建立普通病房患者病情评估模型的方法和服务器技术

本申请提供了一种建立普通病房患者病情评估模型的方法和服务器，该方法包括：获取普通病房历史患者的临床数据和实时监测数据；根据临床数据训练用于识别出高风险患者的第一模型，根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。对普通病房患者的病情发展和治疗结果进行客观、可靠的预测，提升了对患者病情评估的客观性和普遍性。

Methods and servers for establishing patient assessment model in general wards

The invention provides a method and server for establishing patient ward evaluation models, the method includes: obtaining the data of clinical data history of patients in general ward and real-time monitoring; according to the clinical data for identifying the first training model of high risk patients, according to the training data for real-time monitoring from high risk patients to identify disease progression second models of patients. Objective and reliable prediction of the patient's condition development and treatment results in the general ward can improve the objectivity and universality of the patient's condition assessment.

【技术实现步骤摘要】
建立普通病房患者病情评估模型的方法和服务器
本申请涉及医疗数据分析领域，尤其涉及一种建立普通病房患者病情评估模型的方法和服务器。
技术介绍
在医学界，预防住院患者临床恶化一直是很重要的一项工作。研究显示，4％到17％的患者会在医院遭遇心跳呼吸骤停。早期发现和干预是防止这些严重的、危及生命的急重症必不可少的手段。早期发现和治疗对于脓毒症患者已显出可喜的成果，可显著降低死亡率。在医学文献中有大量的对检测临床恶化方法的研究，这些研究在过去很长一段时间里很好地支持了临床工作。在不同医疗条件下有许多基于医学知识的评分系统。例如，严重社区型肺炎采集(SCAP)和肺炎严重程度指数(PSI)可以有效的预测患者的预后与肺炎。同样，患者肾衰的结果可以用急性生理评分(12生理变量)，慢性健康评分(器官功能障碍)进行预测，并用APACHEⅡ评分模型进行评估。随着数据挖掘和机器学习技术的发展，出现了一些利用这些先进数据手段的临床恶化检测方法的研究。采用数据挖掘技术的临床恶化检测方法，其允许大量参数来预测患者的治疗结果并且提高精度。例如决策树已被用来预测颅脑损伤患者的预后；支持向量机模型配合特定的特征选择算法被用来预测卒中；趋势波动分析(DFA)和心脏心率变异性频谱分析对睡眠呼吸暂停和正常的睡眠的分类进行评估；用近似熵和规律性指数来区分败血症间跳动间隔和自主呼吸分析。上述大多数算法都存在一定的局限性。一方面，这些算法大多数被设计为某些特定疾病或者在一些专门的医院单位使用，不具有普遍性。另一方面，很多基于医学知识的评分系统只是基于患者当前的体征状况进行评分，造成了一定的偶然性。专利技术内容有鉴于此，本申请实施例提供了一种建立普通病房患者病情评估模型的方法和服务器，用以解决现有技术中普通病房的患者病情评估方法的客观性和普遍性较差的技术问题。根据本申请实施例的一个方面，提供了一种建立ICU患者病情评估模型的方法，所述方法包括：获取普通病房历史患者的临床数据和实时监测数据；根据临床数据训练用于识别出高风险患者的第一模型，根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。根据本申请实施例的另一方面，提供了一种服务器，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取普通病房历史患者的临床数据和实时监测数据；根据临床数据训练用于识别出高风险患者的第一模型，根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。本申请实施例的有益效果包括：利用普通病房历史患者的临床数据训练出生命体征数据与病情发展信息之间的第一模型，利用实时监测数据训练出传感器数据和治疗结果之间的第二模型，从而可利用第一模型从普通病房的当前患者中识别出高风险患者，利用第二模型从高风险患者中识别出病情恶化患者，从而对普通病房患者的病情发展和治疗结果进行客观、可靠的预测，提升了对患者病情评估的客观性和普遍性。附图说明通过以下参照附图对本申请实施例的描述，本申请的上述以及其它目的、特征和优点将更为清楚，在附图中：图1是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图；图2是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图；图3是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图；图4是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图。具体实施方式以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。本申请实施例对普通病房历史患者的临床数据和实时监测数据进行充分挖掘和分析，训练出两个分析模型，其中，第一模型用于从普通病房当前患者中识别出高风险患者，第二模型用于从高风险患者中识别出病情恶化患者，充分利用普通病房历史患者的历史信息，使评估结果更加客观、准确和具有普遍性。评估出高风险患者和病情恶化患者时，系统可以向医护人员发出预警提示，并且第一模型和第二模型能够随着普通病房患者数据的积累而自动更新，使评估结果越来越准确。图1是本申请实施例提供的一种建立普通病房患者病情评估模型的方法，适用于服务器，该方法包括以下步骤。S10，获取普通病房历史患者的临床数据和实时监测数据。普通病房是相对于重症监护室(ICU)而言的为非重症患者提供普通住院服务的病房。普通病房历史患者是指在本院普通病房接受过住院诊疗的患者，包括已经康复出院和死亡的患者，这些历史患者的医疗数据作为训练分析模型的样本数据。临床数据包括生命体征数据和病情发展信息。生命体征数据反映患者各项生理指标，包括但不限于个人信息(年龄、性别、身高、体重等)、检验信息(血常规、尿常规、脉搏、休克指数、动脉血压均值、体温、呼吸频率、白蛋白、胆红素、尿素氮、肌酸酐、钠、钾、葡萄糖、血红蛋白、白细胞数量、国际标准化比值INR以及其它的常规化学和血液学检测量等)、图像信息(CT、核磁共振、超声等)、诊疗信息(治疗、医护人员操作、用药等)、电子病历信息等各种格式的大量历史数据。病情发展信息反映患者在经过住院诊疗后的病情变化，包括好转、恶化、转移至ICU等，可通过标签数据的形式来记录不同的病情发展信息。实时监测数据包括传感器数据和治疗结果信息。传感器数据是指佩戴在病人身体上的传感器实时监测到的患者生理数据，包括但不限于心率、脉搏、血氧饱和度等。治疗结果反映患者的最终诊疗效果，例如代表“好转、恶化、死亡”等信息的标签数据。可以从医疗机构的数据服务器中获取普通病房历史患者的临床数据和实时监测数据作为训练分析模型的样本数据。S11，根据临床数据训练用于识别出高风险患者的第一模型，根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。利用特征提取算法分别对临床数据中的生命体征数据和实时监测数据中的传感器数据进行分析，得到对应的特征向量。再根据特征向量及其对应的病情发展信息或者治疗结果信息训练各自的分析模型。在本申请的一个实施例中，可通过以下方法得到第一模型。假设一位患者的临床数据包括：Xi＝[x1,x2,x3,...xn]；y；其中，Xi代表该患者临床数据中的生命体征数据集，x1,x2,x3,...xn对应患者身高、体重、血压、血氧等各个维度的生命体征数据，共有n个维度；y代表患者临床数据中的病情发展信息，对应患者病情发展情型(例如好转、恶化、转移至ICU等)中的一种。相应的，大量的历史患者数据所形成的临床数据集为：X＝[X1,X2,X3,...Xn]T；Y＝[y1,y2,y3,...ym]T。针对生命体征数据中不同本文档来自技高网...

【技术保护点】
一种建立普通病房患者病情评估模型的方法，其特征在于，所述方法包括：获取普通病房历史患者的临床数据和实时监测数据；根据所述临床数据训练用于识别出高风险患者的第一模型，根据所述实时监测数据训练用于从所述高风险患者中识别出病情恶化患者的第二模型。

【技术特征摘要】
1.一种建立普通病房患者病情评估模型的方法，其特征在于，所述方法包括：获取普通病房历史患者的临床数据和实时监测数据；根据所述临床数据训练用于识别出高风险患者的第一模型，根据所述实时监测数据训练用于从所述高风险患者中识别出病情恶化患者的第二模型。2.根据权利要求1所述的方法，其特征在于，根据所述临床数据训练用于识别出高风险患者的第一模型包括：针对所述临床数据中的生命体征数据进行特征提取，生成所述生命体征数据对应的第一特征向量；根据所述第一特征向量和所述临床数据中的病情发展信息建立所述第一模型，即Y'＝F1(X')；F1＝argmin∑(log(Y')-log(Y))2；其中，X'代表所述第一特征向量，F1代表第一模型，Y'代表第一模型根据第一特征向量X'训练得到的评估结果；∑(log(Y')-log(Y))2为F1的约束条件，使所述第一模型评估得到的Y'和历史患者的病情发展信息Y之间的总误差最小。3.根据权利要求1所述的方法，其特征在于，根据所述实时监测数据训练用于从所述高风险患者中识别出病情恶化患者的第二模型包括：针对所述实时监测数据中的传感器数据进行特征提取，生成所述传感器数据对应的第二特征向量；根据所述第二特征向量和所述实时监测数据中的治疗结果建立所述第二模型，即R'＝F2(T')；F2＝argmin∑(log(R')-log(R))2；其中...

【专利技术属性】
技术研发人员：陈一昕，
申请(专利权)人：陈一昕，
类型：发明
国别省市：北京,11