CN117116488B - 一种评估老年肺癌患者术后严重并发症的方法及相关设备 - Google Patents

一种评估老年肺癌患者术后严重并发症的方法及相关设备 Download PDF

Info

Publication number
CN117116488B
CN117116488B CN202311368631.4A CN202311368631A CN117116488B CN 117116488 B CN117116488 B CN 117116488B CN 202311368631 A CN202311368631 A CN 202311368631A CN 117116488 B CN117116488 B CN 117116488B
Authority
CN
China
Prior art keywords
risk
patient
value
preoperative
physiological
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
Application number
CN202311368631.4A
Other languages
English (en)
Other versions
CN117116488A (zh
Inventor
吴楠
阎石
李想
何忠虎
陈董泽
王宇昭
陶冶
刘冰
张善渊
曹代军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Cancer Hospital
Original Assignee
Beijing Cancer Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Cancer Hospital filed Critical Beijing Cancer Hospital
Priority to CN202311368631.4A priority Critical patent/CN117116488B/zh
Publication of CN117116488A publication Critical patent/CN117116488A/zh
Application granted granted Critical
Publication of CN117116488B publication Critical patent/CN117116488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种评估老年肺癌患者术后严重并发症的方法及相关设备，应用于数据处理技术领域。本申请获取患者的病例信息，并基于病例信息判断患者是否达到预设年龄；若是，则获取患者的生理状态因素；基于预设规则对生理状态因素进行处理，生成术前特征数据；基于风险因子评估模型对术前特征数据和病例信息进行处理，生成生理学风险因素，其中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度；基于算法决策模型对生理学风险因素进行处理，生成患者术后严重并发症的风险值；基于风险评估模型对风险值进行处理，生成严重并发症评估方案。通过对严重并发症间可能存在的协同或拮抗作用进行预测，进而减少了患者术后并发症的风险。

