CN116013466A - 一种患者围手术期风险评估方法及系统 - Google Patents
一种患者围手术期风险评估方法及系统 Download PDFInfo
- Publication number
- CN116013466A CN116013466A CN202310030729.2A CN202310030729A CN116013466A CN 116013466 A CN116013466 A CN 116013466A CN 202310030729 A CN202310030729 A CN 202310030729A CN 116013466 A CN116013466 A CN 116013466A
- Authority
- CN
- China
- Prior art keywords
- patient
- perioperative
- data
- patients
- patient 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 title claims abstract description 29
- 230000036541 health Effects 0.000 claims abstract description 35
- 230000034994 death Effects 0.000 claims abstract description 22
- 231100000517 death Toxicity 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000001356 surgical procedure Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000010187 selection method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000001186 cumulative effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 206010002091 Anaesthesia Diseases 0.000 claims description 5
- 230000037005 anaesthesia Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000037213 diet Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 238000011841 epidemiological investigation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 206010019196 Head injury Diseases 0.000 claims 1
- 208000010718 Multiple Organ Failure Diseases 0.000 claims 1
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 claims 1
- 208000030886 Traumatic Brain injury Diseases 0.000 claims 1
- 208000014674 injury Diseases 0.000 claims 1
- 238000011002 quantification Methods 0.000 claims 1
- 230000008733 trauma Effects 0.000 claims 1
- 238000009825 accumulation Methods 0.000 abstract 2
- 201000010099 disease Diseases 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 208000035965 Postoperative Complications Diseases 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 7
- 230000002980 postoperative effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010067671 Disease complication Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出了一种患者围手术期风险评估方法及系统，涉及手术风险评估领域。包括：获取围手术期患者的患者信息和治疗数据；根据患者信息和治疗数据计算各患者一项或多项健康评分；采用数据预处理方法完成缺省数据补齐和数据正则化处理；以患者手术为主题建立患者信息、治疗数据和健康评分的关联数据簇；分别采用随机森林特征选择方法计算患者的并发症以及死亡相关性累计率，依据累计率实现特征选择；选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型。该方法能够预测高龄患者围手术期并发症发生率及死亡率，指导临床规避和减少外科手术风险。
Description
技术领域
本发明涉及手术风险评估领域，具体而言，涉及一种患者围手术期风险评估方法及系统。
背景技术
识别手术患者的围术期风险，并进行预测/预警，是保证患者安全、为手术创造良好条件以及麻醉医师诊疗决策的重要依据，同时也是临床麻醉中的重要组成部分，对促进患者快速康复，早日回归社会具有重要作用。然而，目前对围术期生命体征波动发生的干预主要是反应性的，多伴随延迟，临床对生命体征的大幅波动的预测手段有限，大多依靠麻醉医生的经验依据患者自身状况、术前用药、手术操作、麻醉用药，以及术中监控生理指标等进行判断。在临床上通常难以察觉循环系统不稳定的早期阶段，有证据表明，在此期间不同生理变量之间存在微妙的动态联系，有经验的麻醉医生有时可以借此预测不良事件，但是由于缺乏可重复性和验证手段，这种临床经验很难传授，难以尽早发现围术期不良事件，从而难以有效降低术后并发症，保障手术安全。尤其是高龄患者的手术风险尤其重要且难以预测。因此，目前需要一种能够预测患者围手术期相关风险，指导临床规避和减少外科手术风险，为临床针对影响预后的危险因素早期主动干预提供决策支持，对围手术期的安全保障，保护重要脏器功能，降低术后并发症的发生率，并加快术后康复具有指导意义。
发明内容
本发明的目的在于提供一种患者围手术期风险评估方法，其能够预测患者围手术期相关风险，指导临床规避和减少外科手术风险，为临床针对影响预后的危险因素早期主动干预提供决策支持，对围手术期的安全保障，保护重要脏器功能，降低术后并发症的发生率，并加快术后康复具有指导意义。
本发明的另一目的在于提供一种患者围手术期风险评估系统，其能够预测患者围手术期相关风险，指导临床规避和减少外科手术风险，为临床针对影响预后的危险因素早期主动干预提供决策支持，对围手术期的安全保障，保护重要脏器功能，降低术后并发症的发生率，以及加快术后康复具有指导意义。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种患者围手术期风险评估方法，其包括如下步骤，a1.获取围手术期患者的患者信息和治疗数据；a2.根据上述患者信息和上述治疗数据计算各患者一项或多项健康评分；a3.采用数据预处理方法完成上述患者信息、上述治疗数据和上述健康评分的缺省数据补齐和数据正则化处理；a4.以患者手术为主题建立上述患者信息、上述治疗数据和上述健康评分的关联数据簇；a5.分别采用随机森林特征选择方法计算患者的并发症以及死亡相关性累计率，依据累计率选择主要关联特征；a6.选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型。
在本发明的一些实施例中，上述步骤a1中，根据预设年龄获取围手术期患者的患者信息和治疗数据。
在本发明的一些实施例中，上述步骤a1中，获取年龄超过上述预设年龄的高龄患者。
在本发明的一些实施例中，上述步骤a1中，上述治疗数据包括流行病学调查记录、临床检查、临床检验、医嘱、手术信息及麻醉信息、围手术期饮食记录、围手术期意识评估、围手术期行动力评估、围手术期并发症记录、围手术期死亡记录、护理记录和重症护理记录中的任意一种或多种数据。
在本发明的一些实施例中，上述步骤a2中，上述健康评分包括GCS颅脑损伤格拉斯哥评分、ADL评分、ASA分级、POSSUM评分、SIRS量化评分、TS创伤评分和MODS评分中的任意一项或多项。
在本发明的一些实施例中，上述步骤a5中，依据死亡相关性累计率选择超过预设概率的特征。
第二方面，本申请实施例提供一种患者围手术期风险评估系统，其包括，患者数据模块：获取手术期患者的患者信息和治疗数据；健康评分模块：根据上述患者信息和上述治疗数据计算各患者一项或多项健康评分；数据修正模块：采用数据预处理方法完成上述患者信息、上述治疗数据和上述健康评分的缺省数据补齐和数据正则化处理；数据关联模块：以患者手术为主题建立上述患者信息、上述治疗数据和上述健康评分的关联数据簇；特征提取模块：分别采用随机森林特征选择方法计算患者的并发症以及死亡相关性累计率，依据累计率选择主要关联特征；模型建立模块：选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者为手术期并发症发生预测模型及死亡率预测模型。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
针对第一方面～第二方面：本申请提供一种患者围手术期风险评估方法，其通过获取围手术期患者的患者信息和治疗数据，从而获取手术期患者情况，并根据患者信息和上述治疗数据计算各患者一项或多项健康评分，从而快速预估患者健康状况；采用数据预处理方法完成患者信息、治疗数据和健康评分的缺省数据补齐和数据正则化处理，从而进一步扩大采集数据量，提高患者风险预估的准确性和全面性；以患者手术为主题建立患者信息、治疗数据和健康评分的关联数据簇，从而根据各项数据针对不同手术情况进行综合分析和评估；分别采用随机森林特征选择方法患者信息及治疗数据中筛选出并发症及死亡相关性累计率较高的特征，从而评估患者围手术期的并发症风险和死亡风险，并且选择筛选的特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型，从而提高准确性，便于围手术期的突发病症发作和死亡的风险预估。本发明通过统计学方法筛选风险因素，并且建立围手术期患者并发症和死亡率预测模型，构成围术期患者风险综合评估模型，能够应用于不同年龄段的术期患者使用，指导临床规避和减少外科手术风险，为临床的危险因素早期主动干预提供决策支持，对围手术期的安全保障，保护重要脏器功能，降低术后并发症的发生率，以及加快术后康复具有指导意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1患者围手术期风险评估方法的流程图；
图2为本发明实施例1患者围手术期风险评估方法的患者示例图；
图3为本发明实施例1患者围手术期风险评估方法的数据示例图；
图4为本发明实施例2患者围手术期风险评估系统的原理图；
图5为本发明实施例3电子设备的原理图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
实施例1
请参阅图1～图3，图1～图3所示为本申请实施例提供的患者围手术期风险评估方法的示意图。患者围手术期风险评估方法，其包括如下步骤，a1.获取围手术期患者的患者信息和治疗数据；a2.根据上述患者信息和上述治疗数据计算各患者一项或多项健康评分；a3.采用数据预处理方法完成上述患者信息、上述治疗数据和上述健康评分的缺省数据补齐和数据正则化处理；a4.以患者手术为主题建立上述患者信息、上述治疗数据和上述健康评分的关联数据簇；a5.分别采用随机森林特征选择方法计算患者的并发症以及死亡相关性累计率，依据累计率选择主要关联特征；a6.选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型。
本申请提供一种患者围手术期风险评估方法，其通过获取围手术期患者的患者信息和治疗数据，从而获取手术期患者情况，并根据患者信息和上述治疗数据计算各患者一项或多项健康评分，从而快速预估患者健康状况；采用数据预处理方法完成患者信息、治疗数据和健康评分的缺省数据补齐和数据正则化处理，从而进一步扩大采集数据量，提高患者风险预估的准确性和全面性；以患者手术为主题建立患者信息、治疗数据和健康评分的关联数据簇，从而根据各项数据针对不同手术情况进行综合分析和评估；分别采用随机森林特征选择方法从患者信息及治疗数据中筛选出与并发症及死亡相关性累计率较高的特征，选择筛选的特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型，从而提高准确性，便于围手术期的突发病症发作和死亡的风险预估。本发明通过统计学方法筛选风险因素，并且建立围手术期患者并发症和死亡率预测模型，构成围术期患者风险综合评估模型，能够应用于不同年龄段的术期患者使用，指导临床规避和减少外科手术风险，为临床的危险因素早期主动干预提供决策支持，对围手术期的安全保障，保护重要脏器功能，降低术后并发症的发生率，以及加快术后康复具有指导意义。
在本发明的一些实施例中，上述步骤a1中，根据预设年龄获取围手术期患者的患者信息和治疗数据。根据年龄能够进一步限定患者范围，获取更准确的疾病并发症以及死亡率的预测结果，并且能够灵活应用于不同年龄阶段的围手术期患者的风险预测，进行术前和术后风险评估。
在本发明的一些实施例中，上述步骤a1中，获取年龄超过上述预设年龄的高龄患者。其中预测高龄患者的围术期风险，能够解决高龄患者的高发病率问题，同时提高患者手术疾病和死亡率预估的准确性，预设年龄可以设置为80岁，对80岁及以上的高龄患者进行评估和分析。
在本发明的一些实施例中，上述步骤a1中，上述治疗数据包括流行病学调查记录、临床检查、临床检验、医嘱、手术信息及麻醉信息、围手术期饮食记录、围手术期意识评估、围手术期行动力评估、围手术期并发症记录、围手术期死亡记录、护理记录和重症护理记录中的任意一种或多种数据。采集围术期的患者，能够在患者术前进行综合分析评估，充分预测后期的并发症及相应的死亡率风险，从而便于医生进行术前风险的及时规避。
在本发明的一些实施例中，上述步骤a2中，上述健康评分包括GCS颅脑损伤格拉斯哥评分、ADL评分、ASA分级、POSSUM评分、SIRS量化评分、TS创伤评分和MODS评分中的任意一项或多项。综合多项评分，并对各项采集数据及评分进行数据修正和完善，能够提高预测的多项疾病及死亡风险的全面性。可选的，对手术期并发症发生预测模型的疾病及死亡率预测模型的疾病进行对比，当并发症发生预测模型中存在死亡率预测模型中没有预估的并发疾病时，可以加入该并发疾病的相关特征重新训练得到死亡率预测模型，从而考虑该疾病的死亡相关性以及对其他疾病的死亡率影响，从而对死亡率预测模型进行微调。
实施例2
请参阅图4，图4为本申请实施例提供的患者围手术期风险评估系统的示意图。患者围手术期风险评估系统，其包括，患者数据模块：获取手术期患者的患者信息和治疗数据；健康评分模块：根据上述患者信息和上述治疗数据计算各患者一项或多项健康评分；数据修正模块：采用数据预处理方法完成上述患者信息、上述治疗数据和上述健康评分的缺省数据补齐和数据正则化处理；数据关联模块：以患者手术为主题建立上述患者信息、上述治疗数据和上述健康评分的关联数据簇；特征提取模块：分别采用随机森林特征选择方法从患者的并发症以及死亡相关性累计率的特征；模型建立模块：选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者为手术期并发症发生预测模型及死亡率预测模型。
本申请实施例与实施例1的原理相同，在此不做重复性描述。可以理解，图4所示的结构仅为示意，患者围手术期风险评估系统还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
实施例3
请参阅图5，图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例2所提供的患者围手术期风险评估系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAcceSSMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种患者围手术期风险评估方法及系统：本申请提供一种患者围手术期风险评估方法，其通过获取围手术期患者的患者信息和治疗数据，从而获取手术期患者情况，并根据患者信息和所述治疗数据计算各患者一项或多项健康评分，从而快速预估患者健康状况；采用数据预处理方法完成患者信息、治疗数据和健康评分的缺省数据补齐和数据正则化处理，从而进一步扩大采集数据量，提高患者风险预估的准确性和全面性；以患者手术为主题建立患者信息、治疗数据和健康评分的关联数据簇，从而根据各项数据针对不同手术情况进行综合分析和评估；分别采用随机森林特征选择方法从患者信息及治疗数据中筛选出与并发症及死亡相关性累计率较高的特征，选择筛选的特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型，从而提高准确性，便于围手术期的突发病症发作和死亡的风险预估。本发明通过统计学方法筛选风险因素，并且建立围手术期患者并发症和死亡率预测模型，构成围术期患者风险综合评估模型，能够应用于不同年龄段的术期患者使用，指导临床规避和减少外科手术风险，为临床的危险因素早期主动干预提供决策支持，对围手术期的安全保障，保护重要脏器功能，降低术后并发症的发生率，以及加快术后康复具有指导意义。
本申请实施例从高龄患者围手术期数据，利用统计学方法，筛选风险因素；建立了高龄患者围手术期并发症发生预测模型及死亡率预测模型，构成高龄患者围手术期风险综合评估模型。通过构建机器学习模型，填补了传统临床上依据经验评估高龄患者围手术期风险的状况，为持续性监测该类患者状态提供了可操作方法及依据。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种患者围手术期风险评估方法，其特征在于，包括如下步骤，
a1.获取围手术期患者的患者信息和治疗数据；
a2.根据所述患者信息和所述治疗数据计算各患者一项或多项健康评分；
a3.采用数据预处理方法完成所述患者信息、所述治疗数据和所述健康评分的缺省数据补齐和数据正则化处理；
a4.以患者手术为主题建立所述患者信息、所述治疗数据和所述健康评分的关联数据簇；
a5.分别采用随机森林特征选择方法计算患者的并发症以及死亡相关性累计率，依据累计率选择主要关联特征；
a6.选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者围手术期并发症发生预测模型及死亡率预测模型。
2.如权利要求1所述的一种患者围手术期风险评估方法，其特征在于，步骤a1中，根据预设年龄获取围手术期患者的患者信息和治疗数据。
3.如权利要求2所述的一种患者围手术期风险评估方法，其特征在于，步骤a1中，获取年龄超过所述预设年龄的高龄患者。
4.如权利要求1所述的一种患者围手术期风险评估方法，其特征在于，步骤a1中，所述治疗数据包括流行病学调查记录、临床检查、临床检验、医嘱、手术信息及麻醉信息、围手术期饮食记录、围手术期意识评估、围手术期行动力评估、围手术期并发症记录、围手术期死亡记录、护理记录和重症护理记录中的任意一种或多种数据。
5.如权利要求1所述的一种患者围手术期风险评估方法，其特征在于，步骤a2中，所述健康评分包括GCS颅脑损伤格拉斯哥评分、ADL评分、ASA分级、POSSUM评分、SIRS量化评分、TS创伤评分和MODS评分中的任意一项或多项。
6.如权利要求1所述的一种患者围手术期风险评估方法，其特征在于，步骤a5中，依据死亡相关性累计率选择超过预设概率的特征。
7.一种患者围手术期风险评估系统，其特征在于，包括，
患者数据模块：获取手术期患者的患者信息和治疗数据；
健康评分模块：根据所述患者信息和所述治疗数据计算各患者一项或多项健康评分；
数据修正模块：采用数据预处理方法完成所述患者信息、所述治疗数据和所述健康评分的缺省数据补齐和数据正则化处理；
数据关联模块：以患者手术为主题建立所述患者信息、所述治疗数据和所述健康评分的关联数据簇；
特征提取模块：分别采用随机森林特征选择方法计算患者的并发症以及死亡相关性累计率，依据累计率选择主要关联特征；
模型建立模块：选择筛选特征作为拟合特征，采用梯度增强随机森林回归分别建立患者为手术期并发症发生预测模型及死亡率预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310030729.2A CN116013466A (zh) | 2023-01-10 | 2023-01-10 | 一种患者围手术期风险评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310030729.2A CN116013466A (zh) | 2023-01-10 | 2023-01-10 | 一种患者围手术期风险评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116013466A true CN116013466A (zh) | 2023-04-25 |
Family
ID=86035378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310030729.2A Pending CN116013466A (zh) | 2023-01-10 | 2023-01-10 | 一种患者围手术期风险评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116013466A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877738A (zh) * | 2024-03-13 | 2024-04-12 | 简阳市人民医院 | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 |
| CN118899088A (zh) * | 2024-10-09 | 2024-11-05 | 山东中医药大学附属医院 | 一种脓毒症早期风险的预测系统和方法 |
-
2023
- 2023-01-10 CN CN202310030729.2A patent/CN116013466A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877738A (zh) * | 2024-03-13 | 2024-04-12 | 简阳市人民医院 | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 |
| CN117877738B (zh) * | 2024-03-13 | 2024-05-07 | 简阳市人民医院 | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 |
| CN118899088A (zh) * | 2024-10-09 | 2024-11-05 | 山东中医药大学附属医院 | 一种脓毒症早期风险的预测系统和方法 |
| CN118899088B (zh) * | 2024-10-09 | 2025-01-21 | 山东中医药大学附属医院 | 一种脓毒症早期风险的预测系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hill et al. | Imputation of the continuous arterial line blood pressure waveform from non-invasive measurements using deep learning | |
| CN116013466A (zh) | 一种患者围手术期风险评估方法及系统 | |
| JP6706627B2 (ja) | 集中治療室における臨床値の自動化された分析及びリスク通知のためのシステム | |
| JP2003525676A (ja) | 健康分析および異常状態の予測 | |
| Rouabhi et al. | Development of a bedside tool to predict the diagnosis of cerebral palsy in term-born neonates | |
| CN116682565B (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
| CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
| US10485486B2 (en) | Clinical metric for predicting onset of cardiorespiratory deterioration in patients | |
| Accardo et al. | Toward a diagnostic CART model for Ischemic heart disease and idiopathic dilated cardiomyopathy based on heart rate total variability | |
| Moses et al. | Time‐domain heart rate variability features for automatic congestive heart failure prediction | |
| US20250157669A1 (en) | Decision-Support Tools For Pediatric Obesity | |
| US20240274294A1 (en) | A method and system for risk prediction of neonatal infection | |
| CN115239945A (zh) | 图像标注可靠性预测方法、装置、电子设备及存储介质 | |
| Lee et al. | Comparison of the CAD consortium and updated Diamond-Forrester scores for predicting obstructive coronary artery disease | |
| Bani Hani et al. | Effective prediction of mortality by heart disease among women in Jordan using the chi-squared automatic interaction detection model: retrospective validation study | |
| JP7496835B2 (ja) | 複数の患者に対する血糖制御の欠如の相対リスクを決定するためのコンピュータ実装方法およびシステム、ならびにコンピュータプログラム製品 | |
| Gorelick et al. | Revised Pediatric Emergency Assessment Tool (RePEAT): a severity index for pediatric emergency care | |
| JP7109345B2 (ja) | 優先度判定装置、方法およびプログラム | |
| TWI789844B (zh) | 多元生理資訊分析裝置及系統 | |
| Jin et al. | Prediction Indicators for Acute Exacerbations of Chronic Obstructive Pulmonary Disease by Combining Non-linear analyses and Machine | |
| JP2023132794A (ja) | 画像診断支援プログラム，訓練プログラム，情報処理装置，画像診断支援方法および訓練方法 | |
| Yan et al. | Nomogram-based geometric and hemodynamic parameters for predicting the growth of small untreated intracranial aneurysms | |
| Sundas et al. | Comprehensive Study of Machine Learning-Based Systems for Early Warning of Clinical Deterioration | |
| CN114144837A (zh) | 用于动态预测普通病房中的患者的出院准备的模型 | |
| Joshi et al. | Machine learning approaches to predict gestational diabetes in early pregnancy |
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 |