早产儿PICC导管继发性移位风险预测方法和系统技术方案

本发明专利技术提供一种早产儿PICC导管继发性移位风险预测方法、系统、存储介质和电子设备，涉及医疗器械技术领域。本发明专利技术中采用随机森林分类器、Adaboost算法和SVM分类器三种机器学习方法，分别构建第一、第二和第三继发性移位风险预测模型，基于各个模型的风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型，进而获取待测早生儿置入PICC导管后发生继发性移位风险的预测结果；能够精准高效识别继发性移位早生儿患者，指导临床医务工作人员提前采取治疗或护理措施对发生移位患者进行干预，降低由于PICC导管继发性移位而产生的各种并发症，不仅减少了对早产儿的危害，还保障了早产儿治疗及护理工作有序进行。工作有序进行。工作有序进行。

【技术实现步骤摘要】
早产儿PICC导管继发性移位风险预测方法和系统


[0001]本专利技术涉及于医疗器械
，具体涉及一种早产儿PICC导管继发性移位风险预测方法、系统、存储介质和电子设备。

技术介绍

[0002]早产儿各器官、系统发育尚未成熟，无法依靠自身从外界获得足够营养，需要来自外界的营养支持。随着围产医学和护理技术的不断发展，经外周静脉置入中心静脉导管的PICC作为目前新生儿科应用较为广泛的静疗通路，且具有安全性高、可长期留置等优点，不仅减少了反复静脉穿刺给患儿带来的痛苦，并对保护患儿血管有重要价值。
[0003]导管继发性移位是导致早产儿PICC并发症的最主要原因，极易导致静脉炎、导管堵塞及静脉血栓等并发症的发生，还可能会引起心律失常、血管穿孔、脑神经受损及心脏压塞等较为严重的并发症以及胸膜腔渗出甚至心包积液等，如果不能进行风险的提前预测并给予早期干预，极有可能危及早产儿的生命。为了避免PICC导管继发性移位导致的并发症对早产儿的伤害，有必要在早产儿PICC使用期间进行导管移位风险预测。
[0004]目前，临床上通过X线胸片定位、移位检测装置等方法，对早产儿PICC导管位置进行判定，但高频次的X线摄片带来的射线暴露问题不容忽视；检测装置由于存在大量连接设备、液体易泄漏等问题，也不适用于早产儿的导管移位检测。鉴于此，有必要提供一种更方便的早产儿PICC导管继发性移位风险预测技术方案。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种早产儿PICC导管继发性移位风险预测方法、系统、存储介质和电子设备，解决了现有移位风险预测过程不便捷的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种早产儿PICC导管继发性移位风险预测方法，包括：
[0010]收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
[0011]根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
[0012]根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
[0013]根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
[0014]基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移
位风险预测模型，获取最终的风险预测模型；
[0015]根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
[0016]优选的，所述采用随机森林分类器构建第一继发性移位风险预测模型，具体包括：
[0017]S21、将预处理后的历史临床数据样本分为第一训练集和第一验证集两部分，且在所述第一训练集和第一验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
[0018]S22、采用Bootstrap采样方法从所述第一训练集选出采样样本，并去重；
[0019]S23、根据去重后的采样样本，从所述第一类特征数据和第二类特征数据随机选择若干特征数据，再从选择的若干特征数据中选择最佳分割特征作为节点构建一棵决策树；
[0020]S24、重复执行步骤S22和S23，获取多棵决策树，多棵所述决策树共同构成随机森林；
[0021]S25、根据所述随机森林，通过多数投票法决定每一个早产儿所述类别，获取所述第一继发性移位风险预测模型；
[0022]S26、根据所述第一验证集，获取所述第一继发性移位风险预测模型的第一风险预测准确率。
[0023]优选的，所述采用Adaboost算法构建第二继发性移位风险预测模型，具体包括：
[0024]S31、将预处理后的历史临床数据样本分为第二训练集和第二验证集两部分，且在所述第二训练集和第二验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
[0025]S32、初始化所述第二训练集的权值分布；
[0026]S33、根据权值分布的所述第二训练集，获取基本分类器；
[0027]S34、计算所述基本分类器在所述第二训练集上的分类误差；
[0028]S35、根据所述分类误差，获取所述基本分类器的权重系数，并更新所述第二训练集的权值分布；
[0029]S36、构建多个所述基本分类器的线性组合，获取所述第二继发性移位风险预测模型；
[0030]S37、根据所述第二验证集，获取所述第二继发性移位风险预测模型的第二风险预测准确率。
[0031]优选的，所述采用SVM分类器构建第三继发性移位风险预测模型，具体包括：
[0032]S41、将预处理后的历史临床数据样本分为第三训练集和第三验证集两部分，且在所述第三训练集和第三验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
[0033]S42、根据所述第二训练集，采用SVM软间隔构建目标函数；
[0034]S43、根据所述目标函数，更新模型参数，获取所述第三继发性移位风险预测模型；
[0035]S44、根据所述第三验证集，获取所述第三继发性移位风险预测模型的第三风险预测准确率。
[0036]优选的，所述获取最终的风险预测模型，具体包括：
[0037]根据所述第一风险预测准确率、第二风险预测准确率和第三风险预测准确率，将
所述第一、第二和第三继发性移位风险预测模型进行加权求和进行线性融合；
[0038][0039]其中，P为最终的风险预测模型；p1、p2、p3分别为第一、第二和第三风险预测准确率；R
rf
、R
ada
、R
svm
分别为所述第一、第二和第三继发性移位风险预测模型的预测结果，所述预测结果取1或者0；ε＝1*10
‑5为松弛因子。
[0040]优选的，所述第一类特征数据包括胎龄、出生体重、置管时体重、置管时日龄、内置长度和外露长度对应的数据；
[0041]所述第二类特征数据包括性别、置管部位、尖端是否最佳位置、血液是否回流、是否采用镇定措施、是否卧床、冲管是否有压力和血管选择对应的数据；
[0042]优选的，所述预处理过程包括数据清洗；
[0043]对于每个早生儿的所述第一类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种早产儿PICC导管继发性移位风险预测方法，其特征在于，包括：收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。2.如权利要求1所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用随机森林分类器构建第一继发性移位风险预测模型，具体包括：S21、将预处理后的历史临床数据样本分为第一训练集和第一验证集两部分，且在所述第一训练集和第一验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；S22、采用Bootstrap采样方法从所述第一训练集选出采样样本，并去重；S23、根据去重后的采样样本，从所述第一类特征数据和第二类特征数据随机选择若干特征数据，再从选择的若干特征数据中选择最佳分割特征作为节点构建一棵决策树；S24、重复执行步骤S22和S23，获取多棵决策树，多棵所述决策树共同构成随机森林；S25、根据所述随机森林，通过多数投票法决定每一个早产儿所述类别，获取所述第一继发性移位风险预测模型；S26、根据所述第一验证集，获取所述第一继发性移位风险预测模型的第一风险预测准确率。3.如权利要求2所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用Adaboost算法构建第二继发性移位风险预测模型，具体包括：S31、将预处理后的历史临床数据样本分为第二训练集和第二验证集两部分，且在所述第二训练集和第二验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；S32、初始化所述第二训练集的权值分布；S33、根据权值分布的所述第二训练集，获取基本分类器；S34、计算所述基本分类器在所述第二训练集上的分类误差；S35、根据所述分类误差，获取所述基本分类器的权重系数，并更新所述第二训练集的权值分布；S36、构建多个所述基本分类器的线性组合，获取所述第二继发性移位风险预测模型；S37、根据所述第二验证集，获取所述第二继发性移位风险预测模型的第二风险预测准
确率。4.如权利要求3所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用SVM分类器构建第三继发性移位风险预测模型，具体包括：S41、将预处理后的历史临床数据样本分为第三训练集和第三验证集两部分，且在所述第三训练集和第三验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；S42、根据所述第二训练集，采用SVM软间隔构建目标函数；S43、根据所述目标函数，更新模型参数，获取所述第三继发性移位风险预测模型；S44、根据所述第三验证集，获取所述...

【专利技术属性】
技术研发人员：王锟，赵晨静，解硕，屈炎伟，唐文涛，
申请(专利权)人：郑州大学第三附属医院河南省妇幼保健院，
类型：发明
国别省市：