Description

一种评估老年肺癌患者术后严重并发症的方法及相关设备
技术领域
本发明涉及数据处理技术领域，特别涉及一种评估老年肺癌患者术后严重并发症的方法及相关设备。
背景技术
高龄老人是NSCLC的高发人群，手术切除仍是公认的肺癌最有效的根治性治疗手段，高龄NSCLC患者同年轻患者手术治疗效果相似。但衰老伴随而来的身体机能降低及手术风险使得部分高龄NSCLC患者的承受较大手术风险，或者失去手术机会，准确的术前身体机能评估及风险因素判断，可帮助胸外科医生遴选出最适合手术的患者。
但是目前关于高龄NSCLC患者手术的研究较少，高龄肺癌患者术后不良治疗结局的危险因素分析证据不足，除了机体功能的主观评估外，术后严重并发症（“严重并发症”是指将高龄肺癌患者术后并发症按照Clavein-Dindo并发症分级系统分级，并规定IIIb级（需要全身麻醉下处理的并发症）及以上为严重并发症）及术后死亡率的预测模型仍较为缺乏，且目前已有的模型缺乏多中心的外部验证工作。因此，建立并运用更加精准的术后严重风险预测模型，为高龄患者选择最佳的治疗方案以期降低其术后严重并发症发生率及死亡率是一项迫在眉睫的医疗任务。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种评估老年肺癌患者术后严重并发症的方法及相关设备，至少在一定程度上克服现有技术存在的问题，通过对患者的生理学风险因素进行识别，从而获取其术后严重并发症的风险概率，此外，还对严重并发症间可能存在的协同或拮抗作用进行预测，从而分析出可能出现的严重并发症以及严重并发症之间所存在的复杂相互作用的影响因素，为患者制定个性化的干预措施，进而减少了患者术后严重并发症的风险。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种评估老年肺癌患者术后严重并发症的方法，包括：获取患者的病例信息；基于所述病例信息判断所述患者是否达到预设年龄，若是，则获取所述患者的生理状态因素；基于预设规则对所述生理状态因素进行处理，生成术前特征数据；基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，其中，所述生理学风险因素表征所述术前特征数据和/或病例信息之间的影响程度；基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，其中，所述算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，所述公式为：p=1/(1+exp(-P))，其中，P为总影响权重；基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案。
在本申请的一个实施例中，所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，包括：基于预设分类规则对所述生理状态因素进行分类处理，获取术前静态数据；对所述术前静态数据进行数据扩散处理，生成扩散后的术前静态数据；对所述扩散后的术前静态数据进行残差网络处理，生成术前特征数据。
在本申请的一个实施例中，所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，还包括：基于预设分类规则对所述生理状态因素进行分类处理，获取术前动态数据；基于随机森林填补法对所述术前动态数据进行缺失数据处理，生成完整术前动态数据；基于Z-score标准化方法对所述完整术前动态数据进行归一化处理，生成术前特征数据。
在本申请的一个实施例中，所述基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，包括：基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成各术前特征数据和病例信息的风险属性；基于所述风险属性获取所述术前特征数据和所述病例信息的影响程度；基于风险分类规则对所述术前特征数据和所述病例信息的影响程度进行处理，生成风险异常指标；基于所述风险异常指标生成生理学风险因素。
在本申请的一个实施例中，所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，包括：获取所述患者的生活环境数据；基于所述生活环境数据对所述患者的生理状态因素设置预设权重值。
在本申请的一个实施例中，所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，还包括：基于所述病例信息获取所述患者的历史生理状态因素；基于所述历史生理状态因素生成所述患者生理学风险因素的权重值；获取所述生理学风险因素的实时参数浮动概率；若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理学风险因素是否一致；若是，则提高所述生理学风险因素的风险值；若否，则在预设时间内获取所述生理学风险因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理学风险因素的风险值。
在本申请的一个实施例中，所述基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案，包括：获取历史严重并发症案例；基于所述风险评估模型对所述历史严重并发症案例进行处理，生成所述历史严重并发症案例对应的历史风险值；获取与所述风险值的误差不超过预设阈值的历史风险值；获取所述历史风险值对应的历史生理学风险因素；基于所述历史生理学风险因素对所述生理学风险因素进行处理，获取严重并发症评估方案。
本申请的另一个方面，一种评估老年肺癌患者术后严重并发症的装置，其特征在于，包括：获取模块，用于获取患者的病例信息；处理模块，用于基于所述病例信息判断所述患者是否达到预设年龄，若是，则获取所述患者的生理状态因素；基于预设规则对所述生理状态因素进行处理，生成术前特征数据；基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，其中，所述生理学风险因素表征所述术前特征数据和/或病例信息之间的影响程度；基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，其中，所述算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，所述公式为：p=1/(1+exp(-P))，其中，P为总影响权重；基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的评估老年肺癌患者术后严重并发症的方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的评估老年肺癌患者术后严重并发症的方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的评估老年肺癌患者术后严重并发症的方法。
本申请所提供的一种评估老年肺癌患者术后严重并发症的方法，由服务器获取患者的病例信息，并基于病例信息判断患者是否达到预设年龄，若是，则获取患者的生理状态因素，基于预设规则对生理状态因素进行处理，生成术前特征数据，基于风险因子评估模型对术前特征数据和病例信息进行处理，生成生理学风险因素，其中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度。此外，服务器基于算法决策模型对生理学风险因素进行处理，生成患者术后严重并发症的风险值，其中，算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，计算公式为：p=1/(1+exp(-P))其中，P为总影响权重，基于风险评估模型对风险值进行处理，生成严重并发症评估方案。通过对患者的生理学风险因素进行识别，从而获取其术后严重并发症的风险概率，此外，还对严重并发症间可能存在的协同或拮抗作用进行预测，从而分析出可能出现的严重并发症以及严重并发症之间所存在的复杂相互作用的影响因素，为患者制定个性化的干预措施，进而减少了患者术后严重并发症的风险。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种评估老年肺癌患者术后严重并发症的方法的流程图；
图2示出了本申请一实施例所提供的一种评估老年肺癌患者术后严重并发症的装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的评估老年肺癌患者术后严重并发症的方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种评估老年肺癌患者术后严重并发症的方法。图1示意性地示出了根据本申请实施方式的一种评估老年肺癌患者术后严重并发症的方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取患者的病例信息。
一种实施方式中，从医院病案信息系统中获取患者的完整病历信息，其中，病例信息包括但不限于患者的年龄、性别、肿瘤直径、低密度脂蛋白胆固醇（LDL-C）、淋巴细胞计数、中性粒细胞计数、单核细胞计数、血小板计数、红细胞计数、手术入路（微创/开胸）变量值、血型、病理分级、高血压或心脑血管疾病病史、血红蛋白、血钙、吸烟、白蛋白、淋巴细胞、年龄、白蛋白/球蛋白比、术式、N分期、肌酐清除率等。
S102，基于所述病例信息判断所述患者是否达到预设年龄，若是，则获取所述患者的生理状态因素。
一种实施方式中，从患者病例信息中提取患者年龄的信息，如果患者的年龄大于70岁，则代表当前患者为老年患者，针对符合条件的老年患者，从该患者的病例中提取相关关键内容，包括患者的性别、肿瘤直径、一秒呼气量/预计值(FEV1%pred)、红细胞计数(RBC)、低密度脂蛋白胆固醇（LDL-C）、淋巴细胞计数、中性粒细胞计数、白蛋白值、血小板计数、手术入路（微创/开胸）变量值，将上述10个信息作为患者的生理状态因素。
S103，基于预设规则对所述生理状态因素进行处理，生成术前特征数据。
一种实施方式中，基于预设分类规则对生理状态因素进行分类处理，获取术前静态数据，对术前静态数据进行数据扩散处理，生成扩散后的术前静态数据。当得到术前静态数据后，可以对术前静态数据进行特征扩增，得到扩增后的术前静态数据，由于扩增后的术前静态数据的数据量更大，数据信息更丰富，因此，基于扩增后的术前静态数据进行分析，有助于得到更加准确的数据分析结果。将术前静态特征提取结果输入至预设的残差网络中进行残差网络分析，得到术前静态特征分析结果，例如，利用多视图从不同角度充分提取术前患者的肿瘤直径、低密度脂蛋白胆固醇（LDL-C）等数据，为对齐特征，对每个患者的每一个时间窗口的时序统计特征均组合一套相同的术前静态特征。
另一种实施方式中，提取术前动态数据的术前空域特征和术前时域特征，分别对术前空域特征和术前时域特征进行特征提取，得到术前空域特征提取结果和术前时域特征提取结果，例如：将淋巴细胞计数、中性粒细胞计数、单核细胞计数、血小板计数等术前时序特征按照观察窗口取值后复制一份，一份用来进行时间相关性特征提取，形成时域特征视图，另一份用来进行多元时序数据的时不变特征提取，构造空域特征视图。对术前空域特征提取结果进行全卷积网络分析，得到术前空域特征分析结果，为挖掘时域特征视图中的时序依懒性，可采用用于捕获时间序列数据中潜在依赖性的GRU模型(一种循环神经网络模型)。对术前时域特征提取结果进行循环门单元分析，得到术前时域特征分析结果，合并术前空域特征分析结果和术前时域特征分析结果，得到术前动态数据。将术前动态数据和术前静态数据作为术前特征数据。
S104，基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素。
一种实施方式中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度。针对任一项临床数据，以该患者的临床数据值为横坐标，以对应患者的心跳指数为纵坐标，绘制折线图，折线图为两个变量关系之间动态波动变化的可视化展现，以折线图为基准进行数据异常分析，确定折线图的主体趋势走向，得到该临床数据与心跳指数之间的关联度，主体呈现趋势规律越明显的关联度越高，反之则表征关联度低。可根据每个患者的实际情况判断对当前患者影响最大的术前特征数据是哪些，从而更好的监视相关术前特征数据的实时变化，进而减少风险的发生。
另一种实施方式中，基于风险因子评估模型对术前特征数据和病例信息进行处理，生成各术前特征数据和病例信息的风险属性，基于风险属性获取术前特征数据和病例信息的影响程度，基于风险分类规则对术前特征数据和病例信息的影响程度进行处理，生成风险异常指标，基于风险异常指标生成生理学风险因素。其中，风险因子评估模型通过对海量基础病例学习，筛选出待评估患者、对术前的风险评估与预测预警相关的基础参数和病例报告表的要素，根据筛选出的信息进行信息采集，具体可以从临床数据中心、电子病历系统、实验室检验系统、手术麻醉信息系统、手术护理信息系统、院后随访系统等数据源实行静态数据采集，可以从心电监护仪、麻醉机、呼吸机、床旁超声、输液泵、院外穿戴式体征采集设备等数据源中实行动态数据采集。
S105，基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值。
一种实施方式中，基于算法决策模型对老年患者的下述特征进行计算，从而生成该老年患者术后严重并发症的风险值，其中，所要计算的特征包括性别、肿瘤直径、LDL-C（低密度脂蛋白胆固醇）、淋巴细胞计数（109/L）、中性粒细胞计数（109/L）、红细胞计数(1012/L)白蛋白值(g/L)、血小板计数（109/L）以及手术入路（微创/开胸）变量值，算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，该公式为：p=1/(1+exp(-P))，其中，P为总影响权重。具体计算过程如下：
步骤1，对患者的性别进行判断，若为女性患者，则将性别变量影响权重变量赋值为0；若为男性患者，则赋值为0.25725。
