CN116030990A - 一种基于级联模型的围手术期输血方案生成方法及系统 - Google Patents

Abstract

本发明公开了一种基于级联模型的围手术期输血方案生成方法及系统，包括步骤S1：获取历史术前贫血纠正数据，基于所述历史术前贫血纠正数据建立术前贫血预测模型；步骤S2：获取历史手术数据，基于所述历史手术数据建立术中失血量预测模型，获得术中失血量预测信息；步骤S3：获取历史术中输血数据，基于所述历史术中输血数据建立术中输血量预测模型，获得术中输血量预测信息；步骤S4：获取出现术中大出血的历史手术记录，基于所述历史手术记录建立大出血预测模型，获得术中大出血危险因素评估报告；本发明通过建立多个模型，多个模型互联互通，从而生成围手术期术前、术中和术后的输血策略，从而为患者的输血方案提供决策基础。

Description

一种基于级联模型的围手术期输血方案生成方法及系统

技术领域

本发明涉及临床医疗技术领域，特别涉及一种基于级联模型的围手术期输血方案生成方法及系统。

背景技术

围手术期是围绕手术的一个全过程，从病人决定接受手术治疗开始，到手术治疗直至基本康复，包含手术前、手术中及手术后的一段时间；在发生术前贫血和术中失血时都需要采用输血措施去改善和维持患者的身体体征，合理的输血能给患者补给血量，维持血容量，但是目前围手术期的输血量主要以指南推荐的血红蛋白值为依据进行预测，并未考虑到患者及医院医疗资源的具体情况，那么就会出现输血不合理的情况，这不仅是对血液资源的浪费，而且不合理的输血还可能引发输血不良反应，影响患者的身体健康。

发明内容

为解决上述问题，本发明提供一种基于级联模型的围手术期输血方案决策方法及系统，以解决现有技术中以指南推荐的血红蛋白值为依据进行输血量预测会出现输血不合理的问题。

为实现上述目的，本发明一种基于级联模型的围手术期输血方案决策方法的技术方案是，包括：

步骤S1：获取历史术前贫血纠正数据，所述历史术前贫血纠正数据包括患者身体数据和纠正方案，基于所述历史术前贫血纠正数据建立术前贫血预测模型；

步骤S2：获取历史手术数据，所述历史手术数据包括手术名称、手术的平均失血量、主刀医师、患者身体数据和术中总失血量，基于所述历史手术数据建立术中失血量预测模型，所述术中失血量预测模型为决策树模型，将目标患者的手术名称、主刀医生和患者身体数据输入至所述术中失血量预测模型，获得术中失血量预测信息；

步骤S3：获取历史术中输血数据，所述历史术中输血数据包括目标血红蛋白值、患者身体数据、术中失血量和术中输血量，基于所述历史术中输血数据建立术中输血量预测模型，所述术中输血量预测模型为广义线性模型，获取目标患者的血红蛋白最优值，将目标患者的血红蛋白最优值、患者身体数据和所述术中失血量预测信息输入至所述术中输血量预测模型，获得术中输血量预测信息；

步骤S4：获取出现术中大出血的历史手术记录，基于所述历史手术记录建立大出血预测模型，将目标患者身体数据和手术名称输入至所述大出血预测模型，获得术中大出血危险因素评估报告。

进一步的，在所述步骤S1之后，所述步骤S2之前，还包括以下步骤：

步骤S11：所述术前贫血预测模型基于目标患者身体数据，判断目标患者是否存在术前贫血症状，是的情况下，所述术前贫血预测模型基于术前贫血症状生成相应的纠正措施；

步骤S12：采取所述纠正措施后，所述术前贫血预测模型再次基于目标患者身体数据判断患者是否存在术前贫血症状，是的情况下，基于术前贫血症状再次推荐纠正措施，重复本步骤，直至患者不再存在术前贫血症状。

