CN117238510B - 一种基于深度学习的脓毒症预测方法及系统 - Google Patents
一种基于深度学习的脓毒症预测方法及系统 Download PDFInfo
- Publication number
- CN117238510B CN117238510B CN202311523722.0A CN202311523722A CN117238510B CN 117238510 B CN117238510 B CN 117238510B CN 202311523722 A CN202311523722 A CN 202311523722A CN 117238510 B CN117238510 B CN 117238510B
- Authority
- CN
- China
- Prior art keywords
- sepsis
- patient
- deep learning
- sample set
- prediction
- 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
- 206010040047 Sepsis Diseases 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 52
- 239000000523 sample Substances 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000013610 patient sample Substances 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000008280 blood Substances 0.000 claims description 22
- 210000004369 blood Anatomy 0.000 claims description 22
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 22
- 108010048233 Procalcitonin Proteins 0.000 claims description 18
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 claims description 18
- 210000003374 extravascular lung water Anatomy 0.000 claims description 14
- 230000004217 heart function Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 11
- 102100032752 C-reactive protein Human genes 0.000 claims description 11
- 235000014655 lactic acid Nutrition 0.000 claims description 11
- 239000004310 lactic acid Substances 0.000 claims description 11
- 230000035485 pulse pressure Effects 0.000 claims description 11
- 102100030009 Azurocidin Human genes 0.000 claims description 8
- 101710154607 Azurocidin Proteins 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 102000022382 heparin binding proteins Human genes 0.000 claims description 3
- 108091012216 heparin binding proteins Proteins 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 102100033814 Alanine aminotransferase 2 Human genes 0.000 description 2
- 101710096000 Alanine aminotransferase 2 Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及医疗数据挖掘技术领域，公开了一种基于深度学习的脓毒症预测方法及系统，其中方法包括：S1：获取脓毒症患者样本并进行预处理，得到预处理后的脓毒症患者样本集；S2：根据脓毒症患者样本中的年龄阈值对所述脓毒症患者样本集进行分类为第一样本集和第二样本集；S3：根据所述第一样本集对第一深度学习模型进行训练，得出第一脓毒症预测模型，根据所述第二样本集对第二深度学习模型进行训练，得出第二脓毒症预测模型。本发明根据患者年龄不同，设计了分别应用于两个年龄段的脓毒症预测模型，两个模型在训练时仅需使用特定年龄段的患者样本进行训练，在保障了模型训练后的准确性的同时，还能根据待预测患者的年龄选择不同的模型预测。
Description
技术领域
本发明涉及医疗数据挖掘技术领域，具体涉及一种基于深度学习的脓毒症预测方法及系统。
背景技术
