CN116825366A - 基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置 - Google Patents
基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置 Download PDFInfo
- Publication number
- CN116825366A CN116825366A CN202310823748.0A CN202310823748A CN116825366A CN 116825366 A CN116825366 A CN 116825366A CN 202310823748 A CN202310823748 A CN 202310823748A CN 116825366 A CN116825366 A CN 116825366A
- Authority
- CN
- China
- Prior art keywords
- tube drawing
- personalized
- risk prediction
- physiological function
- concentration
- 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
- 230000035790 physiological processes and functions Effects 0.000 title claims abstract description 58
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 title claims abstract description 14
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 36
- 210000004369 blood Anatomy 0.000 claims description 22
- 239000008280 blood Substances 0.000 claims description 22
- 238000005399 mechanical ventilation Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 238000009423 ventilation Methods 0.000 claims description 20
- 239000001569 carbon dioxide Substances 0.000 claims description 18
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 230000002093 peripheral effect Effects 0.000 claims description 14
- 210000004072 lung Anatomy 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 10
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 108091008690 chemoreceptors Proteins 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 108010054147 Hemoglobins Proteins 0.000 claims description 5
- 102000001554 Hemoglobins Human genes 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 210000003743 erythrocyte Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005273 aeration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003434 inspiratory effect Effects 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 claims description 2
- 208000030507 AIDS Diseases 0.000 claims description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 2
- 206010010071 Coma Diseases 0.000 claims description 2
- 206010012289 Dementia Diseases 0.000 claims description 2
- 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 claims description 2
- 206010019280 Heart failures Diseases 0.000 claims 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 claims description 2
- 208000019693 Lung disease Diseases 0.000 claims description 2
- 229910019142 PO4 Inorganic materials 0.000 claims description 2
- 206010033892 Paraplegia Diseases 0.000 claims description 2
