CN116530943B - 基于血气数据的麻醉深度检测装置 - Google Patents
基于血气数据的麻醉深度检测装置 Download PDFInfo
- Publication number
- CN116530943B CN116530943B CN202310819158.0A CN202310819158A CN116530943B CN 116530943 B CN116530943 B CN 116530943B CN 202310819158 A CN202310819158 A CN 202310819158A CN 116530943 B CN116530943 B CN 116530943B
- Authority
- CN
- China
- Prior art keywords
- index
- blood gas
- data
- incentive
- anesthesia
- 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.)
- Active
Links
- 239000008280 blood Substances 0.000 title claims abstract description 216
- 210000004369 blood Anatomy 0.000 title claims abstract description 216
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 104
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 51
- 238000012544 monitoring process Methods 0.000 claims description 41
- 230000001575 pathological effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002980 postoperative effect Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 161
- 238000000034 method Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 6
- 230000003444 anaesthetic effect Effects 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000004868 gas analysis Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 208000001889 Acid-Base Imbalance Diseases 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910001414 potassium ion Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4821—Determining level or depth of anaesthesia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Anesthesiology (AREA)
- Optics & Photonics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及智慧医疗领域，揭露一种基于血气数据的麻醉深度检测装置，包括：血气检测仪、手术数据采集仪、数据计算模块、数据显示模块及数据通讯模块。血气检测仪用于采集监测对象的血气检测数据并发送到数据通讯模块；手术数据采集仪用于采集监测对象的术前麻醉评估数据及手术实施数据并发送到数据通讯模块；数据通讯模块，用于将血气检测数据、术前麻醉评估数据及手术实施数据传输到数据计算模块，数据计算模块用于对血气检测数据、术前麻醉评估数据及手术实施数据分析计算得到监测对象的麻醉深度，通过数据通讯模块传输计算结果到数据显示模块；数据显示模块用于显示监测对象的麻醉深度。本发明可以提升术后病患麻醉深度检测的准确性。
Description
技术领域
本发明涉及智慧医疗领域，尤其涉及一种基于血气数据的麻醉深度检测装置。
背景技术
通常手术前需要对病患进行不同程度的麻醉实施，在手术中和手术后均需要对病患进行麻醉监护，时刻关注病患的麻醉状况，以便及时根据病患的麻醉深度的变化进行相应的生命支持。
当前麻醉监护较多依赖麻醉监测仪器，通常这些麻醉监测仪器比较昂贵，且较多监测病患的心电信号、脑电信号、神经活性数据，利用上述数据再结合人工神经网路模型对病患的中枢神经系统的变化进行分析，进而评估病患的麻醉深度。这种方式用以麻醉深度分析的数据比较单一，往往忽略了麻醉对病患除神经系统之外的其他方面的影响，相应的麻醉深度检测的准确度有待进一步地提升。
发明内容
本发明提供一种基于血气数据的麻醉深度检测装置，其主要目的在于提升术后病患麻醉深度检测的准确性。
为实现上述目的，本发明提供的一种基于血气数据的麻醉深度检测装置，包括：血气检测仪、手术数据采集仪、数据计算模块、数据显示模块及数据通讯模块；其中：
所述血气检测仪，用于采集监测对象的血气检测数据，并将所述血气检测数据发送到所述数据通讯模块；
所述手术数据采集仪，用于采集所述监测对象的术前麻醉评估数据及手术实施数据，并将所述术前麻醉评估数据及手术实施数据发送到所述数据通讯模块；
所述数据通讯模块将所述血气检测数据、所述术前麻醉评估数据及手术实施数据传输到所述数据计算模块；
所述数据计算模块用于生成所述血气检测数据对应的血气指标集，其中，所述血气指标集中每个血气指标包括血气指标结果值及血气指标参考值，并依次利用每个所述血气指标的血气指标结果值及血气指标参考值生成对应血气指标的特征向量，及生成所述术前麻醉评估数据及手术实施数据对应的诱因指标集，构建所述血气指标集中的血气指标与所述诱因指标集中的诱因指标之间的联动关系网络，根据所述联动关系网络中的每个血气指标与其相连的诱因指标之间的连接关系，对每个所述血气指标的特征向量进行加权，融合所述血气指标集的所有对加权后的特征向量，得到融合特征矩阵，对所述融合特征矩阵进行麻醉深度分类的激活计算，得到所述监测对象的麻醉深度，并将所述监测对象的麻醉深度通过所述数据通讯模块发送到所述数据显示模块；
所述数据显示模块，用于根据预设的格式显示所述监测对象的麻醉深度。
可选地，所述数据计算模块通过下述方法生成所述血气检测数据对应的血气指标集：
利用预设的元数据处理算法识别所述血气检测数据中的元数据对象及元数据辅助信息；
将所述元数据对象与预设的医疗检测指标字典进行模糊匹配，根据匹配结果确定每个所述元数据对象对应的血气指标；
对所述元数据辅助信息进行文本语义识别，选择文本语义识别为检测结果的辅助信息为血气指标结果值，选择文本语义识别结果为指标参考值的为血气指标参考值。
可选地，所述数据计算模块通过下述方法生成对应血气指标的特征向量：
获取所述血气指标的指标描述信息，将所述指标描述信息转换为文本向量；
计算所述血气指标结果值及血气指标参考值之间的差值，对所述差值进行归一化，并对归一化后的差值进行向量转换操作，得到数值向量；
拼接所述文本向量及所述数值向量得到所述血气指标的特征向量。
可选地，所述数据计算模块通过下述方法构建所述血气指标集中的血气指标与所述诱因指标集中的诱因指标之间的联动关系网络：
将所述血气指标集及所述诱因指标集组成指标队列，依次从所述指标队列中选择一个指标作为目标指标；
根据预设的病理规则，判断所述目标指标与所述指标队列中其他指标是否存在病理关系，将存在病理关系的两个指标相连，形成多个二元关系链；
依次以所述血气指标集中的一个血气指标为根节点，将所述根节点对应的二元关系链进行连接，形成该血气指标的关系树；
利用所述二元关系链将所述血气指标集对应的所有关系树进行串联，得到所述联动关系网络。
可选地，所述数据计算模块通过下述方法对每个所述血气指标的特征向量进行加权：
计算每个所述诱因指标的信息熵；
从所述血气指标集中依次选取一个血气指标作为目标监测指标；
根据所述目标监测指标在所述联动关系网络中对应的诱因指标的信息熵及该诱因指标与所述目标监测指标之间的最小连接数，计算所述诱因指标相对于所述目标监测指标的加权值；
计算所述目标监测指标的所有加权值的平均方差值，利用所述平均方差值对所述目标监测指标的特征向量进行加权，得到加权后的特征向量。
可选地，所述数据计算模块通过下述方法，生成所述术前麻醉评估数据及手术实施数据对应的诱因指标集：
根据预设的医疗检测指标字典对所述术前麻醉评估数据进行打标，得到术前诱因指标集，及对所述手术实施数据进行打标，得到手术诱因指标集；
将所述术前诱因指标集与所述手术诱因指标集的交集，作为所述诱因指标集。
本发明申请基于麻醉死亡大概率与气道相关的事实，利用血气检测仪采集监测对象的血气检测数据，同时，基于术前麻醉评估数据及手术实施数据，会直接或间接影响病患血气检测数据表现的考虑，利用手术数据采集仪采集所述监测对象的术前麻醉评估数据及手术实施数据，再利用数据计算模块根据所述血气检测数据、术前麻醉评估数据及手术实施数据，构建血气检测数据对应的血气指标与术前麻醉评估数据及手术实施数据对应的诱因指标之间的联动关系网络，根据所述联动关系网络中的每个血气指标与其相连的诱因指标之间的连接关系，对每个血气指标的特征向量进行加权，体现了不同血气指标对监测对象的麻醉深度的影响程度的不同，从而保障了所述数据计算模块根据融合所有加权后的特征向量的融合特征矩阵进行麻醉深度分类分析的准确性，因此，本发明申请提供的基于血气数据的麻醉深度检测装置可以提升术后病患麻醉深度检测的准确性。
