基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质制造方法及图纸

本申请提供基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质，旨在利用医院电子病历信息库，结合机器学习的方法，建立静脉血栓栓塞症(VTE)的机器学习模型，并将模型嵌入医生工作站的临床辅助决策系统(CDSS)，对住院患者实施实时监控，早期识别院内静脉血栓栓塞症患者，以给予临床医生更多的临床诊疗支持。因此本发明专利技术将模型部署到临床场景中进行实际应用，以帮助医生快速定位VTE高危人群以进一步诊断住院患者的静脉血栓栓塞症，提升医护人员对院内VTE的筛查、诊断效率，降低住院患者因VTE漏诊导致的不良预后。本系统在回顾性资料中被临床医生评估为对临床有帮助价值，具体体现为其住院期间实时持续运行，对VTE的筛查效率为敏感度80.6％，特异度83.6％。特异度83.6％。特异度83.6％。

【技术实现步骤摘要】
基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质


[0001]本申请涉及人工智能
，特别是涉及基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质。

技术介绍

[0002]深静脉血栓(DVT)是血液在深静脉内不正常凝结，常发生于下肢。PE是内源性或外源性栓子堵塞肺动脉而引起的严重肺循环障碍综合征。PTE是PE最常见的一种类型，导致PE的栓子99％是血栓性的。因此，临床上所说的PE即指PTE。DVT脱落入肺形成PE，是PE主要原因。PE与DVT发病机制上有因果关系且治疗方法相似，故DVT和PE统称为VTE。VTE的发生率是第三大常见血管疾病。
[0003]DVT的疾病特性：发病率高、病程隐匿、后果严重。发病率高体现在住院各科都有较高发病率，内科5％～15％，骨科3％～40％，普外科10％～40％，妇科9.2％～15.6％。DVT临床症状常不典型，易漏诊。PTE发病急，病死率高，来不及诊断便忙于抢救。因此临床漏诊情况普遍，这些特点导致VTE的临床流行病学研究结果可能被低估。VTE会降低患者的生活质量，包括：血栓后综合征PTS，静脉瓣不可逆损伤，复发VTE。PTE导致严重呼吸、循环障碍，不经治疗病死率25～30％。美国5万人/年，英国2.5万人/年，死于PTE，排全疾病死亡原因第三位。
[0004]早预防、早筛查可显著降低VTE导致的死亡事件，中华医学会外科学分会血管外科学组于2017年更新了《2017深静脉血栓形成的诊断和治疗指南第三版》。医疗机构应实施“医院内静脉血栓栓塞症防治体系与能力建设”，并把VTE预防作为评价医院是否先进的指标之一。当前DVT的筛查(指南推荐wells量表+D二聚体)操作性稍有繁琐，并且仍有漏诊风险(若严格执行，仍敏感度70％～85％，至少漏诊20％深静脉栓塞患者)。
[0005]申请内容
[0006]鉴于以上所述现有技术的缺点，本申请的目的在于提供基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质，用于解决现有技术中的问题。
[0007]为实现上述目的及其他相关目的，本申请的第一方面提供一种基于人工智能的静脉血栓栓塞症预测方法，包括：构建住院患者静脉血栓栓塞症数据集，据以构建基于人工智能的静脉血栓栓塞症预测模型；训练所述基于人工智能的静脉血栓栓塞症预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型；将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果。
[0008]于本申请的第一方面的一些实施例中，所述基于人工智能的静脉血栓栓塞症预测模型的构建方式包括：根据预设条件选取样本人群并采集源数据；从所述源数据中抽取病例组和对照组并进行预处理；基于预处理后的数据，选取入模特征变量并构建基于人工智能的静脉血栓栓塞症预测模型。
[0009]于本申请的第一方面的一些实施例中，所述入模特征变量包括：身高、妊娠诊断、
导尿管、手术时长、收缩压、平均红细胞血红蛋白浓度值、血小板计数值、红细胞分布宽度值、凝血酶时间测定值、血浆凝血酶原时间测定值、尿素氮测定值、肝素皮下、活化部分凝血活酶时间测定值、中性粒细胞计数值、血清总胆红素测定值、血小板分布宽度值、红细胞计数值、平均红细胞体积值、血清总蛋白值、血清丙氨酸氨基转移酶测定值、血清白蛋白值、血总胆汁酸测定值、肌酐测定值、C反应蛋白值、D
‑
二聚体值、非口服利尿剂、全麻、输血、谷草转氨酶值。
[0010]于本申请的第一方面的一些实施例中，每个所述入模特征变量有多个取值，所述方法还包括基于时间窗对所述入模特征变量进行聚合衍生处理，以获取单个入模特征变量的多个取值之间的关联关系。
[0011]于本申请的第一方面的一些实施例中，所述聚合衍生处理的方式包括：有无预测、计数、取最大值、取最小值、取平均值、取最末值、取最早值、取平均发展速度值、取标准差值、取最大增幅值中的任意一种或多种的组合。
[0012]于本申请的第一方面的一些实施例中，所述单个入模特征变量的多个取值之间的关联关系包括多个取值之间的变换、趋势、分布关系中的任意一种或多种的组合。
[0013]于本申请的第一方面的一些实施例中，对基于人工智能的静脉血栓栓塞症预测模型进行准确性测试的方式包括：计算每个模型的AUC值，并取AUC值最大的预测模型作为所述最优预测模型。
[0014]于本申请的第一方面的一些实施例中，所述预设触发条件包括：普外科、骨科、妇产科、肿瘤科、ICU、CCU，非VTE首要诊断入院，未使用抗凝治疗，＞18岁的患者入院8小时后，持续运行，直至出院、确诊VTE为止。
[0015]于本申请的第一方面的一些实施例中，所述预测模型的输出结果包括：住院患者静脉血栓栓塞症的预测信息(如得分和危险级别等)、关键变量、保护因素和危险因素、一时间段内预测信息的趋势、模型说明；其中，所述模型说明包括适用人群说明、模型启动条件说明、预测结果含义的解释说明、阈值含义的解释说明。
[0016]为实现上述目的及其他相关目的，本申请的第二方面提供一种基于人工智能的静脉血栓栓塞症预测装置，包括：模型构建模块，用于构建住院患者静脉血栓栓塞症数据集，据以构建基于人工智能的静脉血栓栓塞症预测模型；模型测试模块，用于训练所述基于人工智能的静脉血栓栓塞症预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型；模型使用模块，用于将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果。
[0017]为实现上述目的及其他相关目的，本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于人工智能的静脉血栓栓塞症预测方法。
[0018]为实现上述目的及其他相关目的，本申请的第四方面提供一种计算机设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于人工智能的静脉血栓栓塞症预测方法。
[0019]如上所述，本申请的基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质，具有以下有益效果：本专利技术旨在利用医院电子病历信息库，结合机器学习的方法，建立
静脉血栓栓塞症的机器学习模型，并将模型嵌入医生工作站的临床辅助决策系统(CDSS)，对住院患者实施实时监控，早期识别静脉血栓栓塞症高危患者，以给予临床医生更多的临床诊疗支持。因此本专利技术将模型部署到临床场景中进行实际应用，以帮助医生快速定位VTE高危人群以进一步诊断住院患者的静脉血栓栓塞症，提升医护人员对院内VTE的筛查、诊断效率，降低住院患者因VTE漏诊导致的不良预后。本系统在回顾性资料中被临床医生评估为对临床有帮助价值，具体体现为其住院期间实时持续运行，对VTE的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的静脉血栓栓塞症预测方法，其特征在于，包括：构建住院患者静脉血栓栓塞症数据集，据以构建基于人工智能的静脉血栓栓塞症预测模型；训练所述基于人工智能的静脉血栓栓塞症预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型；将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果；其中，所述基于人工智能的静脉血栓栓塞症预测模型的构建方式包括：根据预设条件选取样本人群并采集源数据；从所述源数据中抽取病例组和对照组并进行预处理；基于预处理后的数据，选取入模特征变量并构建基于人工智能的静脉血栓栓塞症预测模型；所述入模特征变量包括：身高、妊娠诊断、导尿管、手术时长、收缩压、平均红细胞血红蛋白浓度值、血小板计数值、红细胞分布宽度值、凝血酶时间测定值、血浆凝血酶原时间测定值、尿素氮测定值、肝素皮下、活化部分凝血活酶时间测定值、中性粒细胞计数值、血清总胆红素测定值、血小板分布宽度值、红细胞计数值、平均红细胞体积值、血清总蛋白值、血清丙氨酸氨基转移酶测定值、血清白蛋白值、血总胆汁酸测定值、肌酐测定值、C反应蛋白值、D
‑
二聚体值、非口服利尿剂、全麻、输血、谷草转氨酶值。2.根据权利要求1所述的方法，其特征在于，每个所述入模特征变量有多个取值，所述方法还包括基于时间窗对所述入模特征变量进行聚合衍生处理，以获取单个入模特征变量的多个取值之间的关联关系。3.根据权利要求2所述的方法，其特征在于，所述聚合衍生处理的方式包括：有无预测、计数、取最大值、取最小值、取平均值、取最末值、取最早值、取平均发展速度值、取标准差值、取最大增幅值中的任意一种或多种的组合。4.根据权利要求2所述的方法，其特征在于，所述单个入模特征变量的多个取值之间的关联关系包括多...

【专利技术属性】
技术研发人员：张少典，戴斯韦，
申请(专利权)人：上海森亿医疗科技有限公司，
类型：发明
国别省市：