CN116230158A - 一种疼痛评估及用药预测系统及其使用方法 - Google Patents
一种疼痛评估及用药预测系统及其使用方法 Download PDFInfo
- Publication number
- CN116230158A CN116230158A CN202310304179.9A CN202310304179A CN116230158A CN 116230158 A CN116230158 A CN 116230158A CN 202310304179 A CN202310304179 A CN 202310304179A CN 116230158 A CN116230158 A CN 116230158A
- Authority
- CN
- China
- Prior art keywords
- target
- module
- pain
- prediction
- random forest
- 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.)
- Granted
Links
- 208000002193 Pain Diseases 0.000 title claims abstract description 75
- 230000036407 pain Effects 0.000 title claims abstract description 75
- 239000003814 drug Substances 0.000 title claims abstract description 52
- 229940079593 drug Drugs 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims description 21
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000007637 random forest analysis Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims description 35
- 239000000523 sample Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 229940124583 pain medication Drugs 0.000 claims description 9
- 239000013610 patient sample Substances 0.000 claims description 5
- 208000014674 injury Diseases 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008733 trauma Effects 0.000 claims description 3
- 230000001991 pathophysiological effect Effects 0.000 abstract description 3
- 230000036592 analgesia Effects 0.000 abstract 2
- 238000000265 homogenisation Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000000202 analgesic effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 206010067484 Adverse reaction Diseases 0.000 description 3
- 230000006838 adverse reaction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 208000004454 Hyperalgesia Diseases 0.000 description 2
- 208000035154 Hyperesthesia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000004296 neuralgia Diseases 0.000 description 2
- 208000021722 neuropathic pain Diseases 0.000 description 2
- 229940005483 opioid analgesics Drugs 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 206010059866 Drug resistance Diseases 0.000 description 1
- 206010013954 Dysphoria Diseases 0.000 description 1
