一种基于大数据和人工智能的预测导致脑中风的血压异常的算法制造技术

本发明专利技术公开了一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，本发明专利技术涉及血压预测技术领域，步骤(1)：准备包含动脉压波形的可用临床数据库进行训练；步骤(2)：在数据库中标注了低血压和非低血压的时期，以作为训练数据集；步骤(3)：处理动脉压波形以提取波形特征；步骤(4)：波形特征被映射以利用训练数据来预测低血压事件。本发明专利技术基于高保真度的动脉压力波形，通过机器学习算法预测血压，将机器学习应用于动脉血压波形，并创建一个预测血压的算法，精准预测血压变化并在血压异常的情况下提供预警功能，有效防止脑中风的发生。

【技术实现步骤摘要】
一种基于大数据和人工智能的预测导致脑中风的血压异常的算法
本专利技术涉及血压预测
，特别是指一种基于大数据和人工智能的预测导致脑中风的血压异常的算法。
技术介绍
平均每16秒就有一个人死于脑中风，而且中风的年龄不断提前，在15-49岁的中青年人群中，中风也是重要的死因之一。脑中风是一组以脑部缺血及出血性损伤症状为主要临床表现的疾病，又称脑卒中或脑血管意外，具有极高的病死率和致残率，主要分为出血性脑中风(脑出血或蛛网膜下腔出血)和缺血性脑中风(脑梗塞、脑血栓形成)两大类，以脑梗塞最为常见。脑中风发病急，病死率高，是世界上最重要的致死性疾病之一。脑中风或脑卒中是由脑部血液循环障碍导致以局部神经功能缺失为特征的疾病。高血压是脑中风的原因之一。脑中风的黄金抢救时间是3.5小时，专家介绍，中风的抢救就是在跟时间赛跑，争分夺秒，越早越好。在中风的治疗上，临床上有一个关于中风的黄金抢救时间。即发生中风后，患者要在3.5小时内紧急送往医院进行溶栓急救，最迟不得超过6小时，否则致残率、致死率将成倍提高。现在有很多可穿戴设备可以检测血压，但是并没有可靠的血压预警功能。因为传统的统计模型无法捕捉高血压患者的异质性，特别是在高血压控制不佳的情况下。临床试验中没有遗传学、行为学和环境因素的整合。这导致无法捕获高血压患者的复杂生物学变化和一致的生理输出。
技术实现思路
本专利技术提出一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，根据每个人的血压数据进行建模，得出针对用户个人的精准算法模型，精准预测血压变化并在血压异常的情况下提供预警功能，有效防止脑中风的发生。本专利技术的技术方案是这样实现的：一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，包括以下步骤：步骤(1)：准备包含动脉压波形的可用临床数据库进行训练；步骤(2)：在数据库中标注了低血压和非低血压的时期，以作为训练数据集；步骤(3)：处理动脉压波形以提取波形特征；步骤(4)：波形特征被映射以利用训练数据来预测低血压事件。作为优选，所述步骤(1)中，所述可用临床数据库包括：回顾性队列，用于训练，由若干例患者记录和若干分钟的动脉波形记录和若干次低血压发作组成；前瞻性的医院队列，用于外部验证，包括若干位患者的记录以及若干分钟的动脉波形记录和若干次低血压发作。作为优选，所述步骤(2)中，将平均动脉压<65mmHg定义为确定性低血压，将平均动脉压>75mmHg定义为确定性非低血压，将低血压的早期识别期定义为在平均动脉压低于65mmHg至少持续1分钟的实际事件之前的15分钟。作为优选，所述步骤(3)中，从训练数据集的动脉压波形中提取了若干个组合特征，对于模型训练，这些特征的数据矩阵分别为正值和负值。作为优选，多所述组合特征选择步骤为：步骤(31)对于训练数据集的正向和负向数据段，保留曲线下面积大于0.8的特征；步骤(32)通过逻辑回归选择连续的前向特征。作为优选，所述步骤(4)中，使用机器学习将动脉压波形特征映射到低血压的预测中，通过将逻辑回归模型产生的范围从0到1的预测乘以100进行缩放，得到低血压预测指数。本专利技术的有益效果在于：基于高保真度的动脉压力波形，通过机器学习算法预测血压，将机器学习应用于动脉血压波形，并创建一个预测血压的算法，精准预测血压变化并在血压异常的情况下提供预警功能，有效防止脑中风的发生。附图说明图1是本专利技术基于大数据和人工智能的预测导致脑中风的血压异常的算法的流程图。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。现结合附图和具体实施方式对本专利技术进一步说明。如图1所示，一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，该算法是用两个不同的数据源开发的：(1)回顾性队列，用于训练，由1,334例患者记录和545,959分钟的动脉波形记录和25,461次低血压发作组成；(2)前瞻性的本地医院队列用于外部验证，包括204位患者的记录以及33,236分钟的动脉波形记录和1,923次低血压发作。平均动脉压(以下简称MAP)是直接从动脉压波形数据计算得出的。低血压定义为任何MAP<65mmHg至少持续1分钟的时期，根据研究表明MAP<65mmHg是急性肾损伤和心肌损伤可能性增加的阈值。1MAP>75mmHg为被认为是低血压。显然，现实世界中对低血压的定义不能基于纯粹的二进制，全有或无阈值。因此认为并发症发生率升高的弯曲点在MAP范围介于65至75mmHg之间，这可能被认为是其中存在歧义性和某些风险并存的“灰色地带”。为了精确起见，仅基于确定性低血压(MAP<65mmHg)和确定性非低血压(MAP>75mmHg)数据建立模型。为了消除由于伪影或外部事件导致的压力突然下降的影响，而不是由于患者自身的生理反应，将MAP下降速度超过0.5mmHg/s的降压数据段排除在分析之外。下降速率大于0.5mmHg/s等于MAP在1分钟内下降大于30mmHg，认为这超出了算法的预测范围，因为它更可能与急性事件相关(例如，突然失血或换能器高度改变)，而不是进行性低血压发作。为了确保与算法有关的清晰性，将低血压的早期识别期定义为在MAP低于65mmHg至少持续1分钟的实际事件之前的15分钟。为了进行比较，还评估了是否可以通过MAP的百分比变化(ΔMAP)来预测低血压事件。计算并评估了四个不同的ΔMAP：ΔMAP20s，ΔMAP1分钟，ΔMAP3分钟和ΔMAP5分钟(两个MAP值之间的差相隔20s，1、3和5分钟)。通过确定持续时间至少为1分钟的切片来计算降压事件，以使该切片中的所有数据点均显示MAP<65mmHg。选择一个事件或阳性数据点作为降压事件发生前5、10或15分钟记录的样本。通过确定30分钟的数据点连续部分来计算非降压事件，以使该部分与任何降压事件至少相距20分钟，并且该部分中的所有数据点均显示MAP>75mmHg。非事件或负数据点是非降压事件的中心点。从训练数据集的动脉压波形中提取了2,603,125个组合特征对于模型训练，这些特征的数据矩阵分别为正值和负值。重复多次训练，使用训练数据集中的不同患者子集，并对阳性和阴性数据点使用不同的定义。使用交叉验证数据集评估了特征选择和训练后每个模型的性能。根据交叉验证数据集的预测误差和每个患者的一般行为，根据性能选择最终模型。为了仅保留最有用的特征，这些特征经过了两步的特征选择过程：(1)对于训练数据集的正向和负向数据段，保留曲线下面积大于0.8的特征；(2)通过逻辑回归选择连续的前向特征。选择逻本文档来自技高网...

【技术保护点】
1.一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，其特征在于：包括以下步骤：/n步骤(1)：准备包含动脉压波形的可用临床数据库进行训练；/n步骤(2)：在数据库中标注了低血压和非低血压的时期，以作为训练数据集；/n步骤(3)：处理动脉压波形以提取波形特征；/n步骤(4)：波形特征被映射以利用训练数据来预测低血压事件。/n

【技术特征摘要】
1.一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，其特征在于：包括以下步骤：
步骤(1)：准备包含动脉压波形的可用临床数据库进行训练；
步骤(2)：在数据库中标注了低血压和非低血压的时期，以作为训练数据集；
步骤(3)：处理动脉压波形以提取波形特征；
步骤(4)：波形特征被映射以利用训练数据来预测低血压事件。


2.根据权利要求1所述的一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，其特征在于：所述步骤(1)中，所述可用临床数据库包括：回顾性队列，用于训练，由若干例患者记录和若干分钟的动脉波形记录和若干次低血压发作组成；前瞻性的医院队列，用于外部验证，包括若干位患者的记录以及若干分钟的动脉波形记录和若干次低血压发作。


3.根据权利要求1所述的一种基于大数据和人工智能的预测导致脑中风的血压异常的算法，其特征在于：所述步骤(2)中，将平均动脉压<65mmHg定义为确定性低血压，将平均动脉压>75m...

【专利技术属性】
技术研发人员：范芳芳，何戈文，
申请(专利权)人：深圳阿拉丁医疗科技有限公司，
类型：发明
国别省市：广东;44