附图说明
图1为本发明一实施例提供的基于血气数据的麻醉深度检测装置的结构示意图；
图2为本发明一实施例提供的基于血气数据的麻醉深度检测方法的流程示意图；
图3为本发明一实施例提供的基于血气数据的麻醉深度检测方法其中一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的基于血气数据的麻醉深度检测方法其中一个步骤的详细实施流程示意图；
图5为本发明一实施例提供的基于血气数据的麻醉深度检测方法其中一个步骤的详细实施流程示意图；
图6为本发明一实施例提供的基于血气数据的麻醉深度检测方法其中一个步骤的详细实施流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1所示，为本发明一实施例提供的基于血气数据的麻醉深度检测装置的结构示意图。所述基于血气数据的麻醉深度检测装置00包括：血气检测仪001、手术数据采集仪002、数据计算模块003、数据显示模块004及数据通讯模块005。其中，所述数据通讯模块005分别与所述血气检测仪001、所述手术数据采集仪002、所述数据计算模块003及所述数据显示模块004通信连接。
所述血气检测仪001，用于采集监测对象的血气检测数据，并将所述血气检测数据发送到所述数据通讯模块005；
所述手术数据采集仪002，用于采集所述监测对象的术前麻醉评估数据及手术实施数据，并将所述术前麻醉评估数据及手术实施数据发送到所述数据通讯模块005；
所述数据通讯模块005，用于将所述血气检测数据、所述术前麻醉评估数据及手术实施数据传输到所述数据计算模块003；
所述数据计算模块003，用于接收所述数据通讯模块005发送的所述血气检测数据、所述术前麻醉评估数据及手术实施数据，并对所述血气检测数据、所述术前麻醉评估数据及手术实施数据进行分析计算，得到所述监测对象的麻醉深度，将所述监测对象的麻醉深度通过所述数据通讯模块005发送到所述数据显示模块004；
所述数据显示模块004，用于根据预设的格式显示所述监测对象的麻醉深度。
示例性地，所述血气检测仪001可采用常规的血气分析采集器、血气分析仪等设备采集病患的血气检测数据。所述血气检测数据是指在常规医疗场景中，能够用来反应病患的肺的通气与换气功能、呼吸衰竭状况、血液酸碱失衡状况的检测参数，包括但不限于监测对象的血液中氧分压、二氧化碳分压、血氧饱和度，以及测定血液酸碱度、碳酸氢盐、阴离子间隙等参数。研究表明，大多数的麻醉死亡与气道相关，而基于血气检测数据的分析可以较为直接的反应出监测对象的呼吸状况，进而可用于评估监测对象的麻醉深度。通常，在手术开展期间及手术结束后监测对象麻醉苏醒之前，均需要对该监测对象进行麻醉深度检测，以保障该将监测对象麻醉安全。本发明实施例中，可以根据监测对象的手术实施时长、麻醉剂量的大小和病患的术前麻醉评估的等因素，设置采集监测对象的血气检测数据的频率。
可以理解的是，当所述监测对象需要实施麻醉后进行手术治疗时，通常在实施麻醉前需要对所述监测对象进行术前麻醉评估，所述术前麻醉评估数据包括但不限于：监测对象的病史详情、体格检查数据、手术的耐受性、特殊病情的危险系数、实施麻醉方式、麻醉剂量的大小等。所述手术实施数据是指在监测对象的手术实施中所产生的手术实施时长、病患的失血量、病患的最低血压、病患的最高血压等数据。术前麻醉评估数据及手术实施数据，都会直接或间接的影响病患血气检测数据的表现，进而影响病患麻醉实施的效果，因此，本发明实施例中，利用所述手术数据采集仪002采集所述监测对象的术前麻醉评估数据及手术实施数据。
示例性地，所述手术数据采集仪002可集成心电监护仪、血压监测仪、脉搏氧饱和度监测仪、监护仪等设备采集到的所述监测对象在手术实施前、手术实施中及手术实施后的生命体征数据及麻醉评估数据。
本发明实施例中，所述数据显示模块004根据预设的格式显示所述监测对象的麻醉深度。所述预设的格式可根据实际业务需要进行设置，例如，显示最近三个监测时间点的所述监测对象的麻醉深度，或者采用时间轴的方式，显示所述监测对象的麻醉深度随时间变化的情况。
详细地，所述数据计算模块003通过图2所述的流程方法对所述血气检测数据、所述术前麻醉评估数据及手术实施数据进行分析计算，得到所述监测对象的麻醉深度，包括：
S1、生成所述血气检测数据对应的血气指标集，其中，所述血气指标集中每个血气指标包括血气指标结果值及血气指标参考值；
可以理解的是，通常监测对象的血气检测数据是以一定规范的模板化的文本报告的形式存在，例如，血气分析检查报告，包括监测对象的个人基本信息、标本类型、送检医生、采样时间、检测时间、检测项目名称、测试结果、参考值、提示信息等。本发明实施例中，识别所述血气检测数据中的血气指标、血气指标结果值及血气指标参考值，其目的在于聚焦所述血气检测数据中的关键数据，以便提升后续利用该血气检测数据进行麻醉深度估算的效率。
详细地，参阅图3所示，所述生成所述血气检测数据对应的血气指标集，包括：
S11、利用预设的元数据处理算法识别所述血气检测数据中的元数据对象及元数据辅助信息；
S12、将所述元数据对象与预设的医疗检测指标字典进行模糊匹配，根据匹配结果确定每个所述元数据对象对应的血气指标；
S13、对所述元数据辅助信息进行文本语义识别，选择文本语义识别为检测结果的辅助信息为血气指标结果值，选择文本语义识别结果为指标参考值的为血气指标参考值。
本发明实施例中，可利用C++语言中的STL(Standard Template Library, 标准模板库)中提供的标准模板和算法，对所述血气检测数据进行元数据化处理。例如，在某一血气分析检查报告中，检测项目名称对应的条目为元数据，该条目对应的检测时间、采样时间、检测结果及参考值、提示信息均为该元数据对象的辅助信息。
本发明实施例中，所述预设的医疗检测指标字典是指医疗领域各类疾病的检测指标集合。
本发明实施例中，可以利用预先训练好的具有语义识别功能的神经网络模型对所述元数据对象辅助信息进行文本语义分析。
S2、依次利用每个所述血气指标的血气指标结果值及血气指标参考值生成对应血气指标的特征向量；
进一步地，由于所述血气指标、血气指标结果值及血气指标参考值由自然语言组成，若直接对所述血气指标结果值及血气指标参考值进行分析，会占用大量的计算资源，导致分析的效率低下，因此，本发明实施例中，通过利用血气指标结果值及血气指标参考值生成对应血气指标的的特征向量，进而实现将由自然语言表达的内容转换数值形式。
本发明一实施例中，参照图4所示，所述S2，包括：
S21、获取所述血气指标的指标描述信息，将所述指标描述信息转换为文本向量；
S22、计算所述血气指标结果值及血气指标参考值之间的差值，对所述差值进行归一化，并对归一化后的差值进行向量转换操作，得到数值向量；
S23、拼接所述文本向量及所述数值向量得到所述血气指标的特征向量。
本发明实施例中，可以利用所述预设的医疗检测指标字典获取对应血气指标的指标描述信息，本发明实施例中，可采用Glove(Global Vectors for Word Representation，全局词向量)、Embedding Layer等方法将指标描述信息转换为文本向量。
可以理解的是，有些血气指标的单位为百分比，例如，氧和血红蛋白浓度，有些血气指标的单位为每升的浓度，例如，钾离子。相应的，不能将不同血气指标的结果值与参考值产生的差值进行直接对比，因此需要对相应的差值进行归一化操作。本发明实施例中，所述归一化操作，可以采用计算该差值相对于参考值的偏移比例的方式，达到对多个差值的归一化的效果。
本发明实施例，通过识别所述血气检测数据中的血气指标、血气指标结果值及血气指标参考值，聚焦血气检测数据中的核心关键数据，并将该核心关键数据进行特征向量的转换，一方面，有利于提升后续的计算效率，另一方面，该特征向量涵盖了血气指标的文本特征及数值特征，能够有效地反应出检测对象的生命体征，提升了后续计算的准确性。
S3、生成所述术前麻醉评估数据及手术实施数据对应的诱因指标集；
本发明实施例中，可将上述两种数据与所述预设的医疗检测指标字典进行比较，得到指标集合，统计每种指标的出现频率，将出现频率大于预设频率阈值的指标汇集得到所述诱因指标集。
本发明另一可选实施例中，通过下述方法识别这两种数据中的需要重点关注的数据，即诱因指标：
根据预设的医疗检测指标字典对所述术前麻醉评估数据进行打标，得到术前诱因指标集，及对所述手术实施数据进行打标，得到手术诱因指标集；
将所述术前诱因指标集与所述手术诱因指标集的交集，作为所述诱因指标集。
本发明实施例中，所述预设的医疗检测指标字段可以理解为是一种指标库，可以利用Bert模型根据预设的医疗检测指标字典对所述术前麻醉评估数据及手术实施数据进行打标。
S4、构建所述血气指标集中的血气指标与所述诱因指标集中的诱因指标之间的联动关系网络；
可以理解的是，依照现有的病理知识，通常一个或多个术前麻醉评估数据或手术实施数据中的诱因指标发生变化，会引起监测对象的某个或某些血气指标的波动，本发明实施例通过构建所述血气指标集中的血气指标与所述诱因指标集中的诱因指标之间的联动关系网络，实现将这两种指标集合之间的病理关系的量化和直观化。
详细地，参阅图5所示，所述S4，包括：
S41、将所述血气指标集及所述诱因指标集组成指标队列，依次从所述指标队列中选择一个指标作为目标指标；
S42、根据预设的病理规则，判断所述目标指标与所述指标队列中其他指标是否存在病理关系，将存在病理关系的两个指标相连，形成多个二元关系链；
S43、依次以所述血气指标集中的一个血气指标为根节点，将所述根节点对应的二元关系链进行连接，形成该血气指标的关系树；
S44、利用所述二元关系链将所述血气指标集对应的所有关系树进行串联，得到所述联动关系网络。
本发明实施例中，所述预设的病理规则是指依据现有的病理知识梳理得到的，一个生命体征指标的变动会引起另外一个或多个生命体征指标的波动的规律。可根据所述监测对象的实际病情预先进行指定，例如，该检测对象手术麻醉前有心律失常的情况，可以获取心律失常这一病症存在的相关病理规则。
S5、根据所述联动关系网络中的每个血气指标与其相连的诱因指标之间的连接关系，对每个所述血气指标的特征向量进行加权；
可以理解的是，不同的诱因指标对于同一个血气指标的影响程度不同，同一诱因指标在不同的取值情况下，对同一血气指标的影响程度也会有所不同，本发明实施例结合诱因指标和血气指标在所述联动关系中分布情况，对每个血气指标的特征向量进行加权，可以如实反应不同的血气指标对监测对象的睡眠深度的影响程度，进而提升了最终睡眠程深度的分析的准确性。
本发明一实施例中，通过结合每个所述诱因指标的信息熵及该诱因指标在所述联动关系网络中相对于同一血气指标的路径深度，评估该诱因指标对同一血气指标的影响程度。
详细地，参阅图6所示，所述S5，包括：
S51、计算每个所述诱因指标的信息熵；
S52、从所述血气指标集中依次选取一个血气指标作为目标监测指标；
S53、根据所述目标监测指标在所述联动关系网络中对应的诱因指标的信息熵及该诱因指标与所述目标监测指标之间的最小连接数，计算所述诱因指标相对于所述目标监测指标的加权值；
S54、计算所述目标监测指标的所有加权值的平均方差值，利用所述平均方差值对所述目标监测指标的特征向量进行加权，得到加权后的特征向量。
可以理解的是，一个诱因指标的信息熵越大，该诱因指标对相应的血气指标的影响就越大，同时，如果该诱因指标与对应的血气指标之间的最短连接路径越短，则表示两者之间的影响关系更为直接，因此，一个诱因指标的信息熵越大、与血气指标之间的连接路径越短，则该诱因指标对该血气指标的加权值也就越高，反之同理。
S6、融合所述血气指标集的所有对加权后的特征向量，得到融合特征矩阵，对所述融合特征矩阵进行麻醉深度分类的激活计算，得到所述监测对象的麻醉深度。
本发明实施例中，所述血气指标集中的每个血气指标对应的特征向量均根据与之相关的诱因指标进行了加权，形成权重值不同的特征向量，符合不同的血气指标对所述监测对象的麻醉深度的不同的影响程度，将不同权重值的特征向量进行融合，得到融合特征矩阵，利用所述融合特征矩阵进行检测对象的麻醉深度分析，可以提升麻醉深度的分析的准确性。
本发明实施例中，可利用预先训练好的激活函数对所述融合特征矩阵进行麻醉深度分类的激活计算，即计算所述监测对象的血气检测数据对应的融合特征矩阵与预设的麻醉深度标签的相对概率值。所述预设的麻醉深度标签包括但不限于轻度、中度及深度。
本发明其中一个实施例中，可利用如下激活函数计算相对概率值：其中，/>为融合特征矩阵/>和麻醉深度标签/>之间的相对概率，/>为麻醉深度标签/>的权重向量，/>为求转置运算符号，/>为求期望运算符号，/>为预设的麻醉深度标签的数量。
本发明实施例中，可以选择最大的所述相对概率值对应的麻醉深度标签作为所述监测对象的麻醉深度分析结果。
本发明申请基于麻醉死亡大概率与气道相关的事实，利用血气检测仪采集监测对象的血气检测数据，同时，基于术前麻醉评估数据及手术实施数据，会直接或间接影响病患血气检测数据表现的考虑，利用手术数据采集仪采集所述监测对象的术前麻醉评估数据及手术实施数据，再利用数据计算模块根据所述血气检测数据、术前麻醉评估数据及手术实施数据，构建血气检测数据对应的血气指标与术前麻醉评估数据及手术实施数据对应的诱因指标之间的联动关系网络，根据所述联动关系网络中的每个血气指标与其相连的诱因指标之间的连接关系，对每个血气指标的特征向量进行加权，体现了不同血气指标对监测对象的麻醉深度的影响程度的不同，从而保障了所述数据计算模块根据融合所有加权后的特征向量的融合特征矩阵进行麻醉深度分类分析的准确性，因此，本发明申请提供的基于血气数据的麻醉深度检测装置可以提升术后病患麻醉深度检测的准确性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (1)
1.一种基于血气数据的麻醉深度检测装置，其特征在于，所述装置包括：血气检测仪、手术数据采集仪、数据计算模块、数据显示模块及数据通讯模块；其中：
所述血气检测仪，用于采集监测对象的血气检测数据，并将所述血气检测数据发送到所述数据通讯模块；
所述手术数据采集仪，用于采集所述监测对象的术前麻醉评估数据及手术实施数据，并将所述术前麻醉评估数据及手术实施数据发送到所述数据通讯模块；
所述数据通讯模块将所述血气检测数据、所述术前麻醉评估数据及手术实施数据传输到所述数据计算模块；
所述数据计算模块，用于生成所述血气检测数据对应的血气指标集，其中，所述血气指标集中每个血气指标包括血气指标结果值及血气指标参考值，并依次利用每个所述血气指标的血气指标结果值及血气指标参考值生成对应血气指标的特征向量，及生成所述术前麻醉评估数据及手术实施数据对应的诱因指标集，构建所述血气指标集中的血气指标与所述诱因指标集中的诱因指标之间的联动关系网络，根据所述联动关系网络中的每个血气指标与其相连的诱因指标之间的连接关系，对每个所述血气指标的特征向量进行加权，融合所述血气指标集的所有加权后的特征向量，得到融合特征矩阵，对所述融合特征矩阵进行麻醉深度分类的激活计算，得到所述监测对象的麻醉深度，并将所述监测对象的麻醉深度通过所述数据通讯模块发送到所述数据显示模块；
所述数据显示模块，用于根据预设的格式显示所述监测对象的麻醉深度；
其中：所述数据计算模块生成所述血气检测数据对应的血气指标集为：
利用预设的元数据处理算法识别所述血气检测数据中的元数据对象及元数据辅助信息；
将所述元数据对象与预设的医疗检测指标字典进行模糊匹配，根据匹配结果确定每个所述元数据对象对应的血气指标；
对所述元数据辅助信息进行文本语义识别，选择文本语义识别结果是检测结果的元数据辅助信息作为血气指标结果值，选择文本语义识别结果是指标参考值的元数数辅助信息作为血气指标参考值；
其中，所述数据计算模块生成对应血气指标的特征向量为：
获取所述血气指标的指标描述信息，将所述指标描述信息转换为文本向量；
计算所述血气指标结果值及血气指标参考值之间的差值，对所述差值进行归一化，并对归一化后的差值进行向量转换操作，得到数值向量；
拼接所述文本向量及所述数值向量得到所述血气指标的特征向量；
其中，所述数据计算模块构建所述血气指标集中的血气指标与所述诱因指标集中的诱因指标之间的联动关系网络为：
将所述血气指标集及所述诱因指标集组成指标队列，依次从所述指标队列中选择一个指标作为目标指标；
根据预设的病理规则，判断所述目标指标与所述指标队列中其他指标是否存在病理关系，将存在病理关系的两个指标相连，形成多个二元关系链；
依次以所述血气指标集中的一个血气指标为根节点，将所述根节点对应的二元关系链进行连接，形成该血气指标的关系树；
利用所述二元关系链将所述血气指标集对应的所有关系树进行串联，得到所述联动关系网络；
其中，所述数据计算模块对每个所述血气指标的特征向量进行加权为：
计算每个所述诱因指标的信息熵；
从所述血气指标集中依次选取一个血气指标作为目标监测指标；
根据所述目标监测指标在所述联动关系网络中对应的诱因指标的信息熵及该诱因指标与所述目标监测指标之间的最小连接数，计算所述诱因指标相对于所述目标监测指标的加权值；
计算所述目标监测指标的所有加权值的平均方差值，利用所述平均方差值对所述目标监测指标的特征向量进行加权，得到加权后的特征向量；
其中，所述数据计算模块生成所述术前麻醉评估数据及手术实施数据对应的诱因指标集为：
根据预设的医疗检测指标字典对所述术前麻醉评估数据进行打标，得到术前诱因指标集，及对所述手术实施数据进行打标，得到手术诱因指标集；
将所述术前诱因指标集与所述手术诱因指标集的交集，作为所述诱因指标集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310819158.0A CN116530943B (zh) | 2023-07-05 | 2023-07-05 | 基于血气数据的麻醉深度检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310819158.0A CN116530943B (zh) | 2023-07-05 | 2023-07-05 | 基于血气数据的麻醉深度检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116530943A CN116530943A (zh) | 2023-08-04 |
| CN116530943B true CN116530943B (zh) | 2023-09-22 |
Family
ID=87447457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310819158.0A Active CN116530943B (zh) | 2023-07-05 | 2023-07-05 | 基于血气数据的麻醉深度检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116530943B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117838063B (zh) * | 2024-03-04 | 2024-05-24 | 江西杰联医疗设备有限公司 | 麻醉场景下的生理信息预警处理系统及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2011142562A (ru) * | 2011-10-20 | 2013-04-27 | Виталий Михайлович Сокольский | Способ управления многокомпонентной анастезией при общехирургических вмешательствах |
| CN108231146A (zh) * | 2017-12-01 | 2018-06-29 | 华南师范大学 | 一种基于深度学习的医疗记录模型构建方法、系统及装置 |
| RU2017108684A (ru) * | 2017-03-15 | 2018-09-17 | Федеральное государственное бюджетное учреждение "Санкт-Петербургский многопрофильный центр" Министерства здравоохранения Российской Федерации | Способ проведения общей комбинированной анестезии по закрытому контуру у пациентов высокого анестезиологического риска |
| JP2019537304A (ja) * | 2016-09-29 | 2019-12-19 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | コードブックベースのチャネル状態情報のフィードバック方法及びデバイス |
| CN110664836A (zh) * | 2019-10-10 | 2020-01-10 | 暨南大学 | 一种树鼩急性肺损伤模型的建立方法及其应用 |
| CN113162793A (zh) * | 2021-01-06 | 2021-07-23 | 中国石油大学(华东) | 一种环境感知的用于网络测量的节点重要性度量方法 |
| CN114366030A (zh) * | 2021-12-31 | 2022-04-19 | 中国科学院苏州生物医学工程技术研究所 | 一种用于麻醉手术的智能辅助系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003241369A1 (en) * | 2003-05-06 | 2005-01-21 | Everest Biomedical Instruments | Anesthesia and sedation monitoring system and method |
| US11389171B2 (en) * | 2006-11-21 | 2022-07-19 | David S. Goldsmith | Integrated system for the infixion and retrieval of implants |
| US10050910B2 (en) * | 2014-04-25 | 2018-08-14 | Moogsoft, Inc. | Application of neural nets to determine the probability of an event being causal |
| US10169454B2 (en) * | 2016-05-17 | 2019-01-01 | Xerox Corporation | Unsupervised ontology-based graph extraction from texts |
-
2023
- 2023-07-05 CN CN202310819158.0A patent/CN116530943B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2011142562A (ru) * | 2011-10-20 | 2013-04-27 | Виталий Михайлович Сокольский | Способ управления многокомпонентной анастезией при общехирургических вмешательствах |
| JP2019537304A (ja) * | 2016-09-29 | 2019-12-19 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | コードブックベースのチャネル状態情報のフィードバック方法及びデバイス |
| RU2017108684A (ru) * | 2017-03-15 | 2018-09-17 | Федеральное государственное бюджетное учреждение "Санкт-Петербургский многопрофильный центр" Министерства здравоохранения Российской Федерации | Способ проведения общей комбинированной анестезии по закрытому контуру у пациентов высокого анестезиологического риска |
| CN108231146A (zh) * | 2017-12-01 | 2018-06-29 | 华南师范大学 | 一种基于深度学习的医疗记录模型构建方法、系统及装置 |
| CN110664836A (zh) * | 2019-10-10 | 2020-01-10 | 暨南大学 | 一种树鼩急性肺损伤模型的建立方法及其应用 |
| CN113162793A (zh) * | 2021-01-06 | 2021-07-23 | 中国石油大学(华东) | 一种环境感知的用于网络测量的节点重要性度量方法 |
| CN114366030A (zh) * | 2021-12-31 | 2022-04-19 | 中国科学院苏州生物医学工程技术研究所 | 一种用于麻醉手术的智能辅助系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116530943A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2631870C (en) | Residual-based monitoring of human health | |
| CN116530943B (zh) | 基于血气数据的麻醉深度检测装置 | |
| CN115497616B (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
| CN112541066A (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
| CN111008269A (zh) | 数据处理方法及装置、存储介质及电子终端 | |
| CN115579104A (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
| CN117672532B (zh) | 住院患者护理风险评估预警监控系统及方法 | |
| CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
| CN110811638A (zh) | 一种用于监测睡眠的svm分类器构建方法、系统及方法 | |
| AU2021236462A1 (en) | Residual-based monitoring of human health | |
| CN117158938A (zh) | 一种应用于智能手表的健康监测方法、装置及电子设备 | |
| KR102033484B1 (ko) | 적대적 인공지능 생성망 (gan)을 활용한 반려동물 검사의 정상범위 기준치 설정 방법 및 장치 | |
| CN116230213A (zh) | 一种智能伤情识别方法及系统 | |
| CN113743345B (zh) | 一种基于ceemdan-sae的矿工疑似职业病识别方法 | |
| Zaeni et al. | Fatigue detection using decision tree method based on PPG signal | |
| Ogungbe et al. | Design and Implementation of Diagnosis System for Cardiomegaly from Clinical Chest X-ray Reports | |
| Kakudi et al. | Predicting metabolic syndrome using risk quantification and ensemble methods | |
| KR102624676B1 (ko) | 스마트폰으로 수집한 기침음, 호흡음, 성음 측정 데이터를 이용한 호흡기 질환 예측 방법 | |
| Kauppi et al. | A framework for constructing benchmark databases and protocols for retinopathy in medical image analysis | |
| CN117612725B (zh) | 一种用于重症监护室的呼吸机警报管理方法及系统 | |
| CN117387909B (zh) | 一种医用光学仪器性能检测系统 | |
| CN111419249B (zh) | 一种抑郁预测模型的生成方法和预测系统 | |
| CN116469566A (zh) | 一种基于数据处理管道的脓毒症预测模型的构建和使用方法及系统 | |
| CN118212939A (zh) | 一种婴儿哭声的检测翻译方法及系统 | |
| CN114724726A (zh) | 一种用于耳鼻喉科的诊断试验的可视化评估方法 |
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 |