CN115602321A - 早产儿picc导管继发性移位风险预测方法和*** - Google Patents

早产儿picc导管继发性移位风险预测方法和*** Download PDF

Info

Publication number
CN115602321A
CN115602321A CN202111597948.6A CN202111597948A CN115602321A CN 115602321 A CN115602321 A CN 115602321A CN 202111597948 A CN202111597948 A CN 202111597948A CN 115602321 A CN115602321 A CN 115602321A
Authority
CN
China
Prior art keywords
risk prediction
prediction model
risk
displacement
data
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
CN202111597948.6A
Other languages
English (en)
Inventor
王锟
赵晨静
解硕
屈炎伟
唐文涛
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.)
Zhengzhou University Third Affiliated Hospital Henan Maternity and Child Health Care Hospital
Original Assignee
Zhengzhou University Third Affiliated Hospital Henan Maternity and Child Health Care Hospital
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 Zhengzhou University Third Affiliated Hospital Henan Maternity and Child Health Care Hospital filed Critical Zhengzhou University Third Affiliated Hospital Henan Maternity and Child Health Care Hospital
Priority to CN202111597948.6A priority Critical patent/CN115602321A/zh
Publication of CN115602321A publication Critical patent/CN115602321A/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
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供一种早产儿PICC导管继发性移位风险预测方法、***、存储介质和电子设备，涉及医疗器械技术领域。本发明中采用随机森林分类器、Adaboost算法和SVM分类器三种机器学习方法，分别构建第一、第二和第三继发性移位风险预测模型，基于各个模型的风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型，进而获取待测早生儿置入PICC导管后发生继发性移位风险的预测结果；能够精准高效识别继发性移位早生儿患者，指导临床医务工作人员提前采取治疗或护理措施对发生移位患者进行干预，降低由于PICC导管继发性移位而产生的各种并发症，不仅减少了对早产儿的危害，还保障了早产儿治疗及护理工作有序进行。

Description

早产儿PICC导管继发性移位风险预测方法和***
技术领域
本发明涉及于医疗器械技术领域，具体涉及一种早产儿PICC导管继发性移位风险预测方法、***、存储介质和电子设备。
背景技术
早产儿各器官、***发育尚未成熟，无法依靠自身从外界获得足够营养，需要来自外界的营养支持。随着围产医学和护理技术的不断发展，经外周静脉置入中心静脉导管的PICC作为目前新生儿科应用较为广泛的静疗通路，且具有安全性高、可长期留置等优点，不仅减少了反复静脉穿刺给患儿带来的痛苦，并对保护患儿血管有重要价值。
导管继发性移位是导致早产儿PICC并发症的最主要原因，极易导致静脉炎、导管堵塞及静脉血栓等并发症的发生，还可能会引起心律失常、血管穿孔、脑神经受损及心脏压塞等较为严重的并发症以及胸膜腔渗出甚至心包积液等，如果不能进行风险的***并给予早期干预，极有可能危及早产儿的生命。为了避免PICC导管继发性移位导致的并发症对早产儿的伤害，有必要在早产儿PICC使用期间进行导管移位风险预测。
目前，临床上通过X线胸片定位、移位检测装置等方法，对早产儿PICC导管位置进行判定，但高频次的X线摄片带来的射线暴露问题不容忽视；检测装置由于存在大量连接设备、液体易泄漏等问题，也不适用于早产儿的导管移位检测。鉴于此，有必要提供一种更方便的早产儿PICC导管继发性移位风险预测技术方案。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种早产儿PICC导管继发性移位风险预测方法、***、存储介质和电子设备，解决了现有移位风险预测过程不便捷的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种早产儿PICC导管继发性移位风险预测方法，包括：
收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；
根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
优选的，所述采用随机森林分类器构建第一继发性移位风险预测模型，具体包括：
S21、将预处理后的历史临床数据样本分为第一训练集和第一验证集两部分，且在所述第一训练集和第一验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
S22、采用Bootstrap采样方法从所述第一训练集选出采样样本，并去重；
S23、根据去重后的采样样本，从所述第一类特征数据和第二类特征数据随机选择若干特征数据，再从选择的若干特征数据中选择最佳分割特征作为节点构建一棵决策树；
S24、重复执行步骤S22和S23，获取多棵决策树，多棵所述决策树共同构成随机森林；
S25、根据所述随机森林，通过多数投票法决定每一个早产儿所述类别，获取所述第一继发性移位风险预测模型；
S26、根据所述第一验证集，获取所述第一继发性移位风险预测模型的第一风险预测准确率。
优选的，所述采用Adaboost算法构建第二继发性移位风险预测模型，具体包括：
S31、将预处理后的历史临床数据样本分为第二训练集和第二验证集两部分，且在所述第二训练集和第二验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
S32、初始化所述第二训练集的权值分布；
S33、根据权值分布的所述第二训练集，获取基本分类器；
S34、计算所述基本分类器在所述第二训练集上的分类误差；
S35、根据所述分类误差，获取所述基本分类器的权重系数，并更新所述第二训练集的权值分布；
S36、构建多个所述基本分类器的线性组合，获取所述第二继发性移位风险预测模型；
S37、根据所述第二验证集，获取所述第二继发性移位风险预测模型的第二风险预测准确率。
优选的，所述采用SVM分类器构建第三继发性移位风险预测模型，具体包括：
S41、将预处理后的历史临床数据样本分为第三训练集和第三验证集两部分，且在所述第三训练集和第三验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
S42、根据所述第二训练集，采用SVM软间隔构建目标函数；
S43、根据所述目标函数，更新模型参数，获取所述第三继发性移位风险预测模型；
S44、根据所述第三验证集，获取所述第三继发性移位风险预测模型的第三风险预测准确率。
优选的，所述获取最终的风险预测模型，具体包括：
根据所述第一风险预测准确率、第二风险预测准确率和第三风险预测准确率，将所述第一、第二和第三继发性移位风险预测模型进行加权求和进行线性融合；
Figure BDA0003430923150000051
其中，P为最终的风险预测模型；p1、p2、p3分别为第一、第二和第三风险预测准确率；Rrf、Rada、Rsvm分别为所述第一、第二和第三继发性移位风险预测模型的预测结果，所述预测结果取1或者0；ε＝1*10-5为松弛因子。
优选的，所述第一类特征数据包括胎龄、出生体重、置管时体重、置管时日龄、内置长度和外露长度对应的数据；
所述第二类特征数据包括性别、置管部位、尖端是否最佳位置、血液是否回流、是否采用镇定措施、是否卧床、冲管是否有压力和血管选择对应的数据；
优选的，所述预处理过程包括数据清洗；
对于每个早生儿的所述第一类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的该第一类特征数据直接删除；取样本中其他早生儿的该第一类特征数据对应特征值的均值，并将此均值作为填充值；
对于每个早生儿的所述第二类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的该第二类特征数据直接删除；从样本中其他早生儿的该第二类特征数据对应特征值进行随机抽样，并将抽样得到的值作为填充值。
所述预处理过程还包括将数据清洗后的所述第一类特征数据进行归一化处理，以及进行无量纲化。
一种早产儿PICC导管继发性移位风险预测***，包括：
预处理模块，收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
第一构建模块，用于根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
第二构建模块，用于根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
第三构建模块，用于根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
融合模块，用于基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；
预测模块，用于根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
一种存储介质，其存储有用于早产儿PICC导管继发性移位风险预测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的早产儿PICC导管继发性移位风险预测方法。
一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的早产儿PICC导管继发性移位风险预测方法。
(三)有益效果
本发明提供了一种早产儿PICC导管继发性移位风险预测方法、***、存储介质和电子设备。与现有技术相比，具备以下有益效果：
本发明中采用随机森林分类器、Adaboost算法和SVM分类器三种机器学习方法，分别构建第一、第二和第三继发性移位风险预测模型，基于各个模型的风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型，进而获取待测早生儿置入PICC导管后发生继发性移位风险的预测结果；能够精准高效识别继发性移位早生儿患者，指导临床医务工作人员提前采取治疗或护理措施对发生移位患者进行干预，降低由于PICC导管继发性移位而产生的各种并发症，不仅减少了对早产儿的危害，还保障了早产儿治疗及护理工作有序进行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，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早产儿PICC导管继发性移位风险预测方法的流程示意图；
图2为本发明实施例提供的一种早产儿PICC导管继发性移位风险预测***的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本申请实施例通过提供一种早产儿PICC导管继发性移位风险预测方法、***、存储介质和电子设备，解决了现有移位风险预测过程不便捷的技术问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例中提供的早产儿PICC导管继发性移位风险预测方案，主要应用于但不限于预测早产儿PICC导管继发性移位场景。
具体而言，其采用随机森林分类器、Adaboost算法和SVM分类器三种机器学习方法，分别构建第一、第二和第三继发性移位风险预测模型，基于各个模型的风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型，进而获取待测早生儿置入PICC导管后发生继发性移位风险的预测结果；能够精准高效识别继发性移位早生儿患者，指导临床医务工作人员提前采取治疗或护理措施对发生移位患者进行干预，降低由于PICC导管继发性移位而产生的各种并发症，不仅减少了对早产儿的危害，还保障了早产儿治疗及护理工作有序进行。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例：
第一方面，如图1所示，本发明实施例提供了一种早产儿PICC导管继发性移位风险预测方法，包括：
S1、收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
S2、根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
S3、根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
S4、根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
S5、基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；
S6、根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
本发明实施例能够精准高效识别继发性移位早生儿患者，指导临床医务工作人员提前采取治疗或护理措施对发生移位患者进行干预，降低由于PICC导管继发性移位而产生的各种并发症，不仅减少了对早产儿的危害，还保障了早产儿治疗及护理工作有序进行。
下面将结合具体内容详细介绍上述技术方案的各个步骤：
S1、收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据。
对于早生儿PICC导管发生继发性移位或者未发生移位两种类别，本发明实施例自临床医学数据中各收集400组历史临床数据。
所述第一类特征数据包括胎龄、出生体重、置管时体重、置管时日龄、内置长度和外露长度对应的数据；
所述第二类特征数据包括性别、置管部位、尖端是否最佳位置、血液是否回流、是否采用镇定措施、是否卧床、冲管是否有压力和血管选择对应的数据。
由于样本数据来源于临床医学数据，可能存在数据存在缺失等问题，且由于进行早产儿PICC导管继发性移位风险预测时，由于人工录入患者信息的缘故容易导致部分特征缺失。因此本发明实施例针对不同的特征采用不同的缺失值填补方式。对于连续性特征采用均值方法进行填充，对于离散型特征采用随机抽样方法进行数据填充。一方面可以避免特征数据的缺失对预测准确度的影响，另一方面可以更加准确的根据数据本身的分布来给出可能的缺失值，使得不同类型的特征不会因为填补方式而导致其分布改变；具体而言：
(1)对于每个早生儿的所述第一类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的该第一类特征数据直接删除；取样本中其他早生儿的该第一类特征数据对应特征值的均值，并将此均值作为填充值；
(2)对于每个早生儿的所述第二类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的该第二类特征数据直接删除；从样本中其他早生儿的该第二类特征数据对应特征值进行随机抽样，并将抽样得到的值作为填充值。
所述预处理过程还包括将数据清洗后的所述第一类特征数据进行归一化处理，以及进行无量纲化，便于不同单位或量级的特征进行加权比较。
S2、根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；具体包括：
S21、将预处理后的历史临床数据样本分为第一训练集和第一验证集两部分，且在所述第一训练集和第一验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0。
其中，为了避免数据不均衡问题，从发生及未发生移位的历史临床数据样本中各随机取300例用于训练，构成第一训练集train_x1；剩下的样本为验证集，构成第一验证集valid_x1。
S22、采用Bootstrap采样方法从所述第一训练集选出采样样本，并去重。
从共600例的第一训练集中，采用Bootstrap采样(即有放回采样)，选出600例样本，对此600例样本进行去重，最终得到n例样本
S23、根据去重后的采样样本，从所述第一类特征数据和第二类特征数据随机选择若干特征数据，再从选择的若干特征数据中选择最佳分割特征作为节点构建一棵决策树。
S24、重复执行步骤S22和S23，获取多棵决策树，多棵所述决策树共同构成随机森林。
重复执行m1次S22和S23，共获取m1棵决策树；此m1棵决策树共同构成随机森林。
S25、根据所述随机森林，通过多数投票法决定每一个早产儿所述类别(即决定去重后的采样样本中PICC导管是否发生继发性移位)，获取所述第一继发性移位风险预测模型。
S26、根据所述第一验证集，获取所述第一继发性移位风险预测模型的第一风险预测准确率
Figure BDA0003430923150000131
其中T1为所述第一继发性移位风险预测模型正确预测发生移位的样本数量。
S3、根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；具体包括：
S31、将预处理后的历史临床数据样本分为第二训练集和第二验证集两部分，且在所述第二训练集和第二验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0。
其中，为了避免数据不均衡问题，从发生及未发生移位的历史临床数据样本中各随机取300例用于训练，构成第二训练集train_x2；剩下的样本为验证集，构成第二验证集valid_x2。
S32、初始化所述第二训练集的权值分布D1＝(w1,1,w1,2,...,w1,i),
Figure BDA0003430923150000132
S33、根据权值分布Dm的所述第二训练集，获取基本分类器Gm(x):x→{0,1}；
S34、计算所述基本分类器Gm(x)在所述第二训练集上的分类误差；
Figure BDA0003430923150000141
S35、根据所述分类误差∈m，获取所述基本分类器Gm(x)的权重系数，并更新所述第二训练集的权值分布；
Dm+1＝(wm+1,1,wm+1,2,...,wm+1,i)
Figure BDA0003430923150000142
Figure BDA0003430923150000143
其中，Zm为规范化因子。
S36、构建多个所述基本分类器的线性组合，获取所述第二继发性移位风险预测模型G(x)。
G(x)＝sign(f(x))
Figure BDA0003430923150000144
其中，M为需要构建的基分类器个数。
S37、根据所述第二验证集，获取所述第二继发性移位风险预测模型的第二风险预测准确率
Figure BDA0003430923150000145
其中T2为所述第二继发性移位风险预测模型正确预测发生移位的样本数量。
S4、根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；具体包括：
S41、将预处理后的历史临床数据样本分为第三训练集和第三验证集两部分，且在所述第三训练集和第三验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0。
其中，为了避免数据不均衡问题，从发生及未发生移位的历史临床数据样本中各随机取300例用于训练，构成第三训练集train_x3；剩下的样本为验证集，构成第三验证集valid_x3。
S42、根据所述第二训练集，采用SVM软间隔构建目标函数。
由于线性SVM中要求数据必须是线性可分的，才可以找到分类的超平面，但有时候数据中存在噪音，导致线性不可分，因此使用SVM软间隔构建目标函数：
Figure BDA0003430923150000151
约束条件为：
y(i)(wTx(i)+b)≥1-ξi,i＝1,2,...,600
ξi≥0,i＝1,2,...,600
其中，其中，w，b为超平面wTx+b＝0中的参数；C为用来控制惩罚项的惩罚力度的系数；ξi为松弛系数。
S43、根据所述目标函数，更新模型参数，求出最优参数w*,b*，获取所述第三继发性移位风险预测模型f(x)＝sign(w*x+b*)；
S44、根据所述第三验证集，获取所述第三继发性移位风险预测模型的第三风险预测准确率
Figure BDA0003430923150000152
其中T3为所述第三继发性移位风险预测模型正确预测发生移位的样本数量。
S5、基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；具体包括：
根据所述第一风险预测准确率p1、第二风险预测准确率p2和第三风险预测准确率p3，将所述第一、第二和第三继发性移位风险预测模型进行加权求和进行线性融合；
Figure BDA0003430923150000161
其中，P为最终的风险预测模型；p1、p2、p3分别为第一、第二和第三风险预测准确率；Rrf、Rada、Rsvm分别为所述第一、第二和第三继发性移位风险预测模型的预测结果，所述预测结果取1或者0；ε＝1*10-5为松弛因子。
S6、根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
将待测早生儿的实时临床数据输入上述风险预测模型中，获取该待测早生儿置入PICC导管后发生继发性移位风险的预测概率，用于进行智能辅助决策，提高了医护人员预判的准确性、工作效率以及避免了工作中的误判与失误。
第二方面，如图2所示，本发明实施例提供了一种早产儿PICC导管继发性移位风险预测***，包括：
预处理模块，收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
第一构建模块，用于根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
第二构建模块，用于根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
第三构建模块，用于根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
融合模块，用于基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；
预测模块，用于根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
第三方面，本发明实施例提供了一种存储介质，其存储有用于早产儿PICC导管继发性移位风险预测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的早产儿PICC导管继发性移位风险预测方法。
一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的早产儿PICC导管继发性移位风险预测方法。
可理解的是，本发明实施例提供的早产儿PICC导管继发性移位风险预测***、存储介质和电子设备与本发明实施例提供的早产儿PICC导管继发性移位风险预测方法相对应，其有关内容的解释、举例和有益效果等部分可以参考基于区块链的早产儿PICC导管继发性移位风险预测方法中的相应部分，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例能够精准高效识别继发性移位早生儿患者，指导临床医务工作人员提前采取治疗或护理措施对发生移位患者进行干预，降低由于PICC导管继发性移位而产生的各种并发症，不仅减少了对早产儿的危害，还保障了早产儿治疗及护理工作有序进行。
2、由于样本数据来源于临床医学数据，可能存在数据存在缺失等问题，且由于进行早产儿PICC导管继发性移位风险预测时，由于人工录入患者信息的缘故容易导致部分特征缺失。因此本发明实施例针对不同的特征采用不同的缺失值填补方式。对于连续性特征采用均值方法进行填充，对于离散型特征采用随机抽样方法进行数据填充。一方面可以避免特征数据的缺失对预测准确度的影响，另一方面可以更加准确的根据数据本身的分布来给出可能的缺失值，使得不同类型的特征不会因为填补方式而导致其分布改变。
3、将待测早生儿的实时临床数据输入上述风险预测模型中，获取该待测早生儿置入PICC导管后发生继发性移位风险的预测概率，用于进行智能辅助决策，提高了医护人员预判的准确性、工作效率以及避免了工作中的误判与失误。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上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精神和范围。

Claims (10)

1.一种早产儿PICC导管继发性移位风险预测方法，其特征在于，包括：
收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；
根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
2.如权利要求1所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用随机森林分类器构建第一继发性移位风险预测模型，具体包括：
S21、将预处理后的历史临床数据样本分为第一训练集和第一验证集两部分，且在所述第一训练集和第一验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
S22、采用Bootstrap采样方法从所述第一训练集选出采样样本，并去重；
S23、根据去重后的采样样本，从所述第一类特征数据和第二类特征数据随机选择若干特征数据，再从选择的若干特征数据中选择最佳分割特征作为节点构建一棵决策树；
S24、重复执行步骤S22和S23，获取多棵决策树，多棵所述决策树共同构成随机森林；
S25、根据所述随机森林，通过多数投票法决定每一个早产儿所述类别，获取所述第一继发性移位风险预测模型；
S26、根据所述第一验证集，获取所述第一继发性移位风险预测模型的第一风险预测准确率。
3.如权利要求2所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用Adaboost算法构建第二继发性移位风险预测模型，具体包括：
S31、将预处理后的历史临床数据样本分为第二训练集和第二验证集两部分，且在所述第二训练集和第二验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
S32、初始化所述第二训练集的权值分布；
S33、根据权值分布的所述第二训练集，获取基本分类器；
S34、计算所述基本分类器在所述第二训练集上的分类误差；
S35、根据所述分类误差，获取所述基本分类器的权重系数，并更新所述第二训练集的权值分布；
S36、构建多个所述基本分类器的线性组合，获取所述第二继发性移位风险预测模型；
S37、根据所述第二验证集，获取所述第二继发性移位风险预测模型的第二风险预测准确率。
4.如权利要求3所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用SVM分类器构建第三继发性移位风险预测模型，具体包括：
S41、将预处理后的历史临床数据样本分为第三训练集和第三验证集两部分，且在所述第三训练集和第三验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；
S42、根据所述第二训练集，采用SVM软间隔构建目标函数；
S43、根据所述目标函数，更新模型参数，获取所述第三继发性移位风险预测模型；
S44、根据所述第三验证集，获取所述第三继发性移位风险预测模型的第三风险预测准确率。
5.如权利要求4所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述获取最终的风险预测模型，具体包括：
根据所述第一风险预测准确率、第二风险预测准确率和第三风险预测准确率，将所述第一、第二和第三继发性移位风险预测模型进行加权求和进行线性融合；
Figure FDA0003430923140000041
其中，P为最终的风险预测模型；p1、p2、p3分别为第一、第二和第三风险预测准确率；Rrf、Rada、Rsvm分别为所述第一、第二和第三继发性移位风险预测模型的预测结果，所述预测结果取1或者0；ε＝1*10-5为松弛因子。
6.如权利要求1～5任一项所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，
所述第一类特征数据包括胎龄、出生体重、置管时体重、置管时日龄、内置长度和外露长度对应的数据；
所述第二类特征数据包括性别、置管部位、尖端是否最佳位置、血液是否回流、是否采用镇定措施、是否卧床、冲管是否有压力和血管选择对应的数据。
7.如权利要求1～5任一项所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述预处理过程包括数据清洗；
对于每个早生儿的所述第一类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的该第一类特征数据直接删除；取样本中其他早生儿的该第一类特征数据对应特征值的均值，并将此均值作为填充值；
对于每个早生儿的所述第二类特征数据，若其缺失的特征值数量超过3个，则将此早生儿的该第二类特征数据直接删除；从样本中其他早生儿的该第二类特征数据对应特征值进行随机抽样，并将抽样得到的值作为填充值。
所述预处理过程还包括将数据清洗后的所述第一类特征数据进行归一化处理，以及进行无量纲化。
8.一种早产儿PICC导管继发性移位风险预测***，其特征在于，包括：
预处理模块，收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；
第一构建模块，用于根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；
第二构建模块，用于根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；
第三构建模块，用于根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；
融合模块，用于基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；
预测模块，用于根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。
9.一种存储介质，其特征在于，其存储有用于早产儿PICC导管继发性移位风险预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一项所述的早产儿PICC导管继发性移位风险预测方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～7任一项所述的早产儿PICC导管继发性移位风险预测方法。
CN202111597948.6A 2021-12-24 2021-12-24 早产儿picc导管继发性移位风险预测方法和*** Pending CN115602321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111597948.6A CN115602321A (zh) 2021-12-24 2021-12-24 早产儿picc导管继发性移位风险预测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111597948.6A CN115602321A (zh) 2021-12-24 2021-12-24 早产儿picc导管继发性移位风险预测方法和***

Publications (1)

Publication Number Publication Date
CN115602321A true CN115602321A (zh) 2023-01-13

Family

ID=84841832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111597948.6A Pending CN115602321A (zh) 2021-12-24 2021-12-24 早产儿picc导管继发性移位风险预测方法和***

Country Status (1)

Country Link
CN (1) CN115602321A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637663A (zh) * 2018-11-14 2019-04-16 浙江大学山东工业技术研究院 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
CN110624169A (zh) * 2018-06-25 2019-12-31 唐彬秩 一种借助磁场定位的新生儿picc导管
CN110996766A (zh) * 2017-07-19 2020-04-10 布鲁姆技术公司 监测子宫活动和评估早产风险
US20200310098A1 (en) * 2019-03-26 2020-10-01 Can Ince Method and apparatus for diagnostic analysis of the function and morphology of microcirculation alterations
CN113408603A (zh) * 2021-06-15 2021-09-17 西安理工大学 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法
CN113424263A (zh) * 2018-12-21 2021-09-21 格里尔公司 异常片段检测与分类

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110996766A (zh) * 2017-07-19 2020-04-10 布鲁姆技术公司 监测子宫活动和评估早产风险
CN110624169A (zh) * 2018-06-25 2019-12-31 唐彬秩 一种借助磁场定位的新生儿picc导管
CN109637663A (zh) * 2018-11-14 2019-04-16 浙江大学山东工业技术研究院 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
CN113424263A (zh) * 2018-12-21 2021-09-21 格里尔公司 异常片段检测与分类
US20200310098A1 (en) * 2019-03-26 2020-10-01 Can Ince Method and apparatus for diagnostic analysis of the function and morphology of microcirculation alterations
CN113408603A (zh) * 2021-06-15 2021-09-17 西安理工大学 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘艳;刘惠敏;王勇;: "失效模式与效果分析模型在ICU新生儿PICC置管中的应用", 临床研究 *
李琳: "早产儿PICC导管异位影响因素分析及最佳置入长度的研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
韩莹;李娜;: "Nomogram预测模型分析早产儿PICC置管并发静脉炎症的风险", 川北医学院学报 *

Similar Documents

Publication Publication Date Title
US11304673B2 (en) Diagnostic method, method for validation of diagnostic method, and treatment method
Duke et al. The efficacy and safety of stent redilatation in congenital heart disease
US20190150867A1 (en) Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method
Monte-Moreno Non-invasive estimate of blood glucose and blood pressure from a photoplethysmograph by means of machine learning techniques
JP6427554B2 (ja) 流体分析器および関連方法
WO2019229528A2 (en) Using machine learning to predict health conditions
US20190117088A1 (en) Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method
US20190125193A1 (en) Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method
US11786131B2 (en) Diagnostic method, method for validation of diagnostic method, and treatment method
US11241208B2 (en) Diagnostic method, method for validation of diagnostic method, and treatment method
US20200155079A1 (en) Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method
US20190117181A1 (en) Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method
JP2019509101A (ja) 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法
CN111053540B (zh) 一种基于机器学习的crrt上机病人体温校正***
Roberts et al. Age-based percentiles of measured mean arterial pressure in pediatric patients in a hospital setting
CN115602321A (zh) 早产儿picc导管继发性移位风险预测方法和***
CN116486211A (zh) 一种模型训练方法、血流储备分数计算方法、装置及设备
Kanbar et al. Undersampling and bagging of decision trees in the analysis of cardiorespiratory behavior for the prediction of extubation readiness in extremely preterm infants
Yang et al. A deep learning method for intraoperative age-agnostic and disease-specific cardiac output monitoring from arterial blood pressure
Scordo Differential diagnosis: correctly putting the pieces of the puzzle together
Kassis et al. Patient, operator, and procedural characteristics of guidewire retention as a complication of vascular catheter insertion
Goodwin et al. Blood pressure in critically ill children: Exploratory analyses of concurrent invasive and noninvasive measurements
Vilar et al. Interventional ultrasound for implantation and monitoring of peripherally inserted central venous catheter: scoping review
CN115769251A (zh) 基于深度学习获取主动脉图像的***
Zhou et al. Development and validation of a machine learning system to identify reflux events in esophageal 24-hour pH/impedance studies

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