一种麻醉深度预测方法技术

本发明专利技术涉及麻醉技术领域，公开了一种麻醉深度预测方法，包括：S1、获取TIVA全身麻醉注射的真实手术记录，将手术记录中的麻醉药物注射历史作为原始数据集；S2、对原始数据集进行预处理，将预处理后的原始数据集划分为训练集、验证集和测试集；S3、构建麻醉深度预测网络模型，麻醉深度预测网络模型包括PK

【技术实现步骤摘要】
一种麻醉深度预测方法


[0001]本专利技术涉及麻醉
，特别是涉及一种麻醉深度预测方法。

技术介绍

[0002]自20世纪30年代Teorell为药代动力学奠定基础以来，由于药物分析技术与计算机技术的发展，药物动力学在理论与引用两方面都获得了迅速的发展。1985年Alvis等首先根据芬太尼三室药物动力学模型设计了较为完整的微机控制输液泵系统，并将其应用于冠状动脉手术麻醉的诱导和维持。后来很多输液泵都沿用了药代动力学
‑
药效动力学(PK
‑
PD)模型作为估计药物效应、计算患者麻醉深度的算法基础。
[0003]以房室模型为代表的PK
‑
PD模型是将机体看成药物分布速度不同的单元组成的体系，在每个单元体系上建立线性的动力学模型。虽然在理论上该模型符合大部分人群的生理特征参数，但在实际应用场景中，经常出现预测错误的情况，对患者生命安全造成威胁。
[0004]具体来说，虽然药代动力学方法和模型已有较多研究，已经涌现出了大量的模型，然而在临床手术过程中，由于机体个体的差异，各种模型的参数差异非常大。这是因为药物剂量与具体机体之间的药物效应尚不明确，即使是在相同时间内注射相同剂量的麻醉药物，不同人的生理反应也不尽相同，有的人可能小剂量药物作用下就进入深度麻醉状态，有的人则需要大剂量的药物。如何根据具体的个体，结合现有的PK
‑
PD模型进行精准用药尚没有较为合理有效的方案，目前仍需要医护人员全程监控并根据经验和知识来判断药效来手动调节药物的输注用量和速率。
[0005]因此，要实现自动化的闭环静脉靶控输注系统，准确的药效预测模型至关重要。对比传统的PK
‑
PD药效预测模型，神经网络的优势在于复杂的非线性动态计算，在环境信息十分复杂，知识背景不清楚和推理规则不明确的前提下也能表现出良好的性能。目前出现了基于深度学习的麻醉药效预测模型，该类模型在结构上借鉴了PK
‑
PD的整体框架，首先利用神经网络来对药物注射历史信息进行特征提取，然后结合年龄、性别、身高、体重等人体生理特征来预测BIS值(BispectralIndex，麻醉深度指标)。虽然该模型在指标上有了较大提升，但该模型只在BIS值较为平稳的样本上表现良好，面对BIS值波动大的样本预测效果较差，难于预测到突发情况，预测效果也不理想。
[0006]现有技术公开了一种智能麻醉控制方法及系统，该方法包括：获取手术的类型；根据所述手术的类型以及手术的进程确定最优麻醉深度，其中所述麻醉深度包括清醒期、麻醉期和恢复期；获取患者的生命特征信息，其中所述生命特征信息包括反应镇静深度、肌肉松弛程度和镇痛程度的信息；建立麻醉深度与所述生命特征信息之间的映射关系；以及根据所述手术的类型、最优麻醉深度以及所述映射关系，得出患者所需的麻醉药物种类、药物剂量和注射速度。该专利通过卷积神经网络模型建立麻醉深度与所述生命特征信息之间的映射关系，但该模型只在BIS值较为平稳的样本上表现良好，面对BIS值波动大的样本预测效果较差，难于预测到突发情况，预测效果也不理想。并且该专利只使用当前时间点的药物注射速率来估计药效，进而计算麻醉深度，这样做缺乏历史数据信息，无法将过往的药物注
射量考虑进来，对预测的准确性造成极大影响。

技术实现思路

[0007]本专利技术的目的是提供一种预测结果更加准确的麻醉深度预测方法。
[0008]为了实现上述目的，本专利技术提供了一种麻醉深度预测方法，包括：
[0009]S1、获取TIVA全身麻醉注射的真实手术记录，将手术记录中的麻醉药物注射历史作为原始数据集；
[0010]S2、对步骤S1获得的原始数据集进行预处理，并将预处理后的原始数据集划分为训练集、验证集和测试集；
[0011]S3、构建麻醉深度预测网络模型，麻醉深度预测网络模型包括PK
‑
PD模型、时序信息编码器和注意力机制解码器；利用PK
‑
PD模型计算BIS历史信息；将麻醉药物注射历史和BIS历史信息分别输入一个时序信息编码器，利用时序信息编码器提取时序信息的特征，时序信息作为动态信息，并在每个时间步里将静态信息年龄、性别、身高和体重加入到时序信息中，学习动态信息与静态信息相结合的特征，输出麻醉药物注射历史的动态
‑
静态混合信息以及BIS历史信息的动态
‑
静态混合信息；将麻醉药物注射历史的动态
‑
静态混合信息以及BIS历史信息的动态
‑
静态混合信息输入注意力机制解码器，注意力机制解码器将麻醉药物注射历史的动态
‑
静态混合信息以及BIS历史信息的动态
‑
静态混合信息堆叠起来，并进行解码，输出预测的BIS值；
[0012]S4、利用训练集对麻醉深度预测网络模型进行训练，利用验证集对训练过程中的麻醉深度预测网络模型进行评估，利用测试集测试麻醉深度预测网络模型的有效性，得到训练好的麻醉深度预测网络模型；
[0013]S5、获取患者的麻醉药物注射历史，将患者的麻醉药物注射历史输入训练好的目标检测模型，输出麻醉深度预测结果。
[0014]作为优选方案，在步骤S1中，麻醉药物注射历史包括异丙酚注射历史和瑞芬太尼注射历史；在步骤S3中，将异丙酚注射历史、瑞芬太尼注射历史和BIS历史信息分别输入一个时序信息编码器。
[0015]作为优选方案，异丙酚注射历史和瑞芬太尼注射历史均为30分钟内的药物注射数据。
[0016]作为优选方案，在步骤S2中，对原始数据集进行预处理包括：用线性插值法对数据异常值与空值进行插值运算；丢弃数据损失超过300秒的样本；丢弃只有半场手术记录的样本。
[0017]作为优选方案，在步骤S2中，对划分后的训练集的真实BIS值进行了平滑处理，对验证集和测试集不进行处理。
[0018]作为优选方案，在步骤S3中，时序信息编码器包括依次连接的长短期记忆神经网络和门控卷积残差网络，长短期记忆神经网络用于提取时序信息的特征，门控卷积残差网络用于将静态信息加入到时序信息中。
[0019]作为优选方案，在步骤S3中，注意力机制解码器采用多头注意力机制。
[0020]作为优选方案，在多头注意力机制中，在不同的头部中对特征V保持相同的参数矩阵W
V
进行关注，再进行相加聚合，最后经过两层全连接层后输出。
[0021]作为优选方案，在步骤S3中，对麻醉药物注射历史和静态信息进行归一化处理。
[0022]作为优选方案，在步骤S4中，麻醉深度预测网络模型的训练使用均方误差作为损失函数。
[0023]与现有技术相比，本专利技术的有益效果在于：
[0024]本专利技术考虑到麻醉药物在人体内的消除率呈非线性关系，同时药物在不同体征的人体中的存留时间也不同，利用神经网络从药物输注历史数据中提取时序特征信息，并在每个时间步中加入静态信息(年龄、性别、身高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种麻醉深度预测方法，其特征在于，包括：S1、获取TIVA全身麻醉注射的真实手术记录，将手术记录中的麻醉药物注射历史作为原始数据集；S2、对步骤S1获得的原始数据集进行预处理，并将预处理后的原始数据集划分为训练集、验证集和测试集；S3、构建麻醉深度预测网络模型，麻醉深度预测网络模型包括PK
‑
PD模型、时序信息编码器和注意力机制解码器；利用PK
‑
PD模型计算BIS历史信息；将麻醉药物注射历史和BIS历史信息分别输入一个时序信息编码器，利用时序信息编码器提取时序信息的特征，时序信息作为动态信息，并在每个时间步里将静态信息年龄、性别、身高和体重加入到时序信息中，学习动态信息与静态信息相结合的特征，输出麻醉药物注射历史的动态
‑
静态混合信息以及BIS历史信息的动态
‑
静态混合信息；将麻醉药物注射历史的动态
‑
静态混合信息以及BIS历史信息的动态
‑
静态混合信息输入注意力机制解码器，注意力机制解码器将麻醉药物注射历史的动态
‑
静态混合信息以及BIS历史信息的动态
‑
静态混合信息堆叠起来，并进行解码，输出预测的BIS值；S4、利用训练集对麻醉深度预测网络模型进行训练，利用验证集对训练过程中的麻醉深度预测网络模型进行评估，利用测试集测试麻醉深度预测网络模型的有效性，得到训练好的麻醉深度预测网络模型；S5、获取患者的麻醉药物注射历史，将患者的麻醉药物注射历史输入训练好的目标检测模型，输出麻醉深度预测结果。2.根据权利要求1...

【专利技术属性】
技术研发人员：杨志景，何永康，彭思愿，陈明锦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：