TWI788743B - 呼吸器脫離時機預測系統、程式產品及其建立與使用方法 - Google Patents

Abstract

本發明涉及一種呼吸器脫離時機預測系統、程式產品及其建立與使用方法。該呼吸器脫離時機預測系統的建立係先自一醫療資料庫擷取與呼吸器脫離相關之醫療數據；再以年齡、疾病嚴重度、病人呼吸器參數及病人生理徵象參數等特徵變數進行AI學習，以獲取呼吸器嘗試脫離時機及呼吸器完全脫離時機之第一預測模型及第二預測模型；建立執行該第一預測模型及第二預測模型之一伺服器主機。醫師使用一醫療資訊系統呼叫該伺服器主機之一醫療資訊系統服務介面，使一特徵值擷取服務程式自該醫療資料庫擷取一使用呼吸器病患之一醫療特徵值，一呼吸器脫離預測服務程式根據該醫療特徵值以該第一預測模型進行預測而獲得一第一預測結果，醫師即可參考該第一預測結果調整呼吸器參數使該使用呼吸器病患進入呼吸器嘗試脫離程序，該使用呼吸器病患進入並通過呼吸器嘗試脫離程序後，該呼吸器脫離預測服務程式根據該醫療特徵值以上述第二預測模型進行預測而獲得一第二預測結果，醫師即可參考該第二預測評估可否使該使用呼吸器病患完全脫離呼吸器。

Description

呼吸器脫離時機預測系統、程式產品及其建立與使用方法

本發明係有關於一種呼吸器脫離時機預測系統、程式產品及其建立與使用方法，特別是指利用AI預測使用呼吸器病患可嘗試脫離(Try-weaning)或完全脫離呼吸器的時機，以協助醫師進行處置之發明。

對於照顧重症患者的醫生來說，盡量縮短呼吸輔助時間是一個重要的考量，因為可有效降低併發症及醫療成本，但過早或過晚脫離呼吸器也可能引發相關不良反應，因此掌握適當時機中斷使用呼吸器的時間在臨床上相當重要。

在呼吸治療實務上，醫療團隊會對病人先「嘗試脫離(Try-weaning)，指的是呼吸器由控制模式(control mode)轉到支持模式(support mode)」，之後再「完全脫離(或僅使用氧氣)」。若「嘗試脫離」及「完全脫離」的時機適當，則後續氣管內管再插管之機率較低，且使用呼吸器時間也可能縮短。目前因沒有可靠的數據來有效支持何時可成功「嘗試脫離」及「完全脫離」的時機，所以醫療人員在判斷呼吸器脫離的時間是根據過往臨床經驗及醫療準則，雖脫離呼吸器成功率高，但相對病人使用呼吸器時間偏久(多偏向保守評 估)。但事實上，相關文獻提到，臨床統計約百分之七十病人可提早「嘗試脫離」呼吸器，且有約百分之五十病人自拔管起不需重置。

因此，本發明參考國際普遍採用之脫離呼吸器指引-WEANSNOW score(Wake,Electrolytes,Acidosis/Alkalosis,Neuromuscular,Suctioning/Secretions,Nutritionally intact,Obstruction,Weaning parameters)與專家經驗，以奇美醫學中心使用呼吸器之醫療大數據為基礎，運用AI機器學習技術，建立嘗試脫離呼吸器最佳時機模型，並發展成資訊系統提供醫療團隊決定病人「嘗試脫離」及「完全脫離」時機之參考。

爰此，本發明提出一種呼吸器脫離時機預測系統的建立方法，供預測一使用呼吸器病患之一脫離呼吸器的時機，包含：

獲取呼吸器脫離之醫療數據之步驟：在一醫療資料庫的一原始數據中擷取與呼吸器脫離相關之一呼吸器脫離之醫療數據。

AI學習進行模型訓練之步驟：將該呼吸器脫離之醫療數據進行清洗轉換以獲取複數特徵變數進入一大數據資料庫，根據前述特徵變數以AI進行模型訓練，所述特徵變數包括年齡、疾病嚴重度、病人呼吸器參數及病人生理徵象參數。

獲得預測模型之步驟：根據前述模型訓練獲得一預測模型，所述預測模型包括複數脫離呼吸器之時間範圍。

建立網路服務之步驟：提供一醫療資訊系統服務介面、一特徵值擷取服務程式及一呼吸器脫離預測服務程式；該醫療資訊系統服務介面連結至一醫療資訊系統，供該醫療資訊系統呼叫該醫療資訊系統服務介面，並使該特 徵值擷取服務程式自該醫療資料庫擷取該使用呼吸器病患之一醫療特徵值，該呼吸器脫離預測服務程式根據該醫療特徵值以上述預測模型進行預測，並將一預測結果回傳至該醫療資訊系統服務介面。

進一步，該脫離呼吸器的時機係指該使用呼吸器病患嘗試脫離呼吸器的時機。所述特徵變數中：疾病嚴重度包含急性生理和慢性健康評估第二版分數、治療介入系統指標分數；病人呼吸器參數包含吸入性氧氣濃度、吐氣末正壓、呼吸速率、每分鐘通氣量、呼吸道吸氣高壓、平均氣道壓力、支持壓力、吐氣期潮氣容積；病人生理徵象參數包含心跳、收縮壓、舒張壓、血氧飽和度。所述預測模型係一第一預測模型，該第一預測模型包括8小時內嘗試脫離呼吸器、12小時內嘗試脫離呼吸器、24小時內嘗試脫離呼吸器、36小時內嘗試脫離呼吸器、48小時內嘗試脫離呼吸器、60小時內嘗試脫離呼吸器、72小時內嘗試脫離呼吸器、84小時內嘗試脫離呼吸器、96小時內嘗試脫離呼吸器、108小時內嘗試脫離呼吸器、120小時內嘗試脫離呼吸器。所述呼吸器脫離預測服務程式根據該醫療特徵值以上述第一預測模型進行預測，並將一第一預測結果回傳至該醫療資訊系統服務介面。

進一步，該脫離呼吸器的時機係指該使用呼吸器病患完全脫離呼吸器的時機。所述特徵變數中：疾病嚴重度包含急性生理和慢性健康評估第二版分數、治療介入系統指標分數、昏迷指數-睜眼反應、昏迷指數-動作反應；病人呼吸器參數包含吸入性氧氣濃度、吐氣末正壓、呼吸速率、每分鐘通氣量、呼吸道吸氣高壓、平均氣道壓力、支持壓力、吐氣期潮氣容積、氣囊漏氣測試、最大吐氣力量、自發性呼吸試驗(SBT)次數；病人生理徵象參數包含心跳、收縮壓、舒張壓、血氧飽和度、體溫、抽痰次數。所述預測模型係一第二預測模 型，該第二預測模型包括24小時內脫離呼吸器、48小時內脫離呼吸器、72小時內脫離呼吸器、96小時內脫離呼吸器、120小時內脫離呼吸器、144小時內脫離呼吸器、168小時內脫離呼吸器、192小時內脫離呼吸器、216小時內脫離呼吸器、240小時內脫離呼吸器、264小時內脫離呼吸器。所述呼吸器脫離預測服務程式根據該醫療特徵值以上述第二預測模型進行預測，並將一第二預測結果回傳至該醫療資訊系統服務介面。

進一步，該呼吸器脫離之醫療數據之清洗轉換係將該呼吸器脫離之醫療數據中不符一標準資料型態者修改為符合該標準資料型態。更進一步，不符該標準資料型態者包括資料不完整、內容混雜、重複的資料、輸入時沒進行檢核產生錯誤資料、格式不正確、空值或不同檢驗方法的報告單位不同之一或組合。

進一步，所述AI學習的演算法係使用隨機森林演算法(RandomForest)、支持向量機(Support Vector Machines,SVM)、K-鄰近演算法(K Nearest Neighbor,KNN)、多層感知器(Multilayer Perceptron,MLP)、輕量級梯度提升模型(Light Gradient Boosting Machine,LightGBM)、極限梯度提升(eXtreme Gradient Boosting,XGBoost)、邏輯回歸分析(Logistic Regression)等方法。更進一步，在AI學習過程中，將該呼吸器脫離預測服務程式區分為訓練集及測試集，且該呼吸器完全脫離預測服務程式中百分之七十用於訓練集，百分之三十用於測試集，並利用該測試集進行驗證。

本發明再提出一種使用前述呼吸器脫離時機預測系統的建立方法所建立之呼吸器脫離時機預測系統，包括： 一伺服主機，具有該大數據資料庫，該伺服主機連結該醫療資訊系統，且該伺服主機及該醫療資訊系統共同連接所述醫療資料庫，該伺服主機提供該醫療資訊系統服務介面至該醫療資訊系統，並執行該特徵值擷取服務程式及該呼吸器脫離預測服務程式。

