【技术实现步骤摘要】
本申请涉及病症预警模型的领域，尤其是涉及一种基于医疗大数据的危重症早期预警方法及相关装置。
技术介绍
1、危重症，也称为严重急性疾病，指的是那些对患者生命构成直接威胁，需要立即医疗干预的健康状况。这类疾病常常涉及多个器官系统的功能障碍，如急性呼吸窘迫综合征、重症肺炎、脓毒症、多器官功能衰竭等。危重症患者通常需要在重症监护室（icu）中接受高强度的医疗监护和治疗。
2、危重症对患者家庭和社会产生深远的影响。医疗资源的大量占用是其直接后果之一，包括但不限于icu床位、高级医疗设备使用、以及医护人员的集中投入。这些资源的密集需求可能导致医疗系统在面对突发公共卫生事件或其他严重疾病患者时压力倍增。
3、对于患者家庭而言，危重症的影响同样剧烈。高昂的医疗费用往往给家庭经济带来沉重负担，有时甚至导致家庭因病致贫。此外，患者的长期疾病过程和不确定的预后也给家庭成员带来极大的心理压力和情感负担。
4、医疗大数据涵盖了从电子健康记录、医疗影像、基因组数据、药物信息到实时监测设备收集的数据等多个方面。通过分析这些数据，医疗专业人员可以获得疾病模式、治疗效果和患者预后的深入理解。
5、医疗大数据通过整合个体和群体的健康信息，提供了危重症早期识别和预测的可能性。例如，通过分析患者的生理参数变化、历史健康记录和相似患者的治疗结果，可以预测患者发展成特定危重症的风险，从而实现早期干预。
6、尽管医疗大数据在预判危重症方面具有巨大潜力，但也面临不少挑战，其中，单个医疗数据对危重症的判断影响因子可能很
技术实现思路
1、为了提高利用医疗大数据预警危重症的效率和准确度，本申请提供一种基于医疗大数据的危重症早期预警方法及相关装置。
2、第一方面，本申请提供的一种基于医疗大数据的危重症早期预警方法，采用如下的技术方案：
3、一种基于医疗大数据的危重症早期预警方法，包括以下步骤：
4、获取多个体征参数，并将患者参数输入到隐马尔可夫模型，以得到患者的危重症类型及概率；其中，所述隐马尔可夫模型基于预录入的医疗大数据训练得到，并利用前向-后向算法计算得到患者的危重症类型及概率，患者的危重症类型及概率基于转移概率矩阵和观察概率矩阵在向前过程和向后过程不断迭代后得到。
5、可选的，所述前向-后向算法计算得到患者的危重症类型及概率的步骤包括：
6、s1.确定隐状态i，并定义隐状态i对应的初始状态概率，其中，每一隐状态i对应于一种危重症；
7、s2.计算初始概率与第一次观察的联合概率: ，其中，是在状态 观察到第一个观察 的概率；
8、s3.对于每个时间点 和每个隐状态 ，递归计算: ，其中， 是从隐状态 转移到隐状态 的转移概率， 是在隐状态 观察到 的观察概率；
9、s4.计算最终观察序列的概率: ，其中， 是观察序列的总时间点数， 是模型参数；
10、s5.在最终时间点 ，对于每个隐状态 ，设置后向概率为 ；
11、s6.对于每个时间点 和每个隐状态 ，逆向计算:；
12、s7.利用前向和后向概率计算给定观察序列下每个时间点每个状态的概率：。
13、可选的，所述转移概率基于医疗大数据中的样本计算得来，且。
14、可选的，所述观察概率 基于医疗大数据中的样本计算得来，且。
15、可选的，所述转移概率和观察概率基于医疗大数据中的样本的计算步骤包括：
16、给定模型参数，计算在时间点 观察到序列 并且状态为 的概率；
17、给定模型参数，计算在时间点 状态为 并且从 到 观察到序列 的概率；
18、基于前向和后向概率，计算状态转移的期望次数和在特定状态观察到特定观察的期望次数；其中， 是前向概率，表示在时间 观察到序列 并且状态为 的概率； 是从状态 转移到状态 的转移概率； 是在状态 下观察到 的概率； 是后向概率，表示在时间 状态为 并且从 到 观察到序列 的概率； 是给定模型参数 下观察序列 出现的总概率，可以通过将所有时间点的前向概率在最后一个时间点 上求和得到； 可以通过对所有状态 的 在时间点 上求和得到，即对所有可能的下一个状态 求和；
19、更新转移概率矩阵，其中，每个转移概率是在给定前一个状态是 的条件下，转移到状态 的期望次数除以在状态 的总期望时间；
20、更新观察概率矩阵，其中，每个观察概率是在给定状态 下，观察到特定观察的期望次数除以状态 的总期望时间；
21、更新初始状态概率，其中，每个初始状态的概率基于第一个时间点每个状态的期望概率来更新。
22、可选的，所述观察状态包括呼吸速率、睡眠模式、体温、心率、心率变化、混合静脉氧饱和度、患者体重变化、血压、血压变化、血液ph值、血糖水平、二氧化碳分压、白细胞计数、和/或血红蛋白浓度。