脓毒症是指由各种感染引起机体免疫功能紊乱而出现的一系列临床综合征，是重症监护室患者发生死亡的常见原因之一，尽早识别高危患者，做出及时预警并且对患者的病情发展做出准确的预测，防范转化为脓毒症体克，是降低患者的病死率的主要手段。
现有技术中存在采用深度学习模型实现脓毒症预测的技术方案，例如，中国发明专利（CN111951975A）公开了一种基于深度学习模型GPT-2的脓毒症早期预警方法，包括：在选定的时间跨度内提取ICU内病患的特征变量，组成一个高维度、随时间变化的序列，并将该序列经过数据预处理后输入到基于改进的GPT-2模型中以结合病患的近期临床表现提取到与ICU病患目前病情最接近的一种有效表示，将得到的该表示输入到一个全连接前馈网络层预测患者在接下来的时间内患有脓毒症的概率，该技术方案最大程度利用ICU内的病患常规指标，并可以根据时间的变化来预测病患面临的风险。然而，上述采用深度学习模型对脓毒性预测时，针对所有的患者都采用一个深度学习模型进行预测，没有对患者进行分类，导致模型在训练过程中，由于要兼顾所有不同年龄样本训练的准确性，可能会造成模型对某些患者的精度上做出适应性让步，从而造成对这部分患者预测精度较低的问题。
同时，对于脓毒症预测来说，同一指标在对不同的年龄的患者是否有脓毒症风险的预测效力不同，对所有年龄的患者均采用同样的指标通过深度学习进行脓毒症风险预测，有些指标对不同年龄预测效力不高，不对指标进行区分即输入至深度学习模型中，会导致预测精度不高。
因此，现有技术急需一种对患者分类进行脓毒症预测，从而提高所有年龄患者的预测精度的方法及系统。
发明内容
本发明的目的在于提供一种基于深度学习的脓毒症预测方法及系统，以解决现有技术中的所有的患者都采用一个深度学习模型进行预测精度较低，以及所有年龄的患者均采用同样的指标通过深度学习进行脓毒症风险预测精度较低的问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于深度学习的脓毒症预测方法，包括如下步骤：
S1：获取脓毒症患者样本并进行预处理，得到预处理后的脓毒症患者样本集；
S2：根据脓毒症患者样本中的年龄阈值对所述脓毒症患者样本集进行分类，将脓毒症患者样本集分为第一样本集和第二样本集；
S3：根据所述第一样本集对第一深度学习模型进行训练，得出训练后的第一脓毒症预测模型，根据所述第二样本集对第二深度学习模型进行训练，得出训练后的第二脓毒症预测模型；
S4：根据待预测患者的年龄，选择第一脓毒症预测模型或者第二脓毒症预测模型进行脓毒症风险预测，并输出所述待预测患者的脓毒症风险预测结果。
作为本发明的一种优选方案，在所述S1中，所述脓毒症患者样本来源于医院诊断为脓毒症的患者电子病历，对所述电子病历进行的预处理包括：异常值处理、缺失值填补和归一化；
所述异常值处理：使用统计分析法对指标值进行统计分析，并约束数据的合理范围，将脱离合理范围的值认定为异常值，并删除所述异常值；
所述缺失值填补：将脓毒症电子病历中包含的时间跨度中没有记录的指标定义为缺失值，使用均值、中位数填补缺失值；
所述归一化：采用最大值-最小值归一化方法对指标值进行归一化，得到归一化的值。
作为本发明的一种优选方案，所述归一化的公式为：
其中，/> 为归一化的值，
为指标值的原始数据值，
为该指标中的最小值，
为该指标中的最大值。
作为本发明的一种优选方案，在所述S2中，所述年龄阈值通过病例中患者年龄与脓毒症预测指标以及脓毒症风险进行分析，得出具体的年龄阈值，将所述脓毒症患者样本集中患者年龄低于所述年龄阈值的样本并入第一样本集，将所述脓毒症患者样本集中患者年龄大于等于所述年龄阈值的样本并入第二样本集；
所述脓毒症预测指标包括：血浆肝素结合蛋白、降钙素原、C反应蛋白、动脉血乳酸、SOFA评分、APACHEII评分、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数。
作为本发明的一种优选方案，在所述S3中，所述第一深度学习模型和所述第二深度学习模型均为卷积神经网络模型，所述卷积神经网络模型由输入层、卷积层、池化层、全连接层以及输出层组成。
作为本发明的一种优选方案，在所述S3中，根据所述第一样本集训练所述第一深度学习模型的具体步骤为：在第一样本集中的每个样本中，选择 SOFA评分、动脉血乳酸、降钙素原、C反应蛋白指标组成训练集对第一深度学习模型训练，由训练后的所述第一脓毒症预测模型输出结果为脓毒症风险低、脓毒症风险中、脓毒症风险高。
作为本发明的一种优选方案，在所述S3中，根据所述第二样本集训练所述第二深度学习模型的具体步骤为：在第二样本集中的每个样本中，选择 SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标组成训练集对第二深度学习模型训练，由训练后的所述第二脓毒症预测模型输出结果为脓毒症风险低、脓毒症风险中、脓毒症风险高。
作为本发明的一种优选方案，在所述S4中，若待预测患者年龄小于所述年龄阈值，则选择所述第一脓毒症预测模型对患者脓毒症风险进行预测，通过采集待预测患者的SOFA评分、动脉血乳酸、降钙素原、C反应蛋白指标数据输入至所述第一脓毒症预测模型中，由所述第一脓毒症预测模型输出患者脓毒症风险预测结果；
若待预测患者年龄大于等于所述年龄阈值，则选择所述第二脓毒症预测模型对患者脓毒症风险进行预测，通过采集待预测患者的SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标输入至所述第二脓毒症预测模型中，由所述第二脓毒症预测模型输出患者脓毒症风险预测结果。
一种基于深度学习的脓毒症预测系统，使用如上述的基于深度学习的脓毒症预测方法，包括如下模块：
