CN116246752A - 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 - Google Patents
一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 Download PDFInfo
- Publication number
- CN116246752A CN116246752A CN202310303505.4A CN202310303505A CN116246752A CN 116246752 A CN116246752 A CN 116246752A CN 202310303505 A CN202310303505 A CN 202310303505A CN 116246752 A CN116246752 A CN 116246752A
- Authority
- CN
- China
- Prior art keywords
- ponv
- decision tree
- generating
- information
- patient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000002695 general anesthesia Methods 0.000 title claims abstract description 16
- 208000031649 Postoperative Nausea and Vomiting Diseases 0.000 title claims description 110
- 238000003066 decision tree Methods 0.000 claims abstract description 40
- 238000007637 random forest analysis Methods 0.000 claims abstract description 27
- 206010047700 Vomiting Diseases 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000003814 drug Substances 0.000 claims description 21
- 229940079593 drug Drugs 0.000 claims description 18
- 238000001356 surgical procedure Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 206010002091 Anaesthesia Diseases 0.000 claims description 5
- 230000037005 anaesthesia Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 10
- 238000011282 treatment Methods 0.000 abstract description 10
- 230000002980 postoperative effect Effects 0.000 abstract description 5
- 238000011269 treatment regimen Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 201000003152 motion sickness Diseases 0.000 description 4
- 208000005646 Pneumoperitoneum Diseases 0.000 description 3
- 230000003474 anti-emetic effect Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- FELGMEQIXOGIFQ-CYBMUJFWSA-N (3r)-9-methyl-3-[(2-methylimidazol-1-yl)methyl]-2,3-dihydro-1h-carbazol-4-one Chemical compound CC1=NC=CN1C[C@@H]1C(=O)C(C=2C(=CC=CC=2)N2C)=C2CC1 FELGMEQIXOGIFQ-CYBMUJFWSA-N 0.000 description 2
- 244000081841 Malus domestica Species 0.000 description 2
- 229940125683 antiemetic agent Drugs 0.000 description 2
- 239000002111 antiemetic agent Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 229960005343 ondansetron Drugs 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000069 prophylactic effect Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 230000008673 vomiting Effects 0.000 description 2
- 229940127239 5 Hydroxytryptamine receptor antagonist Drugs 0.000 description 1
- 206010001497 Agitation Diseases 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 206010014418 Electrolyte imbalance Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010048031 Wound dehiscence Diseases 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 230000003457 anti-vomiting effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002674 endoscopic surgery Methods 0.000 description 1
- 238000011902 gastrointestinal surgery Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 239000003983 inhalation anesthetic agent Substances 0.000 description 1
- 238000002357 laparoscopic surgery Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 229940043274 prophylactic drug Drugs 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001720 vestibular Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Urology & Nephrology (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种全身麻醉术后恶心呕吐(PONV)预测模型的生成和使用方法,包括:S1、将PONV样本集中的患者信息转换为特征向量;S2、从PONV样本集随机产生t个训练子集,利用每个训练子集,生成随机森林模型;S3、从特征向量中随机选择q个特征向量,在决策树的每个节点进行***、生长;S4、计算每棵决策树的权重;S5、计算PONV发生率,PONV发生率为所有决策树预测结果的加权之和;S6、遍历参数t、q,重复执行步骤S2‑S5,将输出的PONV发生率与真实值进行比较,预测结果最好的带权重随机森林为最优的PONV预测模型。通过本发明,可以优化PONV防治策略,助力个体化和多模式防治PONV,提高患者术后满意度,减少PONV给患者造成的生理及心理损害,该模型有助于优化和均质化各级医疗机构PONV防治工作的医疗质量,提高医疗体系整体的PONV防治水平。
Description
技术领域
本发明涉及医学和人工智能领域,具体地,涉及一种全身麻醉术后恶心呕吐预测模型的生成和使用方法。
背景技术
现有统计表明,全身麻醉患者术后发生恶心的概率约为30%,发生呕吐的概率在50%左右。尽管目前已有一系列的治疗方法及措施对全身麻醉术后恶心呕吐(postoperative nausea and vomiting,以下简称为PONV)进行干预,但PONV的发生率在麻醉学发展的一百多年间并没有明显降低,在某些具有高危因素的人群中,PONV的发生率更是高达80%。PONV还可能带来脱水、电解质失衡、伤口开裂、出血等严重并发症,导致患者术后延迟出院,医疗费用增加,手术体验差。
目前已知影响PONV发病率的危险因素主要分为三大类:1.病人相关因素;2.麻醉相关因素;3.手术相关因素。根据Apfel等人的研究,在众多因素中,与PONV发生风险密切相关的因素主要有四个:女性、晕动病(MS)或PONV病史、不吸烟和术后阿片类药物的使用。因此,目前临床一般采用的Apfel简化风险评分作为PONV的预测因素,当分别存在0-4个上述危险因素的时候,PONV的发生率为10%、21%、39%、61%以及79%。PONV程度评估采用视觉模拟评分法(VAS):以10cm直尺作为标尺,一端为0,表示无恶心呕吐,另一端为10,表示难以忍受的最严重的恶心呕吐(1~4为轻度,5~6为中度,7~10为重度)。
此外,最新指南建议正确看待风险评分的准确性。即使当严格应用评分时,PONV的发生风险也常被低估。前述的经典风险因素对实际的PONV发生率可能存在不同程度的影响。而考虑到个体化差异,一些术前预测为PONV低风险的患者,术后仍可能出现剧烈的恶心呕吐。
因此,目前指南推荐术中应常规予以全身麻醉患者预防性止吐药物,但对于常规使用预防药物的疗效以及安全性,目前还存在一定的争议。除止吐药可能带来的副作用外,目前常规使用的预防性止吐药5-HT受体拮抗剂例如昂丹司琼,并未达到理想的止吐效果,有研究显示,超过35%的接受昂丹司琼治疗的患者依旧发生了PONV,即难治性PONV。
目前困扰临床的问题是PONV影响因素多而复杂,个体差异大,导致对患者预测难度大,治疗措施效果不佳。
发明内容
为克服现有技术的上述缺陷,优化PONV精准防治策略,助力个体化和多模式防治PONV,更好地识别PONV高危患者,提高患者满意度,改善患者术后体验,减少PONV给患者造成的生理及心理损害,促进围手术期快速康复,本发明提出一种全身麻醉术后恶心呕吐预测模型的生成方法,将患者信息与人工智能算法相结合生成预测模型,利用流行病学的大数据统筹并且反馈优化预测模型,其中包括统计分析全身麻醉术后恶心呕吐的危险因素及现有止吐措施的效果,从而准确地预测PONV发生率和用药信息。
本发明提出的全身麻醉术后恶心呕吐预测模型的生成方法,包括:
S1、将PONV样本集中的患者信息转换为特征向量;
S2、从PONV样本集随机产生t个训练子集,利用每个训练子集,生成随机森林;
S3、从特征向量中随机选择q个特征向量,在随机森林的决策树的每个节点进行***、生长;
S4、计算每棵决策树的权重;
S5、计算PONV发生率,PONV发生率为所有决策树预测结果的加权之和;
S6、遍历参数t、q,重复执行步骤S2-S5,将输出的PONV发生率与PONV真实值进行比较,预测结果最好的t和q所对应的带权重的随机森林为最优的PONV预测模型。
进一步地,所述步骤S1中,患者信息包括基本个人信息、生理信息、既往病史信息、手术信息、麻醉信息。
进一步地,所述步骤S1中,通过回归算法计算特征的相关性系数,然后计算特征的瓦尔德值,选取瓦尔德值大于预定阈值的特征为要使用的特征。
进一步地,在所述步骤S4中,包括:
S41、计算样本的每个特征向量与PONV发生率的相关系数;
S42、为每颗决策树计算权重,计算公式为:权重=决策树所包含的特征对应的相关系数之和。
进一步地,将每颗决策树的权重归一化。
进一步地,所述相关系数为皮尔逊相关系数。
进一步地,如果所述相关系数为负数,则取绝对值为所述相关系数。
进一步地,在步骤S6中,将输出的PONV发生率与PONV真实值进行比较时,计算决定系数R2,计算公式为:
进一步地,所述PONV预测模型还包括用药预测模型,所述用药预测模型通过PONV样本集训练,用于输出患者所优选的PONV用药。
根据本发明的另一方面,提出一种PONV预测模型的使用方法,包括:
采集患者的患者信息;
将所述患者信息输入PONV预测模型,获得患者的PONV发生率、用药建议以及分析报告。
本发明的有益效果为:
(1)模型通过大数据样本生成,融合了医学专家和患者反馈的临床经验,可以优化PONV防治策略,助力个体化和多模式防治PONV,提高患者满意率;
(2)能够预测给出个性化治疗方案,预测术后恶心呕吐的概率,根据该概率进行分级,进一步给出针对性的治疗方案。
(3)生成的模型融合了医学专家和患者反馈的临床经验,将所述患者信息输入PONV预测模型,获得患者的PONV发生率、用药信息。PONV预测模型还可以生成报告供医生、技术人员查看。报告的内容包括:样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
(4)可以根据本发明设计小程序问卷或一种智能语音问答,以获得本发明所需要的患者信息,然后通过本发明生成的模型,最终给出病人发生恶心呕吐的概率和推荐的用药措施。使PONV防治更加简便易行、精准有效,有助于各级医疗机构PONV防治工作医疗质量的优化和均质化,提高医疗体系整体的PONV防治水平。
附图说明
图1为根据本发明一个实施例的PONV预测模型的生成方法的流程示意图;
图2为根据本发明一个实施例的PONV预测模型的使用方法的流程示意图。
如图所示,为了能明确实现本发明的实施例的结构或者方法,在图中标注了特定的标记符号,但这仅为示意需要,并非意图将本发明限定在该特定设备和环境中,根据具体需要,本领域的普通技术人员可以将这些元件、标号、环境进行调整、修改,所进行的调整和修改仍然包括在后附的权利要求的范围中。
具体实施方式
下面结合附图和具体实施例对本发明提供的速度估计能力测试***和使用方法进行详细描述。
在以下的描述中,将描述本发明的多个不同的方面,然而,对于本领域内的普通技术人员而言,可以仅仅利用本发明的一些或者全部结构来实施本发明。为了解释的明确性而言,阐述了特定的数目、配置和顺序,但是很明显,在没有这些特定细节的情况下也可以实施本发明。在其他情况下,为了不混淆本发明,对于一些众所周知的特征将不再进行详细阐述。
如图1所示,本发明提出的全身麻醉术后恶心呕吐预测模型的生成方法包括:
S1、将PONV样本集中的患者信息转换为特征向量;
S2、从PONV样本集随机产生t个训练子集,利用每个训练子集,生成随机森林;
S3、从特征向量中随机选择q个特征向量,在随机森林的决策树的每个节点进行***、生长;
S4、计算每棵决策树的权重;
S5、计算PONV发生率,PONV发生率为所有决策树预测结果的加权之和;
S6、遍历参数t、q,重复执行步骤S2-S5,将输出的PONV发生率与PONV真实值进行比较,预测结果最好的t和q所对应的带有权重的随机森林为最优的PONV预测模型。
在步骤S1中,患者信息包括基本个人信息,如身高、体重、医院、科室等;生理信息,包括心率、血压、血氧饱和度、血流动力学变化等;既往病史信息,如晕动病(MS)或PONV病史、孕吐史、不吸烟等;手术信息,如手术类型、手术时长、手术***、腔镜手术、气腹等;麻醉信息,如麻醉方式、吸入性麻醉剂剂量、肥胖、术后阿片类药物的使用、术后躁动、患者满意度等;PONV真实值包括实际发生情况和严重程度评分。上面的信息中可以有缺失,比如手术信息中的气腹,如果没有该信息则为0。PONV真实值包括实际发生情况和严重程度评分,对于样本来说用于和预测值进行比较。
然后对样本的患者信息作为特征进行编码,即将文本或图形转换为特征向量,编码可以采用现有的方法,比如word2vec模型、one-hot编码等。PONV样本集中的患者信息可以从各医院的病历记录中抽取。
在患者信息中,有一些特征对于最终是否恶心呕吐没有影响或影响很小,比如个人基本信息中的医院、住院号等,而有些特征比如手术时长、手术类型及某些特殊的手术***则对全身麻醉术后PONV影响较大。例如,生理信息中的血压,术中血压降低可导致前庭器官的功能以及消化道和呕吐中枢的血液循环发生变化,从而导致PONV的发生;手术信息中的手术类型,例如胃肠道手术,腔镜手术中气腹造成的腹内压增加、术中操作对胃肠道的机械刺激及全身麻醉术后解剖结构的改变均会影响PONV的发生。
因此,在一个实施例中,通过回归算法对各特征与PONV的相关性进行评价,并进行特征选择。逻辑回归模型如下:
根据逻辑回归模型,计算每种特征的瓦尔德值,该值越大表示影响作用越大,选取瓦尔德值大于预定阈值的特征为最终要使用的特征。
在步骤S2-S5中,随机森林模型由多个决策树组成,对于样本向量x,每棵决策树hi(x)(i表示第几棵决策树)相对独立地对样本向量进行结果预测,随机森林模型获得所有决策树的预测结果之后,对于回归问题,随机森林模型通过计算所有决策树给出的预测结果的均值作为最终的预测结果。但这样的模型不能反映特征与最终结果的特定关系,因而本发明针对具有不同预测能力的决策树通过相关系数给出不同的权重,克服了传统随机森林模型中决策树权重相同的问题,进而提高了PONV预测模型的预测准确率。
在步骤S2中,可以采用bootstrap抽样技术从PONV样本集随机产生t个训练子集。通过随机森林生成决策树是常用的神经网络算法,这里不再赘述。
在步骤S3中,从特征向量中随机选择q个特征向量,按照预定的规则选择最优属性进行***,每棵决策树都得到最大限度的生长,过程中完全***不剪枝。决策树的***、生长是现有的方法,此处不再赘述。
在步骤S4中,计算决策树的权重的方法包括:
S41、计算得到每个特征向量与PONV发生率之间的相关关系,例如,可以采用皮尔逊相关系数,计算得到皮尔逊相关系数集合,记为R={R1,R2,……Rm},m为1~q,也可以采用其他相关系数计算方法获取每个特征向量与PONV发生率之间的相关关系,如互信息方法。
S42、为每颗决策树hk(x)计算权重,计算公式为:权重=决策树所包含的特征对应的相关系数之和。优选的,对权重归一化。
因为皮尔逊相关系数取值在-1到1之间,当相关系数小于0时,说明两者呈现出负相关性,两者之间的影响仍然存在,因此在利用特征的相关系数计算特征权重的时候优先对相关系数求绝对值,利用相关系数的绝对值进行对应的特征权重的计算。
对于每棵决策树,使用的训练子集不相同,每棵决策树使用的特征就不一定相同,因此每颗决策树的权重不同。采用这种方法获得的PONV预测模型能更好、更准确地反映镇痛相关的特征向量与PONV发生率之间的关系,提高了预测的准确性。
在步骤S5中,通过前面步骤生成的决策树hk(x)(k为1~t)即为随机森林模型,其中各决策树对应的权重为w1,w2,……wt,这样就组成了带有权重的随机森林。对于步骤S1生成的样本集中的特征向量,模型预测的结果表示为各决策树的预测结果分别乘上对应的权重后相加,即获得PONV发生率。
在步骤S6中,将输出的PONV发生率与样本对应的PONV发生率真实值进行比较,计算决定系数R2,计算公式为:
生成PONV预测模型时,遍历t、q,计算每一次遍历的决定系数,选取决定系数最大的t和q为最优的随机森林的参数,并将该最优的随机森林作为PONV预测模型(该随机森林带有S4所计算出的各决策树的权重),t为1~PONV样本集中样本数,q为1~样本特征向量数量。
进一步地,随着样本集数量的增加,可以用本发明的方法多次计算以获得实时的PONV预测模型。
在一个实施例中,患者信息还包括PONV程度,该信息也作为一个特征输入随机森林,以便进一步提高PONV预测模型的准确率。
在一个实施例中,PONV预测模型还包括用药预测模型,用药预测模型同样是神经网络,比如采用随机森林模型,用于输出患者所用药品。具体来说,随机森林模型可以处理分类问题,因此采用常规的随机森林模型,将患者的特征向量输入随机森林模型,将患者所用药品作为预测值进行输出,通过全身麻醉术后PONV样本集训练对其训练即可,此处的随机森林生成、训练为常用的方法,不再赘述。训练好的用药预测模型可以根据输入的患者信息,输出用药信息,比如药品名称、用量。
在一个实施例中,通过用药预测模型还可以获得次优、次次优的患者所能够使用的药品信息,以便为医生提供多种选择。
如图2所示,本发明提出的PONV预测模型的使用方法包括:
采集患者信息;
将所述患者信息输入PONV预测模型,获得患者的PONV发生率、用药信息。另外PONV预测模型还可以生成报告供医生、技术人员查看。报告的内容包括:样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
可以根据本发明设计小程序问卷或一种智能语音问答,以获得本发明所需要的患者信息,然后通过本发明生成的模型,最终给出病人发生恶心呕吐的概率和推荐的用药措施。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其他的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (10)
1.一种全身麻醉术后恶心呕吐预测模型的生成方法,其特征在于,所述生成方法包括:
S1、将PONV样本集中的患者信息转换为特征向量;
S2、从PONV样本集随机产生t个训练子集,利用每个训练子集,生成随机森林;
S3、从特征向量中随机选择q个特征向量,在随机森林的决策树的每个节点进行***、生长;
S4、计算每棵决策树的权重;
S5、计算PONV发生率,PONV发生率为所有决策树预测结果的加权之和;
S6、遍历参数t、q,重复执行步骤S2-S5,将输出的PONV发生率与PONV真实值进行比较,预测结果最好的t和q所对应的带权重的随机森林为最优的PONV预测模型。
2.根据权利要求1所述的生成方法,其特征在于,所述步骤S1中,患者信息包括基本个人信息、生理信息、既往病史信息、手术信息、麻醉信息。
3.根据权利要求1所述的生成方法,其特征在于,所述步骤S1中,通过回归算法计算特征的相关性系数,然后计算特征的瓦尔德值,选取瓦尔德值大于预定阈值的特征为要使用的特征。
4.根据权利要求1所述的生成方法,其特征在于,在所述步骤S4中,包括:
S41、计算样本的每个特征向量与PONV发生率的相关系数;
S42、为每颗决策树计算权重,计算公式为:权重=决策树所包含的特征对应的相关系数之和。
5.根据权利要求4所述的生成方法,其特征在于,将每颗决策树的权重归一化。
6.根据权利要求4所述的生成方法,其特征在于,所述相关系数为皮尔逊相关系数。
7.根据权利要求6所述的生成方法,其特征在于,如果所述相关系数为负数,则取绝对值为所述相关系数。
9.根据权利要求1-8任一所述的生成方法,其特征在于,所述PONV预测模型还包括用药预测模型,所述用药预测模型通过PONV样本集训练,用于输出患者所优选的PONV用药。
10.一种全身麻醉术后恶心呕吐预测模型的使用方法,其特征在于,包括:
采集患者的信息;
将所述患者信息输入权利要求1~9任一的预测模型,获得患者的PONV发生率、用药建议以及分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303505.4A CN116246752B (zh) | 2023-03-27 | 2023-03-27 | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303505.4A CN116246752B (zh) | 2023-03-27 | 2023-03-27 | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246752A true CN116246752A (zh) | 2023-06-09 |
CN116246752B CN116246752B (zh) | 2024-01-16 |
Family
ID=86631391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303505.4A Active CN116246752B (zh) | 2023-03-27 | 2023-03-27 | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246752B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070293777A1 (en) * | 2006-06-15 | 2007-12-20 | Mcgill University | Heart rate variability as predictor of postoperative nausea and vomiting |
CN107766883A (zh) * | 2017-10-13 | 2018-03-06 | 华中师范大学 | 一种基于加权决策树的优化随机森林分类方法及*** |
CN111897857A (zh) * | 2020-08-06 | 2020-11-06 | 暨南大学附属第一医院(广州华侨医院) | 主动脉夹层心脏手术后icu时长预测方法 |
CN113223714A (zh) * | 2021-05-11 | 2021-08-06 | 吉林大学 | 一种用于预测子痫前期风险的基因组合、子痫前期风险预测模型及其构建方法 |
WO2021190300A1 (zh) * | 2020-03-26 | 2021-09-30 | 肾泰网健康科技(南京)有限公司 | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及*** |
CN113470809A (zh) * | 2021-06-01 | 2021-10-01 | 深圳市人民医院 | 一种全麻患者术后不良反应的预测方法 |
CN114496092A (zh) * | 2022-02-09 | 2022-05-13 | 中南林业科技大学 | 基于图卷积网络的miRNA和疾病关联关系预测方法 |
CN115099149A (zh) * | 2022-06-30 | 2022-09-23 | 郑州信大先进技术研究院 | 一种基于多重特征对比和随机森林算法的结果预测方法 |
US20220318641A1 (en) * | 2019-06-07 | 2022-10-06 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
CN115223679A (zh) * | 2022-08-05 | 2022-10-21 | 华中科技大学同济医学院附属同济医院 | 基于机器学习的围手术期风险预警方法 |
CN115295151A (zh) * | 2022-09-01 | 2022-11-04 | 中山大学附属第三医院 | 脓毒症预测***、预测模型构建方法及***、试剂盒 |
US20220384044A1 (en) * | 2021-05-28 | 2022-12-01 | Tempus Labs, Inc. | ECG-Based Cardiovascular Disease Detection Systems and Related Methods |
-
2023
- 2023-03-27 CN CN202310303505.4A patent/CN116246752B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070293777A1 (en) * | 2006-06-15 | 2007-12-20 | Mcgill University | Heart rate variability as predictor of postoperative nausea and vomiting |
CN107766883A (zh) * | 2017-10-13 | 2018-03-06 | 华中师范大学 | 一种基于加权决策树的优化随机森林分类方法及*** |
US20220318641A1 (en) * | 2019-06-07 | 2022-10-06 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
WO2021190300A1 (zh) * | 2020-03-26 | 2021-09-30 | 肾泰网健康科技(南京)有限公司 | Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及*** |
CN111897857A (zh) * | 2020-08-06 | 2020-11-06 | 暨南大学附属第一医院(广州华侨医院) | 主动脉夹层心脏手术后icu时长预测方法 |
CN113223714A (zh) * | 2021-05-11 | 2021-08-06 | 吉林大学 | 一种用于预测子痫前期风险的基因组合、子痫前期风险预测模型及其构建方法 |
US20220384044A1 (en) * | 2021-05-28 | 2022-12-01 | Tempus Labs, Inc. | ECG-Based Cardiovascular Disease Detection Systems and Related Methods |
CN113470809A (zh) * | 2021-06-01 | 2021-10-01 | 深圳市人民医院 | 一种全麻患者术后不良反应的预测方法 |
CN114496092A (zh) * | 2022-02-09 | 2022-05-13 | 中南林业科技大学 | 基于图卷积网络的miRNA和疾病关联关系预测方法 |
CN115099149A (zh) * | 2022-06-30 | 2022-09-23 | 郑州信大先进技术研究院 | 一种基于多重特征对比和随机森林算法的结果预测方法 |
CN115223679A (zh) * | 2022-08-05 | 2022-10-21 | 华中科技大学同济医学院附属同济医院 | 基于机器学习的围手术期风险预警方法 |
CN115295151A (zh) * | 2022-09-01 | 2022-11-04 | 中山大学附属第三医院 | 脓毒症预测***、预测模型构建方法及***、试剂盒 |
Non-Patent Citations (3)
Title |
---|
KAPPEN, TH等: "Impact of Risk Assessments on Prophylactic Antiemetic Prescription and the Incidence of Postoperative Nausea and Vomiting A Cluster- randomized Trial", 《 JOURNAL INFORMATION ANESTHESIOLOGY》, vol. 120, no. 2, pages 343 - 354 * |
刘志强;李海冰;王;陶怡怡;陈秀斌;俞卫锋;: "多模式止吐疗法用于妇科腹腔镜术后恶心呕吐的临床效果", 第二军医大学学报, no. 04, pages 104 - 106 * |
吉莉 等: "神经外科术后恶心呕吐预测模型的构建与评价", 《护理学杂志》, vol. 36, no. 10, pages 35 - 37 * |
Also Published As
Publication number | Publication date |
---|---|
CN116246752B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gélinas et al. | Item selection and content validity of the Critical‐Care Pain Observation Tool for non‐verbal adults | |
Russo et al. | A new surgical-site infection risk index using risk factors identified by multivariate analysis for patients undergoing coronary artery bypass graft surgery | |
US8608656B2 (en) | System and method for integrating clinical information to provide real-time alerts for improving patient outcomes | |
JP2022508333A (ja) | マルチセンターモードにおけるランダムフォレストアルゴリズムに基づく特徴重要度ソートシステム | |
CN108847280A (zh) | 基于案例推理的智慧云医疗实时管理*** | |
KR20210002184A (ko) | 기계학습을 이용하여 상처 관리를 위한 장치 및 상처 관리를 위한 장치의 동작방법 | |
CN115376648A (zh) | 一种智能处方生成装置和智能处方生成*** | |
Bowser et al. | Statistical methods to predict morbidity and mortality: self assessment techniques for burn units | |
CN114496209B (zh) | 一种献血智能决策方法及*** | |
CN116543866B (zh) | 一种镇痛泵止痛预测模型的生成和使用方法 | |
CN116246752B (zh) | 一种全身麻醉术后恶心呕吐预测模型的生成和使用方法 | |
CN108877932A (zh) | 智慧云医疗方法、计算机可读存储介质和终端 | |
JP3620585B2 (ja) | 歯科医療業務支援システム | |
KR20210053126A (ko) | 응급환자 처치 훈련 제공 방법 및 장치 | |
CN116230158B (zh) | 一种疼痛评估及用药预测***及其使用方法 | |
CN115273176A (zh) | 一种基于生命体征和表情的疼痛多算法客观评估方法 | |
CN114121205A (zh) | 一种医疗支持***及方法、计算机可读取介质 | |
Garmendia et al. | Towards personalised early prediction of Intra-Operative Hypotension following anesthesia using Deep Learning and phenotypic heterogeneity | |
Lee et al. | Factors influencing epidural anesthesia for cesarean section outcome | |
CN116458945B (zh) | 一种儿童面部美容缝合路线的智能引导***及方法 | |
Miao et al. | Cardiovascular Disease Prediction Based on Soft Voting Ensemble Model | |
CN113368403B (zh) | 一种可以提高心肺功能的智能理疗*** | |
CN115083598B (zh) | 一种颌面部疼痛综合诊疗***及工具 | |
EP4273873A1 (en) | Personalized exercise guidance system and method based on machine learning | |
CN111048192B (zh) | 一种基于移动终端的用于医联体内的产学研管理方法 |
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 |