一种评估心脏骤停的临床决策支持系统技术方案

本申请提供了一种评估心脏骤停的临床决策支持系统，包括：信息采集模块，用于实时采集患者的临床或者非临床数据；输入输出模块，用于用户提供用户接口，接收用户的指令或向用户显示内容；信息处理模块，用于根据输入输出模块的输入指令，切换信息采集模块中若干种输入单元获取患者的临床或者非临床数据；用于利用患者的电子健康记录对结构化数据进行数据清洗；用于基于遗传算法构建神经网络模型，对神经网络模型进行前瞻性队列验证；用于基于已有的院内心跳骤停训练数据训练，对实时采集的患者数据进行评估，向输入输出模块输出预警信息。该设备预警精度高，可以作为救护人员更有效和准确地执行院内心跳骤停的鉴别诊断的辅助设备。

A clinical decision support system for evaluating cardiac arrest

The application provides a clinical decision support system for evaluating cardiac arrest, including: information collection module, which is used to collect clinical or non clinical data of patients in real time; input and output module, which is used to provide user interface, receive user's instructions or display content to users; information processing module, which is used to switch information collection according to input instructions of input and output module Several input units in the module obtain the clinical or non clinical data of patients; use the electronic health records of patients to clean the structured data; use the genetic algorithm to build the neural network model, carry out prospective queue validation of the neural network model; use the existing hospital jump training data training, carry out real-time collection of patient data Line evaluation, output warning information to the I / O module. The equipment has high precision of early warning, and can be used as an auxiliary equipment for the rescue personnel to perform the differential diagnosis of hospital cardiac arrest more effectively and accurately.

【技术实现步骤摘要】
一种评估心脏骤停的临床决策支持系统
本申请涉及临床医疗辅助
，具体而言，涉及一种评估心脏骤停的临床决策支持系统。
技术介绍
目前，院内心跳骤停(in-hospitalcardiacarrest)是住院死亡的一大重要因素，极易引起医疗纠纷，加重医患矛盾。在美国住院患者信息库中，从2003到2013十年间，有超过100万的成人住院患者发生了心跳骤停，其存活率小于30％。心脏骤停是指心脏射血功能的突然终止，大动脉搏动与心音消失，重要器官(如脑)严重缺血、缺氧，导致生命终止。这种出乎意料的突然死亡，医学上又称猝死。引起心跳骤停最常见的是心室纤维颤动。若呼唤病人无回应，压迫眶上、眶下无反应，即可确定病人已处于昏迷状态。再注意观察病人胸腹部有无起伏呼吸运动。如触颈动脉和股动脉无搏动，心前区听不到心跳，可判定病人已有心跳骤停。院内心跳骤停高病死率的重要原因在于早期对病情估计不足，导致患者得不到有效的救治。因此早期预测和提前干预院内心跳骤停对患者至少有以下几个方面的积极意义。首先，早期预测评估院内心跳骤停能帮助识别高危患者，从而进行综合干预措施，以避免心跳骤停的发生。一项纳入450万住院患者的研究表明，对于院内心跳骤停高危患者采取综合干预措施能显著降低心跳骤停发生率。其次，对于不可避免发生心跳骤停的患者，早期充分准备好抢救设备和措施，有利于心跳骤停事件发生后给予及时有效的抢救。例如有研究表明，早期电除颤和肾上腺素使用能明显提高院内心跳骤停患者预后，而在国内许多医院病房，床边除颤仪和抢救药物准备并不充分，这与医生对患者病情评估预测不到位有关，如能准确预测患者发生心跳骤停的风险，事先准备好抢救药物，则能明显提高抢救的效果。第三，对于院内心跳骤停特高危患者，如果患者本身为疾病终末期(如癌症晚期、脏器衰竭终末期)，可以早期与家属进行积极沟通，减少不必要的抢救措施，减少患者痛苦及医疗资源的浪费。然而例如外伤、心脏骤停或呼吸停止的治疗，医护人员的决策速度是关键的，医护人员必须先前就争分夺秒进行临床处理。据现有的数据证实，每分钟均可能导致成活率下降10％，如为心脏骤停的情况下，医护人员如果能早期介入治疗护理，将大大减少心跳骤停发生的死亡率。本专利技术因此而来。
技术实现思路
本申请旨在提供一种临床监护设备，以解决现有技术中的问题。为了实现上述目的，根据本申请的一个方面，提供了一种临床监护设备，其特征在于，所述设备包括：信息采集模块，用于实时采集患者的临床或者非临床数据；信息处理模块，分别与信息采集模块、输入输出模块电连接，用于根据输入输出模块的输入指令，切换信息采集模块中若干种输入单元获取患者的临床或者非临床数据；将患者的临床或者非临床数据传递给信息处理模块的探测器，所述探测器识别并标记患者数据，并将患者数据映射到本地或者远程存储单元中的结构化数据；利用患者的电子健康记录对结构化数据进行数据清洗；基于遗传算法构建神经网络模型，对神经网络模型进行前瞻性队列验证；基于已有的院内心跳骤停训练数据训练，对实时采集的患者数据进行评估，向输入输出模块输出预警信息；输入输出模块，用于用户提供用户接口，接收用户的指令或向用户显示内容。所述信息处理模块识别并标记患者的临床或者非临床数据，并将患者数据映射到本地或者远程存储单元中的结构化数据按照如下步骤进行：S1)识别患者的临床或者非临床数据中的主题，构建与主题相关的临床事件；S2)对患者的临床或者非临床数据中的动态语句进行分类和句法分析，基于句法分析树进行语义模式挖掘；S3)基于标准临床文档架构模板对患者的临床或者非临床数据中的动态语句进行标注，形成语义角色的半结构化电子病历；S4)将语义角色的半结构化电子病历采用XML映射成结构化数据。假设患者的临床或者非临床数据设置有Nfeature个主题，患者的第i个主题为wi，对应的主题向量记为vectori，第i个主题的主题数目为xi，则则每个患者为Nfeature个主题的独热码的集合；则患者的第i个主题的语境为前后各j个主题组成的滑窗，则在语境中出现各个主题的对数概率定义为：logp(wi-l,…wi-1,…wi+k|wi)＝∑-l≤j≤klogp(wi+j|wt)；其中条件概率为将整个文本框滑窗应用于患者的所有临床或者非临床数据，模型训练的目标为最大化平均对数似然函数；其中d＜＜Nconcept；取n＝主题数量Nfeature/2，从Nfeature个主题中随机选择4×n个主题作为当前主题的语境，利用t-SNE非线性降维方法，对分布在向量空间中的主题向量描述降维，降维后的数据点分布在空间；将投影空间中的点绘制在二维平面上，通过散点图上医学相关的各类主题的分布及聚集情况，借助临床专家的知识，对医学主题进行趋势分析。其中，主题为患者的所有临床或者非临床数据中分离出来用来表征疾病、治疗、诊断、手术等概念的名词。这些概念可以采用现有的国际标准，如国际疾病分类ICD-10编码表示疾病概念，ICD-9-CM编码表示手术概念，解剖-治疗-化学ATC编码表示药品概念，用LONIC编码表示检验概念，用DICOM编码表示检查概念。连续型指标按照分位数或正常值范围离散化为分类型变量，所有分类型变量的每个类别为一个主题。患者的临床或者非临床数据中包含大量诊疗记录、出院小结、用药记录，检查结果等描述性自由叙述临床文本，它们提供了临床症状、治疗过程等重要但又无法包含在结构化特征中的预测院内心脏骤停的关键特征信息。但这些叙述文本既无法直接被现有的临床决策系统直接利用，也无法以一种程序化，准确且灵活的方式用于支持临床决策。总体来说，主题从非结构化的临床或者非临床数据中清洗，抽取和转换数据，为神经网络模型的构建、训练提供了神经网络模型学习所需的结构化数据集。具体的，首先结合领域专业知识，通过将语义角色的半结构化电子病历采用XML映射成结构化数据等一系列医学语言处理过程，从住院首诊记录、出院小结、病程记录、影像学和各种检查结果报告等电子病历中提取有意义的临床特征主题(体征、症状、影像学征象、药物等)，形成结构化数据子集。其次，再将从文本中提取的特征与电子病历中的原有结构化特征数据(人口统计学、实验室检验等)适当拼接，形成反映心脏骤停患者特征的完整的、多角度的原始数据集。总之，首先，通过医学语言方法，提取电子病历中叙述文本的临床主题(如，表征疾病、治疗、诊断、手术等概念的名词)；其次，再与原有结构化数据拼接，利用基于Skip-gram模型的编码器学习词和编码的向量表示，一方面获得文本间或编码间的相似语义，另一方面获得文本与编码之间的相似语义；然后，将向量化的患者主题特征集提供给后续遗传算法学习。进一步的技术方案是，所述结构化数据为本地数据库或者云端数据库。进一步的技术方案是，所述电子健康记录包括：患者人口学信息、联系方式、访问医护专业人员信息、过敏史、医疗保险信息、家族遗传病史、免疫状况、身体状况或疾病信息、服用药物清单、住院记录、手本文档来自技高网...

【技术保护点】
1.一种临床监护设备，其特征在于，所述设备包括：/n信息采集模块，用于实时采集患者的临床或者非临床数据；/n信息处理模块，分别与信息采集模块、输入输出模块电连接，用于根据输入输出模块的输入指令，切换信息采集模块中若干种输入单元获取患者的临床或者非临床数据；以及将患者的临床或者非临床数据传递给信息处理模块的探测器，所述探测器识别并标记患者数据，并将患者数据映射到本地或者远程存储单元中的结构化数据；利用患者的电子健康记录对结构化数据进行数据清洗；基于遗传算法构建神经网络模型，对神经网络模型进行前瞻性队列验证；基于已有的院内心跳骤停训练数据训练，对实时采集的患者数据进行评估，向输入输出模块输出预警信息；/n输入输出模块，用于向用户提供用户接口，接收用户的指令或向用户显示内容；/n其中，所述信息处理模块识别并标记患者的临床或者非临床数据，并将患者数据映射到本地或者远程存储单元中的结构化数据按照如下步骤进行：/nS1)识别患者的临床或者非临床数据中的主题，构建与主题相关的临床事件；/nS2)对患者的临床或者非临床数据中的动态语句进行分类和句法分析，基于句法分析树进行语义模式挖掘；/nS3)基于标准临床文档架构模板对患者的临床或者非临床数据中的动态语句进行标注，形成语义角色的半结构化电子病历；/nS4)将语义角色的半结构化电子病历采用XML映射成结构化数据；/n假设患者的临床或者非临床数据设置有N...

【技术特征摘要】
1.一种临床监护设备，其特征在于，所述设备包括：
信息采集模块，用于实时采集患者的临床或者非临床数据；
信息处理模块，分别与信息采集模块、输入输出模块电连接，用于根据输入输出模块的输入指令，切换信息采集模块中若干种输入单元获取患者的临床或者非临床数据；以及将患者的临床或者非临床数据传递给信息处理模块的探测器，所述探测器识别并标记患者数据，并将患者数据映射到本地或者远程存储单元中的结构化数据；利用患者的电子健康记录对结构化数据进行数据清洗；基于遗传算法构建神经网络模型，对神经网络模型进行前瞻性队列验证；基于已有的院内心跳骤停训练数据训练，对实时采集的患者数据进行评估，向输入输出模块输出预警信息；
输入输出模块，用于向用户提供用户接口，接收用户的指令或向用户显示内容；
其中，所述信息处理模块识别并标记患者的临床或者非临床数据，并将患者数据映射到本地或者远程存储单元中的结构化数据按照如下步骤进行：
S1)识别患者的临床或者非临床数据中的主题，构建与主题相关的临床事件；
S2)对患者的临床或者非临床数据中的动态语句进行分类和句法分析，基于句法分析树进行语义模式挖掘；
S3)基于标准临床文档架构模板对患者的临床或者非临床数据中的动态语句进行标注，形成语义角色的半结构化电子病历；
S4)将语义角色的半结构化电子病历采用XML映射成结构化数据；
假设患者的临床或者非临床数据设置有Nfeature个主题，患者的第i个主题为wi，对应的主题向量记为vectori，第i个主题的主题数目为xi，则则每个患者为Nfeature个主题的独热码的集合；
则患者的第i个主题的语境为前后各j个主题组成的滑窗，则在语境中出现各个主题的对数概率定义为：
logp(wi-l，...wi-1，...wi+k|wi)＝∑-l≤j≤klogp(wi+j|wt)；
其中条件概率为



将整个文本框滑窗应用于患者的所有临床或者非临床数据，模型训练的目标为最大化平均对数似然函数；其中d＜＜Nconcept；
取n＝主题数量Nfeature/2，从Nfeature个主题中随机选择4×n个主题作为当前主题的语境，利用t...

【专利技术属性】
技术研发人员：梁俊，
申请(专利权)人：梁俊，
类型：发明
国别省市：江苏;32