CN117350348A - 预测风险模型优化 - Google Patents
预测风险模型优化 Download PDFInfo
- Publication number
- CN117350348A CN117350348A CN202311307716.1A CN202311307716A CN117350348A CN 117350348 A CN117350348 A CN 117350348A CN 202311307716 A CN202311307716 A CN 202311307716A CN 117350348 A CN117350348 A CN 117350348A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- predictive risk
- risk model
- model
- 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
- 238000005457 optimization Methods 0.000 title abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000004872 arterial blood pressure Effects 0.000 claims description 61
- 208000001953 Hypotension Diseases 0.000 claims description 51
- 230000036543 hypotension Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 33
- 238000013145 classification model Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000000747 cardiac effect Effects 0.000 claims description 15
- 230000000004 hemodynamic effect Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000035581 baroreflex Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000036581 peripheral resistance Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 abstract description 17
- 238000004891 communication Methods 0.000 description 18
- 230000035790 physiological processes and functions Effects 0.000 description 13
- 230000003862 health status Effects 0.000 description 7
- 230000035488 systolic blood pressure Effects 0.000 description 6
- 206010021137 Hypovolaemia Diseases 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 230000003205 diastolic effect Effects 0.000 description 5
- 206010040070 Septic Shock Diseases 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 208000021822 hypotensive Diseases 0.000 description 4
- 230000001077 hypotensive effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000036303 septic shock Effects 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000035965 Postoperative Complications Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008816 organ damage Effects 0.000 description 2
- 230000004962 physiological condition Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000014981 mild hypotension Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Vascular Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及预测风险模型优化。本文公开的系统包括硬件处理器和存储在系统存储器中的预测风险模型训练软件代码。硬件处理器执行软件代码以接收包括阳性和阴性受试者的受试者群体的关于健康状态的生命体征数据,定义用于训练预测风险模型的数据集,将生命体征数据转换为表征生命体征数据的参数,并基于这些参数获得差分参数。硬件处理器执行软件代码以使用参数和差分参数进一步生成组合参数,对参数、差分参数和组合参数进行分析以识别与健康状态相关的参数缩减集,识别实现预测活体受试者的健康状态的参数预测集,并计算预测风险模型系数。
Description
本申请是于2017年07月17日提交的名称为“预测风险模型优化”的中国专利申请2017800342227(PCT/US2017/042363)的分案申请。
背景技术
危重患者和接受手术的患者有进入许多严重生理状态的风险,如果不及时发现并有效治疗,严重生理状态可能导致不可逆的器官损害,甚至死亡。这些生理状态的示例包括低血压、血容量不足、急性失血、败血性休克和心血管衰竭或“崩溃”,仅举几例。对于这些生理状态中的每一种,尽可能早发现是至关重要的,以便防止对患者造成永久性损伤。更有利的是实现预测这些生理状态中的一些或全部的发作,以便提前准备适当的医疗干预。
作为一个具体的示例,低血压或低血压症可能是接受手术的患者和在重症监护病房(ICU)接受治疗的危重患者的严重医疗并发症的预兆。在手术室(OR)环境中,手术期间的低血压与死亡率和器官损伤增加有关。此外,低血压相对常见,并且通常被视为OR和ICU中患者恶化的最初迹象之一。例如,低血压总体上出现在高达约33%的手术中,并出现在高达85%的高风险手术中。在ICU患者中,全部患者中的约24%至约85%出现低血压,其中85%的发生率出现在危重患者中。
用于上述低血压和其他严重生理状态的传统患者监测可包括生命体征(诸如血压、脉搏率、呼吸等)的连续或周期性测量。然而,无论是连续地还是周期性地执行这种监测,通常仅提供对患者病症的实时评估。因此,通常仅在上述低血压和其他严重生理状态发作后才发现,使得直到患者已开始恶化才启动补救措施和干预。然而,这些生理状态很快就会产生潜在的破坏性医疗后果。例如,即使相对轻度的低血压也可预示或促使心脏储备有限的患者心脏骤停。
鉴于OR和ICU患者对低血压和其他潜在危险生理状态的易感性,并由于当患者进入这些状态时可能导致的严重且有时立即的医疗后果,所以非常需要实现预测因例如低血压、血容量不足、急性失血或崩溃引起的未来患者恶化的解决方案。
发明内容
提供了用于预测风险模型优化的系统和方法,基本上如结合至少一个附图所示和/或所描述的,并且如权利要求中更完整地阐述的。
附图说明
图1示出了根据本公开的一个实施方式的用于训练预测风险模型的示例性系统的图;
图2示出了用于训练预测风险模型的系统的另一个示例性实施方式;
图3示出了根据一个实施方式的示例性系统和包括用于执行预测风险模型训练的指令的计算机可读非暂时性介质;和
图4是呈现根据一个实施方式的由系统用于训练预测风险模型的示例性方法的流程图。
具体实施方式
以下描述包含与本公开中的实施方式有关的具体信息。本领域技术人员将认识到,本公开可以以不同于本文具体讨论的方式实施。本申请中的附图及其随附的详细描述仅针对示例性实施方式。除非另有说明,否则附图中的相同或相应的元件可以由相同或相应的附图标记指示。此外,本申请中的附图和图示通常不是按比例的,并且不旨在对应于实际的相对尺寸。
本申请涉及用于通过针对危重或手术患者可能易感的各种潜在危险生理状态的预测风险建模来提供改善的患者护理的系统和方法。为此,本申请公开了用于训练预测风险模型以便大幅地优化模型可以预测患者中这种危险生理状态的出现的可靠性的系统和方法。这些危险的生理状态的示例包括低血压、血容量不足、急性失血、败血性休克和心血管衰竭或“崩溃”,仅举几例。根据各种实施方式,本申请中公开的系统和方法可以由医护人员用于在其发作之前预测危险的生理状态。由于这种预警,本申请中公开的系统和方法使得能够准备有效的医疗干预,用于对预期病症进行早期治疗或者完全预防该病症。
图1示出了根据一个实施方式的用于训练预测风险模型的示例性系统的图。如图1所示,系统102位于通信环境100内,通信环境100包括通信网络120、客户端系统130、系统用户140、阳性受试者群体150和阴性受试者群体154。
系统102包括硬件处理器104和存储预测风险模型训练软件代码110的系统存储器106。此外,系统存储器106被示为包括预测风险模型112,其包括参数预测集114。图1中还示出了经由通信网络120交互地连接客户端系统130和系统102的网络通信链路122以及由系统102经由通信网络120从阳性受试者群体150和阴性受试者群体154接收的生命体征数据160。
根据图1中所示的实施方式,系统用户140(其可以是例如医护人员或医学研究人员)可以利用客户端系统130通过通信网络120与系统102交互。例如,系统用户140可以通过通信网络120接收包括参数预测集114的预测风险模型112,和/或可以经由通信网络120将预测风险模型训练软件代码110下载到客户端系统130。在一个实施方式中,系统102可以对应于一个或更多个网页服务器,例如,其可通过诸如因特网的分组网络访问。替代地,系统102可以对应于支持局域网(LAN)或者被包括在另一种类型的有限分发网络中的一个或更多个服务器。
硬件处理器104被配置为执行预测风险模型训练软件代码110以接收包括阳性受试者群体150和阴性受试者群体154的受试者群体中的每个受试者的关于健康状态的生命体征数据160。例如,在一个示例性实施方式中,健康状态可以是低血压,其中阳性受试者群体150仅包括经历过低血压的受试者,而阴性受试者群体150仅包括未经历过低血压的受试者。在该实施方式中,例如,生命体征数据160可包括每个受试者的动脉压数据。
硬件处理器104还被配置为执行预测风险模型训练软件代码110以将生命体征数据160转换为表征生命体征数据160的多个参数。此外,硬件处理器104被配置为执行预测风险模型训练软件代码110以基于表征生命体征数据160的多个参数获得差分参数,并使用表征生命体征数据160的多个参数和差分参数生成组合参数。硬件处理器104还被配置为执行预测风险模型训练软件代码110以分析表征生命体征数据160的多个参数、差分参数和组合参数,以识别与健康状态相关的参数缩减集。硬件处理器104还被配置为执行预测风险模型训练软件代码110,以从参数缩减集中识别实现预测活体受试者的健康状态的参数预测集114,从而训练预测风险模型112,以便大幅地优化其预测可靠性。
在一些实施方式中,硬件处理器104被配置为执行预测风险模型训练软件代码110以通过例如在客户端系统130上可用的显示特征向系统用户140显示预测风险模型112和/或表征生命体征数据160的参数和/或参数预测集114。在一些实施方式中,硬件处理器104被配置为执行预测风险模型训练软件代码110,以基于从阳性受试者群体数据库150和阴性受试者群体数据库154中的一个或更多个接收的附加的生命体征数据160来更新或以其他方式修改参数预测集114。
注意,尽管图1将预测风险模型112描绘为驻留在系统存储器106中,但是在一些实施方式中,预测风险模型112可以被复制到非易失性存储设备(图1中未示出),或者如上所述,可以经由通信网络120被传输到客户端系统130。还应注意,尽管客户端系统130在图1中被示为个人计算机(PC),但该表示仅作为示例提供。在其他实施方式中,例如,客户端系统130可以是移动通信设备,诸如智能电话或平板电脑。
参考图2,图2示出了客户端系统230的更详细的示例性实施方式,客户端系统230本身可以被配置为训练预测风险模型。图2中的通信环境200包括客户端系统230,其通过网络通信链路222交互地连接到系统202。如图2所示,系统202包括硬件处理器204以及存储预测风险模型训练软件代码210a的系统存储器206。如图2中进一步所示,客户端系统230包括显示器232、客户端硬件处理器234和存储预测风险模型训练软件代码210b的客户端系统存储器236。图2中还示出了包括参数预测集214的预测风险模型212。
网络通信链路222以及包括硬件处理器204和系统存储器206的系统202总体上对应于图1中的网络通信链路122以及包括硬件处理器104和系统存储器106的系统102。此外,图2中的预测风险模型训练软件代码210a对应于图1中的预测风险模型训练软件代码110。换句话说,预测风险模型训练软件代码210a可以共享归因于对应的预测风险模型训练软件代码110的特征中的任何一个,如本申请中所述。
客户端系统230总体上对应于图1中的客户端系统130。此外,预测风险模型训练软件代码210b对应于预测风险模型训练软件代码110/210a。因此,预测风险模型训练软件代码210b和包括参数预测集214的预测风险模型212可以共享归因于图1中所示的对应的预测风险模型训练软件代码110和包括参数预测集114的预测风险模型112的特征中的任何一个,如本申请中所述。
根据图2中所示的示例性实施方式,预测风险模型训练软件代码210b位于客户端系统存储器236中,已经经由网络通信链路222从系统202接收。在一个实施方式中,例如,网络通信链路222对应于预测风险模型训练软件代码210b在分组网络上的传送。一旦被传送,例如通过在网络通信链路222上被下载,预测风险模型训练软件代码210b可以持久地存储在客户端系统存储器236中,并且可以由客户端硬件处理器234在客户端系统230上本地执行。
客户端硬件处理器234可以是例如客户端系统230的中央处理单元(CPU),客户端硬件处理器234的作用是运行客户端系统230的操作系统并执行预测风险模型训练软件代码210b。在图2的示例性实施方式中,客户端系统230的用户(诸如图1中的系统用户140)可以利用客户端系统230上的预测风险模型训练软件代码210b来识别参数预测集214,从而训练预测风险模型212。
另外,系统用户140可以利用客户端系统230上的预测风险模型训练软件代码210b,以在显示器232上显示预测风险模型212和/或表征生命体征数据160的参数和/或参数预测集214。显示器232可以采用液晶显示器(LCD)、发光二极管(LED)显示器、有机发光二极管(OLED)显示器或其他合适的显示屏的形式,其执行信号到光的物理转换,以便向系统用户140显示预测风险模型212和/或表征生命体征数据160的参数和/或参数预测集214。
现在转向图3,图3示出了根据一个实施方式的示例性系统和包括指令的计算机可读非暂时性介质,该指令实现预测风险模型训练和大幅优化。系统330包括具有硬件处理器334和系统存储器336的计算机338,其交互地链接到显示器332。与在图2中的显示器232类似,显示器332可以采用例如LCD、LED或OLED显示器的形式,其被配置为执行信号到光的物理转换,以便显示例如表征生命体征数据160的参数316。包括硬件处理器334和系统存储器336的系统330总体上对应于图1中的系统102和客户端系统130以及图2中的系统202和客户端系统230中的任何一个或全部。
注意,表征生命体征数据160的参数316被显示在显示器332上并包括动脉压波形360的特征362、364、366、368和358。参数316中包括的特征362、364、366、368和358分别对应于产生动脉压波形360的心跳的开始、标记收缩上升结束的最大收缩压、标记收缩下降结束的重搏切迹的存在、心跳的舒张和动脉压波形360的示例性斜率。进一步注意,包括动脉压波形360及特征362、364、366、368和358的参数316可以对应于其中正在进行预测风险模型生成的健康状态是低血压的具体情况。
除了动脉压波形360本身的特征362、364、366和368之外,动脉压波形360在这些特征之间的间隔期间的行为也可以用作表征生命体征数据160的参数。例如,特征362处的心跳开始与特征364处的最大收缩压之间的间隔标记收缩上升的持续时间(下文称为“收缩上升362-364”)。动脉压波形360的收缩下降由特征364处的最大收缩压与特征366处的重搏切迹之间的间隔(下文称为“收缩下降364-366”)标记。收缩上升362-364和收缩下降364-366共同标志整个收缩期(下文称为“收缩期362-366”),而特征366处的重搏切迹与特征368处的舒张之间的间隔标志动脉压波形360的舒张期(下文称为“舒张期366-368”)。
潜在的诊断兴趣还有动脉压波形360在从特征364处的最大收缩压到特征368处的舒张(下文称为“间隔364-368”)的间隔中的行为,以及动脉压波形360从特征362处的心跳开始到特征368处的舒张(下文称为“心跳间隔362-368”)的行为。以下间隔期间的动脉压波形360的行为可以通过例如测量动脉压波形360的曲线下的面积和这些间隔中的每个间隔中的动脉压波形360的标准偏差来确定:1)收缩上升362-364,2)收缩下降364-366,3)收缩期362-366,4)舒张期366-368,5)间隔364-368和6)心跳间隔362-368。针对上面的间隔1、2、3、4、5和6(下文称为“间隔1-6”)测量的相应面积和标准偏差可以用作表征生命体征数据160的附加参数。
图3中还示出了计算机可读非暂时性介质318,其上存储有预测风险模型训练软件代码310。如在本申请中使用的,表述“计算机可读非暂时性介质”是指向计算机338的硬件处理器334提供指令的任何介质,不包括载波或其他暂时信号。因此,例如,计算机可读非暂时性介质可以对应于各种类型的介质,诸如,易失性介质和非易失性介质。易失性介质可以包括动态存储器,诸如动态随机存取存储器(动态RAM),而非易失性存储器可以包括光学、磁性或静电存储设备。计算机可读非暂时性介质的常见形式包括例如光盘、RAM、可编程只读存储器(PROM)、可擦除PROM(EPROM)和FLASH存储器(闪存)。
根据图3中所示的实施方式,计算机可读非暂时性介质318提供预测风险模型训练软件代码310,用于由计算机338的硬件处理器334执行。当由硬件处理器334执行时,预测风险模型训练软件代码310实例化对应于图1/2中的预测风险模型训练软件代码110/210a/210b的预测风险模型训练软件代码,并且能够执行由本申请归因于该对应特征的所有操作。例如,当由硬件处理器334执行时,预测风险模型训练软件代码310被配置为识别参数预测集114/214,从而训练预测风险模型112/212。
下面参考图4进一步描述用于训练上面参考图1、图2和图3讨论的预测风险模型的系统。图4呈现了概述根据一个实施方式的用于由系统训练预测风险模型的示例性方法的流程图470。可以使用由硬件处理器104/204/234/334执行的预测风险模型训练软件代码110/210a/210b/310来执行流程图470中概述的方法。
流程图470开始于接收包括阳性受试者群体150和阴性受试者群体154的受试者群体中的每个受试者的关于健康状态的生命体征数据160(动作471)。生命体征数据160可以通过系统102/202/230/330的由硬件处理器104/204/234/334执行的预测风险模型训练软件代码110/210a/210b/310接收。如图1所示,生命体征数据160可以由预测风险模型训练软件代码110/210a/210b/310经由通信网络120从阳性受试者群体150和阴性受试者群体154接收。
注意,为了概念清晰起见,将参考一个具体实施方式描述流程图470概述的方法,在该实施方式中正在训练以便大幅优化的预测风险模型所针对的健康状态是低血压。然而,需要强调的是,例如,本申请公开的系统和方法可以适用于针对其他感兴趣的健康状态(诸如,血容量不足、急性失血、败血症或败血性休克、拔管失败、术后并发症和心血管衰竭或崩溃)执行预测风险模型训练和大幅优化。关于感兴趣的健康状态是低血压的具体和示例性情况,生命体征数据160可以采取对应于阳性受试者群体150和阴性受试者群体154中的每个受试者的动脉压的血液动力学数据的形式。
流程图470继续定义用于训练预测风险模型112/212的数据子集(下文称为“训练子集”)(动作472)。训练子集可以从阳性受试者群体150和阴性受试者群体154的有关健康状态(例如,在本示例中,低血压)的生命体征数据160获得。阳性训练子集可以被定义为健康状态在阳性受试者群体150中出现的所有时间段。阳性训练子集也可以被定义为健康状态出现的所有时间段以及在阳性受试者群体150中出现健康状态之前的时间段(例如,健康状态出现之前的5分钟、10分钟或15分钟)。阳性训练子集的一个示例是当发生低血压事件时的所有数据点,以及在低血压事件之前的5分钟、10分钟或15分钟的所有数据点。
阴性训练子集可以被定义为在阴性受试者群体154中没有出现健康状态的所有时间段。阴性训练子集也可以被定义为在阳性受试者群体150中没有出现健康状态的所有时间段,其中时间段必须处于健康状态发生的时间段外的一定时间距离处。阴性训练子集的一个示例是当没有发生低血压事件时的所有数据点,并且该时间段必须距离最近的低血压事件(之前和之后)至少20分钟。阴性训练子集也可以被定义为针对阴性受试者群体154的所有数据点。
流程图470继续将生命体征数据160转换为表征生命体征数据160的参数316(动作473)。生命体征数据160到参数316的转换可以由预测风险模型训练软件代码110/210a/210b/310进行,预测风险模型训练软件代码110/210a/210b/310由硬件处理器104/204/234/334执行。如上面参考图3所讨论的,参数316可以包括动脉压波形360的特征,包括产生动脉压波形360的心跳的开始362、标记收缩上升结束的最大收缩压364、标记收缩下降结束的重博切迹364的存在、心跳的舒张368和动脉压波形360的示例性斜率358。
另外,参数316可以进一步包括针对动脉压波形360的间隔1-6测量的相应面积和标准偏差,如上面参考图3所讨论的。动脉压波形360可以是来自例如阳性受试者群体150或阴性受试者群体154中的任何受试者的中心动脉压波形。
注意,斜率358仅表示可在沿动脉压力波形360的多个位置处测量的多个斜率。还注意,参数316仅提供可从生命体征数据160转换的参数的采样。实践中,参数316可包括数百个参数。通常可以被包括在参数316中的附加参数的示例是心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数和平均动脉压(MAP)。另外,参数316可包括被发现预测未来低血压的各种不同类型的参数。例如,参数316可以包括压力反射敏感性测量、血液动力学复杂性测量和频域血液动力学特征中的任何一个或全部。
压力反射敏感性测量量化互补生理过程之间的关系。例如,健康活体受试者的血压降低通常通过心率的增加和/或外周阻力的增加来补偿。可以从动脉压波形360导出的压力反射敏感性测量对应于产生动脉压波形360的受试者对正常生理变化做出适当响应的程度。血液动力学复杂性测量量化心脏测量值随时间的规律性量,以及熵,即心脏测量值波动的不可预测性。频域血液动力学特征将心脏性能的测量量化为频率而不是时间的函数。
流程图470继续基于参数316获得差分参数(动作474)。基于参数316获得差分参数(下文称为“差分参数”)可以由预测风险模型训练软件代码110/210a/210b/310进行,预测风险模型训练软件代码110/210a/210b/310由硬件处理器104/204/234/334执行。例如,可以通过确定参数316相对于时间、相对于频率或相对于参数316中的其他参数的变化来获得差分参数。结果,参数316中的每个参数可以产生一个、两个或若干个差分参数。
例如,差分参数每搏量变异(SVV)可以基于作为时间的函数和/或作为采样频率的函数的参数每搏量(SV)的变化来获得。类似地,可以获得平均动脉压的变化(ΔMAP)作为关于时间和/或采样频率等的差分参数。作为另一个示例,平均动脉压相对于时间的变化可以通过从平均动脉压的当前值减去过去5分钟内、过去10分钟内等等的平均动脉压的平均值来获得。如上所述,参数316可以为数百个,而一个或更多个差分参数可以从参数316中的每个参数获得。因此,参数316和差分参数一起可以为数千个。
流程图470继续使用参数316和差分参数生成组合参数(动作475)。可以通过由硬件处理器104/204/234/334执行的预测风险模型训练软件代码110/210a/210b/310来进行这种组合参数的生成。例如,可以通过生成参数316和差分参数的子集的幂组合,使用参数316和差分参数来生成组合参数。注意,如在本申请中所使用的,表征“参数316和差分参数的子集”是指数量少于参数316且数量少于差分参数的参数的子集,其包括参数316的一些和/或差分参数的一些。
作为一个具体的示例,组合参数中的每个参数可以被生成为从参数316和/或差分参数中随机或有目的地选择的三个参数的幂组合。从参数316和/或差分参数中选择的那三个参数中的每一个可以进行指数幂,并且可以与类似地进行指数幂的其他两个参数相乘或相加。从参数316和/或差分参数中选择的三个参数中的每一个进行的指数幂可以是相同的,但不需要是相同的。
在一些实施方案中,例如,可使用预定且有限整数范围的指数幂来进行组合参数的生成。例如,在一个这样的实施方式中,用于生成组合参数的指数幂可以是从负二、负一、零、一和二(-2、-1、0、1、2)中选择的整数幂。因此,每个组合参数可以采取以下形式:
X=Y1 a*Y2 b*...Yn c(等式1)
其中,例如,每个Y是参数316中的一个或差分参数中的一个,n是任何大于2的整数,并且a、b和c中的每一个可以是-2、-1、0、1和2中的任何一个。在一个实施方式中,等式1可以应用于参数316、差分参数以及参数316和差分参数的基本上所有可能的幂组合,受到上面讨论的预定约束,诸如n的值和可以选择的指数幂的数值范围。
流程图470继续分析参数316、差分参数和组合参数,以识别与健康状态相关(例如,在该示例性方法中,与低血压相关)的参数缩减集(动作476)。用于识别与低血压相关的参数缩减集的参数316、差分参数和组合参数的分析可以由预测风险模型训练软件代码110/210a/210b/310进行,预测风险模型训练软件代码110/210a/210b/310由硬件处理器104/204/234/334执行。
如上所述,参数316和差分参数一起可以为数千个。因此,并且鉴于上述生成组合参数的过程,参数316、差分参数和组合参数的组合可以累积为数百万个。为了使分析如此大量的变量易处理,例如,在一个实施方式中,对参数316、差分参数和组合参数的分析可以被执行为这些参数的接受者工作特征(ROC)分析。
ROC分析是一种说明二元分类器性能的方法,因为它的鉴别阈值是变化的。通过在各种阈值设置下绘制真阳性率与假阳性率来创建ROC曲线。ROC曲线下的面积(AUC)可用于判断不同分类器的性能,并且AUC越高,分类器越好。在健康状态的阳性和阴性经预定义的数据集上,可以对每个参数执行ROC分析以获得其AUC。然后保留那些具有大AUC值的参数。
这种ROC分析的结果是与低血压相关的参数缩减集。例如,在参数316、差分参数和组合参数累积数量为在两到三百万之间的情况下,参数缩减集可以包括少于约200个被识别为与低血压相关的参数。
如图4所示,流程图470继续从参数缩减集中识别参数预测集114/214,其实现预测活体受试者的健康状态,例如低血压(动作477)。可以通过由硬件处理器104/204/234/334执行的预测风险模型训练软件代码110/210a/210b/310来进行从参数缩减集中识别参数预测集114/214。
在一个实施方式中,参数预测集114/214包括与低血压具有最强相关性的参数缩减集的子集。例如,可以通过顺序地测试使用参数缩减集中的每个参数产生的健康状态(例如,低血压)的预测来确定被包括在参数缩减集中的每个参数的相关性。在这样的实施方式中,仅包括来自参数缩减集中的那些与满足阈值或截止相关值的低血压有测量相关性的参数作为参数预测集114/214中的一个。
在另一个实施方式中,可以使用机器学习技术来识别参数预测集114/214,诸如顺序特征选择,无论是前向选择还是后向选择。使用顺序特征选择,将参数缩减集逐一添加或移除到机器学习模型:分类模型或回归模型。顺序特征选择旨在通过逐一向/逐一从回归模型或分类模型添加(用于前向选择)或移除(用于后向选择)参数来最小化参数缩减集的所有可能的组合上的均方根误差(对于回归模型)或错误分类率(对于分类模型)。分类和回归模型可以包括:线性回归、逻辑回归、判别分析、神经网络、支持向量机、最近邻、分类和回归树或集合方法,诸如随机森林,仅举几个例子。
在又一个实施方式中,可以使用诸如最佳子集选择(跳跃(leaps)算法和边界算法)、岭回归、套索回归、最小角度回归或主要分量回归和偏最小二乘的机器学习技术来识别参数预测集114/214。
作为一个具体的示例,在从参数316、差分参数和组合参数的分析导出的参数缩减集包括多达约200个参数的情况下,参数预测集114/214可以数量为从少至若干参数(例如,五个或更少)到多达约五十个参数。作为本公开的附录A提供了列举用于低血压预测的示例性情况的参数预测集114/214以及与其确定相关联的示例性采样准则的示例性但非穷举表。由硬件处理器104/204/234/334执行的预测风险模型训练软件代码110/210a/210b/310可以利用参数预测集114/214,以大幅地优化预测风险模型112/212用于预测活体受试者的低血压。
流程图470可以以训练预测风险模型112/212以使用前述训练子集来包括参数预测集114/214中的一些或全部而结束(动作478)。预测风险模型112/212可以包括机器学习模型:回归模型或分类模型。适用于训练预测风险模型112/212的回归模型和分类模型的示例可以包括线性回归、逻辑回归、判别分析、神经网络、支持向量机、最近邻、分类和回归树或集合方法,诸如随机森林,仅举几个例子。
预测风险模型112/212可以包括参数预测集114/214的全部或子集以及附加参数。预测风险模型112/212可以包括必须通过模型训练确定的模型系数。训练预测风险模型意味着使用数值计算程序来计算预测风险模型系数,以将表示预测风险模型输出的误差的成本函数最小化到训练子集的真实值。
作为一个示例,使用逻辑回归的来自动作478的训练的预测风险模型可以表示为:
风险分数(Risk Score)=1/(1+e-A)(等式2)
其中:
并且其中:
ν1=CWI,即被患者的体表面积索引的心脏作功;
ν2=MAPavg,即平均化的平均动脉压;
ν3=ΔMAPavg,即与初始值相比时平均化的平均动脉压的变化;
ν4=avgSysDec,即收缩期的下降部分处的平均化的压力;
ν5=ΔSys,即与初始值相比时收缩压的变化;
ν6=ppAreaNor,即动脉压波形下面的归一化面积;
ν7=biasDia,即舒张斜率的偏差;
ν8=CW,即心脏作功;
ν9=mapDnlocArea,即动脉压波形下的在MAP的第一实例和重搏切迹之间的面积;
ν10=SWcomb,即每搏功;
ν11=ppArea,即动脉压波形下的面积;
ν12=decAreaNor,即下降期的归一化面积;
ν13=slopeSys,即收缩期的斜率;
ν14=Cwk,即Windkessel(弹性腔)顺应性;
ν15=sys_rise_area_nor,即收缩上升期下的归一化面积;
ν16=pulsepres,即脉搏压力;
ν17=avg_sys,即收缩期的平均化的压力;
ν18=dpdt2,即压力波形的二阶导数的最大值;
ν19=dpdt,即压力波形的一阶导数的最大值;和
Δ=与其初始值相比时值的变化
c0、c1、……、c11是常数系数。
尽管未包括在流程图470中,但是在一些实施方式中,本方法还可以包括基于新接收的生命体征数据460更新参数预测集114/214和预测风险模型系数。也就是说,硬件处理器104/204/234/334可以被配置为执行预测风险模型训练软件代码110/210a/210b/310,以在训练预测风险模型112/212之后更新参数预测集114/214。
因此,本申请公开了用于训练针对危重或手术患者可能易感的各种潜在危险生理状态的预测风险模型的系统和方法。如上所述,这些生理状态的示例包括低血压、血容量不足、急性失血、败血性休克、拔管失败、手术后并发症和心血管衰竭或崩溃,仅举几个例子。根据各种实施方式,本申请中公开的系统和方法可以由医护人员利用以在活体受试者发病之前预测危险的身体状态。由于这种预警,本申请中公开的系统和方法使得能够准备有效的医疗干预,用于对预期病症进行早期治疗或者完全预防该病症。
从以上描述中可以明显看出,在不脱离这些概念的范围的情况下,可以使用各种技术来实施本申请中描述的概念。此外,虽然已经具体参考某些实施方式描述了概念,但是本领域普通技术人员将认识到,在不脱离这些概念的范围的情况下,可以在形式和细节上进行改变。这样,所描述的实施方式在所有方面都被认为是说明性的而非限制性的。还应当理解,本申请不限于本文描述的特定实施方式,相反,在不脱离本公开的范围的情况下,许多重新布置、修改和替换是可能的。
附录A
/>
/>
Claims (25)
1.一种用于训练预测风险模型的系统,所述系统包括:
硬件处理器;
系统存储器;和
存储在所述系统存储器中的预测风险模型训练软件代码;
其中,所述硬件处理器被配置为执行所述预测风险模型训练软件代码以:
接收包括阳性受试者和阴性受试者的受试者群体的每个受试者的关于低血压的动脉压数据;
定义用于训练所述预测风险模型的数据集;
将所述动脉压数据转换为表征所述动脉压数据的第一多个参数;
通过确定以下项中的至少一个从所述第一多个参数获得第二多个差分参数:
所述第一多个参数中的参数相对于时间的变化;
所述第一多个参数中的参数相对于频率的变化;和
所述第一多个参数中的参数相对于所述第一多个参数中的其他参数的变化;
使用所述第一多个参数和所述第二多个差分参数生成第三多个组合参数,
其中所述第三多个组合参数中的每一个通过使用总共三个参数来计算,所述三个参数中的每个选自所述第一多个参数和所述第二多个差分参数中的一个或多个;并且
其中所述第三多个组合参数中的每一个包括所述第一多个参数和所述第二多个差分参数的子集的幂组合,所述幂组合包括来自负二、负一、一和二(-2,-1,1,2)中的整数幂;
分析所述第三多个组合参数,以识别与所述低血压相关的参数的缩减集;
从所述参数的缩减集中识别实现预测活体受试者的低血压的参数预测集,其中识别所述参数预测集包括:
使用回归模型来识别所述参数预测集作为使所述回归模型的均方根误差最小化的所述参数的缩减集的子集;或
使用分类模型来识别所述参数预测集作为使所述分类模型的错误分类率最小化的所述参数的缩减集的子集;以及
通过基于所述参数预测集计算预测风险模型系数,来训练所述预测风险模型,其中计算所述预测风险模型系数包括将表示所述预测风险模型的输出的误差的成本函数最小化到用于训练所述预测风险模型的数据集的真实值。
2.根据权利要求1所述的系统,其中所述第一多个参数中的参数表示:
动脉压波形的特征;
所述动脉压波形在由所述动脉压波形的所述特征限定的间隔期间的行为;或
所述动脉压波形的所述特征和所述动脉压波形在所述间隔期间的所述行为。
3.根据权利要求2所述的系统,其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
4.根据权利要求1所述的系统,其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量,所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
5.根据权利要求1所述的系统,其中通过所述第三多个组合参数的接受者工作特征分析即ROC分析来识别与所述低血压相关的所述多个参数的缩减集。
6.根据权利要求1所述的系统,其中使用所述回归模型来识别所述参数预测集包括:
在逐个参数的基础上,将来自所述参数的缩减集的每个参数添加到所述回归模型,以识别使所述回归模型的均方根误差最小化的所述参数的缩减集的所述子集;或者
在逐个参数的基础上,将来自所述参数的缩减集的每个参数从所述回归模型移除,以识别使所述回归模型的所述均方根误差最小化的所述参数的缩减集的所述子集。
7.根据权利要求1所述的系统,其中使用所述分类模型来识别所述参数预测集包括:
在逐个参数的基础上,将来自所述参数的缩减集的每个参数添加到所述分类模型,以识别使所述分类模型的所述错误分类率最小化的所述参数的缩减集的所述子集;或者
在逐个参数的基础上,将来自所述参数的缩减集的每个参数从所述分类模型移除,以识别使所述分类模型的所述错误分类率最小化的所述参数的缩减集的子集。
8.一种由系统用于训练预测风险模型的方法,所述系统包括硬件处理器和存储在系统存储器中的预测风险模型训练软件代码,所述方法包括:
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,接收包括阳性受试者和阴性受试者的受试者群体的每个受试者的关于低血压的动脉压数据;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,定义用于训练所述预测风险模型的数据集;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,将所述动脉压数据转换为表征所述动脉压数据的第一多个参数;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,通过确定以下项中的至少一个从所述第一多个参数获得第二多个差分参数:
所述第一多个参数中的参数相对于时间的变化;
所述第一多个参数中的参数相对于频率的变化;和
所述第一多个参数中的参数相对于所述第一多个参数中的其他参数的变化;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,使用所述第一多个参数和所述第二多个差分参数生成第三多个组合参数;
其中所述第三多个组合参数中的每一个通过使用总共三个参数来计算,所述三个参数中的每个选自所述第一多个参数和所述第二多个差分参数中的一个或多个;并且
其中所述第三多个组合参数中的每一个包括所述第一多个参数和所述第二多个差分参数的子集的幂组合,所述幂组合包括来自负二、负一、一和二(-2,-1,1,2)中的整数幂;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,分析所述第三多个组合参数,以识别与所述低血压相关的参数的缩减集;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,从所述参数的缩减集中识别实现预测活体受试者的所述低血压的参数预测集,其中识别所述参数预测集包括:
使用回归模型来识别所述参数预测集作为使所述回归模型的均方根误差最小化的所述参数的缩减集的子集;或
使用分类模型来识别所述参数预测集作为使所述分类模型的错误分类率最小化的所述参数的缩减集的子集;以及
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,通过基于所述参数预测集计算预测风险模型系数,来训练所述预测风险模型,其中计算所述预测风险模型系数包括将表示所述预测风险模型的输出的误差的成本函数最小化到用于训练所述预测风险模型的所述数据集的真实值。
9.根据权利要求8所述的方法,其中所述第一多个参数中的参数表示:
动脉压波形的特征;
所述动脉压波形在由所述动脉压波形的所述特征限定的间隔期间的行为;或
所述动脉压波形的所述特征和所述动脉压波形在所述间隔期间的所述行为。
10.根据权利要求9所述的方法,其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
11.根据权利要求8所述的方法,其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量,所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
12.根据权利要求8所述的方法,其中分析所述第三多个组合参数以识别与所述低血压相关的所述多个参数的缩减集包括执行所述第三多个组合参数的接受者工作特征分析即ROC分析。
13.根据权利要求8所述的方法,其中使用所述回归模型来识别所述参数预测集包括:
在逐个参数的基础上,将来自所述参数的缩减集的每个参数添加到所述回归模型,以识别使所述回归模型的所述均方根误差最小化的所述参数的缩减集的所述子集;或者
在逐个参数的基础上,将来自所述参数的缩减集的每个参数从所述回归模型移除,以识别使所述回归模型的所述均方根误差最小化的所述参数的缩减集的所述子集。
14.根据权利要求8所述的方法,其中使用所述分类模型来识别所述参数预测集包括:
在逐个参数的基础上,将来自所述参数的缩减集的每个参数添加到所述分类模型,以识别使所述分类模型的所述错误分类率最小化的所述参数的缩减集的所述子集;或者
在逐个参数的基础上,将来自所述参数的缩减集的每个参数从所述分类模型移除,以识别使所述分类模型的所述错误分类率最小化的所述参数的缩减集的所述子集。
15.一种计算机可读非暂时性介质,其上存储有指令,当由硬件处理器执行时,所述指令实例化包括以下步骤的方法:
接收包括阳性受试者和阴性受试者的受试者群体的每个受试者的关于低血压的动脉压数据;
定义用于训练预测风险模型的数据集;
将所述动脉压数据转换为表征所述动脉压数据的第一多个参数;
通过确定以下项中的至少一个从所述第一多个参数获得第二多个差分参数:
所述第一多个参数中的参数相对于时间的变化;
所述第一多个参数中的参数相对于频率的变化;和
所述第一多个参数中的参数相对于所述第一多个参数中的其他参数的变化;
使用所述第一多个参数和所述第二多个差分参数生成第三多个组合参数,
其中所述第三多个组合参数中的每一个通过使用总共三个参数来计算,所述三个参数中的每个选自所述第一多个参数和所述第二多个差分参数中的一个或多个;并且
其中所述第三多个组合参数中的每一个包括所述第一多个参数和所述第二多个差分参数的子集的幂组合,所述幂组合包括来自负二、负一、一和二(-2,-1,1,2)中的整数幂;
分析所述第三多个组合参数,以识别与所述低血压相关的参数的缩减集;
从所述参数的缩减集中识别实现预测活体受试者的所述低血压的参数预测集,其中识别所述参数预测集包括:
使用回归模型来识别所述参数预测集作为使所述回归模型的均方根误差最小化的所述参数的缩减集的子集;或
使用分类模型来识别所述参数预测集作为使所述分类模型的错误分类率最小化的所述参数的缩减集的子集;以及
通过基于所述参数预测集计算预测风险模型系数,来训练所述预测风险模型,其中计算所述预测风险模型系数包括将表示所述预测风险模型的输出的误差的成本函数最小化到用于训练所述预测风险模型的数据集的真实值。
16.根据权利要求15所述的计算机可读非暂时性介质,其中所述第一多个参数中的参数表示:
动脉压波形的特征;
所述动脉压波形在由所述动脉压波形的所述特征限定的间隔期间的行为;或
所述动脉压波形的所述特征和所述动脉压波形在所述间隔期间的所述行为。
17.根据权利要求16所述的计算机可读非暂时性介质,其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
18.根据权利要求15所述的计算机可读非暂时性介质,其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量,所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
19.根据权利要求18所述的计算机可读非暂时性介质,其中分析所述第三多个组合参数以识别与所述低血压相关的所述参数的缩减集包括执行所述第三多个组合参数的接受者工作特征分析即ROC分析。
20.根据权利要求15所述的计算机可读非暂时性介质,其中使用所述回归模型来识别所述参数预测集包括:
在逐个参数的基础上,将来自所述参数的缩减集的每个参数添加到所述回归模型,以识别使所述回归模型的所述均方根误差最小化的所述参数的缩减集的所述子集;或者
在逐个参数的基础上,将来自所述参数的缩减集的每个参数从所述回归模型移除,以识别使所述回归模型的所述均方根误差最小化的所述参数的缩减集的所述子集。
21.根据权利要求15所述的计算机可读非暂时性介质,其中使用所述分类模型来识别所述参数预测集包括:
在逐个参数的基础上,将来自所述参数的缩减集的每个参数添加到所述分类模型,以识别使所述分类模型的所述错误分类率最小化的所述参数的缩减集的所述子集;或者
在逐个参数的基础上,将来自所述参数的缩减集的每个参数从所述分类模型移除,以识别使所述分类模型的所述错误分类率最小化的所述参数的缩减集的所述子集。
22.根据权利要求1所述的系统,其中所述第一多个参数包括心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数、压力反射敏感性测量、血液动力学复杂性测量和/或频域血液动力学特征中的一个或多个。
23.根据权利要求8所述的方法,其中所述第一多个参数包括心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数、压力反射敏感性测量、血液动力学复杂性测量和/或频域血液动力学特征中的一个或多个。
24.根据权利要求15所述的计算机可读非暂时性介质,其中所述第一多个参数包括心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数、压力反射敏感性测量、血液动力学复杂性测量和/或频域血液动力学特征中的一个或多个。
25.一种用于训练预测风险模型方法,其包括:
通过由硬件处理器执行的预测风险模型训练软件代码,接收包括阳性受试者和阴性受试者的受试者群体的每个受试者的关于低血压的动脉压数据;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,定义用于训练所述预测风险模型的数据集;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,将所述动脉压数据转换为表征所述动脉压数据的第一多个参数;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,通过确定以下项中的至少一个从所述第一多个参数获得第二多个差分参数:
所述第一多个参数中的参数相对于时间的变化;
所述第一多个参数中的参数相对于频率的变化;和
所述第一多个参数中的参数相对于所述第一多个参数中的其他参数的变化;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,使用所述第一多个参数和所述第二多个差分参数生成第三多个组合参数;
其中所述第三多个组合参数中的每一个通过使用总共三个参数来计算,所述三个参数中的每个选自所述第一多个参数和所述第二多个差分参数中的一个或多个;并且
其中所述第三多个组合参数中的每一个包括所述第一多个参数和所述第二多个差分参数的子集的幂组合,所述幂组合包括来自负二、负一、一和二(-2,-1,1,2)中的整数幂;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,分析所述第三多个组合参数,以识别与活体受试者的低血压相关的参数的缩减集;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,从所述参数的缩减集中识别实现预测所述活体受试者的低血压的参数预测集,其中识别所述参数预测集包括:
使用回归模型来识别所述参数预测集作为使所述回归模型的均方根误差最小化的所述参数的缩减集的子集;或
使用分类模型来识别所述参数预测集作为使所述分类模型的错误分类率最小化的所述参数的缩减集的子集;
通过由所述硬件处理器执行的所述预测风险模型训练软件代码,通过基于所述参数预测集计算预测风险模型系数以产生训练的预测风险模型,来训练预测风险模型,其中计算所述预测风险模型系数包括将表示所述预测风险模型的输出的误差的成本函数最小化到用于训练所述预测风险模型的所述数据集的真实值;以及
使用所述训练的预测风险模型来预测所述活体受试者的低血压。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662365880P | 2016-07-22 | 2016-07-22 | |
US62/365,880 | 2016-07-22 | ||
US15/649,489 | 2017-07-13 | ||
US15/649,489 US20180025290A1 (en) | 2016-07-22 | 2017-07-13 | Predictive risk model optimization |
CN201780034222.7A CN109313732B (zh) | 2016-07-22 | 2017-07-17 | 预测风险模型优化 |
PCT/US2017/042363 WO2018017470A2 (en) | 2016-07-22 | 2017-07-17 | Predictive risk model optimization |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780034222.7A Division CN109313732B (zh) | 2016-07-22 | 2017-07-17 | 预测风险模型优化 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350348A true CN117350348A (zh) | 2024-01-05 |
Family
ID=60989533
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780034222.7A Active CN109313732B (zh) | 2016-07-22 | 2017-07-17 | 预测风险模型优化 |
