CN116490929A - 用于执行医学的实验室值分析的计算机实现的方法和设备 - Google Patents
用于执行医学的实验室值分析的计算机实现的方法和设备 Download PDFInfo
- Publication number
- CN116490929A CN116490929A CN202180075361.0A CN202180075361A CN116490929A CN 116490929 A CN116490929 A CN 116490929A CN 202180075361 A CN202180075361 A CN 202180075361A CN 116490929 A CN116490929 A CN 116490929A
- Authority
- CN
- China
- Prior art keywords
- laboratory
- value
- historical
- time
- parameter
- 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 65
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 239000003814 drug Substances 0.000 title claims description 6
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 210000002700 urine Anatomy 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 238000001647 drug administration Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 claims 1
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 238000004590 computer program Methods 0.000 claims 1
- 238000004868 gas analysis Methods 0.000 claims 1
- 230000011664 signaling Effects 0.000 claims 1
- 230000001575 pathological effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- -1 O2-saturation Chemical compound 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及用于针对至少一个医学实验室参量提供至少一个预测值,特别是用于在医学实验室值分析中应用的计算机实现的方法,所述方法具有以下步骤:‑提供(S1)至少一个实验室值变化过程,所述实验室值变化过程说明在至少两个历史时间点的至少一个实验室参量的历史实验室值的变化过程;‑根据相应的实验室值变化过程针对所述至少一个实验室参量中的每一个实验室参量确定(S3)至少一个实验室参量特征;‑根据经过训练的、基于数据的预测模型并根据针对所述至少一个实验室值变化过程中的每一个实验室值变化过程的所述至少一个实验室参量特征而确定(S5)在预给定的预测时间点的至少一个预测值。
Description
技术领域
本发明涉及医学实验室参量的评估,特别是血液学、尿液诊断、临床化学等的评估。特别地,本发明涉及用于以患者个别的方式来说明针对识别病理偏差的参考范围的措施。
背景技术
医学诊断的实验室值,特别是血液学、临床化学或尿液诊断的实验室值,通常由医务人员评估。这些实验室值通常由医学实验室或类似机构收集,并与针对这些值特定的参考范围一起提供给医生。这些参考值大多是通过研究所证明的“正常范围”,例如健康人群的2.5%-97.5%的分位间距,即100个健康人中有95个可以观察到相应值的范围。在某些情况下,参考值也会根据性别、年龄、体重或其他患者特征而得以适配。在该参考范围之外的实验室结果的值被单独标记以强调其偏差/病状。
此外,在特别关键的值的情况下,即对患者而言意味着直接风险的结果的情况下,在许多实验室中实施单独的过程以将此信息快速提供给医生。
在评估中并没有设置:对实验室参量的时间变化过程的自动的、结构化的和标准化的考虑。如果还是被执行的话,则这种变化过程的分析由医生以手动的方式且通常以主观和直观的方式进行。
现代医学中非常大量的各种实验室参量、它们之间的通常并不明确且通常未知的相互作用、专业知识的缺乏、被删减的数据基础以及统计知识的不足都会使得医生实际上不可能识别出通过上述标准方法未检测的病理偏差。与此同时,由此还失去了及早识别出患者健康状况中那些在相应实验室值的标准参考范围内变得可察觉的有问题的变化并采取相应的医疗措施的机会。
发明内容
根据本发明,提供了根据权利要求1所述的用于提供医学实验室值分析的方法以及根据并列权利要求所述的设备。
在从属权利要求中说明另外的设计方案。
根据第一方面,提供了一种用于针对至少一个医学实验室参量提供至少一个预测值,特别是用于在医学实验室值分析中应用的计算机实现的方法,所述方法具有以下步骤:
-提供至少一个实验室值变化过程,其说明在至少两个历史时间点的至少一个实验室参量的历史实验室值的变化过程;
-根据相应的实验室值变化过程针对所述至少一个实验室参量中的每一个实验室参量确定至少一个实验室参量特征;
-根据经过训练的、基于数据的预测模型并根据针对所述至少一个实验室值变化过程中的每一个实验室值变化过程的所述至少一个实验室参量特征而确定在预给定的预测时间点的至少一个预测值。
还可以规定:预测模型被附加地构造,以便除了所述至少一个实验室参量特征以外还考虑患者数据、例如年龄、性别、BMI和其他生物测量数据,例如身高、体重和/或诊断,检验结果、疗法和/或药物。
通常,大多静态地使用由实验室标记的实验室参量的病理值由医生对实验室参量、例如血液学或尿液诊断的参量进行评定。病理分类通常根据所设定的参考限值或参考范围而进行。随着时间的推移,在实验室值的时间变化过程方面的评定并非自动化地进行。因此可能很容易忽视有问题的趋势,特别是在迄今为止并不显眼的值的情况下,即在实验室参量值在医学参考范围内变动但仍指示出病状的情况下。
上述计算机实现的方法应提供对医学实验室参量变化过程的自动化评估,并针对每个参量而说明经相应适配的参考范围,所述参考范围说明了对相关实验室值的病理偏差的指示。为此,从相应的实验室值变化过程中提取至少一个实验室参量特征,其表征相应实验室参量的变化过程。
对实验室值变化过程的计算机支持的评定能够借助于评估模型而考虑所有可用的实验室值及其相关性,并在必要时考虑其他患者数据,如年龄、性别、体重、身高、病史、现有的先期疾病等,并为医生提供帮助以解释实验室值,其方式为,基于模型而确定针对每个实验室值的参考范围并相对于所述实验室值附加地提供所述参考范围。这使得医疗专业人员不仅能够关于“正常范围”、例如健康人群的2.5%-97.5%的分位数范围而评定每个实验室值,还能够附加地根据个别的参考范围并且在考虑实验室参量历史变化过程的情况下评定每个实验室值。
此外,可以训练预测模型以根据这些实验室参量特征而提供至少一个所预测的实验室值,所述实验室值对应于在预给定的预测时间点的至少一个预测值。
特别地,可以确定在多个预测时间点的预测值的变化过程,以便确定预测值超过预给定极限值的时间点,其中该时间点尤其是又能够确定医学干预、例如给药的时间点。
替代地,可以训练预测模型以根据实验室参量特征而提供至少一个所预测的分位数值,作为在预给定的预测时间点的至少一个预测值。所述分位数值可以说明:在预测时间点针对所述至少一个实验室参量的参考范围的上限值或下限值,其中用信号通知:至少一个实验室参量的当前实验室值与在作为预测时间点的当前时间点的相对应的分位数值的比较结果。
针对其中每个实验室参量的实验室参量特征可包括以下特征中的一个或多个:
-历史实验室值的最小值,
-不同的分位数值,例如第一和第三个四分位数以及中位数;
-历史实验室值的平均值
-历史实验室值的最大值,
-历史实验室值的标准偏差,
-相对于当前时间点而言最后所检测的历史实验室值所经过的时间段,
-相对于当前时间点而言倒数第二个历史实验室值所经过的时间段,
-相对于当前时间点而言最久的实验室值所经过的时间段,
-历史实验室值的检测时间点之间的时间间隔的平均值,
-最新近的历史实验室值,
-第二新近的历史实验室值,
-第二新近的和最新近的历史实验室值之间的最后一个梯度的值,
-历史实验室值中第一个异常值的时间段,
-历史实验室值中最新近的异常值的时间点,
-多个被归类为异常值的历史实验室值,
-两个接连检测的历史实验室值之间的最大提升,
-两个接连的历史实验室值之间的最小下降,
-这些历史实验室值的所估计的线性偏移量,
-这些历史实验室值的所估计的线性斜率,
-这些历史实验室值的所估计的线性预测,和
-历史实验室值的数量。
可以规定:所述至少一个实验室参量特征中的至少一个取决于预给定的预测时间点。
根据另外的实施方式,所述预测模型可以包括深度神经网络、卷积神经网络、递归神经网络、支持向量机、随机森林模型、隐马尔可夫链模型或广义线性模型。
根据另一方面,提供了一种用于训练基于数据的预测模型的方法,所述方法特别是用于与上面所述的方法一起使用,包括以下步骤:
-提供至少一个实验室参量的至少一个实验室值变化过程,其中所述至少一个实验室值变化过程中的每一个说明了在至少三个历史时间点的所述至少一个实验室参量的历史实验室值的变化过程;
-根据在标签时间点前的相应的至少一个实验室值变化过程针对所述至少一个实验室参量中的每一个实验室参量确定至少一个实验室参量特征;
-创建训练数据集,其方式为,由针对所述至少一个实验室参量的所述至少一个实验室参量特征和作为标签的标签时间点的所述至少一个实验室参量的实验室值而形成每个训练数据集;
-根据所述训练数据集而训练基于数据的预测模型。
附图说明
下面参考附图更详细地解释实施方式。其中:
图1示出了用于执行实验室值分析的系统;
图2示出了用于说明用于执行实验室值分析的方法的流程图;和
图3a至3c示出了示例性患者的实验室参量的变化过程和趋势以及通过该方法确定的预测值的相应图形表示。
具体实施方式
图1示出了具有计算机单元2、输入装置3和以监视器等形式的输出装置4的常见计算机系统1。计算机单元2用于:借助于处理器单元21基于软件来处理患者的历史实验室值,并在当前实验室值的评估中提供帮助。软件和患者的实验室值被存储在计算机单元2中的数据存储器22上。此外,数据存储器22还存储以下描述的预测模型的参数。该软件由处理器单元21执行并访问存储在数据存储器22中的实验室值。此外,计算机单元2可以获得自动或手动输入的实验室参量的实验室值并对其进行处理。
图2示出了用于说明用于实验室值分析的方法的流程图,该方法应该使得医务人员、例如医生能更容易地标识出当前和未来实验室值中可能存在的病状的指示,并且必要时基于实验室值分析结果采取处理措施。
该方法首先规定:在步骤S1中提供来自计算机单元的数据存储器中的历史实验室值。历史实验室值可以是血液学、尿液诊断、临床化学、拭子诊断等的实验室值。特别地,根据所检测的实验室参量的类型而定,可以针对所述实验室参量检测大量的实验室值。例如,在血液学的验血情况下可以确定以下实验室参量:AST/GOT、白细胞、红细胞、血红蛋白、红细胞比容、MCV、MCH、MCHC、血小板、pH(SB状态)、pCO2(SB状态)、标准碳酸氢盐、O2-饱和度、乳酸、钙离子、C反应蛋白、葡萄糖、钠、钾、来自BGA的钾、钙、肌酸酐、GFR-MDRD、尿素、INR(治疗范围)、PTT等。
在步骤S2中,针对当前时间点提供实验室参量的当前实验室值。这些是最近检查的结果,并且代表了用于确定患者当前健康状况的基础。当前实验室值可以被手动输入到计算机系统1中或通过通信连接被自动接收。当前的实验室值有助于医生来确定疗法。以下步骤应该支持医生在考虑历史实验室值和其中呈现的趋势的情况下评估实验室参量的当前实验室值。
在步骤S3中,首先从历史实验室值中提取实验室参量特征。针对其中每个所检测的实验室参量而提取多个实验室参量特征,这些实验室参量特征是至少部分地与变化过程相关的。所述提取在并不将当前时间点的当前实验室值包括在内的情况下明确地进行。针对上面示例性提及的26个实验室参量,分别提取多个实验室参量特征,例如23个实验室参量特征。针对每个实验室参量的实验室参量特征可包含以下特征:
-历史实验室值的最小值,
-历史实验室值的第一个四分位数值,
-历史实验室值的中值,
-历史实验室值的平均值,
-历史实验室值的第三个四分位数值,
-历史实验室值的最大值,
-历史实验室值的标准偏差,
-相对于当前时间点而言最后所检测的历史实验室值所经过的时间段,
-相对于当前时间点而言倒数第二个历史实验室值所经过的时间段,
-相对于当前时间点而言最久的实验室值所经过的时间段,
-历史实验室值的检测时间点之间的时间间隔的平均值,
-最新近的历史实验室值,
-第二新近的历史实验室值,
-第二新近的和最新近的历史实验室值之间的最后一个梯度的值,
-历史实验室值中第一个异常值的时间段,
-历史实验室值中最新近的异常值的时间点,
-多个被归类为异常值的历史实验室值,
-两个接连检测的历史实验室值之间的最大提升,
-两个接连的历史实验室值之间的最小下降,
-这些历史实验室值的所估计的线性偏移量,
-这些历史实验室值的所估计的线性斜率,
-这些历史实验室值的所估计的线性预测,和
-历史实验室值的数量。
还可以定义其他特征。这些特征其中的一部分取决于应为其确定预测值的预测时间点。
通过所述特征提取而产生了一个所谓的特征矩阵,在特征矩阵中每一列代表一个实验室参量特征。针对实验室参量特征的例子有:肌酸酐测量之间的平均时间间隔、血红蛋白变化过程中所观察到的极端波动的总数、钠的最高值等。特征矩阵的行代表患者在给定时间点的状况(作为他的特征的总和)。
一些机器学习模型(例如神经网络)允许使用原始数据。在这种情况下,可免除特征提取。然而,直接引入医学专业知识的可能性则要求进行特征提取。因此,上面描述的23个特性被共同选择,因为它们被认为是实验室值变化过程中的相关特征。此外,以这种方式生成的实验室参量特征提供了更容易解释以后的结果或直接生成新问题的可能性(参见Feature Selection(特征选择))。
在步骤S4中,在自身数量级和控制方面都可能有很大不同的各个特征通过归一化而被缩放。例如,可以进行缩放到单位间隔。替代地,也可以进行缩放到标准正态分布。原则上,特征提取步骤之前的归一化也是可能的。这可以是此归一化步骤的补充或替代。
在随后的步骤S5中,经归一化的特征被提供给预测模型。预测模型确定由实验室参量的时间序列得出的预测值。为此,对预测模型进行训练,以根据实验室参量特征创建预测值。
由于在上述一些实验室参量特征中将当前时间点考虑作为预测点,因此可以对当前时间点进行预测。例如,预测值可以说明在当前时间点相应实验室参量的估计值。例如,这使医生能够确定出与历史实验室值中表现出来的趋势的偏差,这可能例如指示出急性疾病。
替代地,可以提供两个单独训练的预测模型,其根据先前确定的实验室参量特征而确定针对预测时间点的上分位数值和下分位数值,例如97.5%分位数和2.5%分位数。这些可以针对相应实验室参量而说明用于评估或解释的参考范围。参考范围说明所涉及实验室参量的患者个别的当前实验室值在当前时间点应该处于的或预期所在的范围。
如果在一个或多个实验室参量的情况下与针对患者以个体化方式确定的当前参考范围存在偏差,则可以在步骤S6中针对所考虑的其中每个实验室参量相应地用信号通知这点,例如通过彩色标记,从而向医生指示出相应的异常。
替代地或附加地,可以多次查询根据当前实验室值输出而训练的预测模型以便针对多个未来时间点而输出一个或多个实验室参量的变化过程、来自参考范围的变化过程通道或趋势。在此应注意的是,实验室参量特征部分取决于预测时间点,因此必须在每次查询时都将其考虑在内。
图3a示出了示例性患者的示例性实验室参量的趋势的相应图形表示。示出的是针对实验室参量钾的实验室参量变化过程K的个性化预测。为这些个体患者预测了2.5%和97.5%分位数的变化过程OG、UG,其作为点线被示出。因此,该模型预测的是在100个案例中的95个所在的所述范围内的变化过程。此外,根据常规分析方法的钾值的恒定上限和下限以虚线被示出。
作为替代实施例,图3b示出了直至在未来于时间点T离开标准正常范围(作为虚线的恒定上下限而示出)为止的预计时间以及未来的平均值的预测。
图3c将针对实验室参量的整个时间变化过程的上限和下限OG、UG的个体化的变化过程示为点曲线。识别出偏离由上限和下限OG、UG限定的范围的时间点T1、T2可以被识别为病态的。示出如下情形,其中通过标准方法而仅将时间点T2的实验室参量的一个实验室值标识为病态的。在这种情形下,除了T2之外,此处介绍的个体化的方法还可以更早地标识出时间点T1的病理实验室值。
附加地,可以构造预测模型以考虑患者数据,例如年龄、性别和其他生物测量数据,例如身高、体重等和/或诊断,检验结果、药物的疗法(例如通过1CD-10代码)。特别地,还可以与预测时间点相对应地考虑年龄。
可以基于大量患者数据来训练预测模型。为此,只要实验室参量的时间序列包括三个或更多时间点,就可以将实验室参量的实验室值的时间序列处理成训练数据集。可以在时间序列中考虑多个时间点以确定实验室参量特征,并且考虑在所考虑的时间点之后的已检测到多个实验室值的标签时间点的标签数据。在此,应根据作为标签数据而使用的标签时间点的实验室值的这些时间点来确定实验室参量特征。因此,由分别针对所考虑的其中每个实验室参量的实验室参量特征以及针对其中每个实验室参量的作为要训练的预测值的标签数据、诸如在标签时间点的相对应的实验室值、在标签时间点的相对应的下限或上限分位数值以及必要时的患者数据而得出训练数据集。
由于大量的实验室参量特征被确定,因此可以在预测模型的实际训练方法之前进行特征选择步骤。为此可以使用所谓的包裹法。这意味着预测模型被应用于所有实验室参量的总体实验室参量特征的不同子集,即仅应用于实验室参量特征的特定组合。由于数量大而无法测试每种组合,因此该方法遵循预给定的启发法。例如,可以使用前向选择的变体,其中被评定为最好的实验室参量特征被逐步添加到要考虑的实验室参量特征的当前使用的子集。结果是,针对特定类型的预测值、诸如针对说明了实验室参量的2.5%分位数的预测值而得出实验室参量特征的经优化的子集。例如,可以使用后向选择、随机搜索或其他所谓的蒙特卡罗方法、梯度方法等用来选择用于子集选择的预给定启发法。除了包裹法外,还可以使用其他降维方法,例如主成分分析(PCA)。
为了训练预测模型,根据所期望的输出值而对标签数据进行评估。因此根据预测值而预给定标签数据,所述预测值可以例如对应于相应实验室参量的估计值、上限分位数值或下限分位数值。
在确定了实验室参量特征的子集之后,以有关预测值来说明由此确定的训练数据集。神经网络、卷积神经网络、支持向量机、随机森林模型、隐马尔可夫链模型、广义线性模型等可以用作可能的预测模型。优选地,使用SVM(Support Vector Machine(支持向量机))实现方案,其中例如利用训练参数核心RGF、Gamma网格0.001到10、Lambda网格0.001到10、超参数选择、五重交叉验证、具有权重的弹球损失函数以及分别为0.025和0.0975的下限分位数和上限分位数。训练预测模型的损失函数可以反映出对该方法所提出的问题。
在上述情况下,针对0.025和0.975的损失函数的每个权重相应地执行两个优化过程。作为结果而获得两个预测模型,这些预测模型分别预测2.5%或97.5%的分位数。
为了测试预测模型,可以将训练应用于80%的可用数据集。为了模型预测质量的最终评定而使用剩余的20%作为测试数据。评定标准取决于鉴于实验室值模型目标等方面所使用的模型变体。由于模型训练与测试数据无关地进行,因此通过这种方法获得的质量度量鉴于过拟合问题(Overfitting)而言例如比通过所谓的交叉验证而进行的评定更稳健,并且更可取。
Claims (13)
1.一种用于针对至少-个医学实验室参量提供至少一个预测值,特别是用于在医学实验室值分析中应用的计算机实现的方法,所述方法具有以下步骤:
-提供(S1)至少一个实验室值变化过程,所述实验室值变化过程说明在至少两个历史时间点的至少一个实验室参量的历史实验室值的变化过程;
-根据相应的实验室值变化过程针对所述至少一个实验室参量中的每一个实验室参量确定(S3)至少一个实验室参量特征;
-根据经过训练的、基于数据的预测模型并根据针对所述至少一个实验室值变化过程中的每一个实验室值变化过程的所述至少一个实验室参量特征而确定(S5)在预给定的预测时间点的至少一个预测值。
2.根据权利要求1所述的方法,其中,所述预测模型被训练以根据所述至少一个实验室参量特征而提供在预给定的预测时间点的至少一个所预测的实验室值,作为所述至少一个预测值。
3.根据权利要求2所述的方法,其中,确定在多个预测时间点的预测值的变化过程,以便确定预测值超过预给定极限值的时间点,其中所述时间点尤其是确定了医学干预、例如给药的时间点。
4.根据权利要求1所述的方法,其中,训练所述预测模型以根据所述至少一个实验室参量特征而提供至在预给定的预测时间点的少一个所预测的分位数值,作为所述至少一个预测值,其中所述分位数值说明:在所述预测时间点针对所述至少一个实验室参量的参考范围的上限值或下限值,其中用信号通知:所述至少一个实验室参量的当前实验室值与在作为预测时间点的当前时间点的相对应的分位数值的比较结果。
5.根据权利要求1至4中任一项所述的方法,其中,所述至少一个实验室参量包括血液学、临床化学、内分泌学、血气分析、自身抗体、肿瘤标志物或尿液诊断学的至少一个参量。
6.根据权利要求1至5中任一项所述的方法,其中,针对其中每个实验室参量的实验室参量特征包括以下特征中的一个或多个:
-历史实验室值的最小值,
-不同的分位数值,例如历史实验室值的第一和第三个四分位数以及中位数
-历史实验室值的平均值,
-历史实验室值的最大值,
-历史实验室值的标准偏差,
-相对于当前时间点而言最后所检测的历史实验室值所经过的时间段,
-相对于当前时间点而言倒数第二个历史实验室值所经过的时间段,
-相对于当前时间点而言最久的实验室值所经过的时间段,
-历史实验室值的检测时间点之间的时间间隔的平均值,
-最新近的历史实验室值,
-第二新近的历史实验室值,
-第二新近的和最新近的历史实验室值之间的最后一个梯度的值,
-历史实验室值中第一个异常值的时间段,
-历史实验室值中最新近的异常值的时间点,
-多个被归类为异常值的历史实验室值,
-两个接连检测的历史实验室值之间的最大提升,
-两个接连的历史实验室值之间的最小下降,
-所述历史实验室值的所估计的线性偏移量,
-所述历史实验室值的所估计的线性斜率,
-所述历史实验室值的所估计的线性预测,和
-所述历史实验室值的数量。
7.根据权利要求1至6中任一项所述的方法,其中,所述预测模型被附加地构造,以便除了所述至少一个实验室参量特征以外还考虑患者数据、例如年龄、性别、BMI和其他生物测量数据,例如身高、体重和/或诊断,检验结果、疗法和/或药物或给药的变化过程。
8.根据权利要求1至7中任一项所述的方法,其中,所述至少一个实验室参量特征中的至少一个取决于预给定的预测时间点。
9.根据权利要求1至8中任一项所述的方法,其中,所述预测模型包括深度神经网络、卷积神经网络、递归神经网络、支持向量机、随机森林模型、隐马尔可夫链模型和广义线性模型。
10.一种用于训练预测模型的方法,所述方法特别是用于与根据权利要求1至9中任一项所述的方法一起使用,具有以下步骤:
-提供至少一个实验室参量的至少一个实验室值变化过程,其中所述至少一个实验室值变化过程中的每一个说明了在至少三个历史时间点的所述至少一个实验室参量的历史实验室值的变化过程;
-根据在标签时间点前的相应的至少一个实验室值变化过程针对所述至少一个实验室参量中的每一个实验室参量确定至少一个实验室参量特征;
-创建训练数据集,其方式为,由针对所述至少一个实验室参量的所述至少一个实验室参量特征和作为标签的标签时间点的所述至少一个实验室参量的实验室值而形成每个训练数据集;
-根据所述训练数据集而训练基于数据的预测模型。
11.一种用于执行根据前述权利要求中任一项所述的方法之一的设备。
12.一种计算机程序产品,所述计算机程序产品包括指令,当由计算机执行程序时,所述指令使所述计算机执行根据权利要求1至10中任一项所述的方法的步骤。
13.一种机器可读存储介质,所述机器可读存储介质包括指令,当由计算机执行时,所述指令使所述计算机执行根据权利要求1至10中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020214050.2A DE102020214050A1 (de) | 2020-11-09 | 2020-11-09 | Computerimplementiertes Verfahren und Vorrichtung zum Durchführen einer medizinischen Laborwertanalyse |
DE102020214050.2 | 2020-11-09 | ||
PCT/EP2021/079474 WO2022096297A1 (de) | 2020-11-09 | 2021-10-25 | Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116490929A true CN116490929A (zh) | 2023-07-25 |
Family
ID=78483263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180075361.0A Pending CN116490929A (zh) | 2020-11-09 | 2021-10-25 | 用于执行医学的实验室值分析的计算机实现的方法和设备 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4241284A1 (zh) |
JP (1) | JP2023548253A (zh) |
CN (1) | CN116490929A (zh) |
DE (1) | DE102020214050A1 (zh) |
WO (1) | WO2022096297A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022114248A1 (de) | 2022-06-07 | 2023-12-07 | TCC GmbH | Verfahren sowie Vorhersagesystem zur Ermittlung der Eintrittswahrscheinlichkeit einer Sepsis eines Patienten |
CN115165553B (zh) * | 2022-06-10 | 2023-05-30 | 中复神鹰碳纤维股份有限公司 | 一种碳纤维复丝拉伸强度测试数值的取舍方法 |
EP4307309A1 (de) * | 2022-07-12 | 2024-01-17 | iunera GmbH & Co. KG | System, verfahren und anordnungen für das intelligente erstellen von ausgaben aufgrund von laborwerten und patientenmetadaten in dokumenten |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5967981A (en) | 1997-09-26 | 1999-10-19 | Siemens Corporate Research, Inc. | Time series prediction for event triggering |
US20140149329A1 (en) | 2012-04-19 | 2014-05-29 | Stephen Shaw | Near real time blood glucose level forecasting |
CN107203700B (zh) * | 2017-07-14 | 2020-05-05 | 清华-伯克利深圳学院筹备办公室 | 一种基于连续血糖监测的方法及装置 |
AU2019335192A1 (en) | 2018-09-07 | 2021-04-08 | Informed Data Systems Inc. D/B/A One Drop | Forecasting blood glucose concentration |
-
2020
- 2020-11-09 DE DE102020214050.2A patent/DE102020214050A1/de active Pending
-
2021
- 2021-10-25 WO PCT/EP2021/079474 patent/WO2022096297A1/de active Application Filing
- 2021-10-25 CN CN202180075361.0A patent/CN116490929A/zh active Pending
- 2021-10-25 EP EP21801453.8A patent/EP4241284A1/de active Pending
- 2021-10-25 JP JP2023550352A patent/JP2023548253A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022096297A1 (de) | 2022-05-12 |
DE102020214050A1 (de) | 2022-05-12 |
JP2023548253A (ja) | 2023-11-15 |
EP4241284A1 (de) | 2023-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10039485B2 (en) | Method and system for assessing mental state | |
JP6909078B2 (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
CN116490929A (zh) | 用于执行医学的实验室值分析的计算机实现的方法和设备 | |
US9861308B2 (en) | Method and system for monitoring stress conditions | |
US20190311809A1 (en) | Patient status monitor and method of monitoring patient status | |
CN101297297A (zh) | 医疗风险分层方法和系统 | |
RU2707720C2 (ru) | Система для автоматизированного анализа результатов лабораторных исследований и оповещения о риске в отделении интенсивной терапии | |
EP2864918B1 (en) | Systems and methods for generating biomarker signatures | |
US20190156956A1 (en) | Treatment selection support system and method | |
JP2017530849A (ja) | 生理データに基づく患者の継続的な心拍出量(cco)を予測する方法およびシステム | |
JP2023546866A (ja) | 臨床判断サポートを提供するためのシステムおよび方法 | |
Gomes et al. | Genetic architecture of cardiac dynamic flow volumes | |
JP5547639B2 (ja) | 診断マーカーの推定 | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
EP3588513A1 (en) | Apparatus and method for statistical processing of patient s test results | |
WO2023106960A1 (ru) | Способ прогнозирования наступления медицинского события в здоровье человека | |
CN108091390A (zh) | 补充自动化分析仪测量结果 | |
CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 | |
Blokh et al. | The Utility of Information Theory Based Methods in the Research of Aging and Longevity | |
CN117672495A (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 | |
CN114169530A (zh) | 卫生部门中患者检查设备的使用数据中的过程异常的基于人工智能的识别 | |
CN117612731A (zh) | 一种慢性病风险模型的构建方法 | |
Van Loon et al. | DYNAMIC AUTOREGRESSIVE MODELLING OF CRITICAL CARE PATIENTS AS A BASIS FOR HEALTH MONITORING |
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 |