【技术实现步骤摘要】
本专利技术涉及大数据分析，具体涉及一种围手术期患者感染预测模型及预测方法。
技术介绍
1、针对手术患者，加强围手术期感染控制可以防止患者在手术过程中感染病菌和病毒，减少术后感染风险，从而保障患者的健康和安全，现有的围手术期患者感染预测只是基于医生和护士的日常经验，没有一套科学合理的评估手段，因此，会造成如下问题：
2、1、针对手术环境，工作人员只是根据经验进行清洁或者消毒，没有办法有针对性地评估清洁及消毒效果，可能存在过消毒或者清洁的现象，造成医疗资源的浪费；
3、2、不同患者的体质、对药物的耐药性等有差异，但是，医生往往只是根据自身经验用药，并且倾向于最大程度地预防感染，而忽略了个体差异，造成轻症重药、药物滥用的情况出现，不利于患者的健康。
4、因此，急需要一套合理的围手术期患者感染预测机制，为感染控制提供决策支持，提高手术过程的安全性及用药的合理性。
技术实现思路
1、为解决现有技术中的问题，本专利技术提供一种围手术期患者感染预测模型，还提供一种基于所述围手术期患者感染预测模型实现的预测方法，通过对患者的科学评估，能够针对个体的差异指导用药，从而有效降低患者的医疗成本和医院的资源浪费。
2、本专利技术围手术期患者感染预测模型，包括：
3、患者信息获取模块：用于获取患者的临床信息；
4、第一指标评价子模型：用于根据患者的临床信息，输出关于患者感染几率的第一指标；
5、手术室信息获取模块：用于获取手
6、第二指标评价子模型：用于基于手术室内的环境参数，输出手术室内感染指标的第二指标；
7、手术信息获取模块：用于获取手术相关信息，所述手术相关信息包括手术类型、手术部位、手术持续时间、术中生命体征及术中出入量；
8、第三指标评价子模型：用于基于所述手术相关信息，输出术中感染几率的第三指标；
9、第四指标评价子模型：用于根据术前、术中抗生素的使用情况，输出感染几率的第四指标；
10、预测模块：用于拟合所述第一指标、第二指标、第三指标和第四指标，根据算法输出患者感染几率评分或感染等级。
11、进一步地，所述围手术期患者感染预测模型还包括：
12、术后监测评价子模型：用于根据监测到的生命体征、伤口情况和/或微生物学数据，获取分析及评估结果；
13、感染预测结果动态调整模块：用于根据分析及评估结果，综合大数据，调整患者感染几率评分或感染等级。
14、进一步地，所述临床信息包括患者的既往手术史、慢性病史、过敏史、患者的体征以及术前各类相关的检查指标，所述第一指标评价子模型根据所述既往手术史、慢性病史、过敏史、患者的体征以及术前各类相关的检查指标，获取对与感染相关的影响因子，并对各个影响因子打分，获得包括所有影响因子总分值的第一指标。
15、进一步地，还包括修正模块：基于数据大模型及预测结果，设置各个影响因子的权重并迭代更新，获得第一指标的加权总分值。
16、进一步地，所述环境参数通过传感器及监控设备获取，包括空气质量、温湿度、压差和/或微生物含量。
17、本专利技术还提供一种围手术期患者感染预测方法，基于所述的围手术期患者感染预测模型实现，包括如下步骤：
18、s1：根据患者的临床信息，获取关于患者感染几率的第一指标；
19、s2：基于手术室内的环境参数，获取手术室内感染指标的第二指标；
20、s3：基于所述手术相关信息，输出术中感染几率的第三指标；
21、s4：根据术前、术中抗生素的使用情况，输出感染几率的第四指标；
22、s5：拟合所述第一指标、第二指标、第三指标和第四指标，根据算法输出患者感染几率评分或感染等级。
23、进一步地，还包括步骤s6：根据所述感染几率评分或者感染等级，给患者用药提供指导。
24、进一步地，还包括步骤s7：获取手术后的患者康复情况，评估不同药物对减小感染的效果；
25、并针对患者康复情况，优化所述围手术期患者感染预测模型。
26、进一步地，还包括消毒方法评估步骤：
27、将用于感染控制的消毒方法作为变量，输入所述围手术期患者感染预测模型；
28、评估与之前消毒方法的效果差异，基于效果差异，确定模型的影响因子；
29、基于所述影响因子，确定消毒方法评估子模型；
30、基于所述消毒方法评估子模型，获取影响感染预测的第四指标；
31、将所述第四指标加入所述围手术期患者感染预测模型，获取感染预测结果。
32、与现有技术相比，本专利技术的有益效果是：
33、1、依托大数据分析，建立患者感染预测模型，能够为感染控制提供决策支持；
34、2、通过监测手术室内的环境参数，确保无菌要求，提高手术安全性和医院的运营效率；
35、3、能够根据模型全流程监测患者情况，及时发现并处理感染迹象，助力医护人员根据患者情况制定个性化手术和护理计划；
36、4、通过围手术期患者感染预测模型，能够优化医务工作人员的工作流程，包括消毒和无菌操作流程等，有效预防患者在手术过程中感染病菌和病毒，减少术后感染风险；
37、5、指导患者用药，降低感染率的同时，能够有效减少药物滥用，减少患者的医疗费用和医院的资源浪费；通过模型预测结果，加强医生之间的交流学习，提升医生的工作能力，提高医院的综合实力。
本文档来自技高网...【技术保护点】
1.一种围手术期患者感染预测模型，其特征在于，包括：
2.根据权利要求1所述的围手术期患者感染预测模型，其特征在于，所述围手术期患者感染预测模型还包括：
3.根据权利要求1或2所述的围手术期患者感染预测模型，其特征在于：所述临床信息包括患者的既往手术史、慢性病史、过敏史、患者的体征以及术前各类相关的检查指标，所述第一指标评价子模型根据所述既往手术史、慢性病史、过敏史，患者的体征以及术前各类相关的检查指标，获取对于感染相关的影响因子，并对各个影响因子打分，获得包括所有影响因子总分值的第一指标。
4.根据权利要求3所述的围手术期患者感染预测模型，其特征在于：还包括修正模块：基于数据大模型及预测结果，设置各个影响因子的权重并迭代更新，获得第一指标的加权总分值。
5.根据权利要求1或2所述的围手术期患者感染预测模型，其特征在于：所述环境参数通过传感器及监控设备获取，包括空气质量、温湿度、压差和/或微生物含量。
6.一种围手术期患者感染预测方法，基于权利要求1-5任一项所述的围手术期患者感染预测模型实现，其特征在于，所述围手术期患
7.根据权利要求6所述的围手术期患者感染预测方法，其特征在于：还包括步骤S6：根据所述感染几率评分或者感染等级，给患者用药提供指导。
8.根据权利要求7所述的围手术期患者感染预测方法，其特征在于：还包括步骤S7：获取手术后的患者康复情况，评估不同药物对减小感染的效果；
9.根据权利要求6所述的围手术期患者感染预测方法，其特征在于：还包括消毒方法评估步骤：
...【技术特征摘要】
1.一种围手术期患者感染预测模型，其特征在于，包括：
2.根据权利要求1所述的围手术期患者感染预测模型，其特征在于，所述围手术期患者感染预测模型还包括：
3.根据权利要求1或2所述的围手术期患者感染预测模型，其特征在于：所述临床信息包括患者的既往手术史、慢性病史、过敏史、患者的体征以及术前各类相关的检查指标，所述第一指标评价子模型根据所述既往手术史、慢性病史、过敏史，患者的体征以及术前各类相关的检查指标，获取对于感染相关的影响因子，并对各个影响因子打分，获得包括所有影响因子总分值的第一指标。
4.根据权利要求3所述的围手术期患者感染预测模型，其特征在于：还包括修正模块：基于数据大模型及预测结果，设置各个影响因子的权重并迭代更新，获得第一指标的加权总分值。
<...【专利技术属性】
技术研发人员：迟玮，郭文军，陈璐，王亚萍，欧阳平，刘美美，赵东升，练少铭，
申请(专利权)人：深圳市眼科医院深圳市眼病防治研究所，
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。