- 208000010201 Exanthema Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000001294 Nociceptive Pain Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010038678 Respiratory depression Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000002847 Surgical Wound Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 229940125681 anticonvulsant agent Drugs 0.000 description 1
- 239000001961 anticonvulsive agent Substances 0.000 description 1
- 239000000935 antidepressant agent Substances 0.000 description 1
- 229940005513 antidepressants Drugs 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000003246 corticosteroid Substances 0.000 description 1
- 229960001334 corticosteroids Drugs 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000005884 exanthem Diseases 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007803 itching Effects 0.000 description 1
- 239000003589 local anesthetic agent Substances 0.000 description 1
- 229960005015 local anesthetics Drugs 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 239000000041 non-steroidal anti-inflammatory agent Substances 0.000 description 1
- 229940021182 non-steroidal anti-inflammatory drug Drugs 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000010254 subcutaneous injection Methods 0.000 description 1
- 239000007929 subcutaneous injection Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 230000007675 toxicity by organ Effects 0.000 description 1
- 231100000155 toxicity by organ Toxicity 0.000 description 1
- 208000009935 visceral pain Diseases 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种疼痛评估及用药预测系统，包括：特征向量生成模块、目标预测模块、目标训练模块，其中，特征向量生成模块，用于将样本的患者信息转换为特征向量；目标预测模块，用于将特征向量生成模块输出的特征向量发送给带权重的随机森林，将带权重的随机森林的输出作为目标预测值；目标训练模块，用于训练目标预测模块，包括对随机森林的超参数进行遍历，将所述超参数发送给所述目标预测模块，并将所述目标预测模块输出的预测值与样本的目标真实值进行比较评价，将评价最好的随机森林的超参数对应的目标预测模块作为训练好的目标预测模块，用于预测新患者的疼痛预测评分和/或用药方案。本发明通过大数据样本，融合了医学专家共识、疼痛治疗指南和患者反馈的临床经验智能化生成的预测系统，可以实现个体化和多模式镇痛，提高患者满意度，减少疼痛给患者造成的病理生理及心理损害，有助于各级医疗机构疼痛药物治疗工作的医疗质量的优化和均质化，该预测系统可应用于县乡等卫生院所，提高了我国整体的镇痛医疗水平，使疼痛管理更加简便易行、精准有效。
Description
技术领域
本发明涉及医学和人工智能领域，具体地，涉及一种疼痛评估及用药预测系统及其使用方法。
背景技术
目前药物镇痛治疗是疼痛治疗最基本最常用的方法。可用于疼痛治疗的药物种类很多，主要包括非甾体抗炎药、阿片类药物、皮质类固醇类、抗抑郁药、抗惊厥药、维生素类、局部麻醉药等。药物镇痛治疗，在明确诊断的前提下应遵循以下原则：1、有效性，不同病因的疼痛，要选择相对应作用机制的治疗疼痛的药物。从治疗学观点来看，疼痛通常可分为伤害感受性疼痛和神经源性疼痛两大类，伤害感受性疼痛，通常对抗炎镇痛药和阿片类药物反应良好。2、安全性，主要关注药物的不良反应，尤其长期用药可能会造成严重的器官毒性。3、个体化。治疗药物个体差异很大，个体化用药才能保证个体收益最大。4、联合用药，根据疼痛的多因素及机制多样的特点联合用药，可最大发挥疗效，降低药物副作用。5、及时评估，密切观察评估疗效，及时调整并预防副作用，提高患者治疗依从性。
