CN116913468A - 一种基于无创参数的有创机械通气需求预警方法及系统 - Google Patents
一种基于无创参数的有创机械通气需求预警方法及系统 Download PDFInfo
- Publication number
- CN116913468A CN116913468A CN202310860629.2A CN202310860629A CN116913468A CN 116913468 A CN116913468 A CN 116913468A CN 202310860629 A CN202310860629 A CN 202310860629A CN 116913468 A CN116913468 A CN 116913468A
- Authority
- CN
- China
- Prior art keywords
- invasive
- mechanical ventilation
- invasive mechanical
- physiological parameter
- data
- 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
- 238000005399 mechanical ventilation Methods 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 13
- 230000035488 systolic blood pressure Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 230000035487 diastolic blood pressure Effects 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 206010010071 Coma Diseases 0.000 claims description 4
- 230000002015 leaf growth Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 230000027939 micturition Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000002627 tracheal intubation Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000011282 treatment Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000005180 public health Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 230000003278 mimic effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002345 respiratory system Anatomy 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000021302 gastroesophageal reflux disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
- A61M16/022—Control means therefor
- A61M16/024—Control means therefor including calculation means, e.g. using a processor
- A61M16/026—Control means therefor including calculation means, e.g. using a processor specially adapted for predicting, e.g. for determining an information representative of a flow limitation during a ventilation cycle by using a root square technique or a regression analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
- A61M16/04—Tracheal tubes
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2205/00—General characteristics of the apparatus
- A61M2205/18—General characteristics of the apparatus with alarm
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pulmonology (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Anesthesiology (AREA)
- Hematology (AREA)
- Emergency Medicine (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及人工智能技术与医疗健康领域。一种基于无创参数的有创机械通气需求预警方法包括获取生理参数;获取通过第一监护仪采集到的患者的第一生理参数,以及当前医疗环境信息;将患者的有创机械通气需求判断过程,沿时序划分为学习窗口、延迟窗口和预测窗口;将第一生理参数传输至学习窗口对应的预测模型,并在预测模型中进行预测窗口范围内是否有创机械通气需求预测,形成第一预测概率值;根据医疗环境信息,对第一预测概率值修正,得到第二预测概率值;根据第二预测概率值,预测是否有创机械通气需求概率;当发生有创机械通气需求概率的判断,在预测窗口内预警。适用于突发事件和特殊环境,降低病人的死亡率。
Description
技术领域
本发明涉及人工智能技术与医疗健康领域,尤其是涉及一种基于无创参数的有创机械通气需求预警方法及系统。
