CN112365978B - 心动过速事件早期风险评估的模型的建立方法及其装置 - Google Patents

心动过速事件早期风险评估的模型的建立方法及其装置 Download PDF

Info

Publication number
CN112365978B
CN112365978B CN202011243298.0A CN202011243298A CN112365978B CN 112365978 B CN112365978 B CN 112365978B CN 202011243298 A CN202011243298 A CN 202011243298A CN 112365978 B CN112365978 B CN 112365978B
Authority
CN
China
Prior art keywords
model
data
tachycardia
heart rate
information
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.)
Active
Application number
CN202011243298.0A
Other languages
English (en)
Other versions
CN112365978A (zh
Inventor
李德玉
刘晓莉
张政波
欧阳真超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011243298.0A priority Critical patent/CN112365978B/zh
Publication of CN112365978A publication Critical patent/CN112365978A/zh
Application granted granted Critical
Publication of CN112365978B publication Critical patent/CN112365978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Cardiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Optics & Photonics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种普适的个体化心动过速事件风险实时评估和早期预警模型建立方法及装置。本方法通过易获取的连续监测生命体征和电子健康档案信息，利用先进的人工智能深度学习和无监督学习方法，实现对住院患者的心动过速事件风险实时评估和早期预警，从而辅助医生及早对患者进行治疗和干预并降低医护人工的工作负荷。本方法的执行步骤主要分为：1)数据集构建模块；2)数据处理模块；3)模型构建与评估模块。本申请经过不同场景数据集的验证，具有良好的预测性能，并且本方法仅基于临床容易获取的信息即可提早0‑6小时预测心动过速事件的发生，适用于不同场景和医疗资源配置的机构。

Description

心动过速事件早期风险评估的模型的建立方法及其装置
技术领域
本发明属于医疗信息决策技术领域，尤其涉及一种基于深度学习和无监督学习的个普适的个体化心动过速事件早期风险评估模型的建立方法及其装置。
背景技术
心动过速(Tachycardia)是一种心律失常，被定义为成年人的静息心率超过每分钟100次跳动。心动过速通常分为窦性心动过速、房颤(AF)、房扑、室性心动过速(VT)和室颤(VF)等。自发性的VT是心脏猝死(SCD)的主要原因，据统计全球每年有53.3万～60.6万患者发病，其死亡率高达15～20％。AF是导致发生中风、充血性心力衰竭和过早死亡的重要风险因素之一，且首次患有AF的患者死亡风险更高。此外，发生心动过速的患者与不良预后相关。心动过速的传统检测方法是通过患者在医院使用心电图仪记录的信息，心脏病专家通过ECG信号解读其中的信息。但受限于有限的监测时间和疾病发生的间歇性无法获取患者疾病的准确信息。因此连续监测有助于医生及早诊断并预估不良事件的发生，同时可为医生提供足够的时间，采取积极的行动，抢救患者并防止疾病的恶化。
近期几家医院尝试使用可穿戴设备连续监测患者的核心生命体征，如：心率(HR)，呼吸速率(RR)和血氧饱和度(SpO2)等信息，医护人员可随时随地地获取患者的生命体征信息。当患者的单一/多个生命体征数值超过医生设定的阈值时，这些设备会发出报警信息。与通过监测设备(单一阈值报警)和常用预警评分(临床权威专家小组定义)相比，机器学习的方法获得的预警评分/模型可以自动发现数据的模式和潜在关系，无需人工指导和干预。这一类基于电子健康档案(Electronic Healthcare Record，EHR)发展的机器学习方法，近期有较多研究证明是用于识别异常事件或疾病预警的有效方法。针对于本方法/装置关注的危及生命的异常事件的具有代表性研究包括：Abdur RMF等人利用隐形马尔科夫模型预测7类异常事件的发生(包含心动过速发生，tachycardia onset-TO)，他们进一步改进模型采用随机森林(random forest，RF)可实现提前1～2小时预测异常事件发生；Hyojeong L等人开发看一个人工神经网络模型可提前1小时预测室性心动过速发生；Jeno S等人基于其开发的心脏监测***，部署回归和树模型，可提前几分钟监测到心律失常发生并提早预测致命性心律失常发生。
相比于机器学习有限的非线性计算能力和繁琐的特征工程构建，深度学习模型在表征学习和探索未知信息方面表现出强大的优势。最近，基于生理信号或EHR的疾病诊断和预测的深度学习方法探索与应用受到了研究学者的特别关注。由于易获取的生理信号和较多的开源的生理信号和标注(尤其是ECG信号)数据集，因此有较多采用深度学习的心脏类疾病研究。Pranav R等人报道了一种卷积神经网络(CNN)算法，该算法使用单导联可穿戴式传感器获取的心电信号来检测心律不齐；Supreeth PS等人也采用CNN方法用于检查和监测房颤；Tejeiro T等人介绍了一种基于ECG记录提取特征集构建的长期短期记忆网络模型(LSTM)方法，以对正常窦性心律、房颤、其他异常和噪音进行分类；Jungrae C等人使用ECG获得了一个深层CNN模型，可提早4～6min预测房颤发生。
Chayakrit K于2018年提及：人工智能将促进精准心血管医学发生巨大的变革。众所周知，心血管疾病具有复杂性和异质性的典型特征，多种原因可导致心血管疾病的发生和不同程度的影响人类的健康，包括遗传、环境、生活***的心动过速预测性分析方面取得了一定的进展。因此个体化的精准建模实现心动过速等危及生命的异常事件的早期预测模型是极为迫切的，这将有助于促进更加准确的评估患者的疾病严重程度和更加精准化、个性化的为患者提供有效的治疗。
发明内容
鉴于上述问题，本申请旨在提出一种心动过速事件早期风险评估模型的建立方法以及一种心动过速事件早期风险评估装置，基于连续监测的生命体征信息和电子健康档案的个人信息，采用融合无监督学习的深度学习方法发展普适的个体化心动过速异常事件早期预警和风险实时评估模型，并基于该模型开发可应用于重症监护室和普通病房中自动评估发生心动过速的风险并提早预警装置。
本申请的心动过速事件早期风险评估的模型的建立方法，该方法包括：数据集构建模块、数据处理模块、模型构建与评估模块；
数据集构建模块用于匹配重症监护室和普通病房临床场景下连续监测生理波形数据库与电子健康档案，定义易获取信息，以及根据发生心动过速事件的定义来确定正负样本集；
数据处理模块用于获取可直接用于模型训练和评估所需数据集，包括数据提取与处理和特征构建；
模型构建与评估模块，用于获得适用于不同临床场景下的个体化心动过速实时评估和早期预警的模型，包括：利用双向记忆神经网络，基于大样本集的重症监护场景的模型构建、训练和评估；基于小样本集的普通病房场景的模型迁移、训练和评估；
构建的模型包括数据预处理单元、特征计算单元、模型运算单元，根据输入模型的待评估个体的数据，经过数据预处理、特征计算和模型计算后，输出风险评分，以对该待评估个体的心动过速进行实时评估和早期预警。
优选地，通过根据患者的唯一标识ID和住院时间匹配相应的连续监测生理波形数据库与电子健康档案，并确定两类易获取的研究特征：
动态信息，其包括：心率、呼吸速率、血氧饱和度，可由监护仪或者可穿戴设备便捷获取，用于挖掘生理状态变化的动态、隐藏信息；
静态信息，其包括：年龄、性别、入院类型、入院科室、心血管疾病史，用于表征患者基础疾病状况。
优选地，所述数据提取与处理包括：数据清洗、数据采样、数据插值；其中，数据清洗包括：格式统一、单位统一、去除离群值、去除缺失任意生命体征的样本集、去除噪声占比>30％、去除缺失数据占比>30％；数据采样为降采样；数据插值为前向插值；
所述特征构建为基于观测窗口，针对3个核心生命体征分别构建相应的统计特征；该统计特征为21个，包括：
心率统计特征：hr_mean、hr_std、hr_sum、hr_slope、hr_abs_energy、hr_c2、hr_c3、hr_quantiles_01、hr_quantiles_03、hr_quantiles_0；
呼吸速率统计特征：resp_mean、resp_std、resp_slope、resp_abs_energy、resp_c3；
血氧饱和度统计特征：spo2_mean、spo2_std、spo2_slope、spo2_c3、spo2_abs_energy；
综合特征：all_autocorrelation。
优选地，利用数据处理模块构建的数据集进行模型的构建、训练和评估，使其普适于不同的临床场景，具体包括：
适用于重症监护患者的模型构建与评估：利用大样本集的匹配波形和电子病历数据集，根据所述方法，采用五折交叉验证的方法，获得模型最优的参数和超参数组合，并通过6个常用指标和3个子实验评估该适用于重症监护患者的模型的性能；
适用于普通病房患者的模型构建与评估：采用经大样本集获得的适用于重症监护患者的模型的超参数组合，利用普通病房患者样本数据集，与重症监护患者的模型构建与评估过程保持一致重新训练和采用五折交叉验证的方法，获得模型迁移后的最优参数组合，并通过6个常用指标和3个子实验评估该适用于普通病房患者的模型的性能。
优选地，获得表征研究群体特性的亚群个数：基于患者的入院信息，通过Elbow方法获得亚群个数，使用K-mean算法获得各个患者所属亚群和亚群的信息；
构建输入特征并送入预测模型：使用双向长短记忆神经网络模型表征和处理多维度时间序列，分别定义预测间隔、观测窗口、观测子窗口、滑动步长；在观测窗口内，使用观测子窗口进行统计特征的计算，以滑动步长长度滑动到覆盖整个观测窗口，并顺序合并信息输入预测模型中；基于各个亚群特性，分别训练表征各个亚群的预测模型；
获得评估心动过速发生的风险评分：根据患者入院信息决定所属亚群，将原始数据经数据处理模块后输入到相应的预测模型中，获得发生心动过速的风险概率，并基于设定的阈值，选择提前0～6小时预警心动过速事件的发生。
优选地，所述6个指标包括：AU-ROC、AU-PR、特异性、敏感性、准确性、F1值；
所述3个子实验包括：
个体化特性与不同预测时长：对比构建的模型与LSTM模型在不同预测时长下的6个指标和相应的方差；
时序记忆特性与不同预测时长：对比构建的模型与传统机器学习模型在不同预测时长下的6个指标和相应的方差；
特征组合与不同预测时长：对比统计特征的输入组合，包括：仅输入心率统计特征、输入心率统计特征和血氧饱和度统计特征、以及输入全部21个统计特征。
优选地，其中所述6个指标包括：AU-ROC、AU-PR、特异性、敏感性、准确性、F1值；
3个子实验包括：
不同应用场景模型直接评估：基于重症监护场景的预测模型直接在普通病房场景中进行验证；
迁移模型与传统机器学习模型对比：基于普通病房采集的数据进行模型的迁移，提早预测事件发病，并对比传统机器学习模型；
实时评估患者的异常事件发生风险：通过连续采集的生命体征，实时评估患者的风险评分，并与真实情况对比。
本申请的心动过速事件早期风险评估的装置，其通过计算机实现；该装置配置有用于心动过速事件早期风险评估的模型；该模型通过权利要求1-7中任一项所述的方法构建。
优选地，所述输入数据包括：
动态信息，其包括：心率、呼吸速率、血氧饱和度；
静态信息，其包括：年龄、性别、入院类型、入院科室、心血管疾病史。
优选地，所述数据预处理包括：数据清洗、数据采样、数据插值；其中，数据清洗包括：格式统一、单位统一、去除离群值、去除缺失任意生命体征的样本集、去除噪声占比>30％、去除缺失数据占比>30％；数据采样为降采样；数据插值为前向插值；
所述特征计算是基于观测窗口进行的，针对3个核心生命体征分别构建相应的统计特征；该统计特征为21个，包括：
心率统计特征：hr_mean、hr_std、hr_sum、hr_slope、hr_abs_energy、hr_c2、hr_c3、hr_quantiles_01、hr_quantiles_03、hr_quantiles_0；
呼吸速率统计特征：resp_mean、resp_std、resp_slope、resp_abs_energy、resp_c3；
血氧饱和度统计特征：spo2_mean、spo2_std、spo2_slope、spo2_c3、spo2_abs_energy；
综合特征：all_autocorrelation。
本本申请的个体化心动过速事件早期预警和实时风险评估装置，在累积2小时的生命体征监测数据(心率、呼吸速率和血氧饱和度)后，即可根据这些监测信息和个人信息(性别、年龄、入院类型、入院科室和心血管疾病史)，输入到风险评估装置中，经过内部的数据处理、特征计算和模型运算，最终可获得每5分钟评估一次患者发生心动过速的风险，并可根据医生需求提早0～6小时进行预警。
通过本申请的方法构建的模型：
(1)可早期预测(提早0～6小时)患者发生心动过速的风险，进而提示医生对患者进行及早关注和及时治疗；
(2)通过6个评估指标和5个基准模型的对比，该预测模型可个体化、精准、连续、实时评估患者发生心动过速风险，且性能表现最优；
(3)基于易于采集、获取的信息，风险评估装置可全自动输出患者发生心动过速实时风险，且适用于重症监护和普通病房两类应用场景。
附图说明
图1为本申请的方法执行流程图；
图2为MIMIC-III临床数据库与波形数据集匹配图；
图3为普通病房基于随行监护***SensEcho采集数据场景；其中(a)医疗级可穿戴设备；(b)普通病房中患者佩戴低负荷可穿戴设备对生命体征连续监测；(c)连续监测过程中记录的一位发生心动过速事件患者的生理状况；
图4为普通病房医疗信息***与波形数据集匹配图；
图5为重症监护室中患者纳入流程图；
图6为普通病房中患者纳入流程图；
图7为个体化早期心动过速预测模型DeePTOP构建和迁移过程；
图8为双向记忆神经网络示意图；
图9为个体化心动过速事件早期预警模型DeePTOP；
图10为DeePTOP信息流示意图；
图11为无监督聚类患者亚组挑选图；
图12为DeePTOP与基准模型性能对比图；
图13为预测模型特征重要度排名图；
图14为普适的个体化心动过速事件早期风险评估装置的结构示意图。
具体实施方式
下面将结合图1-14对本发明进行详细说明。
本发明提出的基于连续监测的生命体征融合电子健康档案发展疾病/结局的个体化早期预警和风险实时评估模型及装置主要用于早期预测患者发生心动过速的概率/风险，目的是发展采用临床易便捷获取记录的信息，发展适用于不同应用场景(重症监护/普通病房)，经过大样本数据集训练、验证，可在临床落地的风险早期实时评估模型，全自动个体化精准评估发生心动过速的风险，提示医护人员及早关注和干预潜在高风险患者。本发明利用了开源数据集累积了十年的重症监护患者全面丰富的临床和监护信息，快速、有效且低成本的发展预测模型，进一步迁移到基于医疗级可穿戴设备采集的普通心血管疾病科室患者采集的场景，使得模型可以普适的应用于临床发挥作用，且可实现模型的快速更新迭代，使其更加适用于本地人群。本方法最终被封装，可全自动实时评估患者发生异常事件(心动过速)的风险(概率)且可达到提前0～6小时预警功能。
本发明中提出的方法主体主要包括三个模块：(1)数据集构建模块；(2)数据处理模块；(3)模型训练与评估模块。根据步骤(1)确定研究群体、纳入的研究特征和根据异常事件定义构建研究所需正负样本集，其中包括源于重症监护室和普通病房的患者群体；步骤(2)基于(1)中获得的原始数据，进行数据的清洗、整理和插值，构造输入模型的特征数据；步骤(3)基于(2)获得的重症监护数据进行模型的训练、优化和内部验证，进一步将模型迁移到普通病房获取的数据上，进一步获得适用于普通病房的早期预测模型，并进行模型性能的评估。
本发明中提出的基于连续监测的生命体征信息和电子健康档案的个体化心动过速早期预警和实时风险评估方法，其预测性能优于基准模型和现有方法(据我们所知)，可提早6小时预测心动过速事件的发生，并每5分钟评估发生心动过速的风险；首次通过融合连续监测的生命体征信息和电子健康档案对心动过速事件实现了个体化精准评估和预测；截止目前首个实现通过易便捷采集的信息，普适地应用于对重症监护病房和普通病房的患者进行连续监测和实时风险评估；另外，该方法可推广到其他危及生命异常事件的个体化早期预测和风险评估建模构建，亦可实现对多类异常事件的同步预测和评估；最后该方法封装为可全自动实时评估、早期预警心动过速事件发生的装置，辅助医生对患者实现及早关注与治疗。
本发明提出的一种基于连续监测的生命体征信息和电子健康档案的个体化心动过速早期预警和实时风险评估方法，具体的实现如图1所示，包括以下步骤：
一、本发明中的数据集构建模块过程如下：
首先我们结合了临床医生的经验知识和部分文献，考虑到模型的普适性(在不同级别医疗资源场景)，纳入了易测量、获取的数据，包括两类信息：HR、RR、SpO2(连续监测生命体征信息，动态)和年龄、性别、入院类型、入院科室、心血管疾病史(电子健康档案中的入院信息，静态)；
接着，分别获得重症监护患者存在连续监测生理波形数据的患者，匹配其对应的临床数据集。其中匹配方式如图2所示，通过患者的身份识别id(subject_id)，临床数据库中涉及的表包括：admissions，icustays，patients，diagnoses_id和d_icd_diagnoses，用于提取所需信息。普通病房的患者的数据获取如下：在某一心内普通病房，患者佩戴医疗级可穿戴设备SensEcho对其生命体征(HR、RR、SpO2)连续实时监测，如图3所示。图4为普通病房患者连续监测生命体征数据库与临床信息的匹配方式，亦通过患者的身份识别id(patient_id)，临床数据源于医疗信息***，涉及的表包括：pat_master_index，pat_visit，transfer，diagnosis和d_icd_diagnosis，本研究抽取了近一年的数据用于进一步分析。
随后根据图5中重症监护患者的纳入流程确定本方法的研究人群。具体的纳入条件为：①年龄≥18岁，②监测时长≥14小时，③第一次住院且第一次住ICU，④存在HR、RR、SpO2的连续监测记录，通过条件①～④最终共纳入5699名患者(86.6％的患者有心血管疾病史)。图6为基于累积一年的心内普通病房患者的纳入流程，其中监测时长≥4小时，第一次入院和入科的患者，其他与上述保持一致，最终共纳入259名患者(90.3％的患者有心血管疾病史)，表1为两个场景下患者人群信息的统计分析结果。
最终，根据心动过速异常事件的定义(表2)和构建模型输入数据长度(2小时观测数据)，进行数据的抽取，构建进一步进行数据处理和模型构建的正负样本集，获得重症监护室和普通病房的正负样本集。其中，构建模型的具体内容将在第三部分详细介绍。
表1两个研究群体基本信息对比
Figure BDA0002769073620000091
第一护理病房First care unit，心血管重症监护病房coronary care unit(CCU)，心血管手术康复病房cardiac surgery recovery unit(CSRU)，内科重症监护病房medical ICU(MICU)，外科重症监护病房surgical ICU(SICU)，创伤/外科重症监护病房trauma/surgical ICU(TSICU)。
表2心动过速异常事件发生定义
程度 范围/bpm 持续时长/min
Slight(轻微) [100,130) 30
Moderate(适中) [130,150) 20
Serious(严重) [150,) 5
二、本发明中的数据处理模块如下：
首先基于(一)中获得样本集，对其进行数据清洗，包括格式标准化处理(统一特征名称)、生理异常值去除(不予考虑噪声数据或缺失比例占30％以上的样本)和去除未全部记录连续生命体征(HR,RR,SpO2)的样本，将采集为生理波形的数据经过处理计算获得数值信息；随后进行数据降采样，将获取得到的生命体征数值信息采样为“秒”的数据进行下采样为“分钟”；最后将缺失的生命体征数据采用前项插值方法补充完整；
接着基于插值后的数据，构建统计特征用于步骤(三)的模型输入。构建的统计特征类型包括8种：均值(mean)，标准差(standard deviance)，斜率(slope)，四分位数(quantiles)，总和(sum)，能量(abs_energy,f1)，平均自相关(agg_autocorrelation,f2)和C(f3)。表3为本方法纳入的所有统计特征汇总，其中HR涉及10个，RR涉及5个，SpO2涉及5个，HR，RR，SpO2共同构建1个，以下着重介绍3个特征的计算方法：
1)时间序列能量的绝对值计算f1:
Figure BDA0002769073620000101
2)时间序列的相关性和其自身的时延通过f2描述，其中Xi为某时刻时间序列值，n为时间序列的长度，σ2和μ分别为时间序列的方差和均值，l为时延：
Figure BDA0002769073620000102
3)时间序列的非线性量化f3，Xi和n与上述保持一致，lag是时间延迟算子：
Figure BDA0002769073620000103
表3 DeePTOP纳入的统计特征
Figure BDA0002769073620000104
Hr_c2：心率统计特征f3(lag＝2)；hr_c3：心率统计特征f3(lag＝3)；hr_quantiles_01：心率10％分位数；hr_quantiles_03：心率30％分位数；hr_quantiles_07：心率70％分位数；resp_c3：呼吸速率f3(lag＝3)；all_autocorrelation：HR，RR和SpO2 f2的均值(l＝40)。
最终将所有构建的统计特征用于进一步模型构建，其中特征喂入模型的形式和输入模型的样本集大小在(三)中详细结合模型的构建方法进行详细描述。
三、本发明中的模型构建与训练模块过程如下：
本部分着重介绍适用于重症监护和普通病房构建早期预警危及生命的异常事件(如：心动过速、低血压、呼吸急促、缺氧等)的精准化预测模型，并获得性能优良可被临床接受的预测模型。本文以异常事件心动过速为例介绍个体化心动过速早期预警和实时评估模型的构建、训练、优化、迁移、训练、评估过程。首先基于大样本集的重症监护数据，发展基于监护仪和EHR获取信息的预测模型；随后基于较小样本的普通病房随行监护数据，发展基于可穿戴设备和EHR获取信息的预测模型；最终将两个不同应用场景的模型集成，使其可自动基于临床采集数据实时评估患者发生风险的概率和早期预警心动过速异常事件的发生。图7为模型构建和迁移过程的示意图。
1.DeePTOP模型构建与训练(重症监护室)
1)模型构建：
DeePTOP的主要思路为：利用患者入院的基本信息(年龄、性别、入院类型、所入科室和心血管类疾病史)，通过K-means聚类算法获得患者亚群个数；基于连续监测的生命体征信息(HR，RR，SpO2)，风险评分针对每个亚群利用双向记忆神经网络模型(BidirectionalLong Short-Term Memory，BiLSTM)进行计算。BiLSTM模型可以充分考虑生理状态变化的长期和短期的关系，挖掘其潜在信息，其模型的示意图见图8。最终DeePTOP模型的示意图见图9，信息流示意图见图10。下面具体介绍每部分的计算方法和所需信息：
A.获得表征研究群体特性的亚群个数
通过Elbow方法获得研究群体m的个数，通过K-mean算法获得各个患者所属亚群和亚群的信息。图11为计算和择优选择m的过程，其中m＝4为曲线的拐点，即为m的最优选择(m<4无法全面覆盖患者群体的特性，m>4无更多信息进一步表征患者群体的特性)。表4为4个亚群的患者特征展示。可知年龄、第一护理单元/第一次入院科室和是否有心血管疾病史是决定患者入院特性的关键因素。
表4使用K-mean算法获得亚组群体特性表征(聚类中心)
Figure BDA0002769073620000121
性别Gender:女female 1,男male 0；入院类型Admission type:选择elective 0,紧急emergency 1,危重urgent 2；First care unit:CCU 0,CSRU 1,MICU 2,SICU 3,TSICU4；心血管疾病史Cardiovascular diseases:无no 0,有yes 1。
B.构建输入特征并送入预测模型
我们使用BiLSTM模型表征和处理多维度时间序列(HR，RR，SpO2)。针对发生心动过速事件的患者，在心动过速发生前的预测间隔(predicting gap，0～6小时)前的观测窗口(observing window,OW＝2小时)的数据被提取，用于训练模型；针对未发生心动过速事件的患者，在整个数据记录过程中，以OW为单位抽取数据，滑动步长为1小时，进行数据的抽取。在每个观测窗口内的数据，以20min为子观测窗口，5min为滑动步长，计算表3中的统计特征。将计算获得的统计特征按时序形式将其合并即为输入模型的一组数据。由于正负样本的严重失衡，为便于进一步训练模型，对负样本的数据进行随机采样，使得正负样本比例均衡(接近1:1)，最终用于训练模型的正负样本数分别为：2130和3000(重症监护室)。
C.获得评估心动过速发生的风险评分
以单独一位患者为例说明，根据患者的入院信息决定患者所属亚群(步骤A)，在此亚群特性下，将原始数据进一步处理为模型输入特征(步骤B)，输入到此亚群对应的心动过速预测模型(将在2)中详细介绍其获取过程，以predicting gap＝6为例)获得发生心动过速的风险概率(分数)。并设定报警阈值，即当预测分数持续高于该阈值时，则预测该患者未来6小时很高可能性发生心动过速事件。
2)模型训练：
基于1)中步骤B获得的正负样本数据集(包含源于HR，RR，SpO2构建共21个统计特征)，以predicting gap为6小时进行说明。采用5折交叉验证的方法，learning rate的选择范围为2-4～2-2，训练epoch的选择范围为36～76，最优参数组合由validation loss决定。最终模型选用learning rate为2-4,epoch为56，batch size为100。其中上述过程均基于Python 3.7.1和CUDA 10.0平台实现。
2.模型性能评估
通过设计三个实验从不同角度评估模型性能：在不同预测时长下，评估个体化对于预测性能的作用；在不同预测时长下，评估时序复杂非线性表征能力对于预测性能的作用；评估不同类型的输入特征对于模型性能的影响。上述三个实验用于评估模型性能的指标共6个，分别为AU-ROC(受试者工作曲线下面积)、AU-PR(精确率和召回率所围曲线面积)、Acc(准确性)、Sen(敏感性)、Spe(特异性)、F1(F1值)。不同预测时长关注：0、2、4、6小时。
1)个体化特性与不同预测时长
对比DeePTOP与LSTM模型(不具备个体化特性和双向记忆功能)在不同预测时长下模型的性能，图12为模型性能核心指标(AU-ROC，AU-PR)对比结果可视化呈现，表5为更为详细信息的呈现，包含6个指标及其相应的方差(5折交叉验证)的结果。可见个体化和双向记忆功能使得预测模型DeePTOP的结果更为准确和鲁棒。
2)对比非时序基准模型与不同预测时长
对比DeePTOP与传统机器学习模型在不同预测时长下模型的性能，包括：LR、RF、SVM和KNN。依旧结合图12和表5可知：在不同预测时长下，DeePTOP均一致优于上述传统机器学习模型。此外，DeePTOP在提前6小时预测心动过速发生，模型的性能仍表现良好：0.806(AU-ROC)，0.725(AU-PR)，0.745(Sen)和0.749(Spe)。
表5模型性能对比汇总(DeePTOP vs.其它模型)
Figure BDA0002769073620000131
Figure BDA0002769073620000141
3)不同特征组合与不同预测时长
对比三种类型的特征输入组合，包括：仅有心率的统计特征(10个)，心率和血氧饱和度(15个)的统计特征以及输入全部统计特征(21个)。表6为在不同预测时长下，不同类型特征组合模型的预测性能呈现。由表可知，模型纳入所有的特征性能一致表现最优(高的预测准确性和低的方差)。此外，我们使用RF算法，获得了特征重要性的排名。图13为提前6小时预测心动过速发生模型对应的特征重要性排名。排名前8的特征为：hr_abs_energy,hr_sum,hr_c2,hr_mean,hr_c3,resp_std,hr_std和all_autocorrelation，其中hr_c2和hr_c3分别排第3和第5名。
表6不同类型特征组合输入DeePTOP模型性能
Figure BDA0002769073620000142
Figure BDA0002769073620000151
3.模型迁移与训练(普通病房)
根据普通病房患者发生异常事件的时间统计分析，可发展提前2小时的早期预测模型。与重症监护获取正负样本集的方式相同，普通病房中基于可穿戴设备获得的一年累积数据，共获得183个正样本和2000个负样本片段用于训练和评估模型。首先基于重症监护场景获得的DeePTOP模型，评估是否适用于普通病房场景。进一步，基于普通病房场景累积的数据，受限于小样本数据集，可借鉴前者的超参数设置，采用5折交叉验证重新训练模型，获得适用于普通病房场景的早期心动过速事件预测模型。
4.模型性能评估
依旧采用上述提及的6个指标，表7为重症监护场景的早期预测模型在普通病房场景验证结果，可知模型(DeePTOP和其他基准模型)并不能直接适用于普通病房患者的评估。表8为基于普通病房的监测数据迁移后模型的性能呈现，可知模型具有良好的预测性能且一致优于其他基准模型。DeePTOP在提前2小时预测心动过速事件发生的性能为：0.904(AU-ROC),0.843(AU-PR),0.894(Acc),0.898(Sen)，0.795(Spe)和0.766(F1)。
表7基于重症监护获得预测模型DeePTOP在普通病房的验证结果(提前2小时预测)
Model AU-ROC AU-PR Acc Sen Spe F1
DeePtop 0.746 0.187 0.686 0.595 0.894 0.686
KNN 0.759 0.056 0.68 0.719 0.680 0.078
LR 0.764 0.236 0.7 0.632 0.835 0.076
SVM 0.705 0.043 0.726 0.697 0.68 0.078
RF 0.724 0.044 0.668 0.643 0.668 0.067
表8迁移模型DeePTOP的预测性能评估(提前2小时预测)
Figure BDA0002769073620000152
Figure BDA0002769073620000161
基于上述两个场景(重症监护室、普通病房)获得的个体化心动过速异常事件风险实时评估和早期预警模型，将其进一步封装为全自动的风险实时评估和早期预警装置，见图14。该装置将数据预处理、特征计算和模型运算进行了全自动封装，可基于临床易获取的信息(连续监测生命体征：心率、呼吸速率和血氧饱和度；电子健康档案信息：性别、年龄、入院类型、入院科室和心血管疾病史)获得单独一位患者/多位患者实时评估的风险指数以及对心动过速异常事件进行早期预警。该装置可根据临床需求设定早期预警的时间，可实现提早0～6小时对患者进行精准评估和预警，并且可普适地应用于重症监护、普通病房的患者异常事件的风险评估。该装置可辅助医护人员对患者的身体状态/疾病严重程度进行实时评估，降低其工作负荷，提醒医护人员对高风险患者进行提早的干预和治疗；此外，该装置构建的心动过速异常事件的个体化早期预测模型可以推广到其他危及生命的异常事件(如：心动过缓、呼吸急促、呼吸过缓、低血压、高血压、缺氧等)的模型和装置构建。
本申请中所述的计算机，为广义的计算设备，包括台式计算机、笔记本电脑、平板电脑以及智能手机等。
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。

Claims (6)

1.一种心动过速事件早期风险评估的模型的建立方法，该方法包括：数据集构建模块、数据处理模块、模型构建与评估模块；
数据集构建模块用于匹配重症监护室和普通病房临床场景下连续监测生理波形数据库与电子健康档案，定义易获取信息，以及根据发生心动过速事件的定义来确定正负样本集；
数据处理模块用于获取可直接用于模型训练和评估所需数据集，包括数据提取与处理和特征构建；特征构建针对心率、呼吸速率、血氧饱和度进行构建；
模型构建与评估模块，用于获得适用于不同临床场景下的个体化心动过速实时评估和早期预警的模型，包括：利用患者入院的基本信息进行无监督聚类K-mean算法获得患者所属的亚群；利用双向记忆神经网络，基于大样本集的重症监护场景的模型构建、训练和评估；基于小样本集的普通病房场景的模型迁移、训练和评估；
构建的模型包括数据预处理单元、特征计算单元、模型运算单元，根据输入模型的待评估个体的数据，经过数据预处理、特征计算和模型计算后，可根据需求输出未来0-6小时风险评分，以对在重症监护室或普通病房的待评估个体的心动过速进行个体化实时评估和早期预警；
所述数据提取与处理包括：数据清洗、数据采样、数据插值；其中，数据清洗包括：格式统一、单位统一、去除离群值、去除缺失任意生命体征的样本集、去除噪声占比>30％、去除缺失数据占比>30％；数据采样为降采样；数据插值为前向插值；
所述特征构建为基于观测窗口，针对3个核心生命体征分别构建相应的统计特征；该统计特征为21个，包括：
心率统计特征：心率均值(hr_mean)、心率标准差(hr_std)、心率总和(hr_sum)、心率斜率(hr_slope)、心率能量(hr_abs_energy)、lag＝2时心率非线性量化(hr_c2)、lag＝3时心率非线性量化(hr_c3)、心率10％分位数(hr_quantiles_01)、心率30％分位数(hr_quantiles_03)、心率70％分位数(hr_quantiles_07)；
呼吸速率统计特征：呼吸速率均值(resp_mean)、呼吸速率标准差(resp_std)、呼吸速率斜率(resp_slope)、呼吸速率能量(resp_abs_energy)、呼吸速率非线性量化(resp_c3)；
血氧饱和度统计特征：血氧饱和度均值(spo2_mean)、血氧饱和度标准差(spo2_std)、血氧饱和度斜率(spo2_slope)、血氧饱和度非线性量化(spo2_c3)、血氧饱和度能量(spo2_abs_energy)；
综合特征：all_autocorrelation。
2.根据权利要求1所述的方法，其特征在于：通过根据患者的唯一标识ID和住院时间匹配相应的连续监测生理波形数据库与电子健康档案，并确定两类易获取的研究特征：
动态信息，其包括：心率、呼吸速率、血氧饱和度，可由监护仪或者可穿戴设备便捷获取，用于挖掘生理状态变化的动态、隐藏信息；
静态信息，其包括：年龄、性别、入院类型、入院科室、心血管疾病史，用于表征患者基础疾病状况。
3.根据权利要求2所述的方法，其特征在于：利用数据处理模块构建的数据集进行模型的构建、训练和评估，使其普适于不同的临床场景，具体包括：
适用于重症监护患者的模型构建与评估：利用大样本集的匹配波形和电子病历数据集，根据所述模型构建与评估模块，采用五折交叉验证的方法，获得模型最优的参数和超参数组合，并通过6个常用指标和3个子实验评估该适用于重症监护患者的模型的性能；该3个子实验为：个体化特性与不同预测时长：对比构建的模型与LSTM模型在不同预测时长下的6个指标和相应的方差；时序记忆特性与不同预测时长：对比构建的模型与传统机器学习模型在不同预测时长下的6个指标和相应的方差；特征组合与不同预测时长：对比统计特征的输入组合，包括：仅输入心率统计特征、输入心率统计特征和血氧饱和度统计特征、以及输入全部21个所述统计特征；
适用于普通病房患者的模型构建与评估：采用经大样本集获得的适用于重症监护患者的模型的超参数组合，利用普通病房患者样本数据集，与重症监护患者的模型构建与评估过程保持一致重新训练和采用五折交叉验证的方法，获得模型迁移后的最优参数组合，并通过6个常用指标和3个子实验评估该适用于普通病房患者的模型的性能；该3个子实验为：不同应用场景模型直接评估：基于重症监护场景的预测模型直接在普通病房场景中进行验证；迁移模型与传统机器学习模型对比：基于普通病房采集的数据进行模型的迁移，提早预测不良事件发生，并对比传统机器学习模型；实时评估患者的异常事件发生风险：通过连续采集的生命体征，实时评估患者的风险评分，并与真实情况对比；
所述6个常用指标为：AU-ROC(受试者工作曲线下面积)、AU-PR(精确率和召回率所围曲线面积)、特异性、敏感性、准确性、F1值。
4.根据权利要求3所述的方法，其特征在于：
获得表征研究群体特性的亚群个数：基于患者的入院信息，通过Elbow方法获得亚群个数，使用K-mean算法获得各个患者所属亚群的信息；
构建输入特征并送入预测模型：使用双向长短记忆神经网络模型表征和处理多维度时间序列，分别定义预测间隔、观测窗口、观测子窗口、滑动步长；在观测窗口内，使用观测子窗口进行统计特征的计算，以滑动步长长度滑动到覆盖整个观测窗口，并顺序合并信息输入预测模型中；基于各个亚群特性，分别训练表征各个亚群的预测模型；
获得评估心动过速发生的风险评分：根据患者入院信息决定所属亚群，将原始数据经数据处理模块后输入到相应的预测模型中，获得发生心动过速的风险概率，并基于设定的阈值，选择提前0～6小时预警心动过速事件的发生。
5.一种心动过速事件早期风险评估的装置，其通过计算机实现；该装置配置有用于心动过速事件早期风险评估的模型；该模型通过权利要求1-4中任一项所述的方法构建。
6.如权利要求5所述的装置，其特征在于：输入数据包括：
动态信息，其包括：心率、呼吸速率、血氧饱和度；
静态信息，其包括：年龄、性别、入院类型、入院科室、心血管疾病史。
CN202011243298.0A 2020-11-10 2020-11-10 心动过速事件早期风险评估的模型的建立方法及其装置 Active CN112365978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011243298.0A CN112365978B (zh) 2020-11-10 2020-11-10 心动过速事件早期风险评估的模型的建立方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011243298.0A CN112365978B (zh) 2020-11-10 2020-11-10 心动过速事件早期风险评估的模型的建立方法及其装置

Publications (2)

Publication Number Publication Date
CN112365978A CN112365978A (zh) 2021-02-12
CN112365978B true CN112365978B (zh) 2022-09-23

Family

ID=74510124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011243298.0A Active CN112365978B (zh) 2020-11-10 2020-11-10 心动过速事件早期风险评估的模型的建立方法及其装置

Country Status (1)

Country Link
CN (1) CN112365978B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035296A (zh) * 2021-02-25 2021-06-25 四川大学华西医院 用于icu后综合征的随访方法及***
CN113066547B (zh) * 2021-03-16 2022-06-24 军事科学院***工程研究院卫勤保障技术研究所 一种基于常规无创参数的ards早期动态预警方法与***
CN113066580A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 一种医疗评分确定方法、装置、电子设备及存储介质
CN112957021B (zh) * 2021-03-23 2023-01-10 贵州佳优康健科技有限责任公司 一种心率健康预警***及实现方法
CN112991320B (zh) * 2021-04-07 2022-04-01 德州市人民医院 脑出血患者血肿扩大风险预测***及方法
CN113851224B (zh) * 2021-06-22 2022-06-03 北京理工大学 一种用于ams风险评估的数字仿真器
CN113842135A (zh) * 2021-09-18 2021-12-28 吉林大学 一种基于BiLSTM的睡眠呼吸异常自动筛查方法
CN113838577B (zh) * 2021-11-08 2022-09-09 北京航空航天大学 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法
CN114155955A (zh) * 2021-12-01 2022-03-08 中国人民解放军总医院第一医学中心 气道梗阻严重程度评估方法及***
CN115473925B (zh) * 2022-11-02 2023-02-03 四川港通医疗设备集团股份有限公司 一种基于云计算的医用呼叫智能管理方法及***
CN116189899B (zh) * 2023-04-26 2023-07-07 淄博市中心医院 一种基于机器学习的急危重症辅助评估***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201619902D0 (en) * 2016-11-24 2017-01-11 Univ Oxford Innovation Ltd Patient status monitor and method of monitoring patient status
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及***
CN107436993B (zh) * 2017-05-05 2020-08-25 陈一昕 建立icu患者病情评估模型的方法和服务器
CN107391901A (zh) * 2017-05-05 2017-11-24 陈昕 建立普通病房患者病情评估模型的方法和服务器
CN109645980A (zh) * 2018-11-14 2019-04-19 天津大学 一种基于深度迁移学习的心律异常分类方法

Also Published As

Publication number Publication date
CN112365978A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112365978B (zh) 心动过速事件早期风险评估的模型的建立方法及其装置
US11134880B2 (en) Automatic method to delineate or categorize an electrocardiogram
Mohktar et al. Predicting the risk of exacerbation in patients with chronic obstructive pulmonary disease using home telehealth measurement data
CN110459328B (zh) 临床监护设备
Dami et al. Predicting cardiovascular events with deep learning approach in the context of the internet of things
JP2018524137A (ja) 心理状態を評価するための方法およびシステム
US20150257712A1 (en) Methods and systems for calculating and using statistical models to predict medical events
Sinha et al. Automatic diagnosis of cardiac arrhythmias based on three stage feature fusion and classification model using DWT
CN113838577B (zh) 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法
US10172569B2 (en) System and method for assisting decisions associated with events relative to withdrawal of life-sustaining therapy using variability measurements
Shamsollahi et al. Using combined descriptive and predictive methods of data mining for coronary artery disease prediction: a case study approach
Jahan et al. Short-term atrial fibrillation detection using electrocardiograms: A comparison of machine learning approaches
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及***
WO2023097780A1 (zh) 机械通气过程中人机异步现象的分类方法和分类装置
Shirole et al. Cardiac, diabetic and normal subjects classification using decision tree and result confirmation through orthostatic stress index
TWI688371B (zh) 心房顫動信號型態擷取及輔助診斷智能裝置
Biton et al. Generalizable and robust deep learning algorithm for atrial fibrillation diagnosis across geography, ages and sexes
CN117038050B (zh) 生理参数异常处理方法、***及医疗设备
Ashu et al. A novel approach of telemedicine for managing fetal condition based on machine learning technology from IoT-based wearable medical device
Hong et al. Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates
Petty et al. Evaluating deep learning algorithms for real-time arrhythmia detection
Gopalakrishnan et al. A Novel Deep Learning-Based Heart Disease Prediction System Using Convolutional Neural Networks (CNN) Algorithm
Xie et al. Prediction of chronic obstructive pulmonary disease exacerbation using physiological time series patterns
Zhang et al. Heart failure classification using deep learning to extract spatiotemporal features from ECG
Gulhane et al. Machine Learning Approach for Predicting the Heart Disease

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
GR01 Patent grant
GR01 Patent grant