CN114937486A - Idh预测及干预措施推荐多任务模型的构建方法及应用 - Google Patents
Idh预测及干预措施推荐多任务模型的构建方法及应用 Download PDFInfo
- Publication number
- CN114937486A CN114937486A CN202210711223.3A CN202210711223A CN114937486A CN 114937486 A CN114937486 A CN 114937486A CN 202210711223 A CN202210711223 A CN 202210711223A CN 114937486 A CN114937486 A CN 114937486A
- Authority
- CN
- China
- Prior art keywords
- idh
- data
- layer
- task
- output
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title abstract description 4
- 208000020372 Infective dermatitis associated with HTLV-1 Diseases 0.000 claims abstract description 221
- 210000002569 neuron Anatomy 0.000 claims abstract description 87
- 238000001631 haemodialysis Methods 0.000 claims abstract description 80
- 230000000322 hemodialysis Effects 0.000 claims abstract description 80
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000011282 treatment Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 23
- 208000001953 Hypotension Diseases 0.000 claims abstract description 8
- 208000012866 low blood pressure Diseases 0.000 claims abstract description 5
- 238000000502 dialysis Methods 0.000 claims description 109
- 210000004369 blood Anatomy 0.000 claims description 57
- 239000008280 blood Substances 0.000 claims description 57
- 238000000108 ultra-filtration Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 29
- 210000002700 urine Anatomy 0.000 claims description 28
- 238000001802 infusion Methods 0.000 claims description 25
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 21
- 230000035515 penetration Effects 0.000 claims description 21
- 230000003827 upregulation Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000035488 systolic blood pressure Effects 0.000 claims description 18
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 16
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 15
- 238000003491 array Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 239000002504 physiological saline solution Substances 0.000 claims description 10
- 102000009027 Albumins Human genes 0.000 claims description 8
- 108010088751 Albumins Proteins 0.000 claims description 8
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 8
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 claims description 8
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 claims description 8
- 230000017531 blood circulation Effects 0.000 claims description 8
- 230000037396 body weight Effects 0.000 claims description 8
- 229910001424 calcium ion Inorganic materials 0.000 claims description 8
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 8
- 229940109239 creatinine Drugs 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000035487 diastolic blood pressure Effects 0.000 claims description 8
- 210000003743 erythrocyte Anatomy 0.000 claims description 8
- 210000000265 leukocyte Anatomy 0.000 claims description 8
- 229910001414 potassium ion Inorganic materials 0.000 claims description 8
- 229910001415 sodium ion Inorganic materials 0.000 claims description 8
- 230000036387 respiratory rate Effects 0.000 claims description 7
- 206010020772 Hypertension Diseases 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 5
- 230000004872 arterial blood pressure Effects 0.000 claims description 5
- 206010012601 diabetes mellitus Diseases 0.000 claims description 5
- 239000008103 glucose Substances 0.000 claims description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 4
- 102000001554 Hemoglobins Human genes 0.000 claims description 4
- 108010054147 Hemoglobins Proteins 0.000 claims description 4
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 4
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 4
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 4
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 4
- 239000003146 anticoagulant agent Substances 0.000 claims description 4
- 229940127219 anticoagulant drug Drugs 0.000 claims description 4
- 238000004820 blood count Methods 0.000 claims description 4
- 230000036760 body temperature Effects 0.000 claims description 4
- 239000011575 calcium Substances 0.000 claims description 4
- 229910052791 calcium Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011591 potassium Substances 0.000 claims description 4
- 229910052700 potassium Inorganic materials 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 239000011734 sodium Substances 0.000 claims description 4
- 229910052708 sodium Inorganic materials 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 claims description 4
- 229940116269 uric acid Drugs 0.000 claims description 4
- 230000004584 weight gain Effects 0.000 claims description 4
- 235000019786 weight gain Nutrition 0.000 claims description 4
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002615 hemofiltration Methods 0.000 claims description 3
- 238000000465 moulding Methods 0.000 claims description 3
- 239000011780 sodium chloride Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims 1
- 238000004393 prognosis Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001154 acute effect Effects 0.000 description 5
- 208000019901 Anxiety disease Diseases 0.000 description 4
- 206010008479 Chest Pain Diseases 0.000 description 4
- 206010009866 Cold sweat Diseases 0.000 description 4
- 206010013954 Dysphoria Diseases 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 4
- 206010013975 Dyspnoeas Diseases 0.000 description 4
- 208000007101 Muscle Cramp Diseases 0.000 description 4
- 206010028813 Nausea Diseases 0.000 description 4
- 208000005392 Spasm Diseases 0.000 description 4
- 208000003443 Unconsciousness Diseases 0.000 description 4
- 206010047700 Vomiting Diseases 0.000 description 4
- 206010000059 abdominal discomfort Diseases 0.000 description 4
- 230000036506 anxiety Effects 0.000 description 4
- 230000007211 cardiovascular event Effects 0.000 description 4
- 208000002173 dizziness Diseases 0.000 description 4
- 230000008693 nausea Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000008673 vomiting Effects 0.000 description 4
- 208000037157 Azotemia Diseases 0.000 description 3
- 241001282135 Poromitra oscitans Species 0.000 description 3
- 208000012886 Vertigo Diseases 0.000 description 3
- 206010048232 Yawning Diseases 0.000 description 3
- 230000036543 hypotension Effects 0.000 description 3
- 208000009852 uremia Diseases 0.000 description 3
- 231100000889 vertigo Toxicity 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 239000012510 hollow fiber Substances 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 210000004303 peritoneum Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 208000009304 Acute Kidney Injury Diseases 0.000 description 1
- 208000012639 Balance disease Diseases 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 206010018367 Glomerulonephritis chronic Diseases 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 208000033626 Renal failure acute Diseases 0.000 description 1
- 201000011040 acute kidney failure Diseases 0.000 description 1
- 208000012998 acute renal failure Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000385 dialysis solution Substances 0.000 description 1
- 239000008151 electrolyte solution Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004379 membrane Anatomy 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 210000003200 peritoneal cavity Anatomy 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003440 toxic substance Substances 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
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Urology & Nephrology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Surgery (AREA)
- External Artificial Organs (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明IDH预测及干预措施推荐多任务模型的构建方法及应用,属于医疗行业人工智能领域,包括以下步骤:S1收集血液透析前的时不变数据和时不变数据组成输入数据;S2为每一条输入数据设置标签,每一个标签对应一个学习任务;S3构建透中低血压预测及干预措施推荐多任务模型,模型包括辅助任务X、辅助任务Y和主任务Z;每个任务的模型架构均分为输入层、隐藏层、输出层,每层都由若干个神经元构成;S4构造训练集数据和测试集数据对模型进行训练;S5多任务模型的验证;本发明通过***及提前干预的方式降低患者IDH发生的风险,从而达到在MHD治疗过程中对IDH防治,改善MHD患者预后的目的。
Description
技术领域
本发明涉及医疗预测模型的构建方法,属于医疗行业人工智能领域,具体的说是采用多任务学习方法构建维持性血液透析透中低血压预测及干预措施推荐模型的方法及应用。
背景技术
维持性血液透析治疗是指利用血液透析或腹膜透析挽救患者的生命,是延长***患者生命的过渡方法。进行维持性血液透析的患者不仅包括由慢性肾炎发展而至的***,其他如糖尿病、高血压而导致的***也是患者进行维持性透析的常见原因。维持性透析治疗分为血液透析和腹膜透析两种:
血液透析(HD)是急慢性肾功能衰竭患者肾脏替代治疗方式之一。它通过将体内血液引流至体外,经一个由无数根空心纤维组成的透析器中,血液与含机体浓度相似的电解质溶液(透析液)在一根根空心纤维内外,通过弥散、超滤、吸附和对流原理进行物质交换,清除体内的代谢废物、维持电解质和酸碱平衡;同时清除体内过多的水分,并将经过净化的血液回输到体内。
腹膜透析(PD)是利用腹膜作为半渗透膜的特性,通过重力作用将配制好的透析液规律、定时经导管灌入患者的腹膜腔,由于在腹膜两侧存在溶质的浓度梯度差,高浓度一侧的溶质向低浓度一侧移动(弥散作用);水分则从低渗一侧向高渗一侧移动(渗透作用)。通过腹腔透析液不断地更换,以达到清除体内代谢产物、毒性物质及纠正水、电解质平衡紊乱的目的。
透析中低血压(IDH)是维持性血液透析(MHD)治疗过程中最常见的并发症之一,透析中,当患者收缩压下降≥20mmHg,或平均动脉压下降≥10mmHg,患者会出现头昏、眩晕、烦躁、焦虑、面色苍白、打哈欠、恶心、呕吐、胸闷、心率增快、腹部不适、冷汗,严重者可有呼吸困难、黑蒙、肌肉痉挛、甚至一过性意识丧失,严重时会引起急性心血管事件,增加死亡风险。研究显示,我国MHD 治疗患者中IDH的发生率约为39%,IDH的频繁发生是MHD患者预后不佳的重要因素,因此在MHD治疗过程中对IDH的防治非常重要。
发明内容
为了解决上述技术问题,本发明提出一种构建维持性血透中低血压预测及干预措施推荐多任务模型的方法,包括以下步骤:
S1收集输入数据;收集血液透析前的时不变数据和血液透析期间每一时刻的时变数据作为输入数据;由每一个时不变数据和每一个时变数据共同组成一条输入数据;
S2,为每一条输入数据设置标签;为每一条输入数据设置3个标签,分别为标签A、标签B、标签C;每一个标签对应一个学习任务;
S3,构建透中低血压预测及干预措施推荐多任务模型;所述多任务模型包括辅助任务X、辅助任务Y和主任务Z;每个任务的模型架构均分为输入层、隐藏层、输出层,每层都由若干个神经元构成;隐藏层和输出层中的每个神经元都有权重,权重在模型训练的过程中得出;输出层的每一个神经元会对隐藏层输出的数据有不同的权重计算,输出最后结果,输出层神经元个数由标签类别的数量决定;
S4,模型的训练;将步骤S1收集的输入数据构造训练集数据和测试集数据,构造损失函数,将训练集数据输入模型,对模型进行训练;
S5,多任务模型的验证;多任务模型对步骤S4中得到的测试集数据进行计算,得到测试集数据的三个任务的结果,分别计算每个任务的准确率、召回率和精确率,通过这三个指标评价多任务模型的效果,每个任务的准确率、召回率和精确率达到预定值的,得到合格的IDH预测及干预措施推荐多任务模型。
进一步的,
步骤S1时不变数据包括:患者血液透析前的测量体征数据、个人信息、病史记录、检验检查结果、历史透析记录、当次血液透析处方;其中,
测量体征数据包括:透前体重、透前心率、透前干体重、透前脉搏、透前收缩压、透前舒张压血压、透前呼吸频率;
个人信息包括:年龄、性别、身高、透析龄;
病史记录包括:高血压病史、糖尿病病史;
检验检查结果包括:血白细胞计数、血红蛋白、血红细胞计数、血糖、血白蛋白、血总胆固醇、血甘油三酯、血肌酐、血尿酸、血尿素氮、血钾、血钠、血钙、血磷、血氯、尿白细胞、尿蛋白、尿红细胞、尿肌酐、尿潜血、尿微量白蛋白、尿白蛋白;
历史透析记录包括:透析间期体重增长、上次透析时长、上次下机体重、近七日发生IDH次数、近三十日发生IDH次数;
当次血液透析处方包括:透析模式、抗凝剂、抗凝剂剂量、超滤量、透析时长、透析液钾离子浓度、透析液钙离子浓度、透析液钠离子浓度、透析液电导度、血流量;
所述时变数据包括:患者血液透析期间,需持续固定时间间隔监测体征、透析治疗参数和透析机参数;其中,
间隔监测体征数据包括:当前体温、当前心率、当前收缩压、当前舒张压、当前脉搏、当前呼吸频率;
透析治疗参数包括:当前已超滤、当前透析时长、当前透析液钾离子浓度、当前透析液钙离子浓度、当前透析液钠离子浓度、当前透析液电导度、当前血流量;
透析机参数包括:当前动脉压、当前静脉压、当前跨模压、当前血滤量。
进一步的,步骤S2包括如下子步骤:
S21,设定IDH的诊断标准:
①符合IDH的干预措施,且收缩压较透前收缩压下降超过20mmHg;
②无干预措施,但收缩压小于90mmHg;
S22,根据IDH的诊断标准为每一条输入数据设置标签A、标签B、和标签C;
标签A为:本次透析是否发生IDH;
标签B为:下一时刻是否发生IDH;
标签C为:下一时刻IDH的干预措施;其中,IDH的干预措施包括:不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别。
进一步的,步骤S22包括如下子步骤:
S221,收集透析中IDH干预数据,IDH干预数据为透析过程中本条输入数据的干预措施;IDH干预数据的干预措施亦为:不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别;
S222,设置标签A;对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;
S223,设置标签B;对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;判断为IDH的时刻的上一时刻的标签B标为下一时刻发生IDH,其余时刻的标签B标位下一时刻不发生IDH;
S224,设置标签C;根据IDH的干预措施数据设置输入数据采集标签C。
进一步的,步骤S3中,预测本次透析是否发生IDH为辅助任务X;预测下一时刻IDH的干预措施为辅助任务Y;预测下一时刻是否发生IDH为主任务Z;
辅助任务X的模型架构分为输入层X1、隐藏层X2、输出层X3,每层都由若干个神经元构成,隐藏层X2和输出层X3中的每个神经元都有权重,权重在模型训练的过程中得出;
1.辅助任务X模型包括如下结构:
(1)输入层:辅助任务X的输入层X1输入的数据为血液透析前的时不变数据,输入层X1神经元个数为血液透析前的时不变数据个数;
(2)隐藏层:隐藏层X2的每一个神经元会对输入层X1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测;在本发明中,辅助任务X的隐藏层X2的权重值偏向于预测本次透析是否发生IDH;
设:
辅助任务X的输入层X1的输出数组为X1i ,i为输出数组中数值的个数,i为1~n;
隐藏层X2的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
设隐藏层X2的输出数据数组为X2i,则:
(3)输出层:输出层X3的神经元有一个,0为本次透析不发生IDH,1为本次透析发生IDH;输出层X3的神经元对隐藏层输出的数据有不同的权重计算,输出最后结果;
设:
输出层X3的神经元中包括若干个权重参数数组Wj,权重参数W的个数为j,j为1~n;
权重参数数组Wj个数与权重参数数组Wi个数相等,即i=j
辅助任务Y的模型包括如下结构:
辅助任务Y的模型架构分为输入层Y1、隐藏层Y2、输出层Y3,每层都由若干个神经元构成,隐藏层Y2和输出层Y3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:辅助任务Y的输入层Y1输入的数据与主任务Z1的输入层输入的数据相同,为血液透析前的时不变数据和血液透析期间每一时刻的时变数据,输入层Y1神经元个数为血液透析前的时不变数据个数和血液透析期间每一时刻的时变数据个数之和;
(2)隐藏层:隐藏层Y2的每一个神经元会对输入层Y1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测;
设:
辅助任务Y的输入层Y1的输出数组为Y1i ,i为输出数组中数值的个数,i为1~n;
隐藏层Y2的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
设隐藏层Y2的输出数据数组为Y2i,则:
在本发明中,辅助任务Y的隐藏层Y2的权重值偏向于预测下一时刻IDH的干预措施;
(3)输出层:输出层Y3神经元有五个,分别对应不干预、暂停超滤、减定容、生理盐水输注、上调电导度等下一时刻IDH的干预措施;
输出层Y3的神经元对隐藏层输出的数据有不同的权重计算,输出最后结果;
设:
输出层Y3的神经元中包括若干个权重参数数组Wj,权重参数W的个数为j,j为1~n;
权重参数数组Wj个数与权重参数数组Wi个数相等,即i=j
3.主任务Z模型包括如下结构:
主任务Z的模型架构分为输入层Z1、隐藏层Z2、输出层Z3,每层都由若干个神经元构成,隐藏层Z2和输出层Z3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:主任务Z1的输入层输入的数据与辅助任务Y的输入层Y1输入的数据相同,为血液透析前的时不变数据和血液透析期间每一时刻的时变数据,输入层Z1神经元个数为血液透析前的时不变数据个数和血液透析期间每一时刻的时变数据个数之和;
(2)隐藏层:隐藏层Z2的每一个神经元会对输入层Z1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测,在本发明中,主任务Z的隐藏层Z2的权重值偏向于预测下一时刻是否发生IDH;
(3)输出层:主任务Z的输出层Z3神经元有一个,为:下一时刻不发生IDH,以“0”表示,或下一时刻发生IDH,以“1”表示;
将辅助任务X的隐藏层X2的输出数组、辅助任务Y的隐藏层Y2的输出数组、以及主任务Z的隐藏层Z2的输出数组,作为主任务Z的输出层Z3的输入;
设:
辅助任务X的隐藏层X2的输出数组为X2i ,i为输出数组中数值的个数,i为1~n;
辅助任务Y的隐藏层Y2的输出数组Y2i,i为输出数组中数值的个数,i为1~n;
与主任务Z的隐藏层Z2的输出数组为Z2i ,i为输出数组中数值的个数,i为1~n;
辅助任务X的隐藏层X2的输出数组、辅助任务Y的隐藏层Y2的输出数组、与主任务Z的隐藏层Z2的输出数组中数值的个数相同,均为i,i为1~n;
主任务Z输出层Z3的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
将输出数组为X2i 、输出数组Y2i、输出数组Z2i中同一序列中的数值相加得到主任务Z的输出层Z3的输入数组Qi ;
主任务Z的输出= Sigmoid()。
进一步的,步骤S4包括如下子步骤:
S41,构造训练集数据和测试集数据;
将步骤S1收集的输入数据按透析时间排序,取前80%作为训练集数据,后20%为测试集数据;
S42,构造损失函数;
首先,对辅助任务X、辅助任务Y、主任务Z,均采用交叉熵构造损失函数;
然后,构造模型总损失函数,模型总损失函数为辅助任务X、辅助任务Y、主任务Z三个任务的损失函数加权和;其中,
主任务Z与辅助任务X、辅助任务Y的交叉熵损失函数权重比为2:1:1;
S43,对训练集数据,采用梯度下降法计算出使损失函数取最小值时对应的各神经元的权重参数;
神经元为S3中构建的模型中的神经元。
进一步的,步骤S5中:
辅助任务A的准确率为在测试集数据中模型正确预测IDH发生与IDH不发生的数量和占测试数据总数量的比值;
辅助任务A的召回率为在测试集数据中模型正确预测IDH发生的数量占测试集数据中的IDH发生总数量的比值;
辅助任务A的精确率为在测试集数据中模型正确预测IDH发生的数量占模型预测为IDH发生总数量的比值;
辅助任务B的准确率为在测试集数据中模型正确预测不干预、暂停超滤、减定容、生理盐水输注、上调电导度的数量的和占测试数据总数量的比值;
辅助任务B的召回率为在测试集数据中模型正确预测不干预的、暂停超滤、减定容、生理盐水输注、上调电导度的数量分别占测试数据中的不干预的总数量、暂停超滤的总数量、减定容的总数量、生理盐水输注的总数量、上调电导度的总数量的比值;
辅助任务B的精确率为在测试集数据中模型正确预测不干预的、暂停超滤、减定容、生理盐水输注、上调电导度的数量分别占模型预测为不干预的总数量、暂停超滤的总数量、减定容的总数量、生理盐水输注的总数量、上调电导度的总数量的比值;
主任务C的准确率为在测试集数据中模型正确预测下一时刻IDH发生与下一时刻IDH不发生的数量和占测试数据总数量的比值;
主任务C的召回率为在测试集数据中模型正确预测下一时刻IDH发生的数量占测试集数据中的下一时刻IDH发生总数量的比值;
主任务C的精确率为在测试集数据中模型正确预测下一时刻IDH发生的数量占模型预测为下一时刻IDH发生总数量的比值。
进一步的,本发明还提出一种采用本发明方法构建的IDH预测及干预措施推荐多任务模型在维持性血液透析治疗中预测IDH的应用。
有益效果:本发明透中低血压预测及干预措施推荐多任务模型基于多任务学习的方法,通过***及提前干预的方式降低患者IDH发生的风险,从而达到在MHD治疗过程中对IDH防治,改善MHD患者预后的目的,具体而言:
一方面,不仅能在患者血液透析前预测本次透析是否发生IDH,以提高医护对可能发生IDH患者的关注度。
另一方面,采用本发明模型还能在透析过程中根据血液透析期间监测的体征和透析治疗参数预测下一个监测时刻是否发生IDH。
第三,采用本发明模型,能为医护人员提供优质的IDH干预方案,为血透中发生IDH时提供优质治疗方案推荐即优质IDH干预措施推荐,从而解决了血透中发生IDH时医护人员选择处置方案不当、或者短时间内不能给出处置方案、或者缺少经验的医护人员不知道如何处置导致的患者出现头昏、眩晕、烦躁、焦虑、面色苍白、打哈欠、恶心、呕吐、胸闷、心率增快、腹部不适、冷汗,严重者可有呼吸困难、黑蒙、肌肉痉挛、甚至一过性意识丧失,以及严重时会引起急性心血管事件,甚至是死亡等。
第四,本发明将辅助任务的隐藏层的输出与主任务隐藏层的输出融合,融合结果作为主任务输出层的输入,实现了主任务与辅助任务的权重共享,采用本发明模型能有效提高主任务预测下一时刻是否发生IDH的准确率。
第五,本发明模型能够同时实现多个任务的预测,节约了模型的存储成本和维护成本以及模型预测的时间成本、计算成本。
附图说明
图1为本发明透中低血压预测及干预措施推荐多任务模型结构示意图。
具体实施方式
实施例1:本发明提出一种构建维持性血透中低血压预测及干预措施推荐多任务模型的方法及应用,包括以下步骤:
S1,收集输入数据;收集血液透析前的时不变数据和血液透析期间每一时刻的时变数据作为输入数据;由每一个时不变数据和每一个时变数据共同组成一条输入数据;
输入数据至少为1条;
(1)时不变数据包括:患者血液透析前的测量体征数据、个人信息、病史记录、检验检查结果、历史透析记录、当次血液透析处方;
其中,
测量体征数据包括:透前体重、透前心率、透前干体重、透前脉搏、透前收缩压、透前舒张压血压、透前呼吸频率;
个人信息包括:年龄、性别、身高、透析龄;
病史记录包括:高血压病史、糖尿病病史;
检验检查结果包括:血白细胞计数、血红蛋白、血红细胞计数、血糖、血白蛋白、血总胆固醇、血甘油三酯、血肌酐、血尿酸、血尿素氮、血钾、血钠、血钙、血磷、血氯、尿白细胞、尿蛋白、尿红细胞、尿肌酐、尿潜血、尿微量白蛋白、尿白蛋白;
历史透析记录包括:透析间期体重增长、上次透析时长、上次下机体重、近七日发生IDH次数、近三十日发生IDH次数;
当次血液透析处方包括:透析模式、抗凝剂、抗凝剂剂量、超滤量、透析时长、透析液钾离子浓度、透析液钙离子浓度、透析液钠离子浓度、透析液电导度、血流量。
(2)时变数据包括:患者血液透析期间,需持续固定时间间隔监测体征、透析治疗参数和透析机参数;其中,
间隔监测体征数据包括:当前体温、当前心率、当前收缩压、当前舒张压、当前脉搏、当前呼吸频率;
透析治疗参数包括:当前已超滤、当前透析时长、当前透析液钾离子浓度、当前透析液钙离子浓度、当前透析液钠离子浓度、当前透析液电导度、当前血流量。
透析机参数包括:当前动脉压、当前静脉压、当前跨模压、当前血滤量。
S2,为每一条输入数据设置标签;为每一条输入数据设置3个标签,分别为标签A、标签B、标签C;每一个标签对应一个学习任务;
标签A为:本次透析是否发生IDH;
标签B为:下一时刻是否发生IDH;
标签C为:下一时刻IDH的干预措施;其中,IDH的干预措施包括:不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别;
S21,设定IDH的诊断标准:
①符合IDH的干预措施,且收缩压较透前收缩压下降超过20mmHg;
②无干预措施,但收缩压小于90mmHg;
S22,根据IDH的诊断标准为每一条输入数据设置标签A、标签B、和标签C;
具体的,包括如下子步骤:
S221,收集透析中IDH干预数据,IDH干预数据为透析过程中本条输入数据的干预措施;IDH干预数据的干预措施亦为:不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别;
每一条输入数据对应一条IDH干预数据;由输入数据、IDH干预数据、标签A、标签B和标签C构成一条完整的数据;
S222,设置标签A;对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;
本次透析所有时刻的输入数据包括N条输入数据,N至少为1;
具体的,本次透析每一个时刻对应一条输入数据,本次透析N个时刻对应N条输入数据;时刻是指固定时间间隔的时间点,固定时间间隔包括小时、分钟、秒、或毫秒等时间值;
若有一个时刻发生IDH,则本次透析所有时刻的输入数据的标签A标为发生IDH,即将本次透析的N条输入数据的标签A均标为发生IDH;
若每一个时刻均未发生IDH,则本次透析所有时刻的输入数据的标签A标为未发生IDH;即将本次透析的N条输入数据的标签A均标为未发生IDH;
进一步的,标签A用0或1表示,0为不发生IDH,1为发生IDH;标签B用0或1表示,0为下一时刻不发生IDH,1为下一时刻发生IDH。
S223,设置标签B;对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;判断为IDH的时刻的上一时刻的标签B标为下一时刻发生IDH,其余时刻的标签B标位下一时刻不发生IDH;
同理,本次透析所有时刻的输入数据包括N条输入数据,N至少为1;
具体的,本次透析每一个时刻对应一条输入数据,本次透析N个时刻对应N条输入数据;时刻是指固定时间间隔的时间点,固定时间间隔包括小时、分钟、秒、或毫秒等;
举例来说:
例1:以N=5为例,即设输入数据的条数为5;根据IDH的诊断标准判断,设发生IDH的输入数据为N=4,则将N=3的输入数据中的标签B标为:下一时刻发生IDH;其余的输入数据的标签B标为:下一时刻不发生IDH;
例2:以N=5为例,即设输入数据的条数为5;根据IDH的诊断标准判断,设发生IDH的输入数据为N=4,和N=5;
则将N=3的输入数据以及N=4的输入数据中的标签B标为:下一时刻发生IDH;其余的输入数据的标签B标为:下一时刻不发生IDH;
本发明对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;判断为IDH的时刻的上一时刻的标签B标为下一时刻发生IDH,其余时刻的标签B标位下一时刻不发生IDH,解决了给出透析过程中下一时刻是否会发生IDH的难题,解决了血液透析过程中实时预测IDH风险的难题。
S224,设置标签C;根据IDH的干预措施数据设置输入数据采集标签C;
进一步的,标签C用独热编码表示,使用五位数字来对五种干预措施进行编码;例:
10000表示不干预;
01000表示暂停超滤;
00100表示减定容;
00010表示生理盐水输注;
00001表示上调电导度。
进一步的,
先对各条输入数据的标签B标为1的输入数据的下一条输入数据,根据IDH的干预措施判断属于何种干预措施之后,再对标签B标为1的输入数据的标签C标为对应的干预措施的独热编码,其余时刻的标签C标为不干预的独热编码。
举例来说:
设有M条数据,M=6;
第4条输入数据中的标签B标为1,则根据IDH的干预措施判断第5条输入数据属于何种干预措施之后,再对第4条输入数据的标签C标为对应的干预措施的独热编码,其余时刻的标签C标为不干预的独热编码。
本发明根据IDH的干预措施数据设置输入数据采集标签C,可以为医护人员提供优质的IDH干预方案,为血透中发生IDH时提供治疗方案,从而解决了血透中发生IDH时医护人员选择处置方案不当、或者短时间内不能给出处置方案、或者缺少经验的医护人员不知道如何处置导致的患者出现头昏、眩晕、烦躁、焦虑、面色苍白、打哈欠、恶心、呕吐、胸闷、心率增快、腹部不适、冷汗,严重者可有呼吸困难、黑蒙、肌肉痉挛、甚至一过性意识丧失,以及严重时会引起急性心血管事件,甚至是死亡等。
同时,本发明通过先对各条输入数据的标签B标为1的输入数据的下一条输入数据,根据IDH的干预措施判断属于何种干预措施之后,再对标签B标为1的输入数据的标签C标为对应的干预措施的独热编码的方式,解决了给出预测优质的IDH干预方案的难题。
S3,构建透中低血压预测及干预措施推荐多任务模型;
所述多任务模型包括辅助任务X、辅助任务Y和主任务Z;
如图1所示,每个任务的模型架构均分为输入层、隐藏层、输出层,每层都由若干个神经元构成;隐藏层和输出层中的每个神经元都有权重,权重在模型训练的过程中得出;输出层的每一个神经元会对隐藏层输出的数据有不同的权重计算,输出最后结果,输出层神经元个数由标签类别的数量决定;
设:
预测本次透析是否发生IDH为辅助任务X;
预测下一时刻IDH的干预措施为辅助任务Y;
预测下一时刻是否发生IDH为主任务Z;
则:
1、辅助任务X的模型架构分为输入层X1、隐藏层X2、输出层X3,每层都由若干个神经元构成,隐藏层X2和输出层X3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:辅助任务X的输入层X1输入的数据为血液透析前的时不变数据,输入层X1神经元个数为血液透析前的时不变数据个数;
(2)隐藏层:隐藏层X2的每一个神经元会对输入层X1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测;在本发明中,辅助任务X的隐藏层X2的权重值偏向于预测本次透析是否发生IDH;
设:
辅助任务X的输入层X1的输出数组为X1i ,i为输出数组中数值的个数,i为1~n;
隐藏层X2的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
设隐藏层X2的输出数据数组为X2i,则:
(3)输出层:输出层X3的神经元有一个,0为本次透析不发生IDH,1为本次透析发生IDH;输出层X3的神经元对隐藏层输出的数据有不同的权重计算,输出最后结果;
设:
输出层X3的神经元中包括若干个权重参数数组Wj,权重参数W的个数为j,j为1~n;
权重参数数组Wj个数与权重参数数组Wi个数相等,即i=j
2、辅助任务Y的模型架构分为输入层Y1、隐藏层Y2、输出层Y3,每层都由若干个神经元构成,隐藏层Y2和输出层Y3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:辅助任务Y的输入层Y1输入的数据与主任务Z1的输入层输入的数据相同,为血液透析前的时不变数据和血液透析期间每一时刻的时变数据,输入层Y1神经元个数为血液透析前的时不变数据个数和血液透析期间每一时刻的时变数据个数之和;
(2)隐藏层:隐藏层Y2的每一个神经元会对输入层Y1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测;
设:
辅助任务Y的输入层Y1的输出数组为Y1i ,i为输出数组中数值的个数,i为1~n;
隐藏层Y2的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
设隐藏层Y2的输出数据数组为Y2i,则:
在本发明中,辅助任务Y的隐藏层Y2的权重值偏向于预测下一时刻IDH的干预措施;
(3)输出层:输出层Y3神经元有五个,分别对应不干预、暂停超滤、减定容、生理盐水输注、上调电导度等下一时刻IDH的干预措施;
输出层Y3的神经元对隐藏层输出的数据有不同的权重计算,输出最后结果;
设:
输出层Y3的神经元中包括若干个权重参数数组Wj,权重参数W的个数为j,j为1~n;
权重参数数组Wj个数与权重参数数组Wi个数相等,即i=j
3、主任务Z的模型架构分为输入层Z1、隐藏层Z2、输出层Z3,每层都由若干个神经元构成,隐藏层Z2和输出层Z3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:主任务Z1的输入层输入的数据与辅助任务Y的输入层Y1输入的数据相同,为血液透析前的时不变数据和血液透析期间每一时刻的时变数据,输入层Z1神经元个数为血液透析前的时不变数据个数和血液透析期间每一时刻的时变数据个数之和。
(2)隐藏层:隐藏层Z2的每一个神经元会对输入层Z1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测,在本发明中,主任务Z的隐藏层Z2的权重值偏向于预测下一时刻是否发生IDH;
(3)输出层:主任务Z的输出层Z3神经元有一个,为:下一时刻不发生IDH,以“0”表示,或下一时刻发生IDH,以“1”表示;
如图1所示,
将辅助任务X的隐藏层X2的输出数组、辅助任务Y的隐藏层Y2的输出数组、以及主任务Z的隐藏层Z2的输出数组,作为主任务Z的输出层Z3的输入;
设:
辅助任务X的隐藏层X2的输出数组为X2i ,i为输出数组中数值的个数,i为1~n;
辅助任务Y的隐藏层Y2的输出数组Y2i,i为输出数组中数值的个数,i为1~n;
与主任务Z的隐藏层Z2的输出数组为Z2i ,i为输出数组中数值的个数,i为1~n;
辅助任务X的隐藏层X2的输出数组、辅助任务Y的隐藏层Y2的输出数组、与主任务Z的隐藏层Z2的输出数组中数值的个数相同,均为i,i为1~n;
主任务Z输出层Z3的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
将输出数组为X2i 、输出数组Y2i、输出数组Z2i中同一序列中的数值相加得到主任务Z的输出层Z3的输入数组Qi ;
sigmoid函数也叫Logistic函数,也称为S型生长曲线,用于隐层神经元输出,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间,可以用来做二分类,Sigmoid作为激活函数具有平滑、易于求导的优点。本发明仅采用Sigmoid作为神经网络的激活函数,对于sigmoid函数的原理在此不在累述。
本发明将辅助任务的隐藏层的输出与主任务隐藏层的输出融合,融合结果作为主任务输出层的输入,实现了主任务与辅助任务的权重共享,有效提高了主任务预测下一时刻是否发生IDH的准确率。
S4,模型的训练;
S41,构造训练集数据和测试集数据;
将步骤S1收集的输入数据按透析时间排序,取前80%作为训练集数据,后20%为测试集数据;
S42,构造损失函数;
首先,对辅助任务X、辅助任务Y、主任务Z,均采用交叉熵构造损失函数;
然后,构造模型总损失函数,模型总损失函数为辅助任务X、辅助任务Y、主任务Z三个任务的损失函数加权和;其中,
主任务Z与辅助任务X、辅助任务Y的交叉熵损失函数权重比为2:1:1。
S43,对训练集数据,采用梯度下降法计算出使损失函数取最小值时对应的各神经元的权重参数;
神经元为S3中构建的模型中的神经元。
S5,多任务模型的验证;
多任务模型对步骤S4中得到的测试集数据进行计算,得到测试集数据的三个任务的结果,分别计算每个任务的准确率、召回率和精确率,通过这三个指标评价多任务模型的效果。
所述辅助任务A的准确率为在测试集数据中模型正确预测IDH发生与IDH不发生的数量和占测试数据总数量的比值;
所述辅助任务A的召回率为在测试集数据中模型正确预测IDH发生的数量占测试集数据中的IDH发生总数量的比值;
所述辅助任务A的精确率为在测试集数据中模型正确预测IDH发生的数量占模型预测为IDH发生总数量的比值。
所述辅助任务B的准确率为在测试集数据中模型正确预测不干预、暂停超滤、减定容、生理盐水输注、上调电导度的数量的和占测试数据总数量的比值;
所述辅助任务B的召回率为在测试集数据中模型正确预测不干预的、暂停超滤、减定容、生理盐水输注、上调电导度的数量分别占测试数据中的不干预的总数量、暂停超滤的总数量、减定容的总数量、生理盐水输注的总数量、上调电导度的总数量的比值;
所述辅助任务B的精确率为在测试集数据中模型正确预测不干预的、暂停超滤、减定容、生理盐水输注、上调电导度的数量分别占模型预测为不干预的总数量、暂停超滤的总数量、减定容的总数量、生理盐水输注的总数量、上调电导度的总数量的比值。
所述主任务C的准确率为在测试集数据中模型正确预测下一时刻IDH发生与下一时刻IDH不发生的数量和占测试数据总数量的比值;
所述主任务C的召回率为在测试集数据中模型正确预测下一时刻IDH发生的数量占测试集数据中的下一时刻IDH发生总数量的比值;
所述主任务C的精确率为在测试集数据中模型正确预测下一时刻IDH发生的数量占模型预测为下一时刻IDH发生总数量的比值。
本发明透中低血压预测及干预措施推荐多任务模型基于多任务学习的方法,通过***及提前干预的方式降低患者IDH发生的风险,从而达到在MHD治疗过程中对IDH防治,改善MHD患者预后的目的,具体而言:
一方面,不仅能在患者血液透析前预测本次透析是否发生IDH,以提高医护对可能发生IDH患者的关注度。
另一方面,采用本发明模型还能在透析过程中根据血液透析期间监测的体征和透析治疗参数预测下一个监测时刻是否发生IDH。第三,采用本发明模型,能为医护人员提供优质的IDH干预方案,为血透中发生IDH时提供优质治疗方案推荐即优质IDH干预措施推荐,从而解决了血透中发生IDH时医护人员选择处置方案不当、或者短时间内不能给出处置方案、或者缺少经验的医护人员不知道如何处置导致的患者出现头昏、眩晕、烦躁、焦虑、面色苍白、打哈欠、恶心、呕吐、胸闷、心率增快、腹部不适、冷汗,严重者可有呼吸困难、黑蒙、肌肉痉挛、甚至一过性意识丧失,以及严重时会引起急性心血管事件,甚至是死亡等。
第四,本发明将辅助任务的隐藏层的输出与主任务隐藏层的输出融合,融合结果作为主任务输出层的输入,实现了主任务与辅助任务的权重共享,采用本发明模型能有效提高主任务预测下一时刻是否发生IDH的准确率。
实施例2:本实施例提出一种采用本发明方法构建的IDH预测及干预措施推荐多任务模型在维持性血液透析治疗中预测IDH的应用。
患者开始血液透析前,从***中调取患者的个人信息、病史记录、检验检查结果、历史透析记录以及当次血液透析处方,并测量其体征数据,获得血液透析前的时不变数据:透前体重、透前心率、透前干体重、透前脉搏、透前收缩压、透前舒张压血压、透前呼吸频率、年龄、性别、身高、透析龄、高血压病史、糖尿病病史、血白细胞计数、血红蛋白、血红细胞计数、血糖、血白蛋白、血总胆固醇、血甘油三酯、血肌酐、血尿酸、血尿素氮、血钾、血钠、血钙、血磷、血氯、尿白细胞、尿蛋白、尿红细胞、尿肌酐、尿潜血、尿微量白蛋白、尿白蛋白、透析间期体重增长、上次透析时长、上次下机体重、近七日发生IDH次数、近三十日发生IDH次数、透析模式、抗凝剂、抗凝剂剂量、超滤量、透析时长、透析液钾离子浓度、透析液钙离子浓度、透析液钠离子浓度、透析液电导度、血流量;
将血液透析前的时不变数据输入至IDH预测及干预措施推荐多任务模型中,模型能在患者开始血液透析前预测出本次透析发生IDH的风险。
患者在维持性血液透析治疗中,读取血透机中持续固定时间间隔监测得到的间隔监测体征、透析治疗参数和透析机参数,获得血液透析期间每一时刻的时变数据:当前体温、当前心率、当前收缩压、当前舒张压、当前脉搏、当前呼吸频率、当前已超滤、当前透析时长、当前透析液钾离子浓度、当前透析液钙离子浓度、当前透析液钠离子浓度、当前透析液电导度、当前血流量、当前动脉压、当前静脉压、当前跨模压、当前血滤量。
将血液透析前的时不变数据和血液透析期间每一时刻的时变数据输入至IDH预测及干预措施推荐多任务模型中,模型能在患者本次透析期间预测下一时刻是否发生IDH和下一时刻IDH的干预措施推荐。
Claims (8)
1.IDH预测及干预措施推荐多任务模型的构建方法,其特征在于包括以下步骤:
S1收集输入数据;收集血液透析前的时不变数据和血液透析期间每一时刻的时变数据作为输入数据;由每一个时不变数据和每一个时变数据共同组成一条输入数据;
S2,为每一条输入数据设置标签;为每一条输入数据设置3个标签,分别为标签A、标签B、标签C;每一个标签对应一个学习任务;
S3,构建透中低血压预测及干预措施推荐多任务模型;所述多任务模型包括辅助任务X、辅助任务Y和主任务Z;每个任务的模型架构均分为输入层、隐藏层、输出层,每层都由若干个神经元构成;隐藏层和输出层中的每个神经元都有权重,权重在模型训练的过程中得出;输出层的每一个神经元会对隐藏层输出的数据有不同的权重计算,输出最后结果,输出层神经元个数由标签类别的数量决定;
S4,模型的训练;将步骤S1收集的输入数据构造训练集数据和测试集数据,构造损失函数,将训练集数据输入模型,对模型进行训练;
S5,多任务模型的验证;多任务模型对步骤S4中得到的测试集数据进行计算,得到测试集数据的三个任务的结果,分别计算每个任务的准确率、召回率和精确率,通过这三个指标评价多任务模型的效果,每个任务的准确率、召回率和精确率达到预定值的,得到合格的IDH预测及干预措施推荐多任务模型。
2.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法,其特征在于:
步骤S1时不变数据包括:患者血液透析前的测量体征数据、个人信息、病史记录、检验检查结果、历史透析记录、当次血液透析处方;其中,
测量体征数据包括:透前体重、透前心率、透前干体重、透前脉搏、透前收缩压、透前舒张压血压、透前呼吸频率;
个人信息包括:年龄、性别、身高、透析龄;
病史记录包括:高血压病史、糖尿病病史;
检验检查结果包括:血白细胞计数、血红蛋白、血红细胞计数、血糖、血白蛋白、血总胆固醇、血甘油三酯、血肌酐、血尿酸、血尿素氮、血钾、血钠、血钙、血磷、血氯、尿白细胞、尿蛋白、尿红细胞、尿肌酐、尿潜血、尿微量白蛋白、尿白蛋白;
历史透析记录包括:透析间期体重增长、上次透析时长、上次下机体重、近七日发生IDH次数、近三十日发生IDH次数;
当次血液透析处方包括:透析模式、抗凝剂、抗凝剂剂量、超滤量、透析时长、透析液钾离子浓度、透析液钙离子浓度、透析液钠离子浓度、透析液电导度、血流量;
所述时变数据包括:患者血液透析期间,需持续固定时间间隔监测体征、透析治疗参数和透析机参数;其中,
间隔监测体征数据包括:当前体温、当前心率、当前收缩压、当前舒张压、当前脉搏、当前呼吸频率;
透析治疗参数包括:当前已超滤、当前透析时长、当前透析液钾离子浓度、当前透析液钙离子浓度、当前透析液钠离子浓度、当前透析液电导度、当前血流量;
透析机参数包括:当前动脉压、当前静脉压、当前跨模压、当前血滤量。
3.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法,其特征在于:步骤S2包括如下子步骤:
S21,设定IDH的诊断标准:
①符合IDH的干预措施,且收缩压较透前收缩压下降超过20mmHg;
②无干预措施,但收缩压小于90mmHg;
S22,根据IDH的诊断标准为每一条输入数据设置标签A、标签B、和标签C;
标签A为:本次透析是否发生IDH;
标签B为:下一时刻是否发生IDH;
标签C为:下一时刻IDH的干预措施;其中,IDH的干预措施包括:不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别。
4.根据权利要求3所述IDH预测及干预措施推荐多任务模型的构建方法,其特征在于:步骤S22包括如下子步骤:
S221,收集透析中IDH干预数据,IDH干预数据为透析过程中本条输入数据的干预措施;IDH干预数据的干预措施亦为:不干预、暂停超滤、减定容、生理盐水输注、上调电导度5个类别;
S222,设置标签A;对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;
S223,设置标签B;对本次透析所有时刻的输入数据,根据IDH的诊断标准判断每一时刻是否为IDH;判断为IDH的时刻的上一时刻的标签B标为下一时刻发生IDH,其余时刻的标签B标位下一时刻不发生IDH;
S224,设置标签C;根据IDH的干预措施数据设置输入数据采集标签C。
5.根据权利要求1所述构建IDH预测及干预措施推荐多任务模型的方法,其特征在于:步骤S3,预测本次透析是否发生IDH为辅助任务X;预测下一时刻IDH的干预措施为辅助任务Y;预测下一时刻是否发生IDH为主任务Z;
辅助任务X的模型架构分为输入层X1、隐藏层X2、输出层X3,每层都由若干个神经元构成,隐藏层X2和输出层X3中的每个神经元都有权重,权重在模型训练的过程中得出;
5.1辅助任务X模型包括如下结构:
(1)输入层:辅助任务X的输入层X1输入的数据为血液透析前的时不变数据,输入层X1神经元个数为血液透析前的时不变数据个数;
(2)隐藏层:隐藏层X2的每一个神经元会对输入层X1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测;在本发明中,辅助任务X的隐藏层X2的权重值偏向于预测本次透析是否发生IDH;
设:
辅助任务X的输入层X1的输出数组为X1i ,i为输出数组中数值的个数,i为1~n;
隐藏层X2的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
设隐藏层X2的输出数据数组为X2i,则:
(3)输出层:输出层X3的神经元有一个,0为本次透析不发生IDH,1为本次透析发生IDH;输出层X3的神经元对隐藏层输出的数据有不同的权重计算,输出最后结果;
设:
输出层X3的神经元中包括若干个权重参数数组Wj,权重参数W的个数为j,j为1~n;
权重参数数组Wj个数与权重参数数组Wi个数相等,即i=j
5.2辅助任务Y的模型包括如下结构:
辅助任务Y的模型架构分为输入层Y1、隐藏层Y2、输出层Y3,每层都由若干个神经元构成,隐藏层Y2和输出层Y3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:辅助任务Y的输入层Y1输入的数据与主任务Z1的输入层输入的数据相同,为血液透析前的时不变数据和血液透析期间每一时刻的时变数据,输入层Y1神经元个数为血液透析前的时不变数据个数和血液透析期间每一时刻的时变数据个数之和;
(2)隐藏层:隐藏层Y2的每一个神经元会对输入层Y1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测;
设:
辅助任务Y的输入层Y1的输出数组为Y1i ,i为输出数组中数值的个数,i为1~n;
隐藏层Y2的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
设隐藏层Y2的输出数据数组为Y2i,则:
在本发明中,辅助任务Y的隐藏层Y2的权重值偏向于预测下一时刻IDH的干预措施;
(3)输出层:输出层Y3神经元有五个,分别对应不干预、暂停超滤、减定容、生理盐水输注、上调电导度等下一时刻IDH的干预措施;
输出层Y3的神经元对隐藏层输出的数据有不同的权重计算,输出最后结果;
设:
输出层Y3的神经元中包括若干个权重参数数组Wj,权重参数W的个数为j,j为1~n;
权重参数数组Wj个数与权重参数数组Wi个数相等,即i=j
5.3主任务Z模型包括如下结构:
主任务Z的模型架构分为输入层Z1、隐藏层Z2、输出层Z3,每层都由若干个神经元构成,隐藏层Z2和输出层Z3中的每个神经元都有权重,权重在模型训练的过程中得出;
(1)输入层:主任务Z1的输入层输入的数据与辅助任务Y的输入层Y1输入的数据相同,为血液透析前的时不变数据和血液透析期间每一时刻的时变数据,输入层Z1神经元个数为血液透析前的时不变数据个数和血液透析期间每一时刻的时变数据个数之和;
(2)隐藏层:隐藏层Z2的每一个神经元会对输入层Z1输入的数据有不同的权重计算,从而更加偏向于某种任务标签的预测,在本发明中,主任务Z的隐藏层Z2的权重值偏向于预测下一时刻是否发生IDH;
(3)输出层:主任务Z的输出层Z3神经元有一个,为:下一时刻不发生IDH,以“0”表示,或下一时刻发生IDH,以“1”表示;
将辅助任务X的隐藏层X2的输出数组、辅助任务Y的隐藏层Y2的输出数组、以及主任务Z的隐藏层Z2的输出数组,作为主任务Z的输出层Z3的输入;
设:
辅助任务X的隐藏层X2的输出数组为X2i ,i为输出数组中数值的个数,i为1~n;
辅助任务Y的隐藏层Y2的输出数组Y2i,i为输出数组中数值的个数,i为1~n;
与主任务Z的隐藏层Z2的输出数组为Z2i ,i为输出数组中数值的个数,i为1~n;
辅助任务X的隐藏层X2的输出数组、辅助任务Y的隐藏层Y2的输出数组、与主任务Z的隐藏层Z2的输出数组中数值的个数相同,均为i,i为1~n;
主任务Z输出层Z3的神经元中包括若干个权重参数数组Wi,权重参数W的个数为i,i为1~n;
权重参数W的个数与输出数组中数值的个数i数量相等;
将输出数组为X2i 、输出数组Y2i、输出数组Z2i中同一序列中的数值相加得到主任务Z的输出层Z3的输入数组Qi ;
6.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法,其特征在于步骤S4包括如下子步骤:
S41,构造训练集数据和测试集数据;
将步骤S1收集的输入数据按透析时间排序,取前80%作为训练集数据,后20%为测试集数据;
S42,构造损失函数;
首先,对辅助任务X、辅助任务Y、主任务Z,均采用交叉熵构造损失函数;
然后,构造模型总损失函数,模型总损失函数为辅助任务X、辅助任务Y、主任务Z三个任务的损失函数加权和;其中,
主任务Z与辅助任务X、辅助任务Y的交叉熵损失函数权重比为2:1:1;
S43,对训练集数据,采用梯度下降法计算出使损失函数取最小值时对应的各神经元的权重参数;
神经元为S3中构建的模型中的神经元。
7.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法,其特征在于步骤S5中:
辅助任务A的准确率为在测试集数据中模型正确预测IDH发生与IDH不发生的数量和占测试数据总数量的比值;
辅助任务A的召回率为在测试集数据中模型正确预测IDH发生的数量占测试集数据中的IDH发生总数量的比值;
辅助任务A的精确率为在测试集数据中模型正确预测IDH发生的数量占模型预测为IDH发生总数量的比值;
辅助任务B的准确率为在测试集数据中模型正确预测不干预、暂停超滤、减定容、生理盐水输注、上调电导度的数量的和占测试数据总数量的比值;
辅助任务B的召回率为在测试集数据中模型正确预测不干预的、暂停超滤、减定容、生理盐水输注、上调电导度的数量分别占测试数据中的不干预的总数量、暂停超滤的总数量、减定容的总数量、生理盐水输注的总数量、上调电导度的总数量的比值;
辅助任务B的精确率为在测试集数据中模型正确预测不干预的、暂停超滤、减定容、生理盐水输注、上调电导度的数量分别占模型预测为不干预的总数量、暂停超滤的总数量、减定容的总数量、生理盐水输注的总数量、上调电导度的总数量的比值;
主任务C的准确率为在测试集数据中模型正确预测下一时刻IDH发生与下一时刻IDH不发生的数量和占测试数据总数量的比值;
主任务C的召回率为在测试集数据中模型正确预测下一时刻IDH发生的数量占测试集数据中的下一时刻IDH发生总数量的比值;
主任务C的精确率为在测试集数据中模型正确预测下一时刻IDH发生的数量占模型预测为下一时刻IDH发生总数量的比值。
8.根据权利要求1所述IDH预测及干预措施推荐多任务模型的构建方法,其特征在于采用权利要求1的方法构建的IDH预测及干预措施推荐多任务模型在维持性血液透析治疗中预测IDH的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711223.3A CN114937486B (zh) | 2022-06-22 | 2022-06-22 | Idh预测及干预措施推荐多任务模型的构建方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711223.3A CN114937486B (zh) | 2022-06-22 | 2022-06-22 | Idh预测及干预措施推荐多任务模型的构建方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937486A true CN114937486A (zh) | 2022-08-23 |
CN114937486B CN114937486B (zh) | 2023-09-26 |
Family
ID=82868450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210711223.3A Active CN114937486B (zh) | 2022-06-22 | 2022-06-22 | Idh预测及干预措施推荐多任务模型的构建方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937486B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
US20150045713A1 (en) * | 2013-08-07 | 2015-02-12 | B. Braun Avitum Ag | Device and method for predicting intradialytic parameters |
CN110507296A (zh) * | 2019-08-12 | 2019-11-29 | 重庆大学 | 一种基于lstm网络的急性低血压混合预警方法 |
CN111028913A (zh) * | 2019-11-29 | 2020-04-17 | 北京工业大学 | 血液透析治疗方案辅助决策方法 |
CN111460157A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨理工大学 | 用于多领域文本分类的循环卷积多任务学习方法 |
CN111939353A (zh) * | 2019-05-14 | 2020-11-17 | 吴元昊 | 血液透析中低血压事件的预测模型的构建方法 |
CN112107752A (zh) * | 2019-06-20 | 2020-12-22 | 纬创资通股份有限公司 | 血压预测方法与使用该方法的电子装置 |
US20210193317A1 (en) * | 2019-12-20 | 2021-06-24 | Fresenius Medical Care Holdings, Inc. | Real-time intradialytic hypotension prediction |
CN113270192A (zh) * | 2021-04-19 | 2021-08-17 | 浙江大学 | 基于动静态数据结合与深度自编码器的血透风险预测*** |
CN114091460A (zh) * | 2021-11-24 | 2022-02-25 | 长沙理工大学 | 一种多任务中文实体命名识别方法 |
CN114186711A (zh) * | 2021-10-27 | 2022-03-15 | 中山大学 | 一种基于多任务时序学习的工业原料消耗量预测方法 |
-
2022
- 2022-06-22 CN CN202210711223.3A patent/CN114937486B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
US20150045713A1 (en) * | 2013-08-07 | 2015-02-12 | B. Braun Avitum Ag | Device and method for predicting intradialytic parameters |
CN111939353A (zh) * | 2019-05-14 | 2020-11-17 | 吴元昊 | 血液透析中低血压事件的预测模型的构建方法 |
CN112107752A (zh) * | 2019-06-20 | 2020-12-22 | 纬创资通股份有限公司 | 血压预测方法与使用该方法的电子装置 |
CN110507296A (zh) * | 2019-08-12 | 2019-11-29 | 重庆大学 | 一种基于lstm网络的急性低血压混合预警方法 |
CN111028913A (zh) * | 2019-11-29 | 2020-04-17 | 北京工业大学 | 血液透析治疗方案辅助决策方法 |
US20210193317A1 (en) * | 2019-12-20 | 2021-06-24 | Fresenius Medical Care Holdings, Inc. | Real-time intradialytic hypotension prediction |
CN111460157A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨理工大学 | 用于多领域文本分类的循环卷积多任务学习方法 |
CN113270192A (zh) * | 2021-04-19 | 2021-08-17 | 浙江大学 | 基于动静态数据结合与深度自编码器的血透风险预测*** |
CN114186711A (zh) * | 2021-10-27 | 2022-03-15 | 中山大学 | 一种基于多任务时序学习的工业原料消耗量预测方法 |
CN114091460A (zh) * | 2021-11-24 | 2022-02-25 | 长沙理工大学 | 一种多任务中文实体命名识别方法 |
Non-Patent Citations (2)
Title |
---|
李国;袁闻;王怀超;: "面向不完备数据的民航旅客流失预测模型", 计算机工程与设计, no. 10 * |
李戈;靳立忠;: "基于学习向量量化网络建立糖尿病并发症预测模型", 中国自然医学杂志, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN114937486B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4276834B2 (ja) | 生体情報及び血液処理装置情報管理システム | |
US8246567B2 (en) | Method of monitoring hypertensive haemodialysis patients | |
US8303532B2 (en) | Pertioneal membrane function test method, peritoneal membrane function test apparatus and peritoneal membrane function test program | |
US8088094B2 (en) | Planning method and apparatus for peritoneal dialysis and hemodialysis hybrid remedy | |
Madihally | Principles of biomedical engineering | |
US8449496B2 (en) | Method for testing peritoneum function and a peritoneal dialysis planning apparatus | |
US20180043076A1 (en) | Intersession adaptive peritoneal dialysis fluid removal for multiple session optimization | |
Maheshwari et al. | A regional blood flow model for β 2-microglobulin kinetics and for simulating intra-dialytic exercise effect | |
CN113744832B (zh) | 连续性肾脏替代治疗智慧决策及质量控制*** | |
CN114937486B (zh) | Idh预测及干预措施推荐多任务模型的构建方法及应用 | |
Marano et al. | A new approach to bicarbonate addition during hemodialysis: Testing model predictions in a patient cohort | |
CN108986920B (zh) | 透析充分性蛋白分解率评估方法及*** | |
CN110730989B (zh) | 个性化肾衰竭慢性护理***和方法 | |
RU2693241C1 (ru) | Способ лечения почечной недостаточности у домашних животных с применением процедуры гемодиализа | |
US20240177866A1 (en) | Kidney health monitoring system | |
CN117672486A (zh) | 一种血液透析中目标超滤量的估算***及方法 | |
Ghista | Biomedical Engineering of Pancreatic, Pulmonary, and Renal Systems, and Applications to Medicine | |
Azar | A novel system for haemodialysis efficiency monitoring | |
Bazaev et al. | In vitro and in vivo trials of wearable artificial kidney | |
Tayebi et al. | The effect of hypertonic glucose infusion on dialysis adequacy in non-diabetic hemodialysis patients | |
Kim et al. | The Prediction of Dry Weight for Chronic Hemodialysis Athletes Using a Machine Learning Approach: Sports Health Implications | |
CN113241174A (zh) | 一种血液净化患者crrt治疗参数的核查*** | |
Xiang et al. | Causal Convolution-Transformer for Time Series Forecasting of Dry Weight in Hemodialysis Patients | |
Azar et al. | Association between neural network and system dynamics to predict dialysis dose during hemodialysis | |
Abdulwahab et al. | Detection Impact of Hemodialysis in Regulation of Glucose Level in Two Groups of Uremic Patients (Diabetic and Non-Diabetic) |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: The construction method and application of a multi task model for IDH prediction and intervention recommendation Granted publication date: 20230926 Pledgee: Nanjing Bank Co.,Ltd. Nanjing North Branch Pledgor: Shentai Health Technology (Nanjing) Co.,Ltd. Registration number: Y2024980005062 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |