CN116246777A - 一种基于社区产检数据流的妇产科信息分析方法 - Google Patents
一种基于社区产检数据流的妇产科信息分析方法 Download PDFInfo
- Publication number
- CN116246777A CN116246777A CN202310448977.9A CN202310448977A CN116246777A CN 116246777 A CN116246777 A CN 116246777A CN 202310448977 A CN202310448977 A CN 202310448977A CN 116246777 A CN116246777 A CN 116246777A
- Authority
- CN
- China
- Prior art keywords
- data
- pregnant woman
- myocardial
- community
- function
- 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
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Abstract
本发明涉及医疗健康分析领域,具体公开了一种基于社区产检数据流的妇产科信息分析方法,包括步骤S1,数据采集;步骤S2,特征提取和选择;步骤S3,模型训练、评估和应用;步骤S4,评估模型构建和数据分析;本发明通过结合社区产检数据流中的孕妇自身属性信息、心肌功能检查信息以及肺功能检查信息,多维度确定孕妇心肺功能的现状,获取基于社区产科数据流的心肺功能综合评估指标且根据心肺功能综合评估指标对孕妇的心肺功能进行分级评估,便于实时监测和分析孕妇心肺功能。
Description
技术领域
本发明涉及医疗健康分析领域,更具体地说,本发明涉及一种基于社区产检数据流的妇产科信息分析方法。
背景技术
产检是一种及时获取孕妇和腹中胎儿信息的常见手段,合理的产检能够帮助孕妇获知自己身体状态以及胎儿状态,以便于根据产检的信息及时调整孕妇的作息、饮食以及运动情况,通常在孕妇得知怀孕后会在社区医院进行建档,定期进行产检,并在社区医院内形成多维度的社区产检数据流,在社区产检数据流中对孕妇的产检数据进行有效分析和评估对孕妇的高危妊娠评估和预测起着举足轻重的作用。
由于社区产检数据流中心肺功能相关参数涉及的因素较多,现有的监测预警方法往往仅能单一地对其进行分析,对孕妇心肺功能的评估和分析具有不准确性和表面性,难以针对孕妇的心肺功能进行科学且精准的预警监测。为了解决上述问题,现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种基于社区产检数据流的妇产科信息分析方法,是通过结合社区产检数据流中的孕妇自身属性信息、心肌功能检查信息以及肺功能检查信息,多维度确定孕妇心肺功能的现状,获取基于社区产科数据流的心肺功能综合评估指标且根据心肺功能综合评估指标对孕妇的心肺功能进行分级评估,便于实时监测和分析孕妇心肺功能,保证产妇和胎儿的安全监控,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于社区产检数据流的妇产科信息分析方法,包括如下步骤:
包括如下步骤:
步骤S1,数据采集:从社区产检数据流中采集产检数据中与产妇自身属性、心肌功能以及肺功能相关的数据,并实现数据清洗和数据预处理;
步骤S2,特征提取和选择:利用产检数据创建孕妇心肌功能特性向量、肺功能特征向量以及孕妇自身属性特征向量,构建孕妇产检数据集,并将孕妇产检数据集按照3:1的比例分成训练集和验证集,并通过随机森林算法进行建模;
步骤S3,模型训练、评估和应用:使用训练集数据对随机森林算法模型进行训练,使用验证集对模型进行评估,并根据评估结果对模型进行调整和优化,将训练好的随机森林模型应用于社区产检数据流中,分类出存在心肌功能数据异常以及肺功能数据异常的孕妇,并获取每个孕妇的产检数据集;
步骤S4,评估模型构建和数据分析:根据获取的分类完成的孕妇产检数据,创建属性评估模型、心肌功能评估模型以及肺功能评估模型,分别将孕妇自身属性信息、心肌功能信息以及肺功能信息中的数据输入对应模型中,获取孕妇的属性评估指标、心肌评估指标以及肺功能评估指标,综合评估指标为产妇属性评估指标、心肌功能评估指标以及肺功能评估指标的加权之和,综合评估指标的公式为:
作为本发明进一步的方法,在步骤S1中,对社区产检数据流中采集的孕妇自身心肌功能和肺功能相关数据进行数据清洗和数据预处理的过程包括异常值剔除和空缺值插补,其中,异常值剔除为将数据中超出测量数据预设阈值范围的数据和离群点,空缺值插补的方式为在孕妇缺少一次数据时,根据缺失次数前后两端的数据通过线性插补的方法进行空缺值插补。
作为本发明进一步的方法,数据清洗包括且不局限于上述方法,还包括对于产检数据中的重复数据进行删除以及合并,数据预处理包括但不局限于对产检数据中与心肺功能相关的监测参数进行等量纲转换以实现特征缩放。
作为本发明进一步的方法,在步骤S2中,孕妇自身属性特征向量包括年龄、BMI指数、胎次、孕前血压以及孕前血糖数据信息;孕妇的心肌功能特征向量包括心肌酶谱、肌钙蛋白以及高敏肌钙蛋白数据信息,其中,心肌酶谱数据信息包括谷草转氨酶、肌酸磷酸激酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶数据信息;孕妇肺功能特征向量包括用力肺活量、一秒用力肺活量以及一秒率数据信息。
在孕妇产检数据中,属性评估指标选取孕妇的年龄、BMI、血糖以及血压水平作为影响因素,存在以下的趋势变化关系:
当孕妇的年龄越大时,染色体异常、自然流产、妊娠高血压和唐努尿病、感染以及并发症的风险会越来越高,通过年龄的增大反映在属性评估指标的增大上,以便于通过观察属性评估指标的数值变化以及趋势变化评估孕妇妊娠期间存在的基础属性上的妊娠风险;
当孕妇的BMI较高时,孕妇更容易出现妊娠并发症,诸如高血压、糖尿病、子痫前期,尤其是针对孕妇而言,脂肪主要分布在腹部和内脏,会很容易导致妊娠并发症的产生,在BMI指数较高时,孕妇的身体代谢水平也会受到影响,尤其是血糖和血脂的代谢过慢直接会引发妊高血糖症以及妊娠高血压,危害孕妇自身和胎儿的健康,在孕妇BMI指数升高时,属性评估指标的数值变大,从数值和变化趋势上反映孕妇BMI的数值以及变化趋势的改变,因此,作为与属性评估指标的正相关因素,孕妇的身体BMI指数是作为评估孕妇自身基础身体要素的另一个重要组成部分;
当孕妇为初产妇时,胎次为1,孕期出现妊娠糖尿病以及妊娠高血压的风险较高,分娩出现难产的风险也高,相对于初产妇而言,经产妇子宫和产道经历过分娩过程,因此更容易扩张,在难产的风险上存在一定程度的降低,因此将胎次作为与属性评估指标负相关的一个影响因素考虑。
作为本发明进一步的方法,在步骤S4中,孕妇属性评估模型中属性评估指标与孕妇年龄正相关,与孕妇的BMI指数正相关,与胎次负相关,与孕前血压以及孕前血糖平方和的算术平方根正相关,属性评估指标的公式为:
心肌功能数据的评估非常重要,结合孕妇自身属性信息的评估基础上,考虑心肌评估指标的影响情况分成以下几种情况:
心肌酶谱水平是一组存在于心肌组织中的酶类物质,能够反映心肌损伤的程度,在肌钙蛋白水平和超敏肌钙水平相同时,心肌酶谱水平升高,心肌评估指标的数值升高;在心肌酶谱水平与肌钙蛋白水平相同时,超敏肌钙水平升高,心肌评估指标的数值升高;在心肌酶谱水平以及超敏肌钙水平相同时,肌钙水平升高,心肌评估指标的数值升高。
作为本发明进一步的方法,在步骤S4中,孕妇心肌功能评估模型中心肌评估指标与心肌酶谱水平正相关,与肌钙蛋白水平正相关,与高敏肌钙蛋白水平正相关,心肌评估指标的公式为:
在心肌酶谱中,利用肌酸磷酸激酶、肌酸磷酸激酶同工酶、谷草转氨酶、乳酸脱氢酶以及α-羟丁酸脱氢酶水平的数值共同获取心肌酶水平数值,为避免这五个影响因素的数量级差异引起的影响不均衡,对这五个因素进行线性求和,利用通过历史数据进行数值分析获取的具有通用性的调整系数对这五个因素的数量级差异进行平衡,保证每个因素的均衡考量。
作为本发明进一步的方法,在步骤S4中,心肌酶谱水平数值为谷草转氨酶、肌酸磷酸酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶水平数值的线性之和,心肌酶谱水平数值的公式为:
式中:为谷草转氨酶水平,/>为肌酸磷酸激酶水平,/>为肌酸磷酸激酶同工酶水,/>为乳酸脱氢酶水平,/>为α-羟丁酸脱氢酶水平,/>、/>、/>、/>以及/>分别为谷草转氨酶、肌酸磷酸酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶的线性调整系数,通过历史数据进行数值分析获得。
肺功能数据作为孕妇的产检数据中的评估因素,选取用力肺活量、一秒肺活量以及一秒率来评估孕妇的肺功能监测数据,在孕妇一秒用力肺活量以及一秒率均相同时,肺功能评估指标的数值随着用力肺活量的增大而减小,显示孕妇在整个呼吸周期内所能呼出的最大气体量;在孕妇用力肺活量和一秒率均相同时,肺功能评估指标的数值随着一秒肺活量的升高和升高,能够评估孕妇的肺活量储备;当孕妇用力肺活量以及一秒肺活量均相同时,肺功能评估指标的数值随着一秒率的升高而降低,一秒率反应孕妇在第一秒内呼出的气体量,反映孕妇的肺活量储备、通气功能以及呼气流量。
作为本发明进一步的方法,在步骤S4中,孕妇肺功能评估模型中肺功能评估指标与用力肺活量负相关,与一秒用力肺活量负相关,与一秒率正相关,肺功能评估指标的公式为:
一种基于社区产检数据流的妇产科信息分析系统,用于实现上述的一种基于社区产检数据流的妇产科信息分析方法,包括处理器以及与处理器通讯连接的数据采集模块、数据分析模块、预警提示模块以及数据存储模块;
处理器用于处理来自基于社区产检数据流的妇产科信息分析系统的至少一个组件的数据;
数据采集模块用于采集获取从社区产检数据流中采集产检数据中与产妇自身属性、心肌功能以及肺功能相关的数据,并实现数据清洗和数据预处理,将获取到的信息发送至数据分析模块进行分析处理,并将获取到的信息发送至数据存储模块进行存储;
数据分析模块接收到数据采集模块发送的信息后,通过处理器调用数据存储模块内部存储的数据对产检的数据流中提取的心肺功能监测以及孕妇自身的属性信息进行分析处理,得到不同的预警级别,并将预警级别发送至预警提示模块;
预警提示模块根据接收的预警级别,对孕妇各个采集时间段内的心肺功能监测数据以及自身属性数据进行多维度联合分析,并进行预警提示;
数据存储模块用于存储孕妇心肺功能监测以及评估的历史监测数据。
本发明一种基于社区产检数据流的妇产科信息分析方法的技术效果和优点:
本发明是通过结合社区产检数据流中的孕妇自身属性信息、心肌功能检查信息以及肺功能检查信息,多维度确定孕妇心肺功能的现状,获取基于社区产科数据流的心肺功能综合评估指标且根据心肺功能综合评估指标对孕妇的心肺功能进行分级评估,便于实时监测和分析孕妇心肺功能,保证产妇和胎儿的安全监控。
附图说明
图1为本发明一种基于社区产检数据流的妇产科信息分析方法流程图。
图2为本发明一种基于社区产检数据流的妇产科信息分析系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1。本发明一种基于社区产检数据流的妇产科信息分析方法,是通过结合社区产检数据流中的孕妇自身属性信息、心肌功能检查信息以及肺功能检查信息,多维度确定孕妇心肺功能的现状,获取基于社区产科数据流的心肺功能综合评估指标且根据心肺功能综合评估指标对孕妇的心肺功能进行分级评估,便于实时监测和分析孕妇心肺功能,保证产妇和胎儿的安全监控。
图1给出了本发明基于社区产检数据流的妇产科信息分析方法的流程图,其包括如下步骤:
步骤S1,数据采集:从社区产检数据流中采集产检数据中与产妇自身属性、心肌功能以及肺功能相关的数据,并实现数据清洗和数据预处理;
步骤S2,特征提取和选择:利用产检数据创建孕妇心肌功能特性向量、肺功能特征向量以及孕妇自身属性特征向量,构建孕妇产检数据集,并将孕妇产检数据集按照3:1的比例分成训练集和验证集,并通过随机森林算法进行建模;
步骤S3,模型训练、评估和应用:使用训练集数据对随机森林算法模型进行训练,使用验证集对模型进行评估,并根据评估结果对模型进行调整和优化,将训练好的随机森林模型应用于社区产检数据流中,分类出存在心肌功能数据异常以及肺功能数据异常的孕妇,并获取每个孕妇的产检数据集;
步骤S4,评估模型构建和数据分析:根据获取的分类完成的孕妇产检数据,创建属性评估模型、心肌功能评估模型以及肺功能评估模型,分别将孕妇自身属性信息、心肌功能信息以及肺功能信息中的数据输入对应模型中,获取孕妇的属性评估指标、心肌评估指标以及肺功能评估指标,综合评估指标为产妇属性评估指标、心肌功能评估指标以及肺功能评估指标的加权之和,综合评估指标的公式为:
具体的,本发明各步骤详细过程如下:
步骤S1:
本发明首先进行数据采集:从社区产检数据流中采集产检数据中与产妇自身属性、心肌功能以及肺功能相关的数据,并实现数据清洗和数据预处理。
需要说明的是,产检数据流是社区卫生服务机构中通过信息化手段将孕妇的产检数据进行采集、存储、分析、展示以及应用的过程,在社区产检数据流中能够提取到本发明所需的特征向量数据。