步骤2，对患者的手术入路方式进行判断，若为微创，则将手术入路影响权重变量赋值为1.58473；若为开胸，则将手术入路影响权重变量赋值为3.1695。
步骤3，获取肿瘤直径的大小，并对肿瘤直径的影响权重变量赋值为0.1579×肿瘤直径值（cm）。
步骤4，获取患者术前肺功能FEV1%pred值，并对FEV1%pred值的影响权重变量赋值为0.8135×FEV1%pred值。
步骤5，获取患者术前最近一次血液学检验指标中红细胞计数值(RBC)，并对红细胞计数值的影响权重变量赋值为1.089×RBC。
步骤6，对化验变量采用复合检验指标形式，具体包括：NLR=中性粒细胞计数（109/L）/淋巴细胞计数（109/L）;PLR=血小板计数（109/L）/淋巴细胞计数（109/L）;PNI=白蛋白值(g/L)+5×淋巴细胞计数（109/L）；低密度脂蛋白胆固醇（LDL.C）、红细胞计数(RBC)为测量原始值。
步骤 7，对上述复合检验指标进行赋值，若NLR计算值小于等于3.02，则赋值为0；若计算值大于3.02，则赋值为0.8127；
若PLR计算值小于等于139.86，则赋值为0；若计算值大于139.86，则赋值为0.6439；
若PNI计算值小于等于53.40，则赋值为0；若计算值大于53.40，则赋值为1.2499。
步骤8，以基数-10.99892，加上年龄权重变量，加上性别权重变量，加上手术入路影响权重变量，加上肿瘤直径（cm）影响权重变量，加上化验指标权重变量，记为总影响权重P，最终老年肺癌手术后发生严重严重并发症的风险值计算方法为：p=1/(1+exp(-P))。
另一种实施方式中，获取患者的生活环境数据，基于生活环境数据获取各生理学风险因素相对于肺部感染出现之间的关联度，并基于关联度进行排序，从而筛选出对肺部感染影响最大的生理学风险因素，基于排序结果对患者的生理状态因素设置预设权重值。例如，若患者居住的地方过于潮湿或干燥，是否会影响伤口的恢复或者加重身体病情，通过上述考虑因素从而对可能影响患者身体状态的生理学风险因素的权重值进行调整，此外，也可根据上述情况改善老年患者的居家环境和生活环境，进而改善老年患者的生活质量。
S106，基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案。
一种实施方式中，获取历史严重并发症案例，基于风险评估模型对历史严重并发症案例进行处理，生成历史严重并发症案例对应的历史风险值，获取与风险值的误差不超过预设阈值的历史风险值，获取历史风险值对应的历史生理学风险因素，基于历史生理学风险因素对生理学风险因素进行处理，获取严重并发症评估方案。通过风险评估模型对当前的风险值进行处理后，获取与当前风险值误差在一定范围内的历史风险值对应的严重并发症案例，然后通过查看所筛选出来的严重并发症案例对应的历史生理学风险因素，来判断哪个历史生理学风险因素与当前患者的生理学风险因素较为相似，从而将历史严重并发症案例可能发生的情况作为当前患者的严重并发症评估方案。此外，通过源源不断的严重并发症案例对风险评估模型进行迭代更新，使得最终出现的严重并发症评估案例更准确。
另一种实施方式中，当风险值小于等于3.27%，可判定术后严重并发症风险概率为低风险；当风险值大于3.27%并且小于等于16.79%，可判定术后严重并发症风险概率为中风险；当风险值大于16.79%，可判定术后严重并发症风险概率为高风险。对于低风险组的老年肺癌患者，可与患者及家属充分沟通后，建议进行外科手术治疗；对于中风险组的老年肺癌患者，与患者及家属充分沟通，建议充分了解风险后，选择姑息治疗（药物治疗或者放疗）或者手术治疗；对于高风险组老年肺癌患者，与患者及家属充分沟通，建议选择姑息治疗（药物治疗或者放疗）。
具体实例如下，患者张某，女，78岁，肿瘤直径3cm，血液学检验结果显示：血小板总数：210×109/L，中性粒细胞绝对值：6×109/L，淋巴细胞绝对值：3×109/L，红细胞计数：4×1012/L，低密度脂蛋白胆固醇：2mmol/L，白蛋白值：40g/L，肺功能FEV1%pred：80%。若采用胸腔镜辅助微创手术，则术后发生严重并发症的风险为5.06%，为中风险，若采用开胸手术，则术后发生严重并发症的风险为20.64%，为高风险。本实施例并不限制具体步骤的先后实施顺序，只要能获取上述内容即可。
本申请中由服务器获取患者的病例信息，并基于病例信息判断患者是否达到预设年龄，若是，则获取患者的生理状态因素，基于预设规则对生理状态因素进行处理，生成术前特征数据，基于风险因子评估模型对术前特征数据和病例信息进行处理，生成生理学风险因素，其中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度。此外，服务器基于算法决策模型对生理学风险因素进行处理，生成患者术后严重并发症的风险值，基于风险评估模型对风险值进行处理，生成严重并发症评估方案。通过对患者的生理学风险因素进行识别，从而获取其术后严重并发症的风险概率，此外，还对严重并发症间可能存在的协同或拮抗作用进行预测，从而分析出可能出现的严重并发症以及严重并发症之间所存在的复杂相互作用的影响因素，为患者制定个性化的干预措施，进而减少了患者术后严重并发症的风险。
可选地，在基于本申请上述方法的另一个实施例中，所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，还包括：
基于预设分类规则对所述生理状态因素进行分类处理，获取术前动态数据；
基于随机森林填补法对所述术前动态数据进行缺失数据处理，生成完整术前动态数据；
基于Z-score标准化方法对所述完整术前动态数据进行归一化处理，生成术前特征数据。
一种实施方式中，随机森林填补通过构造多棵决策树对缺失值进行填补，使得填补得到的数据具有随机性和不确定性，更能反映出这些未知数据的真实分布。此外，随机森林填补由于在构造决策树过程中，每个分支节点选用随机的部分特征而不是全部特征，所以能很好的应用到高维数据的填补，从而也更进一步确保了得到的填补值的准确性和可靠性。此外，由于临床数据中包含连续变量及分类变量两类，为便于后续模型计算，需要对连续变量采用Z-score进行归一化处理，其中，归一化公式如下：，agv表示当前连续特征的均值，var表示当前连续特征的方差，Y为实际测量值，Ynew为转换后指标。
可选地，在基于本申请上述方法的另一个实施例中，所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，还包括：
基于所述病例信息获取所述患者的历史生理状态因素；
基于所述历史生理状态因素生成所述患者生理学风险因素的权重值；
获取所述生理学风险因素的实时参数浮动概率；
若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理学风险因素是否一致；
若是，则提高所述生理学风险因素的风险值；
若否，则在预设时间内获取所述生理学风险因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理学风险因素的风险值。
一种实施方式中，对术前的生理学风险因素进行划分，将术前动态数据作为实时参数，并获取相关生理学风险因素的实施参数浮动概率，若对应实时参数的浮动概率超过浮动概率阈值，则判定对应浮动的实时参数为高风险指标参数的影响参数，并将其标记为高风险指标参数的主动影响参数。此外，还将根据生理学风险因素的浮动次数来判断当前生理学风险因素出现异常的概率，浮动次数越多，则表征当前生理学风险因素较容易出现异常。
通过应用以上技术方案，服务器获取患者的病例信息，基于病例信息判断患者是否达到预设年龄，若是，则获取患者的生理状态因素，基于预设分类规则对生理状态因素进行分类处理，获取术前静态数据，对术前静态数据进行数据扩散处理，生成扩散后的术前静态数据，对扩散后的术前静态数据进行残差网络处理，生成术前特征数据。此外，还将基于预设分类规则对生理状态因素进行分类处理，获取术前动态数据，基于随机森林填补法对术前动态数据进行缺失数据处理，生成完整术前动态数据，基于Z-score标准化方法对完整术前动态数据进行归一化处理，生成术前特征数据，基于风险因子评估模型对术前特征数据和病例信息进行处理，生成各术前特征数据和病例信息的风险属性，基于风险属性获取术前特征数据和病例信息的影响程度，基于风险分类规则对术前特征数据和病例信息的影响程度进行处理，生成风险异常指标，基于风险异常指标生成生理学风险因素，其中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度，基于算法决策模型对生理学风险因素进行处理，生成患者术后严重并发症的风险值。
此外，服务器还将获取患者的生活环境数据，基于生活环境数据对患者的生理状态因素设置预设权重值，基于病例信息获取患者的历史生理状态因素，基于历史生理状态因素生成患者生理学风险因素的权重值，获取生理学风险因素的实时参数浮动概率，若浮动概率大于预设浮动阈值，则基于历史生理状态因素判断浮动概率对应的生理学风险因素是否一致，若是，则提高生理学风险因素的风险值，若否，则在预设时间内获取生理学风险因素浮动概率大于预设浮动阈值的次数，若次数大于预设次数，则提高生理学风险因素的风险值，获取历史严重并发症案例，基于风险评估模型对历史严重并发症案例进行处理，生成历史严重并发症案例对应的历史风险值，获取与风险值的误差不超过预设阈值的历史风险值，获取历史风险值对应的历史生理学风险因素，基于历史生理学风险因素对生理学风险因素进行处理，获取严重并发症评估方案。通过对患者的生理学风险因素进行识别，从而获取其术后严重并发症的风险概率，此外，还对严重并发症间可能存在的协同或拮抗作用进行预测，从而分析出可能出现的严重并发症以及严重并发症之间所存在的复杂相互作用的影响因素，为患者制定个性化的干预措施，进而减少了患者术后严重并发症的风险。
一种实施方式中，如图2所示，本申请还提供一种评估老年肺癌患者术后严重并发症的装置，包括：
获取模块201，用于获取患者的病例信息；
处理模块202，用于基于所述病例信息判断所述患者是否达到预设年龄，若是，则获取所述患者的生理状态因素；基于预设规则对所述生理状态因素进行处理，生成术前特征数据；基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，其中，所述生理学风险因素表征所述术前特征数据和/或病例信息之间的影响程度；基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，其中，所述算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，所述公式为：p=ln1/(1+exp(-P))，其中，P为总影响权重；基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案。
本申请中由服务器获取患者的病例信息，并基于病例信息判断患者是否达到预设年龄，若是，则获取患者的生理状态因素，基于预设规则对生理状态因素进行处理，生成术前特征数据，基于风险因子评估模型对术前特征数据和病例信息进行处理，生成生理学风险因素，其中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度。此外，服务器基于算法决策模型对生理学风险因素进行处理，生成患者术后严重并发症的风险值，基于风险评估模型对风险值进行处理，生成严重并发症评估方案。通过对患者的生理学风险因素进行识别，从而获取其术后严重并发症的风险概率，此外，还对严重并发症间可能存在的协同或拮抗作用进行预测，从而分析出可能出现的严重并发症以及严重并发症之间所存在的复杂相互作用的影响因素，为患者制定个性化的干预措施，进而减少了患者术后严重并发症的风险。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，包括：基于预设分类规则对所述生理状态因素进行分类处理，获取术前静态数据；对所述术前静态数据进行数据扩散处理，生成扩散后的术前静态数据；对所述扩散后的术前静态数据进行残差网络处理，生成术前特征数据。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，还包括：基于预设分类规则对所述生理状态因素进行分类处理，获取术前动态数据；基于随机森林填补法对所述术前动态数据进行缺失数据处理，生成完整术前动态数据；基于Z-score标准化方法对所述完整术前动态数据进行归一化处理，生成术前特征数据。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，包括：基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成各术前特征数据和病例信息的风险属性；基于所述风险属性获取所述术前特征数据和所述病例信息的影响程度；基于风险分类规则对所述术前特征数据和所述病例信息的影响程度进行处理，生成风险异常指标；基于所述风险异常指标生成生理学风险因素。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，包括：获取所述患者的生活环境数据；基于所述生活环境数据对所述患者的生理状态因素设置预设权重值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，还包括：基于所述病例信息获取所述患者的历史生理状态因素；基于所述历史生理状态因素生成所述患者生理学风险因素的权重值；获取所述生理学风险因素的实时参数浮动概率；若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理学风险因素是否一致；若是，则提高所述生理学风险因素的风险值；若否，则在预设时间内获取所述生理学风险因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理学风险因素的风险值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案，包括：获取历史严重并发症案例；基于所述风险评估模型对所述历史严重并发症案例进行处理，生成所述历史严重并发症案例对应的历史风险值；获取与所述风险值的误差不超过预设阈值的历史风险值；获取所述历史风险值对应的历史生理学风险因素；基于所述历史生理学风险因素对所述生理学风险因素进行处理，获取严重并发症评估方案。
