围手术期风险因子自动化筛选评估方法技术

本发明专利技术提供了一种围手术期风险因子自动化筛选评估方法，所采用的风险因子筛选模型的训练方法包括：获取第一训练样本病例集；针对第一训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第一风险因子筛选模型中，输出第一结果；基于第一结果和预设的损失函数，调整第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至第一结果收敛，得到训练完成的风险因子筛选模型。该方式通过风险因子筛选模型可以准确识别出是否发生围手术期风险事件，从而可以提高围手术期风险预警的准确度。手术期风险预警的准确度。手术期风险预警的准确度。

【技术实现步骤摘要】
围手术期风险因子自动化筛选评估方法


[0001]本专利技术涉及数据处理
，尤其是涉及一种围手术期风险因子自动化筛选评估方法。

技术介绍

[0002]随着医疗技术发展及经济水平的提高，手术量呈快速增长趋势，围术期不良事件也随之增加，当患者器官储备功能不足，伴随基础疾病等情况时，相比常规治疗，其在术中及术后发生不良事件的概率较高，因此，识别手术患者的围术期风险，并进行预测/预警，是保证患者安全，降低围术期不良事件的重要保证，而识别围术期风险的前提是收集患者的与围术期风险相关的各项检测指标，相关技术中，大多依靠麻醉医生的经验，依据患者自身状况及相关检测数据等进行判断，由于监测指标不断增加，提供的患者相关检测数据也越来越多，而很多检测数据并不会导致围术期不良事件的发生，该方式不仅对麻醉医生造成信息负荷，而且依靠人工经验的方式降低了围术期风险预警的准确度。

