TWM631259U - 急性腎損傷預測系統 - Google Patents
急性腎損傷預測系統 Download PDFInfo
- Publication number
- TWM631259U TWM631259U TW111205474U TW111205474U TWM631259U TW M631259 U TWM631259 U TW M631259U TW 111205474 U TW111205474 U TW 111205474U TW 111205474 U TW111205474 U TW 111205474U TW M631259 U TWM631259 U TW M631259U
- Authority
- TW
- Taiwan
- Prior art keywords
- kidney injury
- acute kidney
- data
- processing unit
- risk probability
- Prior art date
Links
Images
Landscapes
- External Artificial Organs (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本新型提供一種急性腎損傷預測系統。主處理單元連接主記憶體並讀取儲存於主記憶體之待測資料、檢測資料、機器學習演算法及風險機率對照表。主處理單元依據機器學習演算法訓練檢測資料而產生急性腎損傷預測模型,並輸入待測資料至急性腎損傷預測模型而產生急性腎損傷特徵風險機率與資料順位表。資料順位表依據各待測資料於急性腎損傷特徵中所佔之影響比重而依序列出待測資料。主處理單元依據急性腎損傷特徵風險機率從風險機率對照表選取醫療處置資料。藉此,預測受測者於24小時後發生急性腎損傷的機率,且即時給予醫療處置。
Description
本新型是關於一種智慧醫療技術領域,且特別是關於一種急性腎損傷預測系統。
急性腎損傷(Acute Kidney Injury;AKI)是在加護病房(Intensive Care Unit;ICU)內所常見的一種重症疾病,其不容易即時地被診斷出來,且依據調查發現急性腎損傷在加護病房內的盛行率高達60%。此外,造成急性腎損傷的原因複雜且變化迅速,如何掌握治療時機對於腎臟科的醫療人員和急重症醫師是一個極大的挑戰。
隨著科技的進步,人工智能漸漸地開始應用於影像辨識以及各種醫療診斷技術。然而,習知的機器學習模型或深度學習模型僅單純且直接地透過訓練患者的電子健康紀錄(Electronic Health Record;EHR)而得。由於前述的訓練方式未考慮電子健康紀錄丟失數據的潛在影響,可能會導致模型性能不佳或產生偏差。由此可知,目前市場上仍缺乏一種診斷準確度高且可即時提供適當的醫療處置之急性腎損傷預測系統,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,本新型之目的在於提供一種急性腎損傷預測系統,其先對醫療常規的檢測資料進行資料前處理後,再訓練檢測資料而產生急性腎損傷預測模型。急性腎損傷預測模型可用以對受測者的待測資料進行處理且預測待測資料於24小時後符合急性腎損傷特徵所對應之急性腎損傷特徵風險機率,進而輔助醫療人員並提升工作效率。此外,本新型可依據急性腎損傷特徵風險機率從風險機率對照表選取醫療處置資料,以供急重症醫師作為處置推薦而即時給予患者適當的醫療處置,達到改善治療結果。
依據本新型的一實施方式提供一種急性腎損傷預測系統,其用以預測複數待測資料符合一急性腎損傷特徵所對應之一急性腎損傷特徵風險機率。急性腎損傷預測系統包含一主記憶體與一主處理單元。主記憶體儲存此些待測資料、複數檢測資料、一機器學習演算法及一風險機率對照表,且風險機率對照表包含複數醫療處置資料。主處理單元連接主記憶體並經配置以實施包含一資料讀取步驟、一模型訓練步驟、一風險機率與順位表產生步驟及一醫療處置資料選取步驟。資料讀取步驟係讀取此些待測資料、此些檢測資料、機器學習演算法及風險機率對照表。模型訓練步驟係依據機器學習演算法訓練此些檢測資料而產生一急性腎損傷預測模型。風險機率與順位表產生步驟係輸入此些待測資料至急性腎損傷預測模型而產生急性腎損傷特徵風險機率與一資料順位表。資料順位表依據各待測資料於急性腎損傷特徵中所佔之一影響比重而依序列出此些待測資料。醫療處置資料選取步驟係依據急性腎損傷特徵風險機率從風險機率對照表選取其中一醫療處置資料。
前述實施方式之其他實施例如下:前述資料讀取步驟可包含一資料分類步驟。資料分類步驟係驅動主處理單元依據一急性腎損傷標準將此些檢測資料分類為一急性腎損傷檢測資料群與一非急性腎損傷檢測資料群。急性腎損傷檢測資料群包含複數生理資料、複數用藥資料及複數血液檢驗資料。
前述實施方式之其他實施例如下:各前述生理資料可具有一時間戳,且資料讀取步驟可更包含一資料擷取步驟與一資料運算步驟。資料擷取步驟係驅動主處理單元擷取複數個時間戳位於一特徵窗口區間的此些生理資料。資料運算步驟係驅動主處理單元運算此些時間戳位於特徵窗口區間的此些生理資料而產生一平均值與一變異值。於模型訓練步驟中主處理單元依據機器學習演算法訓練平均值、變異值、此些用藥資料、此些血液檢驗資料及非急性腎損傷檢測資料群而產生急性腎損傷預測模型。
前述實施方式之其他實施例如下:各前述生理資料可包含一體溫、一呼吸率、一脈搏率、一脈搏壓、一收縮壓、一舒張壓及一血氧飽和度。
前述實施方式之其他實施例如下:各前述血液檢驗資料包含一白血球計數、一中性粒細胞計數、一血紅素、一血小板計數、一血中尿素氮、一白蛋白、一總膽紅素、一動脈血液氣體酸鹼值及一葡萄糖。
前述實施方式之其他實施例如下:前述機器學習演算法可為一極限梯度提升演算法、一隨機森林演算法、一類神經網路演算法及一邏輯式迴歸之一者。
前述實施方式之其他實施例如下:前述急性腎損傷預測系統可更包含一雲端伺服器、一附屬記憶體及一附屬處理單元。雲端伺服器連接主處理單元。主處理單元上傳急性腎損傷預測模型之一模型參數至雲端伺服器。附屬記憶體儲存複數附屬檢測資料及複數附屬待測資料。附屬處理單元連接雲端伺服器與附屬記憶體,並由雲端伺服器下載模型參數。附屬處理單元依據機器學習演算法訓練模型參數及此些附屬檢測資料而產生一附屬急性腎損傷預測模型,並上傳附屬急性腎損傷預測模型之一附屬模型參數至雲端伺服器,且雲端伺服器聚合模型參數與附屬模型參數而建立另一急性腎損傷預測模型。主處理單元由雲端伺服器下載另一急性腎損傷預測模型,並輸入此些待測資料至另一急性腎損傷預測模型而產生另一急性腎損傷特徵風險機率。主處理單元驗證另一急性腎損傷特徵風險機率是否符合一真實結果。當另一急性腎損傷特徵風險機率未符合真實結果時,雲端伺服器重新聚合模型參數與附屬模型參數以更新另一急性腎損傷預測模型,直到另一急性腎損傷特徵風險機率符合真實結果為止。
藉此,本新型的急性腎損傷預測系統利用主處理單元產生急性腎損傷特徵風險機率與醫療處置資料,達到早期預測診斷與治療,並降低受測者對於急性腎損傷的發生率。同時地,抑制或縮短病程與加速腎功能恢復而減少死亡率,以提升整體重症醫療品質,並可以分擔臨床工作壓力,減輕醫療人員的負荷。
以下將參照圖式說明本新型之複數個實施例。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新型。也就是說,在本新型部分實施例中,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」於另一元件,可指所述元件是直接連接於另一元件,亦可指某一元件是間接連接於另一元件,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」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。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。
請一併參閱第1圖與第2圖,其中第1圖係繪示依照本新型之第一實施例的急性腎損傷預測系統100的方塊示意圖;以及第2圖係繪示第1圖的急性腎損傷預測系統100的風險機率對照表240的方塊示意圖。如圖所示,急性腎損傷預測系統100包含主記憶體200與主處理單元300,並用以預測於24小時後複數待測資料211符合急性腎損傷特徵所對應之急性腎損傷特徵風險機率320,其中急性腎損傷特徵係由改善全球腎臟病預後組織(Kidney Disease Improving Global Outcomes;KDIGO)針對急性腎損傷(Acute Kidney Injury;AKI)所定義的條件來決定特徵項目,故不另贅述。
主記憶體200儲存受試者的待測資料庫210、訓練模型用途的檢測資料庫220、機器學習演算法230及風險機率對照表240。待測資料庫210包含前述多個待測資料211,且檢測資料庫220包含複數檢測資料221。風險機率對照表240包含低風險處置方案241、中風險處置方案242及高風險處置方案243。低風險處置方案241包含在急性腎損傷特徵風險機率320為0~49.99%時的複數醫療處置資料2411。中風險處置方案242包含在急性腎損傷特徵風險機率320為50~74.99%時的複數醫療處置資料2421。高風險處置方案243包含在急性腎損傷特徵風險機率320為75~100%時的複數醫療處置資料2431。
主處理單元300電性連接主記憶體200,並經配置以實施包含資料讀取步驟S01、模型訓練步驟S02、風險機率與順位表產生步驟S03及醫療處置資料選取步驟S04。資料讀取步驟S01係讀取此些待測資料211、此些檢測資料221、機器學習演算法230及風險機率對照表240。模型訓練步驟S02係依據機器學習演算法230訓練此些檢測資料221而產生急性腎損傷預測模型310。風險機率與順位表產生步驟S03係輸入此些待測資料211至急性腎損傷預測模型310而產生急性腎損傷特徵風險機率320與資料順位表330。資料順位表330依據各待測資料211於急性腎損傷特徵中所佔之影響比重而依序列出此些待測資料211。醫療處置資料選取步驟S04係依據急性腎損傷特徵風險機率320從風險機率對照表240的低風險處置方案241、中風險處置方案242及高風險處置方案243之一者選取醫療處置資料。藉此,本新型的急性腎損傷預測系統100利用主處理單元300執行資料讀取步驟S01、模型訓練步驟S02、風險機率與順位表產生步驟S03及醫療處置資料選取步驟S04,以產生急性腎損傷特徵風險機率320與適當的醫療處置資料,達到早期預測診斷與治療,並降低受測者對於急性腎損傷的發生率。同時地,抑制或縮短病程與加速腎功能恢復而減少死亡率,以提升整體重症醫療品質,並可以分擔臨床工作壓力,減輕醫療人員的負荷。以下為詳細的實施例來說明上述各步驟之細節。
請一併參閱第1圖、第2圖及第3圖,其中第3圖係繪示依照本新型之第二實施例的急性腎損傷預測方法400的流程示意圖。急性腎損傷預測方法400應用於急性腎損傷預測系統100,且包含資料讀取步驟S11、模型訓練步驟S12、風險機率與順位表產生步驟S13以及醫療處置資料選取步驟S14。
資料讀取步驟S11係驅動主處理單元300讀取儲存於主記憶體200之複數待測資料211、複數檢測資料221、機器學習演算法230及風險機率對照表240。
模型訓練步驟S12係驅動主處理單元300依據機器學習演算法230訓練此些檢測資料221而產生急性腎損傷預測模型310。須說明的是,本新型的機器學習演算法230可為極限梯度提升演算法(eXtreme Gradient Boosting;XGBoost)、隨機森林演算法(Random Forest)、類神經網路演算法(Neural Network)及邏輯式迴歸(Logistic Regression)之一者,但本新型不以此為限。
風險機率與順位表產生步驟S13係驅動主處理單元300輸入此些待測資料211至急性腎損傷預測模型310而產生急性腎損傷特徵風險機率320與資料順位表330。
醫療處置資料選取步驟S14係驅動主處理單元300依據急性腎損傷特徵風險機率320從風險機率對照表240的低風險處置方案241、中風險處置方案242及高風險處置方案243之一者選取醫療處置資料。
請一併參閱第1圖、第3圖、第4圖及第5圖,其中第4圖係繪示第3圖的資料讀取步驟S11的資料分類步驟S111的示意圖;以及第5圖係繪示第3圖的資料讀取步驟S11的資料擷取步驟S112的示意圖。如第3圖所示,急性腎損傷預測方法400的資料讀取步驟S11可包含資料分類步驟S111、資料擷取步驟S112及資料運算步驟S113。
請接續參閱第4圖,資料分類步驟S111係驅動主處理單元300依據急性腎損傷標準將檢測資料庫220的此些檢測資料221分類為急性腎損傷檢測資料群222與非急性腎損傷檢測資料群223。具體而言,急性腎損傷標準可為改善全球腎臟病預後組織針對急性腎損傷所定義的指南標準,其用以依據檢測資料221是否符合急性腎損傷特徵而將檢測資料221標示且區分為具有急性腎損傷的急性腎損傷檢測資料群222與不具有急性腎損傷的非急性腎損傷檢測資料群223。此外,急性腎損傷檢測資料群222可包含複數生理資料、複數用藥資料及複數血液檢驗資料,其中各生理資料可包含體溫(Temperature)、呼吸率(Respiration Rate)、脈搏率(Pulse Rate)、脈搏壓(Pulse Pressure)、收縮壓(Systolic Blood Pressure;SBP)、舒張壓(Diastolic Blood Pressure;DBP)及血氧飽和度(Peripheral Oxygen Saturation,SpO
2)。此些用藥資料係可為依據臨床經驗從具有急性腎損傷的患者使用所有藥品中挑選出發生急性腎損傷機率較高的特定藥品。舉例來說,此些用藥資料可為腎素-血管張力素系統抑制劑(Renin-angiotensin system inhibitors)、利尿劑(Diuretics)、氫離子幫浦阻斷劑(Proton Pump Inhibitor;PPI)、組織胺阻斷劑(H2 Receptor Antagonists)、NSAID-COX I抑制劑、COX II抑制劑、升壓素(Vasopressin)、去甲基腎上腺素(Norepinephrine)、多巴胺(Dopamine)、腎上腺素(Epinephrine)、多巴酚丁胺(Dobutamine)、萬古黴素(Vancomycin)、複方新諾明(Bactrim)、大黴素(Gentamicin)、阿米卡星(Amikin)、黏菌素(Colistin)及兩性黴素B(Amphotericin B)。各血液檢驗資料可包含白血球計數(White Blood Cell Count)、中性粒細胞計數(Neut)、血紅素(Hemoglobin Concentration)、血小板計數(Platelet Count)、血中尿素氮(BUN)、白蛋白(Albumin)、總膽紅素(Total Bilirubin,T-Bil)、動脈血液氣體酸鹼值(Arterial Blood Gas_pH)及葡萄糖(Glucose);同理,非急性腎損傷檢測資料群223亦可包含前述醫療常規資料,不另贅述。
請接續參閱第5圖,急性腎損傷檢測資料群222中的此些生理資料係為具有急性腎損傷的患者在進入加護病房與離開加護病房之間的時間區段T
P1中透過由每分鐘所收集到的複數筆醫療參數資料(例如複數筆體溫資料),因此各生理資料可具有一個時間戳(Timestamp),例如第一筆的體溫資料對應一第一時間,第二筆的體溫資料對應一第二時間,並以此類推。時間區段T
P1包含初始時間點T
I、資料設定區間T
ST1、特徵窗口區間T
FW1、提早預測區段T
TP及確診時間點T
O。資料設定區間T
ST1是一個空窗期。由於患者在初始時間點T
I送入加護病房後需要經過一段設定時間(即資料設定區間T
ST1)才會開始產生生理資料。提早預測區段T
TP是指患者被診斷出具有急性腎損傷時的一個時間點(確診時間點T
O)後再依據此時間點往前延伸的一個間隔區段。由此可見,特徵窗口區間T
FW1位於資料設定區間T
ST1與提早預測區段T
TP之間。另外,非急性腎損傷檢測資料群223中的此些生理資料係為不具有急性腎損傷的患者在進入加護病房與離開加護病房之間的時間區段T
P2中透過由每分鐘所收集到的複數筆醫療參數資料。時間區段T
P2包含資料設定區間T
ST2與特徵窗口區間T
FW2,其中資料設定區間T
ST2等於資料設定區間T
ST1。於第5圖的實施例中,時間區段T
P2小於時間區段T
P1,但於其他實施例中時間區段T
P2可大於時間區段T
P1;簡而言之,本新型不以特徵窗口區間T
FW2的時間長度為限。
資料擷取步驟S112係驅動主處理單元300擷取複數個時間戳位於特徵窗口區間T
FW1的急性腎損傷檢測資料群222中的此些生理資料,且係驅動主處理單元300擷取複數個時間戳位於特徵窗口區間T
FW2的非急性腎損傷檢測資料群223中的此些生理資料。具體而言,主處理單元300依據一時間間隔(例如6小時)將特徵窗口區間T
FW1拆分成多個子區間,並於前述子區間擷取急性腎損傷檢測資料群222中的生理資料。由於非急性腎損傷檢測資料群223中的生理資料未符合急性腎損傷特徵,因此主處理單元300可於特徵窗口區間T
FW2任意地擷取非急性腎損傷檢測資料群223中的生理資料。
接著,資料運算步驟S113係驅動主處理單元300運算此些時間戳位於特徵窗口區間T
FW1的此些生理資料而產生平均值與變異值。最終,於模型訓練步驟S12中主處理單元300依據機器學習演算法230訓練此平均值、此變異值、急性腎損傷檢測資料群222的此些用藥資料及此些血液檢驗資料以及非急性腎損傷檢測資料群223的此些生理資料、此些用藥資料及此些血液檢驗資料而產生急性腎損傷預測模型310。藉此,本新型透過主處理單元300進行資料前處理(即資料擷取步驟S112與資料運算步驟S113)來於特徵窗口區間T
FW1中擷取符合急性腎損傷特徵的生理資料以訓練出急性腎損傷預測模型310,進而克服早期的電子健康紀錄(Electronic Health Record;EHR)的數據缺失問題,並提高預測待測資料211於24小時後符合急性腎損傷特徵所對應之急性腎損傷特徵風險機率320的準確度。
請一併參閱第1圖、第3圖及第6圖,其中第6圖係繪示第3圖的急性腎損傷預測方法400的資料順位表330的示意圖。於風險機率與順位表產生步驟S13中,資料順位表330依據各待測資料211於急性腎損傷特徵中所佔之影響比重而依序列出此些待測資料211。具體而言,主處理單元300透過特徵數值分析(SHAP Value)將此些待測資料211依據於急性腎損傷特徵中所佔之影響比重而依序表列於資料順位表330,且資料順位表330係可顯示在電子病歷系統的介面上。舉例來說,第6圖的資料順位表330由上至下依序列出6個待測資料211,且其依序為利尿劑(Diuretics)、腎毒藥總和、去甲基腎上腺素(Norepinephrine)、氫離子幫浦阻斷劑(Proton pump inhibitor;PPI)、血清尿素氮(BUN)及多巴胺(Dopamine),且本新型不以資料順位表330列出的待測資料211的數量為限。藉此,本新型的急性腎損傷預測方法400可供急重症醫師透過查看位在資料順位表330前面幾項的重要特徵是否有藥物及腎毒性藥物以判斷患者符合急性腎損傷特徵的程度,並可作為臨床決策時的參考依據。
請參閱第7圖,其係繪示依照本新型之第三實施例的急性腎損傷預測系統100a的方塊示意圖。急性腎損傷預測系統100a包含主記憶體200a與主處理單元300a。第三實施例的主記憶體200a與主處理單元300a分別與第一實施例的主記憶體200與主處理單元300相似,且主處理單元300a產生急性腎損傷預測模型310a的方式與第一實施例的主處理單元300產生急性腎損傷預測模型310的方式相同,不另贅述。
第三實施例與第一實施例的不同之處在於,急性腎損傷預測系統100a可更包含雲端伺服器500a、附屬處理單元600a及附屬記憶體700a。雲端伺服器500a訊號連接主處理單元300a。主處理單元300a上傳急性腎損傷預測模型310a之模型參數311a至雲端伺服器500a。附屬記憶體700a儲存附屬待測資料庫710a、附屬檢測資料庫720a及機器學習演算法230a,其中附屬待測資料庫710a包含複數附屬待測資料711a,附屬檢測資料庫720a包含複數附屬檢測資料721a,且第三實施例的機器學習演算法230a與第一實施例的機器學習演算法230相同。
附屬處理單元600a訊號連接雲端伺服器500a,並電性連接附屬記憶體700a。附屬處理單元600a由雲端伺服器500a下載模型參數311a,並依據機器學習演算法230a訓練模型參數311a及此些附屬檢測資料721a而產生附屬急性腎損傷預測模型610a。附屬處理單元600a上傳附屬急性腎損傷預測模型610a之附屬模型參數611a至雲端伺服器500a,且雲端伺服器500a聚合模型參數311a與附屬模型參數611a而建立另一急性腎損傷預測模型510a。主處理單元300a由雲端伺服器500a下載急性腎損傷預測模型510a,並替換急性腎損傷預測模型310a。接著,主處理單元300a輸入儲存於主記憶體200a內的待測資料庫210a之複數待測資料211a至急性腎損傷預測模型510a而產生急性腎損傷特徵風險機率320a。主處理單元300a驗證急性腎損傷特徵風險機率320a是否符合儲存於主記憶體200a內的真實結果250a。須說明的是,真實結果250a可為待測資料211a經過急重症醫師診斷後所得到的診斷結果。當急性腎損傷特徵風險機率320a未符合真實結果250a時,雲端伺服器500a重新聚合模型參數311a與附屬模型參數611a以更新急性腎損傷預測模型510a,直到急性腎損傷特徵風險機率320a符合真實結果250a為止。
另外,第二實施例的急性腎損傷預測方法400亦可應用於第三實施例的急性腎損傷預測系統100a,且急性腎損傷預測方法400的模型訓練步驟S12可包含聯邦式學習步驟S121與模型驗證步驟S122(如第3圖所示)。
聯邦式學習步驟S121係驅動主處理單元300a上傳急性腎損傷預測模型310a之模型參數311a至雲端伺服器500a,以供附屬處理單元600a由雲端伺服器500a下載模型參數311a並依據機器學習演算法230a訓練模型參數311a及儲存於附屬記憶體700a之附屬檢測資料庫720a的複數附屬檢測資料721a而產生附屬急性腎損傷預測模型610a。附屬處理單元600a上傳附屬急性腎損傷預測模型610a之附屬模型參數611a至雲端伺服器500a,且雲端伺服器500a聚合模型參數311a與附屬模型參數611a而建立另一急性腎損傷預測模型510a。
模型驗證步驟S122係驅動主處理單元300a由雲端伺服器500a下載急性腎損傷預測模型510a,並替換急性腎損傷預測模型310a,然後主處理單元300a輸入儲存於主記憶體200a內的待測資料庫210a之待測資料211a至急性腎損傷預測模型510a而產生急性腎損傷特徵風險機率320a。主處理單元300a驗證急性腎損傷特徵風險機率320a是否符合儲存於主記憶體200a內的真實結果250a。當急性腎損傷特徵風險機率320a未符合真實結果250a時,主處理單元300a重複執行聯邦式學習步驟S121而使得雲端伺服器500a重新聚合模型參數311a與附屬模型參數611a以更新急性腎損傷預測模型510a,直到再次被預測出來的急性腎損傷特徵風險機率320a符合真實結果250a為止。
詳細地說,醫療院所的層級可分為醫學中心、區域醫院、地區醫院及基層診所。各醫療院所具有不同等級的照護任務與工作項目,例如醫學中心負責研究、教學及急重症患者的治療照護。因此,同為加護病房而言,醫學中心屬於區域和地區醫院的後送醫院,故醫學中心的加護病房患者的疾病嚴重程度較其他醫療院所來的高。急性腎損傷預測系統100a的主處理單元300a係可對應於前述醫學中心,附屬處理單元600a則可對應於層級較低的醫療院所。
本新型透過聯邦式學習步驟S121使得主處理單元300a與附屬處理單元600a進行聯邦式學習,並利用真實結果250a對聚合後的急性腎損傷預測模型510a所產生急性腎損傷特徵風險機率320a進行驗證。舉例來說,當真實結果250a表示為患者已罹患急性腎損傷且急性腎損傷特徵風險機率320a假設為85%時,主處理單元300a設定一罹患機率區間(例如80%至100%),並根據罹患機率區間驗證急性腎損傷特徵風險機率320a是否符合真實結果250a。由於急性腎損傷特徵風險機率320a仍維持在罹患機率區間之內,故主處理單元300a判定急性腎損傷特徵風險機率320a符合真實結果250a。反之,倘若急性腎損傷特徵風險機率320a為75%,則主處理單元300a根據罹患機率區間驗證急性腎損傷特徵風險機率320a是否符合真實結果250a。由於急性腎損傷特徵風險機率320a超出罹患機率區間,故主處理單元300a判定急性腎損傷特徵風險機率320a未符合真實結果250a。隨後,主處理單元300a將重複執行聯邦式學習步驟S121,並利用再次聚合後的急性腎損傷預測模型510a重新檢驗待測資料211a,直到下一個急性腎損傷特徵風險機率320a符合真實結果250a為止。此外,附屬處理單元600a亦可由雲端伺服器500a下載聚合後的急性腎損傷預測模型510a,並輸入儲存於附屬記憶體700a之附屬待測資料庫710a的複數附屬待測資料711a至急性腎損傷預測模型510a而產生附屬急性腎損傷特徵風險機率620a。
藉此,透過雲端伺服器500a進行跨院合作來產生急性腎損傷預測模型510a,使得聚合後的急性腎損傷預測模型510a不只侷限在單一醫療院所才能使用。此外,於其他實施例中,附屬處理單元的數量可為複數個,且本新型不以附屬處理單元的數量為限。
由上述實施方式可知,本新型具有下列優點:其一,利用急性腎損傷特徵風險機率與醫療處置資料來達到早期預測診斷與治療,並降低受測者對於急性腎損傷的發生率。同時地,抑制或縮短病程與加速腎功能恢復而減少死亡率,以提升整體重症醫療品質,並可以分擔臨床工作壓力,減輕醫療人員的負荷。其二,透過資料前處理來於特徵窗口區間中擷取符合急性腎損傷特徵的生理資料以訓練出急性腎損傷預測模型,進而克服早期的電子健康紀錄的數據缺失問題,並提高預測待測資料於24小時後符合急性腎損傷特徵所對應之急性腎損傷特徵風險機率的準確度。其三,透過聯邦式學習的跨院合作以更新或替換急性腎損傷預測模型,使得在雲端伺服器內重新聚合的急性腎損傷預測模型不只侷限在單一醫療院所才能使用。
雖然本新型已以實施方式揭露如上,然其並非用以限定本新型,任何熟習此技藝者,在不脫離本新型之精神和範圍內,當可作各種之更動與潤飾,因此本新型之保護範圍當視後附之申請專利範圍所界定者為準。
100,100a:急性腎損傷預測系統
200,200a:主記憶體
210,210a:待測資料庫
211,211a:待測資料
220:檢測資料庫
221:檢測資料
222:急性腎損傷檢測資料群
223:非急性腎損傷檢測資料群
230,230a:機器學習演算法
240:風險機率對照表
241:低風險處置方案
2411,2421,2431:醫療處置資料
242:中風險處置方案
243:高風險處置方案
250a:真實結果
300,300a:主處理單元
310,310a,510a:急性腎損傷預測模型
311a:模型參數
320,320a:急性腎損傷特徵風險機率
330:資料順位表
400:急性腎損傷預測方法
500a:雲端伺服器
600a:附屬處理單元
610a:附屬急性腎損傷預測模型
611a:附屬模型參數
620a:附屬急性腎損傷特徵風險機率
700a:附屬記憶體
710a:附屬待測資料庫
711a:附屬待測資料
720a:附屬檢測資料庫
721a:附屬檢測資料
S01,S11:資料讀取步驟
S111:資料分類步驟
S112:資料擷取步驟
S113:資料運算步驟
S02,S12:模型訓練步驟
S121:聯邦式學習步驟
S122:模型驗證步驟
S03,S13:風險機率與順位表產生步驟
S04,S14:醫療處置資料選取步驟
T
P1,T
P2:時間區段
T
I:初始時間點
T
ST1,T
ST2:資料設定區間
T
FW1,T
FW2:特徵窗口區間
T
TP:提早預測區段
T
O:確診時間點
為讓本新型之上述和其他目的、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圖係繪示依照本新型之第一實施例的急性腎損傷預測系統的方塊示意圖;
第2圖係繪示第1圖的急性腎損傷預測系統的風險機率對照表的方塊示意圖;
第3圖係繪示依照本新型之第二實施例的急性腎損傷預測方法的流程示意圖;
第4圖係繪示第3圖的資料讀取步驟的資料分類步驟的示意圖;
第5圖係繪示第3圖的資料讀取步驟的資料擷取步驟的示意圖;
第6圖係繪示第3圖的急性腎損傷預測方法的資料順位表的示意圖;以及
第7圖係繪示依照本新型之第三實施例的急性腎損傷預測系統的方塊示意圖。
100:急性腎損傷預測系統
200:主記憶體
210:待測資料庫
211:待測資料
220:檢測資料庫
221:檢測資料
230:機器學習演算法
240:風險機率對照表
300:主處理單元
310:急性腎損傷預測模型
320:急性腎損傷特徵風險機率
330:資料順位表
S01:資料讀取步驟
S02:模型訓練步驟
S03:風險機率與順位表產生步驟
S04:醫療處置資料選取步驟
Claims (7)
- 一種急性腎損傷預測系統,用以預測複數待測資料符合一急性腎損傷特徵所對應之一急性腎損傷特徵風險機率,且該急性腎損傷預測系統包含: 一主記憶體,儲存該些待測資料、複數檢測資料、一機器學習演算法及一風險機率對照表,其中該風險機率對照表包含複數醫療處置資料;以及 一主處理單元,連接該主記憶體並經配置以實施包含以下步驟: 一資料讀取步驟,係讀取該些待測資料、該些檢測資料、該機器學習演算法及該風險機率對照表; 一模型訓練步驟,係依據該機器學習演算法訓練該些檢測資料而產生一急性腎損傷預測模型; 一風險機率與順位表產生步驟,係輸入該些待測資料至該急性腎損傷預測模型而產生該急性腎損傷特徵風險機率與一資料順位表,其中該資料順位表依據各該待測資料於該急性腎損傷特徵中所佔之一影響比重而依序列出該些待測資料;及 一醫療處置資料選取步驟,係依據該急性腎損傷特徵風險機率從該風險機率對照表選取其中一該醫療處置資料。
- 如請求項1所述之急性腎損傷預測系統,其中該資料讀取步驟包含: 一資料分類步驟,係驅動該主處理單元依據一急性腎損傷標準將該些檢測資料分類為一急性腎損傷檢測資料群與一非急性腎損傷檢測資料群; 其中,該急性腎損傷檢測資料群包含複數生理資料、複數用藥資料及複數血液檢驗資料。
- 如請求項2所述之急性腎損傷預測系統,其中各該生理資料具有一時間戳,且該資料讀取步驟更包含: 一資料擷取步驟,係驅動該主處理單元擷取複數該時間戳位於一特徵窗口區間的該些生理資料;及 一資料運算步驟,係驅動該主處理單元運算該些時間戳位於該特徵窗口區間的該些生理資料而產生一平均值與一變異值; 其中,於該模型訓練步驟中該主處理單元依據該機器學習演算法訓練該平均值、該變異值、該些用藥資料、該些血液檢驗資料及該非急性腎損傷檢測資料群而產生該急性腎損傷預測模型。
- 如請求項2所述之急性腎損傷預測系統,其中各該生理資料包含一體溫、一呼吸率、一脈搏率、一脈搏壓、一收縮壓、一舒張壓及一血氧飽和度。
- 如請求項2所述之急性腎損傷預測系統,其中各該血液檢驗資料包含一白血球計數、一中性粒細胞計數、一血紅素、一血小板計數、一血中尿素氮、一白蛋白、一總膽紅素、一動脈血液氣體酸鹼值及一葡萄糖。
- 如請求項1所述之急性腎損傷預測系統,其中該機器學習演算法為一極限梯度提升演算法、一隨機森林演算法、一類神經網路演算法及一邏輯式迴歸之一者。
- 如請求項1所述之急性腎損傷預測系統,更包含: 一雲端伺服器,連接該主處理單元,其中該主處理單元上傳該急性腎損傷預測模型之一模型參數至該雲端伺服器; 一附屬記憶體,儲存複數附屬檢測資料及複數附屬待測資料;及 一附屬處理單元,連接該雲端伺服器與該附屬記憶體,並由該雲端伺服器下載該模型參數,其中該附屬處理單元依據該機器學習演算法訓練該模型參數及該些附屬檢測資料而產生一附屬急性腎損傷預測模型,並上傳該附屬急性腎損傷預測模型之一附屬模型參數至該雲端伺服器,且該雲端伺服器聚合該模型參數與該附屬模型參數而建立另一急性腎損傷預測模型; 其中,該主處理單元由該雲端伺服器下載另一該急性腎損傷預測模型,並輸入該些待測資料至另一該急性腎損傷預測模型而產生另一急性腎損傷特徵風險機率,該主處理單元驗證另一該急性腎損傷特徵風險機率是否符合一真實結果; 其中,當另一該急性腎損傷特徵風險機率未符合該真實結果時,該雲端伺服器重新聚合該模型參數與該附屬模型參數以更新另一該急性腎損傷預測模型,直到另一該急性腎損傷特徵風險機率符合該真實結果為止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111205474U TWM631259U (zh) | 2022-05-25 | 2022-05-25 | 急性腎損傷預測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111205474U TWM631259U (zh) | 2022-05-25 | 2022-05-25 | 急性腎損傷預測系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM631259U true TWM631259U (zh) | 2022-08-21 |
Family
ID=83783541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111205474U TWM631259U (zh) | 2022-05-25 | 2022-05-25 | 急性腎損傷預測系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM631259U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI816632B (zh) * | 2023-02-20 | 2023-09-21 | 美商醫守科技股份有限公司 | 臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體 |
-
2022
- 2022-05-25 TW TW111205474U patent/TWM631259U/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI816632B (zh) * | 2023-02-20 | 2023-09-21 | 美商醫守科技股份有限公司 | 臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Viloria et al. | Diabetes diagnostic prediction using vector support machines | |
TWI796228B (zh) | 急性腎損傷預測系統及其方法 | |
Ambekar et al. | Disease risk prediction by using convolutional neural network | |
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
Alkhasawneh | Hybrid cascade forward neural network with Elman neural network for disease prediction | |
US20210153776A1 (en) | Method and device for sizing an interatrial aperture | |
TWM631259U (zh) | 急性腎損傷預測系統 | |
Reddy et al. | Evaluation of deep belief network to predict hospital readmission of diabetic patients | |
Pandiaraj et al. | Effective heart disease prediction using hybridmachine learning | |
KR20210112041A (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
Padmapritha | Prediction of Blood Glucose Level by using an LSTM based Recurrent Neural networks | |
Srimedha et al. | A comprehensive machine learning based pipeline for an accurate early prediction of sepsis in ICU | |
CN116564511A (zh) | 一种慢性病健康状态预测方法、装置及设备 | |
US20090138252A1 (en) | Method and system of evaluating disease severity | |
WO2021012203A1 (zh) | 基于围术期危险预警的多模型互补增强机器学习平台 | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
Choudhary et al. | Prediction of cardiovascular disease using data mining technique | |
D’Silva et al. | Prediction of Hypertension using Machine Learning | |
Herazo-Beltrán et al. | Diabetes diagnostic prediction using vector support machines | |
TWI834520B (zh) | 用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 | |
TWI803893B (zh) | 敗血症之人工智慧輔助醫療診斷方法及其系統 | |
Kumar et al. | Medical image classification algorithm based on weight initialization-sliding window fusion convolutional neural network | |
Ghavidel et al. | Predicting the Need for Cardiovascular Surgery: A Comparative Study of Machine Learning Models | |
KR102511516B1 (ko) | 인공지능을 이용한 ct 조영제 유발 신독성 예측 장치 및 그 방법 | |
CN117112729B (zh) | 基于人工智能的医疗资源对接方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4K | Issue of patent certificate for granted utility model filed before june 30, 2004 |