一种重症监护数据处理方法、应用及设备技术

本发明专利技术涉及医疗数据挖掘领域，公开了一种重症监护数据处理方法、应用及设备，所述方法包括：获取包括潜在患者数据和对应的临床特征数据的重症监护数据集；将临床特征数据划分为静态临床特征数据和动态临床特征数据；将潜在患者数据和静态临床特征数据输入预筛选模型，得到重症阳性样本和重症阴性样本；根据重症阳性样本和重症阴性样本，对动态临床特征数据重新赋予特征权重；将重新赋予特征权重的动态临床特征数据和重症阳性样本输入重症监护数据处理模型进行处理，得到重症监护数据的处理结果，并根据重症监护数据的处理结果，对预筛选模型进行更新，本发明专利技术提高了模型的处理精度和效率，降低了潜在患者的经济负担，缓解了医疗资源分配的压力。资源分配的压力。资源分配的压力。

【技术实现步骤摘要】
一种重症监护数据处理方法、应用及设备


[0001]本专利技术涉及医疗数据挖掘领域领域，更具体地，涉及一种重症监护数据处理方法、应用及设备。

技术介绍

[0002]脓毒症是在临床重症监护室中常见的一种重病，其为一种因感染引起的，具有致死率高等特点的全身炎症反应综合征。若能及时发现并预测脓毒症潜在患者的病情，使其可以尽早得到适当的治疗，可以大大降低死亡率。
[0003]现有一种脓毒症早期预测方法，其通过获取病人的临床数据，对数据进行预处理后，输入到改进的深度森林算法模型中进行训练，训练调优后，将需要预测的病人的对应变量输入到训练好的模型中，则可对此病患进行脓毒症的早期预测。
[0004]然而，目前脓毒症的发病预测的主要需求在于重症监护室，重症监护室的医疗资源较为紧张，且脓毒症相关检测及治疗的医疗开销较大对病人来说也是个沉重的负担。上述预测方法存在以下问题：(1)经过预处理的数据存在与预测结果关联低或无关联的特征，若对所有特征都进行相同的处理，会降低模型预测的精度和效率。(2)病人的临床数据中存在需要进行实验测量的动态数据，需要更全面的医学检查，若对所有病人的临床动态数据进行处理进而对脓毒症进行预测，不仅会增大潜在患者的经济负担，也会给紧张的医疗资源分配增加压力。

技术实现思路

[0005]本专利技术为克服现有技术中存在的模型预测精度低和效率低的缺陷，并降低临床重症潜在患者的经济负担和医疗资源的分配压力，提供一种重症监护数据处理方法、应用及设备。
[0006]为解决上述技术问题，本专利技术的技术方案如下：
[0007]第一个方面，本专利技术提出一种重症监护数据处理方法，包括以下步骤：
[0008]S1：获取重症监护数据集。所述重症监护数据集包括潜在患者对应的临床特征数据。
[0009]S2：将所述临床特征数据划分为静态临床特征数据和动态临床特征数据。
[0010]S3：将所述静态临床特征数据输入预筛选模型进行预筛选，得到重症阳性样本和重症阴性样本。
[0011]S4：根据所述重症阳性样本和所述重症阴性样本，对所述动态临床特征数据重新赋予特征权重。
[0012]S5：将重新赋予特征权重的动态临床特征数据中的重症阳性样本输入重症监护数据处理模型进行处理，得到重症监护数据的处理结果。
[0013]S6:判断所述处理结果的综合评价指标是否最大，如果不是，对所述预筛选模型的筛选比例参数进行更新，跳转执行步骤S3；如果是，则执行步骤S7；
[0014]S7:结束。
[0015]第二个方面，本专利技术还提出重症监护数据处理方法在脓毒症预测中的应用，包括：
[0016]S1：获取重症监护数据集。所述重症监护数据集包括潜在患者的对应的临床特征数据。
[0017]S2：将所述临床特征数据划分为静态临床特征数据和动态临床特征数据。
[0018]S3：将所述潜在患者数据和所述静态临床特征数据输入预筛选模型进行预筛选，得到脓毒症阳性样本和脓毒症阴性样本。
[0019]S4：根据所述脓毒症阳性样本和所述脓毒症阴性样本，对所述动态临床特征数据重新赋予特征权重。
[0020]S5：将重新赋予特征权重的动态临床特征数据中的脓毒症阳性样本输入重症监护数据处理模型进行处理，得到脓毒症预测结果。
[0021]S6:判断脓毒症预测结果的综合评价指标是否最大，如果不是，对所述预筛选模型的筛选比例参数进行更新，跳转执行步骤S3；如果是，执行步骤S7；
[0022]S7:结束。
[0023]第三个方面，本专利技术还提出一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如第一个方面所述的重症监护数据处理方法所执行的操作。
[0024]与现有技术相比，本专利技术技术方案的有益效果至少包括：
[0025](1)本专利技术在获取到第一阶段的分流筛选结果后，根据筛选的重症阳性样本和重症阴性样本，重新分配动态数据集中各个特征的权重，降低了与重症监护数据处理结果关联低或无关联的特征的权重，重新分配特征权重后的动态数据用于第二阶段的重症监护数据处理模型进行处理，并根据重症监护数据的处理结果，对预筛选模型进行迭代更新，调整预筛选模型的筛选比例，能够进一步提高模型的处理精度和效率。
[0026](2)本专利技术集成两个阶段的模型，在第一阶段中利用预筛选模型筛选出重症阴性样本和重症阳性样本，并在第二阶段利用重症监护数据处理模型对第一阶段筛选出来重症阳性样本进行更精准的处理，得到重症监护数据的处理结果，并根据所述处理结果对潜在患者采取相应的措施，不仅避免了让所有潜在患者进行全套医学检查，降低了经济负担，还在一定程度上缓解了医疗资源分配的压力，提高了后续病人的治疗效果和存活率。
附图说明
[0027]图1为本专利技术的重症监护数据处理方法的流程图。
[0028]图2为本专利技术划分静态临床特征数据和动态临床特征数据的流程图。
[0029]图3为本专利技术重新赋予特征权重的流程图。
[0030]图4为本专利技术脓毒症重症阳性样本和脓毒症重症阴性样本中的睁眼反应和语言反应的每个属性之间的占比分布图。
具体实施方式
[0031]附图仅用于示例性说明，不能理解为对本专利的限制；
[0032]下面结合附图和实施例对本专利技术的技术方案做进一步的说明。
[0033]实施例1
[0034]本实施例提出一种重症监护数据处理方法，请参阅图1，包括以下步骤：
[0035]S1：获取重症监护数据集。所述重症监护数据集包括潜在患者对应的临床特征数据。
[0036]S2：将所述临床特征数据划分为静态临床特征数据和动态临床特征数据。
[0037]S3：将所述静态临床特征数据输入预筛选模型进行预筛选，得到重症阳性样本和重症阴性样本。
[0038]S4：根据所述重症阳性样本和所述重症阴性样本，对所述动态临床特征数据重新赋予特征权重。
[0039]S5：将重新赋予特征权重的动态临床特征数据中的重症阳性样本输入重症监护数据处理模型进行处理，得到重症监护数据的处理结果。
[0040]S6:判断所述处理结果的综合评价指标是否最大，如果不是，对所述预筛选模型的筛选比例参数进行更新，跳转执行步骤S3；如果是，则执行步骤S7；
[0041]S7:结束。
[0042]本实施例所提出的重症监护数据处理方法，获取到第一阶段的分流筛选结果后，根据筛选的重症阳性样本和重症阴性样本，重新分配动态数据集中各个特征的权重，降低了与重症监护数据处理结果关联低或无关联的特征的权重，重新分配特征权重后的动态数据用于第二阶段的重症监护数据处理模型进行处理，并根据重症监护数据的处理结果，对预筛选模型进行迭代更新，调整预筛选模型的筛选比例，能够进一步提高模型的处理精度和效率。
[0043]本实施例所提出的重症监护数据处理方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种重症监护数据处理方法，其特征在于，所述方法包括：S1：获取重症监护数据集；所述重症监护数据集包括潜在患者对应的临床特征数据；S2：将所述临床特征数据划分为静态临床特征数据和动态临床特征数据；S3：将所述静态临床特征数据输入预筛选模型进行预筛选，得到重症阳性样本和重症阴性样本；S4：根据所述重症阳性样本和所述重症阴性样本，对所述动态临床特征数据重新赋予特征权重；S5：将重新赋予特征权重的动态临床特征数据中的重症阳性样本输入重症监护数据处理模型进行处理，得到重症监护数据的处理结果；S6:判断所述处理结果的综合评价指标是否最大，如果不是，对所述预筛选模型的筛选比例参数进行更新，跳转执行步骤S3；如果是，则执行步骤S7；S7:结束。2.根据权利要求1所述的重症监护数据处理方法，其特征在于，所述根据所述重症监护数据的处理结果，对所述预筛选模型的筛选比例参数进行调整，具体表达式如下所示：τ
m
＝τ
m
‑1·
Δσθ
m
＝model
m
(X
m
,y
m
,τ
m
)其中，σ
m+1
表示重症监护数据处理模型经过第m+1次迭代的综合评价指标，σ
m
表示重症监护数据处理模型经过第m次迭代的综合评价指标，表示重症监护数据处理模型经过第m次迭代的预测结果对应的AUC值，τ
m
表示重症监护数据处理模型损失函数的参数，Δσ表示当前综合评价指标和上一次综合评价指标的差值，model
m
(
·
)表示重症监护数据处理模型第m次迭代运算，X
m
表示第m次迭代时预筛选模型的输入数据，y
m
表示第m次迭代时预筛选模型的输入标签。3.根据权利要求1所述的重症监护数据处理方法，其特征在于，S4具体包括：S401：分别统计重症阳性样本和重症阴性样本的特征数据分布；S402：对所述特征数据分布进行归一化处理；S403：根据归一化结果，分别对重症阳性样本和重症阴性样本之间对应的特征数据进行相似性度量；S404：根据相似性度量结果，对所述动态临床特征数据重新赋予特征权重。4.根据权利要求3所述的重症监护数据处理方法，其特征在于，S404中，根据相似性度量结果，使用Softmax函数对所述动态临床特征数据重新赋予特征权重，其表达式如下所示：N＝(n1,...,n
s
)，N1＝(n
k
,...n
t
)，N1∈N
k≥1,...

【专利技术属性】
技术研发人员：詹少强，张逸群，潘丹，曾安，姬玉柱，杨宝瑶，蒋艳荣，孙鸿涛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：