云服务器：用于运行第一深度学习模型和第二深度学习模型；还用于根据训练集对所述第一深度学习模型和所述第二深度学习模型进行训练从而获得第一脓毒症预测模型和第二脓毒症预测模型；
患者信息采集模块：与年龄判断模块连接，用于采集待预测患者脓毒症相关的信息，并将信息上传至所述年龄判断模块；
所述年龄判断模块：与所述云服务器连接，用于接收上传的待预测患者脓毒症相关的信息，并根据患者年龄选择将该信息上传至所述云服务器的所述第一脓毒症预测模型或是所述第二脓毒症预测模型。
本发明与现有技术相比较具有如下有益效果：
（1）本发明根据患者年龄不同，设计了分别应用于两个年龄段的脓毒症预测模型，两个模型在训练时仅需使用特定年龄段的患者样本进行训练，在保障了模型训练后的准确性的同时，还能根据待预测患者的年龄选择不同的模型预测，从而提高了对全年龄段患者脓毒症风险的预测精度。
（2）本发明在对不同年龄的患者脓毒症风险预测时，选择了不同的预测指标，即选择了与年龄和脓毒症风险均相关性较强的指标对不同年龄的患者脓毒症风险进行预测，这进一步提高了对不同年龄段患者脓毒症风险预测的精度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例一的方法流程示意图。
图2为本发明实施例二的系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定；同时，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一，通过统计不同年龄的脓毒症患者的各项指标，发现年龄不同时，各个指标与脓毒症风险的相关性也不同，比如说，对于心功能指数、血管外肺水指数来说，若患者年龄较小，患者的心功能指数、血管外肺水指数与脓毒症诊断结论的相关性较差，若患者年龄较大，患者的心功能指数、血管外肺水指数与脓毒症诊断结论的相关性较强；因此，本发明在对脓毒症预测时，对患者进行分类，针对不同年龄的患者，选择该年龄段的样本数据进行训练，从而得到针对不同年龄段预测的多个深度学习模型，其中，所述多个深度学习模型的输入指标也不相同，在对待预测患者进行脓毒症预测时，根据脓毒症患者的年龄选择预测模型，从而实现脓毒症的准确预测，具体实施方式如下述。
如图1所示，本发明提供了一种基于深度学习的脓毒症预测方法，包括如下步骤：
S1：获取脓毒症患者样本并进行预处理，得到预处理后的脓毒症患者样本集。
在所述S1中，所述脓毒症患者样本来源于医院诊断为脓毒症的患者电子病历，对所述电子病历进行的预处理包括：异常值处理、缺失值填补和归一化；
示例性地，所述脓毒症患者样本集来源于医院特定时间段内的电子病历，例如自2000年至2022年的诊断为脓毒症的患者的电子病历。
所述异常值处理：使用统计分析法对指标值进行统计分析，并约束数据的合理范围，将脱离合理范围的值认定为异常值；
示例性地，所述异常值指明显偏离正常值之外的值；比如说，血压1200mmHg，偏离了正常值过多，即属于异常值，并删除所述异常值。
所述缺失值填补：将脓毒症电子病历中包含的时间跨度中没有记录的指标定义为缺失值，使用均值、中位数填补缺失值；
所述归一化：采用最大值-最小值归一化方法对指标值进行归一化，得到归一化的值。
所述归一化的公式为：
其中， />为归一化的值，
为指标值的原始数据值，
为该指标中的最小值，
为该指标中的最大值。
S2：根据脓毒症患者样本中的年龄阈值对所述脓毒症患者样本集进行分类，将脓毒症患者样本集分为第一样本集和第二样本集。
在所述S2中，所述年龄阈值通过病例中患者年龄与脓毒症预测指标以及脓毒症风险进行分析，得出具体的年龄阈值，将所述脓毒症患者样本集中患者年龄低于所述年龄阈值的样本并入第一样本集，将所述脓毒症患者样本集中患者年龄大于等于所述年龄阈值的样本并入第二样本集；
所述脓毒症预测指标包括：血浆肝素结合蛋白、降钙素原、C反应蛋白、动脉血乳酸、SOFA评分、APACHEII评分、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数。
示例性地，通过对大量的病历资料调研发现，并通过年龄与血浆肝素结合蛋白、降钙素原、C反应蛋白、动脉血乳酸、SOFA评分、APACHEII评分、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数等脓毒症预测指标以及脓毒症风险进行相关性分析后，根据分析结果，以63岁为年龄阈值，将脓毒症患者样本集分为第一样本集和第二样本集，即患者年龄小于63岁的样本并入第一样本集，将患者年龄大于等于63岁的并入第二样本集。
S3：根据所述第一样本集对第一深度学习模型进行训练，得出训练后的第一脓毒症预测模型，根据所述第二样本集对第二深度学习模型进行训练，得出训练后的第二脓毒症预测模型。
在所述S3中，所述第一深度学习模型和所述第二深度学习模型均为卷积神经网络模型，所述卷积神经网络模型由输入层、卷积层、池化层、全连接层以及输出层组成。
在所述S3中，根据所述第一样本集训练所述第一深度学习模型的具体步骤为：在第一样本集中的每个样本中，选择 SOFA评分、动脉血乳酸、降钙素原、C反应蛋白指标组成训练集对第一深度学习模型训练，由训练后的所述第一脓毒症预测模型输出结果为脓毒症风险低、脓毒症风险中、脓毒症风险高。
在所述S3中，根据所述第二样本集训练所述第二深度学习模型的具体步骤为：在第二样本集中的每个样本中，选择 SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标组成训练集对第二深度学习模型训练，由训练后的所述第二脓毒症预测模型输出结果为脓毒症风险低、脓毒症风险中、脓毒症风险高。