背景技术
有创机械通气是指需要通过气管插管或气管切开建立人工气道进行机械通气的方式。利用有创机械通气的方式为呼吸道通畅、供通气供氧、呼吸道吸引等提供最佳条件,也是抢救呼吸功能障碍的患者的重要措施。有创机械通气适用于自主呼吸突然停止者,不能满足机体的通气和氧气的供应,需要机械通气者;不能自主清除上呼吸道分泌物,胃食管返流或出血随时有误吸者;中枢或周围性呼吸衰竭者。延迟有创机械通气,会增加患者死亡率。
传统预测有创机械通气介入需求的方法有:术前访视、临床观察、影像学检查、传统风险评估等方法。上述方法但存在着如下缺点:第一,这些方法通常要求医护人员对患者数据进行频繁的记录和标定,这些算法的计分往往依赖于医护人员的医疗经验与临床观察,主观性强,差异性大,易受医护人员临床经验等因素影响,且需要占用大量的医疗人力资源;第二,上述方法均采用了无创参数和实验室参数相结合的方法预测,在缺乏生化检测和有创脉压监测条件的偏远地区、突发公共卫生事件和战场一线等地方存在数据采集不便、采集成本高等问题,限制了其应用;第三,传统的方法受限于静态的低频数据,人类处理信息的能力有限导致忽视了动态数据中蕴含的大量信息,从而忽视了患者的病情发展和变化趋势。
基于上述原因,亟需一种能够利用动态数据进行有创机械通气需求预警的方法。
发明内容
本申请提供一种基于无创参数的有创机械通气需求预警方法及系统,用于解决无法通过动态数据进行有创机械通气需求预警的问题。
本申请第一方面提供一种基于无创参数的有创机械通气需求预警方法,方法包括:
S1,获取第一无创生理参数和第二无创生理参数;所述第一生理参数表示医院的历史无创生理参数数据;所述第二无创生理参数表示用户的无创生理参数数据;
S2,利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型;
S3,将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值;所述预测概率值表示预测未来时间用户有创机械通气需求的概率;
S4,将所述预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果;
当判断结果为是时,则所述用户存在有创机械通气需求;
当判断结果为否时,则所述用户不存在有创机械通气需求;
S5,利用SHAP分析方法对所述第一无创生理参数和所述第二无创生理参数,得到预测的参数权重;
S6,利用所述预测的参数权重以及所述预测概率值,得到有创机械通气需求预警方案。
可实施的一种方式中,所述获取第一无创生理参数和第二无创生理参数,包括:
S11,通过当地居民构成的数据库,得到第一无创生理参数;所述第一无创生理参数包括年龄、性别、体重指数、机械通风的状态、格拉斯哥昏迷评分、语言反应、运动反应、睁眼反应、吸入氧浓度、呼气终末正压、氧流量、潮气量、排尿量、心率、呼吸率、温度、无创收缩压、无创舒张压和无创平均压;
S12,获取用户的第二无创生理参数;所述第二无创生理参数包括通过监护仪实时获取到用户的动态数据,和/或医生根据所述用户属性输入的静态数据。
可实施的一种方式中,所述利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型,包括:
S21,根据所述第一无创生理参数,得到增量训练的数据;
S22,将所述增量训练的数据输入预设的所述有创机械通气需求预警模型,得到所述有创机械通气需求预警模型的增量输出结果;
S23,根据所述有创机械通气需求预警模型的增量输出结果与所述有创机械通气需求预警模型的预测结果进行比较,得到比较差值;
S24,根据所述比较差值更新所述有创机械通气需求预警模型,得到所述有创机械通气需求初始模型。
可实施的一种方式中,所述将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值,包括:
S31,对所述第一无创生理参数中包含的多个数据特征进行预处理,得到每种数据特征的数据集;
S32,将每种数据特征的数据集输入至所述有创机械通气需求预警模型,得到每种数据特征的预测结果;
S33,利用加权平均方法对所述每种数据特征的预测结果进行计算,得到预测概率值。
可实施的一种方式中,所述将每种数据特征的数据集输入至所述有创机械通气需求预警模型,得到每种数据特征的预测结果,包括:
S321,根据所述每种数据特征的数据集,得到连续的浮点特征值;
S322,将所述浮点特征值离散化,得到K个整数的离散值;
S323,根据所述K个整数的离散值,得到一个宽度为K的直方图;
S324,遍历所述K个整数的离散值,统计每个所述离散值在所述直方图中的累计统计量,得到最优分割点;
S325,利用按叶子生长策略,对所述最优分割点分裂,得到分裂分割点;
S326,循环执行S322至S325,若所述最优分割点达到预设的精度阈值时,得到所述每种数据特征的预测结果。
可实施的一种方式中,所述利用SHAP分析方法对所述第一无创生理参数和所述第二无创生理参数进行分析,得到SHAP分析图,包括:
S51,根据每种数据特征对应的权重,对数据特征进行排序,得到特征排序图;
S52,利用SHAP分析方法,对特征权重排序进行分析,得到预测的参数权重。
可实施的一种方式中,基于无创参数的有创机械通气需求预警方法还包括:学习窗口、延迟窗口和预测窗口;
所述学习窗口表示所述第二无创生理参数输入所述有创机械通气需求模型的学习时间;
所述延迟窗口表示预测窗口和学习窗口之间的时间间隔,以便利用所述延迟窗口对所述有创机械通气需求进行干预。
预测窗口表示预设的未来时间段,其中,所述未来时间段内存在有创机械通气需求的情况下,所述预测窗口显示存在有创机械通气需求。
本申请第二方面还提供一种基于无创参数的有创机械通气需求预警系统,应用于前述的基于无创参数的有创机械通气需求预警方法,所述系统包括:
生理参数感知模块,用于获取第一无创生理参数和第二无创生理参数;所述第一生理参数表示医院的历史无创生理参数数据;所述第二无创生理参数表示用户的无创生理参数数据;
机器学习模型更新模块,用于利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型;
智能动态预警模块,用于将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值;所述预测概率值表示预测未来时间用户有创机械通气需求的概率;
