CN116978553B - 一种基于多维因素的非计划性拔管风险预测方法及系统 - Google Patents
一种基于多维因素的非计划性拔管风险预测方法及系统 Download PDFInfo
- Publication number
- CN116978553B CN116978553B CN202311081300.2A CN202311081300A CN116978553B CN 116978553 B CN116978553 B CN 116978553B CN 202311081300 A CN202311081300 A CN 202311081300A CN 116978553 B CN116978553 B CN 116978553B
- Authority
- CN
- China
- Prior art keywords
- tube drawing
- data
- model
- risk
- unplanned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 76
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000011119 multifactor regression analysis Methods 0.000 claims description 6
- 206010039897 Sedation Diseases 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000036280 sedation Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 208000023504 respiratory system disease Diseases 0.000 claims description 4
- 238000002627 tracheal intubation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 15
- 239000010410 layer Substances 0.000 description 13
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 230000003434 inspiratory effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 239000000932 sedative agent Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010017472 Fumbling Diseases 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000001624 sedative effect Effects 0.000 description 2
- SVUOLADPCWQTTE-UHFFFAOYSA-N 1h-1,2-benzodiazepine Chemical compound N1N=CC=CC2=CC=CC=C12 SVUOLADPCWQTTE-UHFFFAOYSA-N 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 1
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 1
- 102100023635 Alpha-fetoprotein Human genes 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 1
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 102000004420 Creatine Kinase Human genes 0.000 description 1
- 108010042126 Creatine kinase Proteins 0.000 description 1
- 206010012218 Delirium Diseases 0.000 description 1
- 238000008789 Direct Bilirubin Methods 0.000 description 1
- 102000008857 Ferritin Human genes 0.000 description 1
- 108050000784 Ferritin Proteins 0.000 description 1
- 238000008416 Ferritin Methods 0.000 description 1
- 108010073178 Glucan 1,4-alpha-Glucosidase Proteins 0.000 description 1
- 102100022624 Glucoamylase Human genes 0.000 description 1
- 108010023302 HDL Cholesterol Proteins 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 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 description 1
- 102000008133 Iron-Binding Proteins Human genes 0.000 description 1
- 108010035210 Iron-Binding Proteins Proteins 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical compound IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- 102000004357 Transferases Human genes 0.000 description 1
- 108090000992 Transferases Proteins 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 229930003779 Vitamin B12 Natural products 0.000 description 1
- 108010026331 alpha-Fetoproteins Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229940049706 benzodiazepine Drugs 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 238000009640 blood culture Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000539 dimer Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 229960000304 folic acid Drugs 0.000 description 1
- 235000019152 folic acid Nutrition 0.000 description 1
- 239000011724 folic acid Substances 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000000055 hyoplipidemic effect Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- -1 r-glutamyl Chemical group 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229940125723 sedative agent Drugs 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 229940035722 triiodothyronine Drugs 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 239000011715 vitamin B12 Substances 0.000 description 1
- 235000019163 vitamin B12 Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及技术领域,尤其是涉及一种基于多维因素的非计划性拔管风险预测方法及系统。一种基于多维因素的非计划性拔管风险预测方法,包括获取临床数据和监控视频资料;对获取的临床数据进行预处理;将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点,并按时间点对临床数据进行标注,得到候选多维度变量数据;对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;选取了可靠的多维度变量,避免了人工选择变量的主观性,同时更全面地捕捉有利于ICU插管患者非计划性拔管风险预测的特征,提升预测精度。
Description
技术领域
本发明涉及技术领域,尤其是涉及一种基于多维因素的非计划性拔管风险预测方法及系统。
背景技术
非计划性拔管(UEX)是指插管患者未经医护人员同意有意或无意拔除导管,或其他原因造成的插管脱落,是ICU主要护理不良事件之一,也是反映ICU医疗护理治疗的一个重要指标。非计划性拔管一旦发生可引起不良后果,比如过早拔除气管导管可导致缺氧、心脏骤停等,甚至危及患者生命安全。为了防止非计划性拔管,当前采用的方法主要有以下几种。
1、穿戴性装置。(1)采用穿戴性约束装置对患者或管道进行约束,比如通过患者约束带对患者进行肢体保护性约束,通过管道固定装置对管道进行固定保护性约束;(2)采用穿戴性检测感应装置监测患者管道状态,比如采用电极片、传感器等组成穿戴性感应装置,在出现非计划性拔管时,装置有所感应并发出声音进行警报。
2、预警系统装置。通过由多种设备(比如:机架、调节机构、预警装置、开源单片机、信息传输装置等,或者套管、挡环等)组成的患者非计划性拔管预警系统装置,对患者非计划性拔管进行报警。
3、医护评估。临床实践中大多基于患者神志、导管类型、人力数量等容易发生非计划拔管风险的相关因素来制定评估标准,比如管道滑脱风险评估单、Moons故意拔管风险评估界限图等,医护人员根据标准进行评估,根据评估结果采取集束化防控措施。
4、信息化管理系统。(1)生物统计分析方法:根据医护人员临床经验定义风险因素,通过统计分析方法构建非计划性拔管评估模型,利用信息网络平台实现非计划性拔管风险评估。(2)人工智能方法:基于传感器采集的导管信息数据(例如:导管端头姿态数据、导管压力数据等)、或者患者部分信息数据(例如:基本信息数据、疾病数据等),构建ICU插管患者非计划性拔管预警模型,实现ICU插管患者非计划性拔管预警。
然而上述几种方法均存在缺点:
(1)穿戴性装置易降低患者的舒适度与生存质量,并且存在装置脱落等风险。
(2)预警系统装置多由多个设备组成,难以部署,且使用过程中在稳定性以及效率方面存在诸多不便。
(3)评估量表多基于很多相关因素进行,程序繁琐,医护人员常需要花费很多时间且难以准确评估UEX发生的风险;此外此类方法多采用静态风险因素,无法做到实时动态评估。
(4)对于信息化管理系统,一方面,生物统计分析方法需要人工根据临床经验定义风险因素,采用的变量存在主观性和数据偏差;且多建立在线性模型基础上,预测准确度低。另一方面,现有的人工智能方法,由于传感器采集的导管数据精度不高、稳定性差,或者采用的部分维度数据难以反映患者全面信息,易丢失有利于ICU插管患者非计划性拔管预警的特征,使得模型效果欠佳。
因此亟需一种基于多维因素的ICU插管患者非计划性拔管风险实时预测方法。
发明内容
为了解决上述提到的问题,本发明提供一种基于多维因素的非计划性拔管风险预测方法及系统。
第一方面,本发明提供的一种基于多维因素的非计划性拔管风险预测方法,采用如下的技术方案:
一种基于多维因素的非计划性拔管风险预测方法,包括:
获取临床数据和监控视频资料;
对获取的临床数据进行预处理;
将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点,并按时间点对临床数据进行标注,得到候选多维度变量数据;
对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;
利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
利用非计划性拔管动作阶段识别模型识别得到风险预测结果。
进一步地,所述对获取的临床数据进行预处理,包括对确实临床数据填充,以保证每分钟内有至少一条数据。
进一步地,所述对候选多维度变量数据进行多维变量筛选,包括对候选多维度变量数据依次进行组间单因素分析、多因素回归分析、变量相关性分析,得到最终的多维度变量数据。
进一步地,所述多维度变量数据包括ICU设备监测变量、实验室检查变量、患者相关变量、管理相关变量、治疗相关变量和环境相关变量六个维度的变量。
进一步地,所述利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,包括将多维度变量数据生成多维变量数据切片样本,按照比例分为训练集和验证集,利用非计划性拔管动作阶段识别模型识别各动作阶段类别的概率值。
进一步地,所述利用非计划性拔管动作阶段识别模型识别得到风险预测结果,包括利用非计划性拔管动作阶段识别模型识别各动作阶段类别的概率值,概率值最高的类别为模型识别的患者所处的动作阶段,基于动作阶段预测非计划性拔管风险。
进一步地,所述基于动作阶段预测非计划性拔管风险,包括若识别为“正常”,预测风险为“安全”;若识别为“拔管前期”,预测风险为“低风险”;若识别为“拔管中”,预测风险为“中风险”;若识别为“拔管完成”,预测风险为“危急”。
第二方面,一种基于多维因素的非计划性拔管风险预测系统,包括:
数据获取模块,被配置为,获取临床数据和监控视频资料;对获取的临床数据进行预处理;
筛选模块,被配置为,将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点,并按时间点对临床数据进行标注,得到候选多维度变量数据;对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
模型模块,被配置为,基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
预测模块,被配置为,利用非计划性拔管动作阶段识别模型识别得到风险预测结果。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于多维因素的非计划性拔管风险预测方法。
第四方面,本发明提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于多维因素的非计划性拔管风险预测方法。
综上所述,本发明具有如下的有益技术效果:
(1)本发明对非计划性拔管的动作阶段进行更加细致的划分识别,一方面实现了对非计划拔管的早期识别,辅助临床于早期采取干预措施,提高治疗成功率;另一方面通过对不同动作阶段的准确识别,辅助临床采取更加精准有效的干预措施。
(2)通过选取可靠的多维度变量,避免了人工选择变量的主观性,同时更全面地捕捉有利于ICU插管患者非计划性拔管风险预测的特征,提升预测精度。
(3)采用深度神经网子模块与机器学习辅助子模块相结合的集成算法,并通过层间短接处理、标准化处理层确保此高深度的算法模型成功训练,从而使得研发出的模型同时适用于时间序列数据和静态数据,实现ICU插管患者非计划性拔管风险的高性能预测。
附图说明
图1是本发明实施例1的一种基于多维因素的非计划性拔管风险预测方法的示意图。
图2是本发明实施例1的深度神经网络子模块结构图。
图3是本发明实施例1的ICU插管患者非计划性拔管动作阶段识别模型示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1,本实施例的一种基于多维因素的非计划性拔管风险预测方法,包括:
获取临床数据和监控视频资料;
对获取的临床数据和监控视频资料进行预处理;
将监控视频资料和临床数据按照时间点进行标注,得到候选多维度变量数据;
对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;
利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
利用非计划性拔管动作阶段识别模型识别得到风险预测结果。
所述对获取的临床数据进行预处理,包括对缺失临床数据填充,以保证每分钟内有至少一条数据。
所述对候选多维度变量数据进行多维变量筛选,包括对候选多维度变量数据依次进行组间单因素分析、多因素回归分析、变量相关性分析,得到最终的多维度变量数据。
所述多维度变量数据包括ICU设备监测变量、实验室检查变量、患者相关变量、管理相关变量、治疗相关变量和环境相关变量六个维度的变量。
所述利用多维度变量数据作为样本训练训练非计划性拔管动作阶段识别模型,包括将多维度变量数据生成多维变量数据切片样本,按照比例分为训练集和验证集,利用非计划性拔管动作阶段识别模型识别各动作阶段类别的概率值。
所述利用非计划性拔管动作阶段识别模型识别得到风险预测结果,包括利用非计划性拔管动作阶段识别模型识别各动作阶段类别的概率值,概率值最高的类别为模型识别的患者所处的动作阶段,基于动作阶段预测非计划性拔管风险。
所述基于动作阶段预测非计划性拔管风险,包括若识别为“正常”,预测风险为“安全”;若识别为“拔管前期”,预测风险为“低风险”;若识别为“拔管中”,预测风险为“中风险”;若识别为“拔管完成”,预测风险为“危急”。
具体为,包括以下步骤:
S1.获取临床数据和监控视频资料;
其中,
(1)患者选择
采用目的抽样法,根据临床纳入和排除标准,从医学中心信息管理系统中筛选出符合条件的患者。纳入标准:①年龄≥18岁;②ICU带管/置管患者(如气管插管、胃管、引流管等);③有非计划拔管相关护理不良事件记录(如自行拔管、管道滑脱、UEX等)的患者。排除标准:器质性脑功能障碍以及病理性精神障碍患者。
(2)患者数据提取
患者发生非计划性拔管后,责任护士会将非计划性拔管发生的过程登记在信息管理系统完成上报。定期通过查看信息管理系统了解该段时期非计划性拔管发生情况,若有满足纳入与排除标准的病例则调取该患者数据,包括患者临床数据以及监控视频资料,其中临床数据用于算法模型研发,监控视频资料用于数据标注,即基于视频观察对非计划性拔管动作阶段进行划分标注。
在调取患者数据时,根据信息系统记录的事件发生时间在系统数据库中进行定位。以入ICU时间为起点、非计划性拔管事件发生后30min为终点,调取患者临床数据;以非计划性拔管事件发生前150min为起点、事件发生后30min为终点(共3h时长),调取患者的视频资料。
S2.对获取的临床数据进行预处理;
为了便于模型训练与提高模型性能,对提取的患者临床数据进行预处理。首先,确保每1min有至少一条数据,以提高数据质量。因此,对于缺失的变量数据,采用时间点最近的前期数据进行填充,若整个ICU住院过程中某变量数据全部缺失,则从该变量的正常范围中选择一个正常值进行填充。此外还包括以下数据预处理操作:数据单位统一以保持相同变量数据分布一致性,数据归一化以减少不同变量数据之间量纲差异对算法的不利影响,将类别型数据进行one-hot编码转换成数值型数据以方便算法输入。
S3.将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点,并按时间点对临床数据进行标注,得到候选多维度变量数据;
与现有常见预测方法的仅识别患者非计划拔管是否发生不同,本方法对非计划拔管动作阶段进行更加细致的划分,包括“正常”、“拔管前期”、“拔管中”、“拔管完成”四类。对每个患者的视频资料进行浏览,确定非计划性拔管各动作阶段的划分时间点。
对于非计划性拔管动作阶段的划分定义,“正常”指患者正常休息至非计划拔管相关的肢体活动(摸索、摇头等)增加;“拔管前期”指从非计划拔管相关的肢体活动(摸索、摇头等)增加开始,至肢体接触导管的时间;“拔管中”为患者肢体接触导管至将导管向外拉扯的时期;“拔管完成”是患者肢体将导管向外拉扯至导管离开功能位置以及之后的时间段,或医护人员操作等其他因素导致导管向外发生位置变化至其离开功能位置以及之后的时间段。
提取的各患者的临床数据,均包含相应的数据采集时间戳。基于时间戳与前述动作阶段划分点,将各患者临床数据标注为“正常”、“拔管前期”、“拔管中”、“拔管完成”四类。
S4.对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
与现有方法的仅采用部分维度数据不同,本提案采用多维变量数据。首先整理得到候选多维变量,然后基于统计分析算法筛选得到模型最终采用的多维变量。
候选多维变量整理。汇总ICU常用的患者非计划性拔管评估量表(管道滑脱风险评估单、非计划性拔管风险评分量表、非计划性拔管风险预测评估表、Moons故意拔管风险评估界限图、导管分级危险评估工具、二维象限风险评估法)所采用的变量,以及不同医院多位医生分别建议的具有临床意义的变量,作为候选多维度变量。此处,仅是借鉴利用评估量表中的变量。例如很多临床研究发现,使用苯二氮卓类镇静药物的患者更容易发生非计划性拔管,故与现有方法相比,本提案新增“是否采用镇静治疗”、“镇静药物类型”变量。
多维变量筛选。对于步骤S3中提取并标注的患者数据,通过组间单因素分析、多因素回归分析、变量相关性分析,选择最终的多维变量。(1)组间单因素分析:对患者不同动作阶段的影响因素进行单因素分析,即计算各候选变量的组间差异性,以P<0.05作为差异有统计学意义的标准,筛选具有组间显著性差异的变量。(2)多因素回归分析:对患者不同动作阶段影响因素进行多因素回归分析,即量化各变量对于各动作阶段预测的重要性,筛选相应的重要影响变量。(3)变量相关性分析:汇总前述具有组间显著性差异的变量以及重要影响变量,计算两两变量的相关系数,删除相关系数大于0.6的两个特征变量中的一个,避免特征变量冗余性。最终筛选出来ICU设备监测变量、实验室检查变量、患者相关变量、管理相关变量、治疗相关变量、环境相关变量六个维度的变量,具体列举如下。
ICU设备监测变量(27项):呼吸频率、吸呼比、呼末二氧化碳分压、峰压、平台压、平均气道压、支持压力、呼气末正压、氧浓度、上升时间、吸气压力、吸气时间、呼吸频率、潮气量、CRRT跨膜压、CRRT过滤器压力、CRRT脱水量、CRRT运行时间、心率、脉搏频率、有创血压、无创血压、平均血压、脉氧饱和度、体温、中心静脉压、灌注指数。
实验室检查变量(43项):D-二聚体、r-谷氨酰基转移酶、癌胚抗原、白蛋白、大便颜色、低密脂蛋白胆固醇、二氧化碳总量、甘油三脂、高密脂蛋白胆固醇、红细胞、红细胞压积、肌酐、肌酸激酶、肌酸激酶同工酶、钾、碱性磷酸酶、淋巴细胞百分比、磷、氯、镁、钠、尿白细胞计数、尿酸、凝血酶原时间、乳酸、乳酸脱氢酶、三碘甲状腺原氨酸、实际碳酸氢盐、铁、铁蛋白、维生素B12、胸水蛋白、血淀粉酶、血红蛋白、血培养、血清甲胎蛋白、叶酸、直接胆红素、总胆固醇、总胆红素、总蛋白、总钙、总铁结合力。
患者相关变量(8项):性别、年龄、是否COPD等呼吸系统疾病、APACHE-II评分、肌力分级、意识状态分级、CAM谵妄评分、Ramsay评分。
管理相关变量(3项):排班班次数量、班次医护数量、医护年资。
治疗相关变量(4项):是否采用肢体约束、肢体约束类型、是否采用镇静治疗、镇静药物类型。
环境相关变量(4项):是否处于夜间时段、是否处于交班时段、是否处于有创操作时段、仪器报警。
S5.基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;
S6.利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
基于步骤S3中提取的非计划性拔管患者临床数据与标注,提取前述筛选的多维变量相应的数据与标注;从各患者的各动作阶段类别的多维变量相应的数据中提取若干连续30min数据与标注,生成若干多维变量数据切片样本,对于不足30min的数据样本,采用其中第一条、最后一条数据分别于首尾进行复制补全。
其中,最终生成的每个多维变量数据切片样本为一个N×M维矩阵。行数N为该30min的切片样本中数据的总条数,一行代表一条数据;列数M对应变量的数量,本提案中M为95。即每个切片样本的一行代表某患者某一个时刻t的89个变量数据。其中M为95的原因是:步骤S4共筛选出来89个变量;对于“是否COPD等呼吸系统疾病”、“是否采用肢体约束”、“是否采用镇静治疗”、“是否处于夜间时段”、“是否处于交班时段”、“是否处于有创操作时段”6个类别型数据进行one-hot编码转换成数值型数据,每一个类别型数据转换成数值型数据后变为2维,最终为89+6=95维。
将生成的多维变量数据切片样本按照比例分为训练集和验证集。为了使算法同时适用于ICU设备监测变量等时间序列数据以及性别等静态数据,保证算法精确度,本提案采用深度神经网子模块与机器学习辅助子模块相结合的集成算法开发ICU插管患者非计划性拔管动作阶段识别模型。
首先,采用具有高预测性能的深度神经网络算法开发深度神经网络子模块,用来捕捉时间序列数据波动信息,即时序特征;其次,对于静态数据,由于患者级别数据量有限,因此采用多种机器学习算法(例如决策树、随机森林等)开发相应多个机器学习辅助子模块,用于学习小数据量的静态数据的特征;最终,通过多个子模块的合理集成实现模型泛化能力的进一步提升。具体介绍如下。
(1)深度神经网络子模块。针对时间序列数据,通过深度神经网络子模块捕捉数据波动信息,即时序特征。此子模块结构如图2,包括3层循环神经网络(RNN)层、3层标准化处理(Batch Normalization)层、1层全连接(Dense)层:以3层循环神经网络层为主体,捕捉时间序列数据波动信息;每层循环神经网络层之前为一层标准化处理层,以对数据进行标准化,加速模型训练过程中的权重参数的更新收敛;标准化处理层之间采用层间短接处理,以使得较高深度的模型训练过程中梯度有效传播,保证模型成功训练;最终全连接层输出此深度神经网络子模块识别为各动作阶段类别的置信度。
输入为患者的多维变量数据切片样本,输出为此深度神经网络子模块识别为各动作阶段类别的概率值。详细公式与说明如下:
输入的患者的多维变量数据切片样本是一个N×M维矩阵,列数M对应变量的数量,本提案中M为95(步骤S4共筛选出来89个变量,对于“是否COPD等呼吸系统疾病”、“是否采用肢体约束”、“是否采用镇静治疗”、“是否处于夜间时段”、“是否处于交班时段”、“是否处于有创操作时段”6个类别型数据进行one-hot编码转换成数值型数据,每一个类别型数据转换成数值型数据后变为2维,所以最终为89+6=95维)。行数N为该30min的切片样本中数据的总条数,一行代表一条数据,即一行代表某一个时刻t的89个变量数据。算法采用以下公式来计算t时刻的输出:
其中x(t)代表样本中t时刻的数据,同样的,x(t−1)和x(t+1)代表样本中t-1和t+1时刻的数据;h(t)代表t时刻模型的隐藏状态,h(t)由x(t)和h(t−1)共同决定;U,W,V是模型的三个线性关系参数矩阵,在整个模型网络中是共享的;b为线性关系的偏置;σ为激活函数,本提案采用sigmoid函数作为激活函数;o(t)代表在t时刻模型的输出,o(t)只由模型当前的隐藏状态h(t)决定;y(t)代表t时刻训练样本的真实输出,即通过sigmoid函数将模型输出转化为此深神经网络子模块识别的各动作阶段类别的概率值,作为样本的真实输出。
(2)机器学习辅助子模块:在开发前述深度神经网络子模块的同时,基于相同的训练数据,采用多种机器学习基础算法(例如随机森林、逻辑回归等)开发相应多个机器学习辅助子模块,充分捕捉小数据量的静态数据的特征信息。为了保证模型精度,各机器学习辅助子模块训练过程中均完成五折交叉验证和参数寻优。此类子模块算法输入与与上述深度神经网络子模块相同,为N×M维的患者的多维变量数据切片样本矩阵;将此矩阵分别作为随机森林、逻辑回归等基础算法的输入,通过相应的算法训练与计算,即可获取为各机器学习辅助子模块识别为各动作阶段类别的概率值。
(3)子模块集成:采用集成算法整合前述深度神经网络子模块与各机器学习辅助子模块,对各子模块的输出概率值进行加权求和,获取最终模型识别为各动作阶段类别的概率值:
其中li为各子模块的权重,所有li求和为1,在此前提下可根据实际临床需求调整各权重数值;pi为各子模块输出的概率值;P为最终模型识别为各动作阶段类别的概率。从而将多个性能次优模型集成为性能最优模型,即ICU插管患者非计划性拔管动作阶段识别模型。如图3所示。
S7.利用非计划性拔管动作阶段识别模型识别得到风险预测结果。
实际应用中,可实时预测ICU插管患者的非计划性拔管风险。具体实施为:(1)对于任意时刻,基于步骤S4中确定的模型多维变量,提取ICU插管患者该时刻之前30min的相应多维变量数据。(2)采用与步骤S2中相同的数据预处理方式对数据进行处理。(3)将处理后的数据输入步骤S6中训练好的ICU插管患者非计划性拔管动作阶段识别模型,得到该时刻患者被识别为各动作阶段类别的概率值,概率值最高的类别为模型识别的患者所处的动作阶段。(4)基于识别的动作阶段,预测ICU插管患者非计划性拔管风险:若识别为“正常”,表示患者正常休息,预测患者非计划性拔管风险为“安全”;若识别为“拔管前期”,表示患者非计划性拔管相关的肢体活动有所增加,但肢体尚未接触导管,预测患者非计划性拔管为“低风险”;若识别为“拔管中”,表示患者肢体已接触导管,但尚未向外拉扯,预测患者非计划性拔管风险为“中风险”;若识别为“拔管完成”,表示患者肢体正将导管向外拉扯,或医护人员操作等其他因素导致导管向外发生位置变化,或者导管已经离开功能位置,预测患者非计划性拔管风险为“危急”。综上,通过在任意时刻对ICU插管患者非计划性拔管风险的预测,实现ICU插管患者非计划性拔管风险实时预测,从而有效辅助临床医生采取及时、精准的治疗措施。
实施例2
本实施例提供一种基于多维因素的非计划性拔管风险预测系统,包括:
数据获取模块,被配置为,获取临床数据和监控视频资料;对获取的临床数据进行预处理;
筛选模块,被配置为,将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点,并按时间点对临床数据进行标注,得到候选多维度变量数据;对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
模型模块,被配置为,基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
预测模块,被配置为,利用非计划性拔管动作阶段识别模型识别得到风险预测结果。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于多维因素的非计划性拔管风险预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于多维因素的非计划性拔管风险预测方法。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于多维因素的非计划性拔管风险预测方法,其特征在于,包括:
获取临床数据和监控视频资料;
对获取的临床数据和监控视频资料进行预处理;
将监控视频资料和临床数据按照时间点进行标注,得到候选多维度变量数据;
对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;
利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
利用非计划性拔管动作阶段识别模型识别得到风险预测结果;
其中,输入的多维变量数据切片样本是一个N×M维矩阵,列数M对应变量的数量, M为95,表示筛选出来额89个变量,以及对于“是否COPD呼吸系统疾病”、“是否采用肢体约束”、“是否采用镇静治疗”、“是否处于夜间时段”、“是否处于交班时段”、“是否处于有创操作时段”这6个类别型数据进行one-hot编码转换成数值型数据,每一个类别型数据转换成数值型数据后变为2维,所以最终为89加6等于95维;行数N为30min的切片样本中数据的总条数,一行代表一条数据,即一行代表某一个时刻t的89个变量数据,算法采用以下公式来计算t时刻的输出:
;
其中,x(t)代表样本中t时刻的数据,同样的,x(t−1)和x(t+1)代表样本中t-1和t+1时刻的数据;h(t)代表t时刻模型的隐藏状态,h(t)由x(t)和h(t−1)共同决定;U,W,V是模型的三个线性关系参数矩阵,在整个模型网络中是共享的;b为线性关系的偏置;σ为激活函数,采用sigmoid函数作为激活函数;o(t)代表在t时刻模型的输出,o(t)只由模型当前的隐藏状态h(t)决定;y(t)代表t时刻训练样本的真实输出,即通过sigmoid函数将模型输出转化为此深神经网络子模块识别的各动作阶段类别的概率值,作为样本的真实输出;
子模块集成:采用集成算法整合深度神经网络子模块与各机器学习辅助子模块,对各子模块的输出概率值进行加权求和,获取最终模型识别为各动作阶段类别的概率值:
,
其中li为各子模块的权重,所有li求和为1,根据实际临床需求调整各权重数值;pi为各子模块输出的概率值;P为最终模型识别为各动作阶段类别的概率;从而将多个性能次优模型集成为性能最优模型,即ICU插管患者非计划性拔管动作阶段识别模型。
2.根据权利要求1所述的一种基于多维因素的非计划性拔管风险预测方法,其特征在于,所述对获取的临床数据进行预处理,包括对缺失临床数据填充,以保证每分钟内有至少一条数据。
3.根据权利要求2所述的一种基于多维因素的非计划性拔管风险预测方法,其特征在于,所述对候选多维度变量数据进行多维变量筛选,包括对候选多维度变量数据依次进行组间单因素分析、多因素回归分析、变量相关性分析,得到最终的多维度变量数据。
4.根据权利要求3所述的一种基于多维因素的非计划性拔管风险预测方法,其特征在于,所述多维度变量数据包括ICU设备监测变量、实验室检查变量、患者相关变量、管理相关变量、治疗相关变量和环境相关变量六个维度的变量。
5.根据权利要求4所述的一种基于多维因素的非计划性拔管风险预测方法,其特征在于,所述利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,包括将多维度变量数据生成多维变量数据切片样本,按照比例分为训练集和验证集,利用非计划性拔管动作阶段识别模型识别各动作阶段类别的概率值。
6.根据权利要求5所述的一种基于多维因素的非计划性拔管风险预测方法,其特征在于,所述利用非计划性拔管动作阶段识别模型识别得到风险预测结果,包括利用非计划性拔管动作阶段识别模型识别各动作阶段类别的概率值,概率值最高的类别为模型识别的患者所处的动作阶段,基于动作阶段预测非计划性拔管风险。
7.根据权利要求6所述的一种基于多维因素的非计划性拔管风险预测方法,其特征在于,所述基于动作阶段预测非计划性拔管风险,包括若识别为“正常”,预测风险为“安全”;若识别为“拔管前期”,预测风险为“低风险”;若识别为“拔管中”,预测风险为“中风险”;若识别为“拔管完成”,预测风险为“危急”。
8.一种基于多维因素的非计划性拔管风险预测系统,基于如权利要求1-7所述的方法,其特征在于,包括:
数据获取模块,被配置为,获取临床数据和监控视频资料;对获取的临床数据进行预处理;
筛选模块,被配置为,将监控视频资料按照“正常”、“拔管前期”、“拔管中”、“拔管完成”四类划分时间点,并按时间点对临床数据进行标注,得到候选多维度变量数据;对候选多维度变量数据进行多维变量筛选,得到多维度变量数据;
模型模块,被配置为,基于深度神经网络模型与机器学习模型相结合构建非计划性拔管动作阶段识别模型;利用多维度变量数据作为样本训练非计划性拔管动作阶段识别模型,得到最优的非计划性拔管动作阶段识别模型;
预测模块,被配置为,利用非计划性拔管动作阶段识别模型识别得到风险预测结果。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于多维因素的非计划性拔管风险预测方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的一种基于多维因素的非计划性拔管风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311081300.2A CN116978553B (zh) | 2023-08-25 | 2023-08-25 | 一种基于多维因素的非计划性拔管风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311081300.2A CN116978553B (zh) | 2023-08-25 | 2023-08-25 | 一种基于多维因素的非计划性拔管风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116978553A CN116978553A (zh) | 2023-10-31 |
CN116978553B true CN116978553B (zh) | 2024-02-06 |
Family
ID=88471488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311081300.2A Active CN116978553B (zh) | 2023-08-25 | 2023-08-25 | 一种基于多维因素的非计划性拔管风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116978553B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512477A (zh) * | 2015-12-03 | 2016-04-20 | 万达信息股份有限公司 | 基于降维组合分类算法非计划性再入院风险评估预测模型 |
CN106709247A (zh) * | 2016-12-16 | 2017-05-24 | 遵义医学院附属医院 | 一种icu患者非计划性拔管预警系统 |
CN114530241A (zh) * | 2022-01-13 | 2022-05-24 | 四川省肿瘤医院 | Icu患者非计划拔管早期动作识别与预警系统 |
CN115565245A (zh) * | 2022-10-10 | 2023-01-03 | 电子科技大学 | 一种基于rgb视频监控的icu患者自拔管行为预警方法 |
-
2023
- 2023-08-25 CN CN202311081300.2A patent/CN116978553B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512477A (zh) * | 2015-12-03 | 2016-04-20 | 万达信息股份有限公司 | 基于降维组合分类算法非计划性再入院风险评估预测模型 |
CN106709247A (zh) * | 2016-12-16 | 2017-05-24 | 遵义医学院附属医院 | 一种icu患者非计划性拔管预警系统 |
CN114530241A (zh) * | 2022-01-13 | 2022-05-24 | 四川省肿瘤医院 | Icu患者非计划拔管早期动作识别与预警系统 |
CN115565245A (zh) * | 2022-10-10 | 2023-01-03 | 电子科技大学 | 一种基于rgb视频监控的icu患者自拔管行为预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116978553A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
CN104915561B (zh) | 疾病特征智能匹配方法 | |
CN116631562B (zh) | 一种生成电子病历出院记录的方法、装置及电子设备 | |
WO2019229528A2 (en) | Using machine learning to predict health conditions | |
CN110634571A (zh) | 肝移植术后预后预测系统 | |
KR102446376B1 (ko) | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 | |
CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
CN113744878B (zh) | 一种基于移动互联网的慢性病风险指数评估及干预系统 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
WO2022141927A1 (zh) | 一种健康干预系统、服务器及健康管理系统 | |
WO2024008043A1 (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 | |
CN112259260B (zh) | 基于智能穿戴设备的智能医疗问答方法、系统及装置 | |
CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
CN107705853A (zh) | 临床营养风险筛查方法及系统 | |
KR102169637B1 (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
CN114121266A (zh) | 一种智能化的辅助诊断方法和系统 | |
CN110739075A (zh) | 一种基于大数据的copd疾病辅助诊断监测系统 | |
CN112002413B (zh) | 一种心血管系统感染智能认知系统、设备及存储介质 | |
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 | |
CN116453641B (zh) | 一种中医辅助分析信息的数据处理方法及系统 | |
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 | |
CN113057588A (zh) | 一种病症预警方法、装置、设备及介质 | |
CN114300158A (zh) | 一种药品不良反应的识别方法及装置 | |
CN111524564A (zh) | 一种肺炎临床辅助监测方法及系统 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |