一种重大危机及死亡风险预测方法技术

本发明专利技术公开了一种重大危机及死亡风险预测方法，根据患者在接下来24小时内的状态来定义患者目标状态；对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间变成结构化的时间序列数据；对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；对基本变量和获得的衍生变量进行合并，整理成标准的输入数据集；将输入数据集输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。为患者制定个性化治疗方案。为患者制定个性化治疗方案。

【技术实现步骤摘要】
一种重大危机及死亡风险预测方法


[0001]本专利技术涉及重症监护
，特别涉及一种重大危机及死亡风险预测方法。

技术介绍

[0002]重症监护病房（ICU）内收治各种病情危重的患者，是医院患者死亡率最高的科室。不同的患者往往需要重点不同的监护治疗，医生需要根据患者病情的变化情况，决定患者的治疗方案。一个患者进入ICU会产生大量的数据信息，而在ICU，医生需要同时监护多个重症患者，加上现有监护仪的无效报警率，医生在面对大量临床数据时，可能无法及时有效的获知每个患者病情的潜在风险变化。若能在重症患者病情变化之时，针对有高危风险的患者提前给医生以预警，医生可对高风险患者重点关注，实现及时有效的救治，帮助重症患者及早脱离生命危险，改善预后提高ICU治愈率。
[0003]重症监护病房（ICU）患者生死预测一直都是医学界的研究热点和难点。目前的医院信息系统在设计的时候，主要考虑的是满足医院的收费和管理需求，没有考虑到数据再利用的问题。以及，医院的各种数据一般存放在不同的系统中，并且采集频次也不一样，导致海量的医疗临床数据没有得到有效地利用。这也对临床工作人员进行数据分析研究带来了很大的困扰，由于缺少有效的方法对医学实践中产生的大量数据进行有效挖掘，数据中一些关键信息没有被关注到，没有发挥出其在临床上应有的价值。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的在于提供一种重大危机及死亡风险预测方法，运用机器学习算法充分利用患者临床数据，提取患者数据中有价值的关键信息，预测患者病情动态变化趋势，实现对ICU重症患者的智能监护，给医生的临床决策提供循证依据。
[0005]预测ICU患者的死亡风险，即为评估患者在未来某一段时间内面临死亡，或者发生需要抢救（比如电除颤，心外按压，肾上腺素使用等）的重大危重事件的风险。
[0006]面对ICU数据质量高、数据密度大，但数据结构不统一、数据利用率低的特点，以及当前一些急重症患者评分模型的局限性，本专利技术采用数据挖掘技术充分利用患者生命体征、呼吸支持、血气、实验室检验值等等各类能反映患者病情状态的临床数据，即时监控患者状态并预测患者病情动态变化趋势，实现对ICU重症患者的智能监护，给医生的临床决策提供循证依据。不仅可以帮助临床医生对危重患者的病情做出正确评价，以便及时采取适当的治疗措施并评价治疗效果，还能实现ICU医疗资源的充分利用，提高ICU的周转和使用率，从而提高医疗质量，推动危重症医学的发展。
[0007]本专利技术的上述技术目的是通过以下技术方案得以实现的：一种重大危机及死亡风险预测方法，包括以下步骤：步骤1：从医院的His，Lis，EMR系统里获取多维度数据；步骤2：根据患者在接下来24小时内的状态来定义患者目标状态，死亡风险预测的目标
状态不仅是指患者的死亡还有患者可能会发生需要抢救的重大危重事件，重大危重事件包括电除颤、心外按压、肾上腺素使用等；步骤3：对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据；步骤4：对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；步骤5：对基本变量和获得的衍生的变量进行合并，整理成标准的输入数据集；步骤6：对标准的输入数据集，将其输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；步骤7：对当前的死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；步骤8：针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
[0008]综上所述，本专利技术对比于现有技术的有益效果为：1、相比于现有技术变量维度都很少，大量临床数据得不到有效利用，本专利技术考虑多维度的参数变量，充分利用临床数据，挖掘其在临床决策中的价值；2、对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据，考虑到时间序列数据的变化，关注重症患者的状态变化情况。
[0009]3、本专利技术注重模型的在线学习能力，对死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；4、针对模型每次的预测，都会给出特征贡献度的解释，给医生的临床决策提供循证依据。医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
附图说明
[0010]图1为实施例的整体流程图。
具体实施方案
[0011]以下结合附图对专利技术作进一步详细说明。
[0012]一种重大危机及死亡风险预测方法，参照图1所示，包括以下步骤：步骤1：从医院的His，Lis，EMR系统里获取多维度数据；步骤2：根据患者在接下来24小时内的状态来定义患者目标状态；步骤3：对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据；步骤4：对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；步骤5：对基本变量和获得的衍生的变量进行合并，整理成标准的输入数据集；
步骤6：对标准的输入数据集，将其输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；步骤7：对当前的死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；步骤8：针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与特征贡献度的解释进行综合判断，为患者制定个性化治疗方案。
[0013]上述死亡风险预测的目标状态，不仅是指患者的死亡还有患者可能会发生需要抢救的重大危重事件，重大危重事件包括电除颤、心外按压、肾上腺素使用等。
[0014]多维度数据包括患者基本信息、生命体征数据、呼吸支持参数、血气数据、检验数据；患者基本信息包括年龄、身高、体重等，所述生命体征数据包括心率、收缩压、舒张压、体温、呼吸频率，所述呼吸支持参数包括呼吸机模式、潮气量、每分钟通气量、吸入氧浓度、呼吸末正压，所述血气数据包括PH值、二氧化碳分压、氧分压、碱剩余、乳酸、阴离子间隙，所述检验数据包括血红蛋白、白细胞、红细胞、平均红细胞体积、血小板。
[0015]以上所述仅是本专利技术的示范性实施方式，而非用于限制本专利技术的保护范围，本专利技术的保护范围由所附的权利要求确定。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种重大危机及死亡风险预测方法，其特征是，包括以下步骤：步骤1：从医院的His，Lis，EMR系统里获取多维度数据；步骤2：根据患者在接下来24小时内的状态来定义患者目标状态；步骤3：对获取的多维度临床数据进行清洗整理，并按照进入ICU的时间以每小时为频次进行排序，变成结构化的时间序列数据；步骤4：对结构化的时间序列数据，按6h，12h，24h为周期计算各个基础变量的变化值，得到时间序列数据的衍生变量；步骤5：对基本变量和获得的衍生的变量进行合并，整理成标准的输入数据集；步骤6：对标准的输入数据集，将其输入到死亡风险预测模型中，判断患者在当前状态下的死亡风险，并输出给医生；步骤7：对当前的死亡风险预测模型，定期将ICU内新增加的数据放入模型中，让模型进行再次学习，完成更新与优化；步骤8：针对模型给出的判断，提供特征贡献度的解释，给医生的临床决策提供循证依据，医生结合模型预测的患者死亡风险与...

【专利技术属性】
技术研发人员：胡江，翁利，
申请(专利权)人：杭州脉兴医疗科技有限公司，
类型：发明
国别省市：