有创机械通气需求判断模块,用于将所述预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果;
当判断结果为是时,则所述用户存在有创机械通气需求;
当判断结果为否时,则所述用户不存在有创机械通气需求;
有创机械通气需求判断模块,还用于利用SHAP分析方法对所述预测概率值分析,得到SHAP分析图;
有创机械通气需求判断模块,还用于利用所述SHAP分析图以及所述预测概率值,得到有创机械通气需求预警方案。
本申请第三方面提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前述的基于无创参数的有创机械通气需求预警方法的步骤。
本申请第四方面提供一种计算机存储介质,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前述的基于无创参数的有创机械通气需求预警方法的步骤。
本发明有益效果:
本申请提供一种基于无创参数的有创机械通气需求预警方法,首先,获取第一无创生理参数和第二无创生理参数;第一生理参数表示医院的历史无创生理参数数据;第二无创生理参数表示用户的无创生理参数数据。利用第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型。接下来,将第二无创生理参数输入有创机械通气需求初始模型,得到预测概率值;预测概率值表示预测未来时间用户有创机械通气需求的概率。然后,将预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果;然后,利用SHAP分析方法对所述第一无创生理参数和所述第二无创生理参数进行分析,得到预测的参数权重。最后,利用所述预测的参数权重以及所述预测概率值,得到有创机械通气需求预警方案。上述方法中,仅使用易获得的无创生理参数,不需要实验室数据,降低了使用成本;扩大了适用范围,使得在医疗资源匮乏的偏远地区、突发公共卫生事件和战场一线等情况下使用成为可能。利用有创机械通气需求初始模型的预测,以减少对医护人员资源的占用,更加适用于某些突发事件和特殊环境,便于医生掌握病患的插管时机,大大降低病人的死亡率以及减少医疗费用的开支。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于无创参数的有创机械通气需求预警系统的原理图;
图2为本发明一种基于无创参数的有创机械通气需求预警方法的流程图;
图3为本发明一种基于无创参数的有创机械通气需求预警方法的第一无创生理参数和第二无创生理参数的流程图;
图4为本发明一种基于无创参数的有创机械通气需求预警方法的得到有创机械通气需求初始模型的流程图;
图5为本发明一种基于无创参数的有创机械通气需求预警方法的得到预测概率值的流程图;
图6为本发明一种基于无创参数的有创机械通气需求预警方法的得到每种数据特征的预测结果的流程图;
图7为本发明一种基于无创参数的有创机械通气需求预警方法的shap分析方法示意图;
图8为本发明一种基于无创参数的有创机械通气需求预警方法的得到SHAP分析图的流程图;
图9为本发明一种基于无创参数的有创机械通气需求预警方法的窗口划分的时序图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面首先对本申请中涉及的一些名词进行解释:
LightGBM机器预测模型,是指一种开源的可扩展机器学习系统,基于GBDT(梯度提升决策树)算法的分布式梯度提升框架,为了满足缩短模型计算时间的需求,LightGBM的设计思路主要集中在减小数据对内存与计算性能的使用,在获得与XGBoost近似精度的同时,提供了更快的训练速度与更少的内存消耗。
shap分析,Shapley Additive exPlanations,是Python开发的一个模型解释包,可以解释任何机器学习模型的输出,在合作博弈论的启发下SHAP构建一个加性的解释模型,所有的特征都视为“贡献者”。对于每个预测样本,模型都产生一个预测值,SHAP value就是该样本中每个特征所分配到的数值。
按叶子生长的(leaf-wise)算法,是指每次从当前决策树所有的叶子节点中,找到分裂增益最大的一个叶子节点,然后分裂,如此循环往复,可以降低误差,得到更好的精度。
在具有大量数据的场景中,机器学习算法在分析数据方面有着出色的表现。ICU中收集的大量数据以及the Medical Information Mart for Intensive Care IIIdatabase(MIMIC公共数据库)、eICU(急诊重症监护室)、AmsterdamUMC(阿姆斯特丹UMC数据库)等大型医疗重症数据集的公开是在此环境中开发机器学习使用的关键。如果有气管插管需求预测的机器学习模型将会进行精确的预测,以便医生及早判断和掌握气管插管的时机、指征和相关处理,那么就可以为高危患者提供及时的预防性治疗计划,从而大大降低死亡率和医疗费用。
本申请第一方面提供一种基于无创参数的有创机械通气需求预警方法,该方法应用在一种基于无创参数的有创机械通气需求预警系统中,其中,一种基于无创参数的有创机械通气需求预警系统包括生理参数感知模块、机器学习模型更新模块、智能动态预警模块和有创机械通气需求判断模块。如图1所示,当患者进入ICU后做为ICU患者,ICU患者首先被生理参数感知模块采集数据,然后,利用机器学习模型更新模块、智能动态预警模块和有创机械通气需求判断模块对采集的数据进行分析。
下面将基于无创参数的有创机械通气需求预警系统应用在基于无创参数的有创机械通气需求预警方法中对本申请进行示例性地描述。
如图2所示,一种基于无创参数的有创机械通气需求预警方法,方法包括:
S1:获取第一无创生理参数和第二无创生理参数。
其中,第一生理参数表示医院的历史无创生理参数数据;第二无创生理参数表示用户的无创生理参数数据。
其中,本申请原始的有创机械通气需求预警模型所使用的无创生理参数的数据基于MIMICIII与AmsterdamUMCdb数据库训练得出。可以理解地是,建立有创机械通气需求预警模型所应用的数据通过数据库获得后,数据库中的数据作为样本数据,其中,示例性地,由于地域差异,每个地区的人体数据也存在差异,mimic和umc数据库中患者存在人种差异,与中国本土居民在身体特征数据等存在不同,这种情况下,根据这些数据建立的有创机械通气需求预警模型直接应用在当地居民的情况下,会存在差异性,由此,通过机器学习模型更新模块获得第一无创生理参数,利用医院的历史无创生理参数数据对有创机械通气需求预警模型进行更新,以使有创机械通气需求预警模型输出的预测结果更加准确。