世界卫生组织推荐的三阶梯止痛原则主要包括：口服给药，按时给药，按阶梯给药，用药个体化，以及注意用药细节。
1、口服给药，在治疗中提倡只要能口服应用的药物，建议以口服用药为主，尽可能减少针剂、皮下注射剂的使用。口服困难的患者，可以采用部分贴剂来解决患者的用药途径。
2、按时给药，主要提示患者按照药物的半衰期，按治疗时间给药，而不是以按需给药，可以最大限度地控制患者的疼痛，减少爆发性疼痛的时间，减少耐药的发生。
3、按阶梯给药，是较好地评估患者的疼痛程度，按照患者疼痛，给予对应的相应药物。一般而言，现在对于二阶梯使用药物以弱化处理，对于中度疼痛患者可以使用吗啡类药物。
4、个体化用药，主要体现在针对每一位患者给予不同的药物治疗，最大限度的满足患者的诊疗。
5、注意个体化细节，主要是针对药物所引发的不同的不良反应，给予细节性的观察，最大化的满足治疗性疼痛的需要，减少药物不良反应的发生。
在临床疼痛诊疗工作中，针对不同类型的患者疼痛药物治疗的选择繁多，如果能够通过人工智能大数据算法优化病人的个体化治疗方案，建立疼痛评估及用药预测系统，将智能化优化疼痛药物治疗方案，实现个体化和多模式镇痛，可提高患者满意度，减少疼痛给患者造成的病理生理及心理损害。
发明内容
为克服现有技术的上述缺陷，本发明提出一种疼痛评估及用药预测系统，包括：特征向量生成模块、目标预测模块和目标训练模块，其中，
特征向量生成模块，用于将样本的患者信息转换为特征向量；
目标预测模块，用于将特征向量生成模块输出的特征向量发送给带权重的随机森林，将带权重的随机森林的输出作为目标预测值；
目标训练模块，用于训练目标预测模块，包括对随机森林的超参数进行遍历，将所述超参数发送给所述目标预测模块，并将所述目标预测模块输出的预测值与样本的目标真实值进行比较评价，将评价最好的随机森林的超参数对应的目标预测模块作为训练好的目标预测模块，用于预测新患者的疼痛预测评分和/或用药方案；其中，目标为疼痛评分或疼痛用药方案，超参数为训练子集数量t和随机选择特征向量数量q。
进一步地，所述特征向量生成模块中，患者信息包括基本个人信息、住院信息、用药信息、外伤史、疼痛类型信息、副作用信息等。
进一步地，所述特征向量生成模块包括特征向量筛选单元，用于选择与目标相关的特征向量，方法包括：
(1)通过回归算法计算特征向量的相关性系数；
(2)计算特征向量的瓦尔德值；
(3)选取瓦尔德值大于预定阈值的特征向量为要使用的特征向量。
进一步地，所述目标预测模块包括随机森林生成单元、权重计算单元和输出单元，其中，
所述随机森林生成单元，用于接收所述特征向量和目标训练模块传送的超参数，通过随机森林算法生成决策树，组成随机森林；
所述权重计算单元，用于计算每颗决策树的权重；
输出单元，用于将随机森林每棵决策树的输出加权求和并输出。
进一步地，在所述权重计算单元中，计算得到每个特征向量与目标之间的相关系数；为每颗决策树计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和。
进一步地，所述相关系数为皮尔逊相关系数。
进一步地，如果所述相关系数为负数，则取绝对值进行后续计算。
进一步地，在所述目标训练模块中，对超参数，即训练子集数量t和随机选择特征向量数量q进行遍历，并将t和q发送到所述随机森林生成单元，用于从患者样本集中随机产生t个训练子集，从特征向量中随机选择q个特征向量，然后根据随机森林算法生成决策树，组成随机森林。
进一步地，在目标训练模块中，所述比较评价的指标为决定系数R2，计算公式为：
式中：p代表样本数；yi表示第i个样本目标真实值；
表示第i个样本目标预测值；
表示p个样本目标真实值的平均值，决定系数R2越大，表示预测结果越好。
根据本发明的另一方面，提出一种疼痛评估及用药预测系统的使用方法，所述使用方法包括：
采集新患者的信息；
将新患者的信息输入疼痛评估及用药预测系统，通过特征向量生成模块转化为特征向量，再通过训练好的目标预测模块输出新患者的疼痛预测评分和/或用药方案。
本发明的有益效果为：
(1)本预测系统通过大数据样本生成，融合了医学专家共识、疼痛治疗指南和患者反馈的临床经验，用药方案效果好，患者满意度高；
(2)能够预测给出个性化镇痛治疗方案，满足了患者的个体化的、适时的镇痛需求，提高镇痛效果的同时减轻了医生的工作压力，尤其可以提高基层医疗机构的疼痛诊疗水平，使患者享有高水平高质量的疼痛诊疗。
(3)将患者信息输入本发明的预测系统，可以获得患者的疼痛预测评分、推荐的镇痛用药方案，还可以生成报告供医生、技术人员查看。报告的内容包括：样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
(4)可以根据本发明设计小程序问卷或一种智能语音问答，以获得本发明所需要的患者信息。
