用于确定败血症发作的方法和设备技术

提供了一种用于确定败血症发作的方法

【技术实现步骤摘要】
【国外来华专利技术】用于确定败血症发作的方法和设备


[0001]本专利技术涉及用于确定患者败血症发作的方法和设备
。

技术介绍

[0002]败血症是个人的身体对感染的极端免疫反应
。
败血症可能危及生命，引发遍及全身的可能引起组织损伤
、
器官衰竭和死亡的一系列反应
。
败血症的早期检测被认为是改善败血症治疗结果的关键方面之一
。
有助于败血症识别的临床标准是广泛可用的，然而败血症的早期检测和治疗的基本需求仍未得到满足
。
败血症早期检测的现有方法没有达到在医院环境中精确检测败血症所需的特异性和灵敏度水平
。
此外，败血症早期检测的现有方法受到不平衡医学数据集和扭曲结果的局限性的破坏
。
[0003]目前，还没有一种方法可以在早期以高特异性检测出患者的败血症发作
。
因此，需要一种能够及时确定患者败血症发作的有效且准确的方法和设备
。

技术实现思路

[0004]因此，本专利技术的目的是提供一种方法和设备，其能够在早期时间阶段有效地确定患者败血症的发作
。
[0005]本专利技术通过一种确定患者败血症发作的方法来实现该目的
。
该方法包括接收与患者相关联的至少一个医学数据集
。
医学数据集包括例如与患者相关联的医学信息
。
医学信息可以包括多个特征，诸如但不限于：从血液样本分析
(
诸如血液分析物测量<br/>)
获得的实验室参数
、
诸如心率等的生命统计数据
、
以及诸如患者的年龄
、
患者的性别等的患者人口统计数据
。
在实施例中，医学数据集可以存储在医学数据库中，并且可以在需要时被访问
。
该方法包括从医学数据集提取一个或多个特征，其中该一个或多个特征包括与患者相关联的参数，这些参数是败血症的指标
。
在实施例中，医学数据集可以另外包括可能不指示败血症的特征
。
因此，提取医学数据集中可以支持确定患者败血症发作的一个或多个特征以用于进一步处理
。
该方法还包括插补医学数据集中的至少一个缺失值
。
例如，该缺失值可能与医学数据集中的特征相关联
。
例如，可能在时间段
X
内尚未记录与患者相关联的心率
。
这可能在时间段
X
内在医学数据集中创建针对心率的缺失值
。
对这种缺失值进行插补以确保医学数据集是完整的
。
[0006]该方法还包括通过使用一个或多个特征作为经训练的机器学习模型的输入来确定指示患者败血症发作的输出参数
。
经训练的机器学习模型可被配置成处理医学数据集中的一个或多个特征，并且生成指示患者败血症发作的输出参数
。
例如，输出参数可以指示患者败血症发作或患者不存在败血症
。
在实施例中，经训练的机器学习模型可以是具有长短期记忆的递归神经网络
。
该方法还包括生成指示患者败血症发作的警示
。
例如，如果由经训练的机器学习模型生成的输出参数满足与败血症相关联的预定义标准，则可以生成警示
。
在实施例中，警示可以在由用户使用的输出设备上生成
。
该警示可以是例如指示患者败血症发作的通知
。
通知可以在输出设备的图形用户接口上生成
。
替代地，通知还可以包括在输
出设备上提供的声音和
/
或触觉反馈
。
有利的是，该方法使得能够早期识别患者败血症发作
。
因此，患者可以被有效地且以及时方式得到治疗
。
[0007]根据实施例，该方法还包括对与医学数据集中的一个或多个特征相关联的值进行正则化，这些值作为输入被提供给经训练的机器学习模型
。
在实施例中，对一个或多个特征的值进行正则化包括针对医学数据集中的一个或多个特征中的每一个定义统一的最小和最大阈值
。
一般而言，医学数据集中的每个特征可以具有不同的最小和最大阈值
。
正则化使得能够将所有阈值带到相同的水平，使得对数据集的有效分析对于经训练的机器学习模型是可能的
。
在实施例中，特征的最小和最大阈值被重新定义为最小值1和最大值5的范围
。
如果与患者相关联的一个或多个特征的值位于1和5的范围之外，则该值可以由与该特征相关联的最小和最大阈值来代替
。
要注意的是，在一定时间段内，使用大值来正则化阈值可能会引起特征上的时间变化的损失
。
因此，阈值可以被限制在最小值1和最大值
5。
有利的是，本专利技术使得能够甚至捕获与患者相关联的一个或多个特征的值的最小变化
。
这使得能够在确定败血症发作时实现高特异性
。
[0008]根据另一个实施例，插补医学数据集中的至少一个缺失值包括识别与医学数据集中的特征相关联的缺失值
。
在实施例中，如果在给定的时间间隔下尚未针对患者捕获
/
记录与医学数据集中的一个或多个特征相关联的值，则该值可能缺失
。
替代地，如果与医学数据集中的一个或多个特征相关联的值是不可信的或者超出合理的阈值，则该值可以被认为是缺失的
。
该方法还包括确定与特征相关联的缺失值之前的值
。
缺失值之前的值可以是在给定时间间隔之前针对患者最后捕获
/
记录的值
。
该方法还包括利用与医学数据集中的特征相关联的缺失值之前的值替换缺失值
。
在实施例中，可以在对值进行记录时所处于的有限时间段内执行利用先前值替换缺失值
。
该时间段可以取决于医学数据集中的一个或多个特征的类型
。
例如，为生命体征定义的时间段可以被限制在4至6小时的范围，而为实验室参数定义的时间段可以被限制在
22
至
24
小时的范围
。
有利的是，通过经训练的机器学习模型，医学数据集变得完整且更可用
。
因此，改善了确定患者败血症发作的准确性
。
[0009]根据实施例，医学数据集中的一个或多个特征包括以下中的至少一个：与患者相关联的生命体征
、
患者血液样本中存在的分析物
、
与患者相关联的人口统计数据以及与患者血液样本中存在的分析物和生命体征相关联的衍生参数
。
例如，与患者相关联的生命体征包括但不限于与患者相关联的心率
、
脉搏血氧测定测量结果
、
患者体温
、
收缩期血压...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种确定患者败血症发作的方法
(200)
，所述方法
(200)
包括
:
由处理单元
(101)
接收与所述患者相关联的至少一个医学数据集，其中所述医学数据集包括多个特征；由所述处理单元
(101)
从所述医学数据集提取一个或多个特征，其中所述一个或多个特征包括与所述患者相关联的参数，所述参数是败血症的指标；由所述处理单元
(101)
插补所述医学数据集中的至少一个缺失值，其中所述缺失值与所述医学数据集中的特征相关联，其中所述医学数据集中的至少一个缺失值是超出预定阈值的值；由所述处理单元
(101)
通过使用所述医学数据集中的所述至少一个插补的缺失值和所述一个或多个特征作为用于一个或多个经训练的机器学习模型
(700)
的输入来确定指示所述患者败血症发作的输出参数；以及如果所述输出参数满足与败血症相关联的预定义标准，则由所述处理单元
(101)
生成指示所述患者败血症发作的警示
(ALT)。2.
根据权利要求1所述的方法
(200)
，还包括对来自所述医学数据集的所述一个或多个特征进行正则化，其中正则化包括针对所述一个或多个特征中的每一个定义统一的最小和最大阈值
。3.
根据权利要求1所述的方法
(200)
，其中插补所述医学数据集中的至少一个缺失值包括
:
由所述处理单元
(101)
确定与所述医学数据集中的特征相关联的缺失值；由所述处理单元
(101)
确定与所述特征相关联的缺失值之前或之后的值；以及由所述处理单元
(101)
利用与所述医学数据集中的特征相关联的缺失值之前的值或缺失值之后的值来替换所述缺失值
。4.
根据前述权利要求中任一项所述的方法
(200)
，其中，与所述患者相关联的医学数据集中的一个或多个特征包括以下中的至少一个：与所述患者相关联的生命体征
、
患者血液样本中存在的分析物以及与患者血液样本中存在的分析物和所述生命体征相关联的衍生参数
。5.
根据权利要求1所述的方法
(200)
，其中指示所述患者败血症发作的输出参数是概率分数，其中概率值0指示没有败血症，以及概率值1指示败血症发作
。6.
根据权利要求1和5所述的方法
(200),
其中生成指示患者败血症发作的警示包括
:
由所述处理单元
(101)
确定与所述患者相关联的概率值是否超过第一预定义阈值；以及如果所述概率值超过所述第一预定义阈值，则由所述处理单元
(101)
生成警告
(ALT)。7.
根据权利要求6所述的方法
(200)
，进一步包括
:
由所述处理单元
(101)
识别指示败血症发作的所生成的警告
(ALT)
的数量；由所述处理单元
(101)
确定所生成的警告
(ALT)
的数量是否超过第二预定义阈值；以及如果所生成的警告的数量超过所述第二预定义阈值，则由所述处理单元
(101)
生成指示败血症发作的警报
(ALM)。8.
根据前述权利要求中任一项所述的方法
(200)
，其中所述经训练的机器学习模型
(700)
是递归神经网络，尤其包括长短期记忆块
。
9.
一种训练机器学习模型
...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：