如图3所示,获取第一无创生理参数和第二无创生理参数还包括步骤S11和S12。
S11,通过当地居民构成的数据库,得到第一无创生理参数。
其中,第一无创生理参数包括:age(年龄)、gender(性别)、BMI(体重指数)、thestatus of Mechanical ventilation(机械通风的状态)、Glasgow Coma Score(格拉斯哥昏迷评分)、gcs-verbal(语言反应)、gcs-motor(运动反应)、gcs-eyes(睁眼反应)、fiO2(吸入氧浓度)、PEEP(呼气终末正压)、O2flow(氧流量)、tidal volume(潮气量)、urine output(排尿量)、Heart rate(心率)、Respiration rate(呼吸率)、temperature(温度)、Non-invasive systolic blood pressure(无创收缩压)、Non-invasive diastolic bloodpressure(无创舒张压)、Non-invasive mean blood pressure(无创平均压)等参数。
S12,获取用户的第二无创生理参数。
其中,第二无创生理参数包括通过监护仪实时获取到用户的动态数据,和/或医生根据用户属性输入的静态数据。
具体地,监护仪获取到的用户的动态数据是指监护仪能够检测到的数据。
静态数据是指监护仪获取不到的数据,例如用户的年龄和性别等。
优选地,获取到的第二无创生理参数均包括第一无创生理参数中所有的数据,但是受限于监护仪的型号等问题,可能存在差异,也就是说,第二无创生理参数中,无法采集到第一无创生理参数所包括的某一项数据,若采集不到,这项数据对应的则为空。
S2,利用第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型。
其中,第一无创生理参数表示当地的医院无创参数数据,也可以是当地所处的省内医院的无创参数数据,本申请对此并不加以限定。
无创参数数据指的是在诊断或监测过程中不需要穿刺或侵入性操作,而是通过非侵入性手段获取的生理参数。这些参数可以提供对患者健康状况和疾病状态的评估和监测,而无需进行手术或采集样本。通过第一无创生理参数更新预设的有创机械通气需求预警模型,从而得到有创机械通气需求初始模型。接下来,利用机械通气需求初始模型对得到的第二无创生理参数进行预测。
如图4所示,其中,得到有创机械通气需求初始模型具体包括步骤S21至S24。
S21,根据第一无创生理参数,得到增量训练的数据。
其中,将第一无创生理参数作为样本,形成增量训练的数据。
S22,将增量训练的数据输入预设的有创机械通气需求预警模型,得到有创机械通气需求预警模型的增量输出结果。
其中,利用增量训练的数据对有创机械通气需求预警模型进行增量训练,有创机械通气需求预警模型输出利用增量训练数据得到的增量输出结果。
S23,根据有创机械通气需求预警模型的增量输出结果与有创机械通气需求预警模型的预测结果进行比较,得到比较差值。
其中,利用原始的基于mimic和umc数据库对有创机械通气需求预警模型进行训练得到的结果与增量输出结果进行比较,得到比较差值。也就是说,可以通过两者作差的方式得到差值。
S24,根据比较差值更新有创机械通气需求预警模型,得到有创机械通气需求初始模型。
其中,利用比较差值更新有创机械通气需求预警模型,从而使得有创机械通气需求预警模型输出的预测结果更为准确。更新有创机械通气需求预警模型后,得到有创机械通气需求初始模型,并以此作为后续步骤中对第二无创生理参数进行训练。
S3,将第二无创生理参数输入有创机械通气需求初始模型,得到预测概率值。
其中,预测概率值表示预测未来时间用户有创机械通气需求的概率。
如图5所示,具体地,得到预测概率值包括步骤S31至S33。
S31,对第一无创生理参数中包含的多个数据特征进行预处理,得到每种数据特征的数据集。
其中,第一无创生理参数是指利用监护仪得到的无创生理参数,无创生理参数中包括多个数据,示例性地,如心率、无创舒张压等等。这些数据具有对应的特征,也就是说,将监护仪得到的心率数据作为一种数据特征,形成数据集;将无创舒张压作为一种数据特征,形成数据集。其中,心率和无创舒张压仅为示例性地说明,还可包括其他监护仪所采集到的数据。
S32,将每种数据特征的数据集输入至有创机械通气需求预警模型,得到每种数据特征的预测结果。
如图6所示,其中,得到每种数据特征的预测结果包括步骤S321至S326。
S321,根据每种数据特征的数据集,得到连续的浮点特征值。
S322,将浮点特征值离散化,得到K个整数的离散值。
S323,根据K个整数的离散值,得到一个宽度为K的直方图。
S324,遍历K个整数的离散值,统计每个离散值在直方图中的累计统计量,得到最优分割点。
S325,利用按叶子生长策略,对最优分割点分裂,得到分裂分割点。
S326,循环执行S322至S325,若最优分割点达到预设的精度阈值时,得到每种数据特征的预测结果。
具体的,智能动态预警模块的输入首先接收来自生理参数感知模块采集的患者的第二无创生理参数等信息,智能动态预警模块将数据处理成直方图算法,将连续的浮点特征值离散化成k个整数的离散值,同时构造一个宽度为k的直方图。在遍历一次k个整数的离散值后积累到统计量后,根据直方图的离散值遍历寻找最优的分割点;其次,使用带有深度限制的按叶子生长的(leaf-wise)算法,以降低更多误差来获取更高精度;再次,使用Histogram(直方图)做差加速,以一个非常微小的代价得到其兄弟叶子的直方图,在速度上提升一倍;最后,智能动态预警模块的训练模型结构还支持高效并行,具体地,训练模型可包括支持特征并行和数据并行两种,以加速的在数据集上寻找最优的分割点。
每次做完训练后,得到分裂分割点,将分裂分割点便作为下一轮训练模型训练的输入,即每一次的输入数据都依赖于上次训练的输出结果,当最终的精度达到学习窗口给定的阈值后,训练模型停止训练并将最终结果传输至有创机械通气需求判断模块。也就是说,需要对每种数据特征进行计算一次,从而得到每个数据特征的最终结果。需要说明地是,有创机械通气需求初始模型为LightGBM机器预测模型。
