TWI803893B - 敗血症之人工智慧輔助醫療診斷方法及其系統 - Google Patents

敗血症之人工智慧輔助醫療診斷方法及其系統 Download PDF

Info

Publication number
TWI803893B
TWI803893B TW110123616A TW110123616A TWI803893B TW I803893 B TWI803893 B TW I803893B TW 110123616 A TW110123616 A TW 110123616A TW 110123616 A TW110123616 A TW 110123616A TW I803893 B TWI803893 B TW I803893B
Authority
TW
Taiwan
Prior art keywords
sepsis
data
patient
data table
processing unit
Prior art date
Application number
TW110123616A
Other languages
English (en)
Other versions
TW202301377A (zh
Inventor
周德陽
許凱程
吳亞倫
許定紘
Original Assignee
中國醫藥大學
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 中國醫藥大學 filed Critical 中國醫藥大學
Priority to TW110123616A priority Critical patent/TWI803893B/zh
Priority to US17/472,899 priority patent/US20220409122A1/en
Publication of TW202301377A publication Critical patent/TW202301377A/zh
Application granted granted Critical
Publication of TWI803893B publication Critical patent/TWI803893B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
    • A61B5/412—Detecting or monitoring sepsis
    • 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
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • 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
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14535—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring haematocrit
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G16H50/20—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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Pulmonology (AREA)
  • Optics & Photonics (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本發明提供一種敗血症之人工智慧輔助醫療診斷方法。資料庫讀取步驟係驅動處理單元讀取儲存單元之敗血症資料庫與至少一待測資料庫。敗血症資料庫包含複數敗血症資料，待測資料庫包含複數待測資料。資料表建立步驟係驅動處理單元根據此些敗血症資料建立敗血症資料表，且根據此些待測資料建立待測資料表。模型訓練步驟係驅動處理單元根據K折交叉驗證法與機器學習演算法訓練敗血症資料表而產生敗血症診斷模型。敗血症預測步驟係驅動處理單元輸入待測資料表至敗血症診斷模型而計算出敗血症預測結果。藉此，加速診斷流程且改善治療結果。

Description

敗血症之人工智慧輔助醫療診斷方法及其系統
本發明是關於一種醫療診斷方法及其系統，特別是關於一種敗血症之人工智慧輔助醫療診斷方法及其系統。
敗血症(Sepsis)是一種常見且威脅生命的綜合病徵，其導致極高的發病率與死亡率。此外，敗血症不易及時地被診斷出來，使得患者無法立即受到適當的處置，進而引發嚴重敗血症(Severe Sepsis)或是敗血性休克(Septic Shock)。
習知敗血症的診斷方式需要透過醫療人員反覆地確認患者的醫療資訊，因此容易錯過治療的黃金時間。舉例來說，習知敗血症的診斷方式係觀察待測者的生命跡象(Vital Signs)與檢驗報告的生理相關數值或是電子病歷(Electronic Medical Record，EMR)。醫療人員根據生理相關數值診斷待測者是否為敗血症的患者。除了生理相關數值之外，近期更有以特殊菌種或是生物標記相關數值做為敗血症的衡量標準。
敗血症的診斷是依據有感染的證據再加上全身性發炎反應的症狀，且初期的敗血症有時缺乏特異的症狀可供診斷。當有明確的症狀出現時，患者可能已進入敗血性休克或是多重器官功能衰竭的階段。
有鑑於此，針對習知敗血症的診斷方式所存在之問題點，如何建立一種可輔助且加快醫療人員對待測者的敗血症診斷方法及其系統，實為民眾所殷切企盼，亦係相關業者須努力研發突破之目標及方向。
因此，本發明之目的在於提供一種敗血症之人工智慧輔助醫療診斷方法及其系統，其從敗血症資料庫取得患者的臨床資料及各種檢驗報告，並經過資料前處理而整合前述臨床資料及檢驗報告為一敗血症資料表。接著，本發明根據敗血症資料表訓練出一機器學習模型，進而將待測者的臨床資料及各種檢驗報告輸入至機器學習模型，以輔助診斷待測者是否為敗血症的患者。
依據本發明的一實施方式提供一種敗血症之人工智慧輔助醫療診斷方法，其包含一資料庫讀取步驟、一資料表建立步驟、一模型訓練步驟以及一敗血症預測步驟。資料庫讀取步驟係驅動一處理單元讀取一儲存單元之一敗血症資料庫與至少一待測資料庫。敗血症資料庫包含複數敗血症資料，且前述至少一待測資料庫包含複數待測資料。資料表建立步驟係驅動處理單元根據此些敗血症資料建立一敗血症資料表，且根據此些待測資料建立一待測資料表。模型訓練步驟係驅動處理單元根據一K折交叉驗證法與一機器學習演算法訓練敗血症資料表而產生一敗血症診斷模型。敗血症預測步驟係驅動處理單元輸入待測資料表至敗血症診斷模型而計算出一敗血症預測結果。
藉此，本發明的敗血症之人工智慧輔助醫療診斷方法用以早期預測敗血症風險，使得醫療人員可提早進行患者後續的醫療處置，以達到大幅縮短重症患者的住院時間並降低死亡率。
前述實施方式之其他實施例如下：前述此些敗血症資料分別為一患者基本資料、一患者生命徵象資料及一患者血液檢驗資料。
前述實施方式之其他實施例如下：前述資料表建立步驟包含一數值擷取步驟與一資料整合步驟。數值擷取步驟係驅動處理單元擷取患者生命徵象資料之一最大數值、一最小數值及一最新數值。資料整合步驟係驅動處理單元整合最大數值、最小數值、最新數值、患者基本資料及患者血液檢驗資料以產生敗血症資料表。
前述實施方式之其他實施例如下：前述患者基本資料包含一患者生理年齡資訊與一患者性別資訊。
前述實施方式之其他實施例如下：前述患者生命徵象資料包含一體溫、一呼吸率、一收縮壓、一舒張壓、一心跳速率、一昏迷指數及一血氧飽和度。
前述實施方式之其他實施例如下：前述患者血液檢驗資料包含一白血球計數、一紅血球計數、一血紅素、一血比容、一平均紅血球體積、一平均紅血球血紅素量、一平均紅血球血紅素濃度、一血小板計數、一紅血球分配寬度、一血小板分配寬度、一平均血小板體積、一嗜中性粒細胞、一淋巴細胞、一單核球、一嗜酸性球、一嗜鹼性球及一C-反應蛋白。
前述實施方式之其他實施例如下：前述模型訓練步驟包含一初始模型訓練步驟、一目標超參數選取步驟及一敗血症診斷模型訓練步驟。初始模型訓練步驟係驅動處理單元根據K折交叉驗證法將敗血症資料表切割出K個資料集，K個資料集包含K-1個訓練集與一驗證集，然後根據複數初始超參數及機器學習演算法訓練K-1個訓練集以產生對應各個初始超參數之複數初始模型。目標超參數選取步驟係驅動處理單元透過驗證集運算此些初始模型而產生對應此些初始模型之複數平均曲線下面積，然後比對此些平均曲線下面積以從此些初始超參數選取一目標超參數。敗血症診斷模型訓練步驟係驅動處理單元根據目標超參數與機器學習演算法重新訓練敗血症資料表而產生敗血症診斷模型。
前述實施方式之其他實施例如下：前述機器學習演算法為一極限梯度提升演算法(eXtreme Gradient Boosting，XGBoost)。
依據本發明的另一實施方式提供一種敗血症之人工智慧輔助醫療診斷系統，其包含一儲存單元與一處理單元。儲存單元用以存取一敗血症資料庫、至少一待測資料庫、一K折交叉驗證法及一機器學習演算法。敗血症資料庫包含複數敗血症資料，且前述至少一待測資料庫包含複數待測資料。處理單元連接儲存單元，且經配置以實施一資料表建立步驟、一模型訓練步驟及一敗血症預測步驟。資料表建立步驟係根據此些敗血症資料建立一敗血症資料表，且根據此些待測資料建立一待測資料表。模型訓練步驟係根據一K折交叉驗證法與一機器學習演算法訓練敗血症資料表而產生一敗血症診斷模型。敗血症預測步驟係輸入待測資料表至敗血症診斷模型而計算出一敗血症預測結果。
藉此，本發明的敗血症之人工智慧輔助醫療診斷系統用以預測待測者罹患敗血症的風險，使得醫療人員可提早進行患者後續的醫療處置，以達到大幅縮短重症患者的住院時間並降低死亡率。
前述實施方式之其他實施例如下：前述此些敗血症資料分別為一患者基本資料、一患者生命徵象資料及一患者血液檢驗資料。
前述實施方式之其他實施例如下：前述資料表建立步驟包含一數值擷取步驟與一資料整合步驟。數值擷取步驟係擷取患者生命徵象資料之一最大數值、一最小數值及一最新數值。資料整合步驟整合最大數值、最小數值、最新數值、患者基本資料及患者血液檢驗資料以產生敗血症資料表。
前述實施方式之其他實施例如下：前述患者基本資料包含一患者生理年齡資訊與一患者性別資訊。
前述實施方式之其他實施例如下：前述患者生命徵象資料包含一體溫、一呼吸率、一收縮壓、一舒張壓、一心跳速率、一昏迷指數及一血氧飽和度。
前述實施方式之其他實施例如下：前述患者血液檢驗資料包含一白血球計數、一紅血球計數、一血紅素、一血比容、一平均紅血球體積、一平均紅血球血紅素量、一平均紅血球血紅素濃度、一血小板計數、一紅血球分配寬度、一血小板分配寬度、一平均血小板體積、一嗜中性粒細胞、一淋巴細胞、一單核球、一嗜酸性球、一嗜鹼性球及一C-反應蛋白。
前述實施方式之其他實施例如下：前述模型訓練步驟包含一初始模型訓練步驟、一目標超參數選取步驟及一敗血症診斷模型訓練步驟。初始模型訓練步驟係根據K折交叉驗證法將敗血症資料表切割出K個資料集，K個資料集包含K-1個訓練集與一驗證集，然後根據複數初始超參數及機器學習演算法訓練K-1個訓練集以產生對應各個初始超參數之複數初始模型。目標超參數選取步驟係透過驗證集運算此些初始模型而產生對應此些初始模型之複數平均曲線下面積，然後比對此些平均曲線下面積以從此些初始超參數選取一目標超參數。敗血症診斷模型訓練步驟係根據目標超參數與機器學習演算法重新訓練敗血症資料表而產生敗血症診斷模型。
前述實施方式之其他實施例如下：前述機器學習演算法為一極限梯度提升演算法(eXtreme Gradient Boosting，XGBoost)。
以下將參照圖式說明本發明之複數個實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之；並且重複之元件將可能使用相同的編號表示之。
此外，本文中當某一元件(或單元或模組等)「連接/連結」於另一元件，可指所述元件是直接連接/連結於另一元件，亦可指某一元件是間接連接/連結於另一元件，意即，有其他元件介於所述元件及另一元件之間。而當有明示某一元件是「直接連接/連結」於另一元件時，才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件，而對元件本身並無限制，因此，第一元件亦可改稱為第二元件。且本文中之元件/單元/電路之組合非此領域中之一般周知、常規或習知之組合，不能以元件/單元/電路本身是否為習知，來判定其組合關係是否容易被技術領域中之通常知識者輕易完成。
請參閱第1圖，其係繪示依照本發明一第一實施例的敗血症之人工智慧輔助醫療診斷方法100的流程示意圖。如第1圖所示，敗血症之人工智慧輔助醫療診斷方法100包含一資料庫讀取步驟S01、一資料表建立步驟S02、一模型訓練步驟S03以及一敗血症預測步驟S04。
資料庫讀取步驟S01係驅動一處理單元讀取一儲存單元之一敗血症資料庫與至少一待測資料庫。敗血症資料庫包含複數個敗血症資料，且前述至少一待測資料庫包含複數個待測資料。資料表建立步驟S02係驅動處理單元根據此些敗血症資料建立一敗血症資料表，且根據此些待測資料建立一待測資料表。模型訓練步驟S03係驅動處理單元根據一K折交叉驗證法(K-fold Cross-Validation，K-fold CV)與一機器學習演算法訓練敗血症資料表而產生一敗血症診斷模型。敗血症預測步驟S04係驅動處理單元輸入待測資料表至敗血症診斷模型而計算出一敗血症預測結果。
藉此，本發明的敗血症之人工智慧輔助醫療診斷方法100利用敗血症診斷模型來早期預測敗血症風險，且可於臨床識別前12小時內預測敗血症的發作，使得醫療人員提早進行患者後續的醫療處置，達到大幅縮短重症患者的住院時間並降低死亡率。
請一併參閱第2圖、第3A圖及第3B圖，其中第2圖係繪示依照本發明一第二實施例的敗血症之人工智慧輔助醫療診斷方法200的流程示意圖；第3A圖係繪示第2圖的敗血症之人工智慧輔助醫療診斷方法200的資料庫讀取步驟S11的示意圖；以及第3B圖係繪示第3A圖的患者基本資料、患者生命徵象資料、患者血液檢驗資料、待測者基本資料、待測者生命徵象資料及待測者血液檢驗資料的示意圖。如第2、3A及3B圖所示，敗血症之人工智慧輔助醫療診斷方法200主要用以將對應一待測者的一待測資料表120輸入至一敗血症診斷模型130而計算出一敗血症預測結果140，且包含一資料庫讀取步驟S11、一資料表建立步驟S12、一模型訓練步驟S13以及一敗血症預測步驟S14。
資料庫讀取步驟S11係驅動一處理單元讀取一儲存單元之一敗血症資料庫311與一待測資料庫312。敗血症資料庫311包含複數個敗血症資料3111，且待測資料庫312包含複數個待測資料3121。
詳細地說，此些敗血症資料3111可分別為一患者基本資料、一患者生命徵象資料及一患者血液檢驗資料。患者基本資料可包含一患者生理年齡資訊與一患者性別資訊。患者生命徵象資料包含一體溫(Temperature)、一呼吸率(Respiration Rate)、一收縮壓(Systolic Blood Pressure，SBP)、一舒張壓(Diastolic Blood Pressure，DBP)、一心跳速率(Heart Rate)、一昏迷指數(Glasgow Coma Scale，GCS)及一血氧飽和度(Peripheral Oxygen Saturation，SpO 2)。患者血液檢驗資料可包含一白血球計數(White Blood Cell Count)、一紅血球計數(Red Blood Cell Count)、一血紅素(Hemoglobin Concentration)、一血比容(Hematocrit)、一平均紅血球體積(Mean Corpuscular Volume)、一平均紅血球血紅素量(Mean Corpuscular Hemoglobin)、一平均紅血球血紅素濃度(Mean Corpuscular Hemoglobin Concentration)、一血小板計數(Platelet Count)、一紅血球分配寬度(Red Blood Cell Distribution Width)、一血小板分配寬度(Platelet Distribution Width)、一平均血小板體積(Mean Platelet Volume)、一嗜中性粒細胞(Neutrophil)、一淋巴細胞(Lymphocyte)、一單核球(Monocyte)、一嗜酸性球(Eosinophil)、一嗜鹼性球(Basophil)及一C-反應蛋白(C-reactive protein)，但本發明不以此為限。
另一方面，此些待測資料3121可分別為一待測者基本資料、一待測者生命徵象資料及一待測者血液檢驗資料。待測者基本資料可包含一待測者生理年齡資訊與一待測者性別資訊。待測者生命徵象資料包含對應待測者的一體溫、一呼吸率、一收縮壓、一舒張壓、一心跳速率、一昏迷指數及一血氧飽和度。待測者血液檢驗資料可包含對應待測者的一白血球計數、一紅血球計數、一血紅素、一血比容、一平均紅血球體積、一平均紅血球血紅素量、一平均紅血球血紅素濃度、一血小板計數、一紅血球分配寬度、一血小板分配寬度、一平均血小板體積、一嗜中性粒細胞、一淋巴細胞、一單核球、一嗜酸性球、一嗜鹼性球及一C-反應蛋白，但本發明不以此為限。
資料表建立步驟S12係驅動處理單元根據此些敗血症資料3111建立一敗血症資料表110，且根據此些待測資料3121建立一待測資料表120。具體而言，資料表建立步驟S12可包含一數值擷取步驟S121與一資料整合步驟S122。
數值擷取步驟S121係驅動處理單元擷取患者生命徵象資料的體溫、呼吸率、收縮壓、舒張壓、心跳速率、昏迷指數及血氧飽和度各自的一最大數值、一最小數值及一最新數值(即敗血症患者的最近一筆數值)；同理，處理單元亦擷取待測者生命徵象資料的體溫、呼吸率、收縮壓、舒張壓、心跳速率、昏迷指數及血氧飽和度各自的一最大數值、一最小數值及一最新數值(即待測者的最近一筆數值)。
資料整合步驟S122係驅動處理單元整合前述患者生命徵象資料的最大數值、最小數值、最新數值、患者基本資料及患者血液檢驗資料以產生敗血症資料表110；同理，處理單元亦整合前述待測者生命徵象資料的最大數值、最小數值、最新數值、待測者基本資料及待測者血液檢驗資料以產生待測資料表120。由此可知，本發明之敗血症資料表110係收集患者經過一段時間後的多種生理數據做為後續的機器學習模型建立之特徵，而這段時間簡稱為特徵窗(Feature Window)。特徵窗內的每位患者的各項特徵檢查次數不一定相同。為了保留臨床上可能關注的數值變化，本發明將建模用的特徵數量統一，因此將各項特徵的大量資料簡化為三項特徵(即前述的最大數值、最小數值及最新數值)，再利用這些三項特徵建立後續的機器學習模型。
模型訓練步驟S13係驅動處理單元根據一K折交叉驗證法(K-fold CV)與一機器學習演算法訓練敗血症資料表110而產生一敗血症診斷模型130。具體而言，模型訓練步驟S13可包含一初始模型訓練步驟S131、一目標超參數選取步驟S132及一敗血症診斷模型訓練步驟S133。
初始模型訓練步驟S131係驅動處理單元根據K折交叉驗證法將敗血症資料表110切割出K個資料集，其中K個資料集包含K-1個訓練集與一驗證集，然後根據複數初始超參數及機器學習演算法訓練K-1個訓練集以產生對應各個初始超參數之複數初始模型。
詳細地說，前述儲存單元內已儲存K折交叉驗證法、機器學習演算法及對應機器學習演算法的多個初始超參數，其中本發明的變數K可為5，且機器學習演算法可為一極限梯度提升演算法(eXtreme Gradient Boosting，XGBoost)，但本發明不以此為限。
當變數K=5時，敗血症資料表110被切割出5個資料集，且5個資料集分別為一第一資料集、一第二資料集、一第三資料集、一第四資料集與一第五資料集。在第1次的驗證中，第一資料集、第二資料集、第三資料集、第四資料集做為訓練集，且第五資料集做為驗證集。處理單元根據其中一個初始超參數及機器學習演算法訓練4個訓練集以產生對應此其中一個初始超參數之初始模型。
在第2次的驗證中，第一資料集、第二資料集、第三資料集、第五資料集做為訓練集，且第四資料集做為驗證集。處理單元同樣地根據此其中一個初始超參數及機器學習演算法訓練4個訓練集以產生對應此其中一個初始超參數之另一初始模型，並依此類推重複5次驗證而產生對應此其中一個初始超參數的5個初始模型。換言之，K折交叉驗證法係將K-1個資料集做為訓練集，剩下來的資料集做為驗證集。接著，選出尚未當過驗證集的資料集做為下一次驗證中的驗證集。前次驗證過的驗證集變回訓練集，反覆地直到每一個資料集都當過驗證集，並總共執行了K次驗證且產生K個初始模型。須說明的是，處理單元會再進行對應另一初始超參數的驗證，並再重複5次驗證而產生對應此另一初始超參數的另5個初始模型。
接著，目標超參數選取步驟S132係驅動處理單元透過驗證集運算此些初始模型而產生對應此些初始模型之複數平均曲線下面積，然後比對此些平均曲線下面積以從此些初始超參數選取一目標超參數。詳細地說，在前述的第1次的驗證中，處理單元利用第五資料集(即驗證集)運算初始模型而產生1個曲線下面積(Area Under Curve，AUC)；同理，處理單元利用不同的驗證集對其所對應的初始模型進行運算而產生另一AUC。處理單元將對應此其中一個初始超參數的多個AUC取平均以產生平均曲線下面積，然後選擇平均曲線下面積的數值較高者所對應的初始超參數做為目標超參數。
敗血症診斷模型訓練步驟S133係驅動處理單元根據目標超參數與機器學習演算法重新訓練敗血症資料表110而產生敗血症診斷模型130。敗血症預測步驟S14係驅動處理單元輸入待測資料表120至敗血症診斷模型130而計算出敗血症預測結果140。
請一併參閱第2、3A、3B圖及第4圖，其中第4圖係繪示第2圖的敗血症診斷模型130之接收者操作特徵曲線(Receiver Operating Characteristic Curve，ROC Curve)的示意圖。本發明利用K折交叉驗證法保證敗血症資料表110的每個資料集都參與到訓練和驗證，達到來降低敗血症診斷模型130的偏差並提高診斷敗血症的準確率。如第4圖所示，對應敗血症診斷模型130的ROC Curve之平均曲線下面積可為0.84，敗血症診斷模型130的截止值(Cut-Off Value)可為0.5，其中當敗血症預測結果140大於等於截止值時，則判斷出待測者為敗血症患者。此外，對應截止值的準確率(Accuracy)可為0.789，平均類準確率(Per-class Accuracy)可為0.845，F1數值(即精確率(Precision)和召回率(Recall)的調和平均值)可為0.559，陽性預測值(Positive Predictive Value，PPV)可為0.454，陰性預測值(Negative Predictive Value，NPV)可為0.929，敏感度(Sensitivity)可為0.726，且特異度(Specificity)可為0.803，但本發明不以此為限。
請一併參閱第2-4圖與第5圖，其中第5圖係繪示依照本發明一第三實施例的敗血症之人工智慧輔助醫療診斷系統300的方塊示意圖。如第2-5圖所示，敗血症之人工智慧輔助醫療診斷系統300主要用以將對應待測者的一待測資料表120輸入至一敗血症診斷模型130而計算出一敗血症預測結果140，且包含一儲存單元310與一處理單元320。
儲存單元310用以存取一敗血症資料庫311、複數待測資料庫312、一K折交叉驗證法313、一機器學習演算法314及複數初始超參數315。敗血症資料庫311包含複數敗血症資料3111，且各個待測資料庫312包含複數待測資料3121。具體而言，敗血症資料3111即為敗血症患者的臨床資料及各種檢驗報告。各個待測資料庫312對應不同的待測者，且待測資料3121即為待測者的臨床資料及各種檢驗報告。儲存單元310可為一醫院資訊系統(Hospital Information System，HIS)或是一雲端伺服器。
處理單元320訊號連接儲存單元310，且經配置以實施資料表建立步驟S12、模型訓練步驟S13及敗血症預測步驟S14。資料表建立步驟S12係根據此些敗血症資料3111建立敗血症資料表110，且根據此些待測資料3121建立待測資料表120。模型訓練步驟S13係根據K折交叉驗證法313與機器學習演算法314訓練敗血症資料表110而產生敗血症診斷模型130。敗血症預測步驟S14係輸入待測資料表120至敗血症診斷模型130而計算出對應待測者的敗血症預測結果140。此外，處理單元320可為穿戴式裝置或是加護病房(Intensive Care Unit)電子設備的微處理器、中央處理器(Central Processing Unit；CPU)、影像處理器或其他電子處理器，但本發明不以此為限。
藉此，本發明的敗血症之人工智慧輔助醫療診斷系統300收集患者的敗血症資料3111之後，再透過K折交叉驗證法313與機器學習演算法314訓練出敗血症診斷模型130，以預測待測者罹患敗血症的風險。除了可以減輕不少醫療人員的負擔，也能更快地協助患者或是待測者。
綜上所述，本發明具有下列優點：其一，利用敗血症診斷模型來早期預測敗血症風險，使得醫療人員提早進行患者後續的醫療處置，達到大幅縮短重症患者的住院時間並降低死亡率。其二，利用K折交叉驗證法降低敗血症診斷模型的偏差，並提高診斷敗血症的準確率。其三，訓練完成的敗血症診斷模型可結合穿戴式裝置或是應用於加護病房的智慧化，且針對有敗血症感染風險的患者進行更精確地篩檢並提供即時監控。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,200:敗血症之人工智慧輔助醫療診斷方法 S01,S11:資料庫讀取步驟 S02,S12:資料表建立步驟 S121:數值擷取步驟 S122:資料整合步驟 S03,S13:模型訓練步驟 S131:初始模型訓練步驟 S132:目標超參數選取步驟 S133:敗血症診斷模型訓練步驟 S04,S14:敗血症預測步驟 110:敗血症資料表 120:待測資料表 130:敗血症診斷模型 140:敗血症預測結果 300:敗血症之人工智慧輔助醫療診斷系統 310:儲存單元 311:敗血症資料庫 3111:敗血症資料 312:待測資料庫 3121:待測資料 313:K折交叉驗證法 314:機器學習演算法 315:初始超參數 320:處理單元
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下： 第1圖係繪示依照本發明一第一實施例的敗血症之人工智慧輔助醫療診斷方法的流程示意圖； 第2圖係繪示依照本發明一第二實施例的敗血症之人工智慧輔助醫療診斷方法的流程示意圖； 第3A圖係繪示第2圖的敗血症之人工智慧輔助醫療診斷方法的資料庫讀取步驟的示意圖； 第3B圖係繪示第3A圖的患者基本資料、患者生命徵象資料、患者血液檢驗資料、待測者基本資料、待測者生命徵象資料及待測者血液檢驗資料的示意圖； 第4圖係繪示第2圖的敗血症診斷模型之接收者操作特徵曲線的示意圖；以及 第5圖係繪示依照本發明一第三實施例的敗血症之人工智慧輔助醫療診斷系統的方塊示意圖。
100:敗血症之人工智慧輔助醫療診斷方法
S01:資料庫讀取步驟
S02:資料表建立步驟
S03:模型訓練步驟
S04:敗血症預測步驟

Claims (12)

  1. 一種敗血症之人工智慧輔助醫療診斷方法，包含以下步驟：一資料庫讀取步驟，係驅動一處理單元讀取一儲存單元之一敗血症資料庫與至少一待測資料庫，該敗血症資料庫包含複數敗血症資料，該至少一待測資料庫包含複數待測資料；一資料表建立步驟，係驅動該處理單元根據該些敗血症資料建立一敗血症資料表，且根據該些待測資料建立一待測資料表；一模型訓練步驟，係驅動該處理單元根據一K折交叉驗證法與一機器學習演算法訓練該敗血症資料表而產生一敗血症診斷模型；以及一敗血症預測步驟，係驅動該處理單元輸入該待測資料表至該敗血症診斷模型而計算出一敗血症預測結果；其中，該些敗血症資料分別為一患者基本資料、一患者生命徵象資料及一患者血液檢驗資料；其中，該資料表建立步驟包含：一數值擷取步驟，係驅動該處理單元擷取該患者生命徵象資料之一最大數值、一最小數值及一最新數值；及一資料整合步驟，係驅動該處理單元整合該最大數值、該最小數值、該最新數值、該患者基本資料及該患者血液檢驗資料以產生該敗血症資料表。
  2. 如請求項1所述之敗血症之人工智慧輔助醫療診斷方法，其中該患者基本資料包含一患者生理年齡資訊與一患者性別資訊。
  3. 如請求項1所述之敗血症之人工智慧輔助醫療診斷方法，其中該患者生命徵象資料包含一體溫、一呼吸率、一收縮壓、一舒張壓、一心跳速率、一昏迷指數及一血氧飽和度。
  4. 如請求項1所述之敗血症之人工智慧輔助醫療診斷方法，其中該患者血液檢驗資料包含一白血球計數、一紅血球計數、一血紅素、一血比容、一平均紅血球體積、一平均紅血球血紅素量、一平均紅血球血紅素濃度、一血小板計數、一紅血球分配寬度、一血小板分配寬度、一平均血小板體積、一嗜中性粒細胞、一淋巴細胞、一單核球、一嗜酸性球、一嗜鹼性球及一C-反應蛋白。
  5. 如請求項1所述之敗血症之人工智慧輔助醫療診斷方法，其中該模型訓練步驟包含：一初始模型訓練步驟，係驅動該處理單元根據該K折交叉驗證法將該敗血症資料表切割出K個資料集，該K個資料集包含K-1個訓練集與一驗證集，然後根據複數初始超參數及該機器學習演算法訓練該K-1個訓練集以產生對應各該初始超參數之複數初始模型； 一目標超參數選取步驟，係驅動該處理單元透過該驗證集運算該些初始模型而產生對應該些初始模型之複數平均曲線下面積，然後比對該些平均曲線下面積以從該些初始超參數選取一目標超參數；及一敗血症診斷模型訓練步驟，係驅動該處理單元根據該目標超參數與該機器學習演算法重新訓練該敗血症資料表而產生該敗血症診斷模型。
  6. 如請求項1所述之敗血症之人工智慧輔助醫療診斷方法，其中該機器學習演算法為一極限梯度提升演算法(eXtreme Gradient Boosting，XGBoost)。
  7. 一種敗血症之人工智慧輔助醫療診斷系統，包含：一儲存單元，用以存取一敗血症資料庫、至少一待測資料庫、一K折交叉驗證法及一機器學習演算法，該敗血症資料庫包含複數敗血症資料，該至少一待測資料庫包含複數待測資料；以及一處理單元，連接該儲存單元，該處理單元經配置以實施包含以下步驟之操作：一資料表建立步驟，係根據該些敗血症資料建立一敗血症資料表，且根據該些待測資料建立一待測資料表；一模型訓練步驟，係根據一K折交叉驗證法與一機器學習演算法訓練該敗血症資料表而產生一敗血症診斷模 型；及一敗血症預測步驟，係輸入該待測資料表至該敗血症診斷模型而計算出一敗血症預測結果；其中，該些敗血症資料分別為一患者基本資料、一患者生命徵象資料及一患者血液檢驗資料；其中，該資料表建立步驟包含：一數值擷取步驟，係擷取該患者生命徵象資料之一最大數值、一最小數值及一最新數值；及一資料整合步驟，係整合該最大數值、該最小數值、該最新數值、該患者基本資料及該患者血液檢驗資料以產生該敗血症資料表。
  8. 如請求項7所述之敗血症之人工智慧輔助醫療診斷系統，其中該患者基本資料包含一患者生理年齡資訊與一患者性別資訊。
  9. 如請求項7所述之敗血症之人工智慧輔助醫療診斷系統，其中該患者生命徵象資料包含一體溫、一呼吸率、一收縮壓、一舒張壓、一心跳速率、一昏迷指數及一血氧飽和度。
  10. 如請求項7所述之敗血症之人工智慧輔助醫療診斷系統，其中該患者血液檢驗資料包含一白血球計數、一紅血球計數、一血紅素、一血比容、一平均紅血球體積、 一平均紅血球血紅素量、一平均紅血球血紅素濃度、一血小板計數、一紅血球分配寬度、一血小板分配寬度、一平均血小板體積、一嗜中性粒細胞、一淋巴細胞、一單核球、一嗜酸性球、一嗜鹼性球及一C-反應蛋白。
  11. 如請求項7所述之敗血症之人工智慧輔助醫療診斷系統，其中該模型訓練步驟包含：一初始模型訓練步驟，係根據該K折交叉驗證法將該敗血症資料表切割出K個資料集，該K個資料集包含K-1個訓練集與一驗證集，然後根據複數初始超參數及該機器學習演算法訓練該K-1個訓練集以產生對應各該初始超參數之複數初始模型；一目標超參數選取步驟，係透過該驗證集運算該些初始模型而產生對應該些初始模型之複數平均曲線下面積，然後比對該些平均曲線下面積以從該些初始超參數選取一目標超參數；及一敗血症診斷模型訓練步驟，係根據該目標超參數與該機器學習演算法重新訓練該敗血症資料表而產生該敗血症診斷模型。
  12. 如請求項7所述之敗血症之人工智慧輔助醫療診斷系統，其中該機器學習演算法為一極限梯度提升演算法(eXtreme Gradient Boosting，XGBoost)。
TW110123616A 2021-06-28 2021-06-28 敗血症之人工智慧輔助醫療診斷方法及其系統 TWI803893B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110123616A TWI803893B (zh) 2021-06-28 2021-06-28 敗血症之人工智慧輔助醫療診斷方法及其系統
US17/472,899 US20220409122A1 (en) 2021-06-28 2021-09-13 Artificial Intelligence Assisted Medical Diagnosis Method For Sepsis And System Thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110123616A TWI803893B (zh) 2021-06-28 2021-06-28 敗血症之人工智慧輔助醫療診斷方法及其系統

Publications (2)

Publication Number Publication Date
TW202301377A TW202301377A (zh) 2023-01-01
TWI803893B true TWI803893B (zh) 2023-06-01

Family

ID=84542025

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110123616A TWI803893B (zh) 2021-06-28 2021-06-28 敗血症之人工智慧輔助醫療診斷方法及其系統

Country Status (2)

Country Link
US (1) US20220409122A1 (zh)
TW (1) TWI803893B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076806A (zh) * 2004-12-09 2007-11-21 英国国防部 败血症的早期检测
CN105229470A (zh) * 2013-03-15 2016-01-06 艾克斯肯诊断股份有限公司 用于治疗和诊断系统性红斑狼疮的方法
TW201835938A (zh) * 2017-03-15 2018-10-01 長庚醫療財團法人林口長庚紀念醫院 資料整合方法
US20200211707A1 (en) * 2018-12-28 2020-07-02 National Cheng Kung University System and method for predicting types of pathogens in patients with septicemia

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076806A (zh) * 2004-12-09 2007-11-21 英国国防部 败血症的早期检测
CN105229470A (zh) * 2013-03-15 2016-01-06 艾克斯肯诊断股份有限公司 用于治疗和诊断系统性红斑狼疮的方法
TW201835938A (zh) * 2017-03-15 2018-10-01 長庚醫療財團法人林口長庚紀念醫院 資料整合方法
US20200211707A1 (en) * 2018-12-28 2020-07-02 National Cheng Kung University System and method for predicting types of pathogens in patients with septicemia

Also Published As

Publication number Publication date
US20220409122A1 (en) 2022-12-29
TW202301377A (zh) 2023-01-01

Similar Documents

Publication Publication Date Title
Gjoreski et al. Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds
Ge et al. An Interpretable ICU Mortality Prediction Model Based on Logistic Regression and Recurrent Neural Networks with LSTM units.
EP1133256B1 (en) A diagnostic tool using a predictive instrument
WO2012033771A2 (en) Medical scoring systems and methods
Ding et al. Mortality prediction for ICU patients combining just-in-time learning and extreme learning machine
US20190392952A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
Song et al. An interpretable knowledge-based decision support system and its applications in pregnancy diagnosis
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
KR102421172B1 (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
CN113057587A (zh) 一种病症预警方法、装置、电子设备及存储介质
TW202347350A (zh) 急性腎損傷預測系統及其方法
CN114023440A (zh) 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法
Marin et al. Early detection of preeclampsia based on a machine learning approach
TWI803893B (zh) 敗血症之人工智慧輔助醫療診斷方法及其系統
Wang et al. Method of non-invasive parameters for predicting the probability of early in-hospital death of patients in intensive care unit
CN113171059B (zh) 多模态监测信息的术后end风险预警及相关设备
Hu et al. Development and external validation of a dynamic risk score for early prediction of cardiogenic shock in cardiac intensive care units using machine learning
Umut et al. Prediction of sepsis disease by Artificial Neural Networks
US20160147974A1 (en) Distributable Computational Pathophysiology System Based on Organ Models
Nohria Comparative study of Adaptive neuro-fuzzy and fuzzy inference system for diagnosis of hypertension
CN114550855A (zh) 基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质
Khalaf et al. Predicting Acute Respiratory Failure Using Fuzzy Classifier
Choi et al. Pre-test probability for coronary artery disease in patients with chest pain based on machine learning techniques
US20230395267A1 (en) Procedure and Prediction System to Determine the Probability of a Patient Suffering from Sepsis
US20230293103A1 (en) Analysis device