一种全身麻醉术后恶心呕吐预测模型的生成和使用方法技术

本申请提供一种全身麻醉术后恶心呕吐(PONV)预测模型的生成和使用方法，包括：S1、将PONV样本集中的患者信息转换为特征向量；S2、从PONV样本集随机产生t个训练子集，利用每个训练子集，生成随机森林模型；S3、从特征向量中随机选择q个特征向量，在决策树的每个节点进行分裂、生长；S4、计算每棵决策树的权重；S5、计算PONV发生率，PONV发生率为所有决策树预测结果的加权之和；S6、遍历参数t、q，重复执行步骤S2

【技术实现步骤摘要】
一种全身麻醉术后恶心呕吐预测模型的生成和使用方法


[0001]本专利技术涉及医学和人工智能领域，具体地，涉及一种全身麻醉术后恶心呕吐预测模型的生成和使用方法。

技术介绍

[0002]现有统计表明，全身麻醉患者术后发生恶心的概率约为30％，发生呕吐的概率在50％左右。尽管目前已有一系列的治疗方法及措施对全身麻醉术后恶心呕吐(postoperative nausea and vomiting，以下简称为PONV)进行干预，但PONV的发生率在麻醉学发展的一百多年间并没有明显降低，在某些具有高危因素的人群中，PONV的发生率更是高达80％。PONV还可能带来脱水、电解质失衡、伤口开裂、出血等严重并发症，导致患者术后延迟出院，医疗费用增加，手术体验差。
[0003]目前已知影响PONV发病率的危险因素主要分为三大类：1.病人相关因素；2.麻醉相关因素；3.手术相关因素。根据Apfel等人的研究，在众多因素中，与PONV发生风险密切相关的因素主要有四个：女性、晕动病(MS)或PONV病史、不吸烟和术后阿片类药物的使用。因此，目前临床一般采用的Apfel简化风险评分作为PONV的预测因素，当分别存在0
‑
4个上述危险因素的时候，PONV的发生率为10％、21％、39％、61％以及79％。PONV程度评估采用视觉模拟评分法(VAS)：以10cm直尺作为标尺，一端为0，表示无恶心呕吐，另一端为10，表示难以忍受的最严重的恶心呕吐(1～4为轻度，5～6为中度，7～10为重度)。
[0004]此外，最新指南建议正确看待风险评分的准确性。即使当严格应用评分时，PONV的发生风险也常被低估。前述的经典风险因素对实际的PONV发生率可能存在不同程度的影响。而考虑到个体化差异，一些术前预测为PONV低风险的患者，术后仍可能出现剧烈的恶心呕吐。
[0005]因此，目前指南推荐术中应常规予以全身麻醉患者预防性止吐药物，但对于常规使用预防药物的疗效以及安全性，目前还存在一定的争议。除止吐药可能带来的副作用外，目前常规使用的预防性止吐药5
‑
HT受体拮抗剂例如昂丹司琼，并未达到理想的止吐效果，有研究显示，超过35％的接受昂丹司琼治疗的患者依旧发生了PONV，即难治性PONV。
[0006]目前困扰临床的问题是PONV影响因素多而复杂，个体差异大，导致对患者预测难度大，治疗措施效果不佳。

技术实现思路

[0007]为克服现有技术的上述缺陷，优化PONV精准防治策略，助力个体化和多模式防治PONV，更好地识别PONV高危患者，提高患者满意度，改善患者术后体验，减少PONV给患者造成的生理及心理损害，促进围手术期快速康复，本专利技术提出一种全身麻醉术后恶心呕吐预测模型的生成方法，将患者信息与人工智能算法相结合生成预测模型，利用流行病学的大数据统筹并且反馈优化预测模型，其中包括统计分析全身麻醉术后恶心呕吐的危险因素及现有止吐措施的效果，从而准确地预测PONV发生率和用药信息。
[0008]本专利技术提出的全身麻醉术后恶心呕吐预测模型的生成方法，包括：
[0009]S1、将PONV样本集中的患者信息转换为特征向量；
[0010]S2、从PONV样本集随机产生t个训练子集，利用每个训练子集，生成随机森林；
[0011]S3、从特征向量中随机选择q个特征向量，在随机森林的决策树的每个节点进行分裂、生长；
[0012]S4、计算每棵决策树的权重；
[0013]S5、计算PONV发生率，PONV发生率为所有决策树预测结果的加权之和；
[0014]S6、遍历参数t、q，重复执行步骤S2
‑
S5，将输出的PONV发生率与PONV真实值进行比较，预测结果最好的t和q所对应的带权重的随机森林为最优的PONV预测模型。
[0015]进一步地，所述步骤S1中，患者信息包括基本个人信息、生理信息、既往病史信息、手术信息、麻醉信息。
[0016]进一步地，所述步骤S1中，通过回归算法计算特征的相关性系数，然后计算特征的瓦尔德值，选取瓦尔德值大于预定阈值的特征为要使用的特征。
[0017]进一步地，在所述步骤S4中，包括：
[0018]S41、计算样本的每个特征向量与PONV发生率的相关系数；
[0019]S42、为每颗决策树计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和。
[0020]进一步地，将每颗决策树的权重归一化。
[0021]进一步地，所述相关系数为皮尔逊相关系数。
[0022]进一步地，如果所述相关系数为负数，则取绝对值为所述相关系数。
[0023]进一步地，在步骤S6中，将输出的PONV发生率与PONV真实值进行比较时，计算决定系数R2，计算公式为：
[0024][0025]式中：p代表样本数；y
i
表示第i个样本PONV真实值；表示第i个样本PONV发生率；表示p个样本的PONV真实值的平均值。
[0026]进一步地，所述PONV预测模型还包括用药预测模型，所述用药预测模型通过PONV样本集训练，用于输出患者所优选的PONV用药。
[0027]根据本专利技术的另一方面，提出一种PONV预测模型的使用方法，包括：
[0028]采集患者的患者信息；
[0029]将所述患者信息输入PONV预测模型，获得患者的PONV发生率、用药建议以及分析报告。
[0030]本专利技术的有益效果为：
[0031](1)模型通过大数据样本生成，融合了医学专家和患者反馈的临床经验，可以优化PONV防治策略，助力个体化和多模式防治PONV，提高患者满意率；
[0032](2)能够预测给出个性化治疗方案，预测术后恶心呕吐的概率，根据该概率进行分级，进一步给出针对性的治疗方案。
[0033](3)生成的模型融合了医学专家和患者反馈的临床经验，将所述患者信息输入
PONV预测模型，获得患者的PONV发生率、用药信息。PONV预测模型还可以生成报告供医生、技术人员查看。报告的内容包括：样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
[0034](4)可以根据本专利技术设计小程序问卷或一种智能语音问答，以获得本专利技术所需要的患者信息，然后通过本专利技术生成的模型，最终给出病人发生恶心呕吐的概率和推荐的用药措施。使PONV防治更加简便易行、精准有效，有助于各级医疗机构PONV防治工作医疗质量的优化和均质化，提高医疗体系整体的PONV防治水平。
附图说明
[0035]图1为根据本专利技术一个实施例的PONV预测模型的生成方法的流程示意图；
[0036]图2为根据本专利技术一个实施例的PONV预测模型的使用方法的流程示意图。
[0037]如图所示，为了能明确实现本专利技术的实施例的结构或者方法，在图中标注了特定的标记符号，但这仅为示意需要，并非意图将本专利技术限定在该特定设备和环境中，根据具体需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全身麻醉术后恶心呕吐预测模型的生成方法，其特征在于，所述生成方法包括：S1、将PONV样本集中的患者信息转换为特征向量；S2、从PONV样本集随机产生t个训练子集，利用每个训练子集，生成随机森林；S3、从特征向量中随机选择q个特征向量，在随机森林的决策树的每个节点进行分裂、生长；S4、计算每棵决策树的权重；S5、计算PONV发生率，PONV发生率为所有决策树预测结果的加权之和；S6、遍历参数t、q，重复执行步骤S2
‑
S5，将输出的PONV发生率与PONV真实值进行比较，预测结果最好的t和q所对应的带权重的随机森林为最优的PONV预测模型。2.根据权利要求1所述的生成方法，其特征在于，所述步骤S1中，患者信息包括基本个人信息、生理信息、既往病史信息、手术信息、麻醉信息。3.根据权利要求1所述的生成方法，其特征在于，所述步骤S1中，通过回归算法计算特征的相关性系数，然后计算特征的瓦尔德值，选取瓦尔德值大于预定阈值的特征为要使用的特征。4.根据权利要求1所述的生成方法，其特征在于，在所述步骤S4中，包括：S41、计算样本的每个特征向量与PONV发生率的相关系数；S...

【专利技术属性】
技术研发人员：丁超，刘毅，李思源，闫文龙，
申请(专利权)人：山西省肿瘤医院，
类型：发明
国别省市：