张的肺复张信息、患者在ECMO治疗后第一天的体温信息、患者在ECMO治疗后第一天的呼吸频率、患者在ECMO治疗前6小时吸入的氧浓度以及用于指示患者是否存在病原体的非典型病原体感染信息,实现气压伤的有效预测。
在一种可能的实现方式中,所述预先训练好的预测模型为从预先训练好的至少两个备选预测模型中确定出的模型;其中,不同的备选预测模型对应的机器学习算法不相同。
在该实现方式中,通过从至少两个备选预测模型中确定出预测模型,保证预测模型的精度。
在一种可能的实现方式中,所述气压伤的预测方法还包括:获取预先训练好的至少两个备选预测模型;基于预设的验证数据集分别确定所述预先训练好的至少两个备选预测模型的模型性能;根据所述预先训练好的至少两个备选预测模型的模型性能确定所述预先训练好的预测模型。
在该实现方式中,通过预设的验证数据集确定至少两个备选预测模型的模型性能,再基于模型性能确定预测模型,提高最终确定的预测模型的模型精度,从而提高气压伤预测结果的准确性。
在一种可能的实现方式中,所述预设的验证数据集中包括:多个ARDS患者的所述预测因子。
在该实现方式中,通过多个ARDS患者的预测因子,实现模型精度的验证。
在一种可能的实现方式中,所述气压伤的预测方法还包括:获取训练数据集;所述训练数据集中包括多个ARDS患者分别对应的所述预测因子;基于所述训练数据集对初始的预测模型进行训练,获得训练好的预测模型。
在该实现方式中,通过多个ARDS患者分别对应的预测因子对应的训练数据集对预测模型进行训练,使训练好的预测模型可用于气压伤的预测。
在一种可能的实现方式中,所述获取训练数据集,包括:获取多个ARDS患者的患者信息;根据预设的特征筛选算法从所述多个ARDS患者的患者信息中筛选出多个ARDS患者分别对应的所述预测因子。
在该实现方式中,通过预设的特征筛选算法对多个ARDS患者的患者信息进行筛选,筛选出与气压伤具有强相关性的预测因子,从而提高气压伤预测结果的准确性。
在一种可能的实现方式中,所述预设的特征筛选算法为Weight by Correlation算法。
在该实现方式中,通过Weight by Correlation(一种数据相关性分析算法)算法实现预测因子的筛选,提高筛选出的预测因子与气压伤之间的强相关性。
在一种可能的实现方式中,所述预先训练好的预测模型为SVM模型。
在该实现方式中,通过SVM(Support Vector Machines,支持向量机)模型,可提高气压伤预测结果的准确性。
本申请的实施例提供了一种基于气压伤的预测装置,包括:用于实现前述的气压伤的预测方法以及对应的一个或者多个可能的实现方式的各个功能模块。
本申请的实施例还提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器通信连接;其中,所述存储器存储有可被所述处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行上述的任意一种实施方式中所述的气压伤的预测方法。
本申请的实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时,执行上述的任意一种实施方式中所述的气压伤的预测方法。
与现有技术相比,根据本申请实施方式的气压伤的预测方法及装置、电子设备、计算机可读存储介质,通过获取与气压伤具有强相关性的预测因子,结合预先训练好的预测模型,实现气压伤的预测。一方面,通过与气压伤具有强相关性的预测因子对气压伤进行预测,能够提高气压伤预测结果的准确性。另一方面,通过预先训练好的预测模型基于预测因子得到预测结果,能够实现气压伤的有效预测。从而,该气压伤的预测方案能够实现气压伤的有效且准确的预测。
附图说明
图1是根据本申请一实施方式的气压伤的预测方法的流程图;
图2是根据本申请一实施方式的气压伤的预测装置的结构示意图;
图3是根据本申请一实施方式的电子设备的结构示意图。
具体实施方式
下面结合附图,对本申请的具体实施方式进行详细描述,但应当理解本申请的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本申请实施例提供的技术方案可以应用于医疗应用场景中,在该医疗应用场景中,在ARDS患者通过ECMO治疗肺部的过程中,可以通过该技术方案监测患者的气压伤情况,以辅助医生结合患者的气压伤情况调整ECMO的治疗策略。
急性呼吸窘迫综合征(即ARDS)是危重患者中较为常见的致死性或致残性综合征。由于ARDS患者的异质性,治疗和策略的发展变得非常复杂,严重的急性呼吸窘迫综合征患者通常不能通过常规的治疗痊愈。
机械通气虽然可以挽救生命,但也可能因为通气肺单元过度膨胀和其他肺单元的重复开合而造成永久性的肺损伤,因此,ARDS患者气压性创伤的风险较高。
根据申请人对相关技术的了解,机械通气患者气压损伤的总体发生率为24.5%,尤其是ARDS患者(66%),死亡率高,预后差。后来,肺保护性通气提出后,与传统通气策略相比,气压伤的发生率明显降低。
而避免机械通气潜在损伤的一种方法是体外膜氧合(ECMO)。在过去的几年中,ECMO电路技术取得了重大进展。ECMO被认为可以通过促进极低潮气量和气道压力的应用以及降低呼吸频率来进一步减少肺损伤,这种方法有时被称为“肺休息”,对严重的ARDS患者可能有特别的好处。
然而,ECMO带来的许多问题也不容忽视;具体而言,ECMO期间的气压创伤问题受到的关注很少,研究也很少。在2018年的一项国际临床试验中报道ARDS患者给予ECMO治疗后气压伤发生概率约为14%。近年来,ARDS患者ECMO治疗过程中的气压损伤在临床中仍很常见,一些患者在经过ECMO治疗后仍存在气压损伤。
申请人发现,相关技术中,主要集中在ARDS患者单纯机械通气时的气压损伤,未考虑ECMO治疗时气压伤的发生率。而在ECMO治疗时出现气压伤,影响患者的治疗效果,从而使患者住院时间增加,住院费用也增加,患者及家庭负担加重。
基于此,本申请实施例提供一种能够快速且有效的实现在床旁预测ARDS患者ECMO期间是否发生气压损伤的预测方案。从而可以预防气压伤的发生,辅助临床医师的诊治。
在本申请实施例中,将进行ECMO治疗的ARDS患者称之为ARDS-ECMO患者。
基于上述应用场景,本申请实施例提供的技术方案的硬件实施环境可以是医院的监测设备,或者为ECMO治疗设备,即,在ECMO设备中配置气压伤预测功能。当然,基于该技术方案可以实现的功能,还可以单独设计对应的电子设备,该电子设备仅用于实现气压伤预测,可称之为气压伤预测设备。
当然,除了上述硬件实施环境,还可以是其他可实施的符合应用场景中的需求的硬件实施环境,在此不作限定。
此外,需要注意的是,本申请实施例提供的技术方案旨在预测ARDS-ECMO患者的气压伤情况,最终得到的结果为气压伤预测结果,可以理解为患者的预测数据。
该气压伤预测结果既不能代表患者的诊断结果,也不能代表患者的治疗方案。在不同的应用场景中,该气压伤预测结果可以有不同的应用方式,例如:辅助医生进行诊断;作为研究数据研究ECMO治疗的优缺点等。从这些应用方式也可以看出,该预测结果仅作为患者监测数据,从而,该技术方案不能被视为疾病的诊断或者治疗方案。
基于上述应用场景和硬件实施环境的介绍,接下来请参照图1,为本申请实施例提供的气压伤的预测方法的流程图,该预测方法包括:
步骤101:获取ARDS-ECMO患者的预测因子。
其中,预测因子包括:患者年龄、患者的卡肺感染信息、患者在ECMO治疗后的肺复张信息、患者在ECMO治疗后的体温信息、患者在ECMO治疗后的呼吸频率、患者在ECMO治疗前吸入的氧浓度、患者的非典型病原体感染信息。
可理解的,预测因子中的患者指代的也是ARDS-ECMO患者,即采用ECMO治疗的ARDS患者。
在一些实施例中,卡肺感染信息用于指示患者是否存在卡肺感染,肺复张信息用于指示是否给予患者肺复张治疗,体温信息为患者在ECMO治疗后第一天的体温信息,呼吸频率为患者在ECMO治疗后第一天的呼吸频率,氧浓度为患者在ECMO治疗前6小时吸入的氧浓度,非典型病原体感染信息用于指示患者是否存在非典型病原体感染。
在本申请实施例中,在给ARDS患者进行ECMO治疗的过程中,会实时采集患者的各项数据,采集的各项数据中包含上述的预测因子。因此,可以很容易的获取到这些预测因子。
举例来说,卡肺感染信息可以通过检测卡肺感染的设备获取,也可以通过医生所输入的检测数据获取。肺复张信息可以通过检测肺复张的设备获取,也可以通过所输入的检测数据获取。
继续举例,体温信息,为医院的患者每天都必须检测的信息,护士在检测体温信息之后,将其作为患者的基础数据输入到医院的系统中。因此,可以从医院的患者数据中获取患者在ECMO治疗后第一天的体温信息。
呼吸频率,与前述的体温信息同理,可以从医院的患者数据中获取患者在ECMO治疗后第一天的呼吸频率。
氧浓度,与前述的体温信息同理,可以从医院的患者数据中获取患者在ECMO治疗后第一天吸入的氧浓度。
非典型病原体感染信息,与前述的卡肺感染信息和肺复张信息同理,可以从相关的检测设备处获取,也可以从医生处获取。
可以理解,对于整个医院系统来说,不同的检测设备之间的数据都是可以互通的,因此,对于预测气压伤的设备来说,可以很容易的通过医院系统获得其他设备的检测数据。