- 208000008469 Peptic Ulcer Diseases 0.000 claims description 2
- 208000018262 Peripheral vascular disease Diseases 0.000 claims description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 2
- 102100027378 Prothrombin Human genes 0.000 claims description 2
- 108010094028 Prothrombin Proteins 0.000 claims description 2
- 208000004756 Respiratory Insufficiency Diseases 0.000 claims description 2
- 206010039897 Sedation Diseases 0.000 claims description 2
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 2
- 239000003513 alkali Substances 0.000 claims description 2
- 150000001450 anions Chemical class 0.000 claims description 2
- 238000004820 blood count Methods 0.000 claims description 2
- 230000036760 body temperature Effects 0.000 claims description 2
- 239000011575 calcium Substances 0.000 claims description 2
- 229910052791 calcium Inorganic materials 0.000 claims description 2
- 201000011510 cancer Diseases 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 claims description 2
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 2
- 230000001684 chronic effect Effects 0.000 claims description 2
- 229940109239 creatinine Drugs 0.000 claims description 2
- 108010002255 deoxyhemoglobin Proteins 0.000 claims description 2
- 206010012601 diabetes mellitus Diseases 0.000 claims description 2
- 230000035487 diastolic blood pressure Effects 0.000 claims description 2
- 239000008103 glucose Substances 0.000 claims description 2
- 208000017169 kidney disease Diseases 0.000 claims description 2
- 239000004310 lactic acid Substances 0.000 claims description 2
- 235000014655 lactic acid Nutrition 0.000 claims description 2
- 210000000265 leukocyte Anatomy 0.000 claims description 2
- 208000019423 liver disease Diseases 0.000 claims description 2
- 208000037843 metastatic solid tumor Diseases 0.000 claims description 2
- 208000010125 myocardial infarction Diseases 0.000 claims description 2
- 208000011906 peptic ulcer disease Diseases 0.000 claims description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 2
- 239000010452 phosphate Substances 0.000 claims description 2
- 239000011591 potassium Substances 0.000 claims description 2
- 229910052700 potassium Inorganic materials 0.000 claims description 2
- 229940039716 prothrombin Drugs 0.000 claims description 2
- 201000004193 respiratory failure Diseases 0.000 claims description 2
- 230000036280 sedation Effects 0.000 claims description 2
- 239000011734 sodium Substances 0.000 claims description 2
- 229910052708 sodium Inorganic materials 0.000 claims description 2
- 230000002269 spontaneous effect Effects 0.000 claims description 2
- 208000011580 syndromic disease Diseases 0.000 claims description 2
- 230000035488 systolic blood pressure Effects 0.000 claims description 2
- 210000002700 urine Anatomy 0.000 claims description 2
- 230000008859 change Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002585 base Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 108010064719 Oxyhemoglobins Proteins 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000009470 Ventilator-Associated Pneumonia Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- -1 hydrogen ions Chemical class 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 244000144985 peep Species 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002627 tracheal intubation 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置，本发明基于大型的公共数据集，选取患者多维特征，同时，基于生理功能特征模型，综合考虑患者在呼吸、循环、神经系统等多个方面的生理指标和特征，更加全面、个性化的反映了患者的内在生理状态，构建的个性化拔管风险预测模型可以更好的适应不同患者的变化。利用生理功能特征模型进行拔管预测，可以更准确地评估患者拔管失败风险。进一步的，引入的生理功能参数从患者生理层面进一步解释模型，增强模型的可解释性。个性化拔管风险预测模型能为医疗专业人员提供有力的决策支持，改善ICU患者的治疗情况，降低患者再插管率，提高患者治愈率。
Description
技术领域
本发明涉及一种基于生理功能特征模型的个性化拔管风险预测方法。属于拔管风险预测技术领域。
背景技术
机械通气是重症监护病房(Intensive Care Unit,ICU)内患者生命支持的常用手段之一，合理的机械通气能够有效维持重症患者生命。拔管是脱离机械通气的过程，尽早实现成功拔管是患者治愈条件之一。确定拔管时机是ICU内重要的问题。通气时间过长可能产生呼吸机相关性肺炎等一系列并发症，导致ICU住院时间延长，增加死亡率，以及对重症医疗资源的过度消耗；过短无法达到有效的治疗效果，导致拔管失败，不利于患者病情。对于拔管失败需要重新插管的患者，再次插管可能会出现新的并发症，进而导致死亡率增加。因此，正确判断患者病情，制定合理的拔管决策至关重要，过早或过晚的拔管都会引发不良的后果。然而，对于最优的拔管标准，仍旧存在争议。多数情况下，还是根据医生经验进行判断。也有许多学者提出基于人工智能的方法来预测拔管结果，但采用的特征多为观察测量得到的值，往往不能全面考虑患者内部生理功能的个体化差异，而生理功能特征模型的建立为个性化的拔管预测提供了新的方法。
生理功能特征模型是一种基于生理学原理的方法，可以综合考虑多个生理指标和特征，包括呼吸、循环、神经系统方面的变量，结合生理功能特征，可以更全面、准确的评估患者的拔管风险。针对患者的独特生理特征，可以个性化的预测拔管风险，综合考虑多维因素，进一步提高预测的准确性和可靠性。因此，基于生理功能特征模型的个性化拔管风险预测方法具有潜在的临床应用前景，优化拔管策略，降低拔管失败风险。
发明内容
本发明的目的在于克服上述不足，提供了一种基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置。
本发明的目的是这样实现的：
一种基于生理功能特征模型的个性化拔管风险预测模型构建方法，包括：
从重症监护室电子病历数据库中提取进行有创机械通气并拔管的患者相关数据，并提取获得每一患者的原始特征；
基于生理功能特征模型，利用提取获得的原始特征计算获得生理功能参数并提取获得每一患者的生理功能特征；生理功能特征包含无效腔、无效腔/潮气量、浅快呼吸指数、动脉血氧分压/吸氧浓度、心输出量、呼末二氧化碳分压/动脉血二氧化碳分压、通气比、肺动态顺应性、肺静态顺应性、血浆和红细胞中碳酸氢根离子浓度、磷酸盐浓度、血红蛋白浓度、脱氧血红蛋白浓度、含氧血红蛋白浓度等在血液中参与化学反应的分子浓度、血浆和红细胞中氧气和二氧化碳溶解度、外周化学感受器灵敏度、外周驱动阈值、中枢驱动阈值、中枢驱动力、外周驱动力中的多种；
将每一患者的原始特征、生理功能特征及拔管标签组合构成一样本构建获得机械通气拔管数据集；
构建个性化拔管风险预测模型结构，并基于机械通气拔管数据集进行训练获得训练好的个性化拔管风险预测模型。
进一步地，所述从重症监护室电子病历数据库中提取进行有创机械通气并拔管的患者相关数据，筛选的标准包括：
(1)年龄大于18岁或小于89岁；
(2)此次通气为首次通气；
(3)通气时间>＝12小时；
(4)此次拔管为计划拔管。
进一步地，所述原始特征包括基于患者的人口统计学信息、疾病诊断、出入量、生命体征及呼吸相关监测参数值、检验报告及评分提取获得的原始特征；其中，基于患者的人口统计学信息提取的原始特征包括：年龄、性别和身体质量指数中的至少一种；基于疾病诊断提取的原始特征为是否患艾滋病、心肌梗塞、心脏衰竭、外周血管疾病、脑血管疾病、痴呆、糖尿病、慢性肺疾病、风湿病、消化性溃疡、肝病、截瘫、肾病、恶性肿瘤、转移性实体瘤和呼吸衰竭；基于出入量提取的原始特征包括：尿液量；基于生命体征及呼吸相关监测参数值提取的原始特征包括：心率、收缩压、舒张压、平均压、呼吸频率、体温、血氧饱和度、有创通气时间、平均气道压、分钟通气量、吸气峰压、平台压、潮气量监测值、潮气量设置值、潮气量自主呼吸值、吸氧浓度、呼气末正压和呼末二氧化碳分压中的至少一种；基于检验报告提取的原始特征包括：碱剩余、血红蛋白测定、动脉血二氧化碳分压、动脉血氧分压、酸碱度、阴离子间隙、尿素氮浓度、肌酐浓度、国际标准化比值、乳酸浓度、凝血酶原时间、血小板浓度、钾浓度、钙浓度、钠浓度、白细胞计数、葡萄糖浓度中的至少一种；基于评分提取的原始特征包括：哥斯拉昏迷指数评分和镇静评分中的至少一种。
进一步地，所述个性化拔管风险预测模型结构为线性回归、支持向量机、极端梯度提升机或轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)。
进一步地，所述基于机械通气拔管数据集进行训练获得训练好的个性化拔管风险预测模型具体为：将机械通气拔管数据集的每一样本作为个性化拔管风险预测模型的输入，并以最小化个性化拔管风险预测模型的输出与拔管标签的误差为损失函数进行训练，获得训练好的个性化拔管风险预测模型。
进一步地，采用五折交叉验证进行训练。
进一步地，训练时，还包括采用随机搜索和网格搜索对个性化拔管风险预测模型超参数进行优化。
进一步地，还包括对原始特征及生理功能特征进行重要性排序选择最优的特征组合。
一种基于生理功能特征模型的个性化拔管风险预测装置，包括个性化拔管风险预测模块，所述个性化拔管风险预测模块用于将待测患者的提取获得的原始特征及生理功能特征输入至所述基于生理功能特征模型的个性化拔管风险预测模型构建方法构建获得的个性化拔管风险预测模型中，输出待测患者的拔管风险预测概率。
与现有的技术相比，本发明的有益效果是：
本发明基于大型的公共数据集，选取患者多维特征，同时，基于生理功能特征模型，综合考虑患者在呼吸、循环、神经系统等多个方面的生理指标和特征，更加全面、个性化的反映了患者的内在生理状态，构建的个性化拔管风险预测模型可以更好的适应不同患者的变化。利用生理功能特征模型进行拔管预测，可以更准确地评估患者拔管失败风险。进一步的，引入的生理功能参数从患者生理层面进一步解释模型，增强模型的可解释性。个性化拔管风险预测模型能为医疗专业人员提供有力的决策支持，改善ICU患者的治疗情况，降低患者再插管率，提高患者治愈率。
附图说明
图1为一种基于生理功能特征模型的个性化拔管风险预测模型构建方法流程示意图。
图2为所建立的机械通气患者的生理功能特征模型。
图3为未筛选特征前基线模型(a)与个性化拔管风险预测模型(b)的AUC曲线图。
图4为外周驱动力(a)与中枢驱动力(b)随潮气量(监测值)的变化散点图及拟合曲线。
图5为外周驱动阈值(a)与中枢驱动阈值(b)随动脉血二氧化碳分压的变化散点图及拟合曲线。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示，本发明的一种基于生理功能特征模型的个性化拔管风险预测模型构建方法，包括以下步骤：
S1、数据提取：
从重症监护室电子病例数据库中提取进行有创机械通气并拔管的患者相关数据，包括患者的人口统计学信息、疾病诊断、出入量、生命体征及呼吸相关监测参数值、检验报告、评分等提取获得相关原始特征，具体参数如表1所示。
表1原始特征
其中，从重症监护室电子病历数据库中提取进行有创机械通气并拔管的患者相关数据的筛选标准主要包括：
(1)年龄大于18岁或小于89岁；
(2)此次通气为首次通气；
(3)通气时间>＝12小时；
(4)此次拔管为计划拔管(非死亡拔管或意外拔管)；
并为每一患者打上相应拔管标签(拔管成功-0；拔管失败-1)。拔管失败/成功的定义如下：
拔管失败：拔管后48小时内死亡或重新插管；
拔管成功：拔管后48小时内存活或未重新插管；
进一步地，为了提高数据准确性，基于数据完整性对数据进行进一步筛选和预处理：
(1)删除缺失率超过M％的特征，M一般取值40-60；
(2)设定阈值，清洗异常数据，排除异常数据的影响；
(3)患者队列二次筛选，针对后续用于计算患者生理功能特征的参数，删除有参数缺失的患者，保证每位患者的这部分参数的完整性；
(4)聚合参数，由于不同特征的时间粒度不同，因此要统一所有时间序列特征时间间隔，时间窗设定为T小时，若时间窗内有多个参数，取参数的平均值，并通过前向后向填充方法填充时间窗内的缺失值；
(5)最终，取每个患者时间序列中参数的中位数作为参数的最终值，若对于患者整个时间序列中数值都缺失的参数，使用其他患者对应参数全局中位数进行数据插补。
S2、基于生理功能特征模型，利用提取获得的原始特征计算获得生理功能参数并提取获得每一患者的生理功能特征；
建立生理系统特征模型，该模型模拟了患者内部的心肺交互情况以及脑部的呼吸驱动，总体模拟机械通气患者生理功能，进而获取患者内部的生理功能特征。模型示意图见图2。主要包括肺气体交换、呼吸力学、血液的酸碱化学、呼吸驱动四大模块。通过数学建模，输入测量参数，来计算患者内部的生理功能参数，同时也结合其他文献中提出的公式计算相关指标。其中：
肺气体交换模块，通过对氧气和二氧化碳相关参数的测量，来计算肺区域生理参数，包含无效腔和有效通气量，相关公式如下：
其中，VD表示无效腔，PaCO2表示动脉血二氧化碳分压，PeCO2表示呼末二氧化碳分压，VT表示潮气量(监测值)，表示有效通气量，fR表示呼吸频率。
另外，浅快呼吸指数和通气比相关公式包括：
RSBI＝fR/VT
其中，RSBI表示浅快呼吸指数，MVmeasure表示实际测量的分钟通气量，PaCO2表示实际测量的动脉血二氧化碳分压，MVpre表示预期患者的分钟通气量，可以由预期体重计算得出，PaCO2pre为预期动脉血二氧化碳分压，为37.5mmHg，VR表示通气比。
呼吸力学模块用来评估呼吸力学等与肺保护相关的重要生理参数，主要计算肺的动态顺应性以及静态顺应性反映患者肺部情况：
其中，Cstat表示静态顺应性，Cdyn表示动态顺应性，Pplat表示平台压，Ppeak表示吸气峰压，PEEP表示呼气末正压。
血液的酸碱化学模块模拟了血液中各离子之间的反应，主要生理功能参数包含血液中各离子浓度及气体溶解量；呼吸驱动模量模拟了个体患者对呼吸机支持变化的反应，通过驱动阈值、灵敏度、呼吸驱动力等参数评估中央化学感受器及外周化学感受器的调控情况，相关公式如下：
如果Dp＜-1则定义Dp＝-1
如果Dc＜-1则定义Dc＝-1
其中，表示动脉血氢离子浓度，pHa表示酸碱度，Sp表示外周化学感受器灵敏度，Sc表示中央化学感受器敏感性，设定为定值，A和P0分别表示缩放值和阈值参数，为定值，PaO2表示动脉血氧分压，Dp表示外周驱动力，Tp表示外周驱动阈值，Dc表示中枢驱动力，/>表示脑脊液氢离子浓度，Tc表示中枢驱动阈值。
综上，基于生理功能特征模型提取的生理功能特征如表2所示；
表2生理功能特征
S3、将每一患者的原始特征、生理功能特征及拔管标签组合构成一样本构建获得机械通气拔管数据集；
S4、构建个性化拔管风险预测模型结构，并基于机械通气拔管数据集进行训练获得训练好的个性化拔管风险预测模型。
其中，个性化拔管风险预测模型结构可以采用线性回归(Linear Regression,LR)、支持向量机(Support Vector Machine,SVM)、极端梯度提升机(eXtreme GradientBoosting,XGBoost)、LightGBM等，本实施例中采用LightGBM。将机械通气拔管数据集的每一样本作为个性化拔管风险预测模型的输入，模型的目标为根据输入的数据预测患者当前是否可以拔管，模型类型为二分类模型，输出拔管风险预测概率，并以最小化个性化拔管风险预测模型的输出与拔管标签的误差为损失函数进行训练，获得训练好的个性化拔管风险预测模型。最后通过输出拔管风险预测概率结合设定的阈值进行分类。
进一步地，在训练过程中采用五折交叉验证，将数据集划分为(大致)相等的5部分(每部分标签比例基本一致)，使用第1折作为测试集，其他折作为训练集，得到AUC值，依次使用其他折作为测试集，剩下的4折作为训练集，共得到5个AUC值，取均值作为最终的AUC值。
进一步地，在训练过程中，采用随机搜索+网格搜索对个性化拔管风险预测模型超参数进行优化，通过随机搜索确认超参数的大致范围，之后通过网格搜索确定最优超参数。具体如下：
(1)随机搜索
a.对于搜索范围是分布的超参数，根据给定的分布进行随机采样；
b.对于搜索范围是列表的超参数，在给定的列表中等概率采样；
c.对a,b中得到的n组采样结果，进行遍历，查找较优的参数组合；
(2)网格搜索，为穷举搜索，通过循环遍历，尝试每一种组合，选取性能最优的超参数。
本实施例中，采用LightGBM模型结构，并分别以仅原始特征、原始特征及生理功能特征为输入，在相同条件下分别进行最优超参数搜索，将获取的最优参数作为模型最终的超参数进行训练，得到最终的分别训练获得只包含原始特征的基线模型以及添加生理功能参数的个性化拔管风险预测模型。并使用5折交叉验证评估模型性能。
具体为将有创机械通气患者相关特征值，经过数据预处理后，血气值取拔管前T1(本实施例取24)小时的最近一条数据记录，其他参数取拔管前T2(本实施例取12)小时中位数，通过生理功能模型计算患者生理功能参数，基于原始特征构建基线模型，基于原始特征+生理功能特征构建个性化拔管风险预测模型，预测患者拔管失败风险，进而比较加入生理功能特征前后模型的性能。
图3显示了每一折的受试者工作特征曲线图，并绘制了五折的平均值。可见生理功能参数的引入能够提升个性化拔管风险预测模型的性能。
进一步地，通过特征重要性排序选择最优的特征组合，进一步提升模型性能。同时，特征重要性排序能够体现对模型训练具有重要意义的属性，反映模型的可解释性。针对两种模型的每一折训练都进行特征筛选，结果如表3所示，括号内表示特征数：
表3训练结果
进一步地，使用不同的参数组合，查看随着参数的变化，另一个参数对应的变化趋势，通过对阳性组pos(拔管失败)与阴性组neg(拔管成功)不同的变化趋势分析，进一步说明模型的可解释性。
图4a，图4b分别表示外周驱动力与中枢驱动力随潮气量(监测值)变化的变化趋势，其中，拟合直线(实线)为阳性组的变化趋势，拟合直线(虚线)为阴性组的变化趋势。随潮气量的增加，阴性组需要更大的驱动力支持；在同样的驱动力下，阴性组能获得更高的潮气量。这种趋势反映阴性组患者状态更优，拔管成功率也更大。
图5a，图5b分别表示外周驱动阈值与中枢驱动阈值随动脉血二氧化碳分压变化的变化趋势，其中，拟合直线(实线)为阳性组的变化趋势，拟合直线(虚线)为阴性组的变化趋势。随动脉血二氧化碳分压的上升，阳性组的阈值高于阴性组，且增大趋势更显著。而阈值与驱动力为负相关，较高的阈值会阻碍驱动力，影响患者通气。因此，阳性组拔管成功率更低。
上述结果说明，本发明构建的个性化拔管风险预测模型具有很好的可解释性，具有良好的可信度。
基于上述基于生理功能特征模型的个性化拔管风险预测模型构建方法构建获得的个性化拔管风险预测模型，本发明还提供了一种基于生理功能特征模型的个性化拔管风险预测装置，其特征在于，包括个性化拔管风险预测模块，所述个性化拔管风险预测模块用于将待测患者提取获得的原始特征及生理功能特征输入至所述基于生理功能特征模型的个性化拔管风险预测模型构建方法构建获得的个性化拔管风险预测模型中，输出待测患者的拔管风险预测概率，再通过输出拔管风险预测概率结合设定的阈值进行分类，确定最终是否拔管。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。
Claims (9)
1.一种基于生理功能特征模型的个性化拔管风险预测模型构建方法，其特征在于，包括：从重症监护室电子病历数据库中提取进行有创机械通气并拔管的患者相关数据，并提取获得每一患者的原始特征；
基于生理功能特征模型，利用提取获得的原始特征计算获得生理功能参数并提取获得每一患者的生理功能特征；生理功能特征包含无效腔、无效腔/潮气量、浅快呼吸指数、动脉血氧分压/吸氧浓度、心输出量、呼末二氧化碳分压/动脉血二氧化碳分压、通气比、肺动态顺应性、肺静态顺应性、血浆和红细胞中碳酸氢根离子浓度、磷酸盐浓度、血红蛋白浓度、脱氧血红蛋白浓度、含氧血红蛋白浓度、血浆和红细胞中氧气和二氧化碳溶解度、外周化学感受器灵敏度、外周驱动阈值、中枢驱动阈值、中枢驱动力、外周驱动力中的多种；
将每一患者的原始特征、生理功能特征及拔管标签组合构成一样本构建获得机械通气拔管数据集；
构建个性化拔管风险预测模型结构，并基于机械通气拔管数据集进行训练获得训练好的个性化拔管风险预测模型。
2.根据权利要求1所述的方法，其特征在于，所述从重症监护室电子病历数据库中提取进行有创机械通气并拔管的患者相关数据，筛选的标准包括：
(1)年龄大于18岁或小于89岁；
(2)此次通气为首次通气；
(3)通气时间>＝12小时；
(4)此次拔管为计划拔管。
3.根据权利要求1所述的方法，其特征在于，所述原始特征包括基于患者的人口统计学信息、疾病诊断、出入量、生命体征及呼吸相关监测参数值、检验报告及评分提取获得的原始特征；其中，基于患者的人口统计学信息提取的原始特征包括：年龄、性别和身体质量指数中的至少一种；基于疾病诊断提取的原始特征为是否患艾滋病、心肌梗塞、心脏衰竭、外周血管疾病、脑血管疾病、痴呆、糖尿病、慢性肺疾病、风湿病、消化性溃疡、肝病、截瘫、肾病、恶性肿瘤、转移性实体瘤和呼吸衰竭；基于出入量提取的原始特征包括：尿液量；基于生命体征及呼吸相关监测参数值提取的原始特征包括：心率、收缩压、舒张压、平均压、呼吸频率、体温、血氧饱和度、有创通气时间、平均气道压、分钟通气量、吸气峰压、平台压、潮气量监测值、潮气量设置值、潮气量自主呼吸值、吸氧浓度、呼气末正压和呼末二氧化碳分压中的至少一种；基于检验报告提取的原始特征包括：碱剩余、血红蛋白测定、动脉血二氧化碳分压、动脉血氧分压、酸碱度、阴离子间隙、尿素氮浓度、肌酐浓度、国际标准化比值、乳酸浓度、凝血酶原时间、血小板浓度、钾浓度、钙浓度、钠浓度、白细胞计数、葡萄糖浓度中的至少一种；基于评分提取的原始特征包括：哥斯拉昏迷指数评分和镇静评分中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述个性化拔管风险预测模型结构为线性回归、极端梯度提升机、支持向量机或轻量级梯度提升机。
5.根据权利要求1所述的方法，其特征在于，所述基于机械通气拔管数据集进行训练获得训练好的个性化拔管风险预测模型具体为：将机械通气拔管数据集的每一样本作为个性化拔管风险预测模型的输入，并以最小化个性化拔管风险预测模型的输出与拔管标签的误差为损失函数进行训练，获得训练好的个性化拔管风险预测模型。
6.根据权利要求5所述的方法，其特征在于，采用五折交叉验证进行训练。
7.根据权利要求5所述的方法，其特征在于，训练时，还包括采用随机搜索和网格搜索对个性化拔管风险预测模型超参数进行优化。
8.根据权利要求1所述的方法，其特征在于，还包括对原始特征及生理功能特征进行重要性排序选择最优的特征组合。
9.一种基于生理功能特征模型的个性化拔管风险预测装置，其特征在于，包括个性化拔管风险预测模块，所述个性化拔管风险预测模块用于将待测患者的提取获得的原始特征及生理功能特征输入至权利要求1-8任一项所述基于生理功能特征模型的个性化拔管风险预测模型构建方法构建获得的个性化拔管风险预测模型中，输出待测患者的拔管风险预测概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310823748.0A CN116825366A (zh) | 2023-07-06 | 2023-07-06 | 基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310823748.0A CN116825366A (zh) | 2023-07-06 | 2023-07-06 | 基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116825366A true CN116825366A (zh) | 2023-09-29 |
Family
ID=88120094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310823748.0A Pending CN116825366A (zh) | 2023-07-06 | 2023-07-06 | 基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116825366A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524464A (zh) * | 2024-01-04 | 2024-02-06 | 北京和兴创联健康科技有限公司 | 一种基于大数据的计算手术后目标血红蛋白的方法及系统 |
-
2023
- 2023-07-06 CN CN202310823748.0A patent/CN116825366A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524464A (zh) * | 2024-01-04 | 2024-02-06 | 北京和兴创联健康科技有限公司 | 一种基于大数据的计算手术后目标血红蛋白的方法及系统 |
| CN117524464B (zh) * | 2024-01-04 | 2024-04-05 | 北京和兴创联健康科技有限公司 | 一种基于大数据的计算手术后目标血红蛋白的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827993A (zh) | 基于集成学习的早期死亡风险评估模型建立方法及装置 | |
| Mohsenifar et al. | Gastric intramural pH as a predictor of success or failure in weaning patients from mechanical ventilation | |
| US20130185097A1 (en) | Medical scoring systems and methods | |
| US10390711B2 (en) | Automatic lung parameter estimator for measuring oxygen and carbon dioxide gas exchange | |
| Mikhno et al. | Prediction of extubation failure for neonates with respiratory distress syndrome using the MIMIC-II clinical database | |
| Jaffe | Using the features of the time and volumetric capnogram for classification and prediction | |
| Sauthier et al. | Estimated Pao2: A continuous and noninvasive method to estimate Pao2 and oxygenation index | |
| CN116825366A (zh) | 基于生理功能特征模型的个性化拔管风险预测模型构建方法及装置 | |
| CN111261281A (zh) | 一种模型训练方法、机械通气表型识别方法及呼吸机 | |
| Ren et al. | Predicting and understanding unexpected respiratory decompensation in critical care using sparse and heterogeneous clinical data | |
| Lazzari et al. | End-tidal to arterial PCO2 ratio as guide to weaning from venovenous extracorporeal membrane oxygenation | |
| CN114038563A (zh) | 一种临床撤机预测系统及其方法 | |
| Wu et al. | Developing and evaluating a machine-learning-based algorithm to predict the incidence and severity of ARDS with continuous non-invasive parameters from ordinary monitors and ventilators | |
| Mitchell et al. | Optimization of sepsis risk assessment for ward patients | |
| KR102615261B1 (ko) | 섬망 예측 방법 및 이의 장치 | |
| CN113057587A (zh) | 一种病症预警方法、装置、电子设备及存储介质 | |
| Belliato et al. | Carbon dioxide elimination during veno-venous extracorporeal membrane oxygenation weaning: a pilot study | |
| Kretschmer et al. | A simple gas exchange model predicting arterial oxygen content for various FiO 2 levels | |
| CN113066547B (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
| Saberian et al. | Arterial Versus Venous Blood Gas Analysis Comparisons, Appropriateness, and Alternatives in Different Acid/Base Clinical Settings: A Systematic Review | |
| Wang et al. | Invasive mechanical ventilation probability estimation using machine learning methods based on non-invasive parameters | |
| Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
| Taoum et al. | Predicting ARDS using the MIMIC II physiological database | |
| Aline et al. | Data fusion for predicting ARDS using the MIMIC II physiological database | |
| CN114913963A (zh) | 有创机械通气的停止策略生成方法、系统和存储介质 |
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 |