进一步的，所述步骤S2中，获取手术的平均失血量包括以下步骤：

步骤S21：获取手术过程，基于手术过程将手术拆分为多个子术式，获取每个子术式的历史失血数据；

步骤S22：基于手术名称、手术所包含的子术式名称和子术式的历史失血量建立手术失血量计算模型，基于所述手术失血量计算模型获得每种手术的平均失血量。

进一步的，在所述步骤S3之后，所述步骤S4之前，还包括以下步骤：

步骤S31：结合目标患者身体数据和所述术中输血量预测信息判断术中是否需要对患者进行输血，是的情况下，继续执行步骤S32，否的情况下，发出无需输血的通知信息；

步骤S32：基于目标患者身体数据、疾病信息和医院设备判断是否满足自体血回输条件，是的情况下，继续执行步骤S33，否的情况下，针对该患者采用异体血输注方案；

步骤S33：获取历史术中自体血回收数据和手术名称，基于所述历史术中自体血回收数据和手术名称建立自体血回收模型，基于所述自体血回收模型计算每种手术的自体血回收量；

步骤S34：基于所述术中输血量预测信息和所述自体血回收量获取术前自体血采集量和术中异体血输注量。

进一步的，所述步骤S34之后，还包括以下步骤，

步骤S341：建立自体血采集评估模型，所述自体血采集评估模型判断目标患者手术是否为择期手术，是的情况下，所述自体血采集评估模型推荐使用步积式采血方法，否的情况下，继续执行步骤S342；

步骤S342：获取手术日期和术前自体血采集量，所述自体血采集评估模型基于第一公式判断使用步积式采血方法能否在手术前收集到足够的血液量，是的情况下，生成采血时间和采血次数，否的情况下，继续执行步骤S343，所述第一公式为：

其中，s为术前自体血采集量，d为当天距手术日期的天数，k为采血间隔天数，int(l)为取数值l的整数部分，c为步积式采血每次的采血量；

步骤S343：基于第二公式判断使用蛙跳式采血法能否在手术前收集到足够的血液量，是的情况下，生成采血时间和采血次数，否的情况下，基于能够获得的术前自体血采集量调整术中异体血的输血量，所述第二公式为：

其中，δ为蛙跳式采血法每次的采血量。

进一步的，所述步骤S3中，通过将目标患者的术前血红蛋白数据、疾病信息和手术名称输入至所述血红蛋白最优值预测模型，获得目标患者血红蛋白最优值，所述血红蛋白最优值预测模型基于历史治疗信息建立，所述历史治疗信息包括患者术前和术后的血红蛋白数据、疾病信息、预后信息和手术名称。

进一步的，所述步骤S4中，提取所述历史手术记录中的敏感特征，基于自然语言技术提取所述敏感特征中导致出现术中大出血的危险因素，基于所述敏感特征和所述危险因素建立所述术中大出血预测模型，所述敏感特征包括手术名称、患者身体数据、术前小节、手术记录中的特殊情况。

另一方面，本发明还提供了一种基于级联模型的围手术期输血方案决策系统，该系统用于实现上述技术方案中一种基于级联模型的围手术期输血方案生成方法，系统包括：

数据采集模块，用于从医院数据库内获取所述历史术前贫血纠正数据、所述历史手术数据、所述历史术中输血数据和所述手术记录；

术前贫血评估模块，存储有所述术前贫血预测模型，所述术前贫血评估模块基于目标患者的身体数据，评估患者是否会发生了贫血情况，发出提醒并推荐相应的纠正措施；

术中失血量评估模块，存储有所述术中输血量预测模型，所述术中输血量预测模型基于目标患者的手术名称、主刀医生和患者身体数据，预测患者在术中的失血量；

术中输血量评估模块，存储有所述术中输血量预测模型，所述术中输血量预测模型基于目标患者的血红蛋白最优值、患者身体数据和所述术中失血量预测信息，预测患者在术中的需要的输血量；

术中大出血评估模块，存储有所述大出血预测模型，所述术中大出血评估模块基于目标患者身体数据和手术名称，生成所述术中大出血危险因素评估报告；

不良反应监测模块，存储有输血不良反应特征库，所述不良反应监测模块实时采集输血信息和患者身体数据的变化，基于患者身体数据变化所对应的特征判别患者在输血过程中所发生的不良反应。

有益效果：本发明通过建立多个模型，多个模型互联互通，从而生成围手术期术前、术中和术后的输血策略，且在建立模型的过程中，不仅对血红蛋白的最优值进行了预测，而且还通过纳入患者的身体指标、主刀医师信息和手术情况等特征，提升了模型预测的合理性，从而为患者的输血方案提供决策基础；每个模型在生成既定的预测数据后，该预测数据也作为下个模型的输入，这样既降低了单个模型的复杂度，提升了可解释性，也解决了不同模型适用领域的差异，提升了建模精度。

附图说明

图1为本发明一种基于级联模型的围手术期输血方案生成方法的流程图；

图2为本发明术前贫血评估模型的工作流程图；

图3为本发明获取手术平均失血量的流程图；

图4为本发明判断自体血回输量的流程图；

图5为本发明自体血采集评估模型的工作流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

如图1所示，一种基于级联模型的围手术期输血方案决策方法，包括：

步骤S1：获取历史术前贫血纠正数据，历史术前贫血纠正数据包括患者身体数据和纠正方案，基于历史术前贫血纠正数据建立术前贫血预测模型。

在具体实施例中，术前贫血预测模型通过获取患者的血液检测数据判断患者是否出现了术前贫血，在患者出现术前贫血的情况下，术前贫血预测模型可以根据血液检测数据、患者其他身体数据和患者疾病信息进一步判断贫血类别，从而基于贫血类别推荐相应的纠正方案。

步骤S2：获取历史手术数据，历史手术数据包括手术名称、手术的平均失血量、主刀医师、患者身体数据和术中总失血量，基于历史手术数据建立术中失血量预测模型，失血量预测模型为决策树模型，将目标患者的手术名称、主刀医生和患者身体数据输入至术中失血量预测模型，获得术中失血量预测信息。

由于手术种类繁多，且不同的主刀医师，由于其技术的差异也会导致出血量发生变化，因此若将手术种类与医生进行组合，则会出现数以百计的特征，且部分手术数据较少，若使用深度学习模型可能会导致模型训练数据不足，而决策树模型由于具有处理分类数据能力强、训练数据小的优点，较为适合用来构建术中失血量预测模型。

步骤S3：获取历史术中输血数据，历史术中输血数据包括目标血红蛋白值、患者身体数据、术中失血量和术中输血量，基于历史术中输血数据建立术中输血量预测模型，术中输血量预测模型为广义线性模型，获取目标患者的血红蛋白最优值，将目标患者的血红蛋白最优值、患者身体数据和术中失血量预测信息输入至术中输血量预测模型，获得术中输血量预测信息。

输血量若仅以失血量或目标血红蛋白量进行单独预测，也会出现预测偏差，因此需要结合两者方能提高预测准确率，由于输血量与术后目标血红蛋白的相关性较强，且多数患者的身体数据与血红蛋白量呈线性关系，因此广义线性模型更适用于进行输血量预测模型建立，且使用广义线性模型能够更好地处理未见过的实例。

通过分别建立术中失血量预测模型和术中输血量预测模型，由术中失血量预测模型处理与手术及医生相关的复杂特征，再由术中输血量预测模型根据预测的失血量和其它特征预测相应输血量，从而提升了模型的预测准确率。

步骤S4：获取出现术中大出血的历史手术记录，基于历史手术记录建立大出血预测模型，将目标患者身体数据和手术名称输入至大出血预测模型，获得术中大出血危险因素评估报告。

术中大出血是外科手术过程中较为严重的临床危急事件，手术医生往往来不及准备病人急需补充的血制品，从而使大出血患者错过最佳的治疗时间，带来不良后果。通过建立大出血预测模型，可以针对手术中存在大出血的危险因素提前发出预警，从而供医生进行决策。

大出血模型与术中失血量预测模型分开建立，其原因是如果在同一模型中同时预测大失血和普通失血，由于数据分布原因，模型会偏重对多数实例的预测，而无法对大出血进行预测和提示；另外，由于一般基于梯度调参的模型需要使用可微的损失函数，如将RMSE作为回归预测的损失函数，计算误差时，由于未能预测大出血引发的大误差乘方结果的累加，可能在调参时让模型整体预测偏大。因此将失血预测进行拆分，例如大出血模型将输血10个单位以上作为标签，利用多个医院中的大出血历史数据训练模型，从而较为精准的预测导致手术大出血的危险因素。

本发明通过建立多个模型，多个模型互联互通，从而生成围手术期术前、术中和术后的输血策略，且在建立模型的过程中，不仅对血红蛋白的最优值进行了预测，而且还通过纳入患者的身体指标、主刀医师信息和手术情况等特征，提升了模型预测的合理性，从而为患者的输血方案提供决策基础；每个模型在生成既定的预测数据后，该预测数据也作为下个模型的输入，这样既降低了单个模型的复杂度，提升了可解释性，也解决了不同模型适用领域的差异，提升了建模精度。

在步骤S1之后，步骤S2之前，还包括以下步骤：

步骤S11：术前贫血预测模型基于目标患者身体数据，判断目标患者是否存在术前贫血症状，是的情况下，术前贫血预测模型基于术前贫血症状生成相应的纠正措施；

步骤S12：采取纠正措施后，术前贫血预测模型再次基于目标患者身体数据判断患者是否存在术前贫血症状，是的情况下，基于术前贫血症状再次推荐纠正措施，重复本步骤，直至患者不再存在术前贫血症状。

步骤S2中，获取手术的平均失血量包括以下步骤：

步骤S21：获取手术过程，基于手术过程将手术拆分为多个子术式，获取每个子术式的历史失血数据；

步骤S22：基于手术名称、手术所包含的子术式名称和子术式的历史失血量建立手术失血量计算模型，基于手术失血量计算模型获得每种手术的平均失血量。

在具体实施例中，通过将手术名称、子术式名称和子术式的历史失血量输入至手术失血量计算模型中，手术失血量计算模型基于深度学习的梯度迭代方法计算并获得每种手术的平均失血量，然后再加入患者情况和手术医生等特征进一步完善术中失血量预测模型。

在步骤S3之后，步骤S4之前，还包括以下步骤：

步骤S31：结合目标患者身体数据和术中输血量预测信息判断术中是否需要对患者进行输血，是的情况下，继续执行步骤S32，否的情况下，发出无需输血的通知信息。

部分手术的失血量较小，患者在自身身体条件允许的情况下可以完全不需要输注血液，因此通过步骤S31将该部分患者剔除。

步骤S32：基于目标患者身体数据、疾病信息和医院设备判断是否满足自体血回输条件，是的情况下，继续执行步骤S33，否的情况下，针对该患者采用异体血输注方案。

当需要输血时，还需要考虑患者是否满足输注自体血的条件，比如是否为肿瘤手术，是否感染，该科室是否支持自体血回输等因素

步骤S33：获取历史术中自体血回收数据和手术名称，基于历史术中自体血回收数据和手术名称建立自体血回收模型，基于自体血回收模型计算每种手术的自体血回收量；

现有技术中可以将手术中患者的失血进行回收，并回输至患者体内，但并非患者的所有失血量均能全部回收，因此通过建立自体血回收模型，从而获得每种手术在术中的自体血回收量。

步骤S34：基于术中输血量预测信息和自体血回收量获取术前自体血采集量和术中异体血输注量。

在本实施例中，通过将获取到的术中输血量减去术中自体血的回收量，从而获得还需获取的血液量，该血液量包括术前需要采集的自体血液量，一般来说，该部分血液量完全采用自体血为最优选择，但是若在术前自体采血量无法达到还需获取的血液量，就需要使用异体血进行补充。

步骤S34之后，还包括以下步骤，

步骤S341：建立自体血采集评估模型，自体血采集评估模型判断目标患者手术是否为择期手术，是的情况下，自体血采集评估模型推荐使用步积式采血方法，否的情况下，继续执行步骤S342。

若为择期手术，则可以根据血液收集情况更改手术日期，从而在手术前获得足够的自体血。

步骤S342：获取手术日期和术前自体血采集量，自体血采集评估模型基于第一公式判断使用步积式采血方法能否在手术前收集到足够的血液量，是的情况下，生成采血时间和采血次数，否的情况下，继续执行步骤S343，第一公式为：

其中，s为术前自体血采集量，d为当天距手术日期的天数，k为采血间隔天数，int(l)为取数值l的整数部分，c为步积式采血每次的采血量。

按照自体血输血指南，手术前3天应停止自体血的采集，采血间隔不少于3天，每次采血不超过500毫升，在实际情况中，采血500毫升、采血间隔3天都会对患者身体健康状况有较大的影响，因此在第一公式中，设置采血间隔天数k≥7，步积式采血每次的采血量c≤200。

步骤S343：基于第二公式判断使用蛙跳式采血法能否在手术前收集到足够的血液量，是的情况下，生成采血时间和采血次数，否的情况下，基于能够获得的术前自体血采集量调整术中异体血的输血量，第二公式为：

其中，δ为蛙跳式采血法每次的采血量。

蛙跳式采血法分别在第1、8、15、22、29天进行采血，每次采血获得数值为δ的自体血量，蛙跳式采血法每次获得的采血量的最大值为400毫升，因此通过第二公式可以计算当前至手术前3天的采血次数，得知在手术前能够获得自体血量，从而基于该采血量调节异体血的输入量，便于医生向血液管理科申请用血。

步骤S3中，通过将目标患者的术前血红蛋白数据、疾病信息和手术名称输入至血红蛋白最优值预测模型，获得目标患者血红蛋白最优值，血红蛋白最优值预测模型基于历史治疗信息建立，历史治疗信息包括患者术前和术后的血红蛋白数据、疾病信息、预后信息和手术名称。

目前指南上推荐术后目标血红蛋白标准一般为70-90g/L，由于患者自身生物学特征、基础疾病、所处的病理生理状态存在差异，所需的术后血红蛋白最优值也存在差异。因此通过建立血红蛋白最优值预测模型，在指南推荐值的基础上进一步调优，预测每一位患者的血红蛋白最优值，将该值代入后续模型，从而提高血液的准确度。

步骤S4中，提取历史手术记录中的敏感特征，基于自然语言技术提取敏感特征中导致出现术中大出血的危险因素，基于敏感特征和危险因素建立术中大出血预测模型，敏感特征包括手术名称、患者身体数据、术前小节、手术记录中的特殊情况。

在本实施例中，医生可通过调整中间过程参数，进一步控制参与模型预测，使整体流程更为可控。如：医生可根据医院血液库存情况调整术后血红蛋白目标值，模型再根据医生设置预测具体的输血方案；又如医生根据医院具体设备情况设置是否支持自体血回输，模型根据设置重新计算相应的异体血输注量，以指导申请用血。

本发明还提供了一种基于级联模型的围手术期输血方案生成系统，该系统用于实现上述一种基于级联模型的围手术期输血方案生成方法，包括：

数据采集模块，用于从医院数据库内获取所述历史术前贫血纠正数据、历史手术数据、所述历史术中输血数据和所述手术记录；

术前贫血评估模块，存储有术前贫血预测模型，术前贫血评估模块基于目标患者的身体数据，评估患者是否会发生了贫血情况，发出提醒并推荐相应的纠正措施；

术中失血量评估模块，存储有术中输血量预测模型，术中输血量预测模型基于目标患者的手术名称、主刀医生和患者身体数据，预测患者在术中的失血量；

术中输血量评估模块，存储有术中输血量预测模型，术中输血量预测模型基于目标患者的血红蛋白最优值、患者身体数据和术中失血量预测信息，预测患者在术中的需要的输血量；

术中大出血评估模块，存储有大出血预测模型，术中大出血评估模块基于目标患者身体数据和手术名称，生成术中大出血危险因素评估报告；

不良反应监测模块，存储有输血不良反应特征库，不良反应监测模块实时采集输血信息和患者身体数据的变化，基于患者身体数据变化所对应的特征判别患者在输血过程中所发生的不良反应。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于级联模型的围手术期输血方案生成方法，其特征在于，包括：

步骤S1：获取历史术前贫血纠正数据，所述历史术前贫血纠正数据包括患者身体数据和纠正方案，基于所述历史术前贫血纠正数据建立术前贫血预测模型；

步骤S2：获取历史手术数据，所述历史手术数据包括手术名称、手术的平均失血量、主刀医师、患者身体数据和术中总失血量，基于所述历史手术数据建立术中失血量预测模型，所述术中失血量预测模型为决策树模型，将目标患者的手术名称、主刀医生和患者身体数据输入至所述术中失血量预测模型，获得术中失血量预测信息；

步骤S3：获取历史术中输血数据，所述历史术中输血数据包括目标血红蛋白值、患者身体数据、术中失血量和术中输血量，基于所述历史术中输血数据建立术中输血量预测模型，所述术中输血量预测模型为广义线性模型，获取目标患者的血红蛋白最优值，将目标患者的血红蛋白最优值、患者身体数据和所述术中失血量预测信息输入至所述术中输血量预测模型，获得术中输血量预测信息；

步骤S4：获取出现术中大出血的历史手术记录，基于所述历史手术记录建立大出血预测模型，将目标患者身体数据和手术名称输入至所述大出血预测模型，获得术中大出血危险因素评估报告。

2.根据权利要求1所述的一种基于级联模型的围手术期输血方案生成方法，其特征在于，在所述步骤S1之后，所述步骤S2之前，还包括以下步骤：

步骤S11：所述术前贫血预测模型基于目标患者身体数据，判断目标患者是否存在术前贫血症状，是的情况下，所述术前贫血预测模型基于术前贫血症状生成相应的纠正措施；

步骤S12：采取所述纠正措施后，所述术前贫血预测模型再次基于目标患者身体数据判断患者是否存在术前贫血症状，是的情况下，基于术前贫血症状再次推荐纠正措施，重复本步骤，直至患者不再存在术前贫血症状。

3.根据权利要求1所述的一种基于级联模型的围手术期输血方案生成方法，其特征在于，所述步骤S2中，获取手术的平均失血量包括以下步骤：

步骤S21：获取手术过程，基于手术过程将手术拆分为多个子术式，获取每个子术式的历史失血数据；

步骤S22：基于手术名称、手术所包含的子术式名称和子术式的历史失血量建立手术失血量计算模型，基于所述手术失血量计算模型获得每种手术的平均失血量。

4.根据权利要求1所述的一种基于级联模型的围手术期输血方案生成方法，其特征在于，在所述步骤S3之后，所述步骤S4之前，还包括以下步骤：

步骤S31：结合目标患者身体数据和所述术中输血量预测信息判断术中是否需要对患者进行输血，是的情况下，继续执行步骤S32，否的情况下，发出无需输血的通知信息；

步骤S32：基于目标患者身体数据、疾病信息和医院设备判断是否满足自体血回输条件，是的情况下，继续执行步骤S33，否的情况下，针对该患者采用异体血输注方案；

步骤S33：获取历史术中自体血回收数据和手术名称，基于所述历史术中自体血回收数据和手术名称建立自体血回收模型，基于所述自体血回收模型计算每种手术的自体血回收量；

步骤S34：基于所述术中输血量预测信息和所述自体血回收量获取术前自体血采集量和术中异体血输注量。

5.根据权利要求4所述的一种基于级联模型的围手术期输血方案生成方法，其特征在于，所述步骤S34之后，还包括以下步骤，

步骤S341：建立自体血采集评估模型，所述自体血采集评估模型判断目标患者手术是否为择期手术，是的情况下，所述自体血采集评估模型推荐使用步积式采血方法，否的情况下，继续执行步骤S342；

步骤S342：获取手术日期和术前自体血采集量，所述自体血采集评估模型基于第一公式判断使用步积式采血方法能否在手术前收集到足够的血液量，是的情况下，生成采血时间和采血次数，否的情况下，继续执行步骤S343，所述第一公式为：

其中，s为术前自体血采集量，d为当天距手术日期的天数，k为采血间隔天数，int(l)为取数值l的整数部分，c为步积式采血每次的采血量；

步骤S343：基于第二公式判断使用蛙跳式采血法能否在手术前收集到足够的血液量，是的情况下，生成采血时间和采血次数，否的情况下，基于能够获得的术前自体血采集量调整术中异体血的输血量，所述第二公式为：

其中，δ为蛙跳式采血法每次的采血量。

6.根据权利要求1所述的一种基于级联模型的围手术期输血方案生成方法，其特征在于，所述步骤S3中，通过将目标患者的术前血红蛋白数据、疾病信息和手术名称输入至血红蛋白最优值预测模型，获得目标患者血红蛋白最优值，所述血红蛋白最优值预测模型基于历史治疗信息建立，所述历史治疗信息包括患者术前和术后的血红蛋白数据、疾病信息、预后信息和手术名称。

7.根据权利要求1所述的一种基于级联模型的围手术期输血方案生成方法，其特征在于，所述步骤S4中，提取所述历史手术记录中的敏感特征，基于自然语言技术提取所述敏感特征中导致出现术中大出血的危险因素，基于所述敏感特征和所述危险因素建立所述术中大出血预测模型，所述敏感特征包括手术名称、患者身体数据、术前小节、手术记录中的特殊情况。

8.一种基于级联模型的围手术期输血方案决策系统，该系统用于实现上述权利要求1-7所述的一种基于级联模型的围手术期输血方案决策方法，其特征在于，包括：

数据采集模块，用于从医院数据库内获取所述历史术前贫血纠正数据、所述历史手术数据、所述历史术中输血数据和所述手术记录；

术前贫血评估模块，存储有所述术前贫血预测模型，所述术前贫血评估模块基于目标患者的身体数据，评估患者是否会发生了贫血情况，发出提醒并推荐相应的纠正措施；

术中失血量评估模块，存储有所述术中输血量预测模型，所述术中输血量预测模型基于目标患者的手术名称、主刀医生和患者身体数据，预测患者在术中的失血量；

术中输血量评估模块，存储有所述术中输血量预测模型，所述术中输血量预测模型基于目标患者的血红蛋白最优值、患者身体数据和所述术中失血量预测信息，预测患者在术中的需要的输血量；

术中大出血评估模块，存储有所述大出血预测模型，所述术中大出血评估模块基于目标患者身体数据和手术名称，生成所述术中大出血危险因素评估报告；

不良反应监测模块，存储有输血不良反应特征库，所述不良反应监测模块实时采集输血信息和患者身体数据的变化，基于患者身体数据变化所对应的特征判别患者在输血过程中所发生的不良反应。

Images