CN202311307716.1A Pending CN117350348A (zh) | 2016-07-22 | 2017-07-17 | 预测风险模型优化 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780034222.7A Active CN109313732B (zh) | 2016-07-22 | 2017-07-17 | 预测风险模型优化 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20180025290A1 (zh) |
EP (1) | EP3488370B1 (zh) |
CN (2) | CN109313732B (zh) |
WO (1) | WO2018017470A2 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109065160A (zh) * | 2018-05-31 | 2018-12-21 | 广东省科技基础条件平台中心 | 一种基于验查数据与医学共识的健康引导模型的建立方法 |
CN109977477A (zh) * | 2019-02-28 | 2019-07-05 | 清华大学 | 基于改进模糊层次分析的电站锅炉过热器健康状态评估法 |
CN110060781A (zh) * | 2019-04-25 | 2019-07-26 | 岭南师范学院 | 一种基于特征权重的lars糖尿病预测方法 |
CN110033198B (zh) * | 2019-04-19 | 2021-10-01 | 北京邮电大学 | 一种危险预测方法及装置 |
TWI693062B (zh) * | 2019-04-25 | 2020-05-11 | 緯創資通股份有限公司 | 預估血壓驟降的方法及電子裝置 |
US20210193317A1 (en) * | 2019-12-20 | 2021-06-24 | Fresenius Medical Care Holdings, Inc. | Real-time intradialytic hypotension prediction |
EP3889882B1 (en) * | 2020-03-31 | 2023-06-07 | Siemens Healthcare GmbH | Image normalization increasing robustness of machine learning applications for medical images |
CN111462911A (zh) * | 2020-04-02 | 2020-07-28 | 深圳阿拉丁医疗科技有限公司 | 一种基于大数据和人工智能的预测导致脑中风的血压异常的算法 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
CN112861955A (zh) * | 2021-02-01 | 2021-05-28 | 深圳无域科技技术有限公司 | 风险模型策略生成系统及方法 |
WO2022164907A1 (en) * | 2021-02-01 | 2022-08-04 | Edwards Lifesciences Corporation | Automated prediction of a post-induction hypotensive event |
CN113592160A (zh) * | 2021-07-13 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 |
EP4384067A1 (en) * | 2021-08-12 | 2024-06-19 | Ottawa Heart Institute Research Corporation | Systems, methods and apparatus for predicting hemodynamic events |
CN114093523B (zh) * | 2021-11-11 | 2022-06-24 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5819226A (en) * | 1992-09-08 | 1998-10-06 | Hnc Software Inc. | Fraud detection using predictive modeling |
US6961615B2 (en) * | 2002-02-07 | 2005-11-01 | Pacesetter, Inc. | System and method for evaluating risk of mortality due to congestive heart failure using physiologic sensors |
US7634360B2 (en) * | 2003-09-23 | 2009-12-15 | Prediction Sciences, LL | Cellular fibronectin as a diagnostic marker in stroke and methods of use thereof |
KR100949150B1 (ko) * | 2007-11-14 | 2010-03-25 | 엘아이지넥스원 주식회사 | 건강상태 모니터링 장치 및 그 방법 |
US20150164437A1 (en) * | 2009-05-20 | 2015-06-18 | Sotera Wireless, Inc. | Graphical mapping system for continuously monitoring a patient's vital signs, motion, and location |
US8956294B2 (en) * | 2009-05-20 | 2015-02-17 | Sotera Wireless, Inc. | Body-worn system for continuously monitoring a patients BP, HR, SpO2, RR, temperature, and motion; also describes specific monitors for apnea, ASY, VTAC, VFIB, and ‘bed sore’ index |
EP2523625B1 (en) * | 2010-01-14 | 2017-03-08 | PhysIQ Inc. | Multivariate residual-based health index for human health monitoring |
US10383526B2 (en) * | 2010-08-06 | 2019-08-20 | United States Government As Represented By The Secretary Of The Army | Patient care recommendation system |
US9536052B2 (en) * | 2011-10-28 | 2017-01-03 | Parkland Center For Clinical Innovation | Clinical predictive and monitoring system and method |
US20140323885A1 (en) | 2013-04-24 | 2014-10-30 | General Electric Company | Methods and systems for predicting acute hypotensive episodes |
US11357413B2 (en) * | 2014-03-06 | 2022-06-14 | Healthy.Io Ltd. | Methods and apparatus for self-calibrating non-invasive cuffless blood pressure measurements |
WO2015145997A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 属性変換装置、属性変換方法、学習装置、及び、記録媒体 |
US20150297143A1 (en) * | 2014-04-16 | 2015-10-22 | Xerox Corporation | Assessing patient risk for an acute hypotensive episode |
US10003945B2 (en) * | 2014-11-13 | 2018-06-19 | Mobiltron, Inc. | Systems and methods for real time detection and reporting of personal emergencies |
JP6586818B2 (ja) * | 2015-08-21 | 2019-10-09 | オムロンヘルスケア株式会社 | 診療支援装置、診療支援方法、診療支援プログラム、生体情報測定装置 |
CN105232054A (zh) * | 2015-10-20 | 2016-01-13 | 沈阳国际旅行卫生保健中心 | 一种人体内分泌系统健康风险预警系统 |
CN108604465B (zh) * | 2015-11-03 | 2023-01-03 | 皇家飞利浦有限公司 | 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测 |
US10751004B2 (en) * | 2016-07-08 | 2020-08-25 | Edwards Lifesciences Corporation | Predictive weighting of hypotension profiling parameters |
-
2017
- 2017-07-13 US US15/649,489 patent/US20180025290A1/en active Pending
- 2017-07-17 CN CN201780034222.7A patent/CN109313732B/zh active Active
- 2017-07-17 EP EP17831627.9A patent/EP3488370B1/en active Active
- 2017-07-17 CN CN202311307716.1A patent/CN117350348A/zh active Pending
- 2017-07-17 WO PCT/US2017/042363 patent/WO2018017470A2/en unknown
-
2020
- 2020-10-20 US US17/075,382 patent/US20210035023A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
WO2018017470A2 (en) | 2018-01-25 |
US20180025290A1 (en) | 2018-01-25 |
EP3488370A4 (en) | 2020-03-18 |
US20210035023A1 (en) | 2021-02-04 |
EP3488370A2 (en) | 2019-05-29 |
CN109313732B (zh) | 2023-10-31 |
EP3488370B1 (en) | 2024-05-22 |
WO2018017470A3 (en) | 2018-07-26 |
CN109313732A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109313732B (zh) | 预测风险模型优化 | |
Sopic et al. | Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems | |
US20210275046A1 (en) | Peak Detection System and Method for Calculation of Signal-Derived Metrics | |
US11357410B2 (en) | Measuring blood pressure | |
EP2829223B1 (en) | Monitoring physiological parameters | |
JP7335240B2 (ja) | 病状診断のための機械学習法などの機械学習法において使用する新規特徴の発見 | |
Faes et al. | Estimating the decomposition of predictive information in multivariate systems | |
Karimi Moridani et al. | Non-linear feature extraction from HRV signal for mortality prediction of ICU cardiovascular patient | |
CN104665768A (zh) | 生理参数的监测 | |
Aboy et al. | Characterization of sample entropy in the context of biomedical signal analysis | |
JP7337788B2 (ja) | 機械学習法において使用するゲノムの発見 | |
CN106104539B (zh) | 使用警报再生的针对警报咨询的警报设置的优化 | |
KR20170067759A (ko) | 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법 | |
WO2020187987A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
Suresh et al. | Feature selection techniques for a machine learning model to detect autonomic dysreflexia | |
US20150141859A1 (en) | Systems and methods for cardiac rhythm variability analysis | |
JP2009112330A (ja) | 特徴量候補作成装置および特徴量候補作成方法 | |
US20100312125A1 (en) | System for Cardiac Pathology Detection and Characterization | |
Liu et al. | Applications of complexity analysis in clinical heart failure | |
Shoeibi et al. | Nonlinear features of photoplethysmography signals for Non-invasive blood pressure estimation | |
US9839364B2 (en) | Ventricular activation (RR) entropy change as a predictor of sudden cardiac death in cardiac resynchronization therapy patients | |
US20230049898A1 (en) | Learned model generation method, training data generation device, learned model generation device, and disease development risk prediction device | |
US20160048649A1 (en) | Disease predicting apparatus and disease predicting method | |
Liu et al. | The impact of noise on the reliability of heart-rate variability and complexity analysis in trauma patients | |
US9084585B1 (en) | System and method to classify left ventricular and mitral valve function |
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 |