【技术实现步骤摘要】
本专利技术涉及麻醉药剂量预测的，尤其涉及一种基于大数据分析的麻醉药剂量预测方法。
技术介绍
1、近年来，麻醉药剂量在手术和治疗过程中是关键的医疗参数，直接影响患者的手术效果和安全性，传统的麻醉药剂量计算方法基于医生的经验和患者的一般特征，如年龄、体重等，存在个体差异大、精准度不高的问题。大数据技术的发展使得医疗行业可以收集、存储和分析大规模的医疗数据，包括患者的生理参数、病史、手术过程中的监测数据等，这些数据通过合适的算法和模型进行分析，从而揭示药物剂量与患者特征、手术类型、生理状态等之间的复杂关系，能够个性化地为每位患者预测最佳的麻醉药剂量，提高手术的安全性和效率，是医疗信息
的一个重要发展方向。
2、目前,申请号为cn202311210971.4的中国专利技术专利公开了一种药物剂量预测系统及方法，公开了药物剂量预测系统及方法，能够实现用户自主增加新的预测模型，适配多种开发语言，支持各种环境下的数据引入，能实现多种形式的结果展现，对新的开发语言的对接和模型的引入具有良好的可扩展性，能够实现快速的调参和模型训练，完成新药物的药物剂量的预测，但是现有技术不能基于大数据分析的麻醉药剂量预测方法通过充分利用大规模的医疗数据和先进的分析技术提高麻醉管理的个性化、精确度和可解释性，不能快速分析出患者个体需要的麻醉药注射剂量，从而降低麻醉师的工作负担。
技术实现思路
1、本专利技术解决的技术问题是：现有技术不能基于大数据分析的麻醉药剂量预测方法通过充分利用大规模的医疗数据和先
2、为解决上述技术问题，本专利技术提供如下技术方案：一种基于大数据分析的麻醉药剂量预测方法，包括以下步骤：
3、步骤s1：获取麻醉药注射的患者信息，所述患者信息包括患者的生物指标数据，以及对应的麻醉药注射方式、注射剂量和麻醉药种类；
4、步骤s2：根据所述生物指标数据，利用lasso回归模型筛选第一特征因素，利用logistic回归模型分析所述第一特征因素，得到第二特征因素，根据所述第一特征因素和第二特征因素，预测影响到麻醉剂剂量的其他因素特征，将所述其他因素特征与第二特征因素结合得到第三特征因素；
5、步骤s3：将所述第三特征因素进行多因素回归分析，得到所述第三特征因素对麻醉药注射剂量的影响力，将所述影响力对应的第三特征因素按比例分为训练组和对照组；
6、步骤s4：将所述训练组放回所述lasso回归模型并结合十折交叉验证法筛选预测因子，根据所述预测因子和麻醉部位及面积建立线性回归模型，使用列线图的形式使所述线性回归模型可视化；
7、步骤s5：调整训练组对所述线性回归模型进行调整，利用对照组对所述线性回归模型进行评估，评估误差小于预设值时得到预测模型。
8、优选地，所述步骤s1包括：
9、所述生物指标数据包括年龄、身高、bmi、体重、年龄、asa分级、麻醉部位及面积、手术时间、麻醉时间、合并用药、手术术式、心率、脑电双频指数值、血氧饱和度和患者入室时间点、诱导前时间点、插管时间点、手术开始时间点、手术结束时间点和拔管时间点的平均动脉压数值区间，根据生物指标数据对患者进行分组；
10、所述麻醉药注射方式按照患者手术涉及的身体部位分组。
11、优选地，所述步骤s2包括：
12、所述第一特征因素表示与麻醉药注射剂量相关的因素，所述第二特征因素表示所述第一特征因素中影响麻醉药注射剂量的特征因素，根据所述第一特征因素和第二特征因素，采用逐步回归分析方法通过大数据检索，预测影响麻醉剂剂量的其他因素特征，将所述其他因素特征与第二特征因素结合得到第三特征因素，所述第三特征因素表示影响麻醉药注射剂量的因素。
13、优选地，利用lasso回归模型筛选所述生物指标数据和基因型数据中与麻醉药注射剂量相关的第一特征因素包括：
14、对所述生物指标数据进行同长度的哈夫曼编码，并将所述哈夫曼编码定义为自变量，将麻醉药注射剂量定义为因变量，对所述自变量和因变量中的缺失值进行中位数填充，对所述自变量进行归一化运算，建立基于所述自变量和因变量的lasso回归模型，在所述lasso回归模型中添加一个正则化项来实现特征选择，正则化项的系数由用户定义的参数λ控制，将所述自变量和因变量以个体为单位按照小组比例分为第一训练集和第一测试集；
15、在训练集上拟合lasso回归模型，定义所述lasso回归模型训练的目标为最小化损失函数，所述损失函数包括原始的损失函数和正则化项；
16、使用交叉验证法选择最优的正则化参数λ，将λ带入所述lasso回归模型，重复训练所述lasso回归模型，根据重复训练完成的lasso回归模型，获取所有待得到的特征因素的系数，对所有系数按照绝对值从大到小排序，保留系数大于预设阈值的特征因素，使用保留的特征因素重新训练lasso回归模型，将重新训练后的lasso回归模型的若干特征的系数压缩至零，得到第一特征因素。
17、优选地，交叉验证法选择所述最优的正则化参数λ包括：
18、采用k折交叉验证法，将所述第一训练集分成k份，设定lasso回归模型的形式，选择一组λ的候选值，将所述第一训练集的k-1份作为第二训练集，将所述第一训练集剩余的一份作为第二验证集，在所述第二训练集上拟合lasso回归模型，利用均方误差根据验证集评估模型的性能，记录各个λ值的验证集评估指标，计算各个λ值的k个交叉验证的平均性能指标，选择最小化mse的λ值作为最优正则化参数。
19、优选地，所述步骤s3包括：
20、将所述第三特征因素进行多因素回归分析，得到所述第三特征因素对麻醉药注射剂量的影响力，所述影响力采用百分比表示，除去影响力低于0的特征因素，得到影响因素，根据所述影响力和对应的影响因素建立饼状趋势图，将所述影响因素按比例分为训练组和对照组；
21、将所述影响因素按比例分为训练组和对照组包括依次随机挑选各个影响因素中占同种影响因素总体20％的患者定义为对照组，剩余占同种影响因素总体80％的患者定义为训练组。
22、优选地，进行多因素回归分析包括：
23、采用逐步回归分析方法，通过step函数逐步加入或删除自变量，利用泊松回归法初步预测因变量，逐步引入或排除可能的预测因子，得到最优的预测因子，根据最优的所述预测因子得到自变量组合，根据所述自变量组合进行多因素回归分析，从多因素回归分析的结果中随机选择若干影响因素，所述影响因素包括自变量的系数，使用柱状图将所述影响因素在横轴上表示，麻醉剂剂量在纵轴上表示，各个影响因素分别对应一个柱形；
24、将所述影响因素的80％分为训练组，将所述影响因素的20％分为对照组。
25、优选地，所述步骤s4包括：
26、所述十折交叉验证法即将所述k折交叉验证法中的k改为10；...
【技术保护点】
1.一种基于大数据分析的麻醉药剂量预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述步骤S1包括：
3.如权利要求2所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述步骤S2包括：
4.如权利要求3所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，利用Lasso回归模型筛选所述生物指标数据和基因型数据中与麻醉药注射剂量相关的第一特征因素包括：
5.如权利要求4所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，交叉验证法选择所述最优的正则化参数λ包括：
6.如权利要求5所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述步骤S3包括：
7.如权利要求6所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，进行多因素回归分析包括：
8.如权利要求7所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述步骤S4包括：
9.如权利要求8所述的一种基于大数据分析的麻醉药剂量预测方法
10.如权利要求9所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述线性回归模型评估指标及预测效能包括：
...【技术特征摘要】
1.一种基于大数据分析的麻醉药剂量预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述步骤s1包括：
3.如权利要求2所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，所述步骤s2包括：
4.如权利要求3所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，利用lasso回归模型筛选所述生物指标数据和基因型数据中与麻醉药注射剂量相关的第一特征因素包括：
5.如权利要求4所述的一种基于大数据分析的麻醉药剂量预测方法，其特征在于，交叉验证法选择所述最优的...
【专利技术属性】
技术研发人员：熊永乐，张海，袁哲，赵彦春，
申请(专利权)人：河南省洛阳正骨医院河南省骨科医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。