技术实现思路

[0003]本专利技术的目的在于提供一种围手术期风险因子自动化筛选评估方法，以提高围术期风险预警的准确度。
[0004]本专利技术提供的一种风险因子筛选模型的训练方法，方法包括：获取第一训练样本病例集；其中，第一训练样本病例集包括：发生过围手术期风险事件的第一病例集，以及未发生过围手术期风险事件的第二病例集；针对第一训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第一风险因子筛选模型中，输出第一结果；其中，第一结果用于指示该训练样本病例是否发生围手术期风险事件；基于第一结果和预设的损失函数，调整第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至第一结果收敛，得到训练完成的风险因子筛选模型。
[0005]进一步的，如果第一结果指示该训练样本病例发生围手术期风险事件，第一结果中还包括：与围手术期风险事件相关联的多个参数项的组合。
[0006]进一步的，围手术期风险事件包括多种风险类别；第一结果中还包括：与每种风险类别相关联的多个子参数项组合。
[0007]进一步的，第一结果中还包括：针对每种风险类别，在该风险类别相关联的多个子参数项组合中，每个子参数项对应的取值范围，以及每个子参数项对该风险类别的贡献度。
[0008]进一步的，基于第一结果和预设的损失函数，调整第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至第一结果收敛，得到训练完成的风险因子筛选模型的步骤包括：基于第一结果和预设的损失函数，调整第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至第一结果收敛，得到第二风险因子筛选模型；获取第一测试样本病例集；将第一测试样本病例集输入至第二风险因子筛选模型中，得到第一测试结果；如果第一测试结果指示第二风险因子筛选模型训练完成，将
第二风险因子筛选模型确定为训练完成的风险因子筛选模型。
[0009]进一步的，第一训练样本病例集和第一测试样本病例集中均包括：门诊病历、住院病历以及术中记录的其他未进入病历的信息、术后出院随访病历及日常连续监测的生命体征信息。
[0010]进一步的，第一病例集中包括以下至少一种：术中不良事件记录、术后不良事件记录和出院后预设时间内的不良事件记录。
[0011]本专利技术提供的一种风险因子筛选模型的训练方法，方法包括：获取第二训练样本病例集；其中，第二训练样本病例集中标记有标注信息；第二训练样本病例集包括：发生过围手术期风险事件的第三病例集，以及未发生过围手术期风险事件的第四病例集；第三病例集对应的标注信息包括：关键参数项，以及用于指示发生过围手术期风险事件第一标识；关键参数项包括：围手术期风险事件的风险类别，以及与风险类别相关的参数项；第四病例集对应的标注信息包括用于指示未发生过围手术期风险事件的第二标识；针对第二训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第三风险因子筛选模型中，输出第二结果；基于该训练样本病例中的标注信息和第二结果确定损失值，基于损失值调整第三风险因子筛选模型的模型参数；继续执行获取第二训练样本病例集的步骤，直至第三风险因子筛选模型收敛，得到训练完成的风险因子筛选模型。
[0012]进一步的，基于该训练样本病例中的标注信息和第二结果确定损失值，基于损失值调整第三风险因子筛选模型的模型参数；继续执行获取第二训练样本病例集的步骤，直至第三风险因子筛选模型收敛，得到训练完成的风险因子筛选模型的步骤包括：基于该训练样本病例中的标注信息和第二结果确定损失值，基于损失值调整第三风险因子筛选模型的模型参数；继续执行获取第二训练样本病例集的步骤，直至第三风险因子筛选模型收敛，得到第四风险因子筛选模型；获取第二测试样本病例；将第二测试样本病例输入至第四风险因子筛选模型中，得到第二测试结果；如果第二测试结果指示第四风险因子筛选模型训练完成，将第四风险因子筛选模型确定为训练完成的风险因子筛选模型。
[0013]本专利技术提供的一种围手术期风险因子自动化筛选评估方法，方法包括：获取待手术患者对应的待处理病例；将待处理病例输入至预先训练好的风险因子筛选模型中，输出筛选结果；其中，筛选结果中包括：用于指示待手术患者是否存在围手术期风险的第一信息；如果第一信息指示待手术患者是存在围手术期风险的患者，筛选结果中还包括：围手术期风险事件，以及与围手术期风险事件相关联的参数项组合。
[0014]进一步的，方法还包括：按预设显示方式显示筛选结果。
[0015]进一步的，方法还包括：如果第一信息指示待手术患者是存在围手术期风险的患者，生成待手术患者对应的标记信息。
[0016]本专利技术提供的一种风险因子筛选模型的训练装置，装置包括：第一获取模块，用于获取第一训练样本病例集；其中，第一训练样本病例集包括：发生过围手术期风险事件的第一病例集，以及未发生过围手术期风险事件的第二病例集；第一输出模块，用于针对第一训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第一风险因子筛选模型中，输出第一结果；其中，第一结果用于指示该训练样本病例是否发生围手术期风险事件；第一调整模块，用于基于第一结果和预设的损失函数，调整第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至第一结果收敛，得到训练完成的风险
因子筛选模型。
[0017]本专利技术提供的一种风险因子筛选模型的训练装置，装置包括：第二获取模块，用于获取第二训练样本病例集；其中，第二训练样本病例集中标记有标注信息；第二训练样本病例集包括：发生过围手术期风险事件的第三病例集，以及未发生过围手术期风险事件的第四病例集；第三病例集对应的标注信息包括：关键参数项，以及用于指示发生过围手术期风险事件第一标识；关键参数项包括：围手术期风险事件的风险类别，以及与风险类别相关的参数项；第四病例集对应的标注信息包括用于指示未发生过围手术期风险事件的第二标识；第二输出模块，用于针对第二训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第三风险因子筛选模型中，输出第二结果；第二调整模块，用于基于该训练样本病例中的标注信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险因子筛选模型的训练方法，其特征在于，所述方法包括：获取第一训练样本病例集；其中，所述第一训练样本病例集包括：发生过围手术期风险事件的第一病例集，以及未发生过围手术期风险事件的第二病例集；针对所述第一训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第一风险因子筛选模型中，输出第一结果；其中，所述第一结果用于指示该训练样本病例是否发生所述围手术期风险事件；基于所述第一结果和预设的损失函数，调整所述第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至所述第一结果收敛，得到训练完成的风险因子筛选模型。2.根据权利要求1所述的方法，其特征在于，如果所述第一结果指示该训练样本病例发生所述围手术期风险事件，所述第一结果中还包括：与所述围手术期风险事件相关联的多个参数项的组合。3.根据权利要求2所述的方法，其特征在于，所述围手术期风险事件包括多种风险类别；所述第一结果中还包括：与每种所述风险类别相关联的多个子参数项组合。4.根据权利要求3所述的方法，其特征在于，所述第一结果中还包括：针对每种所述风险类别，在该风险类别相关联的多个子参数项组合中，每个子参数项对应的取值范围，以及每个子参数项对该风险类别的贡献度。5.根据权利要求1所述的方法，其特征在于，基于所述第一结果和预设的损失函数，调整所述第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至所述第一结果收敛，得到训练完成的风险因子筛选模型的步骤包括：基于所述第一结果和预设的损失函数，调整所述第一风险因子筛选模型的模型参数，继续执行获取第一训练样本病例集的步骤，直至所述第一结果收敛，得到第二风险因子筛选模型；获取第一测试样本病例集；将所述第一测试样本病例集输入至所述第二风险因子筛选模型中，得到第一测试结果；如果所述第一测试结果指示所述第二风险因子筛选模型训练完成，将所述第二风险因子筛选模型确定为训练完成的风险因子筛选模型。6.根据权利要求5所述的方法，其特征在于，所述第一训练样本病例集和所述第一测试样本病例集中均包括：门诊病历、住院病历以及术中记录的其他未进入病历的信息、术后出院随访病历及日常连续监测的生命体征信息。7.根据权利要求1所述的方法，其特征在于，所述第一病例集中包括以下至少一种：术中不良事件记录、术后不良事件记录和出院后预设时间内的不良事件记录。8.一种风险因子筛选模型的训练方法，其特征在于，所述方法包括：获取第二训练样本病例集；其中，所述第二训练样本病例集中标记有标注信息；所述第二训练样本病例集包括：发生过围手术期风险事件的第三病例集，以及未发生过围手术期风险事件的第四病例集；所述第三病例集对应的标注信息包括：关键参数项，以及用于指示发生过所述围手术期风险事件第一标识；所述关键参数项包括：所述围手术期风险事件的风险类别，以及与所述风险类别相关的参数项；所述第四病例集对应的标注信息包括用于
指示未发生过所述围手术期风险事件的第二标识；针对所述第二训练样本病例集中的每个训练样本病例，将该训练样本病例输入至第三风险因子筛选模型中，输出第二结果；基于该训练样本病例中的标注信息和所述第二结果确定损失值，基于所述损失值调整所述第三风险因子筛选模型的模型参数；继续执行获取第二训练样本病例集的步骤，直至所述第三风险因子筛选模型收敛，得到训练完成的风险因子筛选模型。9.根据权利要求8所述的方法，其特征在于，基于该训练样本病例中的所述标注信息和所述第二结果确定损失值，基于所述损失值调整所述第三风险因子筛选模型的模型参数；继续执行获取第二训练样本病例集的步骤，直至所述第三风险因子筛选模型收敛，得到训练完成的风险因子筛选模型的步骤包括：基于该训练样本病例中的所述标注信息和所述第二结果确定损失值，基于所述损失值调整所述第三风险因子筛选模型的模型参数；继续执行获取第二训练样本病例集的步骤，直至所述第三风险因子筛选模型收敛，得到第四风险因子筛选模型；获取第二测试样本病例；将所述第二测试样本病例输入至所述第四风险因子筛选模型...

【专利技术属性】
技术研发人员：周志强，罗爱林，陆枫，万里，李世勇，金海，廖小飞，许巧巧，
申请(专利权)人：华中科技大学同济医学院附属同济医院，
类型：发明
国别省市：