CN115223679A - 基于机器学习的围手术期风险预警方法 - Google Patents

基于机器学习的围手术期风险预警方法 Download PDF

Info

Publication number
CN115223679A
CN115223679A CN202210939845.1A CN202210939845A CN115223679A CN 115223679 A CN115223679 A CN 115223679A CN 202210939845 A CN202210939845 A CN 202210939845A CN 115223679 A CN115223679 A CN 115223679A
Authority
CN
China
Prior art keywords
risk
data
post
static
analysis result
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
Application number
CN202210939845.1A
Other languages
English (en)
Inventor
罗爱林
周志强
万里
陆枫
许巧巧
金海�
廖小飞
李世勇
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.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
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 Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN202210939845.1A priority Critical patent/CN115223679A/zh
Publication of CN115223679A publication Critical patent/CN115223679A/zh
Pending legal-status Critical Current

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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Urology & Nephrology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种基于机器学习的围手术期风险预警方法，获取待手术患者的与围手术期风险评估相关联的评估参数；采集待手术患者的与评估参数对应的多个第一数据；对多个第一数据进行处理，将得到的处理结果输入至围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果。该方式可以根据围手术期风险评估相关联的评估参数及对应数据，通过围术期风险预测模型，对围术期可能发生的各种风险自动进行预测和预警，该方式不需要依赖人工经验，就可以尽早发现围术期不良事件，从而有效降低术后并发症，保障手术安全。

Description

基于机器学习的围手术期风险预警方法
技术领域
本发明涉及数据处理技术领域，尤其是涉及一种基于机器学习的围手术期风险预警方法。
背景技术
识别手术患者的围术期风险，并进行预测/预警，是保证患者安全、为手术创造良好条件以及麻醉医师诊疗决策的重要依据，同时也是临床麻醉中的重要组成部分，对促进患者快速康复，早日回归社会具有重要作用。然而，目前对围术期生命体征波动发生的干预主要是反应性的，多伴随延迟，临床对生命体征的大幅波动的预测手段有限，大多依靠麻醉医生的经验依据患者自身状况、术前用药、手术操作、麻醉用药，以及术中监控生理指标等进行判断。在临床上通常难以察觉循环***不稳定的早期阶段，有证据表明，在此期间不同生理变量之间存在微妙的动态联系，有经验的麻醉医生有时可以借此预测不良事件，但是由于缺乏可重复性和验证手段，这种临床经验很难传授，难以尽早发现围术期不良事件，从而难以有效降低术后并发症，保障手术安全。
发明内容
本发明的目的在于提供一种基于机器学习的围手术期风险预警方法，以尽早发现围术期不良事件，从而有效降低术后并发症，保障手术安全。
本发明提供的一种基于机器学习的围手术期风险预警方法，方法包括：获取待手术患者的与围手术期风险评估相关联的评估参数；按预设采集方式，从预设数据源中采集待手术患者的，与评估参数对应的多个第一数据；对多个第一数据按预设方式进行处理，得到处理结果；将处理结果输入至预先训练好的围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果；其中，围手术期风险预警结果包括以下至少一种：术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级、出院后风险类别及对应的风险等级。
进一步的，获取待手术患者的与围手术期风险评估相关联的评估参数的步骤包括：获取待手术患者对应的初始病例；将初始病例输入至预先训练好的风险因子筛选评估模型中，输出待手术患者的与围手术期风险评估相关联的评估参数。
进一步的，对多个第一数据按预设方式进行处理，得到处理结果的步骤包括：按预设标准化方式，对多个第一数据进行标准化处理，得到处理后的多个第一数据；对处理后的多个第一数据按照围术期阶段进行划分，得到阶段风险评估数据；其中，阶段风险评估数据包括：术前风险评估数据；根据数据的波动特性，将术前风险评估数据划分为术前静态数据和术前动态数据；对术前静态数据按第一预设方式进行处理，得到术前静态特征分析结果；对术前动态数据按第二预设方式进行处理，得到术前动态特征分析结果。
进一步的，阶段风险评估数据还包括：术中风险评估数据；方法还包括：根据数据的波动特性，将术中风险评估数据划分为术中静态数据和术中动态数据；对术中静态数据按第一预设方式进行处理，得到术中静态特征分析结果；对术中动态数据按第二预设方式进行处理，得到术中动态特征分析结果。
进一步的，阶段风险评估数据还包括：术后风险评估数据；方法还包括：根据数据的波动特性，将术后风险评估数据划分为术后静态数据和术后动态数据；对术后静态数据按第一预设方式进行处理，得到术后静态特征分析结果；对术后动态数据按第二预设方式进行处理，得到术后动态特征分析结果。
进一步的，阶段风险评估数据还包括：出院后风险评估数据；方法还包括：根据数据的波动特性，将出院后风险评估数据划分为出院后静态数据和出院后动态数据；对出院后静态数据按第一预设方式进行处理，得到出院后静态特征分析结果；对出院后动态数据按第二预设方式进行处理，得到出院后动态特征分析结果。
进一步的，对术前静态数据按第一预设方式进行处理，得到术前静态特征分析结果的步骤包括：对术前静态数据进行特征扩增，得到扩增后的术前静态数据；对扩增后的术前静态数据进行特征提取，得到术前静态特征提取结果；对术前静态特征提取结果进行残差网络分析，得到术前静态特征分析结果。
进一步的，对术前动态数据按第二预设方式进行处理，得到术前动态特征分析结果的步骤包括：提取术前动态数据的术前空域特征和术前时域特征，分别对术前空域特征和术前时域特征进行特征提取，得到术前空域特征提取结果和术前时域特征提取结果；对术前空域特征提取结果进行全卷积网络分析，得到术前空域特征分析结果；对术前时域特征提取结果进行循环门单元分析，得到术前时域特征分析结果；合并术前空域特征分析结果和术前时域特征分析结果，得到术前动态特征分析结果。
进一步的，对术中静态数据按第一预设方式进行处理，得到术中静态特征分析结果的步骤包括：对术中静态数据进行特征扩增，得到扩增后的术中静态数据；对扩增后的术中静态数据进行特征提取，得到术中静态特征提取结果；对术中静态特征提取结果进行残差网络分析，得到术中静态特征分析结果。
进一步的，对术中动态数据按第二预设方式进行处理，得到术中动态特征分析结果的步骤包括：提取术中动态数据的术中空域特征和术中时域特征，分别对术中空域特征和术中时域特征进行特征提取，得到术中空域特征提取结果和术中时域特征提取结果；对术中空域特征提取结果进行全卷积网络分析，得到术中空域特征分析结果；对术中时域特征提取结果进行循环门单元分析，得到术中时域特征分析结果；合并术中空域特征分析结果和术中时域特征分析结果，得到术中动态特征分析结果。
进一步的，对术后静态数据按第一预设方式进行处理，得到术后静态特征分析结果的步骤包括：对术后静态数据进行特征扩增，得到扩增后的术后静态数据；对扩增后的术后静态数据进行特征提取，得到术后静态特征提取结果；对术后静态特征提取结果进行残差网络分析，得到术后静态特征分析结果。
进一步的，对术后动态数据按第二预设方式进行处理，得到术后动态特征分析结果的步骤包括：提取术后动态数据的术后空域特征和术后时域特征，分别对术后空域特征和术后时域特征进行特征提取，得到术后空域特征提取结果和术后时域特征提取结果；对术后空域特征提取结果进行全卷积网络分析，得到术后空域特征分析结果；对术后时域特征提取结果进行循环门单元分析，得到术后时域特征分析结果；合并术后空域特征分析结果和术后时域特征分析结果，得到术后动态特征分析结果。
进一步的，对出院后静态数据按第一预设方式进行处理，得到出院后静态特征分析结果的步骤包括：对出院后静态数据进行特征扩增，得到扩增后的出院后静态数据；对扩增后的出院后静态数据进行特征提取，得到出院后静态特征提取结果；对出院后静态特征提取结果进行残差网络分析，得到出院后静态特征分析结果。
进一步的，对出院后动态数据按第二预设方式进行处理，得到出院后动态特征分析结果的步骤包括：提取出院后动态数据的出院后空域特征和出院后时域特征，分别对出院后空域特征和出院后时域特征进行特征提取，得到出院后空域特征提取结果和出院后时域特征提取结果；对出院后空域特征提取结果进行全卷积网络分析，得到出院后空域特征分析结果；对出院后时域特征提取结果进行循环门单元分析，得到出院后时域特征分析结果；合并出院后空域特征分析结果和出院后时域特征分析结果，得到出院后动态特征分析结果。
进一步的，将处理结果输入至预先训练好的围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果的步骤包括：将术前静态特征分析结果和术前动态特征分析结果输入至围术期风险预测模型，输出术前风险类别及对应的风险等级。
进一步的，方法还包括：将术中静态特征分析结果和术中动态特征分析结果输入至围术期风险预测模型，输出术中风险类别及对应的风险等级。
进一步的，方法还包括：将术后静态特征分析结果和术后动态特征分析结果输入至围术期风险预测模型，输出术后风险类别及对应的风险等级。
进一步的，方法还包括：将出院后静态特征分析结果和出院后动态特征分析结果输入至围术期风险预测模型，输出出院后风险类别及对应的风险等级。
进一步的，方法还包括：将围手术期风险预警结果输入至预先训练好的干预预案模型中，输出针对待手术患者的目标干预预案；其中，目标干预预案包括：预防性干预方案和/或处置类干预方案。
进一步的，方法还包括：获取针对待手术患者的麻醉方案；通过第一指定设备，显示麻醉方案、术前风险类别及对应的风险等级；通过第二指定设备，显示术中风险类别，以及与术中风险类别对应的风险等级和干预预案；通过第三指定设备，显示术后风险类别，以及与术后风险类别对应的风险等级和干预预案；通过第四指定设备，显示出院后风险类别，以及与出院后风险类别对应的风险等级和干预预案。
进一步的，方法还包括：获取对待手术患者完成全部治疗后的完整病例、与不良事件相关的新增数据、实际建立的病例报告表和实际出院后的随访信息；基于完整病例、实际建立的病例报告表和实际出院后的随访信息，对风险因子筛选评估模型进行优化，得到新的风险因子筛选评估模型；基于新增数据，对围术期风险预测模型进行优化，得到新的围术期风险预测模型。
进一步的，方法还包括：获取对待手术患者实际采用的干预方案；基于实际采用的干预方案，对干预预案模型进行优化，得到新的干预预案模型。
进一步的，方法还包括：根据目标干预方案，生成麻醉临床路径信息；通过第一指定接口，将麻醉临床路径信息发送至指定工作站；通过第二指定接口，将待手术患者对应的关联数据发送至第三方平台；其中，待手术患者对应的关联数据至少包括：待手术患者对应的围手术期风险预警结果和目标干预预案。
本发明提供的一种基于机器学习的围手术期风险预警装置，装置包括：获取模块，用于获取待手术患者的与围手术期风险评估相关联的评估参数；采集模块，用于按预设采集方式，从预设数据源中采集待手术患者的，与评估参数对应的多个第一数据；处理模块，用于对多个第一数据按预设方式进行处理，得到处理结果；输出模块，用于将处理结果输入至预先训练好的围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果；其中，围手术期风险预警结果包括以下至少一种：术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级、出院后风险类别及对应的风险等级。
本发明提供的一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述任一项的基于机器学习的围手术期风险预警方法。
本发明提供的一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述任一项的基于机器学习的围手术期风险预警方法。
本发明提供的基于机器学习的围手术期风险预警方法，获取待手术患者的与围手术期风险评估相关联的评估参数；采集待手术患者的与评估参数对应的多个第一数据；对多个第一数据进行处理，将得到的处理结果输入至围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果。该方式可以根据围手术期风险评估相关联的评估参数及对应数据，通过围术期风险预测模型，对围术期可能发生的各种风险自动进行预测和预警，该方式不需要依赖人工经验，就可以尽早发现围术期不良事件，从而有效降低术后并发症，保障手术安全。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于机器学习的围手术期风险预警方法的流程图；
图2为本发明实施例提供的一种围术期风险预测模型工作流程示意图；
图3为本发明实施例提供的一种基于机器学习的围手术期风险预警***的结构示意图；
图4为本发明实施例提供的一种基于机器学习的围手术期风险预警装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
识别可能存在围术期风险的手术患者，并对其进行术前、术中及术后的风险评估和预测/预警意义重大。特别是当患者器官储备功能不足，伴随基础疾病，相比常规治疗，其在术中及术后发生不良事件的概率较高。为此，识别手术患者的围术期风险，并进行预测/预警，是保证患者安全、为手术创造良好条件以及麻醉医师诊疗决策的重要依据，同时也是临床麻醉中的重要组成部分，对促进患者快速康复，早日回归社会具有重要作用。
随着医疗技术的进步，越来越多的监测手段被用于术前、术中和术后，以及患者出院后的监测。监测指标不断增加，提供的患者信息、数据信息越来越多，一方面让麻醉医师更深入全面的了解病情，另一方面一定程度上对麻醉医师造成信息负荷。
与此同时，围术期生命体征的大幅波动，如术中低血压事件、高血压事件、低氧血症、心动过缓等，是导致围手术期不良结局的独立危险影响因素，与术后诸多并发症密切相关，比如死亡率急剧增加、心肌损伤、急性肾损害、术后谵妄以及其它神经***并发症等。
然而，目前对围术期生命体征波动发生的干预主要是反应性的，多伴随延迟。临床预测生命体征的大幅波动的发生的手段有限，大多依靠麻醉医生的经验依据患者自身状况、术前用药、手术操作、麻醉用药，以及术中监控生理指标等进行判断。在临床上通常难以察觉循环***不稳定的早期阶段。有证据表明，在此期间不同生理变量之间存在微妙的动态联系。有经验的麻醉医生有时可以借此预测低血压事件，但是由于缺乏可重复性和验证手段，这种临床经验很难传授。
此外，围术期需要为顺利手术提供有利条件，同时维护神经***、循环***、呼吸***、泌尿***等多个***的功能，防止各类并发症的发生，属于多目标任务管理。多个目标之间可能存在一定的冲突，比如就是同时要关注多个管理目标，目标之间并不统一，比如，用镇痛药物减轻疼痛，过量则会导致呼吸抑制、恶心呕吐的并发症；为维持血流动力学稳定，选择加快输液，则可能导致肺水肿；加深麻醉可以抑制手术应激，而麻醉过深则是术后谵妄的高危因素等等。麻醉医师，特别是经验不足的医师往往不能很好的协调多个目标的实现，存在围术期管理困难。基于此，本发明实施例提供了一种基于机器学习的围手术期风险预警方法，该技术可以应用于需要对围手术期的风险进行提前预警的场景中。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于机器学习的围手术期风险预警方法进行详细介绍；如图1所示，该方法包括如下步骤：
步骤S102，获取待手术患者的与围手术期风险评估相关联的评估参数。
上述与围手术期风险评估相关联的评估参数通常是对围术期风险评估和预测/预警有贡献的最小颗粒度参数；通常还可以获取组成病例报告表的要素信息，该病例报告表也可以称为CRF(Case Report Form)表，上述要素信息可以理解为筛选出的可作为临床试验病例报告表的要素，这些要素信息可以作为设计和定义病例报告表的内容、评分标准的主要依据；在围手术期间，待手术患者通常会做多项检查，其中可能包含大量检查数据，有的数据与围手术期风险评估相关联，有的数据与围手术期风险评估并不相关，因此，当需要评估待手术患者的围手术期风险时，需要先获取与围手术期风险评估相关联的评估参数，还可以获取组成病例报告表的要素信息。
步骤S104，按预设采集方式，从预设数据源中采集待手术患者的，与评估参数对应的多个第一数据。
上述预设数据源可以是电子病历***(Electronic Medical Record，简称EMR)、临床数据中心(Clinical Data Repository，简称CDR)、医院信息***(HospitalInformation System，简称HIS)、手术麻醉信息***、病历报告表、围术期医疗设备实时监测数据、术后随访***等；不同的数据源可能对应有不同的数据采集方式，比如，可以通过数据视图、数据接口或院方集成平台等，从医院电子病历***、临床大数据中心、实验室检验***、影像检查***、手术麻醉信息***等第三方***中，获取已结构化的相关数据信息。当对术中或术后的患者进行生命体征监测、健康检查时，可以通过专用数据采集终端，将心电监护仪、麻醉机、呼吸机、床旁超声等医疗设备监测到数据进行实时采集，并上传至本***数据库。如果还获取有病例报告表的要素信息，则还可以根据病例报告表的要素信息，定义病例报告表类别、内容，并填入对应内容，具体可以从表格中抓取对应数据参数。此外，出院随访信息包括随访信息表格的发放，电话随访信息记录，对于随访信息表格，可以直接从表格中抓取等。
在实际实现时，可以预先选择多个数据源，采用每个数据源分别对应的数据采集方式，从多个数据源中采集该待手术患者的，与围手术期风险评估相关联的评估参数对应的多个第一数据，如果还获取有病例报告表的要素信息，则还可以采集组成病例报告表的要素信息对应的多个第二数据。
步骤S106，对多个第一数据按预设方式进行处理，得到处理结果。
当获取到上述多个第一数据后，通常会对这些数据进行处理，比如，进行标准化、规范化、一致性处理、纠正错误数据、对其中的静态数据和动态数据分别进行相应处理等，得到相应的处理结果，如果还采集有多个第二数据，则对第二数据也进行相应的处理，得到相应的处理结果。
步骤S108，将处理结果输入至预先训练好的围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果；其中，围手术期风险预警结果包括以下至少一种：术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级、出院后风险类别及对应的风险等级。
上述围术期风险预测模型可以基于多视图特征融合深度学***，短时间内发生不良事件的可能性极低。当然，也可以根据实际需求划分更多的风险等级，通常每种风险类别都可以有其对应的风险等级；在实际实现时，当获取到上述处理结果后，可以将该处理结果输入至预先训练好的围术期风险预测模型，通过该围术期风险预测模型输出该待手术患者对应的术前、术中、术后或出院后各阶段的风险类别，以及每种风险类别分别对应的风险等级。
上述基于机器学习的围手术期风险预警方法，获取待手术患者的与围手术期风险评估相关联的评估参数；采集待手术患者的与评估参数对应的多个第一数据；对多个第一数据进行处理，将得到的处理结果输入至围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果。该方式可以根据围手术期风险评估相关联的评估参数及对应数据，通过围术期风险预测模型，对围术期可能发生的各种风险自动进行预测和预警，该方式不需要依赖人工经验，就可以尽早发现围术期不良事件，从而有效降低术后并发症，保障手术安全。
本发明实施例还提供了另一种基于机器学习的围手术期风险预警方法，该方法在上述实施例方法的基础上实现，该方法包括如下步骤：
步骤一，获取待手术患者对应的初始病例。
步骤二，将初始病例输入至预先训练好的风险因子筛选评估模型中，输出待手术患者的与围手术期风险评估相关联的评估参数。
上述初始病例可以包含对待手术患者在手术前进行的一些基本检查，如身高、体重、血压等；将该待手术患者的初始病例输入至预先训练好的风险因子筛选评估模型中，通过该风险因子筛选评估模型输出结果，确认该待手术患者是否适用于进行围手术期风险评估，若确认该待手术患者为待评估患者，则进行标记，并输出该待手术患者的与围手术期风险评估相关联的评估参数，还可以输出组成病例报告表的要素信息；其中，与围手术期风险评估相关联的评估参数一般是通过对海量病历的学习，筛选出的对围术期风险预警/预测贡献明显的64类数据，主要包括：患者基本信息(年龄、性别、身高、体重等)、生活习惯(饮酒史、吸烟史等)、基础疾病(高血压、糖尿病、高血脂等)、既往病史、既往手术史、实验室检验信息(血红蛋白、白蛋白、血肌酐等)、影像检查信息(B超、CT等，其中，CT英文全称为Computed Tomography，中文为电子计算机断层扫描)、术中监测(呼吸、血氧、血压、脉搏等)、术后在院监测信息(生命体征、各***并发症等)、出院后随访信息(生存状况、生活能力评分、健康状况评分、疼痛评分、认知功能等)、手术信息(手术名称、手术分级、***等)，以及麻醉相关(ASA评级、麻醉方式、术中/术后镇静、镇痛及其它辅助药物等，其中，ASA英文全称为American society of Aneshesiologists(ASA)physical status classificationsystem,中文为ASA体格情况分级)。
病例报告表的要素信息可以包括日常生活活动相关(是否可独立进餐、自主行走、如厕等)、失眠严重程度相关(是否入睡困难、早醒、影响生活质量等)、营养相关(食欲情况、体重变化情况、活动能力等)、焦虑相关(对手术了解情况，对麻醉了解情况、手术知情同意书签署情况等)、抑郁相关(是否感到空虚、无聊、担忧、记忆力情况、自我肯定情况等)、呼吸***相关、心血管***相关、内分泌***相关、肝肾功能、实验室检验相关(血常规、血糖、甲状腺功能、电解质、动脉血气等)、神经***相关、手术相关、麻醉相关、术中监测数据、术中麻药信息、术后镇痛用药信息、术中并发症、术后并发症相关、复苏情况相关、围术期不良事件处置方案、出院后随访相关(生存状况、生活能力评分、健康状况评分、疼痛评分、认知功能等)等。通过风险因子筛选评估模型筛选出的上述结果，可以降低后续数据采集的压力，同时保证后续围术期风险预测模型学习算法的效率和效果，
步骤三，按预设采集方式，从预设数据源中采集待手术患者的，与评估参数对应的多个第一数据。
步骤四，按预设标准化方式，对多个第一数据进行标准化处理，得到处理后的多个第一数据。
由于信息采集的途径不同，采集方法不同等原因，可能存在采集得到的数据重复、数据不一致、数据错误等数据质量问题，因此需要按照预设标准化方式，对数据进行标准化、规范化、一致性处理，纠正错误数据，确保参与围术期风险评估和预测预警运算的输入参数质量。例如，对于重复数据可以只保留1项；对于明显错误数据直接删除(例如体温值25度)；对于来源于不同***的数据按照患者ID(Identity Document，身份标识)进行组合，扩大同一患者ID下的参数项目；对来源于不同***的某个参数字段长度不符合标准长度时，进行填充处理等方式都是对数据进行标准化、规范化和一致性处理的手段。如果采集的数据除了上述多个第一数据外，还包括与要素信息对应的多个第二数据，则需要对多个第一数据和多个第二数据分别进行标准化处理，得到各自对应的处理后的多个第一数据和处理后的多个第二数据。
步骤五，对处理后的多个第一数据按照围术期阶段进行划分，得到阶段风险评估数据；其中，阶段风险评估数据包括：术前风险评估数据、术中风险评估数据、术后风险评估数据及出院后风险评估数据。
步骤六，根据数据的波动特性，将术前风险评估数据划分为术前静态数据和术前动态数据。
可以对上述处理后的多个第一数据进行信息分类，如果还得到处理后的多个第二数据，可以同样进行信息分类；信息分类可以分两步进行：第一步，按照围术期阶段进行划分，可以得到术前风险评估数据、术中风险评估数据、术后风险评估数据及出院后风险评估数据，具体可以根据患者实际的围术期阶段得到相应的风险评估数据，比如，患者处于手术前的阶段，则得到的通常只有术前风险评估数据，如果患者处于手术后的阶段，则得到的可以包括术前风险评估数据、术中风险评估数据和术后风险评估数据，具体可以根据实际情况得到相应的划分结果。
各阶段数据可以重复，例如，术前检验数据需要存在三个阶段的数据存储装置中；第二步，每个阶段的数据信息可能对应不同的数据来源、途径、获取时机、用途等，可以根据数据的波动特性分为动态数据和静态数据，以对静态数据和动态数据分别进行对应的算法处理。其中，静态数据主要指患者年龄、性别、术式、术前检验结果、术前用药、术前评估量表数据等，这些参数在患者围术期内不会发生大的波动；动态数据主要指围术期内波动比较大的生命体征参数、脑电监测参数、床旁超声监测参数等。
步骤七，对术前静态数据按第一预设方式进行处理，得到术前静态特征分析结果；
该步骤七具体可以通过以下步骤70至步骤72实现：
步骤70，对术前静态数据进行特征扩增，得到扩增后的术前静态数据；
在实际实现时，当得到术前静态数据后，可以对术前静态数据进行特征扩增，得到扩增后的术前静态数据，由于扩增后的术前静态数据的数据量更大，数据信息更丰富，因此，基于扩增后的术前静态数据进行分析，有助于得到更加准确的数据分析结果。
步骤71，对扩增后的术前静态数据进行特征提取，得到术前静态特征提取结果；
对扩增后的术前静态数据进行特征提取，即从扩增后的术前静态数据中找出最有效的特征，以将扩增后的术前静态数据转换为一组具有明显物理意义或者统计意义的特征，得到术前静态特征提取结果。
步骤72，对术前静态特征提取结果进行残差网络分析，得到术前静态特征分析结果。
将术前静态特征提取结果输入至预设的残差网络中，进行残差网络分析，得到术前静态特征分析结果。
例如：利用多视图从不同角度充分提取术前患者基本信息(年龄、性别、身高、体重等)、生活习惯(饮酒史、吸烟史等)、基础疾病(高血压、糖尿病、高血脂等)、既往病史、既往手术史、实验室检验信息(血红蛋白、白蛋白、血肌酐等)、影像检查信息等静态数据特征，将术中时序特征按照观察窗口取值，提取时序数据的血压、心率等特征的均值(mean)、最大值(max)、最小值(min)和中位数(median)，形成时序统计特征，与筛选出的术前静态特征一起构造出静态特征视图。为对齐特征，对每个患者的每一个时间窗口的时序统计特征均组合一套相同的术前静态特征。由ResNet学习可输出多维的整合静态特征。
步骤八，对术前动态数据按第二预设方式进行处理，得到术前动态特征分析结果。
该步骤八具体可以通过以下步骤80至步骤82实现：
步骤80，提取术前动态数据的术前空域特征和术前时域特征，分别对术前空域特征和术前时域特征进行特征提取，得到术前空域特征提取结果和术前时域特征提取结果；
步骤81，对术前空域特征提取结果进行全卷积网络分析，得到术前空域特征分析结果；
步骤82，对术前时域特征提取结果进行循环门单元分析，得到术前时域特征分析结果；
步骤83，合并术前空域特征分析结果和术前时域特征分析结果，得到术前动态特征分析结果。
在实际实现时，当得到术前动态数据后，可以对术前动态数据进行预处理，具体的，可以提取术前动态数据的术前空域特征和术前时域特征，对术前空域特征进行特征提取，将得到的术前空域特征提取结果输入至预设的全卷积网络中，得到术前空域特征分析结果；对术前时域特征进行特征提取，将得到的术前时域特征提取结果输入至预设的全卷积网络中，得到术前时域特征分析结果；将术前空域特征分析结果和术前时域特征分析结果进行合并，得到术前动态特征分析结果。
例如：将平均动脉压(Mean Artery Pressure，简称MAP)、呼吸频率(RespirationRate，简称RR)、心率(heart rate，HR)、体温(Body Temperature，简称BT)、气末二氧化碳(ETCO2)、血氧饱和度(SpO2)等术中时序特征按照观察窗口取值后复制一份，一份用来进行时间相关性特征提取，形成时域特征视图；另一份用来进行多元时序数据的时不变特征(invariant characteristic)提取，构造空域特征视图。对于时域特征视图，时域特征间的时序依赖性是识别生理恶化早期迹象的关键。为有效发掘时域特征视图中的时序依懒性，可采用能够有效捕获时间序列数据中潜在依赖性的GRU模型(一种循环神经网络模型)。它将前序的隐藏状态作为后续步骤的附加输入来捕捉时序依懒性。可采用多层GRU单元。对于空域特征视图，可利用FCN卷积核的移动来捕获多元时序数据中的时不变特征。空域特征是从局部特征中提取出来的，不依赖于全部数据的特征，它可以在任何时间点出现。可采用具有多个卷积层、全局池化层和全连接层的FCN网络。为了防止过拟合，每一个GRU单元以及FCN全局池化层后均可加入了Dropout层。经过多层的GRU和FCN全连接层学习，可输出多维的时域特征和空域特征。
步骤九，根据数据的波动特性，将术中风险评估数据划分为术中静态数据和术中动态数据；
步骤十，对术中静态数据按第一预设方式进行处理，得到术中静态特征分析结果；
该步骤十具体可以通过以下步骤100至步骤102实现：
步骤100，对术中静态数据进行特征扩增，得到扩增后的术中静态数据；
步骤101，对扩增后的术中静态数据进行特征提取，得到术中静态特征提取结果；
步骤102，对术中静态特征提取结果进行残差网络分析，得到术中静态特征分析结果。
步骤十一，对术中动态数据按第二预设方式进行处理，得到术中动态特征分析结果。
该步骤十一具体可以通过步骤110至步骤113实现：
步骤110，提取术中动态数据的术中空域特征和术中时域特征，分别对术中空域特征和术中时域特征进行特征提取，得到术中空域特征提取结果和术中时域特征提取结果；
步骤111，对术中空域特征提取结果进行全卷积网络分析，得到术中空域特征分析结果；
步骤112，对术中时域特征提取结果进行循环门单元分析，得到术中时域特征分析结果；
步骤113，合并术中空域特征分析结果和术中时域特征分析结果，得到术中动态特征分析结果。
针对术中静态数据和术中动态数据的处理方式可参考上述对术前静态数据和术中动态数据的处理方式，在此不再赘述。
步骤十二，根据数据的波动特性，将术后风险评估数据划分为术后静态数据和术后动态数据；
步骤十三，对术后静态数据按第一预设方式进行处理，得到术后静态特征分析结果；
该步骤十三具体可以通过步骤130至步骤132实现：
步骤130，对术后静态数据进行特征扩增，得到扩增后的术后静态数据；
步骤131，对扩增后的术后静态数据进行特征提取，得到术后静态特征提取结果；
步骤132，对术后静态特征提取结果进行残差网络分析，得到术后静态特征分析结果。
步骤十四，对术后动态数据按第二预设方式进行处理，得到术后动态特征分析结果。
该步骤十四具体可以通过以下步骤140至步骤143实现：
步骤140，提取术后动态数据的术后空域特征和术后时域特征，分别对术后空域特征和术后时域特征进行特征提取，得到术后空域特征提取结果和术后时域特征提取结果；
步骤141，对术后空域特征提取结果进行全卷积网络分析，得到术后空域特征分析结果；
步骤142，对术后时域特征提取结果进行循环门单元分析，得到术后时域特征分析结果；
步骤143，合并术后空域特征分析结果和术后时域特征分析结果，得到术后动态特征分析结果。
针对术后静态数据和术后动态数据的处理方式可参考上述对术前静态数据和术中动态数据的处理方式，在此不再赘述。
步骤十五，根据数据的波动特性，将出院后风险评估数据划分为出院后静态数据和出院后动态数据；
步骤十六，对出院后静态数据按第一预设方式进行处理，得到出院后静态特征分析结果；
该步骤十六具体可以通过步骤160至步骤162实现：
步骤160，对出院后静态数据进行特征扩增，得到扩增后的出院后静态数据；
步骤161，对扩增后的出院后静态数据进行特征提取，得到出院后静态特征提取结果；
步骤162，对出院后静态特征提取结果进行残差网络分析，得到出院后静态特征分析结果。
步骤十七，对出院后动态数据按第二预设方式进行处理，得到出院后动态特征分析结果。
该步骤十七具体可以通过步骤170至步骤173实现：
步骤170，提取出院后动态数据的出院后空域特征和出院后时域特征，分别对出院后空域特征和出院后时域特征进行特征提取，得到出院后空域特征提取结果和出院后时域特征提取结果；
步骤171，对出院后空域特征提取结果进行全卷积网络分析，得到出院后空域特征分析结果；
步骤172，对出院后时域特征提取结果进行循环门单元分析，得到出院后时域特征分析结果；
步骤173，合并出院后空域特征分析结果和出院后时域特征分析结果，得到出院后动态特征分析结果。
针对出院后静态数据和出院后动态数据的处理方式可参考上述对术前静态数据和术中动态数据的处理方式，在此不再赘述。
步骤十八，将术前静态特征分析结果和术前动态特征分析结果输入至围术期风险预测模型，输出术前风险类别及对应的风险等级。
步骤十九，将术中静态特征分析结果和术中动态特征分析结果输入至围术期风险预测模型，输出术中风险类别及对应的风险等级。
步骤二十，将术后静态特征分析结果和术后动态特征分析结果输入至围术期风险预测模型，输出术后风险类别及对应的风险等级。
步骤二十一，将出院后静态特征分析结果和出院后动态特征分析结果输入至围术期风险预测模型，输出出院后风险类别及对应的风险等级。
将每个阶段的静态特征分析结果和动态特征分析结果输入至围术期风险预测模型，以此进行围术期风险预测，得到术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级和出院后风险类别及对应的风险等级；比如，术中可能发生的不良事件包括：低血压风险、高血压风险、低血氧症风险、恶性心律失常、心脏骤停风险、并发症风险、死亡风险等。术后可能发生的不良事件包括：术后疼痛、低体温、恶心呕吐、低血压、高血压、低氧血症、术后谵妄、深静脉血栓、肺部并发症、主要心血管事件、脑卒中、急性肾损伤、院内死亡等；出院后预设时间内可能发生的不良事件包括：1年内心脑血管事件、肺部并发症、营养不良、衰弱、认知功能下降、死亡等，同时还会输出不良事件的高、中、低风险预警信息。其中，术前风险预测结果通常不会在术中主界面显示，但可通过术中界面进行查看，同时，术前风险预测结果也是术中风险预警算法的输入参数之一；术中风险预测结果可以在术中实时显示。
参见图2所示的一种围术期风险预测模型工作流程示意图，该围术期风险预测模型具体是一种基于多视图特征融合深度学习的围术期风险预测/预警模型，静态特征(对应上述静态数据)包括：年龄、性别、术士、检验和检查结果等；对静态特征进行特征扩增、特征提取和残差网络分析(Residual Network,简称Resnet)后，输入至深度学习结果融合模块(对应上述围术期风险预测模型)，以此进行术前风险预测。动态特征(对应上述动态数据)包括：血压、心率、血氧饱和度、呼末二氧化碳分压等，脑电监测、床旁超声检测等；对动态特征进行通过提取空域特征、时域特征，并分别进行全卷积网络分析(Fully ConvolutionalNetworks，简称FCN)和循环门单元分析(Gated Recurrent Unit，简称GRU)后，输入至深度学习结果融合模块，以此进行术中/术后/出院后风险预测，如不良事件低风险、不良事件高风险预警等。
步骤二十二，将围手术期风险预警结果输入至预先训练好的干预预案模型中，输出针对待手术患者的目标干预预案；其中，目标干预预案包括：预防性干预方案和/或处置类干预方案。
本实施例的干预预案也基于机器学习实现，干预预案机器学习算法模型的输入信息包括：临床麻醉医生有效经验、既往病例的处置方案、围术期风险评估和预测预警模型的输出参数等。干预预案算法模型的学习结果包括以下几类：
1、针对可能出现的可避免的不良事件，制定的预防性干预方案，防止不良事件的发生。例如：术中低血压风险预测模型可提前15-30分钟预警低血压风险，根据预警麻醉医师可以加快输液、给予血管活性药物、改变***、调整***物等方式提前干预，避免术中低血压的发生。
2、针对无法避免的不可避免的不良事件，制定的处置类干预方案，在不良事件发生前做好充分准备，发生时及时处置，避免不良事件产生的不良后果。例如：术后恶心呕吐影响因素较多，往往无法避免，但根据预测模型可以把病人进行危险分层，给予不同的干预方式，比如无PONV(Postoperative Nausea and Vomiting，术后恶心呕吐)危险因素的患者，不使用预防用药。对低、中危患者可选用上述一或两种药物预防。对高危患者可用二至三种药物组合预防。
3、针对围术期各类不良事件，在不同阶段制定对应的预防性干预方案和处置类干预方案。例如：针对围术期患者肺部并发症根据风险分层，选用不同的麻醉方法、诱导方式、气道管理方式与机械通气参数设置等等，以针对性规避或干预不同阶段的危险因素。
4、基于围术期不良事件的预防和干预方案，结合患者个体发生不良事件或预测到将要发生不良事件时的生命体征参数、脏器情况等，组合形成针对患者个体的个性化干预方案。例如：基于预防术后谵妄、术后心脑血管并发症、肺部并发症、急性肾损害等不良事件基本方案，结合患者的认知功能、基础血压，心脑血管的病变程度，肾功能等情况，给出个体化的麻醉深度、血压、心率、体温、尿量等参数的管理目标，形成个性化的多目标管理方案。
具体实现时，可以将待手术患者对应的围手术期风险预警结果输入至预先训练好的干预预案模型中，输出针对该待手术患者的预防性干预方案和/或处置类干预方案。
步骤二十三，获取针对待手术患者的麻醉方案。
步骤二十四，通过第一指定设备，显示麻醉方案、术前风险类别及对应的风险等级。
上述麻醉方案可以是麻醉医生针对该待手术患者所制定的麻醉方案；上述第一指定设备可以包括：麻醉医生移动终端、值班工作站、专用工作站等；在实际实现时，可以通过第一指定设备，显示上述麻醉方案，术前不良事件风险类别及对应的风险等级。
步骤二十五，通过第二指定设备，显示术中风险类别，以及与术中风险类别对应的风险等级和干预预案。
上述第二指定设备可以包括术中检测终端等；在实际实现时，可以通过第二指定设备进行术中实时预警，具体可以包括：术中不良事件类别及对应的风险等级和干预预案。风险提醒方式可以按照“高、中、低”风险的定义，对于可能出现的中、高风险或不良事件信息，以显著方式提醒，包括颜色、声音、闪烁等方式。预测结果的风险为低风险时，以正常显示方式呈现，不以突出的颜色、声音、闪烁等方式显示。
步骤二十六，通过第三指定设备，显示术后风险类别，以及与术后风险类别对应的风险等级和干预预案。
上述第三指定设备可以包括：麻醉医生移动终端、值班工作站、专用工作站等；在实际实现时，可以通过第三指定设备，显示术后不良事件风险类别及对应的风险等级和干预预案。
步骤二十七，通过第四指定设备，显示出院后风险类别，以及与出院后风险类别对应的风险等级和干预预案。
上述第四指定设备可以包括：麻醉医生移动终端、值班工作站、患者终端等；在实际实现时，可以通过第四指定设备，显示患者出院后预设时间内的不良事件风险类别及对应的风险等级和干预预案；该预设时间可以是患者出院后一年等，具体可以根据实际需求进行设置。
上述围术期风险评估和预测预警涵盖了术前、术中、术后院内以及出院后预设时间，充分结合临床需求，对各阶段输出的方式和内容进行了设计并通过***实现。
步骤二十八，获取对待手术患者完成全部治疗后的完整病例、与不良事件相关的新增数据、实际建立的病例报告表和实际出院后的随访信息。
步骤二十九，基于完整病例、实际建立的病例报告表和实际出院后的随访信息，对风险因子筛选评估模型进行优化，得到新的风险因子筛选评估模型。
步骤三十，基于新增数据，对围术期风险预测模型进行优化，得到新的围术期风险预测模型。
步骤三十一，获取对待手术患者实际采用的干预方案；
步骤三十二，基于实际采用的干预方案，对干预预案模型进行优化，得到新的干预预案模型。
通过围术期风险预测模型输出的结果，比对实际手术患者的情况可以判定模型的准确性。当发现风险预测事件不准确时，需要对其进行针对性分析，不准确事件主要包括以下几类。
1、围术期风险预测模型输出结果预测会发生不良事件，但无法实施干预，实际未发生；
2、真实世界发生了不良事件，但围术期风险预测模型的预测结果低风险，或没有任何风险提示；
3、真实世界发生的不良事件为事件1，但围术期风险预测模型预测的不良事件为事件2；
4、真实世界发生不良事件的等级为高，但围术期风险预测模型预测的不良事件的等级为中。
通过将干预预案模型输出的结果应用于现实世界，可验证干预预案的有效性，或干预预案的效率。当采用对应风险等级的干预预案防止不良事件发生时，现实未能预防，即还是发生了不良事件；或不良事件发生时采用干预预案未能完全改善不良事件，而是采用了更多的处置方法才改善了不良事件；或防止发生不良事件或处置不良事件的方案过于繁琐，方案还可以进一步优化；或现实操作中，采用了和干预预案完全不一致的处置措施时，都需要对模型进一步优化。
为解决以上问题，本发明采用如下方式进行模型优化。
1、将完成全部治疗的患者病历反馈至风险因子筛选评估模型，迭代优化风险因子筛选评估模型的筛选结果，为围术期风险预测模型提供更有价值的输入参数。
2、根据临床观察与分析，将对发生不良事件有实际影响，但此前未予关注的参数反馈至围术期风险预测模型的输入端，优化算法模型特征向量。与不良事件相关的新增数据通常需要人工筛选，例如以往对术中患者尿量未作为预警模型输入参数，但经过多个病例观察发现大多数发生高风险(术中高血压)的患者都存在尿量增多的现象，就会将尿量作为预警模型的输入参数。
3、根据临床观察与分析，将现实采用的防止发生不良事件或处置不良事件的方案反馈至干预预案模型的输入端，优化算法模型特征向量。
4、结合科研，将麻醉学科现实应用的，已建立的面向入组患者的CRF量表内容及量表评分、评级结果反馈至风险因子筛选评估模型，迭代优化风险因子筛选评估模型的筛选CRF量表要素，让CRF的内容更加科学，与患者实际情况更贴合。
5、结合出院后随访信息，新增的随访信息，反馈至风险因子筛选评估模型，迭代优化风险因子筛选评估模型的筛选潜在围术期风险人群和围术期风险预测模型输入参数，以及出院随访信息要素。
上述方式将机器学习算法模型的学习结果，反馈至各机器学习模型，调整学习参数，优化模型，提高风险因子筛选评估模型、围术期风险预测模型和干预预案模型学习效果，不断优化模型。
步骤三十三，当病例报告表的各个要素信息均填入对应数据后，对病例报告表进行评分，生成待手术患者的完整病例报告表。
步骤三十四，通过第三指定接口，将完整病例报告表保存至预设数据库。
本方案应用过程中产生的过程数据、风险评估结果、采取的方案，可以通过本方案的数据转化处理模块，对接科研、临床、远程教学***接口，输出了对应的应用数据。具体的，对于科研***来说，本实施例在风险因子筛选评估模型算法阶段输出了与病例报告表(CRF)相关量表要素，临床医生据此设计CRF相关量表内容，并将设计完成的表格样式存入数据库。通过数据转化处理模块，从数据库中以患者为单位，调取对应该患者的每一份CRF，结合信息采集模块自动化，可自动完成CRF量表内容的填充，无法通过信息采集模块采集的数据，由医护人员通过手工补充，在***判定本CRF量表内容完整后，***将根据CRF量表的内容，自动进行评分，形成该患者的完整的CRF报告，即上述完整病例报告表，并通过对接科研***接口(对应上述第三指定接口)存入科研***的对应数据库。
步骤三十五，根据目标干预方案，生成麻醉临床路径信息。
步骤三十六，通过第一指定接口，将麻醉临床路径信息发送至指定工作站。
对于临床***来说，本方案实施例可以通过数据转化处理模块，从干预预案模型输出的干预方案中，提取患者关键体征信息、既往病史、过敏史、拟实施手术、麻醉方式、各阶段详细麻醉事件等要素，组合形成麻醉临床路径信息，通过对接临床***接口(对应上述第一指定接口)，可将麻醉临床路径信息导入麻醉临床工作站(对应上述指定工作站)，形成麻醉医生规范化开展麻醉相关工作的依据，保障麻醉质量安全。
步骤三十七，通过第二指定接口，将待手术患者对应的关联数据发送至第三方平台；其中，待手术患者对应的关联数据至少包括：待手术患者对应的围手术期风险预警结果和目标干预预案。
对于远程教学***来说，本方案实施例可以通过数据转化处理模块，一方面指导下级医院开展围术期风险评估和预测预警。另一方面可向下级讲授围术期风险评估和预测预警工作方法和内容。具体的，①指导下级医院：下级医院的手术患者信息通过网络远程传输至上级医院，通过数据转化处理模块规范化、标准化处理，转换为满足本方案格式要求的数据，应用本***输出的风险评估和预测预警结果、干预预案等信息，通过网络远程传输至下级医院，通过对接远程教学***接口，接入下级医院的教学平台，提供实时的围术期风险评估和预测预警指导。②向下级医院讲授围术期风险评估和预测预警时，本方案根据教学要求，通过数据转化模块，从***中提取各围术期风险评估和预测预警各环节的必要输入参数输出参数、患者情况、评估情况、干预方案、干预效果等信息，本***可按照预先设定的规则，将这些信息重新组合后，对接远程教学***接口，存入远程教学***数据库，再由远程教学***按需利用。
上述基于机器学习的围手术期风险预警方法，通过大量收集既往数据，深度挖掘数据之间的关联性，结合人工智能，主动识别潜在围术期风险人群，并在术前、术中、术后及出院后预设时间内分别进行风险评估和预测/预警，并智能化生成个性化处置预案，将以往只能凭借经验的风险预测转化为更为科学性的预测预警，让更多的经验性成果转化为知识性和技术性成果，并应用于临床、科研和教学，可以明显地帮助麻醉医生尽早发现不良事件，降低术后并发症，保障手术安全，有力地促进学科发展。
为进一步理解上述实施例，下面提供如图3所示的一种基于机器学习的围手术期风险预警***的结构示意图，该***将信息筛选、信息采集、机器学习算法应用(风险因子筛选评估模型，围术期风险预测模型、干预预案模型)、信息输出与呈现、数据二次处理、反馈模块、模型优化模块各部分进行有机结合，形成可应用的信息***。***以前后端分离的方式，前端应用仅包括“信息呈现”模块的输出结果；后端应用负责完成信息集成、管理及复杂计算，具体如下：
信息筛选算法应用模块(对应上述风险因子筛选评估模型)通过对海量基础病例学习，筛选出待评估患者、对围术期风险评估与预测预警相关的基础参数和病例报告表的要素，根据筛选出的信息进行信息采集，具体可以从临床数据中心、电子病历***、实验室检验***、手术麻醉信息***、手术护理信息***、院后随访***等数据源实行静态数据采集，可以从心电监护仪、麻醉机、呼吸机、床旁超声、输液泵、院外穿戴式体征采集设备等数据源中实行动态数据采集，对采集到的静态数据和动态数据进行信息预处理，将处理结果输入至风险预测算法应用模块(对应上述围术期风险预测模型)，输出术前风险预测结果、术中/术后/出院后风险预测结果，以及风险预测结果对应的风险等级，如高风险、中风险或低风险等，输出的风险预测结果和对应的风险等级一方面可以通过信息输出模块，在显示终端进行显示，另一方面可以通过干预方案算法应用模块(对应上述干预预案模型)输出干预预案，并可以通过信息输出模块，在显示终端进行显示。机器学习算法模型的输出结果可以通过反馈模块和模型优化模块反馈至信息筛选算法应用模块、风险预测算法应用模块和干预方案算法应用模块，以优化各个模块，提高各模块的学习效果。
该***可以对手术患者在术前、术中、术后及出院后可能面临的不良事件进行预测和预警，并提供处置方法和治疗方案的***。在全面获取手术患者的各维度信息，身体基础状况、术前诊断、实验室检验与检查、拟实施手术、术前评估、术中监测、麻醉管理、术后诊疗、院后随访等相关的信息的基础上，通过应用人工智能技术，对围术期可能发生的各种风险、不良事件等进行预测和预警，支持麻醉医生、临床医生等医护人员提前采取风险管控措施，进而确保围术期手术安全。
该***引入人工智能机器学习算法，充分利用其解释特征的范围很大，也能分析交互深度极其复杂的特征集等特点，实现类似人类感知并同时进行思考的能力，让以往仅有少数具有丰富临床经验的麻醉医生才能完成的围术期风险预警工作能够更广泛的应用到临床，推动优质医疗资源下沉，也应对我国越来愈多、越来越复杂的手术治疗现状。具体表现在以下几方面。
(1)随着我国老年化加重以及医疗水平的不断提升，手术量、手术难度不断攀升，手术患者的年龄范围也不断扩大，随之而来的患者手术固有风险和术后并发症也不断增加，利用人工智能辅助麻醉医师在术中进行术前、术中监测指标的预判和诊疗决策，应对其衰弱、共病以及身体机能减退导致的围术期非预知性风险，可以为手术患者提供安全保障。
(2)结合临床麻醉工作，将本发明应用于指导麻醉深度调控与器官功能维护，嵌入到评估-诊断-干预-再评估的闭环，打造完善的围手术期评估体系，为精准医疗提供技术支撑。
(3)本方案通过信息管理模块，将于围术期相关信息进行了全面的结构化处理，直接作用于科学研究，提供符合科研需求的大数据支持。
对应于上述方法实施例，下面提供一种基于机器学习的围手术期风险预警装置，如图4所示，装置包括：获取模块40，用于获取待手术患者的与围手术期风险评估相关联的评估参数；采集模块41，用于按预设采集方式，从预设数据源中采集待手术患者的，与评估参数对应的多个第一数据；处理模块42，用于对多个第一数据按预设方式进行处理，得到处理结果；输出模块43，用于将处理结果输入至预先训练好的围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果；其中，围手术期风险预警结果包括以下至少一种：术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级、出院后风险类别及对应的风险等级。
上述基于机器学习的围手术期风险预警装置，获取待手术患者的与围手术期风险评估相关联的评估参数；采集待手术患者的与评估参数对应的多个第一数据；对多个第一数据进行处理，将得到的处理结果输入至围术期风险预测模型，输出待手术患者对应的围手术期风险预警结果。该装置可以根据围手术期风险评估相关联的评估参数及对应数据，通过围术期风险预测模型，对围术期可能发生的各种风险自动进行预测和预警，该方式不需要依赖人工经验，就可以尽早发现围术期不良事件，从而有效降低术后并发症，保障手术安全。
进一步的，获取模块用于：获取待手术患者对应的初始病例；将初始病例输入至预先训练好的风险因子筛选评估模型中，输出待手术患者的与围手术期风险评估相关联的评估参数。
进一步的，处理模块还用于：按预设标准化方式，对多个第一数据进行标准化处理，得到处理后的多个第一数据；对处理后的多个第一数据按照围术期阶段进行划分，得到阶段风险评估数据；其中，阶段风险评估数据包括：术前风险评估数据；根据数据的波动特性，将术前风险评估数据划分为术前静态数据和术前动态数据；对术前静态数据按第一预设方式进行处理，得到术前静态特征分析结果；对术前动态数据按第二预设方式进行处理，得到术前动态特征分析结果。
进一步的，阶段风险评估数据还包括：术中风险评估数据；处理模块还用于：根据数据的波动特性，将术中风险评估数据划分为术中静态数据和术中动态数据；对术中静态数据按第一预设方式进行处理，得到术中静态特征分析结果；对术中动态数据按第二预设方式进行处理，得到术中动态特征分析结果。
进一步的，阶段风险评估数据还包括：术后风险评估数据；处理模块还用于：根据数据的波动特性，将术后风险评估数据划分为术后静态数据和术后动态数据；对术后静态数据按第一预设方式进行处理，得到术后静态特征分析结果；对术后动态数据按第二预设方式进行处理，得到术后动态特征分析结果。
进一步的，阶段风险评估数据还包括：出院后风险评估数据；处理模块还用于：根据数据的波动特性，将出院后风险评估数据划分为出院后静态数据和出院后动态数据；对出院后静态数据按第一预设方式进行处理，得到出院后静态特征分析结果；对出院后动态数据按第二预设方式进行处理，得到出院后动态特征分析结果。
进一步的，处理模块还用于：对术前静态数据进行特征扩增，得到扩增后的术前静态数据；对扩增后的术前静态数据进行特征提取，得到术前静态特征提取结果；对术前静态特征提取结果进行残差网络分析，得到术前静态特征分析结果。
进一步的，处理模块还用于：提取术前动态数据的术前空域特征和术前时域特征，分别对术前空域特征和术前时域特征进行特征提取，得到术前空域特征提取结果和术前时域特征提取结果；对术前空域特征提取结果进行全卷积网络分析，得到术前空域特征分析结果；对术前时域特征提取结果进行循环门单元分析，得到术前时域特征分析结果；合并术前空域特征分析结果和术前时域特征分析结果，得到术前动态特征分析结果。
进一步的，处理模块还用于：对术中静态数据进行特征扩增，得到扩增后的术中静态数据；对扩增后的术中静态数据进行特征提取，得到术中静态特征提取结果；对术中静态特征提取结果进行残差网络分析，得到术中静态特征分析结果。
进一步的，处理模块还用于：提取术中动态数据的术中空域特征和术中时域特征，分别对术中空域特征和术中时域特征进行特征提取，得到术中空域特征提取结果和术中时域特征提取结果；对术中空域特征提取结果进行全卷积网络分析，得到术中空域特征分析结果；对术中时域特征提取结果进行循环门单元分析，得到术中时域特征分析结果；合并术中空域特征分析结果和术中时域特征分析结果，得到术中动态特征分析结果。
进一步的，处理模块还用于：对术后静态数据进行特征扩增，得到扩增后的术后静态数据；对扩增后的术后静态数据进行特征提取，得到术后静态特征提取结果；对术后静态特征提取结果进行残差网络分析，得到术后静态特征分析结果。
进一步的，处理模块还用于：提取术后动态数据的术后空域特征和术后时域特征，分别对术后空域特征和术后时域特征进行特征提取，得到术后空域特征提取结果和术后时域特征提取结果；对术后空域特征提取结果进行全卷积网络分析，得到术后空域特征分析结果；对术后时域特征提取结果进行循环门单元分析，得到术后时域特征分析结果；合并术后空域特征分析结果和术后时域特征分析结果，得到术后动态特征分析结果。
进一步的，处理模块还用于：对出院后静态数据进行特征扩增，得到扩增后的出院后静态数据；对扩增后的出院后静态数据进行特征提取，得到出院后静态特征提取结果；对出院后静态特征提取结果进行残差网络分析，得到出院后静态特征分析结果。
进一步的，处理模块还用于：提取出院后动态数据的出院后空域特征和出院后时域特征，分别对出院后空域特征和出院后时域特征进行特征提取，得到出院后空域特征提取结果和出院后时域特征提取结果；对出院后空域特征提取结果进行全卷积网络分析，得到出院后空域特征分析结果；对出院后时域特征提取结果进行循环门单元分析，得到出院后时域特征分析结果；合并出院后空域特征分析结果和出院后时域特征分析结果，得到出院后动态特征分析结果。
进一步的，输出模块还用于：将术前静态特征分析结果和术前动态特征分析结果输入至围术期风险预测模型，输出术前风险类别及对应的风险等级。
进一步的，输出模块还用于：将术中静态特征分析结果和术中动态特征分析结果输入至围术期风险预测模型，输出术中风险类别及对应的风险等级。
进一步的，输出模块还用于：将术后静态特征分析结果和术后动态特征分析结果输入至围术期风险预测模型，输出术后风险类别及对应的风险等级。
进一步的，输出模块还用于：将出院后静态特征分析结果和出院后动态特征分析结果输入至围术期风险预测模型，输出出院后风险类别及对应的风险等级。
进一步的，该装置还用于：将围手术期风险预警结果输入至预先训练好的干预预案模型中，输出针对待手术患者的目标干预预案；其中，目标干预预案包括：预防性干预方案和/或处置类干预方案。
进一步的，该装置还用于：获取针对待手术患者的麻醉方案；通过第一指定设备，显示麻醉方案、术前风险类别及对应的风险等级；通过第二指定设备，显示术中风险类别，以及与术中风险类别对应的风险等级和干预预案；通过第三指定设备，显示术后风险类别，以及与术后风险类别对应的风险等级和干预预案；通过第四指定设备，显示出院后风险类别，以及与出院后风险类别对应的风险等级和干预预案。
进一步的，该装置还用于：获取对待手术患者完成全部治疗后的完整病例、与不良事件相关的新增数据、实际建立的病例报告表和实际出院后的随访信息；基于完整病例、实际建立的病例报告表和实际出院后的随访信息，对风险因子筛选评估模型进行优化，得到新的风险因子筛选评估模型；基于新增数据，对围术期风险预测模型进行优化，得到新的围术期风险预测模型。
进一步的，该装置还用于：获取对待手术患者实际采用的干预方案；基于实际采用的干预方案，对干预预案模型进行优化，得到新的干预预案模型。
进一步的，该装置还用于：根据目标干预方案，生成麻醉临床路径信息；通过第一指定接口，将麻醉临床路径信息发送至指定工作站；通过第二指定接口，将待手术患者对应的关联数据发送至第三方平台；其中，待手术患者对应的关联数据至少包括：待手术患者对应的围手术期风险预警结果和目标干预预案。
本发明实施例所提供的基于机器学习的围手术期风险预警装置，其实现原理及产生的技术效果和前述基于机器学习的围手术期风险预警方法实施例相同，为简要描述，基于机器学习的围手术期风险预警装置实施例部分未提及之处，可参考前述基于机器学习的围手术期风险预警方法实施例中相应内容。
本发明实施例还提供了一种电子设备，参见图5所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述基于机器学习的围手术期风险预警方法。
进一步地，图5所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
其中，存储器131可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述基于机器学习的围手术期风险预警方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的基于机器学习的围手术期风险预警方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (26)

1.一种基于机器学习的围手术期风险预警方法，其特征在于，所述方法包括：
获取待手术患者的与围手术期风险评估相关联的评估参数；
按预设采集方式，从预设数据源中采集所述待手术患者的，与所述评估参数对应的多个第一数据；
对多个所述第一数据按预设方式进行处理，得到处理结果；
将所述处理结果输入至预先训练好的围术期风险预测模型，输出所述待手术患者对应的围手术期风险预警结果；其中，所述围手术期风险预警结果包括以下至少一种：术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级、出院后风险类别及对应的风险等级。
2.根据权利要求1所述的方法，其特征在于，获取待手术患者的与围手术期风险评估相关联的评估参数的步骤包括：
获取所述待手术患者对应的初始病例；
将所述初始病例输入至预先训练好的风险因子筛选评估模型中，输出所述待手术患者的与所述围手术期风险评估相关联的评估参数。
3.根据权利要求1所述的方法，其特征在于，对多个所述第一数据按预设方式进行处理，得到处理结果的步骤包括：
按预设标准化方式，对多个所述第一数据进行标准化处理，得到处理后的多个所述第一数据；
对处理后的多个所述第一数据按照围术期阶段进行划分，得到阶段风险评估数据；其中，所述阶段风险评估数据包括：术前风险评估数据；
根据数据的波动特性，将所述术前风险评估数据划分为术前静态数据和术前动态数据；
对所述术前静态数据按第一预设方式进行处理，得到术前静态特征分析结果；
对所述术前动态数据按第二预设方式进行处理，得到术前动态特征分析结果。
4.根据权利要求3所述的方法，其特征在于，所述阶段风险评估数据还包括：术中风险评估数据；所述方法还包括：
根据数据的波动特性，将所述术中风险评估数据划分为术中静态数据和术中动态数据；
对所述术中静态数据按第一预设方式进行处理，得到术中静态特征分析结果；
对所述术中动态数据按第二预设方式进行处理，得到术中动态特征分析结果。
5.根据权利要求4所述的方法，其特征在于，所述阶段风险评估数据还包括：术后风险评估数据；所述方法还包括：
根据数据的波动特性，将所述术后风险评估数据划分为术后静态数据和术后动态数据；
对所述术后静态数据按第一预设方式进行处理，得到术后静态特征分析结果；
对所述术后动态数据按第二预设方式进行处理，得到术后动态特征分析结果。
6.根据权利要求5所述的方法，其特征在于，所述阶段风险评估数据还包括：出院后风险评估数据；所述方法还包括：
根据数据的波动特性，将所述出院后风险评估数据划分为出院后静态数据和出院后动态数据；
对所述出院后静态数据按第一预设方式进行处理，得到出院后静态特征分析结果；
对所述出院后动态数据按第二预设方式进行处理，得到出院后动态特征分析结果。
7.根据权利要求3所述的方法，其特征在于，所述对所述术前静态数据按第一预设方式进行处理，得到术前静态特征分析结果的步骤包括：
对所述术前静态数据进行特征扩增，得到扩增后的术前静态数据；
对扩增后的所述术前静态数据进行特征提取，得到术前静态特征提取结果；
对所述术前静态特征提取结果进行残差网络分析，得到术前静态特征分析结果。
8.根据权利要求3所述的方法，其特征在于，所述对所述术前动态数据按第二预设方式进行处理，得到术前动态特征分析结果的步骤包括：
提取所述术前动态数据的术前空域特征和术前时域特征，分别对所述术前空域特征和术前时域特征进行特征提取，得到术前空域特征提取结果和术前时域特征提取结果；
对所述术前空域特征提取结果进行全卷积网络分析，得到术前空域特征分析结果；
对所述术前时域特征提取结果进行循环门单元分析，得到术前时域特征分析结果；
合并所述术前空域特征分析结果和所述术前时域特征分析结果，得到所述术前动态特征分析结果。
9.根据权利要求4所述的方法，其特征在于，所述对所述术中静态数据按第一预设方式进行处理，得到术中静态特征分析结果的步骤包括：
对所述术中静态数据进行特征扩增，得到扩增后的术中静态数据；
对扩增后的所述术中静态数据进行特征提取，得到术中静态特征提取结果；
对所述术中静态特征提取结果进行残差网络分析，得到术中静态特征分析结果。
10.根据权利要求4所述的方法，其特征在于，所述对所述术中动态数据按第二预设方式进行处理，得到术中动态特征分析结果的步骤包括：
提取所述术中动态数据的术中空域特征和术中时域特征，分别对所述术中空域特征和术中时域特征进行特征提取，得到术中空域特征提取结果和术中时域特征提取结果；
对所述术中空域特征提取结果进行全卷积网络分析，得到术中空域特征分析结果；
对所述术中时域特征提取结果进行循环门单元分析，得到术中时域特征分析结果；
合并所述术中空域特征分析结果和所述术中时域特征分析结果，得到所述术中动态特征分析结果。
11.根据权利要求4所述的方法，其特征在于，所述对所述术后静态数据按第一预设方式进行处理，得到术后静态特征分析结果的步骤包括：
对所述术后静态数据进行特征扩增，得到扩增后的术后静态数据；
对扩增后的所述术后静态数据进行特征提取，得到术后静态特征提取结果；
对所述术后静态特征提取结果进行残差网络分析，得到术后静态特征分析结果。
12.根据权利要求5所述的方法，其特征在于，所述对所述术后动态数据按第二预设方式进行处理，得到术后动态特征分析结果的步骤包括：
提取所述术后动态数据的术后空域特征和术后时域特征，分别对所述术后空域特征和术后时域特征进行特征提取，得到术后空域特征提取结果和术后时域特征提取结果；
对所述术后空域特征提取结果进行全卷积网络分析，得到术后空域特征分析结果；
对所述术后时域特征提取结果进行循环门单元分析，得到术后时域特征分析结果；
合并所述术后空域特征分析结果和所述术后时域特征分析结果，得到所述术后动态特征分析结果。
13.根据权利要求6所述的方法，其特征在于，所述对所述出院后静态数据按第一预设方式进行处理，得到出院后静态特征分析结果的步骤包括：
对所述出院后静态数据进行特征扩增，得到扩增后的出院后静态数据；
对扩增后的所述出院后静态数据进行特征提取，得到出院后静态特征提取结果；
对所述出院后静态特征提取结果进行残差网络分析，得到出院后静态特征分析结果。
14.根据权利要求6所述的方法，其特征在于，所述对所述出院后动态数据按第二预设方式进行处理，得到出院后动态特征分析结果的步骤包括：
提取所述出院后动态数据的出院后空域特征和出院后时域特征，分别对所述出院后空域特征和出院后时域特征进行特征提取，得到出院后空域特征提取结果和出院后时域特征提取结果；
对所述出院后空域特征提取结果进行全卷积网络分析，得到出院后空域特征分析结果；
对所述出院后时域特征提取结果进行循环门单元分析，得到出院后时域特征分析结果；
合并所述出院后空域特征分析结果和所述出院后时域特征分析结果，得到所述出院后动态特征分析结果。
15.根据权利要求3所述的方法，其特征在于，将所述处理结果输入至预先训练好的围术期风险预测模型，输出所述待手术患者对应的围手术期风险预警结果的步骤包括：
将所述术前静态特征分析结果和所述术前动态特征分析结果输入至所述围术期风险预测模型，输出所述术前风险类别及对应的风险等级。
16.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述术中静态特征分析结果和所述术中动态特征分析结果输入至所述围术期风险预测模型，输出所述术中风险类别及对应的风险等级。
17.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将所述术后静态特征分析结果和所述术后动态特征分析结果输入至所述围术期风险预测模型，输出所述术后风险类别及对应的风险等级。
18.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将所述出院后静态特征分析结果和所述出院后动态特征分析结果输入至所述围术期风险预测模型，输出所述出院后风险类别及对应的风险等级。
19.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述围手术期风险预警结果输入至预先训练好的干预预案模型中，输出针对所述待手术患者的目标干预预案；其中，所述目标干预预案包括：预防性干预方案和/或处置类干预方案。
20.根据权利要求19所述的方法，其特征在于，所述方法还包括：
获取针对所述待手术患者的麻醉方案；
通过第一指定设备，显示所述麻醉方案、所述术前风险类别及对应的风险等级；
通过第二指定设备，显示所述术中风险类别，以及与所述术中风险类别对应的风险等级和干预预案；
通过第三指定设备，显示所述术后风险类别，以及与所述术后风险类别对应的风险等级和干预预案；
通过第四指定设备，显示所述出院后风险类别，以及与所述出院后风险类别对应的风险等级和干预预案。
21.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取对所述待手术患者完成全部治疗后的完整病例、与不良事件相关的新增数据、实际建立的病例报告表和实际出院后的随访信息；
基于所述完整病例、所述实际建立的病例报告表和所述实际出院后的随访信息，对所述风险因子筛选评估模型进行优化，得到新的风险因子筛选评估模型；
基于所述新增数据，对所述围术期风险预测模型进行优化，得到新的围术期风险预测模型。
22.根据权利要求19所述的方法，其特征在于，所述方法还包括：
获取对所述待手术患者实际采用的干预方案；
基于所述实际采用的干预方案，对所述干预预案模型进行优化，得到新的干预预案模型。
23.根据权利要求19所述的方法，其特征在于，所述方法还包括：
根据所述目标干预方案，生成麻醉临床路径信息；
通过第一指定接口，将所述麻醉临床路径信息发送至指定工作站；
通过第二指定接口，将所述待手术患者对应的关联数据发送至第三方平台；其中，所述待手术患者对应的关联数据至少包括：所述待手术患者对应的围手术期风险预警结果和所述目标干预预案。
24.一种基于机器学习的围手术期风险预警装置，其特征在于，所述装置包括：
获取模块，用于获取待手术患者的与围手术期风险评估相关联的评估参数；
采集模块，用于按预设采集方式，从预设数据源中采集所述待手术患者的，与所述评估参数对应的多个第一数据；
处理模块，用于对多个所述第一数据按预设方式进行处理，得到处理结果；
输出模块，用于将所述处理结果输入至预先训练好的围术期风险预测模型，输出所述待手术患者对应的围手术期风险预警结果；其中，所述围手术期风险预警结果包括以下至少一种：术前风险类别及对应的风险等级、术中风险类别及对应的风险等级、术后风险类别及对应的风险等级、出院后风险类别及对应的风险等级。
25.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-23任一项所述的基于机器学习的围手术期风险预警方法。
26.一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1-23任一项所述的基于机器学习的围手术期风险预警方法。
CN202210939845.1A 2022-08-05 2022-08-05 基于机器学习的围手术期风险预警方法 Pending CN115223679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210939845.1A CN115223679A (zh) 2022-08-05 2022-08-05 基于机器学习的围手术期风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210939845.1A CN115223679A (zh) 2022-08-05 2022-08-05 基于机器学习的围手术期风险预警方法

Publications (1)

Publication Number Publication Date
CN115223679A true CN115223679A (zh) 2022-10-21

Family

ID=83616773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210939845.1A Pending CN115223679A (zh) 2022-08-05 2022-08-05 基于机器学习的围手术期风险预警方法

Country Status (1)

Country Link
CN (1) CN115223679A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775629A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于亚极量运动试验评估PPCs风险的方法
CN115862874A (zh) * 2023-02-22 2023-03-28 首都医科大学宣武医院 高龄外科多学科围术期辅助决策***
CN116246752A (zh) * 2023-03-27 2023-06-09 中国医学科学院肿瘤医院 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法
CN116364290A (zh) * 2023-06-02 2023-06-30 之江实验室 基于多视图对齐的血透表征识别与并发症风险预测***
CN116439661A (zh) * 2023-03-24 2023-07-18 中国人民解放军总医院第六医学中心 一种围产期的产妇生理状态监测评估方法及***
CN116665910A (zh) * 2023-06-01 2023-08-29 曜立科技(北京)有限公司 一种基于大数据分析的神经介入手术风险评估***
CN116864136A (zh) * 2023-09-05 2023-10-10 惠民县人民医院 一种用于胃十二指肠溃疡急性穿孔的术后穿孔愈合模型
CN117877663A (zh) * 2024-03-12 2024-04-12 北京肿瘤医院(北京大学肿瘤医院) 一种肺癌术后康复的方法及相关设备
CN117876691A (zh) * 2024-03-08 2024-04-12 益佑科技(深圳)有限责任公司 基于人工智能的主动脉夹层术后神经***并发症预警方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775629A (zh) * 2023-02-10 2023-03-10 北京海思瑞格科技有限公司 一种术前基于亚极量运动试验评估PPCs风险的方法
CN115862874A (zh) * 2023-02-22 2023-03-28 首都医科大学宣武医院 高龄外科多学科围术期辅助决策***
CN116439661B (zh) * 2023-03-24 2023-09-29 中国人民解放军总医院第六医学中心 一种围产期的产妇生理状态监测评估方法及***
CN116439661A (zh) * 2023-03-24 2023-07-18 中国人民解放军总医院第六医学中心 一种围产期的产妇生理状态监测评估方法及***
CN116246752A (zh) * 2023-03-27 2023-06-09 中国医学科学院肿瘤医院 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法
CN116246752B (zh) * 2023-03-27 2024-01-16 中国医学科学院肿瘤医院 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法
CN116665910A (zh) * 2023-06-01 2023-08-29 曜立科技(北京)有限公司 一种基于大数据分析的神经介入手术风险评估***
CN116364290B (zh) * 2023-06-02 2023-09-08 之江实验室 基于多视图对齐的血透表征识别与并发症风险预测***
CN116364290A (zh) * 2023-06-02 2023-06-30 之江实验室 基于多视图对齐的血透表征识别与并发症风险预测***
CN116864136A (zh) * 2023-09-05 2023-10-10 惠民县人民医院 一种用于胃十二指肠溃疡急性穿孔的术后穿孔愈合模型
CN116864136B (zh) * 2023-09-05 2023-12-12 惠民县人民医院 一种用于胃十二指肠溃疡急性穿孔的术后穿孔愈合模型
CN117876691A (zh) * 2024-03-08 2024-04-12 益佑科技(深圳)有限责任公司 基于人工智能的主动脉夹层术后神经***并发症预警方法
CN117876691B (zh) * 2024-03-08 2024-06-11 天津市胸科医院 基于人工智能的主动脉夹层术后神经***并发症预警方法
CN117877663A (zh) * 2024-03-12 2024-04-12 北京肿瘤医院(北京大学肿瘤医院) 一种肺癌术后康复的方法及相关设备
CN117877663B (zh) * 2024-03-12 2024-05-28 北京肿瘤医院(北京大学肿瘤医院) 一种肺癌术后康复的方法及相关设备

Similar Documents

Publication Publication Date Title
CN115223679A (zh) 基于机器学习的围手术期风险预警方法
US10163174B2 (en) Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit
CN111724910B (zh) 一种适用于围手术期患者血液管理的检测评估方法
CN108648786A (zh) 一种基于第三方业务的医疗云平台数据共享***及方法
US9785745B2 (en) System and method for providing multi-organ variability decision support for extubation management
CN107408144A (zh) 医疗先兆事件估计
Brossier et al. Creating a high-frequency electronic database in the PICU: The perpetual patient
CN110289095A (zh) 一种股骨颈骨折临床智能辅助决策方法及***
US20120215561A1 (en) Online integrating system for anamnesis
WO2018106481A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
CN106108846A (zh) 一种智能化药物风险监控方法及***
US20170071549A1 (en) System and Method for Assisting Decisions Associated with Events Relative to Withdrawal of Life-Sustaining Therapy Using Variability Measurements
CN114023423A (zh) 一种智能交班方法、装置以及设备
CN111312408A (zh) 一种基于大数据的临床药物效果评估方法
WO2024032810A1 (zh) 生命信息处理***和生命信息处理方法
CN116884605B (zh) 一种手术麻醉信息智能管理***
Bellos et al. Heterogeneous data fusion and intelligent techniques embedded in a mobile application for real-time chronic disease management
Kusiak et al. Hypoplastic left heart syndrome: Knowledge discovery with a data mining approach
CN115579107A (zh) 一种基于围手术期医护最优行为的智能辅助决策模型
TWI807223B (zh) 手術麻醉風險評估輔助系統、程式產品及其建立與使用方法
Lazouni et al. A new computer aided diagnosis system for pre-anesthesia consultation
Xia et al. Progress and perspective of artificial intelligence and machine learning of prediction in anesthesiology
Kim et al. Development and Comparative Performance of Physiologic Monitoring Strategies in the Emergency Department
WO2023198065A1 (zh) 一种对危机和非危机情况进行处理的生理数据收集、处理、呈现装置和方法
CN116978553B (zh) 一种基于多维因素的非计划性拔管风险预测方法及***

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