进一步的,对社区产检数据流中采集的孕妇自身心肌功能和肺功能相关数据进行数据清洗和数据预处理的过程包括异常值剔除和空缺值插补,其中,异常值剔除为将数据中超出测量数据预设阈值范围的数据和离群点,空缺值插补的方式为在孕妇缺少一次数据时,根据缺失次数前后两端的数据通过线性插补的方法进行空缺值插补。数据清洗包括且不局限于上述方法,还包括对于产检数据中的重复数据进行删除以及合并,数据预处理包括但不局限于对产检数据中与心肺功能相关的监测参数进行等量纲转换以实现特征缩放。
步骤S2:
本发明特征提取和选择:利用产检数据创建孕妇心肌功能特性向量、肺功能特征向量以及孕妇自身属性特征向量,构建孕妇产检数据集,并将孕妇产检数据集按照3:1的比例分成训练集和验证集,并通过随机森林算法进行建模。
需要注意的是,选择随机森林算法实现社区产检数据流中数据特征向量提取的优点在于:
(1)能够实现特征的自动选取:通过构建多个决策树来对社区产检数据流中的数据进行分类,每个决策树都会独立选择特征,能够避免手动选择特征,减少由于手动选择特征而带来的额外计算量和参数选择工作;
(2)特征的选择具备客观性:在这个算法中,每个特征都有机会被选择到决策树中,能够避免人工主观选择带来的主观性,客观性和可靠性提升;
(3)特征重要性的可视化:每个特征在决策树中的重要性都会被计算,并通过树的可视化来观察特征在决策树中的分布和影响力,能够帮助更好地理解特征的作用,进一步优化特征的选择;
(4)减少过拟合风险:由于每个决策树都是独立选择特征的,因此能够降低过拟合风险。
上述中,孕妇自身属性特征向量包括年龄、BMI指数、胎次、孕前血压以及孕前血糖数据信息;孕妇的心肌功能特征向量包括心肌酶谱、肌钙蛋白以及高敏肌钙蛋白数据信息,其中,心肌酶谱数据信息包括谷草转氨酶、肌酸磷酸激酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶数据信息;孕妇肺功能特征向量包括用力肺活量、一秒用力肺活量以及一秒率数据信息。
步骤S3:
本发明接着S2步骤之后进行模型训练、评估和应用:使用训练集数据对随机森林算法模型进行训练,使用验证集对模型进行评估,并根据评估结果对模型进行调整和优化,将训练好的随机森林模型应用于社区产检数据流中,分类出存在心肌功能数据异常以及肺功能数据异常的孕妇,并获取每个孕妇的产检数据集。
步骤S4:
步骤S4中,主要是评估模型构建和数据分析:根据获取的分类完成的孕妇产检数据,创建属性评估模型、心肌功能评估模型以及肺功能评估模型,分别将孕妇自身属性信息、心肌功能信息以及肺功能信息中的数据输入对应模型中,获取孕妇的属性评估指标、心肌评估指标以及肺功能评估指标,综合评估指标为产妇属性评估指标、心肌功能评估指标以及肺功能评估指标的加权之和,综合评估指标的公式为:
进一步的,在孕妇产检数据中,属性评估指标选取孕妇的年龄、BMI、血糖以及血压水平作为影响因素,存在以下的趋势变化关系:
当孕妇的年龄越大时,染色体异常、自然流产、妊娠高血压和唐努尿病、感染以及并发症的风险会越来越高,通过年龄的增大反映在属性评估指标的增大上,以便于通过观察属性评估指标的数值变化以及趋势变化评估孕妇妊娠期间存在的基础属性上的妊娠风险;
当孕妇的BMI较高时,孕妇更容易出现妊娠并发症,诸如高血压、糖尿病、子痫前期,尤其是针对孕妇而言,脂肪主要分布在腹部和内脏,会很容易导致妊娠并发症的产生,在BMI指数较高时,孕妇的身体代谢水平也会受到影响,尤其是血糖和血脂的代谢过慢直接会引发妊高血糖症以及妊娠高血压,危害孕妇自身和胎儿的健康,在孕妇BMI指数升高时,属性评估指标的数值变大,从数值和变化趋势上反映孕妇BMI的数值以及变化趋势的改变,因此,作为与属性评估指标的正相关因素,孕妇的身体BMI指数是作为评估孕妇自身基础身体要素的另一个重要组成部分;
当孕妇为初产妇时,胎次为1,孕期出现妊娠糖尿病以及妊娠高血压的风险较高,分娩出现难产的风险也高,相对于初产妇而言,经产妇子宫和产道经历过分娩过程,因此更容易扩张,在难产的风险上存在一定程度的降低,因此将胎次作为与属性评估指标负相关的一个影响因素考虑。
因此,在步骤S4中,孕妇属性评估模型中属性评估指标与孕妇年龄正相关,与孕妇的BMI指数正相关,与胎次负相关,与孕前血压以及孕前血糖平方和的算术平方根正相关,属性评估指标的公式为:
心肌功能数据的评估非常重要,结合孕妇自身属性信息的评估基础上,考虑心肌评估指标的影响情况分成以下几种情况:
心肌酶谱水平是一组存在于心肌组织中的酶类物质,能够反映心肌损伤的程度,在肌钙蛋白水平和超敏肌钙水平相同时,心肌酶谱水平升高,心肌评估指标的数值升高;在心肌酶谱水平与肌钙蛋白水平相同时,超敏肌钙水平升高,心肌评估指标的数值升高;在心肌酶谱水平以及超敏肌钙水平相同时,肌钙水平升高,心肌评估指标的数值升高。
在步骤S4中,孕妇心肌功能评估模型中心肌评估指标与心肌酶谱水平正相关,与肌钙蛋白水平正相关,与高敏肌钙蛋白水平正相关,心肌评估指标的公式为:
在心肌酶谱中,利用肌酸磷酸激酶、肌酸磷酸激酶同工酶、谷草转氨酶、乳酸脱氢酶以及α-羟丁酸脱氢酶水平的数值共同获取心肌酶水平数值,为避免这五个影响因素的数量级差异引起的影响不均衡,对这五个因素进行线性求和,利用通过历史数据进行数值分析获取的具有通用性的调整系数对这五个因素的数量级差异进行平衡,保证每个因素的均衡考量。
在步骤S4中,心肌酶谱水平数值为谷草转氨酶、肌酸磷酸酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶水平数值的线性之和,心肌酶谱水平数值的公式为:
式中:为谷草转氨酶水平,/>为肌酸磷酸激酶水平,/>为肌酸磷酸激酶同工酶水,/>为乳酸脱氢酶水平,/>为α-羟丁酸脱氢酶水平,/>、/>、/>、/>以及/>分别为谷草转氨酶、肌酸磷酸酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶的线性调整系数,通过历史数据进行数值分析获得。
肺功能数据作为孕妇的产检数据中的评估因素,选取用力肺活量、一秒肺活量以及一秒率来评估孕妇的肺功能监测数据,在孕妇一秒用力肺活量以及一秒率均相同时,肺功能评估指标的数值随着用力肺活量的增大而减小,显示孕妇在整个呼吸周期内所能呼出的最大气体量;在孕妇用力肺活量和一秒率均相同时,肺功能评估指标的数值随着一秒肺活量的升高和升高,能够评估孕妇的肺活量储备;当孕妇用力肺活量以及一秒肺活量均相同时,肺功能评估指标的数值随着一秒率的升高而降低,一秒率反应孕妇在第一秒内呼出的气体量,反映孕妇的肺活量储备、通气功能以及呼气流量。
在步骤S4中,孕妇肺功能评估模型中肺功能评估指标与用力肺活量负相关,与一秒用力肺活量负相关,与一秒率正相关,肺功能评估指标的公式为:
实施例2。本发明实施例2与实施例1的区别在于,本实施例是对一种基于社区产检数据流的妇产科信息分析系统进行介绍。
图2给出了本发明基于社区产检数据流的妇产科信息分析系统的结构示意图,其包括处理器以及与处理器通讯连接的数据采集模块、数据分析模块、预警提示模块以及数据存储模块。
处理器可以用于处理来自基于社区产检数据流的妇产科信息分析系统的至少一个组件或外部数据源(如云数据中心)的数据和/或信息。在一些实施例中,处理器可以是本地或远程的。例如,处理器可以通过网络从数据存储设备、终端设备和/或数据采集设备中访问信息和/或数据。又例如,处理器可以直接连接到数据存储设备、终端设备和/或数据采集设备,以访问信息和/或数据。在一些实施例中,处理器可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
数据采集模块用于采集获取从社区产检数据流中采集产检数据中与产妇自身属性、心肌功能以及肺功能相关的数据,并实现数据清洗和数据预处理,将获取到的信息发送至数据分析模块进行分析处理,并将获取到的信息发送至数据存储模块进行存储;
数据分析模块接收到数据采集模块发送的信息后,通过处理器调用数据存储模块内部存储的数据对产检的数据流中提取的心肺功能监测以及孕妇自身的属性信息进行分析处理,得到不同的预警级别,并将预警级别发送至预警提示模块;
预警提示模块根据接收的预警级别,对孕妇各个采集时间段内的心肺功能监测数据以及自身属性数据进行多维度联合分析,并进行预警提示;
数据存储模块用于存储孕妇心肺功能监测以及评估的历史监测数据。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于社区产检数据流的妇产科信息分析方法,其特征在于,包括如下步骤:
步骤S1,数据采集:从社区产检数据流中采集产检数据中与产妇自身属性、心肌功能以及肺功能相关的数据,并实现数据清洗和数据预处理;
步骤S2,特征提取和选择:利用产检数据创建孕妇心肌功能特性向量、肺功能特征向量以及孕妇自身属性特征向量,构建孕妇产检数据集,并将孕妇产检数据集按照3:1的比例分成训练集和验证集,并通过随机森林算法进行建模;
步骤S3,模型训练、评估和应用:使用训练集数据对随机森林算法模型进行训练,使用验证集对模型进行评估,并根据评估结果对模型进行调整和优化,将训练好的随机森林模型应用于社区产检数据流中,分类出存在心肌功能数据异常以及肺功能数据异常的孕妇,并获取每个孕妇的产检数据集;
步骤S4,评估模型构建和数据分析:根据获取的分类完成的孕妇产检数据,创建属性评估模型、心肌功能评估模型以及肺功能评估模型,分别将孕妇自身属性信息、心肌功能信息以及肺功能信息中的数据输入对应模型中,获取孕妇的属性评估指标、心肌评估指标以及肺功能评估指标,综合评估指标为产妇属性评估指标、心肌功能评估指标以及肺功能评估指标的加权之和,综合评估指标的公式为:
2.根据权利要求1所述的一种基于社区产检数据流的妇产科信息分析方法,其特征在于:在步骤S1中,对社区产检数据流中采集的孕妇自身心肌功能和肺功能相关数据进行数据清洗和数据预处理的过程包括异常值剔除和空缺值插补,其中,异常值剔除为将数据中超出测量数据预设阈值范围的数据和离群点,空缺值插补的方式为在孕妇缺少一次数据时,根据缺失次数前后两端的数据通过线性插补的方法进行空缺值插补。
3.根据权利要求1所述的一种基于社区产检数据流的妇产科信息分析方法,其特征在于:在步骤S2中,孕妇自身属性特征向量包括年龄、BMI指数、胎次、孕前血压以及孕前血糖数据信息;孕妇的心肌功能特征向量包括心肌酶谱、肌钙蛋白以及高敏肌钙蛋白数据信息,其中,心肌酶谱数据信息包括谷草转氨酶、肌酸磷酸激酶、肌酸磷酸激酶同工酶、乳酸脱氢酶以及α-羟丁酸脱氢酶数据信息;孕妇肺功能特征向量包括用力肺活量、一秒用力肺活量以及一秒率数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310448977.9A CN116246777B (zh) | 2023-04-24 | 2023-04-24 | 一种基于社区产检数据流的妇产科信息分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310448977.9A CN116246777B (zh) | 2023-04-24 | 2023-04-24 | 一种基于社区产检数据流的妇产科信息分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246777A true CN116246777A (zh) | 2023-06-09 |
CN116246777B CN116246777B (zh) | 2023-08-11 |
Family
ID=86628058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310448977.9A Active CN116246777B (zh) | 2023-04-24 | 2023-04-24 | 一种基于社区产检数据流的妇产科信息分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246777B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117747116A (zh) * | 2024-02-19 | 2024-03-22 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
CN117747116B (zh) * | 2024-02-19 | 2024-05-17 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488609A (zh) * | 2015-11-23 | 2016-04-13 | 中国农业大学 | 葡萄病虫害防控效果评估方法及系统 |
CN107480839A (zh) * | 2017-10-13 | 2017-12-15 | 深圳市博安达信息技术股份有限公司 | 基于主成分分析和随机森林的高危污染源的分类预测方法 |
CN110838367A (zh) * | 2019-11-18 | 2020-02-25 | 北京妙医佳健康科技集团有限公司 | 健康风险综合评估方法 |
CN111292855A (zh) * | 2020-02-28 | 2020-06-16 | 京东方科技集团股份有限公司 | 健康管理系统及方法 |
CN112819045A (zh) * | 2021-01-20 | 2021-05-18 | 国家卫生健康委科学技术研究所 | 用于用户生理状态分类的方法、装置、电子设备及介质 |
CN112836730A (zh) * | 2021-01-20 | 2021-05-25 | 国家卫生健康委科学技术研究所 | 用于用户妊娠状态分类的方法、装置、电子设备及介质 |
CN114822813A (zh) * | 2021-12-03 | 2022-07-29 | 国家卫生健康委科学技术研究所 | 一种甲状腺疾病的智能诊断系统及方法 |
US20220292239A1 (en) * | 2021-03-15 | 2022-09-15 | KuantSol Inc. | Smart time series and machine learning end-to-end (e2e) model development enhancement and analytic software |
-
2023
- 2023-04-24 CN CN202310448977.9A patent/CN116246777B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488609A (zh) * | 2015-11-23 | 2016-04-13 | 中国农业大学 | 葡萄病虫害防控效果评估方法及系统 |
CN107480839A (zh) * | 2017-10-13 | 2017-12-15 | 深圳市博安达信息技术股份有限公司 | 基于主成分分析和随机森林的高危污染源的分类预测方法 |
CN110838367A (zh) * | 2019-11-18 | 2020-02-25 | 北京妙医佳健康科技集团有限公司 | 健康风险综合评估方法 |
CN111292855A (zh) * | 2020-02-28 | 2020-06-16 | 京东方科技集团股份有限公司 | 健康管理系统及方法 |
CN112819045A (zh) * | 2021-01-20 | 2021-05-18 | 国家卫生健康委科学技术研究所 | 用于用户生理状态分类的方法、装置、电子设备及介质 |
CN112836730A (zh) * | 2021-01-20 | 2021-05-25 | 国家卫生健康委科学技术研究所 | 用于用户妊娠状态分类的方法、装置、电子设备及介质 |
US20220292239A1 (en) * | 2021-03-15 | 2022-09-15 | KuantSol Inc. | Smart time series and machine learning end-to-end (e2e) model development enhancement and analytic software |
CN114822813A (zh) * | 2021-12-03 | 2022-07-29 | 国家卫生健康委科学技术研究所 | 一种甲状腺疾病的智能诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
朱颍;曹云霞;刘晓军;祝艺虹;潘孝华;姚杰;: "妊娠期高血压疾病患者心肌损伤的临床研究", 安徽医学, no. 06, pages 656 - 657 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117747116A (zh) * | 2024-02-19 | 2024-03-22 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
CN117747116B (zh) * | 2024-02-19 | 2024-05-17 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116246777B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9910964B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
Hafner et al. | Second‐trimester measurements of placental volume by three‐dimensional ultrasound to predict small‐for‐gestational‐age infants | |
Ayres-de-Campos et al. | SisPorto 2.0: a program for automated analysis of cardiotocograms | |
US6024701A (en) | Method of and system for estimating placenta and fetus well being using system identification techniques | |
Coelho Neto et al. | True Reproducibility of UltraSound Techniques (TRUST): systematic review of reliability studies in obstetrics and gynecology | |
Romano et al. | Evaluation of floatingline and foetal heart rate variability | |
WO2020011033A1 (zh) | 心律失常起源点的判断装置及标测系统 | |
CN110534184B (zh) | 一种产科手术资源配置预测系统 | |
Costa et al. | Comparison of a computer system evaluation of intrapartum cardiotocographic events and a consensus of clinicians | |
CN113077900B (zh) | 糖尿病早期风险评估方法、装置、计算机设备及介质 | |
CN116825341A (zh) | 胎儿生长受限围产期不良结局预测模型的构建方法 | |
Gyllencreutz et al. | Validation of a computerized algorithm to quantify fetal heart rate deceleration area | |
Almeida et al. | Electrohysterography extracted features dependency on anthropometric and pregnancy factors | |
CN116246777B (zh) | 一种基于社区产检数据流的妇产科信息分析方法 | |
CN112992353A (zh) | 预产期精准预测方法、装置、计算机设备及存储介质 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN113052205B (zh) | 基于机器学习的产妇数据分类方法、装置、设备及介质 | |
Das et al. | Determination of window size for baseline estimation of fetal heart rate using CTG | |
Ho et al. | Use of the myocardial performance index in decreased fetal movement assessment: a case-control study | |
Das et al. | A novel step towards machine diagnosis of fetal status in-utero: calculation of baseline variability | |
CN117352170B (zh) | 一种基于社区产妇产科信息分析方法及系统 | |
CN109589140A (zh) | 一种超声测量多项目处理方法和超声诊断系统 | |
CN115331817B (zh) | 孕早期阶段早产型子痫前期风险筛查装置 | |
CN112712865B (zh) | 一种多源异构医患体验异常数据融合工作系统及工作方法 |
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 |