在该实施方式中,通过用于指示患者是否存在卡肺感染的卡肺感染信息、用于指示患者是否存在肺复张的肺复张信息、患者在ECMO治疗后第一天的体温信息、患者在ECMO治疗后第一天的呼吸频率、患者在ECMO治疗前6小时吸入的氧浓度以及用于指示患者是否存在病原体的非典型病原体感染信息,实现气压伤的有效预测。
在另一些实施例中,结合不同患者的实际情况,体温信息可以是其他时间段内的体温信息,以及,呼吸频率和氧浓度也是同理,此处不限定为上述的第一天以及前6小时。
在本申请实施例中,上述的预测因子可以是经过特征筛选之后确定的预测因子。可以理解,对于患者来说,对应有大量的患者数据,但是,这些患者数据并不都是与气压伤强相关的数据。因此,为了实现气压伤的更准确的预测,可以预先对这些大量的患者数据进行筛选,以确定最终用于预测的患者数据。
该筛选预测因子的步骤,可以在模型训练的过程中执行,因此,在此处不介绍预测因子的筛选过程。
步骤102,根据预测因子和预先训练好的预测模型确定ARDS-ECMO患者的气压伤预测结果。
在一些实施例中,将预测因子输入到预先训练好的预测模型中,预测模型可输出气压伤预测结果。
在一些实施例中,气压伤预测结果用于表征是否产生气压伤。例如:用“0”表示没有产生气压伤,用“1”表示产生气压伤。
在另一些实施例中,气压伤预测结果为产生气压伤的概率。
在本申请实施例中,最终用于气压伤预测的预测模型可以是从多个预测模型中确定出的较优模型。
因此,作为一种可选的实施方式,预先训练好的预测模型为从预先训练好的至少两个备选预测模型中确定出的模型;其中,不同的备选预测模型对应的机器学习算法不相同。
在这种实施方式中,可以基于相同的训练数据集分别对至少两个备选预测模型进行训练,获得训练好的至少两个备选预测模型,再从中确定出最终的预测模型。
至少两个备选预测模型可采用不同的机器学习算法。在本申请实施例中,至少两个备选预测模型对应的机器学习算法,可以包括:AdaBoost(一种分类算法,内部为SupportVector Machine算法),Random Forest(随机森林算法),Gradient Boosted Trees(梯度提升树)以及Logistic Regression(逻辑回归)。
在该实现方式中,通过从至少两个备选预测模型中确定出预测模型,保证预测模型的精度。
作为一种可选的实施方式,预测模型的确定过程包括:获取预先训练好的至少两个备选预测模型;基于预设的验证数据集分别确定预先训练好的至少两个备选预测模型的模型性能;根据预先训练好的至少两个备选预测模型的模型性能确定预先训练好的预测模型。
其中,预设的验证数据集中包括:多个ARDS患者的预测因子。
在一些实施例中,在配置各个预测模型对应的训练数据集时,可一并配置该验证数据集,因此,该验证数据集的预设方式参见后续训练数据集的获取实施方式。
在该实现方式中,通过多个ARDS患者的预测因子,实现模型精度的验证。
在一些实施例中,在进行模型性能验证时,可采用5折交叉验证,以测试并确认模型性能。
其中,模型性能可以通过ROC(receiver operating characteristic curve,接收者操作特征曲线)曲线确定相应的评估标准。
作为举例,请参照表1,为前述实施例中的四种机器学习算法经过验证数据集进行模型性能评估之后,所得到的相关评估结果。表1中,Accuracy代表模型精度,AUC(AreaUnder Curve)被定义为ROC曲线下的面积,AUC值可作为模型的评价标准。当AUC值越大时,代表模型的性能越好。
表1
通过表1的数据可以看出,这四种算法中,AdaBoost算法对应的模型性能最佳。
因此,在本申请实施例中,最终确定的预测模型可以是基于AdaBoost算法的模型,也即SVM模型。
在该实现方式中,通过SVM模型,可提高气压伤预测结果的准确性。
在本申请实施例中,通过预设的验证数据集确定至少两个备选预测模型的模型性能,再基于模型性能确定预测模型,提高最终确定的预测模型的模型精度,从而提高气压伤预测结果的准确性。
作为一种可选的实施方式,预测模型(包括前述的备选预测模型)的训练过程包括:获取训练数据集;训练数据集中包括多个ARDS患者分别对应的预测因子;基于训练数据集对初始的预测模型进行训练,获得训练好的预测模型。
在一些实施例中,获取训练数据集包括:获取多个ARDS患者的患者信息;根据预设的特征筛选算法从多个ARDS患者的患者信息中筛选出多个ARDS患者分别对应的预测因子。
其中,患者信息可以包括以下信息:
性别、年龄、BMI(Body Mass Index,身体质量指数)。
既往史,包括是否患有糖尿病,慢性心功能不全,慢性肾功能不全,COPD(慢性阻塞性肺疾病),asthma(哮喘),结核,肝功能不全,AIDS(艾滋病),cancer(癌症),脑血管疾病;是否有手术史;是否既往使用激素免疫抑制剂;是否吸烟,吸烟指数;是否饮酒。
此次是何种类型肺炎,如病毒性肺炎,细菌性肺炎,卡肺感染,真菌非卡肺感染,非典型病原体感染等。是否清醒ECMO;ECMO后是否肺复张,是否实施ECMO后俯卧位,是否进行气管切开,入住本院前在其他医院住院时间,ECMO前6小时APACHEII(急性生理与慢性健康评分)评分,ECMO后24至48小时APACHEII评分,Murray(肺损伤)评分,SOFA(序贯器官衰竭评分)前6小时总分,SOFA后24至48小时总分,RASS(Richmond躁动-镇静)评分。
ECMO前6小时氧合指数,ECMO前IPPV(有创正压机械通气)使用时间,ECMO前通气时间,ECMO治疗前发病时间,入ICU(Intensive Care Unit,重症加强护理病房)后几天行ECMO治疗,ECMO前6小时患者体温,ECMO后第1天体温,ECMO前6小时呼吸频率,ECMO后第1天呼吸频率,ECMO前6小时心率,ECMO后第1天心率,ECMO前6小时平均动脉压,ECMO后第1天平均动脉压,ECMO前6小时吸入氧浓度,ECMO后第1天吸入氧浓度,ECMO前6小时潮气量,ECMO后第1天潮气量,ECMO前6小时PEEP(呼吸末正压水平),ECMO后第1天PEEP,ECMO前6小时分钟通气量,ECMO后第1天分钟通气量,ECMO前6小时吸气峰压,ECMO后第1天吸气峰压,ECMO前6小时平台压,ECMO后第1天平台压,ECMO前6小时驱动压,ECMO后第1天驱动压,ECMO前2小时转速,ECMO第1天转速,ECMO前2小时血流量,ECMO后第1天血流量,ECMO前2小时氧气流量,ECMO后第1天氧气流量,ECMO前6小时PH,ECMO后第1天PH,ECMO前6小时二氧化碳分压,ECMO后第1天二氧化碳分压,ECMO前6小时氧分压,ECMO后第1天氧分压,ECMO前6小时氧合指数,ECMO前6小时乳酸,ECMO后第1天乳酸,ECMO前6小时白细胞,ECMO后第1天白细胞,ECMO前6小时中性粒细胞,ECMO后第1天中性粒细胞,ECMO前6小时淋巴细胞,ECMO后第1天淋巴细胞,ECMO前6小时血红蛋白,ECMO后1天血红蛋白,ECMO前6小时C-反应蛋白,ECMO后第1天C-反应蛋白,ECMO前6小时B型钠尿肽,ECMO后第1天B型钠尿肽,ECMO前6小时降钙素原,ECMO后第1天降钙素原,ECMO前6小时血小板,ECMO后第1天血小板。
从上述大量的患者信息可以看出,如果采用过多的患者信息进行气压伤预测,不仅不能保证预测效果,还导致数据的处理较为复杂。因此,需要从中筛选出与气压伤强相关的预测因子。
在该实现方式中,通过预设的特征筛选算法对多个ARDS患者的患者信息进行筛选,筛选出与气压伤具有强相关性的预测因子,从而提高气压伤预测结果的准确性。
在一些实施例中,预设的特征筛选算法可以是:Weight by Correlation算法。
该算法通过计算输入的每个特征属性相对于结局的相关性值来计算特征属性的权重。该加权方案基于相关性,返回相关性的绝对值或平方值作为属性权重。一个纳入的特征属性的权重越高,它被认为与预测结局越相关。相关性是一个介于-1和+1之间的数字,用来衡量两个属性(称为X和Y)之间的关联程度。相关性的正数值意味着正关联,负值的相关性意味着负或逆关联。因此,采用这个算法能够快速有效将发生气压伤的最相关的患者特征所筛选出来,即发生气压伤最高危的因素筛选出来。
在该实现方式中,通过Weight by Correlation(一种数据相关性分析算法)算法实现预测因子的筛选,提高筛选出的预测因子与气压伤之间的强相关性。
在另一些实施例中,如果采用其他的算法也能够实现预测因子的筛选,且能够保证筛选出的预测因子与气压伤的强相关性,也可以采用其他的算法,在此不作限定。
进一步地,基于训练数据集,便可以实现预测模型的训练。
在一些实施例中,在进行模型训练时,还可以采用一些能够提高模型精度的实施方式。例如:预设训练次数;在训练之后,利用测试数据集(可在配置训练数据集时一并配置)测试模型精度,根据测试的模型精度优化训练的模型等,在此不作限定。
进而,通过多个ARDS患者分别对应的预测因子对应的训练数据集对预测模型进行训练,使训练好的预测模型可用于气压伤的预测。
根据本申请实施方式的气压伤的预测方法,通过获取与气压伤具有强相关性的预测因子,结合预先训练好的预测模型,实现气压伤的预测。一方面,通过与气压伤具有强相关性的预测因子对气压伤进行预测,能够提高气压伤预测结果的准确性。另一方面,通过预先训练好的预测模型基于预测因子得到预测结果,能够实现气压伤的有效预测。从而,该气压伤的预测方案能够实现气压伤的有效且准确的预测。
并且,在该气压伤的预测方法中,关键技术点及对应的技术效果包括:
1、机器学习模型使用简便,需纳入数据简单,皆为临床中常用且易获取指标,方便快速。
2、模型预测效果佳,能较准确及时预测ARDS-ECMO患者气压伤的发生,具有良好性能。
3、根据模型的预测结果,可以辅助临床医师对疾病的判断,有助于临床治疗及临床决策;也可以辅助于研究者对ECMO和ARDS进行研究,有助于医学技术的发展等。
请参照图2,本申请实施例还提供一种气压伤的预测装置,包括:
获取模块201,用于获取ARDS-ECMO患者的预测因子;所述预测因子包括:患者年龄、患者的卡肺感染信息、患者在ECMO治疗后的肺复张信息、患者在ECMO治疗后的体温信息、患者在ECMO治疗后的呼吸频率、患者在ECMO治疗前吸入的氧浓度、患者的非典型病原体感染信息。
预测模块202,用于根据所述预测因子和预先训练好的预测模型确定所述ARDS-ECMO患者的气压伤预测结果。
在一种可能的实施方式中,所述卡肺感染信息用于指示患者是否存在卡肺感染,所述肺复张信息用于指示是否给予患者肺复张治疗,所述体温信息为患者在ECMO治疗后第一天的体温信息,所述呼吸频率为患者在ECMO治疗后第一天的呼吸频率,所述氧浓度为患者在ECMO治疗前6小时吸入的氧浓度,所述非典型病原体感染信息用于指示患者是否存在非典型病原体感染。
在一种可能的实施方式中,所述预先训练好的预测模型为从预先训练好的至少两个备选预测模型中确定出的模型;其中,不同的备选预测模型对应的机器学习算法不相同。
在一种可能的实施方式中,预测模块202还用于:获取预先训练好的至少两个备选预测模型;基于预设的验证数据集分别确定所述预先训练好的至少两个备选预测模型的模型性能;根据所述预先训练好的至少两个备选预测模型的模型性能确定所述预先训练好的预测模型。
在一种可能的实施方式中,所述预设的验证数据集中包括:多个ARDS患者的所述预测因子。
在一种可能的实施方式中,预测模块202具体用于:获取训练数据集;所述训练数据集中包括多个ARDS患者分别对应的所述预测因子;基于所述训练数据集对初始的预测模型进行训练,获得训练好的预测模型。
在一种可能的实施方式中,预测模块202具体用于:获取多个ARDS患者的患者信息;根据预设的特征筛选算法从所述多个ARDS患者的患者信息中筛选出多个ARDS患者分别对应的所述预测因子。
在一种可能的实施方式中,所述预设的特征筛选算法为Weight by Correlation算法。
在一种可能的实施方式中,所述预先训练好的预测模型为SVM模型。
可以理解,该气压伤的预测装置与前述的气压伤的预测方法对应,因此,该预测装置的实施方式和技术效果参照前述的气压伤的预测方法的实施方式,在此不重复介绍。
请参照图3,本申请实施例还提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通信连接。该电子设备可作为前述的气压伤的预测方法的执行主体。
其中,存储器302中存储有可被处理器301执行的指令,所述指令被处理器301执行,以使处理器301能够执行前述实施例中所述的气压伤的预测方法。
在一些实施例中,处理器301和存储器302之间通过通信总线实现通信连接。
可以理解,电子设备还可以包括更多所需的通用模块,在本申请实施例不作一一介绍。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。
本申请的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种气压伤的预测方法,其特征在于,包括:
获取ARDS-ECMO患者的预测因子;所述预测因子包括:患者年龄、患者的卡肺感染信息、患者在ECMO治疗后的肺复张信息、患者在ECMO治疗后的体温信息、患者在ECMO治疗后的呼吸频率、患者在ECMO治疗前吸入的氧浓度、患者的非典型病原体感染信息;
根据所述预测因子和预先训练好的预测模型确定所述ARDS-ECMO患者的气压伤预测结果。
2.根据权利要求1所述的气压伤的预测方法,其特征在于,所述卡肺感染信息用于指示患者是否存在卡肺感染,所述肺复张信息用于指示是否给予患者肺复张治疗,所述体温信息为患者在ECMO治疗后第一天的体温信息,所述呼吸频率为患者在ECMO治疗后第一天的呼吸频率,所述氧浓度为患者在ECMO治疗前6小时吸入的氧浓度,所述非典型病原体感染信息用于指示患者是否存在非典型病原体感染。
3.根据权利要求1所述的气压伤的预测方法,其特征在于,所述预先训练好的预测模型为从预先训练好的至少两个备选预测模型中确定出的模型;其中,不同的备选预测模型对应的机器学习算法不相同。
4.根据权利要求3所述的气压伤的预测方法,其特征在于,所述气压伤的预测方法还包括:
获取预先训练好的至少两个备选预测模型;
基于预设的验证数据集分别确定所述预先训练好的至少两个备选预测模型的模型性能;
根据所述预先训练好的至少两个备选预测模型的模型性能确定所述预先训练好的预测模型。
5.根据权利要求4所述的气压伤的预测方法,其特征在于,所述预设的验证数据集中包括:多个ARDS患者的所述预测因子。
6.根据权利要求1的气压伤的预测方法,其特征在于,所述气压伤的预测方法还包括:
获取训练数据集;所述训练数据集中包括多个ARDS患者分别对应的所述预测因子;
基于所述训练数据集对初始的预测模型进行训练,获得训练好的预测模型。
7.根据权利要求6所述的气压伤的预测方法,其特征在于,所述获取训练数据集,包括:
获取多个ARDS患者的患者信息;
根据预设的特征筛选算法从所述多个ARDS患者的患者信息中筛选出多个ARDS患者分别对应的所述预测因子。
8.根据权利要求7所述的气压伤的预测方法,其特征在于,所述预设的特征筛选算法为Weightby Correlation算法。
9.根据权利要求1-8任一项所述的气压伤的预测方法,其特征在于,所述预先训练好的预测模型为SVM模型。
10.一种气压伤的预测装置,其特征在于,包括:
获取模块,用于获取ARDS-ECMO患者的预测因子;所述预测因子包括:患者年龄、患者的卡肺感染信息、患者在ECMO治疗后的肺复张信息、患者在ECMO治疗后的体温信息、患者在ECMO治疗后的呼吸频率、患者在ECMO治疗前吸入的氧浓度、患者的非典型病原体感染信息;
预测模块,用于根据所述预测因子和预先训练好的预测模型确定所述ARDS-ECMO患者的气压伤预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189599.9A CN115662613A (zh) | 2022-09-28 | 2022-09-28 | 一种气压伤的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189599.9A CN115662613A (zh) | 2022-09-28 | 2022-09-28 | 一种气压伤的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115662613A true CN115662613A (zh) | 2023-01-31 |
Family
ID=84986063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211189599.9A Pending CN115662613A (zh) | 2022-09-28 | 2022-09-28 | 一种气压伤的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115662613A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110051324A (zh) * | 2019-03-14 | 2019-07-26 | 深圳大学 | 一种急性呼吸窘迫综合征死亡率预测方法及系统 |
CN110176304A (zh) * | 2019-04-19 | 2019-08-27 | 上海依智医疗技术有限公司 | 一种确定糖尿病患者骨折风险的方法及装置 |
CN111261281A (zh) * | 2020-01-18 | 2020-06-09 | 中国医学科学院北京协和医院 | 一种模型训练方法、机械通气表型识别方法及呼吸机 |
CN112185560A (zh) * | 2020-09-27 | 2021-01-05 | 江苏省人民医院(南京医科大学第一附属医院) | 一种感染covid-19患者预后风险程度的早期预测方法和系统 |
CN112992346A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院(中山大学肝脏病医院) | 重症脊髓损伤预后的预测模型的建立方法 |
CN112992368A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院(中山大学肝脏病医院) | 重症脊髓损伤预后的预测模型系统及记录媒体 |
CN114049952A (zh) * | 2021-10-12 | 2022-02-15 | 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术后急性肾损伤智能预测方法及装置 |
CN114974555A (zh) * | 2022-03-24 | 2022-08-30 | 中国人民解放军总医院第一医学中心 | 一种机械通气后严重急性肾损伤风险预测系统 |
-
2022
- 2022-09-28 CN CN202211189599.9A patent/CN115662613A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110051324A (zh) * | 2019-03-14 | 2019-07-26 | 深圳大学 | 一种急性呼吸窘迫综合征死亡率预测方法及系统 |
CN110176304A (zh) * | 2019-04-19 | 2019-08-27 | 上海依智医疗技术有限公司 | 一种确定糖尿病患者骨折风险的方法及装置 |
CN111261281A (zh) * | 2020-01-18 | 2020-06-09 | 中国医学科学院北京协和医院 | 一种模型训练方法、机械通气表型识别方法及呼吸机 |
CN112185560A (zh) * | 2020-09-27 | 2021-01-05 | 江苏省人民医院(南京医科大学第一附属医院) | 一种感染covid-19患者预后风险程度的早期预测方法和系统 |
CN112992346A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院(中山大学肝脏病医院) | 重症脊髓损伤预后的预测模型的建立方法 |
CN112992368A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院(中山大学肝脏病医院) | 重症脊髓损伤预后的预测模型系统及记录媒体 |
CN114049952A (zh) * | 2021-10-12 | 2022-02-15 | 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术后急性肾损伤智能预测方法及装置 |
CN114974555A (zh) * | 2022-03-24 | 2022-08-30 | 中国人民解放军总医院第一医学中心 | 一种机械通气后严重急性肾损伤风险预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
Seely et al. | Do heart and respiratory rate variability improve prediction of extubation outcomes in critically ill patients? | |
CN112017783A (zh) | 一种心脏术后肺部感染的预测模型及其构建方法 | |
WO2012033771A2 (en) | Medical scoring systems and methods | |
JP2017530766A (ja) | 末梢静脈波形解析(piva)を使用した血液量減少/血液量増加の検出、およびその応用 | |
Dehghani et al. | An overview of the predictor standard tools for patient weaning from mechanical ventilation | |
Xie et al. | Correlation analysis between mechanical power, transforming growth factor-β1, and connective tissue growth factor levels in acute respiratory distress syndrome patients and their clinical significance in pulmonary structural remodeling | |
Ossai et al. | Intelligent decision support with machine learning for efficient management of mechanical ventilation in the intensive care unit–A critical overview | |
Paraschiv et al. | Machine learning approaches based on wearable devices for respiratory diseases diagnosis | |
Lazzari et al. | End-tidal to arterial PCO2 ratio as guide to weaning from venovenous extracorporeal membrane oxygenation | |
Georgakas et al. | Central venous oxygen saturation as a predictor of a successful spontaneous breathing trial from mechanical ventilation: a prospective, nested case-control study | |
Huang et al. | Acute respiratory distress syndrome prediction score: derivation and validation | |
Yan et al. | Mechanical power is associated with weaning outcome in critically ill mechanically ventilated patients | |
CN115662613A (zh) | 一种气压伤的预测方法及装置 | |
CN115775629A (zh) | 一种术前基于亚极量运动试验评估PPCs风险的方法 | |
KR102310888B1 (ko) | 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
Varón-Vega et al. | Utilization of spontaneous breathing trial, objective cough test, and diaphragmatic ultrasound results to predict extubation success: COBRE-US trial | |
RU2757801C1 (ru) | Способ оценки клинико-лабораторных данных | |
Tan et al. | Validation of a retrospective computing model for mortality risk in the intensive care unit | |
Rau et al. | The Addition of the Geriatric Nutritional Risk Index to the Prognostic Scoring Systems Did Not Improve Mortality Prediction in Trauma Patients in the Intensive Care Unit | |
Bi et al. | Prone Position Improves Survival rate of Covid-19 Invasive Mechanical Ventilation Patients by Improving Oxygenation Index | |
Tribuddharat et al. | Emergency surgery mortality (ESM) score to predict mortality and improve patient care in emergency surgery | |
Karaarslan et al. | Value of integrated pulmonary index to predict exacerbation of chronic obstructive pulmonary Disease's severity | |
RU2805263C1 (ru) | Способ прогнозирования наступления смерти у больных COVID-19 в возрасте 60 лет и старше | |
CN114708972B (zh) | 一种vte风险预警系统 |
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 |