一种糖尿病术中低血糖发生风险智能预测方法、系统及存储介质技术方案

早期识别低血糖发生高危人群对于预防和干预其发生具有重要的临床意义。本发明专利技术公开了一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险预测方法、系统及存储介质，包括如下步骤：获取患者各类数据作为预测模型训练数据；对所采集数据进行预处理；利用非线性转换公式对预处理后数据进行转换；将非线性转换后数据导入稀疏编码器进行训练；利用逆转换公式对稀疏编码器输出数据进行逆转换；通过逆转换后数据智能分析，获得糖尿病术中低血糖发生风险预测结果。针对传统预测模型无法纳入非线性多分类复杂因素、基于浅层神经网络的预测模型准确率低的问题，本发明专利技术提出了将样本输入与样本标签合并的无监督学习方法，提供了神经网络预测算法模型、系统和存储介质，显著提高了糖尿病患者术中低血糖发生风险预测的准确率。的准确率。的准确率。

【技术实现步骤摘要】
一种糖尿病术中低血糖发生风险智能预测方法、系统及存储介质


[0001]本专利技术涉及医疗大数据识别、表示及挖掘和人工智能技术应用领域，具体涉及一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险预测方法、系统及存储介质。

技术介绍

[0002]糖尿病是一组以高血糖为特征的代谢性疾病，其主要原因是因胰岛素绝对或相对分泌不足以及靶组织细胞对胰岛素敏感性降低引起蛋白质、脂肪水和电解质等一系列代谢紊乱。而持续性高血糖，则会导致靶器官，特别是眼、肾、心脏、血管、神经的慢性损害及功能障碍。低血糖是糖尿病主要并发症之一，也是实现和维持最佳血糖控制的主要障碍之一。随着患者年龄增大、病程延长，低血糖发生的风险也越来越高，不论其严重程度均会对患者的心脏、代谢、神经或认知功能等方面造成一定损害，严重者甚至危及生命。
[0003]大约50％的糖尿病患者一生中至少要经历1次手术，而外科手术患者中至少10％～20％合并有糖尿病。在围手术期管理中，由于手术前后禁食状态、饮食规律打乱、手术应激及用药方案调整等，都有可能导致患者血糖波动，较非手术期更易出现低血糖发生风险，则应当引起特别注意。而手术中低血糖发生将会直接影响患者的病死率，增加感染、切口不愈合以及心脑血管事件等并发症的发生率，从而延长住院时间，影响远期预后。因此，有效预防低血糖发生已成为糖尿病患者围手术期血糖管理的重要要求。目前，国内临床中还没有规范、标准的预防低血糖发生方案，加之手术应激、麻醉、肠内肠外营养等因素均易导致糖代谢紊乱，加重糖尿病或诱发低血糖。因此，早期识别低血糖发生高危人群对于预防和干预其发生具有重要的临床意义。

技术实现思路

[0004]本专利技术的目的在于提供一种糖尿病患者术中低血糖发生风险预测方法、系统及存储介质。针对传统预测模型无法纳入非线性多分类复杂因素、基于浅层神经网络的预测模型准确率低的问题，本专利技术创造性地提出了将样本输入与样本标签合并的无监督学习方法，可显著提高糖尿病患者术中低血糖发生风险预测的准确率。
[0005]本专利技术的技术方案具体包括以下步骤：步骤一：获取患者各类数据作为预测模型训练数据；步骤二：对步骤一所述数据进行预处理；步骤三：通过本专利技术提供的非线性转换公式对步骤二所述数据进行转换；步骤四：使用步骤三导出的数据训练稀疏编码器；步骤五：利用本专利技术提供的逆转换公式对步骤四输出的数据进行逆转换；步骤六：分析步骤五所述逆转换数据，可获得糖尿病术中低血糖发生风险预测结果。
[0006]本专利技术所述方法可实现无监督自学习，总体流程见图1，具体过程如下：（1）获取的患者数据包括患者性别、年龄、文化程度、居住地、糖尿病家族史、糖尿病病史、住院日、伴有高血压、手术类型、术前降糖方案、麻醉方式、手术日降糖方式、手术日是否进食、病房血糖检测频次、入院BS、术前当日BS、术中BS、术后第一次BS、出院时BS、静脉BS、术后学堂监测频次、是否发生低血糖、发生低血糖次数、发生低血糖时间、发生严重低血糖时间、是否请内分泌会诊、HbA1C、尿糖、体重、身高、BMI值、血糖变异性等；（2）将患者各类数据进行预处理，包括数据缺失值填充（缺失数据标记为NaN）、Z
‑
score数值归一化处理；（3）将预处理后的数据进行转换，转换公式（1）如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）公式（1）中n为训练或测试样本编号，x为未转换数据，y为转换后的数据；NaN为数据缺失时x的值；（4）获得所有转换数据后，训练如下稀疏自编码器（2）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）公式（2）中Y
n
为稀疏自编码器第n层输出，W
n
为各层权系数矩阵，b
n
为各层偏移，稀疏编码器的训练数据为转换后的数据。RelU函数表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）公式（3）中a为激活函数控制参数，可通过反向传播训练或设定合适的值；（5）将测试数据通过稀疏自编码器正向传播后，使用如下逆转换公式（4）对稀疏自编码器的输出结果进行逆转换；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）公式（4）中Y
n
为待逆转换的稀疏自编码器输出数据，Z
n
为逆转换后的数据，NaN表示该项数据无法预测；（6）通过分析上述逆转换数据，获得糖尿病术中低血糖发生风险预测结果。
[0007]本专利技术还公开了一种糖尿病术中低血糖发生风险智能预测系统，所述系统包括网络接口、处理器和存储器；其中，所述网络接口，用于在与其他外部网元之间以有线或无线方式进行信息双向传输过程中，实现信号的接收和发送；所述处理器，用于在运行所述计算机智能算法程序时，执行一种基于改进无监督
学习神经网络模型的糖尿病术中低血糖发生风险智能预测方法的步骤；所述存储器，用于存储能够在所述处理器上运行的计算机智能算法程序；本专利技术还公开了一种计算机存储介质，所述计算机存储介质存储有一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险智能预测方法的程序，所述一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险智能预测方法的程序被至少一个处理器执行时实现所述的一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险智能预测方法的步骤。
附图说明
[0008]图1是本专利技术总体流程图；图2是本专利技术所述案例的部分原始样本；图3是本专利技术所述案例原始样本预处理后的部分数据；图4是本专利技术所述案例经过公式（1）非线性转换后的部分数据；图5是本专利技术所述案例经过公式（4）逆转换后的部分预测输出数据；图6是本专利技术所述方法模型在本案例样本集测试下的ROC曲线。
具体实施方式
[0009]下面将结合本专利技术实例中的附图，对本专利技术实例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0010]实施例包括如下步骤：（1）获取的患者数据包括患者性别、年龄、文化程度、居住地、糖尿病家族史、糖尿病病史、住院日、伴有高血压、手术类型、术前降糖方案、麻醉方式、手术日降糖方式、手术日是否进食、病房血糖检测频次、入院BS、术前当日BS、术中BS、术后第一次BS、出院时BS、静脉BS、术后学堂监测频次、是否发生低血糖、发生低血糖次数、发生低血糖时间、发生严重低血糖时间、是否请内分泌会诊、HbA1C、尿糖、体重、身高、BMI值、血糖变异性等，在本专利技术所述案例中，样本容量为1442，部分数据如图2所示；（2）将患者各类数据进行预处理，包括数据缺失值填充（缺失数据标记为NaN）、Z
‑
score数值归一化处理，预处理后的部分数据如图3所示；（3）将预处理后的数据按照公式（1）进行非线性转换，转换后的部分数据如图4所示；（4）获得所有转换数据后，按照公式（2）和（3）训练稀疏自编码器。其中，公式（本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进无监督学习神经网络模型的糖尿病术中低血糖发生风险预测方法，其特征在于：包括如下步骤：S1：获取患者各类数据作为预测模型训练数据；S2：对步骤S1所述数据进行预处理；S3：利用非线性转换公式对步骤S2所述数据进行转换；S4：将步骤S3所述数据导入稀疏编码器进行训练；S5：利用逆转换公式对步骤S4所述稀疏编码器输出数据进行逆转换；S6：分析步骤S5所述逆转换数据，获得糖尿病术中低血糖发生风险预测结果；所述步骤S3具体为：将步骤S2中预处理后数据进行转换，转换公式如下：式中n为训练或测试样本编号，x为未转换数据，y为转换后的数据；NaN为数据缺失时x的值；所述步骤S4具体为：获得步骤S3所述所有转换数据后，输入如下稀疏自编码器进行训练：式中Y
n
为稀疏自编码器第n层输出，W
n
为各层权系数矩阵，b
n
为各层偏移；RelU函数表达式如下：式中a为激活函数控制参数，可通过反向传播训练或设定合适的值；所述步骤S5具体为：使用如下逆转换公式对步骤S4所述稀疏自编码器的输出结果进行逆...

【专利技术属性】
技术研发人员：尹骏刚，郑璠，王森林，张小刚，王勋，
申请(专利权)人：湖南大学湖南智龙物联网技术有限公司，
类型：发明
国别省市：