【技术实现步骤摘要】
技术介绍
1、危重患者和接受手术的患者有进入许多严重生理状态的风险，如果不及时发现并有效治疗，严重生理状态可能导致不可逆的器官损害，甚至死亡。这些生理状态的示例包括低血压、血容量不足、急性失血、败血性休克和心血管衰竭或“崩溃”，仅举几例。对于这些生理状态中的每一种，尽可能早发现是至关重要的，以便防止对患者造成永久性损伤。更有利的是实现预测这些生理状态中的一些或全部的发作，以便提前准备适当的医疗干预。
2、作为一个具体的示例，低血压或低血压症可能是接受手术的患者和在重症监护病房(icu)接受治疗的危重患者的严重医疗并发症的预兆。在手术室(or)环境中，手术期间的低血压与死亡率和器官损伤增加有关。此外，低血压相对常见，并且通常被视为or和icu中患者恶化的最初迹象之一。例如，低血压总体上出现在高达约33％的手术中，并出现在高达85％的高风险手术中。在icu患者中，全部患者中的约24％至约85％出现低血压，其中85％的发生率出现在危重患者中。
3、用于上述低血压和其他严重生理状态的传统患者监测可包括生命体征(诸如血压、脉搏率、呼吸等)的连续或周期性测量。然而，无论是连续地还是周期性地执行这种监测，通常仅提供对患者病症的实时评估。因此，通常仅在上述低血压和其他严重生理状态发作后才发现，使得直到患者已开始恶化才启动补救措施和干预。然而，这些生理状态很快就会产生潜在的破坏性医疗后果。例如，即使相对轻度的低血压也可预示或促使心脏储备有限的患者心脏骤停。
4、鉴于or和icu患者对低血压和其他潜在危险生理状
技术实现思路
1、提供了用于预测风险模型优化的系统和方法，基本上如结合至少一个附图所示和/或所描述的，并且如权利要求中更完整地阐述的。
本文档来自技高网...【技术保护点】
1.一种用于训练预测风险模型的系统，所述系统包括：
2.根据权利要求1所述的系统，其中所述第一多个参数中的参数表示：
3.根据权利要求2所述的系统，其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
4.根据权利要求1所述的系统，其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量，所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
5.根据权利要求1所述的系统，其中通过所述第三多个组合参数的接受者工作特征分析即ROC分析来识别与所述低血压相关的所述多个参数的缩减集。
6.根据权利要求1所述的系统，其中使用所述回归模型来识别所述参数预测集包括：
7.根据权利要求1所述的系统，其中使用所述分类模型来识别所述参数预测集包括：
8.一种由系统用于训练预测风险模型的方法，所述系统包括硬件处理器和存储在系统存储器中的预测风险模型训练软件代码，所述方法包括：
9.根据权利要求8所述的方法，其中所述第一多个参数中的参数表示：
10.根据权利要求
11.根据权利要求8所述的方法，其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量，所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
12.根据权利要求8所述的方法，其中分析所述第三多个组合参数以识别与所述低血压相关的所述多个参数的缩减集包括执行所述第三多个组合参数的接受者工作特征分析即ROC分析。
13.根据权利要求8所述的方法，其中使用所述回归模型来识别所述参数预测集包括：
14.根据权利要求8所述的方法，其中使用所述分类模型来识别所述参数预测集包括：
15.一种计算机可读非暂时性介质，其上存储有指令，当由硬件处理器执行时，所述指令实例化包括以下步骤的方法：
16.根据权利要求15所述的计算机可读非暂时性介质，其中所述第一多个参数中的参数表示：
17.根据权利要求16所述的计算机可读非暂时性介质，其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
18.根据权利要求15所述的计算机可读非暂时性介质，其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量，所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
19.根据权利要求18所述的计算机可读非暂时性介质，其中分析所述第三多个组合参数以识别与所述低血压相关的所述参数的缩减集包括执行所述第三多个组合参数的接受者工作特征分析即ROC分析。
20.根据权利要求15所述的计算机可读非暂时性介质，其中使用所述回归模型来识别所述参数预测集包括：
21.根据权利要求15所述的计算机可读非暂时性介质，其中使用所述分类模型来识别所述参数预测集包括：
22.根据权利要求1所述的系统，其中所述第一多个参数包括心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数、压力反射敏感性测量、血液动力学复杂性测量和/或频域血液动力学特征中的一个或多个。
23.根据权利要求8所述的方法，其中所述第一多个参数包括心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数、压力反射敏感性测量、血液动力学复杂性测量和/或频域血液动力学特征中的一个或多个。
24.根据权利要求15所述的计算机可读非暂时性介质，其中所述第一多个参数包括心输出量、心脏指数、每搏输出量、每搏输出量指数、脉搏率、全身血管阻力、全身血管阻力指数、压力反射敏感性测量、血液动力学复杂性测量和/或频域血液动力学特征中的一个或多个。
25.一种用于训练预测风险模型方法，其包括：
...【技术特征摘要】
1.一种用于训练预测风险模型的系统，所述系统包括：
2.根据权利要求1所述的系统，其中所述第一多个参数中的参数表示：
3.根据权利要求2所述的系统，其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
4.根据权利要求1所述的系统，其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量，所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
5.根据权利要求1所述的系统，其中通过所述第三多个组合参数的接受者工作特征分析即roc分析来识别与所述低血压相关的所述多个参数的缩减集。
6.根据权利要求1所述的系统，其中使用所述回归模型来识别所述参数预测集包括：
7.根据权利要求1所述的系统，其中使用所述分类模型来识别所述参数预测集包括：
8.一种由系统用于训练预测风险模型的方法，所述系统包括硬件处理器和存储在系统存储器中的预测风险模型训练软件代码，所述方法包括：
9.根据权利要求8所述的方法，其中所述第一多个参数中的参数表示：
10.根据权利要求9所述的方法，其中所述第二多个差分参数中的差分参数不同于所述第一多个参数中的参数。
11.根据权利要求8所述的方法，其中所述第三多个组合参数中的组合参数表示血液动力学复杂性测量，所述血液动力学复杂性测量量化心脏测量值中的规律性和波动的不可预测性。
12.根据权利要求8所述的方法，其中分析所述第三多个组合参数以识别与所述低血压相关的所述多个参数的缩减集包括执行所述第三多个组合参数的接受者工作特征分析即roc分析。
13.根据权利要求8所述的方法，其中使用所述回归模型来识别所述参数预测集包括：
14.根据权利要求8所述的方法，其中使用所述分类模型来识别所述参数预测集包括：
15.一种计算机可读非暂时性介质，其上存储有指令，当由硬件处...
【专利技术属性】
技术研发人员：F·艾哈提布，Z·蹇，
申请(专利权)人：爱德华兹生命科学公司，
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。