一种基于多算法融合的压力性损伤风险预测装置及方法制造方法及图纸

本发明专利技术涉及一种基于多算法融合的压力性损伤风险预测装置及方法，装置包括处理单元，处理单元配置为执行如下步骤：获取可分析病历数据，并基于显著风险变量对可分析病历数据进行重新分配，从而生成针对特定目标人群的第一分类训练集；利用随机森林模型对第一分类训练集进行回归建模，从而生成关于该第一分类训练集的第一压力性损伤风险预测模型；对第一压力性损伤风险预测模型进行分类得到表征第一压力性损伤风险预测模型特征的第二类风险变量以及第二权值，并基于第二类风险变量将多个第一压力性损伤风险预测模型结合从而生成第二压力性损伤风险预测模型；利用第二压力性损伤风险预测模型进行压力性损伤风险预测。风险预测模型进行压力性损伤风险预测。风险预测模型进行压力性损伤风险预测。

【技术实现步骤摘要】
一种基于多算法融合的压力性损伤风险预测装置及方法


[0001]本专利技术涉及医疗数据处理
，具体涉及一种基于多算法融合的压力性损伤风险预测装置及方法。

技术介绍

[0002]压力性损伤(Pressure Injury，PI)是发生在皮肤或潜在皮下软组织的局限性损伤，通常发生在骨突处或与医疗器械设备接触的位置。压力性损伤会对患者的心理和身体产生不良影响，也会增加患者的住院时间、并发症发生率和死亡率。
[0003]目前关于压力性损伤的研究主要聚焦于损伤的发展机理、损伤特征分析、损伤患者特征研究及护理措施，大多数研究是对历史病历的统计分析和客观描述，缺乏对损伤的预测研究。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]目前，临床医学中利用多因素回归分析构建压力性损伤风险预测模型进行压力性损伤风险预测。例如，文献[1]李清,苏强,林英,等.基于机器学习的住院患者压力性损伤分析与预测[J].同济大学学报(自然科学版),2020(10).公开利用支持向量机、概率神经网络和广义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多算法融合的压力性损伤风险预测装置，用于对医疗机构获得性压力损伤风险进行预测，其特征在于，包括处理单元(100)，其中，处理单元(100)配置为执行如下步骤：获取可分析病历数据，并基于显著风险变量对可分析病历数据进行重新分配，从而生成针对特定目标人群的第一分类训练集；利用随机森林模型对第一分类训练集进行回归建模，从而生成关于该第一分类训练集的第一压力性损伤风险预测模型；对第一压力性损伤风险预测模型进行分类得到表征第一压力性损伤风险预测模型特征的第二类风险变量以及第二权值，并基于第二类风险变量将多个第一压力性损伤风险预测模型结合从而生成第二压力性损伤风险预测模型；利用第二压力性损伤风险预测模型进行压力性损伤风险预测。2.根据权利要求1所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：利用随机森林模型对第一分类训练集内的病历数据进行分类从而获取关于该第一分类训练集的第一类风险变量；基于随机森林模型对第一分类训练集和对应该第一分类训练集的第一类风险变量进行回归以获取表征多个第一类风险变量之间相互关系的第一权值；基于第一权值对第一分类训练集进行划分形成多个第二分类训练集，并采用随机森林模型对多个第二分类训练集进行建模以生成多个第一压力性损伤风险预测模型。3.根据权利要求1或2任一所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：以第一类风险变量为自变量，并且以第一类风险变量之间的是否关联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类风险变量之间的关联程度；基于关联程度对第一分类训练集进行划分从而生成第二分类训练集。4.根据前述权利要求任一所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：基于每个第一类风险变量之间的关联程度构建相互关系表；获取第一权值小于第一阈值的第一类风险变量对；基于相互关系表计算该第一类风险变量对所包括的第一类风险变量的数量。5.根据前述权利要求任一所述的压力性损伤风险预测装置，其特征在于，处理单元(100)配置为：若相同的第一类风险变量的数量超过第二阈值，则寻找下一对第一权值小于第二阈值的第一类风险变量对；若相同的第一类风险变量的数量小于等于第二阈值，则选择该第一类风险变...

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