CN116525104A - 一种心源性休克快速分期分诊系统、设备及可存储介质 - Google Patents
一种心源性休克快速分期分诊系统、设备及可存储介质 Download PDFInfo
- Publication number
- CN116525104A CN116525104A CN202310756943.6A CN202310756943A CN116525104A CN 116525104 A CN116525104 A CN 116525104A CN 202310756943 A CN202310756943 A CN 202310756943A CN 116525104 A CN116525104 A CN 116525104A
- Authority
- CN
- China
- Prior art keywords
- clinical
- cardiogenic shock
- rapid
- classification
- patient
- 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
- 206010007625 cardiogenic shock Diseases 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 241000256844 Apis mellifera Species 0.000 claims description 52
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 44
- 235000014655 lactic acid Nutrition 0.000 claims description 22
- 239000004310 lactic acid Substances 0.000 claims description 22
- 238000002922 simulated annealing Methods 0.000 claims description 20
- 238000007473 univariate analysis Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 210000002216 heart Anatomy 0.000 claims description 12
- 230000000004 hemodynamic effect Effects 0.000 claims description 10
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims description 4
- 108010082126 Alanine transaminase Proteins 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 22
- 238000010801 machine learning Methods 0.000 abstract description 13
- 201000010099 disease Diseases 0.000 description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 30
- 239000004973 liquid crystal related substance Substances 0.000 description 28
- 239000003814 drug Substances 0.000 description 20
- 229940079593 drug Drugs 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 15
- 208000017169 kidney disease Diseases 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 208000026106 cerebrovascular disease Diseases 0.000 description 7
- 238000002483 medication Methods 0.000 description 7
- 206010003658 Atrial Fibrillation Diseases 0.000 description 6
- 206010003662 Atrial flutter Diseases 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 5
- 230000003177 cardiotonic effect Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 208000031226 Hyperlipidaemia Diseases 0.000 description 4
- 238000000692 Student's t-test Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000000540 analysis of variance Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012353 t test Methods 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 206010033546 Pallor Diseases 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 238000000491 multivariate analysis Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000002700 urine Anatomy 0.000 description 3
- 206010010071 Coma Diseases 0.000 description 2
- 206010011703 Cyanosis Diseases 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- JWZZKOKVBUJMES-UHFFFAOYSA-N (+-)-Isoprenaline Chemical compound CC(C)NCC(O)C1=CC=C(O)C(O)=C1 JWZZKOKVBUJMES-UHFFFAOYSA-N 0.000 description 1
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 description 1
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 1
- 229930182837 (R)-adrenaline Natural products 0.000 description 1
- 206010001029 Acute pulmonary oedema Diseases 0.000 description 1
- 206010002942 Apathy Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- JRWZLRBJNMZMFE-UHFFFAOYSA-N Dobutamine Chemical compound C=1C=C(O)C(O)=CC=1CCNC(C)CCC1=CC=C(O)C=C1 JRWZLRBJNMZMFE-UHFFFAOYSA-N 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010058558 Hypoperfusion Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 208000034486 Multi-organ failure Diseases 0.000 description 1
- 208000010718 Multiple Organ Failure Diseases 0.000 description 1
- 206010036155 Poor peripheral circulation Diseases 0.000 description 1
- 208000010378 Pulmonary Embolism Diseases 0.000 description 1
- GXBMIBRIOWHPDT-UHFFFAOYSA-N Vasopressin Natural products N1C(=O)C(CC=2C=C(O)C=CC=2)NC(=O)C(N)CSSCC(C(=O)N2C(CCC2)C(=O)NC(CCCN=C(N)N)C(=O)NCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(CCC(N)=O)NC(=O)C1CC1=CC=CC=C1 GXBMIBRIOWHPDT-UHFFFAOYSA-N 0.000 description 1
- 102000002852 Vasopressins Human genes 0.000 description 1
- 108010004977 Vasopressins Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- KBZOIRJILGZLEJ-LGYYRGKSSA-N argipressin Chemical compound C([C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CSSC[C@@H](C(N[C@@H](CC=2C=CC(O)=CC=2)C(=O)N1)=O)N)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCN=C(N)N)C(=O)NCC(N)=O)C1=CC=CC=C1 KBZOIRJILGZLEJ-LGYYRGKSSA-N 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229960001089 dobutamine Drugs 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 229960000972 enoximone Drugs 0.000 description 1
- ZJKNESGOIKRXQY-UHFFFAOYSA-N enoximone Chemical compound C1=CC(SC)=CC=C1C(=O)C1=C(C)NC(=O)N1 ZJKNESGOIKRXQY-UHFFFAOYSA-N 0.000 description 1
- 229960005139 epinephrine Drugs 0.000 description 1
- 238000002618 extracorporeal membrane oxygenation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 229960001317 isoprenaline Drugs 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 229960000692 levosimendan Drugs 0.000 description 1
- WHXMKTBCFHIYNQ-SECBINFHSA-N levosimendan Chemical compound C[C@@H]1CC(=O)NN=C1C1=CC=C(NN=C(C#N)C#N)C=C1 WHXMKTBCFHIYNQ-SECBINFHSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 229960003574 milrinone Drugs 0.000 description 1
- PZRHRDRVRGEVNW-UHFFFAOYSA-N milrinone Chemical compound N1C(=O)C(C#N)=CC(C=2C=CN=CC=2)=C1C PZRHRDRVRGEVNW-UHFFFAOYSA-N 0.000 description 1
- 208000029744 multiple organ dysfunction syndrome Diseases 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 229960002748 norepinephrine Drugs 0.000 description 1
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 description 1
- 230000035778 pathophysiological process Effects 0.000 description 1
- 230000003836 peripheral circulation Effects 0.000 description 1
- 229960001802 phenylephrine Drugs 0.000 description 1
- SONNWYBIRXJNDC-VIFPVBQESA-N phenylephrine Chemical compound CNC[C@H](O)C1=CC=CC(O)=C1 SONNWYBIRXJNDC-VIFPVBQESA-N 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000013175 transesophageal echocardiography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000304 vasodilatating effect Effects 0.000 description 1
- 229960003726 vasopressin Drugs 0.000 description 1
- 238000003041 virtual screening Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种心源性休克快速分期分诊系统、设备及可存储介质，涉及智能医疗领域。所述系统包括获取单元、筛选单元和分类单元，获取单元用于获取患者临床信息；筛选单元基于机器学习算法筛选所述临床信息的中临床特征；分类单元基于所述临床特征进行分类，得到分类结果。本发明开发的系统基于患者临床特征来预测患者心源性休克的进展阶段，提高了分期诊断结果的准确性和科学性，避免因为医生的经验差异而带来主观性的评估差异，降低了医生的工作负担以及分期难度，加快病人的诊断和治疗过程，为医生提供量化的分期结果，具有重要的临床价值。
Description
技术领域
本发明涉及智能医疗领域，更具体地，涉及一种心源性休克快速分期分诊的系统、设备、计算机可读存储介质及其应用。
背景技术
心源性休克（cardiogenic shock, CS）是由心脏泵血功能衰竭而引起的休克，是由于心脏排血功能障碍，不能维持其最低限度的心排血量，导致血压下降，重要脏器和组织供血严重不足，引起全身性微循环功能障碍，从而出现以缺血、缺氧、代谢障碍及重要脏器损害为特征的病理生理过程。一直以来，在心源性休克的分期诊断过程中，医生的临床经验起着决定性的作用。由于CS的分期诊断牵涉到患者的体格检查、生物标记物和血液动力学指标的复杂变化，这要求医生具有大量的临床实践经验积累以及海量的文献阅读。由于诊断需要仔细斟酌和较高的专业素养，这无疑增加了医生临床诊断的压力。
为了解决上述问题，并提高临床医生诊断的准确率和效率，出现了越来越多的辅助诊断方法，其中就包括机器学习在医疗诊断分期中的应用。机器学习是一门人工智能的科学，机器学习方法使用计算机程序来模拟人类的学习活动，它研究通过计算机程序来获取新知识和新技能、并识别现有知识，以数据或以往的经验优化计算机程序的性能。机器学习方法作为一种重要的计算方法和高效的计算工具，已在应用于计算机辅助药物设计和虚拟筛选中取得了巨大的成效，在疾病预测和判断中也有广泛的应用。