S33,利用加权平均方法对每种数据特征的预测结果进行计算,得到预测概率值。
其中,当得到每个数据特征的最终结果后,可以根据加权平均等方法对每个数据特征的最终结果进行计算,得预测概率值。加权平均仅方法为示例性的说明,还可以使用其他的方式进行计算,本申请对此不加以限定。
S4,将预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果。
当判断结果为是时,则用户存在有创机械通气需求。
当判断结果为否时,则用户不存在有创机械通气需求。
其中,在前述步骤中得到了预测概率值后,输入至有创机械通气需求判断模块。在有创机械通气需求判断模块内利用预设的有创机械通气需求判断阈值与预测概率值进行比较。进行比较后,预测概率值大于等于预设的有创机械通气需求判断阈值时,判断结果为是,则用户存在有创机械通气需求。反之判断结果为否时,则用户不存在有创机械通气需求。接下来,有创机械通气需求判断模块对判断结果进行输出。
S5,利用SHAP分析方法对第一无创生理参数和第二无创生理参数,得到预测的参数权重。
如图8所示,其中,得到SHAP分析图包括步骤S51和S52。
S51,根据每种数据特征对应的权重,对数据特征进行排序,得到特征权重排序。
S52,利用SHAP分析方法,对特征权重排序进行分析,得到预测的参数权重。
如图7所示,需要说明地是,图7中,a为输入特性(第一无创生理参数和第二无创生理参数)对气管插管需求预测的影响,a中密度散点图画出了所有样本的情况。利用SHAP分析方法对样本进行分析,按照SHAP分析方法中的Shapley数值的平均绝对值对特征降序排序,a中宽的地方表示有大量的样本聚集,对每一个特征,点越密集,高度越高,从而得到预测的参数权重。图7中b为心率和格拉斯哥评分表中语言反应指标对气管插管需求的影响,横坐标为心率值标准化后数值,纵坐标表示心率参数shap值,右边的色棒表示语言反应特征值大小。其中,当心率约低于平均值下1个标准差单位时,gcsverbal越高,心率的Shapley值越低,有创机械通气的需求越低;当心率约高于平均值上1个标准差单位时,gcsverbal越高,心率的Shapley值越高,有创机械通气的需求越高。图7中c为收缩压和格拉斯哥评分表中肢体运动指标对气管插管需求的影响。其中,当收缩压约低于平均值时,gcsmotor越高,收缩压的Shapley值越高,有创机械通气的需求越高;当收缩压约高于平均值时,gcsmotor越高,收缩压的Shapley值越低,有创机械通气的需求越低。
图7中的b、c图为对shap分析的简要展示。通过上述内容可知,当收缩压约低于平均值时,运动反应越高,收缩压的shap值越高,气管插管的需求越高;当收缩压约高于平均值时,运动反应越高,收缩压的shap值越低,气管插管的需求越低。
S6,利用预测的参数权重以及预测概率值,得到有创机械通气需求预警方案。
其中,根据有创机械通气需求判断结果,医生可以得到模型对用户对有创机械通气需求的初步判断,接下来,医生根据预测的参数权重形成的SHAP分析图,得到各项生理参数在本次预测中所占权重,以分析患者发生机械通气需求可能存在的病因。
如图9所示,在一些实施例中,基于无创参数的有创机械通气需求预警方法还可以根据用户入住ICU的时间到得出有创机械通气需求预警方案这段时间,进行窗口划分,具体可划分为学习窗口、延迟窗口和预测窗口。
学习窗口表示第二无创生理参数输入有创机械通气需求模型的学习时间。
其中,在学习窗口中循环执行S322至S325,迭代的次数越多。也就是说,在将每种数据特征的数据集输入至有创机械通气需求预警模型,得到每种数据特征的预测结果的步骤中,如果设置的学习窗口时间长,循环执行S322至S325,迭代的次数越多,得到的精度越高。这种情况下,可以预设想要达到的精度阈值,当设定精度阈值的情况下,循环执行S322至S325。当精度达到预设的精度阈值的情况下,即可停止执行S322至S325。
延迟窗口表示预测窗口和学习窗口之间的时间间隔,以便利用所述延迟窗口对所述有创机械通气需求进行干预。也就是说,利用延迟窗口能够使得有创机械通气需求初始模型报警后医护人员有时间对潜在机械通气需求患者涉及临床治疗方案,及早进行临床干预。
预测窗口表示预设的未来时间段,其中,未来时间段内有创机械通气需求的情况下,预测窗口显示存在有创机械通气需求。例如,根据判断结果,形成预测有创机械通气需求的信号,通过相应的设备反馈给医护人员。示例性地,预测窗口判断结果分为“推荐进行有创机械通气”以及“不推荐进行有创机械通气”两种方式中的一种反馈给医护人员。
示例性地,用户入住ICU的时间点作为T0,也就是说,患者入住ICU的时间作为起始时间。
当前时间(监护仪采集到的患者的第二无创生理参数的十几秒)为T1,其中,T1至T0的时间,可以是医护人员获取有创机械通气需求初始模型计算过程中无法通过监护仪采集到的参数,例如,患者的年龄、身高、体重和性别等为静态数据,这些数据可以在T1至T0的时间段内输入至机器学习模型更新模块,这样,当生理参数感知模块将采集到的第二无创生理参数传输给智能动态预警模块时,机器学习模型更新模块会根据医护人员输入的内容更新有创机械通气需求预警模型,然后再使用更新后的有创机械通气需求初始模型计算第二无创生理参数,这样能够提高准确性。
智能动态预警模块的计算及学习的时间为x1。将有创机械通气需求初始模型接收到第二无创生理参数,以及计算第二无创生理参数所需要的时间段标记为学习窗口,x1即为学习窗口。第二无创生理参数不仅用于计算预测,还能作为机器学习模型更新模块训练的数据,以便机器学习模型更新模块将接收到的数据进行增量学习,更新机器学习模型更新模块中的有创机械通气需求预警模型。上述方式使得智能动态预警模块利用有创机械通气需求初始模型输出计算预测结果,还能够利用接收到的第二无创生理参数来更新机器学习模型更新模块中的有创机械通气需求预警模型,提高计算的准确性。
其中,T0、T1和x1,需要满足T1-x1≥T0。也就是说,T1-x1=T0时,不需要将监护仪采集不到的参数传输给智能动态预警模块,另外,还可以预先将患者的信息(患者的信息为监护仪采集不到的参数,例如患者的静态数据)传输给有创机械通气需求判断模块。示例性地,当突发事件发生时,应对突发事件的救护人员的信息是确定的,这样,可以预先将救护人员的信息传输给智能动态预警模块,当救护人员发生事故时,能够减少信息输入的时间。
根据SHAP分析方法,得到例如心率、格拉斯哥评分、舒张压、收缩压等特征在本次预测过程中所占权重的大小,SHAP分析所反映的各项生理参数权重占比将以绝对值的形式由大到小列出,医护人员将根据生理参数所占权重的大小分析患者发生有创机械通气需求可能存在的病因,即某些特征数值的高与低可能导致患者对有创机械通气的需求。
示例性地,当使用医院历史患者数据对预测概率值进行修正的情况下,修正后的有创机械通气需求概率计算公式为:
其中,原始概率为通过学习窗口得到的预测概率值,C为分类阈值,分类阈值表示有创机械通气需求判断模块将根据增量训练的结果对预测概率值修正,得到分类阈值C;若修正后的预测概率值大于0.5,则有创机械通气需求判断模块会判断患者在24小时的预测窗口范围内将会出现有创机械通气的需求,反之判断患者不会出现有创机械通气。
根据判断阈值的比较结果,对未来可能出现有创机械通气需求的时间段标记为预测窗口,图3中,预测窗口的时间段为[T1+x2,T1+x2+4],其中,4仅为示例性地说明预测未来四小时内会发生有创机械通气需求,示例性地,4可以更换为1-24小时内的值,该值根据有创机械通气需求判断模块计算得到。也就是说,基于无创参数的有创机械通气需求预警系统所得出的有创机械通气需求初始模型能够对患者当下与未来24小时的气管插管需求进行判断,并通过十折交叉验证的方法,基于训练集训练有创机械通气需求预警模型,依据有创机械通气需求初始模型在验证集上性能调整模型的参数,实现了对有创机械通气的动态预警。
其中,十折交叉验证是将第一数据集切割成较小子集,例如将不同时间获得的第二无创生理参数,形成数据集,并将数据集分割成10份,轮流将其中9份做训练(训练集),1份做验证(测试集)。10次的结果的均值作为对算法精度的估计。通过此种方式形成训练集,在机器学习模型更新模块中对有创机械通气需求预警模型进行训练,更新有创机械通气需求预警模型,得到有创机械通气需求初始模型。也就是说,利用十折交叉验证的方法更新机器学习模型更新模块。
实施例
本发明提出一种基于无创参数的有创机械通气需求预警方法流程如下:
S001)、使用常规监护仪对患者的无创生理参数进行采集;
S002)、将监护仪采集到的无创生理参数数据传输至生理参数感知模块;
S003)、生理参数感知模块将采集到的无创生理参数数据转换成数据集发送至智能动态预警模块;
S004)、将当地医院历史患者数据输至机器学习模型更新模块;
S005)、智能动态预警模块将数据集更新为S003采集数据;
S006)、智能动态预警模块根据实际医疗情况对学习窗口、延迟窗口、预测窗口进行划分;
S007)、通过LightGBM机器学习方法根据学习窗口时长对S003转换的数据集进行训练;
S008)、有创机械通气需求判断模块接收智能动态预警模块的训练结果;
S009)、有创机械通气需求判断模块根据S004数据调整智能动态预警模块的内置参数(更新有创机械通气需求初始模型);
S010)、智能动态预警模块内延迟窗口根据设置可以预留出医生提供治疗方案、做出决策时间(该步骤中,当医生未提供治疗方案和做出决策时,可删除,医生可以根据SHAP分析图提供治疗方案);
S011)、有创机械通气需求判断模块根据S010对概率值进行修正;
S012)、有创机械通气需求判断模块根据分析记录进行可解释性分析(SHAP分析);
S013)、有创机械通气需求判断模块根据修正后的概率值在预测窗口内进行判断;
S014)、预测窗口判断结果分为“推荐进行有创机械通气”以及“不推荐进行有创机械通气”;
S015)、系统将S014所得的判断结果以及SHAP分析图反馈至医护人员。
本申请第二方面提供一种基于无创参数的有创机械通气需求预警系统,应用于前述的基于无创参数的有创机械通气需求预警方法,系统包括:
生理参数感知模块,用于获取第一无创生理参数和第二无创生理参数;所述第一生理参数表示医院的历史无创生理参数数据;所述第二无创生理参数表示用户的无创生理参数数据;
机器学习模型更新模块,用于利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型;
智能动态预警模块,用于将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值;所述预测概率值表示预测未来时间用户有创机械通气需求的概率;
有创机械通气需求判断模块,用于将所述预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果;
当判断结果为是时,则所述用户存在有创机械通气需求;
当判断结果为否时,则所述用户不存在有创机械通气需求;
有创机械通气需求判断模块,还用于利用SHAP分析方法对所述预测概率值分析,得到SHAP分析图;
有创机械通气需求判断模块,还用于利用所述SHAP分析图以及所述预测概率值,得到有创机械通气需求预警方案。
本申请第三方面提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现前述的基于无创参数的有创机械通气需求预警方法的步骤。
本申请第四方面提供一种计算机存储介质,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前述的基于无创参数的有创机械通气需求预警方法的步骤。
综上所述,本申请提供的一种基于无创参数的有创机械通气需求预警方法级系统,用于解决受限于偏远地区、突发公共卫生事件和战场一线等地的有创机械通气需求预测问题,具有如下有益效果:
1、该系统仅使用易获得的无创参数,不需要实验室数据,降低了系统使用成本;扩大了系统的使用适用范围,使其在医疗资源匮乏的偏远地区、突发公共卫生事件和战场一线等情况下使用成为可能。
2、本方法可以实现对患者ICU期间全程的实时动态预警。用无创参数建立动态辨识的有创机械通气需求初始模型,增加了延迟窗口的概念,所采用的方法避免了简单模型统计方法仅能建立线性模型,无法满足人体生理状态与护理需求之间复杂非线性关系的问题,这不仅降低了有创机械通气需求初始模型落地成本,为需要气管插管或脱机的潜在患者提供了充分时间保障,而且利用SHAP分析图展示了参数在患者治疗过程中各项生理参数对造成机械通气结局影响的重要程度,以便医生制定出更适合患者的治疗方案,增加患者的救治成功率。
3、相较临床中传统的评价指标具有更高的计算复杂度,能够更精准挖掘因变量与自变量之间的关系,更加符合处理现实问题的复杂非线性关系需求。能够提供更好的有创机械通气需求预警能力。
4、该装置具有可解释性。解决了机器学习模型能提升预测的准确度,但可能被视为所谓的黑匣子的问题。最大程度建立和临床医生的信任,并避免伦理问题。
5、该系统在不改变有创机械通气需求初始模型结构的前提下,可根据不同的临床环境自动更新模型权重,从而在确保高准确度的同时还能拥有不错的鲁棒性,满足实际应用的需求。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于无创参数的有创机械通气需求预警方法,其特征在于,方法包括:
S1,获取第一无创生理参数和第二无创生理参数;所述第一生理参数表示医院的历史无创生理参数数据;所述第二无创生理参数表示用户的无创生理参数数据;
S2,利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型;
S3,将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值;所述预测概率值表示预测未来时间用户有创机械通气需求的概率;
S4,将所述预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果;
当判断结果为是时,则所述用户存在有创机械通气需求,执行S5;
当判断结果为否时,则所述用户不存在有创机械通气需求,返回S1;
S5,利用SHAP分析方法对所述第一无创生理参数和所述第二无创生理参数进行分析,得到预测的参数权重;
S6,利用所述预测的参数权重以及所述预测概率值,得到患者通气干预方案。
2.根据权利要求1所述的基于无创参数的有创机械通气需求预警方法,其特征在于,所述获取第一无创生理参数和第二无创生理参数,包括:
S11,通过当地居民构成的数据库,得到第一无创生理参数;所述第一无创生理参数包括年龄、性别、体重指数、机械通风的状态、格拉斯哥昏迷评分、语言反应、运动反应、睁眼反应、吸入氧浓度、呼气终末正压、氧流量、潮气量、排尿量、心率、呼吸率、温度、无创收缩压、无创舒张压和无创平均压;
S12,获取用户的第二无创生理参数;所述第二无创生理参数包括通过监护仪实时获取到用户的动态数据,和/或医生根据所述用户属性输入的静态数据。
3.根据权利要求2所述的基于无创参数的有创机械通气需求预警方法,其特征在于,所述利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型,包括:
S21,根据所述第一无创生理参数,得到增量训练的数据;
S22,将所述增量训练的数据输入预设的所述有创机械通气需求预警模型,得到所述有创机械通气需求预警模型的增量输出结果;
S23,根据所述有创机械通气需求预警模型的增量输出结果与所述有创机械通气需求预警模型的预测结果进行比较,得到比较差值;
S24,根据所述比较差值更新所述有创机械通气需求预警模型,得到所述有创机械通气需求初始模型。
4.根据权利要求2所述的基于无创参数的有创机械通气需求预警方法,其特征在于,所述将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值,包括:
S31,对所述第一无创生理参数中包含的多个数据特征进行预处理,得到每种数据特征的数据集;
S32,将每种数据特征的数据集输入至所述有创机械通气需求预警模型,得到每种数据特征的预测结果;
S33,利用加权平均方法对每种数据特征的预测结果进行计算,得到预测概率值。
5.根据权利要求4所述的基于无创参数的有创机械通气需求预警方法,其特征在于,所述将每种数据特征的数据集输入至所述有创机械通气需求预警模型,得到每种数据特征的预测结果,包括:
S321,根据所述每种数据特征的数据集,得到连续的浮点特征值;
S322,将所述浮点特征值离散化,得到K个整数的离散值;
S323,根据所述K个整数的离散值,得到一个宽度为K的直方图;
S324,遍历所述K个整数的离散值,统计每个所述离散值在所述直方图中的累计统计量,得到最优分割点;
S325,利用按叶子生长策略,对所述最优分割点分裂,得到分裂分割点;
S326,循环执行S322至S325,若所述最优分割点达到预设的精度阈值时,得到所述每种数据特征的预测结果。
6.根据权利要求5所述的基于无创参数的有创机械通气需求预警方法,其特征在于,所述利用SHAP分析方法对所述第一无创生理参数和所述第二无创生理参数进行分析,得到预测的参数权重,包括:
S51,根据每种数据特征对应的权重,对数据特征进行排序,得到特征权重排序;
S52,利用SHAP分析方法,对特征权重排序进行分析,得到预测的参数权重。
7.根据权利要求1-6中任一项所述的基于无创参数的有创机械通气需求预警方法,其特征在于,还包括:学习窗口、延迟窗口和预测窗口;
所述学习窗口表示所述第二无创生理参数输入所述有创机械通气需求模型的学习时间;
所述延迟窗口表示所述学习窗口和所述预测窗口之间的时间间隔,以便利用所述延迟窗口对所述有创机械通气需求进行干预;
预测窗口表示预设的未来时间段,其中,所述未来时间段内存在有创机械通气需求的情况下,所述预测窗口显示存在有创机械通气需求。
8.一种基于无创参数的有创机械通气需求预警系统,其特征在于,应用于权利要求1-7中任一项所述的基于无创参数的有创机械通气需求预警方法,所述系统包括:
生理参数感知模块,用于获取第一无创生理参数和第二无创生理参数;所述第一生理参数表示医院的历史无创生理参数数据;所述第二无创生理参数表示用户的无创生理参数数据;
机器学习模型更新模块,用于利用所述第一无创生理参数更新预设的有创机械通气需求预警模型,得到有创机械通气需求初始模型;
智能动态预警模块,用于将所述第二无创生理参数输入所述有创机械通气需求初始模型,得到预测概率值;所述预测概率值表示预测未来时间用户有创机械通气需求的概率;
有创机械通气需求判断模块,用于将所述预测概率值与预设的有创机械通气需求判断阈值进行比较,得到用户是否存在有创机械通气需求判断结果;
当判断结果为是时,则所述用户存在有创机械通气需求;
当判断结果为否时,则所述用户不存在有创机械通气需求;
有创机械通气需求判断模块,还用于利用SHAP分析方法对所述预测概率值分析,得到SHAP分析图;
有创机械通气需求判断模块,还用于利用所述SHAP分析图以及所述预测概率值,得到有创机械通气需求预警方案。
9.一种计算机存储介质,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1至7中任一项所述的基于无创参数的有创机械通气需求预警方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于无创参数的有创机械通气需求预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860629.2A CN116913468A (zh) | 2023-07-13 | 2023-07-13 | 一种基于无创参数的有创机械通气需求预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860629.2A CN116913468A (zh) | 2023-07-13 | 2023-07-13 | 一种基于无创参数的有创机械通气需求预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116913468A true CN116913468A (zh) | 2023-10-20 |
Family
ID=88362281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860629.2A Pending CN116913468A (zh) | 2023-07-13 | 2023-07-13 | 一种基于无创参数的有创机械通气需求预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913468A (zh) |
-
2023
- 2023-07-13 CN CN202310860629.2A patent/CN116913468A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11577037B2 (en) | Automatic detection of airway device, endotracheal intubation, and tube misplacement in children during the anesthesia procedure | |
US9532721B2 (en) | Patient care recommendation system | |
Fagan et al. | Extensions to the rule-based formalism for a monitoring task | |
Jaffe | Using the features of the time and volumetric capnogram for classification and prediction | |
CN110752002B (zh) | 一种药物用量预测装置 | |
CN110547868A (zh) | 一种连续麻醉装置 | |
CN113499035A (zh) | 一种基于置信区间融合阈值判据的疼痛识别系统 | |
Kenneth et al. | Data fusion of multimodal cardiovascular signals | |
CN117423428B (zh) | 一种基于数据分析的麻醉药剂输送智能管理系统及方法 | |
EP3203900A1 (en) | Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis | |
Sá et al. | Automated breath detection on long-duration signals using feedforward backpropagation artificial neural networks | |
CN116913468A (zh) | 一种基于无创参数的有创机械通气需求预警方法及系统 | |
CN111317440A (zh) | 患者的预警方法、使用该方法的监护设备及可读存储介质 | |
Baidillah et al. | Mechanical ventilation intervention based on machine learning from vital signs monitoring: a scoping review | |
Liu et al. | Extubation outcome after a successful spontaneous breathing trial: A multicenter validation of a 3‑factor prediction model | |
CN113066547A (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
CN111840931A (zh) | 双水平呼吸功能监测及干预设备 | |
JP2021078538A (ja) | 学習済みモデルの生成方法、学習済みモデルの生成システム、推論装置、およびコンピュータプログラム | |
Xia | Artificial intelligence in airway management | |
Ren et al. | 1D-CNNs model for classification of sputum deposition degree in mechanical ventilated patients based on airflow signals | |
EP4079221A1 (en) | System for identifying a condition of a user | |
CN212880869U (zh) | 双水平呼吸功能监测及干预设备 | |
US20240023826A1 (en) | Aerosol spirometer and method of using same | |
CN116978553B (zh) | 一种基于多维因素的非计划性拔管风险预测方法及系统 | |
Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit |
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 |