(5)本预测系统的使用可以使疼痛防治更加简便易行、精准有效；将预测系统应用于县乡等卫生院所，有助于各级医疗机构疼痛药物治疗工作的医疗质量的优化和均质化，提高我国整体的镇痛医疗水平。
附图说明
图1为根据本发明一个实施例的疼痛评估及用药预测系统的结构示意图；
图2为根据本发明一个实施例的疼痛评估及用药预测系统的使用流程示意图。
如图所示，为了能明确实现本发明的实施例的结构或者方法，在图中标注了特定的标记符号，但这仅为示意需要，并非意图将本发明限定在该特定设备和环境中，根据具体需要，本领域的普通技术人员可以将这些元件、标号、环境进行调整、修改，所进行的调整和修改仍然包括在后附的权利要求的范围中。
具体实施方式
下面结合附图和具体实施例对本发明提供的速度估计能力测试系统和使用方法进行详细描述。
在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
如图1所示，本发明提出的疼痛评估及用药预测系统，包括特征向量生成模块、目标预测模块和目标训练模块，其中，
特征向量生成模块，用于将样本的患者信息转换为特征向量；
目标预测模块，用于将特征向量生成模块输出的特征向量发送给带权重的随机森林，将带权重的随机森林的输出作为目标预测值；
目标训练模块，用于训练目标预测模块，包括对随机森林的超参数进行遍历，将所述超参数发送给所述目标预测模块，并将所述目标预测模块输出的预测值与样本的目标真实值进行比较评价，将评价最好的随机森林的超参数对应的目标预测模块作为训练好的目标预测模块，用于预测新患者的疼痛预测评分和/或用药方案；其中，目标为疼痛评分或疼痛用药方案，超参数为训练子集数量t和随机选择特征向量数量q。
在特征向量生成模块中，采集医疗患者样本中关于疼痛的信息，包括基本个人信息，如身高、体重、姓名、住院号等；生理信息，包括心率、血压、疼痛级别等；住院信息，如科室、病情、既往史；外伤史；疼痛类型信息，例如切割样疼痛，烧灼样疼痛、内脏痛、神经病理性疼痛、胀痛等；疼痛部位、范围；持续时间；与患者活动之间的相关性；是否有按压痛，是否有痛觉过敏，是否有痛觉超敏；手术信息：如手术切口长度、切口位置，切口数量，缝皮方法、引流管类型及位置、手术方案等；用药信息：如使用镇痛药物名称、剂量、注射速度、开始时间、注射时长等；副作用信息，包括恶心、呕吐、嗜睡、呼吸抑制、皮肤瘙痒、皮疹、心慌、烦躁等。患者信息可以从各医院的病历记录中抽取。
特征向量生成模块包括特征向量转换单元、特征向量筛选单元，其中，特征向量转换单元，用于将患者信息转换为特征向量，将文本转换为特征向量的方法有很多，比如word2vec模型、one-hot编码等，此处使用现有技术即可。
特征向量筛选单元，用于选择与目标(疼痛评分、用药方案)相关的特征向量，删除一些对于最终的疼痛评分或用药没有影响或影响很小的特征，比如姓名、医院、住院号登。具体方法如下：
(1)通过回归算法计算特征向量的相关性系数；逻辑回归模型如下：
其中X为特征向量，β为相关性系数，可以反映特征对镇痛的影响和方向，P为患者满意度，
(2)计算每种特征向量的瓦尔德值，该值越大表示影响作用越大；
(3)选取瓦尔德值大于预定阈值的特征向量为要使用的特征向量。
在目标预测模块中，包括随机森林生成单元、权重计算单元和输出单元，其中，随机森林生成单元，用于接收所述特征向量和目标训练模块传送的超参数，通过随机森林算法生成决策树，组成随机森林；权重计算单元，用于计算每颗决策树的权重；输出单元，用于将随机森林每棵决策树的输出加权求和并输出。在目标预测模块中，还保存每次训练的数据和结果，包括超参数、生成的随机森林和各决策树权重等信息，以便后续比价评价得到最优的超参数时，能够提取该最优的超参数所对应的目标预测模块，即最优的超参数对应的带权重的随机森林。
现有的随机森林由多个决策树组成，对于样本向量x，每棵决策树hi(x)(i表示第几棵决策树)相对独立地对样本向量进行结果预测，随机森林模型获得所有决策树的预测结果之后，对于回归问题，随机森林模型通过计算所有决策树给出的预测结果的均值作为最终的预测结果。但这样的模型不能反映特征与最终的特定关系，因而本发明针对具有不同预测能力的决策树通过相关系数给出不同的权重，克服了传统随机森林模型中决策树权重相同的问题，进而提高了评分或用药预测模型的预测准确率。
在随机森林生成单元中，接收目标训练模块传送来的超参数，即训练子集数量t和随机选择特征向量数量q，然后从患者样本集中随机产生t个训练子集，从特征向量中随机选择q个特征向量，按照预定的规则选择最优属性进行分裂,每棵决策树都得到最大限度的生长，过程中完全分裂不剪枝。本单元中生成决策树组成随机森林是常用的神经网络算法，这里不再赘述。
在权重计算单元中，计算得到每个特征向量与目标(疼痛评分或用药方案)之间的相关系数；为每颗决策树计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和，然后将随机森林中所有决策树的权重发送到输出单元。
在一个实施例中，相关系数为皮尔逊相关系数，也可以采用其他相关系数计算，如互信息方法。因为皮尔逊相关系数取值在-1到1之间，当相关系数小于0时，说明两者呈现出负相关性，两者之间的影响仍然存在，因此在利用特征的相关系数计算特征权重的时候优先对相关系数求绝对值，利用相关系数的绝对值进行对应的特征权重的计算。
