一种构建压力性损伤风险预测模型的装置及方法制造方法及图纸

本发明专利技术涉及一种构建压力性损伤风险预测模型的装置和方法，装置包括处理模块，处理模块配置为：对病历数据进行筛选获取第一病历数据；基于随机森林模型对第一病历数据进行分类以获取造成压力性损伤的多个第一风险变量；基于多元逻辑回归模型对第一病历数据中的多个第一风险变量进行回归以获取多个第一风险变量之间的关于递进关系的第一权值；基于第一权值对第一病历数据进行划分形成多个第二病历数据，并采用随机森林模型对多个第二病历数据进行建模以生成多个第一风险预测模型。进行建模以生成多个第一风险预测模型。进行建模以生成多个第一风险预测模型。

【技术实现步骤摘要】
一种构建压力性损伤风险预测模型的装置及方法


[0001]本专利技术涉及医疗数据处理
，具体涉及一种构建压力性损伤风险预测模型的装置及方法。

技术介绍

[0002]压力性损伤是指皮肤或皮下软组织局部损伤，通常位于骨突处或与医源性设备有关。此损伤病灶可能是完整的皮肤或开放性伤口，也可能伴随有疼痛感。损伤的发生来自于强烈和/或长期的压力或压力合并剪切力。软组织对于压力及剪切力的耐受力也可能受到微气候(Microclimate)、营养、组织灌流、合并症及软组织的状况影响。压力性损伤严重影响患者的生活质量，而且延长住院时间、加重病情、增加家庭和社会经济负担，消耗大量医疗资源，甚至导致患者死亡。因此，预防压力性损伤是最经济有效的手段已成为全球共识。
[0003]风险预测是压力性损伤预防的首要措施，风险预测结果的准确与否将直接影响预防措施的选择和预防效果。
[0004]例如，公开号为CN111195180A的专利文献针对Braden估表无法预测大部分个体压力性损伤的问题，提供用于确定目标压力性损伤评分并基于其更改治疗计划的系统。该系统包括耦接到人员支撑装置的多个传感器，人员支撑装置配置为在人员支撑的支撑表面上支撑人；至少一个湿度传感器，配置为感测人与支撑表面之间的湿度水平；以及至少一个计算设备，该至少一个计算设备耦接到与人员支撑装置耦接的多个传感器和至少一个湿度传感器。至少一个计算设备包括处理器和存储计算机可读和可执行指令的存储器，计算机可读和可执行指令在由处理器执行时促使计算设备从耦接到人员支撑装置的多个传感器和至少一个湿度传感器接收数据，从与人员支撑装置支撑的人相关的电子病历中获取数据，基于来自多个传感器、湿度传感器以及电子病历的数据，计算指示了人发生压力性损伤的可能性的压力性损伤评分，以及根据计算出的压力性损伤评分为该人更改治疗计划。具体地，该压力性损伤评分指示了该人发生压力性损伤的可能性，通过基于人员支撑装置的头部角度、人的活动性、湿度、人的年龄以及人的性别来调节设施的基线损伤评分，以计算压力性损伤评分；以及根据计算出的压力性损伤评分更改该人的治疗计划。压力性损伤评分可以使用非线性回归模型，该非线性回归模型将发生压力性损伤的可能性限制在0和1之间，以确定该人是否可能发生压力性损伤。而且，可以通过从各种传感器接收的数据进行加权来修改基线压力性损伤值。因素的权重可以例如取决于所接收的数据量以及所采用的特定非线性回归。可以设想，只要模型将概率限制在0和1之间，则可以采用任何合适的非线性回归来计算压力性损伤评分。尽管该文献利用非线性回归模型对压力性损伤的可能性进行评估，但是采用非线性回归进行压力性损伤预测和进行基线压力性损伤评分修改存在以下问题：
[0005]1、非线性回归无法解决压力性损伤风险模型面临的多元共性问题；
[0006]2、当危险因素与压力性损伤发生风险之间的线性关系不成立，或者多个危险因素之间存在交互作用时，非线性回归会忽略自变量(危险因素)之间的复杂关系。
[0007]以上问题的存在使得该专利文献公开的技术方案无法准确预测压力性损伤的发生，而且评估压力性损伤风险的能力和稳定性存疑，不确定能否适应其他人群，也不确定其识别真正存在压力性损伤风险和真正无风险患者的能力。
[0008]此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于专利技术人做出本专利技术时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本专利技术不具备这些现有技术的特征，相反本专利技术已经具备现有技术的所有特征，而且申请人保留在
技术介绍
中增加相关现有技术之权利。

技术实现思路

[0009]针对现有技术之不足，本专利技术提供一种构建压力性损伤风险预测模型的装置，包括处理模块。处理模块配置为：
[0010]对病历数据进行筛选获取第一病历数据；
[0011]基于随机森林模型对第一病历数据进行分类以获取造成压力性损伤的多个第一风险变量；
[0012]基于多元逻辑回归模型对第一病历数据中的多个第一风险变量进行回归以获取多个第一风险变量之间的关于递进关系的第一权值；
[0013]基于第一权值对第一病历数据进行划分形成多个第二病历数据，并采用随机森林模型对多个第二病历数据进行建模以生成多个第一风险预测模型。采用非线性回归进行压力性损伤预测和进行基线压力性损伤评分修改存在以下问题：
[0014]1、非线性回归无法解决压力性损伤风险模型面临的多元共性问题；
[0015]2、当风险变量与压力性损伤发生风险之间的线性关系不成立，或者多个风险变量之间存在交互作用时，非线性回归会忽略风险变量之间的复杂关系。因此为解决风险变量存在的多元共性和交互作用导致使用非线性回归无法准确筛选出真正有效的风险变量的问题，可以采用随机森林模型对病历数据进行回归预测。然而随机森林模型在解决回归预测问题时，无法给出连续型的输出。这是因为随机森林模型一般采用平均法、投票法和学习法输出结果。平均法一般用于回归预测问题，采用每棵决策树的平均值得到最终预测输出，其得到的均是离散型数值。投票法和学习法同样输出的是数值，因此当进行回归预测时，随机森林模型不能做出超越训练集数据范围的预测，进而导致当病历数据存在特定噪声时，使用随机森林模型进行建模会出现过度拟合现象。因此本专利技术采用随机森林模型对多病历数据进行分类，进而能够全面地筛选出与压力性损伤有关的风险变量，即第一风险变量。然后基于多元逻辑回归模型对筛选得到的第一风险变量进行建模，从而得到第一风险变量之间的递进关系，进而本专利技术可以根据第一风险变量之间的递进关系进行筛选得到第一风险变量中相对孤立的变量，并以此孤立的变量对第一病历数据进行分类得到第二病历数据。通过该设置方式，达到的有益效果是：
[0016]通过第一权值对第一病历数据进行分类得到的第二病历数据相当于把第一病历数据中特定噪声的数据进行分类，把相同的特定噪声的数据分到同一组后进行随机森林模型建模，能够显著地减少噪声带来的影响，进而避免过度拟合现象的出现，使得构建的风险预测模型能够泛化应用至新的病历数据中。
[0017]根据一种优选实施方式，处理模块配置为：在多个第一风险预测模型进行分类生
成多个第二风险变量的情况下，通过多个第一风险预测模型交叉验证以调整其第二风险变量的个数和表示发生压力性损伤关联程度的第二权值。
[0018]根据一种优选实施方式，处理模块配置为按照如下方式对病历数据进行筛选：
[0019]检索病历数据中入院时的疾病状况，对入院时发生压力性损伤的病历数据进行排除；
[0020]获取入院时未发生压力性损伤的病历数据中发生压力性损伤的第一时间信息；
[0021]排除第一时间信息小于第一阈值的入院时未发生压力性损伤的病历数据，从而得到第一病历数据。
[0022]根据一种优选实施方式，处理模块配置为按照如下方式构建数据库：
[0023]对病历数据进行模块分类并针对每个模块分配第一键值对；
[0024]基于第一键值对构建第一哈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建压力性损伤风险预测模型的装置，其特征在于，包括处理模块(100)，处理模块(100)配置为：对病历数据进行筛选获取第一病历数据；基于随机森林模型对第一病历数据进行分类以获取造成压力性损伤的多个第一风险变量；基于多元逻辑回归模型对第一病历数据中的多个第一风险变量进行回归以获取多个第一风险变量之间的关于递进关系的第一权值；基于第一权值对第一病历数据进行划分形成多个第二病历数据，并采用随机森林模型对多个第二病历数据进行建模以生成多个第一风险预测模型。2.根据权利要求1所述的装置，其特征在于，处理模块(100)配置为：在多个第一风险预测模型进行分类生成多个第二风险变量的情况下，通过多个第一风险预测模型交叉验证以调整其第二风险变量的个数和表示发生压力性损伤关联程度的第二权值。3.根据权利要求1或2任一所述的装置，其特征在于，处理模块(100)配置为按照如下方式对病历数据进行筛选：检索病历数据中入院时的疾病状况，对入院时发生压力性损伤的病历数据进行排除；获取入院时未发生压力性损伤的病历数据中发生压力性损伤的第一时间信息；排除第一时间信息小于第一阈值的入院时未发生压力性损伤的病历数据，从而得到第一病历数据。4.根据前述权利要求任一所述的装置，其特征在于，处理模块(100)配置为按照如下方式构建数据库：对病历数据进行模块分类并针对每个模块分配第一键值对；基于第一键值对构建第一哈希表；对模块内的内容分配第二键值对；基于第二键值对构建第二哈希表。5.根据前述权利要求任一所述的装置，其特征在于，处理模块(100)配置为：以第一病历数据中第一风险变量为自变量且第一风险变量之间的是否递进为因变量建立多元逻辑回归模型；基于多元逻辑回归模型获取多个第一风险变量之间的递进关系。6.根据前述权利要求任一所述的...

【专利技术属性】
技术研发人员：韩琳，张红燕，苏茜，蒋梦瑶，
申请(专利权)人：甘肃省人民医院，
类型：发明
国别省市：