【技术实现步骤摘要】
用于预测全身炎症反应综合征发展的模型构建方法及系统
本专利技术涉及疾病发展风险预测模型构建分析技术与人工智能技术,尤其涉及一种用于预测全身炎症反应综合征发展的模型构建方法及系统。
技术介绍
全身炎症反应综合征(systemicinflammatoryresponsesyndrome,SIRS)是由感染或非感染因素引起的一种过度的全身性炎症反应,过度的炎症因子继而转向攻击自身的组织和细胞,从而导致多器官功能衰竭。全身炎症反应综合征的发展变化迅速,目前对于全身炎症反应综合征重症患者的治疗手段却相对有限,是造成该疾病死亡率居高不下的一个重要原因。因此,建立一种有效的疾病预后分析预测模型及系统,为疾病预后发展提供精确评价辅助,对于降低该病死亡率有着十分重要的意义。现有对SIRS发展预测分析主要采用NEWS、QSOF、SIRS等评分标准进行,而这些评分所使用的数据主要是体温、呼吸频率、心率、血压、意识状态、氧饱和度等一些表层数据,缺乏对病理生理因子的充分考虑,难以实现对SIRS疾病发展的精准预测。存在这一问题的原因主要有两点:其一是临床表征因子数据所提供的信息有限,在没有病理生理因子数据支撑的情况下,很难对疾病预后进行准确判断;其二,临床表征因子和病理生理因子众多且组合关系复杂,其复杂度已经远远超出医务人员个人经验和人工分析能力。总之,在缺乏作为主导疾病发生、发展与转归的病理生理因子支撑下,单一依靠表征因子的传统疾病发展预测方法,难以实现对疾病发展的精准预测。利用大数据、人工智能等信息前沿技术,将疾病的临床表征因子与病 ...
【技术保护点】
1.一种用于预测全身炎症反应综合征发展的分析模型构建方法,包括以下步骤:/nS1.构建全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集;/n全期时序数据集包括全期时序性临床表征数据集、全期时序性病理生理因子数据集;/n数据集构建过程包括采用数据预处理方法,并形成临床表征因子矩阵和生理病理矩阵,以及构建模型所需的训练数据集和测试数据集;/nS2.基于深度学习方法,建立全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型;包括如下步骤:/nS21输入矩阵包括临床表征因子矩阵和病理生理因子矩阵,输出矩阵为疾病预后发展状态矩阵;/nS22利用密集连接卷积神经网络提取临床表征因子、病理生理因子、疾病预后发展状态特征值;/nS23利用多层感知机拼合临床表征因子和病理生理因子的特征值,推理得到疾病预后发展状态值;/nS24采用随机梯度下降法计算疾病预后发展状态推理值与真实值之间的平均损失,调整密集连接卷积神经网络和多层感知机的参数,使得平均损失最小;/nS3.集成全期时序数据集和关联关系模型,构建全身炎症反应综合征的疾病发展预测系统,实现对新增病例的预后发展 ...
【技术特征摘要】
1.一种用于预测全身炎症反应综合征发展的分析模型构建方法,包括以下步骤:
S1.构建全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集;
全期时序数据集包括全期时序性临床表征数据集、全期时序性病理生理因子数据集;
数据集构建过程包括采用数据预处理方法,并形成临床表征因子矩阵和生理病理矩阵,以及构建模型所需的训练数据集和测试数据集;
S2.基于深度学习方法,建立全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型;包括如下步骤:
S21输入矩阵包括临床表征因子矩阵和病理生理因子矩阵,输出矩阵为疾病预后发展状态矩阵;
S22利用密集连接卷积神经网络提取临床表征因子、病理生理因子、疾病预后发展状态特征值;
S23利用多层感知机拼合临床表征因子和病理生理因子的特征值,推理得到疾病预后发展状态值;
S24采用随机梯度下降法计算疾病预后发展状态推理值与真实值之间的平均损失,调整密集连接卷积神经网络和多层感知机的参数,使得平均损失最小;
S3.集成全期时序数据集和关联关系模型,构建全身炎症反应综合征的疾病发展预测系统,实现对新增病例的预后发展评价,同时将新增病例补充到数据集中,对预测模型进行持续迭代和优化,提高模型预测的准确性。
2.如权利要求1所述用于预测全身炎症反应综合征发展的分析模型构建方法,其特征是:
全期时序性临床表征数据集包括各种病因、各种发展阶段、个体不同治疗方案下的全身炎症反应综合征患者性别、年龄、现病史、既往史、家族史、个人史、症状、体征、体格检查信息的一般临床病历资料;
全期时序性病理生理因子数据集包括各种病因、各种发展阶段、个体不同治疗方案下的全身炎症反应综合征患者一般实验室检测、生物学检测、细胞学检测、病原学检测、基因检测结果数据;
数据集构建过程的预处理方法包括数据清理、数据集成、数据规约、数据变换方法。
3.如权利要求1所述用于预测全身炎症反应综合征发展的分析模型构建方法,其特征是,步骤S2中:
疾病预后发展状态包括痊愈、全身感染或脓毒症、败血症综合征、早期败血症休克、难治性败血症休克、MODS发生肝肾脑等器官功能障碍中的任一组合或死亡。
4.如权利要求1所述用于预测全身炎症反应综合征发展的分析模型构建方法,其特征是,具体包括数据库构建阶段、数据预处理阶段、模型构建阶段、系统建立阶段、系统应用与模型优化阶段。
5.如权利要求4所述用于预测全身炎症反应综合征发展的分析模型构建方法,其特征是,数据库构建阶段具体步骤包括获取患者病例源、数据提取、临床表征数据库和病理生理数据库构建、数据分装;
全身炎症反应综合征患者病例源包括:新型冠状病毒COVID-19、流感病毒、MERS病毒、人类间质性肺炎病毒临床记录结果数据;
数据提取具体通过数据字段匹配、格式转换、数据填充方法,根据原始数据形成临床表征因子记录和病理生理因子记录;
临床表征数据库和病理生理数据库构建:首先根据临床表征因子和病理生理因子确定数据表及表中每个字段的类型及约束,而后建立表与表之间的关系,建立数据库的存储、备份、查询、数据一致性约束操作,最后把提取出的临床表征因子和病理生理因子数据存入相应数据库中;
数据分装具体根据数据集的时序性,将临床表征数据库和病理生理数据库中的集中存储的数据,按照单个病理时序要求以及多病例阶段发展情况,将数据进行分拆和重新组装。
6.如权利要求4所述用于预测全身炎症反应综合征发展的分析模型构建方法,其特征是,对预处理阶段得到的临床表征因子数据,按...
【专利技术属性】
技术研发人员:刘小红,
申请(专利权)人:桥恩北京生物科技有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。