对于每棵决策树，使用的训练子集不相同，每棵决策树使用的特征就不一定相同，因此每颗决策树的权重不同。采用这种方法获得的随机森林能更好、更准确地反映特征向量与目标(疼痛评分或用药方案)之间的关系，提高了预测系统的准确性。另外，计算时还可以将权重归一化。
在输出单元中，接收决策树的权重和随机森林的预测值，然后将随机森林每棵决策树的输出加权求和作为预测值输出。在训练时，将预测值输出到目标训练模块，在预测时，将预测值输出到显示终端，同时还可以显示分析报告供医生、技术人员查看。报告的内容包括：样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
在目标训练模块中，接收目标预测模块发送的目标预测值，将其与目标真实值进行比较评价，评价指标为决定系数R2，计算公式为：
式中：p代表样本数；yi表示第i个样本目标真实值；
表示第i个样本目标预测值；
表示p个样本目标真实值的平均值。
决定系数R2越大表示预测的结果越好。
在目标训练模块中，对随机森林的超参数t和q进行遍历(t为1～患者样本集中样本数，q为1～样本特征向量数量)，将该超参数传送给预测单元，预测单元生成带权重的随机森林并输出预测值给目标训练模块，然后在目标训练模块中计算决定系数。将所有t和q对应的决定系数进行比较，选取决定系数最高(即评价结果最好)的t和q(最优的t和q)作为最优的超参数发送到目标预测模块，获取目标预测模块记录的最优t和q对应的目标预测模块的信息(即训练数据和训练结果)，将该目标预测模块作为训练好的目标预测模块。对于新患者的信息，输入本预测系统，预测系统会将新患者信息转为特征向量，然后输入到训练好的目标预测模块，就会输出新患者的用药方案或疼痛评分。
进一步地，随着样本集数量的增加，可以用本发明的系统多次迭代计算以实时获得最新的预测系统。
在本发明中，目标为疼痛评分或疼痛用药治疗方案，针对不同目标，可以分别训练得到训练好的疼痛评分预测模块、用药预测模块。
在一个实施例中，通过用药预测模块还可以获得次优、次次优等患者用药方案，以便为医生提供多种选择。
如图2所示，本发明提出的疼痛评估及用药预测系统的使用方法包括：
采集新患者的信息；
将新患者信息输入疼痛评估及用药预测系统，通过特征向量生成模块转化为特征向量，再通过训练好的目标预测模块(可以是训练好的疼痛评分预测模块，也可以是训练好的用药预测模块，也可以同时输入到上述的2个目标预测模块)输出新患者的疼痛预测评分和/或用药方案。
通过本发明建立的预测系统通过大数据样本生成，融合了医学专家共识、疼痛治疗指南和患者反馈的临床经验智能化给出疼痛用药方案，可以实现个体化和多模式镇痛，提高患者满意度，减少疼痛给患者造成的病理生理及心理损害。本发明的预测系统有助于各级医疗机构疼痛药物治疗工作的医疗质量的优化和均质化，通过将预测系统应用于县乡等卫生院所，提高了我国整体的镇痛医疗水平。使疼痛管理更加简便易行、精准有效。
最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (10)
1.一种疼痛评估及用药预测系统，其特征在于，所述预测系统包括特征向量生成模块、目标预测模块和目标训练模块，其中，
特征向量生成模块，用于将样本的患者信息转换为特征向量；
目标预测模块，用于将特征向量生成模块输出的特征向量发送给带权重的随机森林，将带权重的随机森林的输出作为目标预测值；
目标训练模块，用于训练目标预测模块，包括对随机森林的超参数进行遍历，将所述超参数发送给所述目标预测模块，并将所述目标预测模块输出的预测值与样本的目标真实值进行比较评价，将评价最好的随机森林的超参数对应的目标预测模块作为训练好的目标预测模块，用于预测新患者的疼痛预测评分和/或用药方案；
其中，目标为疼痛评分或疼痛用药方案，超参数为训练子集数量t和随机选择特征向量数量q。
2.根据权利要求1所述的预测系统，其特征在于，所述特征向量生成模块中，患者信息包括基本个人信息、住院信息、用药信息、外伤史、疼痛类型信息、副作用信息。
3.根据权利要求1所述的预测系统，其特征在于，所述特征向量生成模块包括特征向量筛选单元，用于选择与目标相关的特征向量，方法包括：
(1)通过回归算法计算特征向量的相关性系数；
(2)计算特征向量的瓦尔德值；
(3)选取瓦尔德值大于预定阈值的特征向量为要使用的特征向量，并传送到所述目标预测模块。
4.根据权利要求1所述的预测系统，其特征在于，所述目标预测模块包括随机森林生成单元、权重计算单元和输出单元，其中，
所述随机森林生成单元，用于接收所述特征向量、目标训练模块传送的超参数，通过随机森林算法生成决策树，组成随机森林；
所述权重计算单元，用于计算每颗决策树的权重；
输出单元，用于将随机森林每棵决策树的输出加权求和并输出。
5.根据权利要求4所述的预测系统，其特征在于，在所述权重计算单元中，计算得到每个特征向量与目标之间的相关系数；为每颗决策树计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和。
6.根据权利要求5所述的预测系统，其特征在于，所述相关系数为皮尔逊相关系数。
7.根据权利要求6所述的预测系统，其特征在于，如果所述相关系数为负数，则取绝对值进行后续计算。
8.根据权利要求6所述的预测系统，其特征在于，在所述目标训练模块中，对超参数t和q进行遍历，并将t和q发送到所述随机森林生成单元，用于从患者样本集中随机产生t个训练子集，从特征向量中随机选择q个特征向量，然后根据随机森林算法生成决策树，组成随机森林。
9.根据权利要求1所述的生成方法，其特征在于，在目标训练模块中，所述比较评价的指标为决定系数R2，计算公式为：
式中：p代表样本数；yi表示第i个样本目标真实值；
表示第i个样本目标预测值；/>
表示p个样本目标真实值的平均值，决定系数R2越大，表示预测结果越好。
10.一种疼痛评估及用药预测系统的使用方法，其特征在于，所述使用方法包括：
采集新患者信息；
将新患者信息输入疼痛评估及用药预测系统，通过特征向量生成模块转化为特征向量，再通过训练好的目标预测模块输出新患者的疼痛预测评分和/或用药方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310304179.9A CN116230158B (zh) | 2023-03-27 | 2023-03-27 | 一种疼痛评估及用药预测系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310304179.9A CN116230158B (zh) | 2023-03-27 | 2023-03-27 | 一种疼痛评估及用药预测系统及其使用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116230158A true CN116230158A (zh) | 2023-06-06 |
| CN116230158B CN116230158B (zh) | 2024-01-26 |
Family
ID=86569574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310304179.9A Active CN116230158B (zh) | 2023-03-27 | 2023-03-27 | 一种疼痛评估及用药预测系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116230158B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766883A (zh) * | 2017-10-13 | 2018-03-06 | 华中师范大学 | 一种基于加权决策树的优化随机森林分类方法及系统 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN111986737A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于rf-nsga-ii耐久性混凝土配合比优化方法 |
| CN113539414A (zh) * | 2021-07-30 | 2021-10-22 | 中电药明数据科技(成都)有限公司 | 一种抗生素用药合理性预测方法及系统 |
| CN113705110A (zh) * | 2021-09-03 | 2021-11-26 | 玉溪矿业有限公司 | 一种基于双重随机森林回归方法的爆破振动速度预测方法 |
| CN115295114A (zh) * | 2022-06-29 | 2022-11-04 | 中南大学湘雅三医院 | 一种基于疼痛客观评估体系的镇痛给药方法 |
| CN115376649A (zh) * | 2022-09-29 | 2022-11-22 | 中日友好医院(中日友好临床医学研究所) | 用于鞘内阿片类镇痛药的剂量预测方法及装置 |
| CN115659177A (zh) * | 2022-10-25 | 2023-01-31 | 招联消费金融有限公司 | 数据推荐模型的生成方法、装置和计算机设备 |
-
2023
- 2023-03-27 CN CN202310304179.9A patent/CN116230158B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766883A (zh) * | 2017-10-13 | 2018-03-06 | 华中师范大学 | 一种基于加权决策树的优化随机森林分类方法及系统 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN111986737A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于rf-nsga-ii耐久性混凝土配合比优化方法 |
| CN113539414A (zh) * | 2021-07-30 | 2021-10-22 | 中电药明数据科技(成都)有限公司 | 一种抗生素用药合理性预测方法及系统 |
| CN113705110A (zh) * | 2021-09-03 | 2021-11-26 | 玉溪矿业有限公司 | 一种基于双重随机森林回归方法的爆破振动速度预测方法 |
| CN115295114A (zh) * | 2022-06-29 | 2022-11-04 | 中南大学湘雅三医院 | 一种基于疼痛客观评估体系的镇痛给药方法 |
| CN115376649A (zh) * | 2022-09-29 | 2022-11-22 | 中日友好医院(中日友好临床医学研究所) | 用于鞘内阿片类镇痛药的剂量预测方法及装置 |
| CN115659177A (zh) * | 2022-10-25 | 2023-01-31 | 招联消费金融有限公司 | 数据推荐模型的生成方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116230158B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110024038B (zh) | 与用户和装置进行合成交互的系统和方法 | |
| Uhrin et al. | Exercise and changes in health status in patients with ankylosing spondylitis | |
| CN103432651B (zh) | 一种闭环的智能麻醉控制系统 | |
| US20180046773A1 (en) | Medical system and method for providing medical prediction | |
| US7844560B2 (en) | Personalized prognosis modeling in medical treatment planning | |
| US20110053128A1 (en) | Automated patient monitoring and counseling system | |
| EP1072994B1 (en) | System and method for providing normalized voice feedback from an individual patient in an automated collection and analysis patient care system | |
| US20080194927A1 (en) | System and method for processing directly-collected normalized voice feedback for use in automated patient care | |
| CN110547868B (zh) | 一种连续麻醉装置 | |
| CN107958708A (zh) | 院后风险趋势评估方法和系统 | |
| CN109686452A (zh) | 一种用于糖尿病药物干预策略制定的智能系统及方法 | |
| US20080154894A1 (en) | System for cross-acquisition of physiological and psychological information | |
| CN116543866B (zh) | 一种镇痛泵止痛预测模型的生成和使用方法 | |
| CN116230158B (zh) | 一种疼痛评估及用药预测系统及其使用方法 | |
| Ramakrishnan et al. | Roadmap of AI and IoMT in Smart Healthcare: Current Applications and Future Perspectives | |
| CN115253009B (zh) | 一种睡眠多维度干预方法及系统 | |
| CN110660487A (zh) | 一种新生儿疼痛闭环管理系统及方法 | |
| Zavyalova et al. | Designing a mobile recommender system for treatment adherence improvement among hypertensives | |
| US20220028512A1 (en) | Smart dosing for cancer therapy | |
| CN116246752B (zh) | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 | |
| CN112190233A (zh) | 患者术后居家疼痛观察远程分析管理系统 | |
| CN116110615B (zh) | 干预慢性疼痛的数字医疗系统 | |
| US12009109B2 (en) | Smart dosing for cancer therapy | |
| US20210193332A1 (en) | Smart dosing for cancer therapy | |
| Khan et al. | Diet Recommendation Expert System for Hypertension Patients |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |