CN116741384A - 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 - Google Patents
一种基于床旁护理的重症急性胰腺炎临床数据管理方法 Download PDFInfo
- Publication number
- CN116741384A CN116741384A CN202311013157.3A CN202311013157A CN116741384A CN 116741384 A CN116741384 A CN 116741384A CN 202311013157 A CN202311013157 A CN 202311013157A CN 116741384 A CN116741384 A CN 116741384A
- Authority
- CN
- China
- Prior art keywords
- pancreatitis
- data management
- bedside
- clinical data
- severe acute
- 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
- 206010033645 Pancreatitis Diseases 0.000 title claims abstract description 133
- 238000013523 data management Methods 0.000 title claims abstract description 73
- 206010033647 Pancreatitis acute Diseases 0.000 title claims abstract description 63
- 201000003229 acute pancreatitis Diseases 0.000 title claims abstract description 63
- 229940004922 bedside-care Drugs 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000474 nursing effect Effects 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000000556 factor analysis Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000011161 development Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000011119 multifactor regression analysis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 3
- 208000024891 symptom Diseases 0.000 description 7
- 238000013480 data collection Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008383 multiple organ dysfunction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000004768 organ dysfunction Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000002194 synthesizing 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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及医学数据信息管理技术领域,具体公开了一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其方法包括:通过收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据,同时对轻症胰腺炎进行HAPS评分和重症急性胰腺炎样本进行Marshall评分;通过对床旁护理数据进行单因素分析,对所得差异体征数据进行多因素分析,构建基于床旁护理评估的重症急性胰腺炎临床数据管理模型,再对临床数据管理模型进行ROC曲线下面积检验评测,将HAPS评分以及Marshall评分进行相关性分析,构建轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数,将差异变化系数导入临床数据管理模型,再次进行ROC曲线下面积检验评测,进而精确优化临床数据管理模型。
Description
技术领域
