一种伤口感染风险评估方法及其系统技术方案

本发明专利技术公开了一种伤口感染风险评估方法及其系统，获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。本发明专利技术可应用于提前预测术后病人在手术后各时间节点感染风险发生情况，为术后的诊疗方案提供临床辅助决策支持。为术后的诊疗方案提供临床辅助决策支持。为术后的诊疗方案提供临床辅助决策支持。

【技术实现步骤摘要】
一种伤口感染风险评估方法及其系统


[0001]本专利技术属于风险评估
，尤其是涉及一种伤口感染风险评估方法及其系统。

技术介绍

[0002]在术后伤口恢复过程中，伤口是无法在正常时间内及时修复到解剖和功能上完整状态的伤口，形成伤口的原因很复杂，因此伤口形成后的评估需要结合临床表征对伤口的病因进行分析，传统的检查方法只是分类逐项的利用各种不同的影像设备描述伤口的大小、深度、创缘、组织以及位置等，结合无菌钝头探针检查浅表层溃疡，记录探针是否探及窦道、溃疡是否有创缘潜行的腔隙、溃疡是否已深达腱鞘和骨关节等，对于患有非典型溃疡或者怀疑恶性溃疡的伤口还需要对溃疡处进行充分的外科准备后，再对溃疡基底切取样本或者抽取脓性物进行培养、菌落技术以及药物敏感试验等，同时进行细菌、分歧杆菌、真菌染色以及组织培养确认菌落的种类，以便于对特定的菌落使用对应的抗生素，加快伤口的愈合，这种检查方法不具备实时性，且通过人为识别创面类型来判断伤口成因的准确度因人而异，不具备识别的稳定性，识别精度不足，也不能够对伤口实现实时监测，是本领域技术人员亟需解决的技术问题，因此需要一种伤口感染风险评估方法。

技术实现思路

[0003]本专利技术的目的是针对上述问题，提供一种伤口感染风险评估方法及其系统。
[0004]为达到上述目的，本专利技术提供如下技术方案：
[0005]包括如下步骤：
[0006]A获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
[0007]B根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
[0008]C确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
[0009]D通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
[0010]进一步地，在步骤B中确定所述用户的伤口等级数据的方法包括以下步骤：
[0011]a对不同区域伤口分别进行损伤识别，其中包括损伤面积、损伤类型以及损伤程度；
[0012]b建立专家数据库预测损伤伤口预计愈合时间；
[0013]C通过识别伤口损伤预测伤口愈合等级数据。
[0014]进一步地，所述底层学习器包括弹性网络线性模型和线性支持向量机以及两个非线性模型分别为核支持向量机和随机森林模型。
[0015]进一步地，将所述伤口等级数据的标注数据集按照7∶1∶2的比例随机分为训练集、验证集和测试集，将训练集分别训练每个底层学习器，迭代运行，直至所有子集均充当过训练集后结束训练。
[0016]进一步地，所述标注数据集包括局部皮温指数、伤口渗液指数和年龄指数等。
[0017]进一步地，所述底层学习器删除指标中重要性≤1％的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标后得到包含用户伤口数据集。
[0018]进一步地，确定ROC愈合曲线的方法包括：
[0019]1)收集数据：收集伤口愈合数据，包括伤口面积、伤口类型、伤口程度、愈合时间等信息。
[0020]2)确定正负样本：将收集到的数据按照伤口愈合时间分类，将愈合时间较短的伤口定义为正样本，愈合时间较长的伤口定义为负样本。
[0021]3)制作混淆矩阵：将样本数据输入到伤口愈合模型中，获得预测结果。根据预测结果和真实结果，制作混淆矩阵，包括真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)。
[0022]4)计算敏感度和特异度：根据混淆矩阵，计算伤口愈合模型的敏感度和特异度。敏感度表示模型能够正确识别正样本的能力，特异度表示模型能够正确识别负样本的能力。
[0023]5)绘制ROC曲线：计算出的敏感度和特异度的数值作为横纵坐标，绘制ROC曲线。
[0024]第二方面，一种伤口感染风险评估系统，包括：
[0025]数据处理模块，用于获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
[0026]分级模块，用于根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；
[0027]训练模块，用于确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
[0028]评估模块，用于通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。
[0029]第三方面，一种电子设备，包括：
[0030]处理器；以及
[0031]被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
[0032]第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
[0033]现有技术相比，本专利技术提供了一种伤口感染风险评估方法的的方法，具备以下有益效果：
[0034]本专利技术可应用于提前预测术后病人在手术后各时间节点感染风险发生情况，为术后的诊疗方案提供临床辅助决策支持。
附图说明
[0035]图1为本专利技术伤口感染风险评估方法的的方法的流程示意图；
[0036]图2为本说明书实施例中口感染风险评估方法元学习器的结构示意图。
[0037]图3为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
[0038]以下实施例仅处于说明性目的，而不是想要限制本专利技术的范围。
[0039]如图1和2所示，在本实施例子中A获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；
[0040]B根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；可以使用这些数据来训练模型，并使用训练好的模型来预测新的伤口是否感染，以将伤口等级数据作为模型的输入特征，将感染情况作为目标变量，在本实施例子中使用卷积神经网络进行训练和预测，将伤口图像作为输入，将伤口等级作为目标变量。训练好的模型可以将伤口图像分类到不同的等级，并输出每个等级的概率值作为结果。
[0041]C确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；
[0042]在元学习器中，本专利技术可以使用AUC作为目标函数，通过调整底层学习器的权重参数来最小化AUC，从而优化集成模型的性能，在本实施例子中使用底层学习器来将伤口等级数据和模型性能评价指标
‑‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种伤口感染风险评估方法，其特征在于：包括如下步骤：A获得用户伤口部位的图像数据，对所述图像数据进行预处理，所述所述图像数据包括伤口面积、伤口类型和伤口深度；B根据预处理后所述图像数据通过图像分类算法确定所述用户的伤口等级数据；C确定ROC愈合曲线作为模型性能评价指标，将所述用户的伤口等级数据和模型性能评价指标输入底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并通过元学习器中获取输出结果；D通过决策树进行加权投票，将所述输出结果增加权重值获得所述用户的伤口感染评估结果。2.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：在步骤B中确定所述用户的伤口等级数据的方法包括以下步骤：a对不同区域伤口分别进行损伤识别，其中包括损伤面积、损伤类型以及损伤程度；b建立专家数据库预测损伤伤口预计愈合时间；C通过识别伤口损伤预测伤口愈合等级数据。3.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：所述底层学习器包括弹性网络线性模型和线性支持向量机，以及两个非线性模型分别为核支持向量机和随机森林模型。4.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：将所述伤口等级数据的标注数据集按照7∶1∶2的比例随机分为训练集、验证集和测试集，将训练集分别训练每个底层学习器，迭代运行，直至所有子集均充当过训练集后结束训练。5.根据权利要求4所述的一种伤口感染风险评估方法，其特征在于：所述标注数据集包括局部皮温指数、伤口渗液指数和年龄指数等。6.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：所述底层学习器删除指标中重要性≤1％的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标后得到包含用户伤口数据集。7.根据权利要求1所述的一种伤口感染风险评估方法，其特征在于：确定ROC愈合曲线的方法包括：1)收集数据：收集伤口愈...

【专利技术属性】
技术研发人员：郭琳，李立峰，杨开宇，
申请(专利权)人：国家康复辅具研究中心，
类型：发明
国别省市：