本发明专利技术公开了一种VTE风险预警方法、系统、电子设备以及计算机可读介质，涉及医疗信息技术领域。该VTE风险预警方法获取VTE发病患者的病史，采集历史健康监测数据；对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；基于当前目标对象的关键特征权重确定拟合特征；将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。通过采集历史健康监测数据进行特征优选，剔除无关数据，然后基于当前目标对象进行特征二次优选，进行逐步回归，获取风险预测，该方法无需医护人员参与，高效且风险预测结果精准。高效且风险预测结果精准。高效且风险预测结果精准。
【技术实现步骤摘要】
VTE风险预警方法、系统、电子设备以及计算机可读介质
[0001]本专利技术涉及医疗信息
具体涉及一种VTE风险预警方法、系统、电子设备以及计算机可读介质。
技术介绍
[0002]静脉血栓栓塞症(VTE)包括深静脉血栓形成(DVT)和肺血栓栓塞症(PTE)，是同一疾病在不同阶段、不同部位的两种重要临床表现形式。临床上诸多科室患者存在VTE风险，是导致医院内患者非预期死亡的重要原因，其发病隐匿，临床症状不典型，容易误诊、漏诊，且致死和致残率高，已构成医疗质量和安全的潜在风险，成为临床医务人员和医院管理者面临的严峻问题。
[0003]VTE是一种可预防的疾病，积极有效的预防和诊治可有效降低其发生率、病死率。目前在临床实践中VTE预防现状并不乐观，内科VTE预防率为6.0％，外科为11.8％，接受恰当VTE预防措施的患者仅有9％，反映出医护人员对VTE预防的认识和指南依从性有待进一步提高。
[0004]近年来，医院内VTE防治和管理体系建设在国内逐渐深受重视，采取VTE预防常规措施，明确将VTE纳入医疗安全监控指标。然而，仅仅依靠医生的经验去评估患者的VTE风险，随着患者激增，医护人员在评估VTE风险时花费的时间较多，患者获得VTE风险评估的结果也变慢。因此，完全依靠医生的经验评估患者的VTE风险，不仅造成医护人员工作量增大，而且存在分析评估效率较低的现象。
技术实现思路
[0005]本专利技术的目的在于针对现有技术的不足之处，提供一种VTE风险预警方法、系统、电子设备以及计算机可读介质，旨在通过采集历史健康监测数据进行特征优选，剔除无关数据，然后基于当前目标对象进行特征二次优选，进行逐步回归，获取风险预测，该方法无需医护人员参与，高效且风险预测结果精准。
[0006]为此，本申请提供一种VTE风险预警方法，包括
[0007]获取VTE发病患者的病史，采集历史健康监测数据；
[0008]对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；
[0009]根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；
[0010]基于当前目标对象的关键特征权重确定拟合特征；
[0011]将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
[0012]在一些具体实施方式中，对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征，具体包括：
[0013]假设参考序列为
[0014]A＝[a1,a2,
…
,a
n
][0015]比较序列为
[0016]B
i
＝[b1,b2,
…
,b
n
][0017]基于熵估计互信息为：
[0018]I(A,B
i
)＝H(A)+H(B
i
)
‑
H(A,B
i
)
[0019]式中，H(A)为VTE发病风险值的信息熵；H(B
i
)为影响参数的信息熵；H(A,B
i
)为参数序列与比较序列的联合熵，n为VTE发病影响因子数量；
[0020][0021]式中：J
i
为第i个影响因子的加权关联度，k为时间序列中的时刻；t为健康数据监测总时段数；x
i
(k)为第i个影响因子第k个时刻的比较序列数据，ρ为分辨系数；
[0022]基于加权关联度大小确定关键风险影响因子。
[0023]在一些具体实施方式中，根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重，具体为：
[0024][0025]式中:ω0(i)为第i个关键风险影响因子的标准权重；δ0(i)为第i个关键风险影响因子的初始权重；σ(i)为第i个关键风险影响因子的标准权重，其中，VTE发病的影响因素及频数，每个关键风险影响因子发生的百分比，归一化处理后获得标准权重；m为关键沉降量影响因子的数量；β为关键风险影响因子的序号(按初始权重大小顺序排序)；
[0026][0027]式中:ω
j
(i)为第i个关键风险影响因子第j次更新后的自适应权重；为第i个关键风险影响因子第j次更新的熵权；j为自适应权重更新次数。
[0028]在一些具体实施方式中，基于当前目标对象的关键特征权重确定拟合特征，具体为
[0029]根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
[0030]在一些具体实施方式中，将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测，具体为
[0031]对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
[0032]假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
[0033]对剩下P
‑
1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
[0034]对剩下P
‑
2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验的自变量删除处理，直至所有模型外的自变量都不能通过检验结束；
[0035]根据逐步回归计算各自变量对当前目标对象的VTE病发的贡献值。
[0036]本申请另提供一种VTE风险预警系统，包括
[0037]采集单元，用于获取VTE发病患者的病史，采集历史健康监测数据；
[0038]优选单元，用于对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；
[0039]自适应单元，用于根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；
[0040]拟合单元，用于基于当前目标对象的关键特征权重确定拟合特征；
[0041]预测单元，用于将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。
[0042]在一些具体实施方式中，基于当前目标对象的关键特征权重确定拟合特征，具体为
[0043]根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。
[0044]在一些具体实施方式中，将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测，具体为
[0045]对历史健康监测数据和当前目标对象的健康监测数据进行归一化处理；
[0046]假设共有P个自变量，求解第一个一元回归方程，利用偏F检验最大值的自变量进入模型；
[0047]对剩下P
‑
1个变量，求解第二个一元回归方程，利用偏F检验最大值的自变量进入模型；
[0048]对剩下P
‑
2个变量，求解第三个一元回归方程，利用偏F检验最大值的自变量进入模型，未通过检验本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种VTE风险预警方法，其特征在于，获取VTE发病患者的病史，采集历史健康监测数据；对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征；根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重；基于当前目标对象的关键特征权重确定拟合特征；将拟合特征作为自变量，进行逐步回归，获取当前目标对象的风险预测。2.如权利要求1所述的VTE风险预警方法，其特征在于，对历史健康监测数据进行特征优选，根据特征优选权重确定关键特征，具体包括：假设参考序列为A＝[a1,a2,
…
,a
n
]比较序列为B
i
＝[b1,b2,
…
,b
n
]基于熵估计互信息为：I(A,B
i
)＝H(A)+H(B
i
)
‑
H(A,B
i
)式中，H(A)为VTE发病风险值的信息熵；H(B
i
)为影响参数的信息熵；H(A,B
i
)为参数序列与比较序列的联合熵，n为VTE发病影响因子数量；式中：J
i
为第i个影响因子的加权关联度，k为时间序列中的时刻；t为健康数据监测总时段数；x
i
(k)为第i个影响因子第k个时刻的比较序列数据，ρ为分辨系数；基于加权关联度大小确定关键风险影响因子。3.如权利要求2所述的VTE风险预警方法，其特征在于，根据目标对象的健康监测数据，对关键特征进行权重自适应处理，获取基于当前目标对象的关键特征权重，具体为：式中:ω0(i)为第i个关键风险影响因子的标准权重；δ0(i)为第i个关键风险影响因子的初始权重；σ(i)为第i个关键风险影响因子的标准权重，其中，VTE发病的影响因素及频数，每个关键风险影响因子发生的百分比，归一化处理后获得标准权重；m为关键沉降量影响因子的数量；β为关键风险影响因子的序号(按初始权重大小顺序排序)；式中:ω
j
(i)为第i个关键风险影响因子第j次更新后的自适应权重；为第i个关键风险影响因子第j次更新的熵权；j为自适应权重更新次数。4.如权利要求3所述的VTE风险预警方法，其特征在于，基于当前目标对象的关键特征权重确定拟合特征，具体为
根据当前目标对象的关键特征权重大小依次重新排列，剔除关键特征权重低于5％的特征得到拟合特征。5.如权利要求4所述的...
【专利技术属性】
技术研发人员：席新，王华，奚琦辉，
申请(专利权)人：上海市闵行区中心医院，
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。