本申请提供了一种出血预测模型的构建训练方法。在执行所述方法时，获取第一样本参数信息和训练参数信息；根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，依据所述训练参数信息对所述第一算法模型进行训练。通过获取覆盖性广的参数信息，保证预测模型指标的全面性，以手术通用指标为基础构建通用模型，在保证通用手术预测准确度的基础上，结合在线训练技术，根据研究需求对不同专科手术方向进行模型深化，进一步提升专科手术围术期出血预测性能。升专科手术围术期出血预测性能。升专科手术围术期出血预测性能。
【技术实现步骤摘要】
一种出血预测模型的构建训练方法及装置
[0001]本申请涉及疾病的智能预测
，尤其涉及一种出血预测模型的构建及训练方法。
技术介绍
[0002]在妇产科、骨科、普外科、泌尿外科等科室的患者进行手术或有创操作时，有时会面临严重甚至是致命性的出血风险。这类出现出血状况的患者或者有已知或尚未发现的出血性疾病，或者存在因治疗相关(使用抗凝或抗血小板药物)而导致可能的出血风险。
[0003]目前麻醉和手术医师对术中输血的预判主要根据医师的临床经验进行判断。因此对于相关临床经验较为匮乏的年轻医生，对围手术期出血风险评估缺乏经验，会直接影响到术前备血等环节，影响手术质量。因此，目前手术中尚缺乏可参考的临床证据，从传统方法进行围手术期出血风险评估有很大的不确定性。
[0004]针对围手术期出血预测相关技术方向的研究，目前比较匮乏，一方面是因为当前研究过程中相关参数数据信息质量较低，在研究过程中直接使用真实数据进行出血预测准确率较差、成功率较低，因此目前往往只是用于理论研究，并未落实到实际应用中；另一方面，当前的研究主要为结合磁共振技术或者特定硬件测测装置进行分析预测，并且预测对象为特定的某项手术，对于其他疾病的预测需要重新设计预测流程，该类方法灵活性差。
技术实现思路
[0005]有鉴于此，本申请实施例提供了一种出血预测模型的构建训练方法及装置，旨在实现围术期出血风险预测预警。
[0006]第一方面，本申请实施例提供了一种出血预测模型的构建训练方法，包括：
[0007]获取第一样本参数信息和训练参数信息；
[0008]根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，所述第一算法模型为以极端梯度回归模型为基础、包括最优样本参数信息的算法模型；
[0009]依据所述训练参数信息对所述第一算法模型进行训练。
[0010]可选的，所述根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，包括：
[0011]根据极端梯度回归模型和自动寻优技术将所述第一样本参数信息调整为最优样本参数信息；
[0012]根据所述最优样本参数信息确定第一算法模型。
[0013]可选的，所述获取样本参数信息和训练参数信息之后，还包括：
[0014]根据所述第一样本参数构建极端梯度回归模型；
[0015]所述根据所述第一样本参数构建极端梯度回归模型，包括：对所述第一样本参数信息进行降低空间分辨率的重采样，得到第二样本参数信息，使所述第二样本参数信息的空间分辨率与所述第一样本参数信息的空间分辨率相同；
[0016]基于所述第二样本参数信息和所述第一样本参数信息，迭代建立决策树，形成极端梯度回归模型。
[0017]可选的，所述获取第一样本参数信息和训练参数信息之前，还包括：
[0018]获取研究需求；
[0019]根据所述研究需求获取需求样本参数信息和第一数据标准，所述第一数据标准为对应所述需求样本参数信息的筛选标准；
[0020]筛选所述需求样本参数信息确定第一样本参数信息。
[0021]可选的，所述根据所述研究需求获取需求样本参数信息和数据标准之后，还包括：
[0022]根据所述研究需求确定数据治理方案；
[0023]根据所述数据治理方案确定第二数据标准，所述第二数据标准为对应数据治理方案的数据质量筛选标准。
[0024]可选的，所述依据所述训练参数信息对所述第一算法模型进行训练包括：
[0025]将所述训练参数信息输入至所述第一算法模型中，所述训练参数为实时采集更新的参数信息；
[0026]更新所述第一算法模型。
[0027]可选的，所述更新所述第一算法模型之后，还包括：
[0028]获取第一时刻的历史算法模型和第二时刻更新后的算法模型，所述第一时刻早于所述第二时刻；
[0029]将所述历史算法模型和更新后的算法模型比对评估，确定对所述历史算法模型的评估结果，所述评估结果用于指示所述历史算法模型的灵敏度和稳定性。
[0030]第二方面，本申请实施例提供了一种出血预测模型的构建训练装置，所述装置包括：
[0031]获取模块，用于获取第一样本参数信息和训练参数信息；
[0032]第一算法模型确定模块，用于根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，所述第一算法模型为以极端梯度回归模型为基础、包括最优样本参数信息的算法模型；
[0033]模型训练模块，用于依据所述训练参数信息对所述第一算法模型进行训练。
[0034]可选的，所述装置还包括：
[0035]需求获取模块，用于获取研究需求；
[0036]标准信息获取模块，用于根据所述研究需求获取需求样本参数信息和第一数据标准，所述第一数据标准为对应所述需求样本参数信息的筛选标准；
[0037]筛选模块，用于筛选所述需求样本参数信息确定第一样本参数信息。
[0038]可选的，所述装置还包括：
[0039]治理方案确定模块，用于根据所述研究需求确定数据治理方案；
[0040]第二数据标准确定模块，用于根据所述数据治理方案确定第二数据标准，所述第二数据标准为对应数据治理方案的数据质量筛选标准。
[0041]本申请实施例提供了一种出血预测模型的构建训练方法。在执行所述方法时，获取第一样本参数信息和训练参数信息；根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，所述第一算法模型为以极端梯度回归模型为基础、包括
最优样本参数信息的算法模型；依据所述训练参数信息对所述第一算法模型进行训练。这样，通过获取样本参数信息囊括手术前收集的基本信息以及主刀人的信息，保证预测模型指标的全面性，基于此实现预测模型的构建，并根据实时收集的数据对模型进行训练更新，获得数据全面、应用性高、更新迭代效率高的预测模型。
附图说明
[0042]为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本申请实施例提供的出血预测模型的构建训练方法的一种方法流程图；
[0044]图2为本申请实施例提供的出血预测模型的构建训练方法的一种方法流程图；
[0045]图3为本申请实施例提供的出血预测模型的构建训练装置的一种结构示意图。
具体实施方式
[0046]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种出血预测模型的构建训练方法，其特征在于，包括：获取第一样本参数信息和训练参数信息；根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，所述第一算法模型为以极端梯度回归模型为基础、包括最优样本参数信息的算法模型；依据所述训练参数信息对所述第一算法模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述根据极端梯度回归模型、所述第一样本参数信息和自动寻优技术确定第一算法模型，包括：根据极端梯度回归模型和自动寻优技术将所述第一样本参数信息调整为最优样本参数信息；根据所述最优样本参数信息确定第一算法模型。3.根据权利要求1所述的方法，其特征在于，所述获取样本参数信息和训练参数信息之后，还包括：根据所述第一样本参数构建极端梯度回归模型；所述根据所述第一样本参数构建极端梯度回归模型，包括：对所述第一样本参数信息进行降低空间分辨率的重采样，得到第二样本参数信息，使所述第二样本参数信息的空间分辨率与所述第一样本参数信息的空间分辨率相同；基于所述第二样本参数信息和所述第一样本参数信息，迭代建立决策树，形成极端梯度回归模型。4.根据权利要求1所述的方法，其特征在于，所述获取第一样本参数信息和训练参数信息之前，还包括：获取研究需求；根据所述研究需求获取需求样本参数信息和第一数据标准，所述第一数据标准为对应所述需求样本参数信息的筛选标准；筛选所述需求样本参数信息确定第一样本参数信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述研究需求获取需求样本参数信息和数据标准之后，还包括：根据所述研究需求确定数据治理方案；根据所述数据治理方案确定第二数据标准，所述第二数据标准为对应数据治...
【专利技术属性】
技术研发人员：徐丽玲，张光明，马驰野，张文一，施盈，吴建人，戎蓉，徐佳鼎，陈义，贺奇，
申请(专利权)人：上海慈欣健康科技有限公司，
类型：发明
国别省市：
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。