23、可选的，所述隐状态包括心力衰竭、肺炎、败血症、心律失常、急性呼吸窘迫综合征、急性肾损伤、和/或脑卒中。
24、第二方面，本申请提供的一种基于医疗大数据的危重症早期预警系统，采用如下的技术方案：
25、一种基于医疗大数据的危重症早期预警系统，包括：
26、参数获取模块，用于获取多个体征参数；
27、计算模块，用于将患者的体征参数输入到隐马尔可夫模型，以得到患者的危重症类型及概率；其中，所述隐马尔可夫模型基于预录入的医疗大数据训练得到，并利用前向-后向算法计算得到患者的危重症类型及概率，患者的危重症类型及概率基于转移概率矩阵和观察概率矩阵在向前过程和向后过程不断迭代后得到。
28、可选的，所述计算模块包括：
29、隐状态确定单元，用于确定隐状态i，并定义隐状态i对应的初始状态概率，其中，每一隐状态i对应于一种危重症；
30、向前算法初始化单元，用于计算初始概率与第一次观察的联合概率:，其中，是在状态 观察到第一个观察 的概率；
31、向前递归单元，用于对于每个时间点 和每个隐状态 ，递归计算: ，其中， 是从隐状态 转移到隐状态 的转移概率， 是在隐状态 观察到 的观察概率；
32、向前算法终止单元，用于计算最终观察序列的概率: ，其中， 是观察序列的总时间点数， 是模型参数；
33、向后算法初始化单元，用于在最终时间点 ，对于每个隐状态 ，设置后向概率为 ；
34、向后递归单元，用于对于每个时间点 和每个隐状态 ，逆向计算:；
35、向后算法终止单元，用于利用前向和后向本文档来自技高网...
【技术保护点】
1.一种基于医疗大数据的危重症早期预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述前向-后向算法计算得到患者的危重症类型及概率的步骤包括：
3.根据权利要求2所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述转移概率基于医疗大数据中的样本计算得来，且；
4.根据权利要求3所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述转移概率和观察概率基于医疗大数据中的样本的计算步骤包括：
5.根据权利要求4所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述观察状态包括呼吸速率、睡眠模式、体温、心率、心率变化、混合静脉氧饱和度、患者体重变化、血压、血压变化、血液pH值、血糖水平、二氧化碳分压、白细胞计数、和/或血红蛋白浓度。
6.根据权利要求5所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述隐状态包括心力衰竭、肺炎、败血症、心律失常、急性呼吸窘迫综合征、急性肾损伤、和/或脑卒中。
7.一种基于医疗大数据的危重症早期预警系统，
8.根据权利要求7所述的基于医疗大数据的危重症早期预警系统，其特征在于，所述计算模块包括：
9.一种计算机设备，其特征在于，其包括：
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现：如权利要求1至6任一项所述的基于医疗大数据的危重症早期预警方法。
...【技术特征摘要】
1.一种基于医疗大数据的危重症早期预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述前向-后向算法计算得到患者的危重症类型及概率的步骤包括：
3.根据权利要求2所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述转移概率基于医疗大数据中的样本计算得来，且；
4.根据权利要求3所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述转移概率和观察概率基于医疗大数据中的样本的计算步骤包括：
5.根据权利要求4所述的基于医疗大数据的危重症早期预警方法，其特征在于，所述观察状态包括呼吸速率、睡眠模式、体温、心率、心率变化、混合静脉氧饱和度、患者体重变化、血压、血压变化、血液ph值、血糖水平、二氧化碳...
【专利技术属性】
技术研发人员：李士玉，许拥盛，方海洲，
申请(专利权)人：深圳达实旗云健康科技有限公司，
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。