本发明涉及医学数据信息管理的技术领域,特别涉及一种基于床旁护理的重症急性胰腺炎临床数据管理方法。
背景技术
重症急性胰腺炎病症是一种致死率极高的疾病,容易造成器官功能障碍甚至休克,若不能得到及时的救治,在超过48h的情况下,会导致心血管系统,肾脏和呼吸系统损伤等多种器官损伤,研究发现,国内急性胰腺炎发病率逐年增加,而一些轻症者,在缺少预前性的干预时,会有在一至两天的时间内发展成重症的风险,且重症病死率高达20-30%,因此,对急性胰腺炎进行早期识别预测显得至关重要。
研究表明,准确对重症急性胰腺炎症状变化的识别,能够有效减少急性胰腺炎造成的并发症,对改善预后有着重要意义;现今对于重症急性胰腺炎的症状数据信息多依靠于实验室检查和影像学结果,而实验室的检测结果缓慢,影像结果虽然科学性强,但是影像指标复杂,所要检测项目较多,评估周期长,且获得最终结果报告至少需一天的时间,无法短时间多次反复检查,及时监测急性胰腺炎病症发展。而床旁护理,有着监测和干预的特性,能够及时观察病症的变化,根据生命特征,疾病状况和生理反应的变化,及早发现异常情况,采取有效的干预,能够及时记录评估患者的状态,如果能够以床旁护理的数据构建出及时反应胰腺炎病症发展变化的模型,将能够在护士对胰腺炎病人看护过程中,提供有效的护理依据。
基于以上特点,以床旁护理记录的数据为基点,通过对数据和信息的处理,提供了一种基于床旁护理的重症急性胰腺炎临床数据管理方法。
发明内容
本发明的目的在于提供一种基于床旁护理的重症急性胰腺炎临床数据管理方法,通过床旁护理数据的收集,对收集到的床旁护理数据的单因素和多因素分析,能够快速建立基于床旁护理评估的重症急性胰腺炎临床数据管理模型,所得临床数据管理模型有益于针对重症急性胰腺炎的研究,能够快速对床旁护理的表征指标进行数据信息管理。
为了达成以上目的,本发明采取的技术方案为:一种基于床旁护理的重症急性胰腺炎临床数据管理方法,包括以下具体步骤:
步骤一,收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据,同时对轻症胰腺炎进行HAPS评分和重症急性胰腺炎样本进行Marshall评分;
步骤二,对采集到的轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据进行单因素分析,对所得差异体征数据再进行多因素分析,构建基于床旁护理评估的重症急性胰腺炎临床数据管理模型,模型公式为:
;
其中,Y为逻辑斯蒂多因素回归构建临床数据管理模型的评分值,n为组内个体数,i为组内个体测量特征指标名称,为组内个体测量特征指标的系数,/>为组内个体测量特征指标数值,/>为逻辑斯蒂多因素回归构建临床数据管理模型的常数;
步骤三,对临床数据管理模型进行ROC曲线下面积(AUC)检验评测;
步骤四,将HAPS评分以及Marshall评分进行相关性分析,引入误差系数,降低HAPS评分和Marshall评分之间的时间误差影响,构建轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数;
;
其中,为轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数,/>为HAPS评分以及Marshall评分进行相关性分析误差系数,a为轻症胰腺炎组中的HAPS评分平均值,b为重症急性胰腺炎样本组中的Marshall评分值;
步骤五,将差异变化系数导入临床数据管理模型,再次进行ROC曲线下面积(AUC)检验评测,进而精确优化临床数据管理模型。
进一步的,在步骤一中,收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据时间点设定为初始就诊和就诊后的24h,HAPS评分为无害性急性胰腺炎评分;Marshall评分为多器官功能障碍评分。
进一步的,在步骤二中,对收集到的床旁护理数据进行单因素分析的时间点为就诊后的24h,对收集到的床旁护理数据进行单因素分析的时间点为就诊后的24h,以所收集的床旁护理数据的表征指标数值变化为自变量,因变量为轻症和重症胰腺炎病症发展的评分,使用SPSS软件进行单一自变量数值变化对因变量数值变化的差异性的分析,所用公式为:
;
其中,为轻症和重症胰腺炎病症发展的评分值,/>和/>为单一床旁护理数据的变化系数,/>为单一床旁护理表征指标的数据,z为常数。
进一步的,在步骤二中,单因素分析,设置差异性值小于0.3,用于扩大样本床旁护理表征的指标,依据单因素分析筛选出具有差异性的指标数据,将各指标数据值与正常指标数据进行对比,进而限定床旁护理指标数据的范围于0-1之间,以限定后的各床旁护理指标数据值为多因素自变量,以重症胰腺炎临床评分值为因变量,进行逻辑斯蒂多因素回归分析,再导入以综合床旁护理指标数据变化得出的标准误,为个体检测特征指标的系数,构建临床数据管理模型,其中,所用逻辑斯蒂多因素回归分析的公式为:
;
其中,为因变量重症胰腺炎临床数据评分值,/>-/>为重症胰腺炎床旁护理逻辑斯蒂多因素回归分析的系数,n为重症胰腺炎床旁护理的差异表征指标数量,/>为重症胰腺炎床旁护理的差异表征指标的数值。
进一步的,在步骤二中,在逻辑斯蒂多因素回归临床数据管理模型构建的过程中,将床旁护理数据进行初步分类,选取70%的分类后数据作为训练集,剩余数据作为验证集。
进一步的,在步骤二中,模型的评估采用准确率,精确率和召回率的评估方式进行评估,验证方法采用K折交叉验证。
进一步的,在步骤三中,对AUC评测的准确性赋以分值,以一类、二类和三类为梯度,其中一类为高质量模型,二类为中等模型,三类为低质量模型,AUC在0.5-0.7之间代表三类的准确性,在0.7-0.9之间代表二类的准确性,在0.9往上代表一类的准确性,用以判断临床数据管理模型的可靠性。
进一步的,在步骤五中,将HAPS评分以及Marshall评分与床旁护理的临床数据管理模型进行比较。
进一步的,在步骤五中,ROC曲线下面积(AUC)检验评测所需数据类型分为临床数据管理模型正确判断出胰腺炎程度的真阳例,正确判断出不存在胰腺炎的真阴例和错误判断出胰腺炎程度的为假阳例,所用AUC检验评测公式为:;
其中,为ROC曲线下面积(AUC)检验评测结果,/>为临床数据管理模型正确判断出胰腺炎程度的真阳例数,/>为正确判断出不存在胰腺炎的真阴例数,/>为错误判断出胰腺炎程度的为假阳例数。
本发明的有益效果是:通过单因素分析能够初步筛选出具有差异性的轻症胰腺炎和重症急性胰腺炎样本的床旁护理对比数据,再通过多因素分析能够快速得到差异性更强的重症急性胰腺炎的床旁护理体征指标,进而获取基于床旁护理评估的重症急性胰腺炎临床数据管理模型,再通过ROC曲线下面积的检验评测,对临床数据管理模型进行评估,结合HAPS评分以及Marshall评分进行相关性分析,对临床数据管理模型优化,再进行ROC曲线下面积的检验评测,能够得到高精准,高召回率的临床数据管理模型;所得临床数据管理模型有益于针对重症急性胰腺炎的研究,且能够快速获取床旁护理的表征指标。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合实例对本发明的原理,特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围;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。
实施例一。一种基于床旁护理的重症急性胰腺炎临床数据管理方法,包括以下具体步骤:
步骤一,收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据,同时对轻症胰腺炎进行HAPS评分和重症急性胰腺炎样本进行Marshall评分;
从医院病理数据库筛选目的数据,将所筛选出的数据集分为建模集,验证集和测试集,总样本量300例,建模集210例,验证集和测试集为45例,依据数据采集计划,分配好数据收集人员,并依据人员工作时间,进行时间安排,数据采集后,进行分类归纳,区分轻症和重症数据,最终汇总统一保存;
步骤二,对采集到的轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据进行单因素分析,对所得差异体征数据再进行多因素分析,构建基于床旁护理评估的重症急性胰腺炎临床数据管理模型;
步骤三,对临床数据管理模型进行ROC曲线下面积(AUC)检验评测;
步骤四,将HAPS评分以及Marshall评分进行相关性分析,引入误差系数,降低HAPS评分和Marshall评分之间的时间误差影响,构建轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数;
;
其中,为轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数,/>为HAPS评分以及Marshall评分进行相关性分析误差系数,a为轻症胰腺炎组中的HAPS评分平均值,b为重症急性胰腺炎样本组中的Marshall评分值;
步骤五,将差异变化系数导入临床数据管理模型,再次进行ROC曲线下面积(AUC)检验评测,进而精确优化临床数据管理模型。
在本实施例中,收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据时间点设定为初始就诊和就诊后的24h。
在本实施例中,对收集到的床旁护理数据进行单因素分析的时间点为就诊后的24h。
在本实施例中,单因素分析,设置差异性值小于0.01,用于扩大样本床旁护理表征的指标,依据单因素分析筛选出具有差异性的指标数据,将各指标数据值与正常指标数据进行对比,进而限定床旁护理指标数据的范围于0-1,以限定后的各床旁护理指标数据值为多因素自变量,以胰腺炎临床数据为因变量,进行逻辑斯蒂多因素回归分析,再导入以综合床旁护理指标数据变化得出的标准误,为个体检测特征指标的系数,构建临床数据管理模型;
;
其中,Y为逻辑斯蒂多因素回归构建临床数据管理模型的评分值,n为组内个体数,i为组内个体测量特征指标名称,为组内个体测量特征指标的系数,/>为组内个体测量特征指标数值,/>为逻辑斯蒂多因素回归构建临床数据管理模型的常数。
进一步的,在逻辑斯蒂多因素回归临床数据管理模型构建的过程中,将床旁护理数据进行初步分类,选取70%的分类后数据作为训练集,剩余数据作为验证集。
进一步的,模型的评估采用准确率,精确率和召回率的评估方式进行评估,验证方法采用K折交叉验证,过程步骤为:
(1)将所需验证的数据集划分为K个大小相似的子集;
(2)选取一个子集作为测试集,其余剩下的子集进行训练,成为训练集,训练集的数据进行训练学习处理,经过训练得出模型;
(3)使用测试集对所得训练集的评估模型及进行测试,检测模型的性能;
(4)重复步骤2-3,不重复选择测试集,其余剩下的作为训练集,对K次评估结果,进行去差异平均。
进一步的,对准确率、精确率和召回率进行解释为:准确率为模型样本中正确集的比例,所用公式为,(真正例+真反例)/(真正例+假正例+真反例+假反例),以0-1设置取值范围,0.9-1之间为高质量分类模型;精确率为正例样本中真正的正例比例,公式为真正例/(真正例+假正例),设定0.9-1为高识别正例模型;召回率为正确预测正例的样本和实际真正正例样本数之间的比例,公式为真正例数/(真正例数+假反例数),设定0.9-1为高召回率,能够减少漏判真正的正例样本量。
进一步的,对真正例、假正例、真反例和假反例进行解释,其中,真正例为模型正确地将样本数据预测为正例,假正例为模型错误地将负例样本预测为正例,真反例为模型正确地将样本预测为负例,假反例为模型错误地将正例样本预测为负例。
进一步的,对AUC评测的准确性赋以分值,以一类、二类和三类为梯度,其中一类为高质量模型,二类为中等模型,三类为低质量模型,AUC在0.5-0.7之间代表三类的准确性,在0.7-0.9之间代表二类的准确性,在0.9往上代表一类的准确性,用以判断临床数据管理模型的可靠性,对AUC的具体解释如下:
(1)以真正例率作为纵轴,以假正例率为横轴绘制ROC曲线;
(2)以曲线下的面积计算并定义AUC,取值范围定为0-1,越接近1表示模型性能越好,而较弱的为0.5往下。
进一步的,将HAPS评分以及Marshall评分与床旁护理的临床数据管理模型进行比较。
进一步的,ROC曲线下面积(AUC)检验评测所需数据类型分为临床数据管理模型正确判断出胰腺炎程度的真阳例,正确判断出不存在胰腺炎的真阴例和错误判断出胰腺炎程度的为假阳例,所用检验评测公式为:
;
其中,为ROC曲线下面积(AUC)检验评测结果,/>为临床数据管理模型正确判断出胰腺炎程度的真阳例数,/>为正确判断出不存在胰腺炎的真阴例数,/>为错误判断出胰腺炎程度的为假阳例数。
进一步的,通过单因素分析能够初步筛选出具有差异性的轻症胰腺炎和重症急性胰腺炎样本的床旁护理对比数据,再通过多因素分析能够快速得到差异性更强的重症急性胰腺炎的床旁护理体征指标,进而获取基于床旁护理评估的重症急性胰腺炎临床数据管理模型,再通过ROC曲线下面积的检验评测,对临床数据管理模型进行评估,结合HAPS评分以及Marshall评分进行相关性分析,对临床数据管理模型优化,再进行ROC曲线下面积的检验评测,能够得到高精准,高召回率的临床数据管理模型;所得临床数据管理模型有益于针对重症急性胰腺炎的研究,且能够快速获取床旁护理的表征指标。
进一步的,对未被优化的模型进行测试,再经过ROC曲线下面积的检验,其AUC对临床数据管理模型的评分被划分为三类,且精准率,准确率和召回率低于0.5,随后继续测试优化后的临床数据管理模型,AUC评估上升至二类,且精准率,准确率和召回率高于0.5。
实施例二。为了进一步优化临床数据管理模型,我们将原始床旁护理的数据库扩充至600例,将所筛选出的数据集分为建模集,验证集和测试集,建模集420例,验证集和测试集为90例,依据数据采集计划,分配好数据收集人员,并依据人员工作时间,进行时间安排,数据采集后,进行分类归纳,区分轻症和重症数据,最终汇总统一保存;
重复实施例一中的步骤,得到临床数据管理模型,将管理模型进行AUC检测,再分析模型精准率,准确率和召回率,最终结果与实施例相比数值均有上升。
基于以上实施,通过增加分析数据的样本量能够提升模型的质量,因此,将所筛选出总样本量再次扩展至1200例,分为建模集,验证集和测试集,其中,建模集840例,验证集和测试集为180例,通过细化单因素分析和多因素分析进行综合分析建模。
进一步的,对收集到的床旁护理数据进行单因素分析的时间点为就诊后的24h,对收集到的床旁护理数据进行单因素分析的时间点为就诊后的24h,以所收集的床旁护理数据的表征指标数值变化为自变量,因变量为轻症和重症胰腺炎病症发展的评分,使用SPSS软件进行单一自变量数值变化对因变量数值变化的差异性的分析,所用公式为:
;
其中,为轻症和重症胰腺炎病症发展的评分值,/>和/>为单一床旁护理数据的变化系数,/>为单一床旁护理表征指标的数据,z为常数。
进一步的,在单因素分析中,设置筛选差异性值从小于0.01扩增至小于0.3,用于扩大样本床旁护理表征的指标,依据单因素分析筛选出具有差异性的指标数据,将各指标数据值与正常指标数据进行对比,进而限定床旁护理指标数据的范围于0-1之间,以限定后的各床旁护理指标数据值为多因素自变量,以重症胰腺炎临床评分值为因变量,进行逻辑斯蒂多因素回归分析,再导入以综合床旁护理指标数据变化得出的标准误,为个体检测特征指标的系数,构建临床数据管理模型,其中,所用逻辑斯蒂多因素回归分析的公式为:
;
其中,为因变量重症胰腺炎临床数据评分值,/>-/>为重症胰腺炎床旁护理逻辑斯蒂多因素回归分析的系数,n为重症胰腺炎床旁护理的差异表征指标数量,/>为重症胰腺炎床旁护理的差异表征指标的数值。
此时,模型的AUC、精准率、准确率为和召回率为的评估结果数值再次上升,均超过了0.9的评分。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内;本发明未涉及部分均与现有技术相同或能够采用现有技术加以实现。
Claims (9)
1.一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,包括以下具体步骤:
步骤一,收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据,同时对轻症胰腺炎进行HAPS评分和重症急性胰腺炎样本进行Marshall评分;
步骤二,对采集到的轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据进行单因素分析,对所得差异体征数据再进行多因素分析,构建基于床旁护理评估的重症急性胰腺炎临床数据管理模型,数据管理模型公式为:
;
其中,Y为逻辑斯蒂多因素回归构建临床数据管理模型的评分值,n为组内个体数,i为组内个体测量特征指标名称,为组内个体测量特征指标的系数,/>为组内个体测量特征指标数值,/>为逻辑斯蒂多因素回归构建临床数据管理模型的常数;
步骤三,对临床数据管理模型进行ROC曲线下面积检验评测;
步骤四,将HAPS评分以及Marshall评分进行相关性分析,引入误差系数,降低HAPS评分和Marshall评分之间的时间误差影响,构建轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数;
;
其中,为轻症胰腺炎和重症急性胰腺炎发展过程中的差异变化系数,/>为HAPS评分以及Marshall评分进行相关性分析误差系数,a为轻症胰腺炎组中的HAPS评分平均值,b为重症急性胰腺炎样本组中的Marshall评分值;
步骤五,将差异变化系数导入临床数据管理模型,再次进行ROC曲线下面积检验评测,进而精确优化临床数据管理模型。
2.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤一中,收集轻症胰腺炎和重症急性胰腺炎样本的床旁护理数据时间点设定为初始就诊和就诊后的24h。
3.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤二中,对收集到的床旁护理数据进行单因素分析的时间点为就诊后的24h,以所收集的床旁护理数据的表征指标数值变化为自变量,因变量为轻症和重症胰腺炎病症发展的评分,使用SPSS软件进行单一自变量数值变化对因变量数值变化的差异性的分析,所用公式为:
;
其中,为轻症和重症胰腺炎病症发展的评分值,/>和/>为单一床旁护理数据的变化系数,/>为单一床旁护理表征指标的数据,z为常数。
4.根据权利要求3所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤二中,单因素分析,设置差异性值小于0.3,用于扩大样本床旁护理表征的指标,依据单因素分析筛选出具有差异性的指标数据,将各指标数据值与正常指标数据进行对比,进而限定床旁护理指标数据的范围于0-1之间,以限定后的各床旁护理指标数据值为多因素自变量,以重症胰腺炎临床评分值为因变量,进行逻辑斯蒂多因素回归分析,再导入以综合床旁护理指标数据变化得出的标准误,为个体检测特征指标的系数,构建临床数据管理模型,其中,所用逻辑斯蒂多因素回归分析的公式为:
;
其中,为因变量重症胰腺炎临床数据评分值,/>-/>为重症胰腺炎床旁护理逻辑斯蒂多因素回归分析的系数,n为重症胰腺炎床旁护理的差异表征指标数量,/>为重症胰腺炎床旁护理的差异表征指标的数值。
5.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤二中,在逻辑斯蒂多因素回归临床数据管理模型构建的过程中,将床旁护理数据进行初步分类,选取70%的分类后数据作为训练集,剩余数据作为验证集。
6.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤二中,模型的评估采用准确率,精确率和召回率的评估方式进行评估,验证方法采用K折交叉验证。
7.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤三中,对ROC曲线下面积评测的准确性赋以分值,以一类、二类和三类为梯度,其中一类为高质量模型,二类为中等模型,三类为低质量模型,AUC在0.5-0.7之间代表三类的准确性,在0.7-0.9之间代表二类的准确性,在0.9往上代表一类的准确性,用以判断临床数据管理模型的可靠性。
8.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤五中,将HAPS评分以及Marshall评分与床旁护理的临床数据管理模型进行比较。
9.根据权利要求1所述的一种基于床旁护理的重症急性胰腺炎临床数据管理方法,其特征在于,所述步骤五中,ROC曲线下面积检验评测所需数据类型分为临床数据管理模型正确判断出胰腺炎程度的真阳例,正确判断出不存在胰腺炎的真阴例和错误判断出胰腺炎程度的为假阳例,所用AUC检测公式为:
;
其中,为ROC曲线下面积检验评测结果,/>为临床数据管理模型正确判断出胰腺炎程度的真阳例数,/>为正确判断出不存在胰腺炎的真阴例数,/>为错误判断出胰腺炎程度的为假阳例数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013157.3A CN116741384B (zh) | 2023-08-14 | 2023-08-14 | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013157.3A CN116741384B (zh) | 2023-08-14 | 2023-08-14 | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116741384A true CN116741384A (zh) | 2023-09-12 |
CN116741384B CN116741384B (zh) | 2023-11-21 |
Family
ID=87906408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311013157.3A Active CN116741384B (zh) | 2023-08-14 | 2023-08-14 | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116741384B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101942502A (zh) * | 2009-12-24 | 2011-01-12 | 北京命码生科科技有限公司 | 胰腺癌标记物及其检测方法、试剂盒和生物芯片 |
WO2021180244A1 (zh) * | 2020-11-02 | 2021-09-16 | 平安科技(深圳)有限公司 | 一种疾病风险预测系统、方法、装置、设备及介质 |
CN114023433A (zh) * | 2021-09-29 | 2022-02-08 | 四川大学华西医院 | 一种预测急性胰腺炎患者严重程度的早期预测系统 |
CN114141363A (zh) * | 2021-12-07 | 2022-03-04 | 川北医学院附属医院 | 一种基于机器学习方法的重症胰腺炎预测模型构建方法 |
KR20220105382A (ko) * | 2021-01-20 | 2022-07-27 | 인하대학교 산학협력단 | 급성 췌장염 중증도 진단용 정보 제공 방법 |
CN114974562A (zh) * | 2022-05-12 | 2022-08-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于机器学习的重症胰腺炎的临床预测模型构建方法 |
-
2023
- 2023-08-14 CN CN202311013157.3A patent/CN116741384B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101942502A (zh) * | 2009-12-24 | 2011-01-12 | 北京命码生科科技有限公司 | 胰腺癌标记物及其检测方法、试剂盒和生物芯片 |
WO2021180244A1 (zh) * | 2020-11-02 | 2021-09-16 | 平安科技(深圳)有限公司 | 一种疾病风险预测系统、方法、装置、设备及介质 |
KR20220105382A (ko) * | 2021-01-20 | 2022-07-27 | 인하대학교 산학협력단 | 급성 췌장염 중증도 진단용 정보 제공 방법 |
CN114023433A (zh) * | 2021-09-29 | 2022-02-08 | 四川大学华西医院 | 一种预测急性胰腺炎患者严重程度的早期预测系统 |
CN114141363A (zh) * | 2021-12-07 | 2022-03-04 | 川北医学院附属医院 | 一种基于机器学习方法的重症胰腺炎预测模型构建方法 |
CN114974562A (zh) * | 2022-05-12 | 2022-08-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种基于机器学习的重症胰腺炎的临床预测模型构建方法 |
Non-Patent Citations (3)
Title |
---|
ASCENA, INC, HOUSTON, TX, UNITED STATES: "Early prediction of severe acute pancreatitis using machine learning", 《PANCREATOLOGY》, pages 43 - 50 * |
李备: "基于床旁护理评估的重症急性胰腺炎预测模型的构建", CNKI优秀硕士学位论文全文库, pages 1 - 54 * |
黄玉莲;张玫;马丽娜;: "急性胰腺炎严重程度床边指数评分对急性胰腺炎严重程度的早期评估价值", 中华临床医师杂志(电子版), no. 17, pages 5090 - 5092 * |
Also Published As
Publication number | Publication date |
---|---|
CN116741384B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110444248B (zh) | 基于网络拓扑参数的癌症生物分子标志物筛选方法及系统 | |
CN110033860B (zh) | 一种基于机器学习的遗传代谢病检出率提升方法 | |
CN103392183A (zh) | 用于识别处于转化为阿尔茨海默病的风险中的具有轻度认知障碍的患者的方法和系统 | |
CN110352389A (zh) | 信息处理装置及信息处理方法 | |
WO2021179514A1 (zh) | 一种基于人工智能的新型冠状病毒患者病况分类系统 | |
CN108345768B (zh) | 一种确定婴幼儿肠道菌群成熟度的方法和标志物组合 | |
CN108831563B (zh) | 一种用于判别药品不良反应信号分类检测的决策方法 | |
CN115083616B (zh) | 一种基于自监督图聚类的慢性肾病亚型挖掘系统 | |
CN115099331A (zh) | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 | |
CN113593708A (zh) | 基于集成学习算法的脓毒症预后预测方法 | |
CN116564409A (zh) | 基于机器学习的转移性乳腺癌转录组测序数据识别方法 | |
CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
CN112256754A (zh) | 基于标准模型的超声检测分析系统及方法 | |
KR102111820B1 (ko) | 동적 네트워크 바이오마커의 검출 장치, 검출 방법 및 검출 프로그램 | |
US20230386665A1 (en) | Method and device for constructing autism spectrum disorder (asd) risk prediction model | |
CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
Low et al. | Automated detection of cecal intubation with variable bowel preparation using a deep convolutional neural network | |
CN116994751A (zh) | 一种孕早期子痫前期风险预测模型的构建方法及装置 | |
Fostel et al. | Exploration of the gene expression correlates of chronic unexplained fatigue using factor analysis | |
CN115511454A (zh) | 一种生成审核规则的方法、装置及相关产品 | |
CN113469227A (zh) | 一种用力呼气总量预测方法 | |
CN112259231A (zh) | 一种高危胃肠间质瘤患者术后复发风险评估方法与系统 | |
CN115132351B (zh) | 基于真实世界研究的诊断数据反馈评价系统及方法 | |
CN113555118B (zh) | 一种病症程度的预测方法、装置、电子设备及存储介质 | |
CN113945724B (zh) | 一种阈下抑郁风险预测装置及其试剂盒和应用 |
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 |