CN115458158B - 一种针对脓毒症患者的急性肾损伤预测*** - Google Patents
一种针对脓毒症患者的急性肾损伤预测*** Download PDFInfo
- Publication number
- CN115458158B CN115458158B CN202211166438.8A CN202211166438A CN115458158B CN 115458158 B CN115458158 B CN 115458158B CN 202211166438 A CN202211166438 A CN 202211166438A CN 115458158 B CN115458158 B CN 115458158B
- Authority
- CN
- China
- Prior art keywords
- sequence data
- kidney injury
- data
- training sequence
- sample
- 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
Links
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
- G16H50/20—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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种针对脓毒症患者的急性肾损伤预测***,包括数据获取模块、模型载入模块以及结果展示模块,通过数据获取模块获取目标对象的待预测序列数据,并通过模型载入模块获取预先训练的包括时间信息计算模块和空间信息计算模块的肾损伤状态预测模型,进而通过结果展示模块,根据时间信息计算模块得到时序信息,根据空间信息计算模块得到各参数间的相互信息,并根据时序信息和各参数间的相互信息预测出急性肾损伤状态,于预设界面展示肾损伤状态预测结果,实现了结合时序信息和各参数间的相互信息的急性肾损伤状态预测,提高了对脓毒症所致的急性肾损伤状态的预测准确性,解决了现有技术预测效果差的技术问题。
Description
技术领域
本发明涉及急性肾损伤预测技术领域,尤其涉及一种针对脓毒症患者的急性肾损伤预测***。
背景技术
急性肾损伤(Acute Kidney Injury,AKI)具有高发生率、高死亡率、高不良事件率、预后效果差等特点。其中,临床研究表明,脓毒血症(脓毒症)所致的急性肾损伤(Sepsis-induced AKI,SI-AKI)占AKI病例约50%,是导致重症监护室患者死亡和不良预后的重要原因。目前,对于该疾病的诊疗,仍以早诊断早干预为主要手段。而SI-AKI的发病机制十分复杂,不完善的定义、不明晰的发病机制使得SI-AKI的诊断仍然存在很大的挑战。
近年来,深度学习逐渐应用到电子病历(Electronic Health Record,EHR)***,以提高对患者临床表现的预测诊断,为实现SI-AKI的及时诊断提供了新的思路。
在实现本发明的过程中,发现现有技术中至少存在以下技术问题:现有的机器学习或深度学习方法在学习过程中没有考虑到时间维度上的信息,也没有考虑到各指标之间的信息,对脓毒症所致的急性肾损伤状态的预测效果差。
发明内容
本发明提供了一种针对脓毒症患者的急性肾损伤预测***,以解决现有技术对脓毒症所致的急性肾损伤状态的预测效果差的技术问题。
根据本发明的一方面,提供了一种针对脓毒症患者的急性肾损伤预测***,其特征在于,所述***包括数据获取模块、模型载入模块以及结果展示模块,其中;
所述数据获取模块,用于获取目标对象的待预测序列数据;
所述模型载入模块,用于获取预先训练的肾损伤状态预测模型,其中,所述肾损伤状态预测模型包括时间信息计算模块和空间信息计算模块;
所述结果展示模块,用于将所述待预测序列数据输入至所述肾损伤状态预测模型,基于所述时间信息计算模块确定所述待预测序列数据中各参数的时间序列分别对应的时间特征,基于所述空间信息计算模块,确定所述待预测序列数据中各参数之间的空间特征,根据所述时间特征以及所述空间特征确定所述目标对象对应的肾损伤状态预测结果,于预设界面展示所述肾损伤状态预测结果。
本发明实施例提供的针对脓毒症患者的急性肾损伤预测***,包括数据获取模块、模型载入模块以及结果展示模块,通过数据获取模块获取目标对象的待预测序列数据,并通过模型载入模块获取预先训练的包括时间信息计算模块和空间信息计算模块的肾损伤状态预测模型,进而通过结果展示模块,根据时间信息计算模块确定待预测序列数据中各参数的时间序列分别对应的时间特征,得到时序信息,根据空间信息计算模块确定待预测序列数据中各参数之间的空间特征,得到各参数间的相互信息,并通过时间特征和空间特征预测得到目标对象的急性肾损伤状态,于预设界面展示肾损伤状态预测结果,实现了结合时序信息和各参数间的相互信息的急性肾损伤状态预测,提高了对脓毒症所致的急性肾损伤状态的预测准确性,解决了现有技术预测效果差的技术问题。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1A是本发明实施例一提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图;
图1B是本发明实施例一提供的一种肾损伤状态预测模型的架构示意图;
图1C是本发明实施例一提供的一种时间信息计算模块的架构示意图;
图1D是本发明实施例一提供的一种空间信息计算模块的架构示意图;
图2A是本发明实施例二提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图;
图2B是本发明实施例二提供的一种原始训练序列数据中各时间节点分别对应的脓毒症参考状态;
图2C是本发明实施例二提供的一种原始训练序列数据中各时间节点分别对应的肾损伤参考状态;
图2D是本发明实施例二提供的一种样本训练序列数据的抽取示意图;
图2E是本发明实施例二提供的一种特征合成图像的确定过程示意图;
图3A是本发明实施例三提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图;
图3B是本发明实施例三提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在对本实施例提供的针对脓毒症患者的急性肾损伤预测***进行详细介绍之前,先对该***所解决的技术问题进行说明。
SI-AKI的早期实时诊断识别方法包括以下几种:1.依据2016年的Sepsis-3指南和2012年的AKI指南,然而,目前所依赖的诊断指标具有滞后性,并不能实现早期诊断,反而会推迟确诊时间,导致不良结局;2.利用超声造影技术进行早期诊断,虽然相比于传统AKI诊断指标,超声造影能早期反映肾功能损伤,但其仍然是建立在肾功能损伤已经发生的基础上,并且对于医生技术与读图判别能力有着较高的要求;3.在生物标志物探索方面,目前旨在寻找明显功能性改变之前就能提示肾脏应激或损害(临床前期AKI)或没有功能性改变之前(亚临床AKI)的生物标志物,但是目前这些标志物的精确性和稳健性都还没有大规模多中心研究验证,实际上停留在研究阶段。
除此之外,当前较少有关于SI-AKI疾病预测模型的研究,仍然是一个新兴领域,目前已经构建的模型更多依赖于传统的机器学习技术和单个中心数据集,缺乏足够的数据进行外部验证,并且对于不同特征标志物之间的相互作用缺乏深入的探索,这些***没有经过统一规范的验证,预测表现无法保证稳定有效。
在实现本发明实施例提供的针对脓毒症患者的急性肾损伤预测***的过程中,发现大部分以AKI预测评估为目标的研究主要基于静态数据来构建模型,而患者住院时临床事件的发生具有时间连续性,其没有考虑到时间维度上的信息;同时,目前的机器/深度学习方法通常假设特征指标之间是弱相关甚至是没有相关性,在学习过程中没有充分考虑它们之间的相关性,因此,不能实现对SI-AKI的准确预测。
实施例一
图1A是本发明实施例一提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图。如图1A所示,该***包括数据获取模块10、模型载入模块11以及结果展示模块12。其中,数据获取模块10,用于获取目标对象的待预测序列数据;模型载入模块11,用于获取预先训练的肾损伤状态预测模型,其中,肾损伤状态预测模型包括时间信息计算模块和空间信息计算模块;结果展示模块12,用于将待预测序列数据输入至肾损伤状态预测模型,基于时间信息计算模块确定待预测序列数据中各参数的时间序列分别对应的时间特征,基于空间信息计算模块,确定待预测序列数据中各参数之间的空间特征,根据时间特征以及空间特征确定目标对象对应的肾损伤状态预测结果,于预设界面展示肾损伤状态预测结果。
其中,目标对象可以是需要进行急性肾损伤状态预测的脓毒症患者;待预测序列数据可以是与目标对象相对应的用于进行急性肾损伤状态预测的时间序列数据,如,目标对象从开始入院到当前时刻之间的各种体征数据,每一种体征数据都是时间序列数据。
具体的,数据获取模块10可以从数据库中读取目标对象的待预测序列数据,或者,用户输入端可以从数据库中读取目标对象的待预测序列数据,并将目标对象的待预测序列数据发送至数据获取模块10。需要说明的是,数据获取模块10可以获取一个或多个目标对象的待预测序列数据,本实施例对此不进行限定。
在本实施例中,模型载入模块11可以获取预先训练的肾损伤状态预测模型,即载入预先训练的肾损伤状态预测模型。其中,肾损伤状态预测模型可以是预先训练的分类器,包括时间信息计算模块和空间信息计算模块;时间信息计算模块用于计算待预测序列数据的时序信息,空间信息计算模块用于计算待预测序列数据中各参数之间的相互信息。
进一步的,结果展示模块12可以调用已载入的肾损伤状态预测模型,对待预测序列数据进行预测。具体的,结果展示模块12可以将待预测序列数据作为肾损伤状态预测模型的输入,通过肾损伤状态预测模型中的时间信息计算模块计算时间特征,通过肾损伤状态预测模型中的空间信息计算模块计算空间特征。
由于待预测序列数据中包括各个参数的时间序列,因此,可以将待预测序列数据作为一个矩阵,矩阵中的每一行可以理解为一个参数的时间序列,矩阵中的每一个列可以理解为在一个时间点下的所有参数的取值。具体的,时间信息计算模块可以针对矩阵中的每一行分别计算时间特征,以得到各参数的时间序列分别对应的时间特征,空间信息计算模块可以针对矩阵中的每一列分别计算空间特征,以得到各参数之间的空间特征。
进一步的,肾损伤状态预测模型中的输出层可以根据空间特征以及时间特征,输出目标对象对应的肾损伤状态预测结果。其中,肾损伤状态预测结果可以是未发生急性肾损伤(AKI=0)、急性肾损伤一级(AKI=1)或急性肾损伤二级(AKI=2)。
在一种可选的实施方式中,还可以在肾损伤状态预测模型中设置特征增强模块,以对时间特征以及空间特征进行特征增强处理,得到高阶特征。
如,可选的,肾损伤状态预测模型还包括特征增强模块、全局平均池化层以及全连接层;结果展示模块12,还用于基于特征增强模块分别对时间特征和空间特征进行增强处理,基于增强处理结果更新时间特征和空间特征,基于全局平均池化层分别确定时间特征对应的时间向量以及空间特征对应的空间向量,根据时间向量、空间向量以及全连接层,确定目标对象对应的肾损伤状态预测结果。
其中,特征增强模块可以进一步对时间特征和空间特征进行增强处理。当然,特征增强模块也可以将增强后的时间特征和空间特征再次分别输入至时间信息计算模块和空间信息计算模块,以再次进行卷积运算得到更多特征。
进一步的,时间信息计算模块最终输出的时间特征输入至全局平均池化层,得到一维的时间向量,空间信息计算模块最终输出的空间特征输入至全局平均池化层,得到一维的空间向量。全连接层可以将时间向量与空间向量融合得到目标向量,根据目标向量预测出目标对象对应的肾损伤状态预测结果。
示例性的,参见图1B,图1B展示了一种肾损伤状态预测模型的架构示意图。其中,各个待预测序列数据可以输入至肾损伤状态预测模型,针对每一个待预测序列数据,可以将其视为一个矩阵F(x),进一步的,针对矩阵的每一列,N1,…,Nt,即每一个时间点下的各个参数的取值,通过空间信息计算模块计算空间特征,空间信息计算模块也可以多次迭代进行空间特征的计算;针对矩阵的每一行,T1,……,Tn,即每一个参数的时间序列,通过时间信息计算模块计算时间特征,时间信息计算模块也可以多次迭代进行时间特征的计算。
进一步的,特征增强模块可以分别对时间特征和空间特征进行增强处理,并再次输入至时间信息计算模块、空间信息计算模块进行计算,最终输出的空间特征经过全局平均池化层(Golbal Average Pooling,GAP),输出空间向量,最终输出的时间特征经过全局平均池化层(GAP),输出时间向量。
进一步的,全连接层(Fully Connected Layer,FC)可以对时间向量和空间向量进行融合,并根据融合后的目标向量输出肾损伤状态预测结果。
示例性的,参见图1C,图1C展示了一种时间信息计算模块的架构示意图。其中,时间信息计算模块包括扩张因果卷积层、层归一化、随机纠正线性单元以及弃权单元。
具体的,考虑到为了遵循时间序列编码原则,即未来的信息不能泄露到过去,因此,可以在时间信息计算模块中引入因果卷积;并且,考虑到因果卷积需要增加层数来捕获更多的信息,使得模型更加深入和复杂,因此,可以在因果卷积的基础上再使用膨胀卷积,通过区间采样获取更大的感知场,来弥补因果卷积的缺陷。综上,可以在时间信息计算模块中设置扩张因果卷积层(Dilated Causual Conv),以实现对因果卷积和膨胀卷积。进一步的,还可以设置层归一化(Layer Normalization)、随机纠正线性单元(RReLU)以及弃权单元(Dropout)来依次对特征进行处理。其中,扩张因果卷积层还可以包括输入层、隐含层以及输出层。
示例性的,参见图1D,图1D展示了一种空间信息计算模块的架构示意图。其中,空间信息计算模块包括一维卷积层(1-D Conv)、层归一化(Layer Normalization)、随机纠正线性单元(RReLU)以及弃权单元(Dropout)。
需要说明的是,为了进一步提高模型的预测精度,还可以在特征增强模块中引入注意力机制,来允许模型关注于特征中更重要的部分,通过增加有效通道的权重、减少低效通道的权重来关注最有意义的特征,以提高模型的预测精度。
在上述方式中,通过肾损伤状态预测模型中的特征增强模块、全局平均池化层以及全连接层,得到目标对象对应的肾损伤状态预测结果,实现了基于时间向量和空间向量的融合,并根据时空融合信息进行急性肾损伤状态的预测,提高了预测精度。
为了进一步的提高模型的预测精度,还可以结合目标对象在历史时刻的预测结果,预测目标对象在当前时刻的肾损伤状态预测结果。
在一种可选的实施方式中,结果展示模块12,还用于获取目标对象在当前时刻之前的各历史时刻的历史预测结果,基于各历史预测结果、时间向量、空间向量以及全连接层,确定目标对象对应的肾损伤状态预测结果。
具体的,全连接层在将时间向量与空间向量融合,得到目标向量后,可以根据目标向量和各历史预测结果确定目标对象对应的肾损伤状态预测结果,即当前时刻的预测结果。
通过上述方式,可以结合历史预测结果对当前时刻的肾损伤状态进行预测,使得所预测出的结果符合肾损伤状态变化规律,进一步的提高了肾损伤状态预测的精度。
本实施例提供的针对脓毒症患者的急性肾损伤预测***,包括数据获取模块、模型载入模块以及结果展示模块,通过数据获取模块获取目标对象的待预测序列数据,并通过模型载入模块获取预先训练的包括时间信息计算模块和空间信息计算模块的肾损伤状态预测模型,进而通过结果展示模块,根据时间信息计算模块确定待预测序列数据中各参数的时间序列分别对应的时间特征,得到时序信息,根据空间信息计算模块确定待预测序列数据中各参数之间的空间特征,得到各参数间的相互信息,并通过时间特征和空间特征预测得到目标对象的急性肾损伤状态,于预设界面展示肾损伤状态预测结果,实现了结合时序信息和各参数间的相互信息的急性肾损伤状态预测,提高了对脓毒症所致的急性肾损伤状态的预测准确性,解决了现有技术预测效果差的技术问题。还可以用于对重症监护病房患者的SI-AKI进行实时预测。
实施例二
图2A是本发明实施例二提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图。本实施例在上述各实施方式的基础上,增加了模型训练模块,其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2A,本实施例提供的针对脓毒症患者的急性肾损伤预测***包括模型训练模块20、数据获取模块21、模型载入模块22以及结果展示模块23,模型训练模块20包括数据预处理单元200和模型学习单元201。
其中,数据预处理单元200,用于获取各样本对象的原始训练序列数据,针对每一个样本对象,确定样本对象的原始训练序列数据中各时间节点分别对应的状态信息,基于各时间节点分别对应的状态信息,从原始训练序列数据中提取样本训练序列数据,并确定与样本训练序列数据对应的肾损伤状态标签,其中,状态信息包括脓毒症参考状态和肾损伤参考状态;模型学习单元201,用于根据各样本训练序列数据以及与各样本训练序列数据对应的肾损伤状态标签,对预先构建的肾损伤状态预测网络进行训练,得到肾损伤状态预测模型。
在本实施例中,***还包括模型训练模块20,其中,模型训练模块20中的数据预处理单元200可以获取各样本对象的原始训练序列数据。原始训练序列数据可以包括样本对象从开始入院到出院之间的各种体征数据,每一种体征数据都是时间序列数据。
示例性的,数据预处理单元200可以从电子病历(Electronic Health Record,EHR)***中读取各样本对象的原始训练序列数据;或者,数据预处理单元200可以从MIMIC-III(Medical Information Mart for Intensive Care III)、MIMIC-IV(MedicalInformation Mart for Intensive Care IV)或eICU(eICU Collaborative ResearchDatabase)等数据库中读取各样本对象的原始训练序列数据;或者,数据预处理单元200还可以从SI-AKI数据库中获取各样本对象的原始训练序列数据。
进一步的,数据预处理单元200可以针对每一个样本对象,对样本对象的原始训练序列数据中各时间节点分别对应的状态信息进行确定,其中,状态信息包括脓毒症参考状态和肾损伤参考状态。脓毒症参考状态可以是未发生脓毒症(sepsis3=0)或脓毒症一级(sepsis3=1);肾损伤参考状态可以是未发生急性肾损伤(AKI=0)、急性肾损伤一级(AKI=1)或急性肾损伤二级(AKI=2)。
具体的,数据预处理单元200可以根据sepsis3指南确定原始训练序列数据中各时间节点分别对应的脓毒症参考状态。示例性的,针对每一个时间节点,若在该时间节点之前的24小时内的sofa评分不小于2,且在该时间节点之前的24小时内无疑似感染发生,则可以确定该时间节点对应的脓毒症参考状态为sepsis3=0;若在该时间节点之前的24小时内发生了疑似感染,则可以确定该时间节点对应的脓毒症参考状态为sepsis3=1。
示例性的,参见图2B,图2B展示了一种原始训练序列数据中各时间节点分别对应的脓毒症参考状态。序号pid为30333的样本对象,从入院开始的1小时,神经sofa评分为2,过去24小时内的sofa评分不小于2,且过去24小时无疑似感染发生,则此时可以确定sepsis3=0;从入院开始的17小时,呼吸sofa评分为1,过去24小时内的sofa评分不小于2,且过去24小时发生了疑似感染,则此时可以确定sepsis3=1;从入院开始的26小时,循环sofa评分为2,过去24小时内的sofa评分不小于2,且过去24小时发生了疑似感染,则此时可以确定sepsis3=1;从入院开始的42小时,血液sofa评分为4,过去24小时内的sofa评分不小于2,且过去24小时无疑似感染发生,则此时可以确定sepsis3=0。
具体的,数据预处理单元200可以根据KDIGO指南确定原始训练序列数据中各时间节点分别对应的肾损伤参考状态。示例性的,针对一个时间节点,若该节点的尿量大于预设标准阈值,血肌酐正常,则可以确定肾损伤参考状态为AKI=0;若该节点的尿量小于预设标准阈值,且小于预设标准阈值的持续时长达到预设第一时长,则可以确定肾损伤参考状态为AKI=1;若该节点的尿量小于预设标准阈值的持续时长达到预设第二时长,且血肌酐与预设基础值之间的倍数达到预设倍数阈值,则基于确定肾损伤参考状态为AKI=2。
示例性的,参见图2C,展示了一种原始训练序列数据中各时间节点分别对应的肾损伤参考状态。其中,序号pid为30333的样本对象,从入院开始的6小时,尿量大于0.5ml/kg/h、血肌酐正常,则可以确定AKI=0;从入院开始的8小时,尿量小于0.5ml/kg/h,持续6小时,则可以确定AKI=1;从入院开始的12小时,尿量大于0.5ml/kg/h、血肌酐正常,则可以确定AKI=0;从入院开始的27小时,尿量小于0.5ml/kg/h,持续8小时,且血肌酐升高达基础值的2.4倍,则可以确定AKI=2;从入院开始的40小时,尿量小于0.5ml/kg/h,持续12小时,且血肌酐升高达基础值的2.8倍,则可以确定AKI=2。
进一步的,数据预处理单元200,可以根据原始训练序列数据中各时间节点分别对应的状态信息,从原始训练序列数据中提取出样本训练序列数据,并得到与样本训练序列数据对应的肾损伤状态标签。
示例性的,数据预处理单元200可以根据各时间节点分别对应的状态信息,确定该样本对象从脓毒症发生到急性肾损伤发生的过程,进而提取该过程中数据作为样本训练序列数据,并将急性肾损伤发生时的标签作为肾损伤状态标签。
在一种具体的实施方式中,数据预处理单元200,还用于针对每一个样本对象,将样本对象的原始训练序列数据中的首个脓毒症参考状态为脓毒症发生状态的时间节点确定为第一节点,将位于第一节点之后的首个肾损伤参考状态为肾损伤发生状态的时间节点确定为第二节点,提取原始训练序列数据中第一节点至第二节点的数据作为样本训练序列数据。
其中,第一节点可以是首个sepsis3=1的时间节点;第二节点可以是首个sepsis3=1之后的首个AKI不等于0的时间节点。在确定出第一节点和第二节点后,可以将第一节点与第二节点之间的数据提取出来,得到样本训练序列数据。并且,可以将第二节点对应的肾损伤参考状态确定为肾损伤状态标签。
示例性的,参见图2D,图2D展示了一种样本训练序列数据的抽取示意图,其中,序号pid为30333的样本对象,第一节点为sepsis3=1的节点,第二节点为AKI=2的节点,可以将第一节点至第二节点之间的数据进行抽取,并将AKI=2作为该样本训练序列数据对应的肾损伤状态标签。需要说明的是,第二节点可以是AKI=2,也可以是AKI=1,具体的,其为第一个sepsis3=1的节点之后的第一个AKI不等于0的节点。
通过上述方式,可以从原始训练序列数据中提取样本对象从脓毒症发生到急性肾损伤发生的过程中的相关数据,进而可以根据提取出的数据进行模型训练,避免了不相关数据对模型训练的影响,进一步的提高了模型训练的精度,并且,还可以提高模型训练的效率。
为了进一步的提高模型预测准确度,还可以在进行样本训练序列数据的抽取后,再提取样本对象的其它信息一并作为样本训练序列数据,丰富样本对象的特征。
可选的,数据预处理单元200,还用于基于样本训练序列数据对应的时间信息,获取与样本对象对应的样本参考信息,基于样本参考信息对样本训练序列数据进行更新,其中,样本参考信息包括既往病史信息、检查检验项信息以及用药记录信息。
具体的,样本训练序列数据对应的时间信息可以是第一节点至第二节点。具体的,可以从数据库中提取样本对象从第一节点至第二节点的样本参考信息,进而将样本参考信息一并纳入样本训练序列数据。
当然,样本参考信息还可以包括样本对象的基本信息,如年龄等。若样本参考信息与时间无关,则可以直接提取,若与时间相关,则可以仅提取第一节点至第二节点之间的数据。
通过上述方式,增加了各个样本对象的样本训练序列数据中的特征信息,进一步的提高了模型预测精度。
在得到大量样本对象的样本训练序列数据,以及与各样本训练序列数据分别对应的肾损伤状态标签后,数据预处理单元200可以根据所有样本训练序列数据与肾损伤状态标签,划分出训练数据集与测试数据集。
进一步的,模型学习单元201可以根据训练数据集中的样本训练序列数据与肾损伤状态标签,对预先构建的肾损伤状态预测网络进行训练。其中,肾损伤状态预测网络可以包括时间信息计算模块和空间信息计算模块。
示例性的,模型学习单元201的模型训练过程如下:数据预处理单元200可以将样本训练序列数据输入至肾损伤状态预测网络,基于时间信息计算模块确定时间特征,基于空间信息计算模块确定空间特征,进而根据时间特征和空间特征确定预测标签,根据预测标签和肾损伤状态标签对损失函数进行计算,进而根据损失函数的计算结果,反向调整肾损伤状态预测网络中的参数值,直至满足训练截止条件。其中,训练截止条件可以是迭代次数满足预设次数,损失函数的计算结果小于预设值,或损失函数的计算结果收敛等。在模型学习单元201完成对肾损伤状态预测网络的训练后,可以得到肾损伤状态预测模型。
本实施例提供的***中的肾损伤状态预测网络,通过不断地交互学习时间和空间特征表达,随着网络的深度不断融合时空信息,最终实现目标的高精度预测。最后,将该模型与临床传统评分***和主流的机器或深度学习算法进行比较,从模型分类性能、校准度和重分类指数等常用检验指标进行多方面的对比评估,充分验证了本实施例训练出的模型的优越性和普适性。通过多数据来源来验证模型的泛化性,通过深度学习技术挖掘数据中的隐藏信息;并且,从时空联合尺度对网络进行训练,可以发现一些新的具有预测价值的变量,为临床的标志物寻找等工作提供额外的灵感,为临床诊疗提供新的可能。
在本实施例中,为了进一步提高训练出的肾损伤状态预测模型的分类准确度,还可以在基于各样本训练序列数据进行模型训练之前,按照样本训练序列数据中各参数之间的相关性,重新对样本训练序列数据中的各参数的时间序列进行排序,以使相关性较强的参数彼此相邻,进而使得排序后的样本训练序列数据中参数间全局相关性最大化。
可选的,模型学习单元201,还用于针对每一个样本训练序列数据,根据样本训练序列数据中各参数之间的特征相关性,得到样本训练序列数据对应的特征相关矩阵,基于特征相关矩阵对样本训练序列数据中的各参数进行排序,得到样本训练序列数据对应的特征合成图像,根据各特征合成图像以及与各特征合成图像对应的肾损伤状态标签,对预先构建的肾损伤状态预测网络进行训练,得到肾损伤状态预测模型。
其中,特征相关矩阵包括任意两个参数之间的特征相关性,特征相关性可以通过计算相关系数的方式得到。具体的,可以针对样本训练序列数据中的任意两个参数,根据两个参数的时间序列,计算两个参数之间的特征相关性。
进一步的,可以通过特征相关矩阵对样本训练序列数据中的各参数进行排序,将排序后的样本训练序列数据作为特征合成图像。示例性的,若将样本训练序列数据视为一个矩阵,矩阵中的每一行代表一个参数的时间序列,则可以根据对特征相关矩阵对该矩阵中的行进行重排序,进而将排序后的矩阵作为特征合成图像。
进一步的,可以将各特征合成图像以及与各特征合成图像对应的肾损伤状态标签,作为训练数据,对预先构建的肾损伤状态预测网络进行训练。示例性的,参见图2E,图2E展示了一种特征合成图像的确定过程示意图。首先,计算各个样本训练序列数据的特征相关矩阵M,进一步的,根据特征相关矩阵M中各个值的大小,对特征相关矩阵M进行排序,得到特征重排序矩阵O,进一步的,根据特征重排序矩阵O对样本训练序列数据进行重排序,得到特征合成图像F(x),进而基于各个F(x)进行深度学习,并根据学习到的特征进行分类,得到预测标签。
需要说明的是,如果在模型训练过程中确定了样本训练序列数据对应的特征合成图像,相应的,在模型的预测过程中,也需要确定待预测序列数据对应的特征合成图像,进而将待预测序列数据对应的特征合成图像输入至肾损伤状态预测模型,得到肾损伤状态预测结果。
通过上述方式,设计了一种基于参数间彼此相关性的排序方法,确保相关性较强的参数彼此相邻,使得排序后的参数间全局相关性最大化,并且,通过使用特征重排序矩阵,能够创建一个特征合成图像来表示每个实例(即样本训练序列数据),由于所构造的特征合成图像保留了原始的特征值和相关性,因此,可以应用于诸如CNN(ConvolutionalNeural Networks,卷积神经网络)等肾损伤状态预测网络,来学习有效的特征进行分类,进一步的提高了模型预测准确性。
需要说明的是,考虑到在从原始训练序列数据中提取样本训练序列数据之前,原始训练序列数据中可能存在异常值或缺失值,因此,数据预处理单元200还可以对原始训练序列数据进行预处理,以避免原始训练序列数据中的异常值或缺失值对训练结果的影响。
在一种可选的实施方式中,在从原始训练序列数据中提取样本训练序列数据之前,数据预处理单元200,还用于执行以下操作中的至少一种:
针对每一个样本对象,基于预设时间窗口将样本对象的原始训练序列数据划分为各待聚合序列数据,基于各待聚合序列数据的均值对各待聚合序列数据进行更新;
针对每一个样本对象,确定样本对象的原始训练序列数据对应的箱线图,基于箱线图确定原始训练序列数据中的异常数据,根据箱线图的上限值或下限值对异常数据进行替换处理;
针对每一个样本对象,确定样本对象的原始训练序列数据中的缺失数据,基于原始训练序列数据中与缺失数据相邻的其它数据,对缺失数据进行填充处理。
在上述过程中,预设时间窗口可以是预先设置的用于进行平均聚合的时间窗口,如,30分钟、1小时等。具体的,可以将原始训练序列数据划分为长度等于预设时间窗口的各个待聚合序列数据,进一步的,针对每一个待聚合序列数据,基于待聚合序列数据的均值对该待聚合序列数据进行更新,以实现对原始训练序列数据的平均聚合。通过对原始训练序列数据进行平均聚合,可以降低原始训练序列数据中的异常值的影响,进而提高了训练出的模型的预测精度。
在上述过程中,可以根据原始训练序列数据绘制出对应的箱线图;其中,箱线图可以包括上限值和下限值,可以将位于上限值之上的值,以及将位于下限值之下的值作为异常数据,对于位于上限值之上的异常数据,可以采用上限值进行代替,对于位于下限值之下的异常数据,可以采用下限值进行代替。通过箱线图对异常值进行处理,降低了原始训练序列数据中的异常值的影响,进而提高了训练出的模型的预测精度。
在上述过程中,缺失数据可以是空白数据。具体的,可以先采用位于缺失数据之后的相邻数据,对缺失数据进行填充,若填充失败,则可以继续采用位于缺失数据之前的相邻数据,对缺失数据进行填充,以实现先后沿再前沿的缺失处理。通过对缺失数据进行填充,降低了原始训练序列数据中的异常值的影响,进而提高了训练出的模型的预测精度。
需要说明的是,若在模型训练之前,对原始训练序列数据采用了上述预处理过程,则相应的,也需要在模型预测之前,对待预测序列数据执行上述预处理步骤。如,基于预设时间窗口将待预测序列数据划分为各待聚合序列数据,根据各待聚合序列数据的均值对各待聚合序列数据进行更新;或,确定待预测序列数据对应的箱线图,基于箱线图确定待预测序列数据中的异常数据,根据箱线图的上限值或下限值对异常数据进行替换处理;或,确定待预测序列数据中的缺失数据,基于待预测序列数据中与缺失数据相邻的其它数据,对缺失数据进行填充处理。
本实施例提供的针对脓毒症患者的急性肾损伤预测***,通过设置模型训练模块,根据模型训练模块中的数据预处理单元,获取各原始训练序列数据,并根据各时间节点的状态信息,从原始训练序列数据中提取出样本训练序列数据,进一步的,通过模型训练单元对预先构建的肾损伤状态预测网络进行训练,得到肾损伤状态预测模型,避免了与发生脓毒症和急性肾损伤无关的数据对模型训练结果的影响,提高了训练出的模型的分类精度。
实施例三
图3A是本发明实施例三提供的一种针对脓毒症患者的急性肾损伤预测***的结构示意图。本实施例在上述各实施方式的基础上,增加了决策可视化模块,其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3A,本实施例提供的针对脓毒症患者的急性肾损伤预测***包括模型训练模块30、数据获取模块31、模型载入模块32、结果展示模块33以及决策可视化模块34,模型训练模块30包括数据预处理单元300和模型学习单元301。
其中,决策可视化模块34,用于在模型学习单元301对肾损伤状态预测网络进行训练的过程中,基于梯度加权类激活映射算法,对肾损伤状态预测网络中的各权值进行可视化展示。
具体的,考虑到在医学领域,临床医生认为机器缺乏基本推理的清晰度和支持因素,不接受机器生成的建议,因此,对可解释模型的需求正在增加。深度学习模型由多层网络和大量参数实现特征的自动提取,导致深层的特征难以被人类所理解,所以,可以对模型决策进行可视化解释和展示来提高结果的可信度。
在本实施例中,为了更好的理解时间信息计算模块和空间信息计算模块中卷积提取的关键特征,可以采用梯度加权类激活映射(Gradient-weighted Class ActivationMapping,Grad-CAM)算法,对该过程进行可视化展示,以便用户更好地了解模型决策过程。
具体的,可以通过梯度加权类激活映射算法,使用流入网络决策层的梯度信息,为每个神经元分配重要值,从而能够进行特定的决策关注。
并且,在上述基于相关性进行重排序的实施方式下,新转换得到的特征格式保留了特征间的空间相似性,从而能够通过Grad-CAM发现特征间的相互作用效应,为临床诊断AKI提供新的见解。
本实施例提供的针对脓毒症患者的急性肾损伤预测***,可以通过设置决策可视化模块,对模型训练过程中的各个权值进行可视化展示,实现了对模型决策的可视化解释,便于用户了解模型中的决策,提高了模型的可信度。
在一种可选的实施方式中,本实施例提供的***还可以包括数据接口和数据库处理模块中的至少一种,其中;数据接口,用于接收用户输入端发送的各样本对象的原始训练序列数据;数据库处理模块,用于从各脓毒症肾损伤数据库中,提取各样本对象的原始训练序列数据。
具体的,数据接口可以接收用户输入端发送的各样本对象的原始训练序列数据,以根据用户输入端传输的数据进行模型训练,实现用户对模型的自主训练。
或者,数据接口还可以向用户输入端发送模型训练模块训练出的肾损伤状态预测模型,即向用户输入端提供已训练的模型,用户可以根据已训练好的模型进行实测。或者,数据接口还可以向用户输入端发送数据预处理单元处理得到的各样本训练序列数据和对应的肾损伤状态标签,以使用户可以根据该数据进行模型的测试。
除了通过数据接口获取用户传入的原始训练序列数据之外,还可以通过数据库处理模块得到原始训练序列数据。具体的,数据库处理模块,可以从各脓毒症肾损伤数据库中,提取出各样本对象的原始训练序列数据,以便于进行模型训练。
示例性的,参见图3B,图3B提供了一种针对脓毒症患者的急性肾损伤预测***的结构示意图,其中,该***包括多来源数据库、SI-AKI数据库、模型训练模块、决策可视化模块、数据获取模块、模型载入模块、结果展示模块、数据接口以及可视化面板。
其中,可以根据多来源数据库获取各对象的数据,并从中提取SI-AKI对象的数据存放至SI-AKI数据库中。进一步,模型训练模块可以从SI-AKI数据库中,获取各样本对象的原始训练序列数据,并提取出各样本训练序列数据,用于进行模型训练。决策可视化模块可以对模型训练过程中的权重进行解释。
在模型训练完成后,模型载入模块可以对训练好的肾损伤状态预测模型进行加载,数据获取模块通过数据接口获取目标对象的待预测序列数据,通过结果展示模块,确定肾损伤状态预测结果并在预设界面上进行展示。
可视化面板可以对多来源数据库或SI-AKI数据库中的数据进行统计,如生成图表等,还可以在模型训练完成后,展示模型在测试集上的预测准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (9)
1.一种针对脓毒症患者的急性肾损伤预测***,其特征在于,所述***包括数据获取模块、模型载入模块以及结果展示模块,其中;
所述数据获取模块,用于获取目标对象的待预测序列数据;
所述模型载入模块,用于获取预先训练的肾损伤状态预测模型,其中,所述肾损伤状态预测模型包括时间信息计算模块和空间信息计算模块;
所述结果展示模块,用于将所述待预测序列数据输入至所述肾损伤状态预测模型,基于所述时间信息计算模块确定所述待预测序列数据中各参数的时间序列分别对应的时间特征,基于所述空间信息计算模块,确定所述待预测序列数据中各参数之间的空间特征,根据所述时间特征以及所述空间特征确定所述目标对象对应的肾损伤状态预测结果,于预设界面展示所述肾损伤状态预测结果;
其中,所述肾损伤状态预测模型还包括特征增强模块、全局平均池化层以及全连接层;
所述结果展示模块,还用于基于所述特征增强模块分别对所述时间特征和所述空间特征进行增强处理,基于增强处理结果更新所述时间特征和所述空间特征,基于所述全局平均池化层分别确定所述时间特征对应的时间向量以及所述空间特征对应的空间向量,根据所述时间向量、所述空间向量以及所述全连接层,确定所述目标对象对应的肾损伤状态预测结果。
2.根据权利要求1所述的***,其特征在于,所述结果展示模块,还用于获取所述目标对象在当前时刻之前的各历史时刻的历史预测结果,基于各所述历史预测结果、所述时间向量、所述空间向量以及所述全连接层,确定所述目标对象对应的肾损伤状态预测结果。
3.根据权利要求1所述的***,其特征在于,所述***还包括模型训练模块,所述模型训练模块包括数据预处理单元和模型学习单元,其中;
所述数据预处理单元,用于获取各样本对象的原始训练序列数据,针对每一个所述样本对象,确定所述样本对象的原始训练序列数据中各时间节点分别对应的状态信息,基于各所述时间节点分别对应的状态信息,从所述原始训练序列数据中提取样本训练序列数据,并确定与所述样本训练序列数据对应的肾损伤状态标签,其中,所述状态信息包括脓毒症参考状态和肾损伤参考状态;
所述模型学习单元,用于根据各所述样本训练序列数据以及与各所述样本训练序列数据对应的肾损伤状态标签,对预先构建的肾损伤状态预测网络进行训练,得到所述肾损伤状态预测模型。
4.根据权利要求3所述的***,其特征在于,所述数据预处理单元,还用于针对每一个所述样本对象,将所述样本对象的原始训练序列数据中的首个脓毒症参考状态为脓毒症发生状态的时间节点确定为第一节点,将位于所述第一节点之后的首个肾损伤参考状态为肾损伤发生状态的时间节点确定为第二节点,提取所述原始训练序列数据中所述第一节点至所述第二节点的数据作为样本训练序列数据。
5.根据权利要求3所述的***,其特征在于,所述数据预处理单元,还用于执行以下操作中的至少一种:
针对每一个所述样本对象,基于预设时间窗口将所述样本对象的原始训练序列数据划分为各待聚合序列数据,基于各所述待聚合序列数据的均值对各所述待聚合序列数据进行更新;
针对每一个所述样本对象,确定所述样本对象的原始训练序列数据对应的箱线图,基于所述箱线图确定所述原始训练序列数据中的异常数据,根据所述箱线图的上限值或下限值对所述异常数据进行替换处理;
针对每一个所述样本对象,确定所述样本对象的原始训练序列数据中的缺失数据,基于所述原始训练序列数据中与所述缺失数据相邻的其它数据,对所述缺失数据进行填充处理。
6.根据权利要求3所述的***,其特征在于,所述数据预处理单元,还用于基于所述样本训练序列数据对应的时间信息,获取与所述样本对象对应的样本参考信息,基于所述样本参考信息对所述样本训练序列数据进行更新,其中,所述样本参考信息包括既往病史信息、检查检验项信息以及用药记录信息。
7.根据权利要求3所述的***,其特征在于,所述模型学习单元,还用于针对每一个所述样本训练序列数据,根据所述样本训练序列数据中各参数之间的特征相关性,得到所述样本训练序列数据对应的特征相关矩阵,基于所述特征相关矩阵对所述样本训练序列数据中的各参数进行排序,得到所述样本训练序列数据对应的特征合成图像,根据各所述特征合成图像以及与各所述特征合成图像对应的肾损伤状态标签,对预先构建的肾损伤状态预测网络进行训练,得到所述肾损伤状态预测模型。
8.根据权利要求3所述的***,其特征在于所述***还包括决策可视化模块,所述决策可视化模块,用于在所述模型学习单元对所述肾损伤状态预测网络进行训练的过程中,基于梯度加权类激活映射算法,对所述肾损伤状态预测网络中的各权值进行可视化展示。
9.根据权利要求3所述的***,所述***还包括数据接口和数据库处理模块中的至少一种,其中;
所述数据接口,用于接收用户输入端发送的各样本对象的原始训练序列数据;
所述数据库处理模块,用于从各脓毒症肾损伤数据库中,提取各样本对象的原始训练序列数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211166438.8A CN115458158B (zh) | 2022-09-23 | 2022-09-23 | 一种针对脓毒症患者的急性肾损伤预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211166438.8A CN115458158B (zh) | 2022-09-23 | 2022-09-23 | 一种针对脓毒症患者的急性肾损伤预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115458158A CN115458158A (zh) | 2022-12-09 |
CN115458158B true CN115458158B (zh) | 2023-09-15 |
Family
ID=84307422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211166438.8A Active CN115458158B (zh) | 2022-09-23 | 2022-09-23 | 一种针对脓毒症患者的急性肾损伤预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115458158B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189906B (zh) * | 2023-04-28 | 2023-07-14 | 江苏未来网络集团有限公司 | 脓毒症实时预警的神经网络模型、方法和电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101846951B1 (ko) * | 2017-02-22 | 2018-04-09 | 주식회사 씨씨앤아이리서치 | Copd 급성 악화 예측용 애플리케이션 |
CN107976547A (zh) * | 2013-01-17 | 2018-05-01 | 阿斯图特医药公司 | 用于肾损伤和肾衰竭的诊断及预后的方法和组合物 |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
CN112259227A (zh) * | 2020-10-29 | 2021-01-22 | 中国医学科学院北京协和医院 | 一种评估sle病人心肌受累的量化指标的计算方法和*** |
WO2021140997A1 (ja) * | 2020-01-09 | 2021-07-15 | テルモ株式会社 | 予測表示システム及び治療方法 |
CN113409945A (zh) * | 2021-07-02 | 2021-09-17 | 上海市第一人民医院 | 一种可预测脓毒症急性肾损伤的模型 |
WO2021203796A1 (zh) * | 2020-04-09 | 2021-10-14 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测*** |
CN113674862A (zh) * | 2021-07-08 | 2021-11-19 | 中国科学院国家空间科学中心 | 一种基于机器学习的急性肾功能损伤发病预测方法 |
WO2022011616A1 (zh) * | 2020-07-15 | 2022-01-20 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及*** |
CN114038570A (zh) * | 2021-11-25 | 2022-02-11 | 中南大学湘雅医院 | 脓毒症相关急性肾损伤患者死亡预测方法、***、设备及介质 |
CN114255878A (zh) * | 2021-12-07 | 2022-03-29 | 广东省人民医院 | 一种疾病分型模型的训练方法、***、装置及存储介质 |
WO2022074300A1 (en) * | 2020-10-09 | 2022-04-14 | Datahammer Oy | Training of computerized model and detection of a life-threatening condition using the trained computerized model |
CN115049069A (zh) * | 2022-06-01 | 2022-09-13 | 东南大学 | 一种可视化交互式的脓毒症早期智能预警方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037244A1 (en) * | 2018-08-17 | 2020-02-20 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Use of machine learning models for prediction of clinical outcomes |
US11302446B2 (en) * | 2018-11-13 | 2022-04-12 | Google Llc | Prediction of future adverse health events using neural networks by pre-processing input sequences to include presence features |
US20210213190A1 (en) * | 2020-01-09 | 2021-07-15 | Terumo Kabushiki Kaisha | Prediction display system and treatment method |
US20210398677A1 (en) * | 2020-06-23 | 2021-12-23 | Koninklijke Philips N.V. | Predicting changes in medical conditions using machine learning models |
-
2022
- 2022-09-23 CN CN202211166438.8A patent/CN115458158B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107976547A (zh) * | 2013-01-17 | 2018-05-01 | 阿斯图特医药公司 | 用于肾损伤和肾衰竭的诊断及预后的方法和组合物 |
KR101846951B1 (ko) * | 2017-02-22 | 2018-04-09 | 주식회사 씨씨앤아이리서치 | Copd 급성 악화 예측용 애플리케이션 |
WO2021140997A1 (ja) * | 2020-01-09 | 2021-07-15 | テルモ株式会社 | 予測表示システム及び治療方法 |
WO2021203796A1 (zh) * | 2020-04-09 | 2021-10-14 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测*** |
CN111508604A (zh) * | 2020-04-20 | 2020-08-07 | 深圳大学 | 一种急性肾损伤患者死亡率预测方法、服务器及存储介质 |
WO2022011616A1 (zh) * | 2020-07-15 | 2022-01-20 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及*** |
WO2022074300A1 (en) * | 2020-10-09 | 2022-04-14 | Datahammer Oy | Training of computerized model and detection of a life-threatening condition using the trained computerized model |
CN112259227A (zh) * | 2020-10-29 | 2021-01-22 | 中国医学科学院北京协和医院 | 一种评估sle病人心肌受累的量化指标的计算方法和*** |
CN113409945A (zh) * | 2021-07-02 | 2021-09-17 | 上海市第一人民医院 | 一种可预测脓毒症急性肾损伤的模型 |
CN113674862A (zh) * | 2021-07-08 | 2021-11-19 | 中国科学院国家空间科学中心 | 一种基于机器学习的急性肾功能损伤发病预测方法 |
CN114038570A (zh) * | 2021-11-25 | 2022-02-11 | 中南大学湘雅医院 | 脓毒症相关急性肾损伤患者死亡预测方法、***、设备及介质 |
CN114255878A (zh) * | 2021-12-07 | 2022-03-29 | 广东省人民医院 | 一种疾病分型模型的训练方法、***、装置及存储介质 |
CN115049069A (zh) * | 2022-06-01 | 2022-09-13 | 东南大学 | 一种可视化交互式的脓毒症早期智能预警方法 |
Non-Patent Citations (3)
Title |
---|
The predict value of serum/urocystatin C on acute kidney injury in elderly patients with sepsis;Zhixiang BianRui ZhuShunjie Chen;Experimental Gerontology;第1-4页 * |
信息科技.2021,(第2021年第06期),第17-47页. * |
宋胜男.基于深度学习的透析液辅助决策方法研究.CNKI硕士学位论文全文库,医药卫生科技 * |
Also Published As
Publication number | Publication date |
---|---|
CN115458158A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240203599A1 (en) | Method and system of for predicting disease risk based on multimodal fusion | |
Ming et al. | ProtoSteer: Steering deep sequence model with prototypes | |
CN111584021B (zh) | 病案信息校验方法、装置、电子设备及存储介质 | |
CN105868526B (zh) | 基于鲁棒张量保持的儿童社区获得性肺炎数据处理***及方法 | |
CN117253614B (zh) | 基于大数据分析的糖尿病风险预警方法 | |
WO2015148304A1 (en) | Method and system for large scale data curation | |
JP5327415B1 (ja) | 判別モデル学習装置、判別モデル学習方法および判別モデル学習プログラム | |
JP6052187B2 (ja) | 最適クエリ生成装置、最適クエリ抽出方法および判別モデル学習方法 | |
KR102075743B1 (ko) | 신체 성장 예측 모델링 장치 및 방법 | |
CN115458158B (zh) | 一种针对脓毒症患者的急性肾损伤预测*** | |
CN107292103A (zh) | 一种预测图像生成方法及装置 | |
CN112489740A (zh) | 病历检测方法及相关模型的训练方法和相关设备、装置 | |
CN117034143B (zh) | 一种基于机器学习的分布式***故障诊断方法及装置 | |
CN111951965A (zh) | 基于时序知识图谱的全景式健康动态监测与预测*** | |
CN116598014A (zh) | 基于图注意力机制和语言大模型的医疗缺失数据补全方法 | |
CN108604463A (zh) | 认知患者护理事件重建 | |
CN117612703A (zh) | 一种基于医学检验指标的糖尿病视网膜病变分类方法 | |
Baghaei et al. | Sepsis prediction: an attention-based interpretable approach | |
CN116959715A (zh) | 一种基于时序演进过程解释的疾病预后预测*** | |
Côté et al. | Data cleaning and machine learning: a systematic literature review | |
Rethmeier et al. | EffiCare: better prognostic models via resource-efficient health embeddings | |
US20150347695A1 (en) | Physician attribution for inpatient care | |
Khaneja et al. | Analysing risk of coronary heart disease through discriminative neural networks | |
US20240135736A1 (en) | Clinical support system and associated computer-implemented methods | |
Kluwak et al. | Gait classification using LSTM networks for tagging system |
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 |