通过应用以上技术方案，服务器获取患者的病例信息，基于病例信息判断患者是否达到预设年龄，若是，则获取患者的生理状态因素，基于预设分类规则对生理状态因素进行分类处理，获取术前静态数据，对术前静态数据进行数据扩散处理，生成扩散后的术前静态数据，对扩散后的术前静态数据进行残差网络处理，生成术前特征数据。此外，还将基于预设分类规则对生理状态因素进行分类处理，获取术前动态数据，基于随机森林填补法对术前动态数据进行缺失数据处理，生成完整术前动态数据，基于Z-score标准化方法对完整术前动态数据进行归一化处理，生成术前特征数据，基于风险因子评估模型对术前特征数据和病例信息进行处理，生成各术前特征数据和病例信息的风险属性，基于风险属性获取术前特征数据和病例信息的影响程度，基于风险分类规则对术前特征数据和病例信息的影响程度进行处理，生成风险异常指标，基于风险异常指标生成生理学风险因素，其中，生理学风险因素表征术前特征数据和/或病例信息之间的影响程度，基于算法决策模型对生理学风险因素进行处理，生成患者术后严重并发症的风险值。
此外，服务器还将获取患者的生活环境数据，基于生活环境数据对患者的生理状态因素设置预设权重值，基于病例信息获取患者的历史生理状态因素，基于历史生理状态因素生成患者生理学风险因素的权重值，获取生理学风险因素的实时参数浮动概率，若浮动概率大于预设浮动阈值，则基于历史生理状态因素判断浮动概率对应的生理学风险因素是否一致，若是，则提高生理学风险因素的风险值，若否，则在预设时间内获取生理学风险因素浮动概率大于预设浮动阈值的次数，若次数大于预设次数，则提高生理学风险因素的风险值，获取历史严重并发症案例，基于风险评估模型对历史严重并发症案例进行处理，生成历史严重并发症案例对应的历史风险值，获取与风险值的误差不超过预设阈值的历史风险值，获取历史风险值对应的历史生理学风险因素，基于历史生理学风险因素对生理学风险因素进行处理，获取严重并发症评估方案。通过对患者的生理学风险因素进行识别，从而获取其术后严重并发症的风险概率，此外，还对严重并发症间可能存在的协同或拮抗作用进行预测，从而分析出可能出现的严重并发症以及严重并发症之间所存在的复杂相互作用的影响因素，为患者制定个性化的干预措施，进而减少了患者术后严重并发症的风险。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述评估老年肺癌患者术后严重并发症的方法。
其中，存储器301可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口303（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述评估老年肺癌患者术后严重并发症的方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的评估老年肺癌患者术后严重并发症的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的评估老年肺癌患者术后严重并发症的方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的评估老年肺癌患者术后严重并发症的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的评估老年肺癌患者术后严重并发症的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估老年肺癌患者术后严重并发症的方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的评估老年肺癌患者术后严重并发症的方法实施例，所以描述的比较简单，相关之处参见上述所述的评估老年肺癌患者术后严重并发症的方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种评估老年肺癌患者术后严重并发症的方法，其特征在于，包括：
获取患者的病例信息；
基于所述病例信息判断所述患者是否达到预设年龄，若是，则获取所述患者的生理状态因素；
基于预设规则对所述生理状态因素进行处理，生成术前特征数据；
基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，其中，所述生理学风险因素表征所述术前特征数据和/或病例信息之间的影响程度；
基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，其中，所述算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，所述公式为：p=1/(1+exp(-P))，其中，P为总影响权重，基于所述算法决策模型对所述患者的下述特征进行计算，所要计算的特征包括性别、肿瘤直径、术前肺功能值（FEV1%pred）、低密度脂蛋白胆固醇（LDL-C）、淋巴细胞计数（109/L）、中性粒细胞计数（109/L）、红细胞计数(1012/L)、白蛋白值(g/L)、血小板计数（109/L）以及手术入路变量值；
P的具体计算过程如下：
步骤1，对所述患者的性别进行判断，若为女性患者，则将所述性别的变量影响权重变量赋值为0；若为男性患者，则赋值为0.25725；
步骤2，对所述患者的手术入路方式进行判断，若为微创，则将所述手术入路的权重变量赋值为1.58473；若为开胸，则将所述手术入路的权重变量赋值为3.1695；
步骤3，获取所述肿瘤直径的大小，并对所述肿瘤直径的权重变量赋值为0.1579×肿瘤直径值；
步骤4，获取所述患者的术前肺功能值（FEV1%pred），并对所述术前肺功能值（FEV1%pred）的影响权重变量赋值为0.8135×FEV1%pred值；
步骤5，获取所述患者术前最近一次血液学检验指标中的红细胞计数值(RBC)，并对所述红细胞计数值的影响权重变量赋值为1.089×RBC；
步骤6，对化验变量采用复合检验指标形式，具体包括：NLR=中性粒细胞计数（109/L）/淋巴细胞计数（109/L）;PLR=血小板计数（109/L）/淋巴细胞计数（109/L）;PNI=白蛋白值(g/L)+5×淋巴细胞计数（109/L）；低密度脂蛋白胆固醇（LDL-C）、红细胞计数(RBC)为测量原始值；
步骤 7，对所述复合检验指标进行赋值，若NLR计算值小于等于3.02，则赋值为0；若计算值大于3.02，则赋值为0.8127；
若PLR计算值小于等于139.86，则赋值为0；若计算值大于139.86，则赋值为0.6439；
若PNI计算值小于等于53.40，则赋值为0；若计算值大于53.40，则赋值为1.2499；
步骤8，以基数-10.99892，加上性别的权重变量、手术入路的权重变量、肿瘤直径的权重变量和化验指标的权重变量，记为总影响权重P；
基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案。
2.如权利要求1所述的方法，其特征在于，所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，包括：
基于预设分类规则对所述生理状态因素进行分类处理，获取术前静态数据；
对所述术前静态数据进行数据扩散处理，生成扩散后的术前静态数据；
对所述扩散后的术前静态数据进行残差网络处理，生成术前特征数据。
3.如权利要求2所述的方法，其特征在于，所述基于预设规则对所述生理状态因素进行处理，生成术前特征数据，还包括：
基于预设分类规则对所述生理状态因素进行分类处理，获取术前动态数据；
基于随机森林填补法对所述术前动态数据进行缺失数据处理，生成完整术前动态数据；
基于Z-score标准化方法对所述完整术前动态数据进行归一化处理，生成术前特征数据。
4.如权利要求2所述的方法，其特征在于，所述基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，包括：
基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成各术前特征数据和病例信息的风险属性；
基于所述风险属性获取所述术前特征数据和所述病例信息的影响程度；
基于风险分类规则对所述术前特征数据和所述病例信息的影响程度进行处理，生成风险异常指标；
基于所述风险异常指标生成生理学风险因素。
5.如权利要求1所述的方法，其特征在于，所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，包括：
获取所述患者的生活环境数据；
基于所述生活环境数据对所述患者的生理状态因素设置预设权重值。
6.根据权利要求5所述的方法，其特征在于，所述基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，还包括：
基于所述病例信息获取所述患者的历史生理状态因素；
基于所述历史生理状态因素生成所述患者生理学风险因素的权重值；
获取所述生理学风险因素的实时参数浮动概率；
若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的生理学风险因素是否一致；
若是，则提高所述生理学风险因素的风险值；
若否，则在预设时间内获取所述生理学风险因素浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述生理学风险因素的风险值。
7.如权利要求1所述的方法，其特征在于，所述基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案，包括：
获取历史严重并发症案例；
基于所述风险评估模型对所述历史严重并发症案例进行处理，生成所述历史严重并发症案例对应的历史风险值；
获取与所述风险值的误差不超过预设阈值的历史风险值；
获取所述历史风险值对应的历史生理学风险因素；
基于所述历史生理学风险因素对所述生理学风险因素进行处理，获取严重并发症评估方案。
8.一种评估老年肺癌患者术后严重并发症的装置，其特征在于，所述装置包括：
获取模块，用于获取患者的病例信息；
处理模块，用于基于所述病例信息判断所述患者是否达到预设年龄，若是，则获取所述患者的生理状态因素；基于预设规则对所述生理状态因素进行处理，生成术前特征数据；基于风险因子评估模型对所述术前特征数据和所述病例信息进行处理，生成生理学风险因素，其中，所述生理学风险因素表征所述术前特征数据和/或病例信息之间的影响程度；基于算法决策模型对所述生理学风险因素进行处理，生成所述患者术后严重并发症的风险值，其中，所述算法决策模型包括用于获取患者术后严重并发症风险值的计算公式，所述公式为：p=1/(1+exp(-P))，其中，P为总影响权重，基于所述算法决策模型对所述患者的下述特征进行计算，所要计算的特征包括性别、肿瘤直径、术前肺功能值（FEV1%pred）、低密度脂蛋白胆固醇（LDL-C）、淋巴细胞计数（109/L）、中性粒细胞计数（109/L）、红细胞计数(1012/L)、白蛋白值(g/L)、血小板计数（109/L）以及手术入路变量值；P的具体计算过程如下：步骤1，对所述患者的性别进行判断，若为女性患者，则将所述性别的变量影响权重变量赋值为0；若为男性患者，则赋值为0.25725；步骤2，对所述患者的手术入路方式进行判断，若为微创，则将所述手术入路的权重变量赋值为1.58473；若为开胸，则将所述手术入路的权重变量赋值为3.1695；步骤3，获取所述肿瘤直径的大小，并对所述肿瘤直径的权重变量赋值为0.1579×肿瘤直径值；步骤4，获取所述患者的术前肺功能值（FEV1%pred），并对所述术前肺功能值（FEV1%pred）的影响权重变量赋值为0.8135×FEV1%pred值；步骤5，获取所述患者术前最近一次血液学检验指标中的红细胞计数值(RBC)，并对所述红细胞计数值的影响权重变量赋值为1.089×RBC；步骤6，对化验变量采用复合检验指标形式，具体包括：NLR=中性粒细胞计数（109/L）/淋巴细胞计数（109/L）;PLR=血小板计数（109/L）/淋巴细胞计数（109/L）;PNI=白蛋白值(g/L)+5×淋巴细胞计数（109/L）；低密度脂蛋白胆固醇（LDL-C）、红细胞计数(RBC)为测量原始值；步骤 7，对所述复合检验指标进行赋值，若NLR计算值小于等于3.02，则赋值为0；若计算值大于3.02，则赋值为0.8127；若PLR计算值小于等于139.86，则赋值为0；若计算值大于139.86，则赋值为0.6439；若PNI计算值小于等于53.40，则赋值为0；若计算值大于53.40，则赋值为1.2499；步骤8，以基数-10.99892，加上性别的权重变量、手术入路的权重变量、肿瘤直径的权重变量和化验指标的权重变量，记为总影响权重P；基于风险评估模型对所述风险值进行处理，生成严重并发症评估方案。
9.一种电子设备，其特征在于，包括：
处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求 1～7中任意一项所述的评估老年肺癌患者术后严重并发症的方法。
10.一种计算机可读存储介质，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1～7中任意一项所述的评估老年肺癌患者术后严重并发症的方法。
CN202311368631.4A 2023-10-23 2023-10-23 一种评估老年肺癌患者术后严重并发症的方法及相关设备 Active CN117116488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311368631.4A CN117116488B (zh) 2023-10-23 2023-10-23 一种评估老年肺癌患者术后严重并发症的方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311368631.4A CN117116488B (zh) 2023-10-23 2023-10-23 一种评估老年肺癌患者术后严重并发症的方法及相关设备

Publications (2)

Publication Number Publication Date
CN117116488A CN117116488A (zh) 2023-11-24
CN117116488B true CN117116488B (zh) 2024-01-02

Family

ID=88813174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311368631.4A Active CN117116488B (zh) 2023-10-23 2023-10-23 一种评估老年肺癌患者术后严重并发症的方法及相关设备

Country Status (1)

Country Link
CN (1) CN117116488B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117133461B (zh) * 2023-10-23 2024-01-30 北京肿瘤医院(北京大学肿瘤医院) 一种老年肺癌患者术后短期死亡风险评估的方法及装置
CN117558391B (zh) * 2024-01-11 2024-03-12 天津市胸科医院 基于主动脉夹层病历数据的术后病情深度学习方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973778A (zh) * 2006-12-08 2007-06-06 南京大学 胃癌术后严重并发症风险度的预测方法
RU2642238C1 (ru) * 2017-03-20 2018-01-24 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний" (НИИ КПССЗ) Способ прогнозирования риска развития осложнений в раннем госпитальном периоде у пациентов после коронарного шунтирования в условиях искусственного кровообращения
CN113362954A (zh) * 2021-05-20 2021-09-07 浙江大学 一种老年患者术后感染并发症风险预警模型及其建立方法
WO2022198239A1 (en) * 2021-03-18 2022-09-22 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods to generate a surgical risk score and uses thereof
CN115775630A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230046951A1 (en) * 2021-08-03 2023-02-16 National Chengchi University System and method for assessing risk of type 2 mellitus diabetes complications

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1973778A (zh) * 2006-12-08 2007-06-06 南京大学 胃癌术后严重并发症风险度的预测方法
RU2642238C1 (ru) * 2017-03-20 2018-01-24 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний" (НИИ КПССЗ) Способ прогнозирования риска развития осложнений в раннем госпитальном периоде у пациентов после коронарного шунтирования в условиях искусственного кровообращения
WO2022198239A1 (en) * 2021-03-18 2022-09-22 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods to generate a surgical risk score and uses thereof
CN113362954A (zh) * 2021-05-20 2021-09-07 浙江大学 一种老年患者术后感染并发症风险预警模型及其建立方法
CN115775630A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"腹膜后肿瘤患者术后并发症发生情况及预测模型构建";张晓璐 等;《中国普外基础与临床杂志》;全文 *

Also Published As

Publication number Publication date
CN117116488A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN117116488B (zh) 一种评估老年肺癌患者术后严重并发症的方法及相关设备
US10039485B2 (en) Method and system for assessing mental state
RU2533500C2 (ru) Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера
JP2006500075A (ja) 肺がん判別のための患者データマイニング
CN117133461B (zh) 一种老年肺癌患者术后短期死亡风险评估的方法及装置
JP6706627B2 (ja) 集中治療室における臨床値の自動化された分析及びリスク通知のためのシステム
WO2021231317A1 (en) Clinical predictor based on multiple machine learning models
CN111370126B (zh) 基于惩罚集成模型的icu死亡率预测方法及系统
CN111834017A (zh) 一种精神药物治疗效果预测方法，系统和装置
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN115083604A (zh) 一种术后不良事件预测模型的构建方法、系统和预测装置
CN118280577A (zh) 基于神经网络的消化道出血风险评估方法及系统
CN114203306A (zh) 医疗事件预测模型训练方法、医疗事件预测方法及装置
CN116612845B (zh) 临床试验风险提醒方法、装置、电子设备及存储介质
CN116682565B (zh) 一种数字化医疗信息在线监测方法、终端及介质
CN117116475A (zh) 缺血性脑卒中的风险预测方法、系统、终端及存储介质
CN113744865A (zh) 基于回归分析的压力性损伤风险预测模型校正方法
JP2024061599A (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
CN114649098A (zh) 基于syntax-ⅱ积分的冠心病pci术的建模方法
JP6948722B2 (ja) 検出装置及び検出プログラム
Umut et al. Prediction of sepsis disease by Artificial Neural Networks
CN113066584A (zh) 早发型败血症的预测方法及系统
Woo et al. Early warning of health condition and visual analytics for multivariable vital signs
CN117133459B (zh) 一种基于机器学习的术后颅内感染预测方法及系统
Muñoz Monjas et al. Automatic Outlier Detection in Laboratory Result Distributions Within a Real World Data Network

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