CN116682566A - 一种血液透析的数据处理方法及*** - Google Patents

一种血液透析的数据处理方法及*** Download PDF

Info

Publication number
CN116682566A
CN116682566A CN202310966440.1A CN202310966440A CN116682566A CN 116682566 A CN116682566 A CN 116682566A CN 202310966440 A CN202310966440 A CN 202310966440A CN 116682566 A CN116682566 A CN 116682566A
Authority
CN
China
Prior art keywords
data
index
hemodialysis
fluctuation
value
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
Application number
CN202310966440.1A
Other languages
English (en)
Other versions
CN116682566B (zh
Inventor
李淑秀
王彩虹
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.)
Qingdao Hospital of Traditional Chinese Medicine
Original Assignee
Qingdao Hospital of Traditional Chinese Medicine
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 Qingdao Hospital of Traditional Chinese Medicine filed Critical Qingdao Hospital of Traditional Chinese Medicine
Priority to CN202310966440.1A priority Critical patent/CN116682566B/zh
Publication of CN116682566A publication Critical patent/CN116682566A/zh
Application granted granted Critical
Publication of CN116682566B publication Critical patent/CN116682566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Algebra (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • External Artificial Organs (AREA)

Abstract

本发明涉及医疗保健信息学领域，具体涉及一种血液透析的数据处理方法及***，获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列；根据每个指标对应的数据序列获取每两个指标之间的总体关联程度；根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限；根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。本发明实现对血液透析过程中数据的处理，提高对未来时刻血液透析数据预测的精确度。

Description

一种血液透析的数据处理方法及***
技术领域
本申请涉及电数字数据处理领域，具体涉及一种血液透析的数据处理方法及***。
背景技术
在对患者进行血液透析的过程中，对患者进行严密监护是透析过程顺利进行的重要保障，可提升透析效果和透析过程的安全性和舒适度。血液透析过程中的监测内容主要包括患者病情的监护、血管通路监护、体外循环监测和透析液路的监测四个方面，一般为对每个检测指标设置警示阈值，当某个指标出现超过了警示阈值的数值时，则发出警报，停止血液透析过程，直至医护人员检查完成继续机器的工作状态。
但是警示阈值是根据经验值和大部分患者的情况设定的，所以阈值一般为出现危险状况的警戒值，当患者仅仅出现偏离正常规律的状况时，则无法识别出来，所以仅仅依靠提前设置的阈值对患者的透析状况进行监控并不足够，需要一种根据监测的数据自动对数据进行处理的方法，实时检测和预测血液透析过程中患者的状况。现有的预测算法可以根据往期数据对未来时刻的数据进行预测，但是，在对患者进行血液透析的过程中，不同的指标之间往往存在复杂的联系，当一个指标出现波动，其余指标在在后续获取的指标值会出现滞后的随之波动。所以，目前的预测算法无法对血液透析过程需要进行监测的指标值进行精确预测，需要一种可以兼顾到不同指标之间的直接影响和间接影响的数据处理方法，实现对血液透析过程中需要进行监测的指标值的精确预测。
发明内容
为了解决上述技术问题，本发明提供一种血液透析的数据处理方法及***，以解决现有的问题。
本发明的一种血液透析的数据处理方法及***采用如下技术方案：
本发明一个实施例提供了一种血液透析的数据处理方法，该方法包括以下步骤：
获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列；
根据每个指标对应的数据序列获取每两个指标之间的总体关联程度；
根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限；
根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。
进一步，所述获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列，具体为：
往期对患者进行血液透析的相关数据包括但不限于对患者生命体征和紧急并发症的监测以及体外循环监测，按照相同间隔时间获取的各个数据对应多个指标；
将各指标对应的数据值按照获取的时间组成一组数据序列，往期对患者每次进行血液透析后均可获取一组每个指标对应的数据序列。
进一步，所述根据每个指标对应的数据序列获取每两个指标之间的总体关联程度，具体为：
每两个指标之间的总体关联程度记为这两个指标之间的调整关联度，由这两个指标之间的同步关联度和滞后关联度获取，为两者的乘积，调整关联度表达式具体为：
，
式中，为指标/>与指标/>之间的调整关联度；/>为指标/>与指标/>之间的同步关联度；/>为指标/>与指标/>之间的滞后关联度。
进一步，所述同步关联度的获取方法为：
，
式中，为指标/>与指标/>之间的同步关联度；/>为根据往期第/>组数据获取的指标/>与指标/>之间的皮尔逊相关系数；/>为获取的往期数据的组数；/>为指标/>与指标/>需要监测的指标/>中的指标，且这两个指标不为同一指标。
进一步，所述滞后关联度的获取方法为：
滞后关联度由每个指标对应的波动数据序列和每个波动数据序列对应的波动显著度获取，其表达式具体为：
，
式中，为指标/>与指标/>之间的滞后关联度；/>为指标/>对应的波动数据序列/>对应的波动显著度；/>为指标/>对应的波动数据序列/>对应的波动显著度；为波动数据序列/>和波动数据序列/>对应的dtw距离；/>为指标/>与指标/>对应的需要进行比较的波动数据序列的个数，作用为取分式的分子的均值；/>为归一化函数，作用为取括号内的归一化值。
进一步，所述波动显著度的获取方法为：
使用最小二乘法对每个指标对应的数据序列中包含的各个数值进行拟合，得到每个数据序列对应的拟合曲线，进而获取每个数据序列中每个数值对应的拟合值；
将每个数值对应的拟合值与数值的差值的绝对值之和作为该数值的波动差值；
根据数据序列中各数值对应的波动差值和数据序列中每个数值的波动差值的均值之比获取每个数据序列中的每个数值对应的波动度；
使用最大类间方差法分别对每个数据序列中的各个数值对应的波动度进行划分，得到自适应划分阈值，选取大于自适应划分阈值的波动度，若连续的波动度大于预设数量，将连续的波动度对应的数值组成的序列记为波动数据序列；
其中，波动数据序列对应的波动显著度的表达式具体为：
，
式中，为波动数据序列/>对应的波动显著度；/>为对波动数据序列/>内的所有数值对应的波动度求和；/>为波动数据序列/>内的所有数值对应的波动度的标准差。
进一步，所述根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限，具体为：
从透析开始时，按照相同的数据获取方法，获取需要对血液透析状态进行监测的患者在透析时的相同的各个指标数据；
当获取的数据大于等于预设数量时，则使用差分自回归移动平均模型ARIMA，根据获取时间较为靠前的数值获取后续时间的预测值；
根据各个指标之间的调整关联度和预测值获取每个指标对应的估计值，其中，估计值包括估计值上限和估计值下限。
进一步，所述预测值的上限和下限，表达式具体为：
，
，
式中为在后续第/>个时间指标/>对应的估计值上限；/>为在后续第/>个时间指标/>对应的估计值下限；/>为指标/>目前获取的个数据值对应的波动差值的均值；/>为在后续第/>个时间指标/>对应的预测值；/>为获取的往期数据的组数；/>为指标/>与指标/>之间的调整关联度。
第二方面，本发明提供了一种血液透析的数据处理***，包括以下内容：
数据序列获取模块，用于获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列；
总体关联程度获取模块，用于根据每个指标对应的数据序列获取每两个指标之间的总体关联程度；
数据处理模块，用于根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限；
数据应用模块，用于根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。
本发明至少具有如下有益效果：
本发明通过获取往期患者进行血液透析时的数据，获取各个指标的直接相关关系，结合各个指标发生变化时其余的指标随之变化的滞后性关联，获取不同指标之间更为准确的关联程度，解决了不同指标值之间存在复杂联系，对不同指标值之间的关联程度不易评价的问题；然后，根据待监测的患者的血液透析实时数据和不同指标之间的关联程度获取后续时刻每个指标对应的预测值的上限和下限，兼顾到不同指标之间的直接影响和间接影响，进而将预测值与警戒阈值进行比较，实现对血液透析过程中需要进行监测的指标值的精确预测，提升对未来时刻血液透析数据预测的精确度。
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和优点，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的介绍，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它附图。
图1为本发明提供的一种血液透析的数据处理方法的流程图；
图2为本发明提供的一种血液透析的数据处理***的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种血液透析的数据处理方法及***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种血液透析的数据处理方法及***的具体方案。
本发明一个实施例提供的一种血液透析的数据处理方法及***。
具体的，本实施例的一种血液透析的数据处理方法及***提供了如下的一种血液透析的数据处理方法，请参阅图1，该方法包括以下步骤：
步骤S001，获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列。
首先，本实施例将提取往期对患者进行血液透析时进行监测的数据，这些数据包括但不限于对患者生命体征和紧急并发症的监测以及体外循环监测。其中，对患者生命体征和紧急并发症的监测包括脉搏、血压、呼吸等指标，体外循环监测包括血泵的监测、动静脉压力监测、空气探测及肝素泵的监测等。
血液透析持续的时长一般为3-5小时，为方便分析，在提取医院往期对患者进行血液透析时进行监测的数据时，从透析开始时每间隔分钟获取一次需要监测的各个指标的数值，直至血液透析完成，将各指标对应的数据值按照获取的时间组成一组数据序列，将指标/>对应的数据序列记为数据序列/>。其中，/>即为上述需要监测的各个指标；/>为常数，经验值为1。往期对患者每次进行血液透析后均可获取一组每个指标对应的数据序列。
当获取的数据序列中少量数据因各种原因出现缺失时，采用均值填充法对采集的数据序列进行预处理。其中，均值填充法为现有公知技术，不在本实施例做详细阐述。
至此，即可获取需要检测的每个指标对应的数据序列，用于后续血液透析的过程中每个指标的数据的处理。
步骤S002，根据每个指标对应的数据序列获取每两个指标之间的总体关联程度。
在进行血液透析的过程中，需要监测多个指标，不同的指标之间存在着复杂的相互联系，这些联系有同步进行变化的，也有具有迟滞性反馈的，所以仅仅根据某一指标在较为靠前的时间获取的指标值对未来时刻的指标值进行预测并不准确。所以，本实施例分别分析不同指标值之间的同步关联度和滞后性关联度，根据这些相关关系，实现各个指标值的更为准确的预测。
根据提取的血液透析往期数据获取的每个指标对应的数据序列，计算同一组每两个指标对应的数据序列之间的皮尔逊相关系数，每一组数据中每两个指标均可获取一个对应的皮尔逊相关系数。当两指标的同步变化的联系越为紧密时，则根据每组数据获取的皮尔逊相关系数均越大。
根据每两个指标对应的皮尔逊相关系数获取每两个指标之间的同步关联度，获取每两个指标之间更为准确的同步的关联程度的紧密程度，同步关联度表达式具体为：
，
式中，为指标/>与指标/>之间的同步关联度；/>为根据往期第/>组数据获取的指标/>与指标/>之间的皮尔逊相关系数；/>为获取的往期数据的组数；/>为指标/>与指标/>需要监测的指标/>中的指标，且这两个指标不为同一指标。
两指标之间的同步关联度为这两个指标在各组序列中的皮尔逊相关系数的均值，当两指标同步变化的联系越为紧密时，则根据每组数据获取的相关系数均越大，即这两指标之间的同步关联度越大。
至此，即可根据不同指标对应的多组数据获取每两个指标之间的同步关联度。
进一步，对每两个指标值之间的滞后关联度进行获取。
对每个指标对应的各个数据序列进行分析。根据每个指标对应的数据序列内数值在血液透析过程变化的规律，对每个数据序列分别使用最小二乘法与最符合规律的模型进行拟合，获得拟合曲线的表达式，根据表达式获取各个数值的拟合值。将数据序列中各个数值的拟合值与实际值的差值的绝对值之和作为该数值的波动差值。根据波动差值获取同一数据序列中每个数值的波动差值的均值。
根据数据序列中每个数值的波动差值和同一数据序列中每个数值的波动差值的均值获取每个数值对应的波动度，波动度表达式具体为：
，
式中，为数据序列中的数值/>对应的波动度；/>为数据序列中的数值/>对应的波动差值；/>为数值/>所在的数据序列中每个数值的波动差值的均值。
当数据序列中数值与其拟合值的差异越大，相对于数据序列中其他数值的波动差值越大时，则该数值对应的波动度越大，即该数值在该数据序列中出现的波动程度越大。
数据序列中每个数值均有一个对应的波动度。对数据序列中各数值对应的波动度使用最大类间方差法获取划分的阈值，将大于阈值的各个波动度对应的数值划分出来，划分出的这些数值记为数据序列中相对波动程度较大的数值。当数据序列中有连续大于等于个筛选出的数值时，则将这些连续的筛选出的数值作为一个波动数据序列。当某个指标对应的所有数据序列中均不存在波动数据序列时，则计算各个数据序列中每/>个连续的数值对应的波动度之和，取所有和值最大的/>个连续的数值作为该指标对应的波动数据序列。其中，/>的经验值本实施例设置为10，实施者可自行设定。本实施例中利用最大类间方差法获取数据序列中各数值对应的波动度划分的阈值，实施者可根据具体实施场景选择其他获取划分自适应阈值的方法。
根据选取出的波动数据序列获取每个波动数据序列的波动显著度，波动显著度表达式具体为：
，
式中，为波动数据序列/>对应的波动显著度；/>为对波动数据序列/>内的所有数值对应的波动度求和；/>为波动数据序列/>内的所有数值对应的波动度的标准差。
当该波动数据序列内各个数值的波动度越大、波动度差异越小时，则其对应的波动显著度越大，即该波动数据序列为数据序列中出现波动程度越大的部分。
筛选出的波动数据序列即对应其对应的指标在血液透析过程中数据值出现波动的位置。可根据不同指标对应的筛选出的波动数据序列，获取各个指标之间的滞后影响的关联程度。
至此，即可根据每个数据序列中包含的数值本身的波动程度自适应划分出波动数据序列，同时，获取每个波动数据序列对应的波动显著度。
根据每个指标对应的波动数据序列，获取两指标之间的滞后关联度，滞后关联度表达式具体为：
，
式中，为指标/>与指标/>之间的滞后关联度；/>为指标/>对应的波动数据序列对应的波动显著度；/>为指标/>对应的波动数据序列/>对应的波动显著度；/>为波动数据序列/>和波动数据序列/>对应的dtw距离；/>为指标/>与指标/>对应的需要进行比较的波动数据序列的个数，作用为取分式的分子的均值；/>为归一化函数，作用为取括号内的归一化值。
在本实施例中，利用归一化函数进行归一化处理，实施者可根据具体实施场景选择其他归一化处理的方法。
当某一指标出现波动时，在出现波动的时间之后，若另一指标随之出现波动，且出现的波动越为相似时，则这两个指标之间的波动显著度越大。
至此，即可根据每两个指标对应的多个波动数据序列获取每两个指标之间的滞后关联度。
根据每两个指标之间的同步关联度和滞后关联度获取这两个指标之间的调整关联度，调整关联度表达式具体为：
，
式中，为指标/>与指标/>之间的调整关联度。
当两个指标对应的同步关联度和滞后关联度越大时，则这两个指标之间的调整关联度越大，即这两个指标之间的关联度越大。
至此，即可根据每两个指标之间的同步关联度和滞后关联度获取这两个指标之间的调整关联度。
步骤S003，根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限。
从透析开始时，按照相同的数据获取方法，获取需要对血液透析状态进行监测的患者在透析时的相同的各个指标数据。当获取的数据大于等于个时，则使用差分自回归移动平均模型ARIMA根据前/>个数值获取后续/>个时间的预测值。其中，/>的经验值本实施例分别设置为15,30，具体取值可根据血液透析过程中患者病情状况和耐受情况由实施者自行设定。
根据各个指标之间的调整关联度和预测值获取每个指标对应的估计值。
，
，
式中为在后续第/>个时间指标/>对应的估计值上限；/>为在后续第/>个时间指标/>对应的估计值下限；/>为指标/>目前获取的个数据值对应的波动差值的均值；/>为在后续第/>个时间指标/>对应的预测值。
当前获取的各个指标值对应的各时刻数值的波动差值越大时，则每个指标对应的估计值上限和下限与预测值差异越大。
至此，即可根据不同指标之间的调整关联度获取每个指标在后续第个时间指标/>对应的估计值上限和估计值下限。
步骤S004，根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。
获取每个指标值在后续个时间的预测值，分别将这些预测值与该指标值对应的上限警戒阈值和下限警戒阈值进行比较，当有估计值上限和估计值下限超出阈值的范围时，则认为在后续的血液透析过程中会出现影响患者透析的情况，需要及时对患者透析过程中的设定参数进行调整，保障患者在透析过程中的安全性和舒适度。
进一步，本实施例还提出了一种血液透析的数据处理***，该***包括以下内容：
数据序列获取模块，用于获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列；
总体关联程度获取模块，用于根据每个指标对应的数据序列获取每两个指标之间的总体关联程度；
数据处理模块，用于根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限；
数据应用模块，用于根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。以上各个模块的实现方法已在一种血液透析的数据处理方法实施例中进行了说明，此处不再对一种血液透析的数据处理***进行详细说明。
综上所述，本发明实施例通过获取的往期患者进行血液透析时的数据，获取各个指标的直接相关关系，结合各个指标发生变化时其余的指标随之变化的滞后性关联，获取不同指标之间更为准确的关联程度，解决了不同指标值之间存在复杂联系，对不同指标值之间的关联程度不易评价的问题；然后，本发明实施例根据待监测的患者的血液透析实时数据和不同指标之间的关联程度获取后续时刻每个指标对应的预测值的上限和下限，进而将预测值与警戒阈值进行比较，确定未来时刻患者进行血液透析的状况，保证患者在透析过程的安全性和舒适度，提升对未来时刻血液透析数据预测的精确度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种血液透析的数据处理方法，其特征在于，该方法包括以下步骤：
获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列；
根据每个指标对应的数据序列获取每两个指标之间的总体关联程度；
根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限；
根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。
2.如权利要求1所述的一种血液透析的数据处理方法，其特征在于，所述获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列，具体为：
往期对患者进行血液透析的相关数据包括但不限于对患者生命体征和紧急并发症的监测以及体外循环监测，按照相同间隔时间获取的各个数据对应多个指标；
将各指标对应的数据值按照获取的时间组成一组数据序列，往期对患者每次进行血液透析后均可获取一组每个指标对应的数据序列。
3.如权利要求1所述的一种血液透析的数据处理方法，其特征在于，所述根据每个指标对应的数据序列获取每两个指标之间的总体关联程度，具体为：
每两个指标之间的总体关联程度记为这两个指标之间的调整关联度，由这两个指标之间的同步关联度和滞后关联度获取，为两者的乘积，调整关联度表达式具体为：
，
式中，为指标/>与指标/>之间的调整关联度；/>为指标/>与指标/>之间的同步关联度；/>为指标/>与指标/>之间的滞后关联度。
4.如权利要求3所述的一种血液透析的数据处理方法，其特征在于，所述同步关联度的获取方法为：
，
式中，为指标/>与指标/>之间的同步关联度；/>为根据往期第/>组数据获取的指标/>与指标/>之间的皮尔逊相关系数；/>为获取的往期数据的组数；/>为指标/>与指标/>需要监测的指标/>中的指标，且这两个指标不为同一指标。
5.如权利要求3所述的一种血液透析的数据处理方法，其特征在于，所述滞后关联度的获取方法为：
滞后关联度由每个指标对应的波动数据序列和每个波动数据序列对应的波动显著度获取，其表达式具体为：
，
式中，为指标/>与指标/>之间的滞后关联度；/>为指标/>对应的波动数据序列/>对应的波动显著度；/>为指标/>对应的波动数据序列/>对应的波动显著度；/>为波动数据序列/>和波动数据序列/>对应的dtw距离；/>为指标/>与指标/>对应的需要进行比较的波动数据序列的个数，作用为取分式的分子的均值；/>为归一化函数，作用为取括号内的归一化值。
6.如权利要求5所述的一种血液透析的数据处理方法，其特征在于，所述波动显著度的获取方法为：
使用最小二乘法对每个指标对应的数据序列中包含的各个数值进行拟合，得到每个数据序列对应的拟合曲线，进而获取每个数据序列中每个数值对应的拟合值；
将每个数值对应的拟合值与数值的差值的绝对值之和作为该数值的波动差值；
根据数据序列中各数值对应的波动差值和数据序列中每个数值的波动差值的均值之比获取每个数据序列中的每个数值对应的波动度；
使用最大类间方差法分别对每个数据序列中的各个数值对应的波动度进行划分，得到自适应划分阈值，选取大于自适应划分阈值的波动度，若连续的波动度大于预设数量，将连续的波动度对应的数值组成的序列记为波动数据序列；
其中，波动数据序列对应的波动显著度的表达式具体为：
，
式中，为波动数据序列/>对应的波动显著度；/>为对波动数据序列/>内的所有数值对应的波动度求和；/>为波动数据序列/>内的所有数值对应的波动度的标准差。
7.如权利要求1所述的一种血液透析的数据处理方法，其特征在于，所述根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限，具体为：
从透析开始时，按照相同的数据获取方法，获取需要对血液透析状态进行监测的患者在透析时的相同的各个指标数据；
当获取的数据大于等于预设数量时，则使用差分自回归移动平均模型ARIMA，根据获取时间较为靠前的数值获取后续时间的预测值；
根据各个指标之间的调整关联度和预测值获取每个指标对应的估计值，其中，估计值包括估计值上限和估计值下限。
8.如权利要求7所述的一种血液透析的数据处理方法，其特征在于，所述预测值的上限和下限，表达式具体为：
，
，
式中为在后续第/>个时间指标/>对应的估计值上限；/>为在后续第个时间指标/>对应的估计值下限；/>为指标/>目前获取的个数据值对应的波动差值的均值；/>为在后续第/>个时间指标/>对应的预测值；/>为获取的往期数据的组数；为指标/>与指标/>之间的调整关联度。
9.一种血液透析的数据处理***，其特征在于，包括以下内容：
数据序列获取模块，用于获取往期对患者进行血液透析的相关数据并对数据进行预处理，得到需要检测的每个指标对应的数据序列；
总体关联程度获取模块，用于根据每个指标对应的数据序列获取每两个指标之间的总体关联程度；
数据处理模块，用于根据指标之间的总体关联程度和血液透析的实时数据获取后续时刻每个指标对应的预测值的上限和下限；
数据应用模块，用于根据预测值的上限和下限确定未来时刻患者进行血液透析的数据预测。
CN202310966440.1A 2023-08-03 2023-08-03 一种血液透析的数据处理方法及*** Active CN116682566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310966440.1A CN116682566B (zh) 2023-08-03 2023-08-03 一种血液透析的数据处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310966440.1A CN116682566B (zh) 2023-08-03 2023-08-03 一种血液透析的数据处理方法及***

Publications (2)

Publication Number Publication Date
CN116682566A true CN116682566A (zh) 2023-09-01
CN116682566B CN116682566B (zh) 2023-10-31

Family

ID=87782244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310966440.1A Active CN116682566B (zh) 2023-08-03 2023-08-03 一种血液透析的数据处理方法及***

Country Status (1)

Country Link
CN (1) CN116682566B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116886106A (zh) * 2023-09-07 2023-10-13 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) 一种血液透析数据智能编码管理***
CN117912711A (zh) * 2024-03-19 2024-04-19 吉林大学 血液透析数据采集分析***及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101304773A (zh) * 2005-11-11 2008-11-12 日机装株式会社 血液透析装置和血液透析方法
CN108803528A (zh) * 2018-07-13 2018-11-13 杭州电子科技大学 基于多变量相关性及时滞性的流程工业***预测模型
CN108986419A (zh) * 2018-10-17 2018-12-11 暨南大学 一种用于血液透析的数据报警方法
CN110075378A (zh) * 2019-05-08 2019-08-02 黄莉娟 一种血液透析数据信息监测***
CN110152087A (zh) * 2019-04-19 2019-08-23 暨南大学 一种血液透析过程的监测方法
CN112107752A (zh) * 2019-06-20 2020-12-22 纬创资通股份有限公司 血压预测方法与使用该方法的电子装置
WO2021052156A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 数据分析方法、装置、设备及计算机可读存储介质
US20210193317A1 (en) * 2019-12-20 2021-06-24 Fresenius Medical Care Holdings, Inc. Real-time intradialytic hypotension prediction
CN114550913A (zh) * 2022-02-22 2022-05-27 深圳市裕辰医疗科技有限公司 一种血液透析低血压并发症的辅助诊断方法
US20230082362A1 (en) * 2021-09-09 2023-03-16 Nanowear Inc. Processes and methods to predict blood pressure
CN116036399A (zh) * 2021-10-28 2023-05-02 纬创资通股份有限公司 透析中的分析方法及用于透析的分析装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101304773A (zh) * 2005-11-11 2008-11-12 日机装株式会社 血液透析装置和血液透析方法
CN108803528A (zh) * 2018-07-13 2018-11-13 杭州电子科技大学 基于多变量相关性及时滞性的流程工业***预测模型
CN108986419A (zh) * 2018-10-17 2018-12-11 暨南大学 一种用于血液透析的数据报警方法
CN110152087A (zh) * 2019-04-19 2019-08-23 暨南大学 一种血液透析过程的监测方法
CN110075378A (zh) * 2019-05-08 2019-08-02 黄莉娟 一种血液透析数据信息监测***
CN112107752A (zh) * 2019-06-20 2020-12-22 纬创资通股份有限公司 血压预测方法与使用该方法的电子装置
WO2021052156A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 数据分析方法、装置、设备及计算机可读存储介质
US20210193317A1 (en) * 2019-12-20 2021-06-24 Fresenius Medical Care Holdings, Inc. Real-time intradialytic hypotension prediction
US20230082362A1 (en) * 2021-09-09 2023-03-16 Nanowear Inc. Processes and methods to predict blood pressure
CN116036399A (zh) * 2021-10-28 2023-05-02 纬创资通股份有限公司 透析中的分析方法及用于透析的分析装置
CN114550913A (zh) * 2022-02-22 2022-05-27 深圳市裕辰医疗科技有限公司 一种血液透析低血压并发症的辅助诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王致强 等: "基于甲亢临床指标的多维时间序列关联度分析", 计算机与现代化, no. 04, pages 12 - 15 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116886106A (zh) * 2023-09-07 2023-10-13 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) 一种血液透析数据智能编码管理***
CN116886106B (zh) * 2023-09-07 2024-01-23 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) 一种血液透析数据智能编码管理***
CN117912711A (zh) * 2024-03-19 2024-04-19 吉林大学 血液透析数据采集分析***及方法
CN117912711B (zh) * 2024-03-19 2024-05-24 吉林大学 血液透析数据采集分析***及方法

Also Published As

Publication number Publication date
CN116682566B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN116682566B (zh) 一种血液透析的数据处理方法及***
JP7339258B2 (ja) 患者の健康状態を予測するためのシステムおよび方法
CN102573618B (zh) 用于数据提取的装置及方法
JP5728767B2 (ja) インスリン送達の管理のための監視システム、方法、およびコンピュータプログラム
EP2618864B1 (en) Obtaining control settings for a dialysis machine
CN107436993B (zh) 建立icu患者病情评估模型的方法和服务器
WO2009075796A1 (en) System and method for predicting septic shock
CN111297329B (zh) 预测糖尿病患者心血管并发症动态发病风险的方法及***
US20240082472A1 (en) Parameter Monitoring in Medical Treatment Systems
CN110752002A (zh) 一种药物用量预测装置
CN115862793A (zh) 心血管医疗数据分析的装置和方法、计算机存储介质
CN109674474B (zh) 睡眠呼吸暂停识别方法、设备及计算机可读介质
CN113903466A (zh) 辅助评估人群心血管疾病危险程度的数据处理装置、***及其应用
KR20210113042A (ko) 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
CA3139034A1 (en) System and method for filtering time-varying data for physiological signal prediction
CN105787232A (zh) 一种数据处理方法、装置、健康***平台及终端
CN116631563A (zh) 一种医药行业大数据存储及智能匹配方法
CN109620231B (zh) 气流受限判定方法、装置、计算机设备和存储介质
WO2023226369A1 (zh) 预测机械通气脱机的方法、装置、设备及存储介质
Charbonnier On-line extraction of successive temporal sequences from ICU high-frequency data for decision support information
CN116453669B (zh) 一种基于大数据的护理预测方法及装置
CN116439698B (zh) 一种重症监护室血糖监测预警方法、***及设备
WO2023017793A1 (en) Method and apparatus for adaptively detecting an acute hypotension episode event of a patient
CN117612737B (zh) 一种糖尿病护理数据智能优化方法
US20220313879A1 (en) Calculation device and dialysis apparatus

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