发明内容
目前，CS的临床分期完全依赖于医生基于临床经验做出的主观判断，病情分期出现了些许的误差，影响了治疗效果，甚至危及患者的生命健康，这种情况的发生是医生、患者及其家属都无法承受的，因此，开发一种CS分期设备帮助医生做出更客观可靠的诊断迫在眉睫。
本发明基于患者的临床信息，判断患者心源性休克所处时期，并给予对应时期的治疗方案，辅助医生做出临床分期诊断，为患者生命健康保驾护航。
本发明公开了一种心源性休克快速分期分诊系统，包括：
获取单元，用于获取患者临床信息，所述临床信息包括：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；
筛选单元，基于机器学习算法筛选所述临床信息中的临床特征；
分类单元，将所述临床特征输入分类模型中，得到分类结果，所述分类模型为极限学习机，所述极限学习机由输入层、隐藏层和输出层组成，所述输入层接收临床特征作为输入，每个输入节点对应临床特征中的一个特征，输入层的节点数由输入的临床特征数确定；所述隐藏层包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重，所述分类结果为：患者的心源性休克分期为第一时期、第二时期、第三时期或其他期。
本发明公开了一种心源性休克快速分期分诊设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下心源性休克快速分期分诊方法，包括：
获取患者临床信息，所述临床信息包括：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；
基于机器学习算法筛选所述临床信息中的临床特征；
将所述临床特征输入分类模型中，得到分类结果，所述分类模型为极限学习机，所述极限学习机由输入层、隐藏层和输出层组成，所述输入层接收临床作为输入，每个输入节点对应临床特征中的一个特征，输入层的节点数由输入的临床特征数确定；所述隐藏层包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重，所述分类结果为：患者的心源性休克分期为第一时期、第二时期、第三时期或其他期。
进一步，采用进化蜂群算法筛选所述临床信息中的临床特征，所述进化蜂群算法的特征筛选方法主要步骤在于：
步骤1初始化蜜蜂群：随机初始化蜜蜂群的位置矩阵和速度矩阵/>，并计算每个蜜蜂的适应度值；
步骤2蜜蜂普通搜索：蜜蜂调整搜索速度和位置；
步骤3计算蜜蜂多样性：通过分析蜜蜂群体的多样性信息，来动态调整搜索策略，提升搜索的全局性和收敛速度；
步骤4搜索自适应步长调整：通过调整搜索步长来增强算法的搜索能力；
步骤5蜜蜂差分搜索：利用步骤4计算得到的搜索步长对蜜蜂群的位置进行更新；
步骤6蜜蜂混合更新：分别计算基于全局最优解更新的新位置和基于个体最优解更新的新位置，然后将两者综合起来，用于更新差分搜索更新后的蜜蜂位置。
进一步，所述临床特征包括以下一种或几种：年龄、性别、身体质量指数、左心射血分数、乳酸、谷丙转氨酶含量、病史。
进一步，所述极限学习机为模拟退火算法的极限学习机分类器，采用模拟退火算法优化极限学习机的隐藏层权重和偏置。
进一步，所述采用模拟退火算法优化极限学习机的隐藏层权重和偏置为将隐藏层权重和偏置设定为模拟退火算法的状态空间，以分类错误率作为能量函数计算迭代过程中计算新旧权重和偏置，模拟退火过程结束后，得到优化后的隐层权重和偏置。
进一步，所述分类模型构建过程中通过统计学和单变量分析的方法评估所述分类模型判断心源性休克快速分期分诊的分类性能。
进一步，所述统计学和单变量分析的方法包括：
使用专家人工分类结果作为参考标准；
计算统计学指标和单变量分析指标，所述统计学指标包括以下一种或几种：准确率、精确率、召回率、F1-score，所述单变量分支指标包括以下一种或几种：F值、t值；
根据所述统计学指标和单变量分析指标计算综合评价指标，通过调整概率权重来改善模型的分类性能。
进一步，所述计算综合评价指标SUAE的公式为：
其中，Sα, Sβ, Sγ, Sδ为权重系数，可根据实际情况由进行调整。Average F-value和Average t-value分别表示所有特征变量的F值和t值的平均值。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的心源性休克快速分期分诊设备中的心源性休克快速分期分诊方法。
本发明的优点：
1.本申请考虑治疗方案选择的临床需求，创造性的提出一种基于心源性休克快速分期分诊系统，该系统基于患者临床结果相关特征来预测心源性休克患者当前的疾病状态，帮助医生提前做好治疗方案。
2.根据患者心源性休克分期结果的不同提供相应的治疗方案，辅助医生做出治疗决策，对第二时期和第三时期患者的临床治疗措施进行了优化，显著改善了患者的预后病况。
3.本申请创新性的采用进化蜂群算法的特征选择方法，能够从高维、繁杂的数据中筛选出对于心源性休克快速分期分诊有用的特征，提高模型训练的效率和准确率；引入特征选择的稀疏性和多样性约束，提升搜索的全局性和收敛速度，进一步提高特征选择的精确度和稳定性。
4.本申请创新性的采用模拟退火算法的极限学习机分类器实现方法，极限学习机具有快速训练、高精度分类和可扩展性等优点，能够有效处理高维数据和大规模数据；通过模拟退火算法优化隐层权重和偏置，进一步提高分类器的性能。
5.本申请创新性的采用统计学和单变量分析的机器学习综合评价方法，综合考虑多个指标，更全面地评估了分类效果，通过调整权重来进一步优化模型分类性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1是一种本发明实施例提供的心源性休克快速分期分诊设备系统示意图；
图2是一种本发明实施例提供的心源性休克快速分期分诊设备示意图；
图3是一种本发明实施例提供的心源性休克快速分期分诊设备的方法流程示意图；
图4是一种本发明实施例提供的极限学习机的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种心源性休克快速分期分诊系统，包括：
获取单元101，用于获取患者临床信息，所述临床信息包括：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；
筛选单元102，用于筛选所述临床信息中的临床特征；
分类单元103，将所述临床特征输入分类模型中，得到分类结果，所述分类模型为极限学习机，所述极限学习机由输入层、隐藏层和输出层组成，所述输入层接收临床作为输入，每个输入节点对应临床特征中的一个特征，输入层的节点数由输入的临床特征数确定；所述隐藏层包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重，所述分类结果为：患者的心源性休克分期为第一时期、第二时期、第三时期或其他期。所述第一时期为心源性休克典型期，所述第二时期为心源性休克恶化期，所述第三时期为心源性休克终末期，所述其他期为不处于第一时期、第二时期、第三时期的分期结果。
心源性休克是指心脏无法有效地泵血，导致组织和器官灌注不足，从而引起的一种严重的心血管疾病。心源性休克分为风险期、休克前期、典型期、恶化期和终末期，其中，典型期、恶化期和终末期症状明显，病情严重，需要采取及时有效的治疗措施，上述三个阶段的特征如下：
典型期：血压下降、心率加快、尿量减少、皮肤苍白发冷、四肢末梢循环不足、意识障碍等，还可能伴随有胸痛、呼吸困难、心律失常等症状；恶化期：血压进一步下降、心率进一步加快、尿量骤减、皮肤苍白发绀、四肢末梢循环极差、神志淡漠或昏迷等，还可能伴随有心肌梗死、急性肺水肿、多脏器功能衰竭等严重的并发症；终末期：无法测量的低血压、极度的心率加快、无尿、四肢末梢冰冷、皮肤苍白发绀、昏迷等，还可能伴随有心跳骤停、心肌梗死、肺栓塞等严重的并发症。
图2是本发明实施例提供的一种心源性休克快速分期分诊设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下心源性休克快速分期分诊方法，所述方法流程图见图3，包括：
301：获取患者临床信息，所述临床信息包括：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；
