【技术实现步骤摘要】
本专利技术涉及医疗预测领域，具体涉及了一种胃内容物模型训练方法、介质、装置及其应用。
技术介绍
1、随着医疗技术的进步与临床需求的不断增加，围术期并发症的预防和管理变得愈加重要。特别是在住院手术、日间手术和门诊胃肠镜诊疗等麻醉相关操作中，围术期反流误吸已经成为最严重的并发症之一。反流误吸会导致呼吸道梗阻、肺水肿、肺不张、吸入性肺炎等一系列严重的肺部并发症，甚至在某些情况下会危及患者生命。据统计，手术过程中由于误吸引发的死亡率高达5%，占所有麻醉相关死亡的9%。尤其是在消化内镜诊疗中，反流误吸已成为最主要的严重并发症之一，进一步凸显了准确预测胃内容物量和评估反流风险的重要性。
2、现有的胃内容物模型主要基于年龄和胃窦横截面积（csa）两个变量，通过线性回归模型进行预测，比如，容量=27.0+14.6*右腹横肌csa-1.28*年龄的模型，这种方法虽然在一定程度上提供了有用的信息，但由于其未能纳入患者的其他并发症因素，且仅考虑了简单的线性关系，导致在实际应用中存在一定的偏差。特别是在面对具有复杂病史、多种影响因素以及不同手术类型的患者时，以往模型在准确性和稳定性上存在明显不足，难以充分满足临床需求。因此，开发新的胃内容物评估模型成为迫切需求。
技术实现思路
1、本专利技术的目的是解决现有胃内容物模型预测不准确的问题，具体提供一种准确性更高的一种胃内容物模型及其训练方法、介质、装置及其应用。
2、本专利技术的基础技术方案为：一种胃内容物模型的训练方法，包括采集信息
3、近年来，机器学习作为人工智能的一部分备受关注，因此，也有部分本领域的技术人员采用机器学习的方式训练胃内容物新的模型，机器学习训练新的模型时，通常会包括采集信息数据、数据处理、特征确定、模型训练、验证与测试等几个步骤，在采集信息数据时，以往模型通常会收集患者的基本信息数据和胃窦的横截面积作为模型训练信息，也会收集大量候选预测因素，比如基本信息、术前管理数据、临床信息、手术操作史等，除了会采集年龄、身高、体重等基本信息之外，还会采集一系列病症，如哮喘、帕金森病、冠心病、高血压、肝硬化、神经并发症、脑梗死等病症，也会采集胃肠道手术史；采集信息数据后，经过算法对数据进行处理筛选，以获得筛选后的特征，再加以训练，获得模型。
4、在模型训练中，采用线性回归、随机森林等模型训练的过程中，始终难以达到理想的预测准确度，对此，专利技术人经过研究发现，将perlas分级信息纳入后，训练的模型准确度明显优于以往模型。
5、perlas分级是一种用于评估胃窦状态的系统，主要用于超声检查中。它根据胃窦的内容物情况将胃窦分为不同的级别，以帮助判断误吸风险。0级：仰卧位和右侧卧位时均未见胃内容物，提示没有胃内容物，误吸风险低；1级：仅在右侧卧位时观察到少量液体（通常认为液体量≤1.5 ml/kg），提示胃内小容量的液体，误吸风险较低12；2级：仰卧位和右侧卧位均可见明显液体（液体量>1.5 ml/kg），提示胃内容物较多，误吸风险高。
6、通常perlas分级作为超声检查对胃液量的等级进行定性，而本专利技术人将其特征纳入后，通过模型训练，用作定量目的，从而提升了预测胃液量的准确度，且提升了反流误吸的风险预测准确度。
7、进一步，信息还包括有年龄或/和右侧卧位胃窦横截面积。
8、经过专利技术人的研究发现，在模型的表现上，信息的组合perlas分级+右侧卧位胃窦横截面积（rld csa）+年龄表现最佳，此外， perlas分级+右侧卧位胃窦横截面积（rld csa）的表现优于单独使用右侧卧位胃窦横截面积（rld csa），而perlas分级+年龄的表现也优于单独使用年龄。当然，以上参数的结果均优于以往模型。以往模型即：以perlas教授等研究的容量公式：胃内容量（ml）=27.0+14.6×右侧卧位胃窦横截面积－1.28×年龄。
9、本专利技术提供的另一个基础技术方案为：用以上训练方法获得的胃内容物模型。
10、进一步，该模型所采集的特征是perlas分级；或者由perlas分级和年龄组成；或者由perlas分级和右侧卧位胃窦横截面积组成；或者由perlas分级和年龄和右侧卧位胃窦横截面积组成。
11、进一步，模型包括随机森林模型、极限梯度提升模型、自适应增强模型、梯度提升决策树模型、神经网络模型、k最近邻模型、支持向量机模型、线性回归模型中的任意一种。
12、进一步，随机森林模型使用参数为：max_depth=10, max_features=2, min_samples_leaf=2,min_samples_split=5, n_jobs=-1,random_state=90；
13、极限梯度提升模型使用参数为：colsample_bytree=1.0, gamma=0.2, learning_rate=0.2, max_depth=3, n_estimators=50, subsample=1.0；
14、自适应增强模型使用参数为：decisiontreeregressor(max_depth=3), random_state=90, learning_rate=0.01, loss='exponential', n_estimators=50；
15、梯度提升决策树模型使用参数为：learning_rate=0.01, max_depth=3, max_features='sqrt', min_samples_leaf=2, min_samples_split=5, n_estimators=200；
16、神经网络模型使用参数为：activation='tanh', alpha=0.01, hidden_layer_sizes=(50,), learning_rate='constant', solver='adam'；
17、k最近邻模型使用参数为：algorithm='auto', leaf_size=20, n_neighbors=10,p=2, weights='uniform'；
18、支持向量机模型使用参数为：c=0.1, gamma='scale', kernel='linear'；
19、线性回归模型使用公式为：
20、。
21、选取指标不同，模型的最优使用参数不同，以上参数为当选取perlas分级和年龄和右侧卧位胃窦横截面积组成特征时，各模型的最优参数，其准确度远远优于以往模型。
22、本专利技术使用rf方法构建预测胃内容量的模型：比以往仅采用线性回归模型预测胃内容量的模型，本模型引入rf方法构建胃内容量的模型。基于决策树的集成学习方法，通过结合多个决策树的预测结果，提高模型的稳定性和准确性，尤其在处理非线性关系和异常值时表现优异。
23、使用xgboost方法本文档来自技高网...
【技术保护点】
1.一种胃内容物模型的训练方法，其特征在于：包括采集信息，所述的信息包括Perlas分级。
2.根据权利要求1所述的胃内容物模型的训练方法，其特征在于：所述的信息还包括有年龄或/和右侧卧位胃窦横截面积。
3.利用权利要求1或2的训练方法获得的胃内容物模型。
4.根据权利要求3所述的胃内容物模型，其特征在于：包括有采集特征，所述的特征为Perlas分级、或者由Perlas分级和年龄组成、或者由Perlas分级和右侧卧位胃窦横截面积组成、或者由Perlas分级和年龄和右侧卧位胃窦横截面积组成。
5.根据权利要求4所述的胃内容物模型，其特征在于：包括随机森林模型、极限梯度提升模型、自适应增强模型、梯度提升决策树模型、神经网络模型、K最近邻模型、支持向量机模型、线性回归模型中的任意一种。
6.根据权利要求5所述的胃内容物模型，其特征在于：所述的随机森林模型使用参数为：max_depth=10, max_features=2, min_samples_leaf=2,min_samples_split=5, n_jobs=-1, r
7.利用权利要求4-6任意一项所述胃内容物模型的存储介质。
8.应用权利要求4-6任意一项所述胃内容物模型的装置。
9.权利要求4-6任意一项所述胃内容物模型作为预测胃内容物容量装置的应用。
10.权利要求4-6任意一项所述胃内容物模型作为预测反流误吸风险等级装置的应用。
...【技术特征摘要】
1.一种胃内容物模型的训练方法，其特征在于：包括采集信息，所述的信息包括perlas分级。
2.根据权利要求1所述的胃内容物模型的训练方法，其特征在于：所述的信息还包括有年龄或/和右侧卧位胃窦横截面积。
3.利用权利要求1或2的训练方法获得的胃内容物模型。
4.根据权利要求3所述的胃内容物模型，其特征在于：包括有采集特征，所述的特征为perlas分级、或者由perlas分级和年龄组成、或者由perlas分级和右侧卧位胃窦横截面积组成、或者由perlas分级和年龄和右侧卧位胃窦横截面积组成。
5.根据权利要求4所述的胃内容物模型，其特征在于：包括随机森林模型、极限梯度提升模型、自适应增强模型、梯度提升决策树模型、神经网络...
【专利技术属性】
技术研发人员：段光友，李世琪，黄河，刘洁，
申请(专利权)人：重庆医科大学附属第二医院，
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。