S4：根据待预测患者的年龄，选择第一脓毒症预测模型或者第二脓毒症预测模型进行脓毒症风险预测，并输出所述待预测患者的脓毒症风险预测结果。
在所述S4中，若待预测患者年龄小于所述年龄阈值，则选择所述第一脓毒症预测模型对患者脓毒症风险进行预测，通过采集待预测患者的SOFA评分、动脉血乳酸、降钙素原、C反应蛋白指标数据输入至所述第一脓毒症预测模型中，由所述第一脓毒症预测模型输出患者脓毒症风险预测结果；
若待预测患者年龄大于等于所述年龄阈值，则选择所述第二脓毒症预测模型对患者脓毒症风险进行预测，通过采集待预测患者的SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标输入至所述第二脓毒症预测模型中，由所述第二脓毒症预测模型输出患者脓毒症风险预测结果。
示例性地，若待预测患者年龄小于63岁，则选择第一深度学习模型对患者脓毒症风险进行预测，若待预测患者年龄大于等于63岁，则选择第二深度学习模型对患者脓毒症风险进行预测。
现有技术中，在脓毒症预测模型方面，全年龄段患者统一使用一个脓毒症预测模型，该模型在训练时需兼顾所有不同年龄样本训练的准确性，可能会造成模型对某些患者的精度上做出适应性让步的问题。
本发明根据患者年龄不同，设计了分别应用于两个年龄段的脓毒症预测模型，两个模型在训练时仅需使用特定年龄段的患者样本进行训练，在保障了模型训练后的准确性的同时，还能根据待预测患者的年龄选择不同的模型预测，从而提高了对全年龄段患者脓毒症风险的预测精度。
本发明在对不同年龄的患者脓毒症风险预测时，选择了不同的预测指标，针对年龄阈值（例如63岁）以下患者，选择SOFA评分、动脉血乳酸、降钙素原、C反应蛋白作为预测指标，对于年龄阈值（例如63岁）以上患者，选择SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标作为脓毒症分享预测指标；即选择了与年龄和脓毒症风险均相关性较强的指标对不同年龄的患者脓毒症风险进行预测，这进一步提高了对不同年龄段患者脓毒症风险预测的精度。
值得强调的是，本实施例提供的基于深度学习的脓毒症预测方法和系统，主要是通过智能数学模型对数据进行处理和预测，没有医生的参与，并且，其获取的脓毒症风险预测结果也仅仅是中间参数，医生会根据此中间参数结合患者的实际情况对实际的病情进行诊断。
实施例二，如图2所示，一种基于深度学习的脓毒症预测系统，使用实施例一任一项所述的基于深度学习的脓毒症预测方法，包括如下模块：
云服务器：用于运行第一深度学习模型和第二深度学习模型；还用于根据训练集对所述第一深度学习模型和所述第二深度学习模型进行训练从而获得第一脓毒症预测模型和第二脓毒症预测模型；
患者信息采集模块：与年龄判断模块连接，用于采集待预测患者脓毒症相关的信息，并将信息上传至所述年龄判断模块；
所述年龄判断模块：与所述云服务器连接，用于接收上传的待预测患者脓毒症相关的信息，并根据患者年龄选择将该信息上传至所述云服务器的所述第一脓毒症预测模型或是所述第二脓毒症预测模型。
实施例三，本实施例包括一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行实施例一的一种基于深度学习的脓毒症预测方法。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是，本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或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、方法或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，或是还包括为这种过程、方法或设备所固有的要素。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、方法或设备中还存在另外的相同要素。
还需说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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申请中的具体含义。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以作出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其他场合的，均应视为本申请的保护范围。
Claims (5)
1.一种基于深度学习的脓毒症预测方法，其特征在于，包括如下步骤：
S1：获取脓毒症患者样本并进行预处理，得到预处理后的脓毒症患者样本集；
S2：根据脓毒症患者样本中的年龄阈值对所述脓毒症患者样本集进行分类，将脓毒症患者样本集分为第一样本集和第二样本集；
在所述S2中，所述年龄阈值通过病例中患者年龄与脓毒症预测指标以及脓毒症风险进行分析，得出具体的年龄阈值，将所述脓毒症患者样本集中患者年龄低于所述年龄阈值的样本并入第一样本集，将所述脓毒症患者样本集中患者年龄大于等于所述年龄阈值的样本并入第二样本集；
所述脓毒症预测指标包括：血浆肝素结合蛋白、降钙素原、C反应蛋白、动脉血乳酸、SOFA评分、APACHEII评分、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数；
S3：根据所述第一样本集对第一深度学习模型进行训练，得出训练后的第一脓毒症预测模型，根据所述第二样本集对第二深度学习模型进行训练，得出训练后的第二脓毒症预测模型；
在所述S3中，根据所述第一样本集训练所述第一深度学习模型的具体步骤为：在第一样本集中的每个样本中，选择 SOFA评分、动脉血乳酸、降钙素原、C反应蛋白指标组成训练集对第一深度学习模型训练，由训练后的所述第一脓毒症预测模型输出结果为脓毒症风险低、脓毒症风险中、脓毒症风险高；
在所述S3中，根据所述第二样本集训练所述第二深度学习模型的具体步骤为：在第二样本集中的每个样本中，选择 SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标组成训练集对第二深度学习模型训练，由训练后的所述第二脓毒症预测模型输出结果为脓毒症风险低、脓毒症风险中、脓毒症风险高；
S4：根据待预测患者的年龄，选择第一脓毒症预测模型或者第二脓毒症预测模型进行脓毒症风险预测，并输出所述待测患者的脓毒症风险预测结果;
在所述S4中，若待预测患者年龄小于所述年龄阈值，则选择所述第一脓毒症预测模型对患者脓毒症风险进行预测，通过采集待预测患者的SOFA评分、动脉血乳酸、降钙素原、C反应蛋白指标数据输入至所述第一脓毒症预测模型中，由所述第一脓毒症预测模型输出患者脓毒症风险预测结果；
若待预测患者年龄大于等于所述年龄阈值，则选择所述第二脓毒症预测模型对患者脓毒症风险进行预测，通过采集待预测患者的SOFA评分、血浆肝素结合蛋白、降钙素原、胸腔内血容积、脉压变异、心功能指数、血管外肺水指数指标输入至所述第二脓毒症预测模型中，由所述第二脓毒症预测模型输出患者脓毒症风险预测结果。
2.根据权利要求1所述的一种基于深度学习的脓毒症预测方法，其特征在于，在所述S1中，所述脓毒症患者样本来源于医院诊断为脓毒症的患者电子病历，对所述电子病历进行的预处理包括：异常值处理、缺失值填补和归一化；
所述异常值处理：使用统计分析法对指标值进行统计分析，并约束数据的合理范围，将脱离合理范围的值认定为异常值，并删除所述异常值；
所述缺失值填补：将脓毒症电子病历中包含的时间跨度中没有记录的指标定义为缺失值，使用均值、中位数填补缺失值；
所述归一化：采用最大值-最小值归一化方法对指标值进行归一化，得到归一化的值。
3.根据权利要求2所述的一种基于深度学习的脓毒症预测方法，其特征在于，所述归一化的公式为：
其中，为归一化的值，
X为指标值的原始数据值，
为该指标中的最小值，
为该指标中的最大值。
4.根据权利要求1所述的一种基于深度学习的脓毒症预测方法，其特征在于，在所述S3中，所述第一深度学习模型和所述第二深度学习模型均为卷积神经网络模型，所述卷积神经网络模型由输入层、卷积层、池化层、全连接层以及输出层组成。
5.一种基于深度学习的脓毒症预测系统，使用如权利要求1-4任一项所述的基于深度学习的脓毒症预测方法，其特征在于，包括如下模块：
云服务器：用于运行第一深度学习模型和第二深度学习模型；还用于根据训练集对所述第一深度学习模型和所述第二深度学习模型进行训练从而获得第一脓毒症预测模型和第二脓毒症预测模型；
患者信息采集模块：与年龄判断模块连接，用于采集待预测患者脓毒症相关的信息，并将信息上传至所述年龄判断模块；
所述年龄判断模块：与所述云服务器连接，用于接收上传的待预测患者脓毒症相关的信息，并根据患者年龄选择将该信息上传至所述云服务器的所述第一深度学习模型或是所述第二深度学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311523722.0A CN117238510B (zh) | 2023-11-16 | 2023-11-16 | 一种基于深度学习的脓毒症预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311523722.0A CN117238510B (zh) | 2023-11-16 | 2023-11-16 | 一种基于深度学习的脓毒症预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117238510A CN117238510A (zh) | 2023-12-15 |
| CN117238510B true CN117238510B (zh) | 2024-02-06 |
Family
ID=89084802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311523722.0A Active CN117238510B (zh) | 2023-11-16 | 2023-11-16 | 一种基于深度学习的脓毒症预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117238510B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117438096B (zh) * | 2023-12-20 | 2024-04-19 | 天津医科大学第二医院 | 一种过敏性鼻炎预测模型的建模方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
| CN116092681A (zh) * | 2023-03-28 | 2023-05-09 | 北京嘉和海森健康科技有限公司 | 确定健康指数评分的方法、系统、电子设备及存储介质 |
| CN116580847A (zh) * | 2023-07-14 | 2023-08-11 | 天津医科大学总医院 | 一种脓毒性休克预后预测的建模方法及系统 |
-
2023
- 2023-11-16 CN CN202311523722.0A patent/CN117238510B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111261282A (zh) * | 2020-01-21 | 2020-06-09 | 南京航空航天大学 | 一种基于机器学习的脓毒症早期预测方法 |
| CN116092681A (zh) * | 2023-03-28 | 2023-05-09 | 北京嘉和海森健康科技有限公司 | 确定健康指数评分的方法、系统、电子设备及存储介质 |
| CN116580847A (zh) * | 2023-07-14 | 2023-08-11 | 天津医科大学总医院 | 一种脓毒性休克预后预测的建模方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117238510A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ge et al. | An Interpretable ICU Mortality Prediction Model Based on Logistic Regression and Recurrent Neural Networks with LSTM units. | |
| Lin et al. | Early diagnosis and prediction of sepsis shock by combining static and dynamic information using convolutional-LSTM | |
| CN117238510B (zh) | 一种基于深度学习的脓毒症预测方法及系统 | |
| CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
| Zhang et al. | Lstm for septic shock: Adding unreliable labels to reliable predictions | |
| CN106339593A (zh) | 基于医疗数据建模的川崎病分类预测方法 | |
| CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
| CN112270240B (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
| CN114496243B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN113057587A (zh) | 一种病症预警方法、装置、电子设备及存储介质 | |
| CN115177262A (zh) | 一种基于深度学习的心音心电联合诊断装置和系统 | |
| Pan et al. | A self-correcting deep learning approach to predict acute conditions in critical care | |
| CN113838018B (zh) | 基于Cnn-former的肝纤维化病变检测模型训练方法与系统 | |
| CN113491523B (zh) | 一种心电信号特征点检测方法及系统 | |
| CN116580847B (zh) | 一种脓毒性休克预后预测方法及系统 | |
| CN116884631A (zh) | 基于ai和相似患者分析的综合肝衰竭预测与治疗参考系统 | |
| CN112842342B (zh) | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 | |
| CN115547502A (zh) | 基于时序数据的血透病人风险预测装置 | |
| CN114841216A (zh) | 一种基于模型不确定性学习的脑电信号分类方法 | |
| Mamun et al. | Diagnosis of STEMI and Non-STEMI Heart Attack using Nature-inspired Swarm Intelligence and Deep Learning Techniques | |
| CN114792565A (zh) | 健康管理方法、装置、可穿戴设备、电子设备及介质 | |
| Cesario et al. | Early Identification of Patients at Risk of Sepsis in a Hospital Environment | |
| CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 | |
| Delimayanti et al. | Accurate Deep Learning-Based Sleep Apnea Detection from Cardiac Physiological Signals | |
| Galozy | Towards Understanding ICU Procedures using Similarities in Patient Trajectories: An exploratory study on the MIMIC-III intensive care database |
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 |