在一个实施例中，患者基本信息包括下列五种：姓名、年龄、性别、BMI、病史；血液动力学表现是下列情况中的某一种：典型的心源性休克、容量性心源性休克、血管舒张性心源性休克、血管舒张性非心源性休克；影像学检查包括下列中的一种或几种：心电图、X射线、CT、经食管超声心动图；实验室检查包括下列中的一种或几种：心脏彩超、血常规、肝肾功、动脉血气、乳酸、心肌标志物。
302：筛选所述临床信息中的临床特征；
在一个实施例中，基于机器学习算法对获取的临床信息进行特征提取，得到与心源性休克分期相关特征、无关特征和冗余特征，其中，相关特征对心源性休克分期有帮助，可以提升机器学习算法的效果；无关特征对心源性休克分期没有帮助，不会给算法的效果带来任何提升；冗余特征不会给算法的效果带来提升，或者这种特征的信息可以由其他的特征推断出。
在一个实施例中，特征提取的机器学习算法有过滤法、封装法和嵌入法。过滤法（Filter）是按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征；封装法（Wrapper）是根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征，不断地使用不同的特征组合来测试学习算法进行特征选择；嵌入法（Embedded）是先试用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小排序选择特征。
在一个实施例中，相关特征包括患者临床信息中的以下一种或几种：年龄、性别、BMI、病史、血液动力学表现、心电图、心脏彩超、血常规、肝肾功、乳酸、心肌标志物、动脉血气。
在一个具体实施例中，可以预见的是，采集的数据包括患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果等，这些数据特征的维度高且繁杂，极易导致数据冗余现象发生，进一步影响心源性休克快速分期分诊的分类结果。故，本实施例提出一种基于进化蜂群算法的特征选择方法，用于筛选上述数据特征，减少特征维度，进而提高模型训练的效率和准确率。
首先，设全局最优解为，蜜蜂群的位置矩阵为/>，其中/>是蜜蜂的数量，每个蜜蜂的位置/>表示一个可行的特征选择方案。设速度矩阵为。基于进化蜂群算法的特征选择方法主要步骤在于：
1、初始化蜜蜂群
随机初始化蜜蜂群的位置矩阵和速度矩阵/>，并计算每个蜜蜂的适应度值。具体的，所述适应度值的计算方法引入了特征选择的稀疏性和多样性约束。
设目标函数为ROC曲线下的面积AUC，则目标函数可以定义为：
其中，为目标函数，/>为输入特征，/>为标签，/>为基于特征/>的分类器的输出，/>表示基于输入特征/>的分类器的AUC值，所述分类器为预设的随机森林分类器。
进一步地，计算稀疏性约束。引入一个稀疏性参数，通过该参数来控制特征选择的稀疏性。稀疏性惩罚项/>的计算方法如下：
其中，为稀疏性惩罚项，/>为输入特征，/>表示/>的/>范数，用于度量/>的稀疏性。/>为稀疏性参数，由人为设置。
进一步地，计算多样性约束。引入一个多样性参数，通过该参数来控制特征选择的多样性。多样性惩罚项/>的计算方法如下：
其中，是输入特征的均值，/>表示/>与/>的欧氏距离的平方，用于度量输入特征/>的多样性。
基于此，综合考虑目标函数值、稀疏性约束和多样性约束，适应度函数可以表示为：
进一步地，通过利用当前迭代次数所对应的特征计算适应度函数/>，得到的计算结果即为适应度值。
2、蜜蜂普通搜索
进一步地，蜜蜂根据以下公式调整搜索速度和位置：
其中，为惯性权重，由人为设置。/>和/>为学习因子，其初始值由人为设置。为随机数，取值范围为[0, 1]。/>为第/>个蜜蜂的历史最优位置，/>为全局最优位置。/>为普通搜索更新前的蜜蜂位置，/>为普通搜索更新后的蜜蜂位置。/>为普通搜索更新前的蜜蜂搜索速度，/>为普通搜索更新后的蜜蜂搜索速度。
3、计算蜜蜂多样性
在本实施例中，通过分析蜜蜂群体的多样性信息，来动态调整搜索策略，提升搜索的全局性和收敛速度。
具体的，在每一代迭代中，计算蜜蜂群体的多样性度量：
其中是蜜蜂群体的位置均值，/>为第/>个蜜蜂的位置，/>为蜜蜂的数量。
进一步地，若多样性度量低于预设地阈值，则说明蜜蜂群体的搜索行为过于集中，可能导致过早收敛，此时增加随机扰动力度，即增大学习因子/>和/>的值。若多样性度量/>高于设定阈值，说明蜜蜂群体的搜索行为过于分散，此时减小随机扰动力度，即减小学习因子/>和/>的值。其中，所述增大学习因子/>和/>的值的具体方式为增加其自身值的20%数值，减小学习因子/>和/>的值的具体方式为减小其自身值的20%数值。
4、搜索自适应步长调整
本实施例引入差分进化策略的思想，通过调整搜索步长来增强算法的搜索能力。具体的步长设置方法如下：
其中，为搜索步长，/>和/>分别为蜜蜂群中任意两个蜜蜂的位置，即表示为第/>个蜜蜂的位置和第/>个蜜蜂的位置。/>为差分权重。
为了增强算法的自适应性，本实施例采用基于历史信息的自适应方式来动态调整差分权重F的值。具体的，首先，收集所有在历史迭代过程中导致适应度改善的差分权重值，并计算其平均值，记为。进一步地，在每一次迭代中，使用以下公式来更新差分权重F：
其中，表示从[0, 1]的均匀分布中随机抽取一个数，/>是一个微小的正数，用于保证F值的正定性。基于此，可以根据历史信息来自适应地调整差分权重F，使其更加贴合当前的搜索状态，提高了算法的搜索效率和精度。
5、蜜蜂差分搜索
利用步骤4计算得到的搜索步长对蜜蜂群的位置进行更新，更新方式可以表示为：
其中，为普通搜索更新后的蜜蜂位置，/>为搜索步长，/>为差分搜索更新后的蜜蜂位置。
6、蜜蜂混合更新
在每一次的迭代过程中，分别计算基于全局最优解更新的新位置和基于个体最优解更新的新位置/>。然后将两者综合起来，以一定的比例/>来更新差分搜索更新后的蜜蜂位置/>，具体的计算方式如下：
其中，为基于全局最优解更新的新位置，/>为基于个体最优解更新的新位置，为差分搜索更新后的蜜蜂位置，/>为搜索步长，/>为全局最优位置，/>为第/>个蜜蜂的历史最优位置；/>为混合权重，范围为/>。蜜蜂混合更新的方式不仅考虑了全局最优解的指导，也考虑了个体最优解的引导，使得搜索更具有多样性和适应性，提高了特征选择的精确度和稳定性。
7、终止条件
当达到预设的最大迭代次数时，算法停止，并输出全局最优解，所述全局最优解对应所输出的最优特征组合；否则，返回步骤2。
在一个具体实施例中，发明人团队选择了以下一种或几种临床信息作为相关特征：年龄、性别、BMI、左心射血分数、乳酸、谷丙转氨酶、病史。年龄分为18-65岁和≥65岁两个类别；BMI分为＜20、20-25、＞25三个类别，BMI（Body Mass Index）即身体质量指数，是衡量人体胖瘦程度、是否健康的标准，计算公式：BMI=体重（千克）除以身高（米）的评分；左心射血分数（Left Ventricular Ejection Fractions, LVEF）分为＜40和≥40两个类别，LVEF是指每搏输出量占心室舒张末期容积量的百分比，心室收缩时并不能将心室的血液全部射入动脉，正常成人静息状态下，心室舒张期的容积：左心室约为145ml，搏出量为60-80ml，即射血完毕时心室尚有一定量的余血，把搏出量占心室舒张期容积的百分比称为射血分数，一般50%以上属于正常范围，＜40就是指搏出量占心室舒张期容积的百分比低于40%，搏出量低于正常水平；乳酸是否高于正常水平；谷丙转氨酶（ALT）分为≤200 U/L和＞200 U/L两个类别，ALT广泛存在于肝、心、骨骼肌和肾等脏器的细胞内，是急性干细胞损害的敏感标志；病史是检查患者是否存在以下一种或几种疾病：高血压、糖尿病、高脂血症、脑血管疾病、瓣膜病、心房颤动/颤振、肾脏疾病。
在一个实施例中，采用比数比（odds ratio, OR）和可信区间（confidenceinterval, CI）的值来描述第一时期、第二时期、第三时期患者临床结果相关的危险因素，见表1-3，其中，数值越大，代表了患者具有该临床特征的危险大，比如表1中单变量分析，年龄≥65岁患者的相对危险是年龄18-65岁患者的4.6倍。
比数比（odds ratio, OR）来表示实验组和对照组中的暴露（上述的临床特征或治疗措施）比例与非暴露比例的比值之比，是反映疾病与暴露之间关联强度的指标，其计算公式为： 。
其中，P1为实验组的暴露比例，P0为对照组的暴露比例。另外，P1也可定义为在暴露状态下的发病率，P0为在非暴露状态下的发病率，两种定义的计算结果完全相同。
可信区间（confidence interval, CI）是由两个数值界定的可信限（confidencelimit）构成，其中数值较小的一方称为下限，数值较大的一方称为上限。总体均数估计的95%可信区间表示该区间包括总体均数μ的概率为95%，即若作100次抽样算得100个可信区间，则平均有95个可信区间包括μ（估计正确），只有5个可信区间不包括μ（估计错误）。例如，表1中估计年龄≥65岁患者危险因素的平均水平，其95%的可信区间为2.21-9.54，说明年龄≥65岁患者危险因素的值被包含在这一区间的概率为95%。
在一个具体实施例中，处于第一时期的患者，具有以下特征的一种或几种，临床风险增高，所述特征有：年龄≥65岁，LVEF＜40，乳酸含量较高，具有以下一种或几种病史：高血压、脑血管疾病、瓣膜病、心房颤动/颤振、肾脏疾病，具体统计数据见表1。
单变量分析中，年龄≥65岁患者的相对危险是18-65岁患者的4.6倍，具有统计学意义（P＜0.001）；女性患者的相对危险是男性患者的1.69倍，不具有统计学意义（P=0.117）；BMI＜20患者的相对危险是BMI介于20-25患者的0.58倍，BMI＞25患者的相对危险是BMI介于20-25患者的0.61倍，患者的过胖或过瘦并不会增加患者的相对危险，甚至有降低危险的倾向，但是不具有统计学意义（P = 0.279）；LVEF＜40患者的相对危险是≥40患者的1.92倍，具有统计学意义（P＜0.018），即患者的心室搏出量越低，心源性休克的危险越大；患者体内乳酸含量越高，相对危险越大，高乳酸患者的相对危险是低乳酸患者的1.29倍，具有统计学意义（P＜0.018）；体内ALT含量＞200患者的相对风险是≤200患者的3.91倍，不具有统计学意义（P=0.068）；患者具有高血压的相对危险是无此病的2.17倍，具有统计学意义（P=0.039）；患者具有糖尿病的相对危险是无此病的1.12倍，不具有统计学意义（P=0.726）；患者具有高脂血症的相对危险是无此病的0.59倍，不具有统计学意义（P=0.153）；患者具有脑血管疾病的相对危险是无此病的1.96倍，具有统计学意义（P=0.042）；患者具有瓣膜病的相对危险是无此病的4.22倍，具有统计学意义（P=0.015）；患者具有心房颤动/颤振的相对风险是无此病的3.44倍，具有统计学意义（P=0.001）；患者具有肾脏疾病的相对风险是无此病的5.4倍，具有统计学意义（P＜0.001）。
多变量分析中，患者年龄，乳酸含量，患有瓣膜病、心房颤动/颤振、肾脏疾病仍是具有统计学意义的影响患者相对危险的临床因素。
在一个实施例中，处于第二时期的患者，具有以下特征的一种或几种，临床风险增高，所述特征有：乳酸含量较高，具有以下一种或几种病史：高血压、脑血管疾病、肾脏疾病，具体统计数据见表2。
单变量分析中，年龄≥65岁患者的相对危险是18-65岁患者的1.67倍，不具有统计学意义（P=0.076）；女性患者的相对危险是男性患者的1.49倍，不具有统计学意义（P=0.130）；BMI＜20患者的相对危险是BMI介于20-25患者的0.55倍，BMI＞25患者的相对危险是BMI介于20-25患者的0.64倍，患者的过胖或过瘦并不会增加患者的相对危险，甚至有降低危险的倾向，但是不具有统计学意义（P = 0.210）；LVEF＜40患者的相对危险是≥40患者的1.66倍，不具有统计学意义（P=0.052）；患者体内乳酸含量越高，相对危险越大，高乳酸患者的相对危险是低乳酸患者的1.24倍，具有统计学意义（P＜0.001）；体内ALT含量＞200患者的相对风险是≤200患者的1.93倍，不具有统计学意义（P=0.204）；患者具有高血压的相对危险是无此病的2.63倍，具有统计学意义（P=0.002）；患者具有糖尿病的相对危险是无此病的1.32倍，不具有统计学意义（P=0.283）；患者具有高脂血症的相对危险是无此病的0.69倍，不具有统计学意义（P=0.219）；患者具有脑血管疾病的相对危险是无此病的1.98倍，具有统计学意义（P=0.018）；患者具有瓣膜病的相对危险是无此病的3.89倍，不具有统计学意义（P=0.059）；患者具有心房颤动/颤振的相对风险是无此病的1.09倍，不具有统计学意义（P=0.805）；患者具有肾脏疾病的相对风险是无此病的2.1倍，具有统计学意义（P=0.011）。
多变量分析中，患者的乳酸含量和是否有肾脏疾病仍是具有统计学意义的影响患者相对危险的临床因素。
在一个实施例中，处于第三时期的患者，具有以下特征的一种或几种，临床风险增高，所述特征有：乳酸含量较高，具有以下一种或几种病史：糖尿病、脑血管疾病、肾脏疾病，具体统计数据见表3。
单变量分析中，年龄≥65岁患者的相对危险是18-65岁患者的1.67倍，不具有统计学意义（P=0.076）；女性患者的相对危险是男性患者的1.49倍，不具有统计学意义（P=0.130）；BMI＜20患者的相对危险是BMI介于20-25患者的0.55倍，BMI＞25患者的相对危险是BMI介于20-25患者的0.64倍，患者的过胖或过瘦并不会增加患者的相对危险，甚至有降低危险的倾向，但是不具有统计学意义（P = 0.210）；LVEF＜40患者的相对危险是≥40患者的1.66倍，不具有统计学意义（P=0.052）；患者体内乳酸含量越高，相对危险越大，高乳酸患者的相对危险是低乳酸患者的1.24倍，具有统计学意义（P＜0.001）；体内ALT含量＞200患者的相对风险是≤200患者的1.93倍，不具有统计学意义（P=0.204）；患者具有高血压的相对危险是无此病的2.63倍，具有统计学意义（P=0.002）；患者具有糖尿病的相对危险是无此病的1.32倍，不具有统计学意义（P=0.283）；患者具有高脂血症的相对危险是无此病的0.69倍，不具有统计学意义（P=0.219）；患者具有脑血管疾病的相对危险是无此病的1.98倍，具有统计学意义（P=0.018）；患者具有瓣膜病的相对危险是无此病的3.89倍，不具有统计学意义（P=0.059）；患者具有心房颤动/颤振的相对风险是无此病的1.09倍，不具有统计学意义（P=0.805）；患者具有肾脏疾病的相对风险是无此病的2.1倍，具有统计学意义（P=0.011）。
多变量分析中，患者的乳酸含量和患有肾脏疾病仍是具有统计学意义的影响患者相对危险的临床因素。
303：将所述临床特征输入分类模型中，得到分类结果，所述分类模型为极限学习机，所述极限学习机由输入层、隐藏层和输出层组成，所述输入层接收临床作为输入，每个输入节点对应临床特征中的一个特征，输入层的节点数由输入的临床特征数确定；所述隐藏层包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重，所述分类结果为：患者的心源性休克分期为第一时期、第二时期、第三时期或其他期。
现有的临床治疗中，当分期诊断结果为第一时期时，治疗方案可选择以下三者其中之一：给予升压药物治疗、强心药物治疗、机械支持治疗；当分期诊断结果为第二时期时，治疗方案可选择以下三者其中之一：给予升压和强心药物治疗、给予升压药物和机械支持治疗、给予强心药物和机械支持治疗；当分期诊断结果为第三时期时，治疗方案可选择以下两者之一：给予3种及以上的升压和强心药物治疗、给予2种及以上升压或强心药物治疗并给予机械循环支持治疗。
在一个具体实施例中，采用基于模拟退火算法的极限学习机分类器对心源性休克快速分期分诊数据进行分类。极限学习机由输入层、隐藏层和输出层组成，输入层接收特征选择后的数据作为输入，每个输入节点对应数据的一个特征，输入层的节点数由输入数据的特征数确定；隐藏层是极限学习机的核心部分，其中包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重。隐藏层的节点数是根据设计者的选择确定的，可以是任意数量；输出层由一个或多个节点组成，每个节点对应一个待预测的输出。极限学习机的示意图如图4所示。
本实施例提出的基于模拟退火算法的极限学习机分类器结合模拟退火算法进行极限学习机参数的更新。具体的，首先初始化隐层权重和偏置随机初始化极限学习机的隐层权重和偏置/>。
进一步地，采用模拟退火算法优化隐层权重和偏置，将隐层权重和偏置设定为模拟退火算法的状态空间，以分类错误率作为能量函数。
在极限学习机中，隐层的作用是将原始输入特征映射到一个更高维的特征空间中，希望在这个高维空间中数据更容易被线性分隔。然而，这种映射是随机的，不一定能最大限度地提取出数据中的有用信息。为了提高极限学习机的性能，本实施例在输入特征空间中引入随机投影，用于扩充特征空间。其中，所述随机投影是一种简单但有效的线性变换，可以将原始特征映射到一个更高维的空间中，同时保持数据的结构。首先使用随机投影将输入特征映射到一个更高维的空间，然后在这个扩充后的特征空间上训练模型。
具体的，生成一个随机矩阵，其中/>是输入特征的维数，/>是投影后的维数，/>表示矩阵的特征空间。进一步地，将输入特征/>通过随机矩阵/>投影到高维空间，得到投影后的特征/>，此过程可以表示为：
进一步地，使用投影后的特征来训练极限学习机模型，训练方式为模拟退火过程进行参数优化，具体的：
1、设定初始温度，温度下降系数/>，结束温度/>，以及每个温度下的迭代次数/>；
2、设定当前温度；
3、在当前温度下，执行次迭代。具体的，所述迭代过程需随机选取新的权重和偏置/>，然后计算新旧权重和偏置下的能量函数值（即分类错误率/>）。若，则接受新的权重和偏置；否则，以概率/>接受新的权重和偏置，所述概率/>的计算方式可以表示为：
/>
其中，为旧权重和偏置下的能量函数值，/>为新权重和偏置下的能量函数值，/>为更新概率，/>为概率权重，其初始值由人为设置。
4、降低温度：；
5、比较当前温度与预设截止温度/>的大小，若/>，则返回步骤3；否则，结束模拟退火过程。
基于此，模拟退火过程结束后，得到优化后的隐层权重和偏置。
进一步地，计算极限学习机的隐层输出。具体的，隐层输出可以通过以下方式计算：
其中，为极限学习机的隐层权重/>，/>为极限学习机的隐层偏置，/>是输入特征，/>是激活函数。具体的，所述激活函数为高斯混合激活函数，高斯混合激活函数由多个高斯分布组成，每个高斯分布具有不同的均值和方差，可以表示为：
其中，是高斯分布的数量，/>和/>分别是第/>个高斯分布的均值和方差，/>是每个高斯分布的权重。具体的，所述高斯分布的权重可以作为模型的可学习参数，在训练过程中通过优化算法进行更新。
进一步地，计算输出层权重，输出层权重的计算方法为：
其中，是/>的伪逆矩阵，/>是目标输出矩阵。
进一步地，利用训练好的极限学习机进行分类预测，具体方式可以表示为：
其中，是测试样本的输入特征，/>是分类预测结果。
在一个具体实施例中，可以预见的是，仅依靠机器学习模型判断心源性休克快速分期分诊类别是不完全可靠的。故，在利用基于模拟退火算法的极限学习机分类器完成分类任务后，需评估模型的分类性能，并根据模型的性能进行模型超参数的调整。
具体的，本实施例提出一种基于统计学和单变量分析的综合评价指标，综合考虑了多个统计学指标和单变量分析结果，以全面评估分类效果。
首先，收集一组专家人工分类结果，作为参考标准。假设有个专家人工分类的样本，/>表示第/>个样本的真实标签，/>表示该样本的人工分类结果。
进一步地，计算分类结果统计学指标。根据极限学习机的分类结果和真实标签，计算一系列统计学指标，包括准确率（accuracy）、精确率（precision）、召回率（recall）、F1-score。所述各个指标可以通过以下公式计算：
准确率（accuracy）：
/>
精确率（precision）：
召回率（recall）：
F1-score：
其中，TP表示真正例的数量，TN表示真反例的数量，FP表示假正例的数量，FN表示假反例的数量。
进一步地，对于每个特征变量，进行单变量分析，即使用t检验方法评估其对分类结果的影响。设检验数据有个特征变量，分别为/>。使用单变量分析方法计算每个特征变量对应的统计学指标，所述指标为t值。所述各个指标可以通过以下公式计算：
F值：
t值：
其中，各个元素的解释如下：
Between-group variance（组间方差）：指的是不同组之间的方差。在方差分析中，它是组间差异的度量，表示不同组均值之间的变异程度。
Number of groups（组数）：表示参与比较的组的数量，也称为处理组数。在方差分析中，它决定了组间自由度的计算方式。
Within-group variance（组内方差）：指的是同一组内部的方差。在方差分析中，它是组内差异的度量，表示组内各个观测值与组内均值之间的变异程度。
Number of samples（样本数）：表示参与分析的总样本数量。它是方差分析中自由度的计算基础。
Group mean difference（组均值差异）：表示两组样本的均值之差。它是t检验中用于衡量两组均值差异的指标。
Pooled variance（合并方差）：指的是两组样本方差的加权平均值。在t检验中，它是计算t值分母部分的关键元素。
Number of samples（样本数）：表示参与分析的总样本数量。它是t检验中自由度的计算基础。
进一步地，根据统计学指标和单变量分析结果，计算综合评价指标SUAE。可以使用以下公式计算SUAE：
/>
其中，为权重系数，可根据实际情况由进行调整。/>和分别表示所有特征变量的F值和t值的平均值。
基于此，通过计算得到的评价指标SUAE进行调整概率权重，具体调整方式为以固定比例增大或减小整概率权重/>的数值。
在发明人团队的临床研究中，基于951名第一时期患者、455名第二时期患者、474名第三时期患者的临床治疗数据，对第二时期、第三时期的临床治疗措施进行优化。第一时期患者中，725名仅接受一种药物，226名仅接受IABP，发现接受IABP治疗患者的相对危险是使用1种药物治疗患者的1.4倍，无统计学差异（P = 0.283）；第二时期患者中，229名接受了2种药物，226名接受了IABP加1种药物，发现接受IABP结合1种药物治疗患者的相对危险是接受2种药物治疗患者的0.48倍，具有统计学意义（P = 0.005）；第三时期患者中，200名接受了3种及以上药物，272名接受了IABP加2种以上药物，发现接受IABP加2种以上药物治疗患者的相对危险是接受3种及以上药物治疗患者的0.53倍，具有统计学意义（P = 0.022），具体统计值见表4。
在一个实施例中，升压药物包括下列中的一种或几种：多巴胺、去甲肾上腺素、肾上腺素、去氧肾上腺素、加压素；强心药物包括下列中的一种或几种：多巴酚丁胺、异丙肾上腺素、米力农、依诺昔酮、左西孟旦；机械支持治疗包括下列中的一种或几种：IABP、ECMO、Tandem Heart和Impella。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述心源性休克快速分期分诊方法。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
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步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种心源性休克快速分期分诊系统，其特征在于，所述系统包括：
获取单元，用于获取患者临床信息，所述临床信息包括：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；
筛选单元，用于筛选所述临床信息中的临床特征；
分类单元，将所述临床特征输入分类模型中，得到分类结果，所述分类模型为极限学习机，所述极限学习机由输入层、隐藏层和输出层组成，所述输入层接收临床特征作为输入，每个输入节点对应临床特征中的一个特征，输入层的节点数由输入的临床特征数确定；所述隐藏层包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重，所述分类结果为：患者的心源性休克分期为第一时期、第二时期、第三时期或其他期。
2.一种心源性休克快速分期分诊设备，其特征在于，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下心源性休克快速分期分诊方法，包括：
获取患者临床信息，所述临床信息包括：患者基本信息、血液动力学表现、影像学检查结果、实验室检查结果；
筛选所述临床信息中的临床特征；
将所述临床特征输入分类模型中，得到分类结果，所述分类模型为极限学习机，所述极限学习机由输入层、隐藏层和输出层组成，所述输入层接收临床作为输入，每个输入节点对应临床特征中的一个特征，输入层的节点数由输入的临床特征数确定；所述隐藏层包含大量的随机初始化的神经元，每个神经元与输入层的节点全连接，并具有随机初始化的权重，所述分类结果为：患者的心源性休克分期为第一时期、第二时期、第三时期或其他期。
3.根据权利要求2所述的心源性休克快速分期分诊设备，其特征在于，采用进化蜂群算法筛选所述临床信息中的临床特征，所述进化蜂群算法的特征筛选方法主要步骤在于：
步骤1初始化蜜蜂群：随机初始化蜜蜂群的位置矩阵和速度矩阵/>，并计算每个蜜蜂的适应度值；
步骤2蜜蜂普通搜索：蜜蜂调整搜索速度和位置；
步骤3计算蜜蜂多样性：通过分析蜜蜂群体的多样性信息，来动态调整搜索策略，提升搜索的全局性和收敛速度；
步骤4搜索自适应步长调整：通过调整搜索步长来增强算法的搜索能力；
步骤5蜜蜂差分搜索：利用步骤4计算得到的搜索步长对蜜蜂群的位置进行更新；
步骤6蜜蜂混合更新：分别计算基于全局最优解更新的新位置和基于个体最优解更新的新位置，然后将两者综合起来，用于更新差分搜索更新后的蜜蜂位置。
4.根据权利要求2所述的心源性休克快速分期分诊设备，其特征在于，所述临床特征包括以下一种或几种：年龄、性别、身体质量指数、左心射血分数、乳酸、谷丙转氨酶含量、病史。
5.根据权利要求2所述的心源性休克快速分期分诊设备，其特征在于，所述极限学习机为模拟退火算法的极限学习机分类器，采用模拟退火算法优化极限学习机的隐藏层权重和偏置。
6.根据权利要求5所述的心源性休克快速分期分诊设备，其特征在于，所述采用模拟退火算法优化极限学习机的隐藏层权重和偏置为将隐藏层权重和偏置设定为模拟退火算法的状态空间，以分类错误率作为能量函数计算迭代过程中计算新旧权重和偏置，模拟退火过程结束后，得到优化后的隐层权重和偏置。
7.根据权利要求2所述的心源性休克快速分期分诊设备，其特征在于，所述分类模型构建过程中通过统计学和单变量分析的方法评估所述分类模型判断心源性休克快速分期分诊的分类性能。
8.根据权利要求7所述的心源性休克快速分期分诊设备，其特征在于，所述统计学和单变量分析的方法包括：
使用专家人工分类结果作为参考标准；
计算统计学指标和单变量分析指标，所述统计学指标包括以下一种或几种：准确率、精确率、召回率、F1-score，所述单变量分支指标包括以下一种或几种：F值、t值；
根据所述统计学指标和单变量分析指标计算综合评价指标，通过调整概率权重来改善模型的分类性能。
9.根据权利要求8所述的心源性休克快速分期分诊设备，其特征在于，所述计算综合评价指标SUAE的公式为：
其中，Sα, Sβ, Sγ, Sδ为权重系数，可根据实际情况由进行调整，Average F-value和Average t-value分别表示所有特征变量的F值和t值的平均值。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求2-9任意一项所述的心源性休克快速分期分诊设备中的心源性休克快速分期分诊方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756943.6A CN116525104B (zh) | 2023-06-26 | 2023-06-26 | 一种心源性休克快速分期分诊系统、设备及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756943.6A CN116525104B (zh) | 2023-06-26 | 2023-06-26 | 一种心源性休克快速分期分诊系统、设备及可存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116525104A true CN116525104A (zh) | 2023-08-01 |
| CN116525104B CN116525104B (zh) | 2023-11-17 |
Family
ID=87394450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310756943.6A Active CN116525104B (zh) | 2023-06-26 | 2023-06-26 | 一种心源性休克快速分期分诊系统、设备及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116525104B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090149724A1 (en) * | 2007-12-05 | 2009-06-11 | Massachusetts Institute Of Technology | System and method for predicting septic shock |
| CN105224681A (zh) * | 2015-10-23 | 2016-01-06 | 武汉大学 | 基于家庭工作地上下文环境的用户需求获取方法及系统 |
| CN107480637A (zh) * | 2017-08-15 | 2017-12-15 | 重庆大学 | 基于心音特征的心衰分期方法 |
| US20180068083A1 (en) * | 2014-12-08 | 2018-03-08 | 20/20 Gene Systems, Inc. | Methods and machine learning systems for predicting the likelihood or risk of having cancer |
| RU2649760C1 (ru) * | 2017-07-11 | 2018-04-04 | ООО "СупраГен" | Способ лечения острого инфаркта миокарда с подъемом сегмента ST, осложненного кардиогенным шоком |
| US20190221309A1 (en) * | 2018-01-15 | 2019-07-18 | Chang Gung Memorial Hospital, Linkou | Coronary Artery Disease Screening Method by Using Cardiovascular Markers and Machine Learning Algorithms |
| CN112132102A (zh) * | 2020-09-28 | 2020-12-25 | 天津工业大学 | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 |
| CN114358394A (zh) * | 2021-12-16 | 2022-04-15 | 北京东土拓明科技有限公司 | 特征指标筛选方法、满意度预测模型构建方法及预测方法 |
| US20220122735A1 (en) * | 2019-10-25 | 2022-04-21 | Wise IOT Solutions | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud |
-
2023
- 2023-06-26 CN CN202310756943.6A patent/CN116525104B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090149724A1 (en) * | 2007-12-05 | 2009-06-11 | Massachusetts Institute Of Technology | System and method for predicting septic shock |
| US20180068083A1 (en) * | 2014-12-08 | 2018-03-08 | 20/20 Gene Systems, Inc. | Methods and machine learning systems for predicting the likelihood or risk of having cancer |
| CN105224681A (zh) * | 2015-10-23 | 2016-01-06 | 武汉大学 | 基于家庭工作地上下文环境的用户需求获取方法及系统 |
| RU2649760C1 (ru) * | 2017-07-11 | 2018-04-04 | ООО "СупраГен" | Способ лечения острого инфаркта миокарда с подъемом сегмента ST, осложненного кардиогенным шоком |
| CN107480637A (zh) * | 2017-08-15 | 2017-12-15 | 重庆大学 | 基于心音特征的心衰分期方法 |
| US20190221309A1 (en) * | 2018-01-15 | 2019-07-18 | Chang Gung Memorial Hospital, Linkou | Coronary Artery Disease Screening Method by Using Cardiovascular Markers and Machine Learning Algorithms |
| US20220122735A1 (en) * | 2019-10-25 | 2022-04-21 | Wise IOT Solutions | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud |
| CN112132102A (zh) * | 2020-09-28 | 2020-12-25 | 天津工业大学 | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 |
| CN114358394A (zh) * | 2021-12-16 | 2022-04-15 | 北京东土拓明科技有限公司 | 特征指标筛选方法、满意度预测模型构建方法及预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 杨波;张永恒;夏洪韬;杨建;: "应用人工神经网络模型优选心脏穿透伤急诊分类方法", 重庆医学, vol. 39, no. 15, pages 2002 - 2004 * |
| 熊伟丽 等: "基于差分蜂群算法的无线传感器网络节点分布优化", 控制工程, vol. 21, no. 6, pages 1036 - 1040 * |
| 王慧: "求解约束性多目标优化问题的粒子群算法及应用研究", 中国博士学位论文全文数据库 信息科技辑, no. 01, pages 1 - 113 * |
| 秦飞: "水库背水坡土壤入渗率和累计入渗量影响因素的试验研究", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 11, pages 1 - 56 * |
| 苏枫;张少衡;陈楠楠;王加红;姚建华;唐静辉;吴文美;陈德;: "基于机器学习分类判断算法构建心力衰竭疾病分期模型", 中国组织工程研究, vol. 18, no. 49, pages 7938 - 7942 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116525104B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210150693A1 (en) | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart | |
| US6533724B2 (en) | Decision analysis system and method for evaluating patient candidacy for a therapeutic procedure | |
| US9501622B2 (en) | Methods and systems for predicting sensitivity of blood flow calculations to changes in anatomical geometry | |
| US8554580B2 (en) | Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses | |
| EP3905257A1 (en) | Risk prediction for covid-19 patient management | |
| Rilinger et al. | Impact of pulse pressure on clinical outcome in extracorporeal cardiopulmonary resuscitation (eCPR) patients | |
| EP3896702A1 (en) | Cardiovascular assessment of patients suspected of having covid-19 | |
| Souza et al. | Identifying risk factors for heart failure: A case study employing data mining algorithms | |
| CN116525105B (zh) | 一种心源性休克预后预测预警系统、设备及可存储介质 | |
| CN117877725A (zh) | 非小细胞肺癌术后并发症风险预测模型的构建方法和装置 | |
| CN116525104B (zh) | 一种心源性休克快速分期分诊系统、设备及可存储介质 | |
| CN116525116B (zh) | 一种心源性休克实时风险预警监测系统、设备及可存储介质 | |
| Jia et al. | Tinyml design contest for life-threatening ventricular arrhythmia detection | |
| CN114049952A (zh) | 一种基于机器学习的术后急性肾损伤智能预测方法及装置 | |
| CN116230224A (zh) | 一种基于时序模型心力衰竭不良事件预测方法及系统 | |
| JP2022502197A (ja) | 木構造ベースのデータ探索方法およびデータ駆動型プロトコル | |
| Nissa et al. | Heart disease prediction using machine learning techniques | |
| Liu et al. | A machine learning method for predicting the probability of MODS using only non-invasive parameters | |
| Oumaima et al. | Deep Learning Approach as New Tool for Type 2 Diabetes Detection | |
| Takcı | Invasive, Non‐Invasive, Machine Learning, and Artificial Intelligence Based Methods for Prediction of Heart Failure | |
| Bamidele et al. | Survival model for diabetes mellitus patients’ using support vector machine | |
| Kowsalyadevi et al. | Predicting coronary artery disease using learning rate based snow leopard optimization with soft swish scaling based bidirectional long short‐term memory | |
| Sanatkhani | Hemodynamic Indices and Shape-Based Models of Left Atrial Appendage to Enhance Stroke Prediction in Atrial Fibrillation | |
| Deshmukh et al. | Heart Disease Prediction Using ML Algorithm | |
| WO2024086821A1 (en) | System and method of treatment of hypertrophic cardiomyopathy |
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 |