CN112309538A - 基于互联网的产时缩宫素滴速智能调控***及方法 - Google Patents
基于互联网的产时缩宫素滴速智能调控***及方法 Download PDFInfo
- Publication number
- CN112309538A CN112309538A CN202011109626.8A CN202011109626A CN112309538A CN 112309538 A CN112309538 A CN 112309538A CN 202011109626 A CN202011109626 A CN 202011109626A CN 112309538 A CN112309538 A CN 112309538A
- Authority
- CN
- China
- Prior art keywords
- oxytocin
- data
- variables
- speed
- physiological parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XNOPRXBHLZRZKH-UHFFFAOYSA-N Oxytocin Natural products N1C(=O)C(N)CSSCC(C(=O)N2C(CCC2)C(=O)NC(CC(C)C)C(=O)NCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(CCC(N)=O)NC(=O)C(C(C)CC)NC(=O)C1CC1=CC=C(O)C=C1 XNOPRXBHLZRZKH-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 101800000989 Oxytocin Proteins 0.000 title claims abstract description 112
- 102100031951 Oxytocin-neurophysin 1 Human genes 0.000 title claims abstract description 112
- 229960001723 oxytocin Drugs 0.000 title claims abstract description 112
- XNOPRXBHLZRZKH-DSZYJQQASA-N oxytocin Chemical compound C([C@H]1C(=O)N[C@H](C(N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CSSC[C@H](N)C(=O)N1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)NCC(N)=O)=O)[C@@H](C)CC)C1=CC=C(O)C=C1 XNOPRXBHLZRZKH-DSZYJQQASA-N 0.000 title claims abstract description 111
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000002458 fetal heart Anatomy 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 35
- 230000008774 maternal effect Effects 0.000 claims abstract description 33
- 238000001802 infusion Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000001276 controlling effect Effects 0.000 claims abstract description 7
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 208000036029 Uterine contractions during pregnancy Diseases 0.000 claims description 54
- 230000001605 fetal effect Effects 0.000 claims description 20
- 238000012384 transportation and delivery Methods 0.000 claims description 14
- 208000034423 Delivery Diseases 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000009677 vaginal delivery Effects 0.000 claims description 11
- 230000036592 analgesia Effects 0.000 claims description 10
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000003187 abdominal effect Effects 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 210000002219 extraembryonic membrane Anatomy 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 231100000241 scar Toxicity 0.000 description 4
- 210000004291 uterus Anatomy 0.000 description 4
- 206010000210 abortion Diseases 0.000 description 3
- 231100000176 abortion Toxicity 0.000 description 3
- 210000004381 amniotic fluid Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001936 parietal effect Effects 0.000 description 3
- 230000035935 pregnancy Effects 0.000 description 3
- 206010021718 Induced labour Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/16804—Flow controllers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Anesthesiology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供基于互联网的产时缩宫素滴速智能调控方法，包括计算云，以及信息收集端和智能输液终端；信息收集端收集产妇人口学资料数据和产前检查资料数据来构建电子病历***，以及收集产时生理参数对应的数据来构建胎心监护信息***；智能输液终端接收计算云处理后形成的缩宫素滴速变化情况对应的数值，以智能控制缩宫素滴速；计算云将具有统计学意义的特征变量及产时生理参数共同作为输入变量，组合得到模型输入数据，并构建产时缩宫素滴速预测模型输出缩宫素滴速变化情况对应的数值。实施本发明，克服传统输注方案对个人经验的依赖和医务人员人力资源短缺的矛盾，利用人工智能技术进行数据处理、模型预测、精准调控，以辅助助产士输注。
Description
技术领域
本发明涉及计算机智能技术领域和药物技术领域，尤其涉及一种基于互联 网的产时缩宫素滴速智能调控***及方法。
背景技术
近年来，我国剖宫产率持续居高不下，随着医疗条件提升及二胎生育放开， 瘢痕子宫再次妊娠人群急剧增多，其***试产成功率在60％-80％之间，具有较 高的可行性。缩宫素(Oxytocin，OT)是临床催产、引产的首选药物，低剂量 OT通过与分娩期子宫平滑肌特异性OT受体结合发挥作用，可促进子宫收缩， 加快产程进展。研究表明，瘢痕子宫产妇***试产时使用OT是相对安全的，可 缩短产程，提高***分娩率，未增加不良分娩结局的发生。但OT临床应用个体 差异性较大，需助产士专人监测，并依据胎心、宫缩、产程进展等情况需每隔 15-20min调节一次OT滴速，人力成本高昂；此外，在临床医护资源短缺的现 状下，一名助产士需同时监护多名产妇，OT滴速可能无法得到及时合理的调整， 影响用药安全。
目前已实现了较多智能药物注射***或反馈控制***，见于患者镇痛、胰 岛素注射等领域，但尚未有一款智能***应用于控制OT输注。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于互联网的产时缩宫 素滴速智能调控***及方法，克服了传统输注方案对个人经验的依赖及护士人 力资源短缺的矛盾，并在“互联网+”的时代背景下，利用人工智能技术进行数 据处理、模型预测、精准调控，以辅助助产士进行OT输注。
为了解决上述技术问题，本发明实施例提供了一种基于互联网的产时缩宫 素滴速智能调控***，包括计算云，以及通过所述计算云互连的信息收集端和 智能输液终端；其中，
所述信息收集端，用于收集产妇人口学资料数据和产前检查资料数据来构 建电子病历***，以及从胎心监护仪数据端口中收集产时生理参数对应的数据 来构建胎心监护信息***；
所述智能输液终端，用于接收所述信息收集端所收集的数据经所述计算云 处理后形成的缩宫素滴速变化情况对应的数值，以智能控制缩宫素滴速；
所述计算云包括依序连接的输入变量形成单元、模型输入数据筛选单元、 预测模型构建单元和预测模型结果输出单元；
所述输入变量形成单元，用于获取产妇人口学资料和产前检查资料并筛选 出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参 数，且将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变 量；
所述模型输入数据筛选单元，用于根据所述输入变量，从所述产妇人口学 资料、所述产前检查资料及所述产时生理参数各自对应的数据中，组合得到具 有所述输入变量的样本数据作为模型输入数据；
所述预测模型构建单元，用于基于LightGBM算法，构建产时缩宫素滴速 预测模型；其中，所述产时缩宫素滴速预测模型以所述模型输入数据为数据输 入，以缩宫素滴速变化情况为目标输出；
所述预测模型结果输出单元，用于将所述模型输入数据导入所述产时缩宫 素滴速预测模型中进行计算，得到最终缩宫素滴速变化情况对应的数值。
其中，所述输入变量形成单元包括：
第一变量获取模块，用于从预设的电子病历***中，获取产妇人口学资料 和产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有统计学意 义的特征变量；其中，所述具有统计学意义的特征变量包括连续性变量和分类 变量；所述连续性变量包括年龄、BMI、胎先露、胎心、心率、宫腔压力、宫缩 持续时间、宫缩频率、胎先露和宫口扩张；所述分类变量包括***分娩史、剖 宫产史、分娩镇痛；
第二变量获取模块，用于从所述胎心监护仪数据端口中，获取产时生理参 数；其中，所述产时生理参数包括胎心、宫缩频率、宫缩持续时间、宫缩强度、 宫腔压力峰值在指定时间内的平均值；
输入变量组合模块，用于将所述具有统计学意义的特征变量及所述产时生 理参数共同作为输入变量。
其中，所述缩宫素滴速变化情况包括滴速维持原速、滴速变慢和滴速加快； 所述缩宫素滴速变化情况对应的数值包括对应滴速维持原速的数值3，对应滴速 变慢的数值2和对应滴速加快的数值1。
本发明实施例还提供了一种基于互联网的产时缩宫素滴速智能调控方法， 其在前述的基于互联网的产时缩宫素滴速智能调控***上实现，包括以下步骤：
信息收集端收集产妇人口学资料数据和产前检查资料数据来构建电子病历 ***，以及从胎心监护仪数据端口中收集产时生理参数对应的数据来构建胎心 监护信息***；
计算云从所述信息收集端中获取产妇人口学资料和产前检查资料并筛选出 具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数， 且将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量；
所述计算云根据所述输入变量，从所述产妇人口学资料、所述产前检查资 料及所述产时生理参数各自对应的数据中，组合得到具有所述输入变量的样本 数据作为模型输入数据；
所述计算云基于LightGBM算法，构建产时缩宫素滴速预测模型；其中， 所述产时缩宫素滴速预测模型以所述模型输入数据为数据输入，以缩宫素滴速 变化情况为目标输出；
所述计算云将所述模型输入数据导入所述产时缩宫素滴速预测模型中进行 计算，得到最终缩宫素滴速变化情况对应的数值；
智能输液终端接收所述计算云形成的缩宫素滴速变化情况对应的数值，以 智能控制缩宫素滴速。
其中，所述计算云从所述信息收集端中获取产妇人口学资料和产前检查资 料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产 时生理参数，且将所述具有统计学意义的特征变量及所述产时生理参数共同作 为输入变量的步骤具体包括：
所述计算云从所述信息收集端的电子病历***中，获取产妇人口学资料和 产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有统计学意义 的特征变量；其中，所述具有统计学意义的特征变量包括连续性变量和分类变 量；所述连续性变量包括年龄、BMI、胎先露、胎心、心率、宫腔压力、宫缩持 续时间、宫缩频率、胎先露和宫口扩张；所述分类变量包括***分娩史、剖宫 产史、分娩镇痛；
所述计算云从所述信息收集端的胎心监护信息***中，获取产时生理参数； 其中，所述产时生理参数包括胎心、宫缩频率、宫缩持续时间、宫缩强度、宫 腔压力峰值在指定时间内的平均值；
所述计算云将所述具有统计学意义的特征变量及所述产时生理参数共同作 为输入变量。
其中，所述缩宫素滴速变化情况包括滴速维持原速、滴速变慢和滴速加快； 所述缩宫素滴速变化情况对应的数值包括对应滴速维持原速的数值3，对应滴速 变慢的数值2和对应滴速加快的数值1。
实施本发明实施例，具有如下有益效果：
1、本发明基于LightGBM算法构建的OT滴速预测模型，通过医疗监控端 实时获取胎心、宫缩状态等产时信息，并结合电子病例***数据智能判断下一 时刻OT滴速走向，及时反馈智能输液终端，整个OT智能输液***可代替或辅 助助产士进行OT输注，降低护士人力资源成本，且避免传统输注方案对个人经 验的依赖，为临床护理工作提供新思路；
2、本发明基于LightGBM构建的OT滴速预测模型，其训练速度快、模型 精度高，且该模型是“云端结合”体系中的信息分析核心，可为调控终端设备 提供决策支持，在“互联网+”时代下发挥优势，从而在“互联网+”的时代背 景下，利用人工智能技术进行数据处理、模型预测、精准调控，以辅助助产士 进行OT输注，是现代妇产医学形势所趋。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于互联网的产时缩宫素滴速智能调控***的 结构示意图；
图2为图1中计算云的逻辑结构框图；
图3为本发明实施例提供的基于互联网的产时缩宫素滴速智能调控***中 纳入变量的重要性分布图；
图4为本发明实施例提供的基于互联网的产时缩宫素滴速智能调控方法的 流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 作进一步地详细描述。
如图1和图2所示，为本发明实施例中，提供的一种基于互联网的产时缩 宫素滴速智能调控***，包括计算云，以及通过计算云互连的信息收集端和智 能输液终端；其中，
信息收集端，用于收集产妇人口学资料数据和产前检查资料数据来构建电 子病历***，以及从胎心监护仪数据端口中收集产时生理参数对应的数据来构 建胎心监护信息***；
智能输液终端，用于接收所述信息收集端所收集的数据经所述计算云处理 后形成的缩宫素滴速变化情况对应的数值，以智能控制缩宫素滴速；
计算云包括依序连接的输入变量形成单元110、模型输入数据筛选单元120、 预测模型构建单元130和预测模型结果输出单元140；
输入变量形成单元110，用于获取产妇人口学资料和产前检查资料并筛选出 具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数， 且将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量； 其中，该输入变量形成单元110包括第一变量获取模块1101、第二变量获取模 块1102和输入变量组合模块1103；该第一变量获取模块1101，用于从预设的电 子病历***中，获取产妇人口学资料和产前检查资料，通过单因素分析和多重 线性逐步回归，筛选出具有统计学意义的特征变量；其中，所述具有统计学意 义的特征变量包括连续性变量和分类变量；所述连续性变量包括年龄、BMI、胎 先露、胎心、心率、宫腔压力、宫缩持续时间、宫缩频率、胎先露和宫口扩张； 所述分类变量包括***分娩史、剖宫产史、分娩镇痛；该第二变量获取模块1102， 用于从所述胎心监护仪数据端口中，获取产时生理参数；其中，所述产时生理 参数包括胎心、宫缩频率、宫缩持续时间、宫缩强度、宫腔压力峰值在指定时 间内的平均值；该输入变量组合模块1103，用于将所述具有统计学意义的特征 变量及所述产时生理参数共同作为输入变量；
模型输入数据筛选单元120，用于根据所述输入变量，从所述产妇人口学资 料、所述产前检查资料及所述产时生理参数各自对应的数据中，组合得到具有 所述输入变量的样本数据作为模型输入数据；
所述预测模型构建单元130，用于基于LightGBM算法，构建产时缩宫素滴 速预测模型；其中，所述产时缩宫素滴速预测模型以所述模型输入数据为数据 输入，以缩宫素滴速变化情况为目标输出；
预测模型结果输出单元140，用于将所述模型输入数据导入所述产时缩宫素 滴速预测模型中进行计算，得到最终缩宫素滴速变化情况对应的数值；其中， 缩宫素滴速变化情况包括滴速维持原速、滴速变慢和滴速加快；所述缩宫素滴 速变化情况对应的数值包括对应滴速维持原速的数值3，对应滴速变慢的数值2 和对应滴速加快的数值1。
在本发明实施例中，信息收集端所构建的电子病历***中，具体包括：年 龄、BMI、孕周、***分娩史、流产史、子宫下段厚度、前次剖宫产间隔时间、 宫颈容受、宫口扩张、胎先露位置、胎膜状态、宫高、产妇腹围、分娩镇痛、 羊水指数、胎儿双顶径、头围、腹围和股骨长等影响瘢痕子宫人群缩宫素速度 调节的因素，这些因素位于产妇人口学资料和产前检查资料中；同时，实时的 胎心、产妇心率、宫腔压力(取峰值)、宫缩频率、宫缩持续时间、宫缩强度等 相关产时生理参数通过访问飞利浦胎心监护仪(M2702A)数据端口获取，与产 妇ID、住院号相关联并位于胎心监护信息***中。
在本发明实施例中，首先，计算云对信息收集端收集的数据进行预处理和 特征选取，具体为：年龄、BMI、孕周、子宫下段厚度、前次剖宫产间隔时间、 胎先露位置、宫高、产妇腹围、宫颈容受、宫口扩张、羊水指数、胎儿双顶径、 头围、腹围、股骨长、胎心、宫腔压力、宫缩持续时间、宫缩频率为连续性变 量；***分娩史、流产史、胎膜状态、分娩镇痛为二分类变量；宫缩强度为多 分类变量；输出变量为下一刻OT滴速的变化情况，根据临床实际调控情况划分 为：“滴速维持原速”、“滴速变慢”、“滴速加快”三种调节情况，表示OT使用 剂量的走向。各变量赋值情况见表1。
表1
在计算云中，采用SPSS22.0统计软件进行数据分析。呈正态分布的连续性 变量以均数±标准差(±s)表示，采用单因素线性回归法；分类变量采用独立样 本t检验；呈偏态分布的变量以中位数及四分位数间距表示。根据单变量检验结 果，将P<0.1的变量纳入多重线性回归模型中，采用逐步回归法进行变量筛选， 以P<0.05表示差异有统计学意义的特征变量。
此时，产妇年龄、BMI等人口学资料缺失值填补可通过人工校验原始数据， 宫腔压力、胎心产时信息采用线性插值法填补缺失值。采用Rajda标准进行异常 值处理，即以给定的置信概率99.7％为标准，以3倍数据列标准差为依据，删 除大于该值的异常数据。
其次，计算云基于LightGBM算法构建产时缩宫素滴速预测模型，具体为：LightGBM是基于决策树改进的梯度提升优化算法，利用弱分类器迭代训练得到 最优模型，并采用直方图优化最佳分割点，支持高效的并行训练，可快速处理 大量数据。本发明LightGBM模型以网格搜索法调整最佳参数，核心参数设置 如下，boost类型选择gbdt，叶子数为31，树的最大深度为-1表示不做限制，学 习率为0.05。此外本发明还构建逻辑回归(LR)、BP神经网络(BPNN)、决策 树(CART)等常用机器学习算法与LightGBM模型进行比较，模型均以网格搜 索法调整最佳参数。
数据集按照8∶2的比例划分训练集和测试，并在5折交叉验证下，采用 准确率(accuracy)、查准率(Precision)、召回率(Recall)和F1值对模型的性 能进行评价，公式如下：
(1)
(2)
(3)
(4)
5折交叉验证下LightGBM模型对OT滴速调控的预测能力最佳，其准确率 为0.83，查准率0.83，召回率0.81，F1值0.82，均优于其他对照机器学习方法 (见表2)。其中，一组LightGBM交叉验证的结果见表3。模型对各种不同结 果测算的准确率最好描述一下。LightGBM变量重要性排名前十五位分别是：宫 腔压力、宫缩频率、宫口扩张、胎心、宫缩持续时间、宫颈容受、孕周、胎先 露、距离前次剖宫产时间、子宫下段厚度、宫缩强度、胎膜状态、***分娩史、 BMI、年龄，如图2所示。
表2
表3
最后，产时缩宫素滴速预测模型进行计算，得到最终缩宫素滴速变化情况 对应的数值。
如图3所示，为本发明实施例中，提供的一种基于互联网的产时缩宫素滴 速智能调控方法，其在前述的基于互联网的产时缩宫素滴速智能调控***上实 现，包括以下步骤：
步骤S1、信息收集端收集产妇人口学资料数据和产前检查资料数据来构建 电子病历***，以及从胎心监护仪数据端口中收集产时生理参数对应的数据来 构建胎心监护信息***；
具体过程为，信息收集端构建电子病历***，具体包括：年龄、BMI、孕周、 ***分娩史、流产史、子宫下段厚度、前次剖宫产间隔时间、宫颈容受、宫口 扩张、胎先露位置、胎膜状态、宫高、产妇腹围、分娩镇痛、羊水指数、胎儿 双顶径、头围、腹围和股骨长等影响瘢痕子宫人群缩宫素速度调节因素的数据， 这些因素位于产妇人口学资料和产前检查资料中。同时，实时的胎心、产妇心 率、宫腔压力(取峰值)、宫缩频率、宫缩持续时间、宫缩强度等相关产时生理 参数通过访问飞利浦胎心监护仪(M2702A)数据端口获取，与产妇ID、住院号 相关联并位于胎心监护信息***中。
步骤S2、计算云从所述信息收集端中获取产妇人口学资料和产前检查资料 并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时 生理参数，且将所述具有统计学意义的特征变量及所述产时生理参数共同作为 输入变量；
具体过程为，首先，计算云从信息收集端的电子病历***中，获取产妇人 口学资料和产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有 统计学意义的特征变量；其中，所述具有统计学意义的特征变量包括连续性变 量和分类变量；所述连续性变量包括年龄、BMI、胎先露、胎心、心率、宫腔压 力、宫缩持续时间、宫缩频率、胎先露和宫口扩张；所述分类变量包括***分 娩史、剖宫产史、分娩镇痛；
其次，计算云从信息收集端的胎心监护信息***中，获取产时生理参数； 其中，所述产时生理参数包括胎心、宫缩频率、宫缩持续时间、宫缩强度、宫 腔压力峰值在指定时间内的平均值；
最后，计算云将具有统计学意义的特征变量及所述产时生理参数共同作为 输入变量。
步骤S3、所述计算云根据所述输入变量，从所述产妇人口学资料、所述产 前检查资料及所述产时生理参数各自对应的数据中，组合得到具有所述输入变 量的样本数据作为模型输入数据；
具体过程为，收集包含产妇人口学资料、产前检查资料、产时OT调节记录 以及实时胎心监护信息的数据。其中人口学资料、产前检查资料源自电子病历 ***，OT调节记录从护理记录中获取，胎心监护信息则来自中国飞利浦胎心监 护仪(FM-20)，通过访问数据端口获取宫缩、胎心及产妇心率等产时生理参数 对应的数据，最后导入计算机整理汇总，最终，组合得到具有输入变量的样本 数据作为模型输入数据。
步骤S4、所述计算云基于LightGBM算法，构建产时缩宫素滴速预测模型； 其中，所述产时缩宫素滴速预测模型以所述模型输入数据为数据输入，以缩宫 素滴速变化情况为目标输出；
具体过程为，LightGBM模型以网格搜索法调整最佳参数，核心参数设置如 下，boost类型选择gbdt，叶子数为31，树的最大深度为-1表示不做限制，学习 率为0.05。此外本发明还构建逻辑回归(LR)、BP神经网络(BPNN)、决策树 (CART)等常用机器学习算法与LightGBM模型进行比较，模型均以网格搜索 法调整最佳参数。数据集按照8∶2的比例划分训练集和测试，并在5折交叉 验证下，采用准确率(accuracy)、查准率(Precision)、召回率(Recall)和F1 值对模型的性能进行评价。
例如，本发明共纳入125例产妇，共计1005条OT调节记录，其中标签为 OT“滴速维持”的312条，“滴速加快”618条，“滴速变慢”75条。按照8:2 分为训练集804条和测试集201条。
步骤S5、所述计算云将所述模型输入数据导入所述产时缩宫素滴速预测模 型中进行计算，得到最终缩宫素滴速变化情况对应的数值；
具体过程为，将模型输入数据作为输入，导入产时缩宫素速度预测模型中 进行计算，得到最终缩宫素滴速变化情况对应的数值；其中，缩宫素滴速变化 情况包括滴速维持原速、滴速变慢和滴速加快；缩宫素滴速变化情况对应的数 值包括对应滴速维持原速的数值3，对应滴速变慢的数值2和对应滴速加快的数 值1。
步骤S6、智能输液终端接收所述计算云形成的缩宫素滴速变化情况对应的 数值，以智能控制缩宫素滴速。
具体过程为，智能输液终端根据数值1～3来智能控制缩宫素滴速。例如， 当宫缩少于3次/10分钟次为宫缩乏力需要增加滴数；胎儿电子监护I类图形并 伴有宫缩过频(宫缩超过5次/10分钟)，应减少缩宫素滴速；出现II类或III 类图形，或宫缩过强、过频(宫缩超过5次/10分钟，持续超过1分钟)应立即 停止滴注OT。
实施本发明实施例，具有如下有益效果：
1、本发明基于LightGBM算法构建的OT滴速预测模型，通过医疗监控端 实时获取胎心、宫缩状态等产时信息，并结合电子病例***数据智能判断下一 时刻OT滴速走向，及时反馈智能输液终端，整个OT智能输液***可代替或辅 助助产士进行OT输注，降低护士人力资源成本，且避免传统输注方案对个人经 验的依赖，为临床护理工作提供新思路；
2、本发明基于LightGBM构建的OT滴速预测模型，其训练速度快、模型 精度高，且该模型是“云端结合”体系中的信息分析核心，可为调控终端设备 提供决策支持，在“互联网+”时代下发挥优势，从而在“互联网+”的时代背 景下，利用人工智能技术进行数据处理、模型预测、精准调控，以辅助助产士 进行OT输注，是现代妇产医学形势所趋。
值得注意的是，上述***实施例中，所包括的各个部件只是按照功能逻辑 进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外， 各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护 范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是 可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读 取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之 权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (6)
1.一种基于互联网的产时缩宫素滴速智能调控***，其特征在于，包括计算云，以及通过所述计算云互连的信息收集端和智能输液终端；其中，
所述信息收集端，用于收集产妇人口学资料数据和产前检查资料数据来构建电子病历***，以及从胎心监护仪数据端口中收集产时生理参数对应的数据来构建胎心监护信息***；
所述智能输液终端，用于接收所述信息收集端所收集的数据经所述计算云处理后形成的缩宫素滴速变化情况对应的数值，以智能控制缩宫素滴速；
所述计算云包括依序连接的输入变量形成单元、模型输入数据筛选单元、预测模型构建单元和预测模型结果输出单元；
所述输入变量形成单元，用于获取产妇人口学资料和产前检查资料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数，且将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量；
所述模型输入数据筛选单元，用于根据所述输入变量，从所述产妇人口学资料、所述产前检查资料及所述产时生理参数各自对应的数据中，组合得到具有所述输入变量的样本数据作为模型输入数据；
所述预测模型构建单元，用于基于LightGBM算法，构建产时缩宫素滴速预测模型；其中，所述产时缩宫素滴速预测模型以所述模型输入数据为数据输入，以缩宫素滴速变化情况为目标输出；
所述预测模型结果输出单元，用于将所述模型输入数据导入所述产时缩宫素滴速预测模型中进行计算，得到最终缩宫素滴速变化情况对应的数值。
2.如权利要求1所述的基于互联网的产时缩宫素滴速智能调控***，其特征在于，所述输入变量形成单元包括：
第一变量获取模块，用于从预设的电子病历***中，获取产妇人口学资料和产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有统计学意义的特征变量；其中，所述具有统计学意义的特征变量包括连续性变量和分类变量；所述连续性变量包括年龄、BMI、胎先露、胎心、心率、宫腔压力、宫缩持续时间、宫缩频率、胎先露和宫口扩张；所述分类变量包括***分娩史、剖宫产史、分娩镇痛；
第二变量获取模块，用于从所述胎心监护仪数据端口中，获取产时生理参数；其中，所述产时生理参数包括胎心、宫缩频率、宫缩持续时间、宫缩强度、宫腔压力峰值在指定时间内的平均值；
输入变量组合模块，用于将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量。
3.如权利要求1所述的基于互联网的产时缩宫素滴速智能调控***，其特征在于，所述缩宫素滴速变化情况包括滴速维持原速、滴速变慢和滴速加快；所述缩宫素滴速变化情况对应的数值包括对应滴速维持原速的数值3，对应滴速变慢的数值2和对应滴速加快的数值1。
4.一种基于互联网的产时缩宫素滴速智能调控方法，其特征在于，其在如权利要求1-3中任一项所述的基于互联网的产时缩宫素滴速智能调控***上实现，包括以下步骤：
信息收集端收集产妇人口学资料数据和产前检查资料数据来构建电子病历***，以及从胎心监护仪数据端口中收集产时生理参数对应的数据来构建胎心监护信息***；
计算云从所述信息收集端中获取产妇人口学资料和产前检查资料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数，且将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量；
所述计算云根据所述输入变量，从所述产妇人口学资料、所述产前检查资料及所述产时生理参数各自对应的数据中，组合得到具有所述输入变量的样本数据作为模型输入数据；
所述计算云基于LightGBM算法，构建产时缩宫素滴速预测模型；其中，所述产时缩宫素滴速预测模型以所述模型输入数据为数据输入，以缩宫素滴速变化情况为目标输出；
所述计算云将所述模型输入数据导入所述产时缩宫素滴速预测模型中进行计算，得到最终缩宫素滴速变化情况对应的数值；
智能输液终端接收所述计算云形成的缩宫素滴速变化情况对应的数值，以智能控制缩宫素滴速。
5.如权利要求4所述的基于互联网的产时缩宫素滴速智能调控方法，其特征在于，所述计算云从所述信息收集端中获取产妇人口学资料和产前检查资料并筛选出具有统计学意义的特征变量，以及获取来自胎心监护仪所输出的产时生理参数，且将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量的步骤具体包括：
所述计算云从所述信息收集端的电子病历***中，获取产妇人口学资料和产前检查资料，通过单因素分析和多重线性逐步回归，筛选出具有统计学意义的特征变量；其中，所述具有统计学意义的特征变量包括连续性变量和分类变量；所述连续性变量包括年龄、BMI、胎先露、胎心、心率、宫腔压力、宫缩持续时间、宫缩频率、胎先露和宫口扩张；所述分类变量包括***分娩史、剖宫产史、分娩镇痛；
所述计算云从所述信息收集端的胎心监护信息***中，获取产时生理参数；其中，所述产时生理参数包括胎心、宫缩频率、宫缩持续时间、宫缩强度、宫腔压力峰值在指定时间内的平均值；
所述计算云将所述具有统计学意义的特征变量及所述产时生理参数共同作为输入变量。
6.如权利要求3所述的基于互联网的产时缩宫素滴速智能调控方法，其特征在于，所述缩宫素滴速变化情况包括滴速维持原速、滴速变慢和滴速加快；所述缩宫素滴速变化情况对应的数值包括对应滴速维持原速的数值3，对应滴速变慢的数值2和对应滴速加快的数值1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011109626.8A CN112309538A (zh) | 2020-10-16 | 2020-10-16 | 基于互联网的产时缩宫素滴速智能调控***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011109626.8A CN112309538A (zh) | 2020-10-16 | 2020-10-16 | 基于互联网的产时缩宫素滴速智能调控***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112309538A true CN112309538A (zh) | 2021-02-02 |
Family
ID=74327954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011109626.8A Pending CN112309538A (zh) | 2020-10-16 | 2020-10-16 | 基于互联网的产时缩宫素滴速智能调控***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112309538A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203802891U (zh) * | 2014-03-19 | 2014-09-03 | 北京大学第一医院 | 产科用催产素自动点滴调节装置 |
| CN106039470A (zh) * | 2016-06-16 | 2016-10-26 | 秦爱玉 | 一种依据产妇宫缩调节催产素滴注速度的*** |
| CN206434657U (zh) * | 2016-11-18 | 2017-08-25 | 温州市人民医院 | 催产素注射自动调节装置 |
| CN107854748A (zh) * | 2017-10-18 | 2018-03-30 | 温州医科大学 | 一种缩宫素注射泵反馈*** |
| CN110547868A (zh) * | 2019-09-05 | 2019-12-10 | 栾其友 | 一种连续麻醉装置 |
| CN111696644A (zh) * | 2020-06-14 | 2020-09-22 | 深圳市前海澳威智控科技有限责任公司 | 一种智能镇痛管理设备 |
-
2020
- 2020-10-16 CN CN202011109626.8A patent/CN112309538A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203802891U (zh) * | 2014-03-19 | 2014-09-03 | 北京大学第一医院 | 产科用催产素自动点滴调节装置 |
| CN106039470A (zh) * | 2016-06-16 | 2016-10-26 | 秦爱玉 | 一种依据产妇宫缩调节催产素滴注速度的*** |
| CN206434657U (zh) * | 2016-11-18 | 2017-08-25 | 温州市人民医院 | 催产素注射自动调节装置 |
| CN107854748A (zh) * | 2017-10-18 | 2018-03-30 | 温州医科大学 | 一种缩宫素注射泵反馈*** |
| CN110547868A (zh) * | 2019-09-05 | 2019-12-10 | 栾其友 | 一种连续麻醉装置 |
| CN111696644A (zh) * | 2020-06-14 | 2020-09-22 | 深圳市前海澳威智控科技有限责任公司 | 一种智能镇痛管理设备 |
Non-Patent Citations (1)
| Title |
|---|
| 邬天骥: "基于机器学习的数据驱动故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》, 15 February 2020 (2020-02-15), pages 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200196958A1 (en) | Systems and methods for monitoring uterine activity and assessing pre-term birth risk | |
| Robson | Can we reduce the caesarean section rate? | |
| CN112133451A (zh) | 缩宫素智能注射方法、装置、设备及存储介质 | |
| AU669720B2 (en) | Medical signal analyzer | |
| US6522916B1 (en) | Telemetric system for fetal care | |
| CN110167434A (zh) | 监测和评估分娩期间胎儿风险水平的***、装置和方法 | |
| CN110534184A (zh) | 一种产科手术资源配置预测*** | |
| CN112365952A (zh) | 基于机器学习法的产时缩宫素速度智能调控方法及*** | |
| CN105708426A (zh) | 健康孕妇中等强度运动心脏储备功能的动态评估方法 | |
| CN112397176A (zh) | 基于宫缩信号和LightGBM的缩宫素剂量智能调控方法及*** | |
| Peng et al. | Preliminary study on the efficient electrohysterogram segments for recognizing uterine contractions with convolutional neural networks | |
| Zhang et al. | A hybrid model for blood pressure prediction from a PPG signal based on MIV and GA-BP neural network | |
| Liang et al. | Automatic evaluation of fetal heart rate based on deep learning | |
| CN115336973A (zh) | 基于自注意力机制和单导联心电信号的睡眠分期***构建方法、及睡眠分期*** | |
| CN112309538A (zh) | 基于互联网的产时缩宫素滴速智能调控***及方法 | |
| Peterek et al. | Human fetus health classification on cardiotocographic data using random forests | |
| CN111445967A (zh) | 基于人工智能的产科临床辅助顺产信息处理***及方法 | |
| CN115005768A (zh) | 皮肤病图片分类方法、装置、产品及存储介质 | |
| CN105243267B (zh) | 一种疤痕子宫试产成功率预测的方法 | |
| CN108742599A (zh) | 一种胎儿健康预警***及方法 | |
| CN112366006A (zh) | 一种分娩疼痛评估***及方法 | |
| CN113052205A (zh) | 基于机器学习的产妇数据分类方法、装置、设备及介质 | |
| Adam et al. | An evaluation of the indications for caesarean sections at Chris Hani Baragwanath Academic Hospital | |
| de l'Aulnoit et al. | Development of a comprehensive database for research on foetal acidosis | |
| CN112951434B (zh) | 一种智能评估产妇产前状态的方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |