System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于医疗数据挖掘领域,具体是icu创伤患者脓毒症机器学习预测系统。
技术介绍
1、脓毒症是一种由机体对感染反应异常引起的危及生命的器官功能障碍,在全球范围内,其影响的人群达数百万之多,其中三分之一到六分之一的人死于此病。通常使用sirs、sofa和qsofa等临床方法识别脓毒症,但存在如下瑕疵:(1)临床方法存在主观误判风险,其准确度与临床医生专业素养及经验强相关;(2)临床方法不具备实时预警功能,临床医生需要一系列复杂的定性及定量记录及检测才能完成一次评估,每日最多可完成2、3次。(3)临床方法不具备早期预警功能,临床方法确定潜在患者为脓毒症患者的时刻落后于患者罹患脓毒症的临界时刻,已经不存在疾病预警期,患者失去规避疾病发生的机会。
2、为了解决上述问题,专利公开号cn116189906b公开了脓毒症实时预警的神经网络模型、方法和电子设备,包括:输入器,用于获取被测者脓毒症相关检测项目的测量值;处理器,与输入器相连,所述处理器用于对输入器获取的数据进行处理,输出脓毒症死亡率的预测值;所述处理器,包括:数据预处理模块、多维特征选择模块、集成模型构建模块和集成模型预测模块;数据预处理门口对数据进行预处理,多维特征选择模块对预处理后的特征进行特征选择,筛选出重要的特征,将重要的特征输入到集成模型构建模块构建的集成模型中,对集成模型进行训练,利用训练好的集成模型对预测及进行脓毒症死亡率的预测;本专利技术使得脓毒症病患的各项生理指标与死亡率建立联系,测试准确度高。
3、上述脓毒症实时预警的神经网络模型、
技术实现思路
1、为了解决现有技术中icu内患者出现脓毒症相关特征时,患者几乎难以采取有效的抵抗手段的问题,本专利技术的目的是提供icu创伤患者脓毒症机器学习预测系统,能够结合患者自身基础病对脓毒症进行风险预测。
2、为了实现上述目的,本专利技术的技术方案如下:icu创伤患者脓毒症机器学习预测系统,包括患者基础病信息收集模块、患者病症检测模块和卷积神经网络模块;
3、患者基础病信息收集模块用于收集存储患者的基础病信息,将患者以医生诊断的基础病种类与患者信息进行绑定,建立患者基础病信息数据库;
4、患者病症检测模块用于检测患者病症状态数据,患者病症状态包括凝血功能评估数据、氧自由基含量、血纤维蛋白溶解量、器官受损评估、肠道细菌数、白细胞浓度、体温、心率和呼吸频率,建立患者病症状态数据随时间变化数据图;
5、卷积神经网络模块利用患者基础病信息数据库和患者病症状态数据随时间变化数据图进行训练,训练完成后的卷积神经网络模块用于将患者基础病信息和患者病症状态数据输入后,对患者病症状态数据进行对比拟合,输出患者病症状态数据预测走势图。
6、采用上述方案后实现了以下有益效果:
7、脓毒症常见于有基础病的患者如糖尿病、慢性阻塞性支气管、白血病、再生障碍型贫血和尿路结石等。而患者基础病信息收集模块收集的信息能够反应患者浓毒症的有无和浓毒症严重程度。通过对大量的各基础病和病症状态数据的训练,使卷积神经网络模块能够通过基础病和少量病症状态数据得到患者由基础病诱发脓毒症的患者病症状态数据预测走势图,该患者病症状态数据预测走势图的趋势受患者的基础病影响,使走势的变化更贴近实际。
8、与现有技术相比,通过患者自身的基础病生成的患者病症状态数据预测走势图,走势受基础病影响,确定因素更多,能够更贴近实际情况;通过将基础病作为参考能够得到各基础病引发浓毒症的概率,以及各基础病结合浓毒症的危害程度,使医务人员能够针对不同情况做医疗准备;同时基础病作为脓毒症的诱因之一,使预测需要的额外数据更少,使预测更早,医务人员能够有更多时间针对患者制定治疗方针,减少治疗风险。
9、进一步,患者基础病信息收集模块还用于对基础病的严重程度进行评级,将基础病分为轻症、普通和重症。
10、有益效果:不同程度的基础病影响均不相同,因此将基础病进行评级,减少由不同程度的基础病引起的波动。
11、进一步,卷积神经网络模块还用于根据患者病症状态数据预测走势图进行危险预警,当患者病症状态数据预测走势图的最高点达到致死量时进行警报。
12、有益效果:当患者病症状态数据预测走势图的最高点达到致死量时,说明患者目前状态及危险,需要紧急制定方案处理。
13、进一步,患者病症检测模块还用于检测脓毒症并发症,脓毒症并发症由医生诊断,卷积神经网络模块会将诊断出并发症的患者病例筛出并进行单独训练。
14、有益效果:脓毒症也会引起病发症,通常病发症难以短时间治愈,因此病发症能够作为参考变量对患者病症状态数据预测走势图进行修正。
15、进一步,器官受损评估为对患者重要器官分别进行评估。
16、有益效果:笼统的器官受损评估仅能够体现脓毒症严重程度。各器官受损对患者的危害度不同,且基础病通常是由某个器官病变产生的,当该器官产生脓毒症病变会同时加剧基础病,对患者的危害更大,因此对患者重要器官分别进行评估,能够细化危险度,有助于风险评估。
17、进一步,当患者病症状态数据与卷积神经网络模块输出的患者病症状态数据预测走势图出现大幅偏离时,卷积神经网络模块会发出警报。
18、有益效果:当出现大幅偏离时可能由多重原因组成,例如未判定并发症和基础病评级错误等,医生需要对患者状态进行重新评估,以生成更符合患者病情的预测走势图。
19、进一步,患者病症状态数据随时间变化数据图还包括各时间段药物种类的使用,卷积神经网络模块还用于对比各时间段内不同种类药物对患者病症状态数据的影响,辅助医务人员用药。
20、有益效果:记录药物的使用能够通过病症状态数据体现该药物的作用效果,且由基础病、脓毒症和并发症组成的病状复杂,通过记录用药方式能够对医务人员进行辅助,帮助医务人员决策。
21、进一步,卷积神经网络模块还用于将患者病症状态数据与患者病症状态数据预测走势图对比评估患者耐药性。
22、有益效果:脓毒症产生原因为细菌等病原微生物侵入机体,细菌等病原微生物会逐渐变异产生适应性,根据患者病症状态数据与患者病症状态数据预测走势图对比,能够得出预计治疗效果与实际治疗效果的差异,从而评定患者是否有抗药反应。
本文档来自技高网...【技术保护点】
1.ICU创伤患者脓毒症机器学习预测系统,其特征在于:包括患者基础病信息收集模块、患者病症检测模块和卷积神经网络模块;
2.根据权利要求1所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:患者基础病信息收集模块还用于对基础病的严重程度进行评级,将基础病分为轻症、普通和重症。
3.根据权利要求2所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:卷积神经网络模块还用于根据患者病症状态数据预测走势图进行危险预警,当患者病症状态数据预测走势图的最高点达到致死量时进行警报。
4.根据权利要求3所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:患者病症检测模块还用于检测脓毒症并发症,脓毒症并发症由医生诊断,卷积神经网络模块会将诊断出并发症的患者病例筛出并进行单独训练。
5.根据权利要求4所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:器官受损评估为对患者重要器官分别进行评估。
6.根据权利要求5所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:当患者病症状态数据与卷积神经网络模块输出的患者病症状态数据
7.根据权利要求6所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:患者病症状态数据随时间变化数据图还包括各时间段药物种类的使用,卷积神经网络模块还用于对比各时间段内不同种类药物对患者病症状态数据的影响,辅助医务人员用药。
8.根据权利要求7所述的ICU创伤患者脓毒症机器学习预测系统,其特征在于:卷积神经网络模块还用于将患者病症状态数据与患者病症状态数据预测走势图对比评估患者耐药性。
...【技术特征摘要】
1.icu创伤患者脓毒症机器学习预测系统,其特征在于:包括患者基础病信息收集模块、患者病症检测模块和卷积神经网络模块;
2.根据权利要求1所述的icu创伤患者脓毒症机器学习预测系统,其特征在于:患者基础病信息收集模块还用于对基础病的严重程度进行评级,将基础病分为轻症、普通和重症。
3.根据权利要求2所述的icu创伤患者脓毒症机器学习预测系统,其特征在于:卷积神经网络模块还用于根据患者病症状态数据预测走势图进行危险预警,当患者病症状态数据预测走势图的最高点达到致死量时进行警报。
4.根据权利要求3所述的icu创伤患者脓毒症机器学习预测系统,其特征在于:患者病症检测模块还用于检测脓毒症并发症,脓毒症并发症由医生诊断,卷积神经网络模块会将诊断出并发症的患者病例筛出并进行单独训练。
5...
【专利技术属性】
技术研发人员:周飞虎,孙百胜,雷明星,毛智,王黎,胡新,
申请(专利权)人:中国人民解放军总医院第一医学中心,
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。