進一步，有一生理監測儀器連接該醫療資料庫。

本發明再提出一種程式產品，係將一應用程式載入一電腦中，以建置成前述呼吸器脫離時機預測系統。

本發明再提出一種呼吸器脫離時機預測系統的使用方法，包含：

由該醫療資訊系統呼叫該醫療資訊系統服務介面。該特徵值擷取服務程式自該醫療資料庫擷取該使用呼吸器病患之該醫療特徵值。該呼吸器脫離預測服務程式根據該醫療特徵值而以上述預測模型進行預測。將該預測結果回傳至該醫療資訊系統服務介面。

進一步，該呼吸器脫離預測服務程式以複數不同的演算法進行預測，並將最多相同的預測結果回傳。

進一步，以一生理監測儀器隨時獲取該使用呼吸器病患之醫療特徵值，使該該呼吸器脫離預測服務程式連續進行預測。

透過上述技術特徵可達成以下功效：

1.本發明根據文獻及醫師臨床經驗找出使用呼吸器病患可脫離呼吸器時機的影響因子，包括年齡、疾病嚴重度、病人呼吸器參數及病人生理徵象參數等等，並以上述影響因子作為特徵變數進行AI學習，藉以利用AI預測使用呼吸器病患可脫離呼吸器的時機，以協助醫師即時摘除使用呼吸器病患之呼吸器，加速病患恢復肺部呼吸功能。

2.本發明的AI學習過程中，該醫療數據中百分之七十用於訓練集，百分之三十用於測試集，並利用該測試集進行驗證，其正確率(Accuracy)、、靈敏度(Sensitivity)、特異度(Specificity)、及AUC均高，且應用於臨床的醫師滿意度高。

3.本發明進一步透過生理監測儀器隨時獲取該使用呼吸器病患與醫療特徵值相關的生理數據，使該呼吸器脫離預測服務程式連續進行預測，有利於醫師即時判斷該使用呼吸器病患是否可嘗試脫離或完全脫離呼吸器。

4.本發明可以採用複數不同的演算法進行預測，並將最多相同的預測結果回傳，提高AI預測的準確性。

1:伺服主機

11:大數據資料庫

12:醫療資訊系統服務介面

13:特徵值擷取服務程式

14:呼吸器脫離預測服務程式

2:醫療資訊系統

21:病歷介面

22:第一連結指令

23:第二連結指令

3:醫療資料庫

31:外部資料

32:院內病歷資料

33:院內結構性醫療資料

34:院內非結構性醫療資料

4:生理監測儀器

A:特徵變數

A1:年齡

A2:疾病嚴重度包含急性生理和慢性健康評估第二版分數

A3:治療介入系統指標分數

A4:吸入性氧氣濃度

A5:吐氣末正壓

A6:呼吸速率

A7:每分鐘通氣量

A8:呼吸道吸氣高壓

A9:平均氣道壓力

A10:支持壓力

A11:吐氣期潮氣容積

A12:心跳

A13:收縮壓

A14:舒張壓

A15:血氧飽和度

B:特徵變數

B1:年齡

B2:疾病嚴重度包含急性生理和慢性健康評估第二版分數

B3:治療介入系統指標分數

B4:昏迷指數-睜眼反應

B5:昏迷指數-動作反應

B6:吸入性氧氣濃度

B7:吐氣末正壓

B8:呼吸速率

B9:每分鐘通氣量

B10:呼吸道吸氣高壓

B11:平均氣道壓力

B12:支持壓力

B13:吐氣期潮氣容積

B14:氣囊漏氣測試

B15:最大吐氣力量

B16:自發性呼吸試驗(SBT)次數

B17:心跳

B18:收縮壓

B19:舒張壓

B20:血氧飽和度

B21:體溫

B22:抽痰次數

C:演算法

C1:隨機森林演算法

C2:支持向量機

C3:K-鄰近演算法

C4:多層感知器

C5:輕量級梯度提升模型

C6:極限梯度提升

C7:邏輯回歸分析

D:第一預測模型

D1:8小時內嘗試脫離呼吸器

D2:12小時內嘗試脫離呼吸器

D3:24小時內嘗試脫離呼吸器

D4:36小時內嘗試脫離呼吸器

D5:48小時內嘗試脫離呼吸器

D6:60小時內嘗試脫離呼吸器

D7:72小時內嘗試脫離呼吸器

D8:84小時內嘗試脫離呼吸器

D9:96小時內嘗試脫離呼吸器

D10:108小時內嘗試脫離呼吸器

D11:120小時內嘗試脫離呼吸器

E:第二預測模型

E1:24小時內脫離呼吸器

E2:48小時內脫離呼吸器

E3:72小時內脫離呼吸器

E4:96小時內脫離呼吸器

E5:120小時內脫離呼吸器

E6:144小時內脫離呼吸器

E7:168小時內脫離呼吸器

E8:192小時內脫離呼吸器

E9:216小時內脫離呼吸器

E10:240小時內脫離呼吸器

E11:264小時內脫離呼吸器

[第一圖]係為本發明實施例之呼吸器脫離時機預測系統的整體架構示意圖。

[第二圖]係為本發明實施例之呼吸器嘗試脫離時機預測系統的建立及預測示意圖。

[第三圖]係為本發明實施例之呼吸器完全脫離時機預測系統的建立及預測示意圖。

[第四圖]係為本發明實施例中，病患使用呼吸器時機、嘗試脫離呼吸器時機及完全脫離呼吸器時機的時間軸示意圖。

[第五圖]係為本發明實施例之醫療資訊系統可連結至伺服主機的醫療資訊系統服務介面的示意圖。

[第六圖]係為本發明實施例之伺服主機的醫療資訊系統服務介面顯示使用呼吸器病患嘗試脫離呼吸器時機之第一預測結果的示意圖。

[第七圖]係為本發明實施例之伺服主機的醫療資訊系統服務介面顯示使用呼吸器病患完全脫離呼吸器時機之第二預測結果的示意圖。

[第八圖]係為本發明實施例中，醫療人員可以修改調整使用呼吸器病患的醫療特徵值，以評估可能的嘗試脫離呼吸器之第一預測結果的示意圖。

[第九圖]係為本發明實施例中，醫療人員可以修改調整使用呼吸器病患的醫療特徵值，以評估可能的完全脫離呼吸器之第二預測結果的示意圖。

[第十圖]係為本發明實施例中，以生理監測儀器持續監測使用呼吸器病患與醫療特徵值相關的生理數據，以進行連續預測病患嘗試脫離呼吸器之第一預測結果的示意圖。

[第十一圖]係為本發明實施例中，以生理監測儀器持續監測使用呼吸器病患與醫療特徵值相關的生理數據，以進行連續預測病患完全脫離呼吸器之第二預測結果的示意圖。

綜合上述技術特徵，本發明呼吸器脫離時機預測系統、程式產品及其建立與使用方法的主要功效將可於下述實施例清楚呈現。

參閱第一圖至第三圖所示，本實施例之呼吸器脫離時機預測系統包括用於AI預測之一伺服主機1，該伺服主機1有一大數據資料庫11，並可提供一醫療資訊系統服務介面12、一特徵值擷取服務程式13及一呼吸器脫離預測服務程式14；該伺服主機1連結醫療院所之一醫療資訊系統2(HIS)，且該伺服主機1及該醫療資訊系統2共同連接一醫療資料庫3。

參閱第一圖、第二圖及第三圖所示，本實施例之呼吸器脫離時機預測系統用於預測一使用呼吸器病患之一嘗試脫離呼吸器的時機及一完全脫離呼吸器的時機，上述呼吸器脫離時機預測系統的建立首先需要建立該伺服主機1，具體而言包括以下步驟：

獲取呼吸器脫離之醫療數據之步驟-在該醫療資料庫3的一原始數據中擷取與呼吸器脫離相關之一呼吸器脫離之醫療數據。該醫療資料庫3可包括：健保資料庫、國建署死亡資料、健康篩檢等外部資料31、個別醫院的院內病歷資料32、個別醫院的院內結構性醫療資料33、及個別醫院的影像學資料、照片、文字等院內非結構性醫療資料34等等有關呼吸照護紀錄的資訊。本實施例之呼吸器脫離之醫療數據係來自奇美醫院總院、柳營院區、佳里院區在2016年到2019年區間的資料，並由使用呼吸器的病患取得，共約5500筆資料。

當上述呼吸器脫離之醫療數據有不符一標準資料型態的情形時，先將該呼吸器脫離之醫療數據進行清洗轉換，以符合該標準資料型態。不符該標準資料型態者例如資料不完整、內容混雜、重複的資料、輸入時沒進行檢核產生錯誤資料、格式不正確、空值或不同檢驗方法的報告單位不同等等。而該呼吸器脫離之醫療數據的清洗轉換可包括將資料不完整的空值部分，在後續AI訓練時可設定為略過不處理。

AI學習進行模型訓練之步驟-

首先進行嘗試脫離呼吸器的時機的模型訓練。自上述呼吸器脫離之醫療數據中獲取嘗試脫離呼吸器的時機有關的複數特徵變數A而存入該大數據資料庫11，並根據前述特徵變數A以AI進行模型訓練。

上述特徵變數A的選用係如前述參考國際普遍採用之脫離呼吸器指引-WEANSNOW score(Wake,Electrolytes,Acidosis/Alkalosis,Neuromuscular,Suctioning/Secretions,Nutritionally intact,Obstruction,Weaning parameters)、專家經驗及奇美醫院醫師臨床經驗獲得，這些特徵變數A可分類為年齡A1、疾病嚴重度、病人呼吸器參數及病人生理徵象參數，其中：疾病嚴重度包含急性生理和慢性健康評估第二版分數A2、治療介入系統指標分數A3；病人呼吸器參數包含吸入性氧氣濃度A4、吐氣末正壓A5、呼吸速率A6、每分鐘通氣量A7、呼吸道吸氣高壓A8、平均氣道壓力A9、支持壓力A10、吐氣期潮氣容積A11；病人生理徵象參數包含心跳A12、收縮壓A13、舒張壓A14、血氧飽和度A15。

將上述特徵變數A利用AI學習以進行統計分類，所述AI學習在本實施例使用的演算法C包括隨機森林演算法C1(Random Forest)、支持向量機C2(Support Vector Machines,SVM)、K-鄰近演算法C3(K Nearest Neighbor,KNN)、多層感知器C4(Multilayer Perceptron,MLP)、輕量級梯度提升模型C5(Light Gradient Boosting Machine,LightGBM)、極限梯度提升C6(eXtreme Gradient Boosting,XGBoost)、邏輯回歸分析C7(Logistic Regression)等七種演算法。在AI學習過程中，將上述特徵變數A區分為訓練集及測試集，且上述特徵變數A中百分之七十用於訓練集，百分之三十用於測試集，並利用該測試集進行驗證。參閱下表1至下表12，根據上述AI學習及驗證結果，其預測正確率(Accuracy)、靈敏度(Sensitivity)、特異度(Specificity)、及AUC(area under the curve)均高達70%至90%以上。各時段模型中選取演算法運算後品質最佳之模型(如：AUC最高者)來實作成網路服務程式。

獲得預測模型之步驟-

根據前述模型訓練獲得後續用於AI預測使用呼吸器病患可嘗試脫離呼吸器的時機之一第一預測模型D，所述第一預測模型D包括低於8小時內嘗試脫離呼吸器D1、12小時內嘗試脫離呼吸器D2、24小時內嘗試脫離呼吸器D3、36小時內嘗試脫離呼吸器D4、48小時內嘗試脫離呼吸器D5、60小時內嘗 試脫離呼吸器D6、72小時內嘗試脫離呼吸器D7、84小時內嘗試脫離呼吸器D8、96小時內嘗試脫離呼吸器D9、108小時內嘗試脫離呼吸器D10、120小時內嘗試脫離呼吸器D11等11種第一預測模型D。

建立網路服務之步驟-

取得上述第一預測模型D之後，即可建立上述的AI預測所需的該醫療資訊系統服務介面12、該特徵值擷取服務程式13及呼吸器脫離預測服務程式14成為一程式產品，透過該程式產品將應用程式載入一電腦中作為該伺服主機1。而在架設該伺服主機1後，即可將該伺服主機1連結醫療院所之醫療資訊系統2(HIS)及前述醫療資料庫3。

相同的，再進行完全脫離呼吸器的時機的模型訓練。自上述呼吸器脫離之醫療數據獲取可完全脫離呼吸器的時機有關的複數特徵變數B而存入該大數據資料庫11，並根據前述特徵變數B以AI進行模型訓練，以獲得一第二預測模型E。

其中，上述特徵變數B同樣可分類為年齡B1、疾病嚴重度、病人呼吸器參數及病人生理徵象參數，其中：疾病嚴重度包含急性生理和慢性健康評估第二版分數B2、治療介入系統指標分數B3、昏迷指數-睜眼反應B4、昏迷指數-動作反應B5；病人呼吸器參數包含吸入性氧氣濃度B6、吐氣末正壓B7、呼吸速率B8、每分鐘通氣量B9、呼吸道吸氣高壓B10、平均氣道壓力B11、支持壓力B12、吐氣期潮氣容積B13、氣囊漏氣測試B14、最大吐氣力量B15、自發性呼吸試驗(SBT)次數B16；病人生理徵象參數包含心跳B17、收縮壓B18、舒張壓B19、血氧飽和度B20、體溫B21、抽痰次數B22。

參閱下表1至下表11，根據上述特徵變數B以AI學習及驗證結果，其預測正確率(Accuracy)、靈敏度(Sensitivity)、特異度(Specificity)、及AUC(areaunder the curve)同樣均高達70%至90%以上。各時段模型中選取演算法運算後品質最佳之模型(如：AUC最高者)來實作成網路服務程式。

表8：192小時內脫離呼吸器預測成功機率

進一步根據前述模型訓練獲得後續用於AI預測使用呼吸器病患可完全脫離呼吸器的時機之一第二預測模型E，所述第二預測模型E包括24小時內脫離呼吸器E1、48小時內脫離呼吸器E2、72小時內脫離呼吸器E3、96小時內脫離呼吸器E4、120小時內脫離呼吸器E5、144小時內脫離呼吸器E6、168小時內脫離呼吸器E7、192小時內脫離呼吸器E8、216小時內脫離呼吸器E9、240小時內脫離呼吸器E10、264小時內脫離呼吸器E11等11種第二預測模型E。

參閱第四圖所示，進一步要說明的是，在AI訓練過程中，使用呼吸器病患嘗試脫離呼吸器成功的時機係指呼吸器由控制模式c轉到支持模式s後能夠維持48小時，則視為使用呼吸器病患嘗試脫離呼吸器成功。因此當使用呼吸器病患於T1時間點開始使用呼吸器，中間醫護曾經嘗試將呼吸器由控制模式c轉到支持模式s，但未能持續48小時即根據病患狀態由支持模式s回到控制模式c，則視為嘗試脫離呼吸器失敗，而當醫護再次於T2時間點將呼吸器由控制模式c轉到支持模式s，而此時支持模式s維持48小時，則T2時間點視為使用呼吸器病患嘗試脫離呼吸器成功的時間點。而在前述特徵變數B中，有關自發性呼吸試驗(SBT)次數B16的計算區間是使用呼吸器病患於T2時間點嘗試脫離呼吸器成功至T3時間點完全脫離呼吸器成功之間的自發性呼吸試驗(SBT)次數；而抽痰次數B22的計算則是由T3時間點完全脫離呼吸器成功往前推算24小時至Ts時間點內的抽痰次數。

參閱第一圖、第五圖及第六圖所示，醫師會將使用呼吸器病患的相關醫療資訊輸入所在醫療院所的醫療資訊系統2的一病歷介面21，這些醫療數據會儲存在相關的醫療資料庫3，在該病歷介面21有嘗試脫離呼吸器的時機 預測的一第一連結指令22及完全脫離呼吸器的時機預測的一第二連結指令23。醫師於下醫囑令病患使用呼吸器時，即可點選該第一連結指令22，而由該醫療資訊系統2呼叫該醫療資訊系統服務介面12，此時會在醫師看診電腦顯示該醫療資訊系統服務介面12，並執行該特徵值擷取服務程式13及該呼吸器脫離預測服務程式14，該特徵值擷取服務程式13會自相關的該醫療資料庫3擷取該使用呼吸器病患的醫療數據中，與前述特徵變數A相關的醫療特徵值，再由該呼吸器脫離預測服務程式14根據該醫療特徵值以上述第一預測模型D進行預測，並將一第一預測結果回傳至該醫療資訊系統服務介面12，以協助醫師評估將該使用呼吸器病患之呼吸器由控制模式c轉到支持模式s的時機。

參閱第一圖、第五圖及第七圖所示，相同的，當該使用呼吸器病患成功的進入嘗試脫離呼吸器的階段時，醫師可點選該第二連結指令23，而由該醫療資訊系統2呼叫該醫療資訊系統服務介面12，此時會在醫師看診電腦顯示該醫療資訊系統服務介面12，並執行該特徵值擷取服務程式13及該呼吸器脫離預測服務程式14，該特徵值擷取服務程式13會自相關的該醫療資料庫3擷取該使用呼吸器病患的醫療數據中，與前述特徵變數B相關的醫療特徵值，再由該呼吸器脫離預測服務程式14根據該醫療特徵值以上述第二預測模型E進行預測，並將一第二預測結果回傳至該醫療資訊系統服務介面12，以協助醫師評估將該使用呼吸器病患之呼吸器完全脫離。

參閱第八圖及第九圖所示，醫療人員對該使用呼吸器病患的醫療特徵值可以進行修改調整，以評估可能的嘗試脫離呼吸器或完全脫離呼吸器的狀態，第八圖及第九圖中以8小時內嘗試脫離呼吸器之預測為例。

其中，該呼吸器脫離預測服務程式14可以選擇採用隨機森林演算法C1(RandomForest)、支持向量機C2(Support Vector Machines,SVM)、K-鄰近演算法C3(K Nearest Neighbor,KNN)、多層感知器C4(Multilayer Perceptron,MLP)、輕量級梯度提升模型C5(Light Gradient Boosting Machine,LightGBM)、極限梯度提升C6(eXtreme Gradient Boosting,XGBoost)、邏輯回歸分析C7(Logistic Regression)其中一種進行預測。而為了提高預測準確度，也可以同時採用所有演算法進行預測，並將最多相同的預測結果回傳。

本發明實施例以奇美醫院總院於2020年5月使用上述呼吸器脫離時機預測系統後，於6月5日針對ICU全體醫療人員(醫師、呼吸治療師)進行滿意度調查，回收共35份調查，以5分法進行評分，醫師平均滿意度為4.7分，顯示系統的可行性。

參閱第一圖、第十圖及第十一圖所示，可以對該使用呼吸器病患使用一生理監測儀器4，例如血壓計、血氧計等隨時獲取該使用呼吸器病患之醫療數據，並上傳至相關的該醫療資料庫3，該特徵值擷取服務程式13會連續或定期的自該醫療資料庫3擷取相關的醫療特徵值，再由該呼吸器脫離預測服務程式14連續進行預測，有利於隨時評估是否使該使用呼吸器病患嘗試脫離或完全脫離呼吸器，加速病患恢復肺部呼吸功能。

綜合上述實施例之說明，當可充分瞭解本發明之操作、使用及本發明產生之功效，惟以上所述實施例僅係為本發明之較佳實施例，當不能以此限定本發明實施之範圍，即依本發明申請專利範圍及發明說明內容所作簡單的等效變化與修飾，皆屬本發明涵蓋之範圍內。

1:伺服主機

12:醫療資訊系統服務介面

13:特徵值擷取服務程式

14:呼吸器脫離預測服務程式

2:醫療資訊系統

3:醫療資料庫

4:生理監測儀器

C:第一預測模型

D:第二預測模型

Claims (11)

1. 一種呼吸器脫離時機預測系統的建立方法，供預測一使用呼吸器病患之一脫離呼吸器的時機，包含：獲取呼吸器脫離之醫療數據之步驟：在一醫療資料庫的一原始數據中擷取與呼吸器脫離相關之一呼吸器脫離之醫療數據；AI學習進行模型訓練之步驟：將該呼吸器脫離之醫療數據進行清洗轉換以獲取複數特徵變數進入一大數據資料庫，根據前述特徵變數以AI進行模型訓練，所述特徵變數包括年齡、疾病嚴重度、病人呼吸器參數及病人生理徵象參數；獲得預測模型之步驟：根據前述模型訓練獲得一預測模型，所述預測模型包括複數脫離呼吸器之時間範圍；建立網路服務之步驟：提供一醫療資訊系統服務介面、一特徵值擷取服務程式及一呼吸器脫離預測服務程式；該醫療資訊系統服務介面連結至一醫療資訊系統，供該醫療資訊系統呼叫該醫療資訊系統服務介面，並使該特徵值擷取服務程式自該醫療資料庫擷取該使用呼吸器病患之一醫療特徵值，該呼吸器脫離預測服務程式根據該醫療特徵值以上述預測模型進行預測，並將一預測結果回傳至該醫療資訊系統服務介面，上述預測模型之該醫療特徵值可以進行修改調整；其中，該脫離呼吸器的時機係指該使用呼吸器病患嘗試脫離呼吸器的時機，所述特徵變數中：疾病嚴重度包含急性生理和慢性健康評估第二版分數、治療介入系統指標分數；病人呼吸器參數包含吸入性氧氣濃度、吐氣末正壓、呼吸速率、每分鐘通氣量、呼吸道吸氣高壓、平均氣道壓力、支持壓力、吐氣期潮氣容積；病人生理徵象參數包含心跳、收縮壓、舒張壓、血氧飽和度；所述預測模型係一第一預測模型，該第一預測模型包括8小時內嘗試脫離呼吸器、12小時 內嘗試脫離呼吸器、24小時內嘗試脫離呼吸器、36小時內嘗試脫離呼吸器、48小時內嘗試脫離呼吸器、60小時內嘗試脫離呼吸器、72小時內嘗試脫離呼吸器、84小時內嘗試脫離呼吸器、96小時內嘗試脫離呼吸器、108小時內嘗試脫離呼吸器、120小時內嘗試脫離呼吸器；所述呼吸器脫離預測服務程式根據該醫療特徵值以上述第一預測模型進行預測，並將一第一預測結果回傳至該醫療資訊系統服務介面；其中，該脫離呼吸器的時機係指該使用呼吸器病患完全脫離呼吸器的時機，所述特徵變數中：疾病嚴重度包含急性生理和慢性健康評估第二版分數、治療介入系統指標分數、昏迷指數-睜眼反應、昏迷指數-動作反應；病人呼吸器參數包含吸入性氧氣濃度、吐氣末正壓、呼吸速率、每分鐘通氣量、呼吸道吸氣高壓、平均氣道壓力、支持壓力、吐氣期潮氣容積、氣囊漏氣測試、最大吐氣力量、自發性呼吸試驗(SBT)次數；病人生理徵象參數包含心跳、收縮壓、舒張壓、血氧飽和度、體溫、抽痰次數；所述預測模型係一第二預測模型，該第二預測模型包括24小時內脫離呼吸器、48小時內脫離呼吸器、72小時內脫離呼吸器、96小時內脫離呼吸器、120小時內脫離呼吸器、144小時內脫離呼吸器、168小時內脫離呼吸器、192小時內脫離呼吸器、216小時內脫離呼吸器、240小時內脫離呼吸器、264小時內脫離呼吸器；所述呼吸器脫離預測服務程式根據該醫療特徵值以上述第二預測模型進行預測，並將一第二預測結果回傳至該醫療資訊系統服務介面。
2. 如請求項1之呼吸器脫離時機預測系統的建立方法，其中，該呼吸器脫離之醫療數據之清洗轉換係將該呼吸器脫離之醫療數據中不符一標準資料型態者修改為符合該標準資料型態。
3. 如請求項2之呼吸器脫離時機預測系統的建立方法，其中，不符該標準資料型態者包括資料不完整、內容混雜、重複的資料、輸入時沒進行檢核產生錯誤資料、格式不正確、空值或不同檢驗方法的報告單位不同之一或組合。
4. 如請求項1之呼吸器脫離時機預測系統的建立方法，其中，所述AI學習的演算法係使用隨機森林演算法(Random Forest)、支持向量機(Support Vector Machines,SVM)、K-鄰近演算法(K Nearest Neighbor,KNN)、多層感知器(Multilayer Perceptron,MLP)、輕量級梯度提升模型(Light Gradient Boosting Machine,LightGBM)、極限梯度提升(eXtreme Gradient Boosting,XGBoost)、邏輯回歸分析(Logistic Regression)之一。
5. 如請求項4之呼吸器脫離時機預測系統的建立方法，其中，在AI學習過程中，將該呼吸器脫離預測服務程式區分為訓練集及測試集，且該呼吸器完全脫離預測服務程式中百分之七十用於訓練集，百分之三十用於測試集，並利用該測試集進行驗證。
6. 一種使用如請求項1之呼吸器脫離時機預測系統的建立方法所建立之呼吸器脫離時機預測系統，包括：一伺服主機，具有該大數據資料庫，該伺服主機連結該醫療資訊系統，且該伺服主機及該醫療資訊系統共同連接所述醫療資料庫，該伺服主機提供該醫療資 訊系統服務介面至該醫療資訊系統，並執行該特徵值擷取服務程式及該呼吸器脫離預測服務程式。
7. 如請求項6之呼吸器脫離時機預測系統，進一步，有一生理監測儀器連接該醫療資料庫。
8. 一種程式產品，係將一應用程式載入一電腦中，以建置成如請求項7之呼吸器脫離時機預測系統。
9. 一種如請求項6之呼吸器脫離時機預測系統的使用方法，包含：由該醫療資訊系統呼叫該醫療資訊系統服務介面；該特徵值擷取服務程式自該醫療資料庫擷取該使用呼吸器病患之該醫療特徵值；該呼吸器脫離預測服務程式根據該醫療特徵值而以上述預測模型進行預測；將該預測結果回傳至該醫療資訊系統服務介面。
10. 如請求項9之呼吸器脫離時機預測系統的使用方法，其中，該呼吸器脫離預測服務程式以複數不同的演算法進行預測，並將最多相同的預測結果回傳。
11. 如請求項9之呼吸器脫離時機預測系統的使用方法，進一步，以一生理監測儀器隨時獲取該使用呼吸器病患之醫療特徵值，使該該呼吸器脫離預測服務程式連續進行預測。

Images