建立ICU患者病情评估模型的方法和服务器

摘要

本申请提供了一种建立ICU患者病情评估模型的方法和服务器，该方法包括：获取ICU历史患者的生命体征数据和治疗结果；对生命体征数据进行特征提取得到对应的特征向量，根据特征向量训练特征向量与治疗结果之间的分析模型；分析模型用于根据ICU当前患者的实时生命体征数据评估所述当前患者的治疗结果。利用该分析模型并结合ICU当前患者的生命体征数据评估其治疗结果，从而对治疗结果产生可靠的预测。

说明书

技术领域

本申请涉及医疗数据分析领域，尤其涉及一种建立ICU患者病情评估模型的方法和服务器。

背景技术

医院重症监护室(Intensive Care Unit，ICU)是个危重病密集、病情多变、危象丛生的场所，对危重病人进行连续或接近连续的观察、诊疗和监护的地方。ICU救治小小的不及时就会大大增加病人死亡的风险。在产生这些危及情况的前期，一些不寻常的生命体征就会出现，并伴随着常见并发症。目前的医疗ICU治疗手段主要依靠医生的经验和相关领域知识的积累，使得工作效率和诊疗质量不高。目前在患者病情监控评估领域，各种医疗条件下有许多使用医学知识的评分系统。例如，在患者肾衰竭的结果可以用急性生理评分(12生理变量)，慢性健康评分(器官功能障碍)进行预测，并利用APACHEⅡ评分进行整体评估。这些传统的医学评分方法能够一定程度上对病人的病情进行评估，但是评分体系刻板，个性化程度低，并且无法对医生进一步的决策产生有效支撑。

近年来，随着电子信息技术的迅速发展，医院信息系统(Hospital InformationSystem，HIS)和数字医疗设备的广泛应用，医疗与健康数据量不断膨胀，数据库和分布式文件系统等技术的发展解决了海量数据的存储和数据检索的效率问题，但无法改变“数据爆炸但知识贫乏”的现象。ICU是临床科室中多种信息交汇的地方，该场景集合了大量患者体征数据，包括血压、体温、心率、心电等各种生命体征参数；大量图像连续监测数据，包括音视频图像信息乃至超声便携式设备监测信息；大量设备监测数据，包括高级生理监护仪、起搏除颤监护仪、心肺复苏机、高级转运呼吸机监测数据；大量患者病历数据，如电子病历(Electronic Medical Record，EMR)等系统都存在数据交互。但目前对ICU全面、连续的数据缺乏有效的利用。

发明内容

有鉴于此，本申请实施例提供了一种建立ICU患者病情评估模型的方法和服务器，用以解决现有技术中ICU医疗数据的利用和挖掘不充分，信息化程度较低的技术问题。

根据本申请实施例的一个方面，提供了一种建立ICU患者病情评估模型的方法，所述方法包括：获取ICU历史患者的生命体征数据和治疗结果；对所述生命体征数据进行特征提取得到对应的特征向量，根据所述特征向量训练所述特征向量与治疗结果之间的分析模型；所述分析模型用于根据ICU当前患者的实时生命体征数据评估所述当前患者的治疗结果。

根据本申请实施例的另一方面，提供了一种服务器包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取ICU历史患者的生命体征数据和治疗结果；对所述生命体征数据进行特征提取得到对应的特征向量，根据所述特征向量训练所述特征向量与治疗结果之间的分析模型；所述分析模型用于根据ICU当前患者的实时生命体征数据评估所述当前患者的治疗结果。

本申请实施例的有益效果包括：利用ICU历史患者的医疗数据训练出生命体征数据与治疗结果之间的分析模型，进一步利用该分析模型并结合ICU当前患者的生命体征数据评估其治疗结果，从而对治疗结果产生可靠的预测。

附图说明

通过以下参照附图对本申请实施例的描述，本申请的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是本申请实施例建立ICU患者病情评估模型的方法的流程示意图；

图2是本申请实施例建立ICU患者病情评估模型的方法的流程示意图；

图3是本申请实施例建立ICU患者病情评估模型的方法的流程示意图。

具体实施方式

以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

本申请实施例对ICU历史患者的医疗数据进行充分挖掘和分析，训练出一个分析模型，利用该分析模型对ICU当前患者的治疗效果进行评估，以提高ICU救治的成功率。该分析模型能够随着ICU医疗数据的积累而自动更新，使评估结果越来越准确，还能对获取到的ICU当前患者的生命体征数据进行调整和评估，以辅助医护人员寻找到成功率最高且代价最小的医疗方案。

图1是本申请实施例提供的一种建立ICU患者病情评估模型的方法，适用于服务器，该方法包括以下步骤。

S10，获取ICU历史患者的生命体征数据和治疗结果。

ICU历史患者是指在本院接受过ICU诊疗的患者，包括已经康复出院和死亡的患者，这些历史患者的医疗数据作为训练分析模型的样本数据。

生命体征数据反映患者各项生理指标，包括但不限于个人信息(例如年龄、性别、身高、体重等)、检验信息(例如血常规、尿常规、精神压力等)、图像信息(例如CT、核磁共振、超声等)、诊疗信息(例如治疗、医护人员操作、用药等)、电子病历信息和ICU期间监护设备的时序信息(例如心电监护仪、呼吸机、血压等)等各种格式的大量数据。

治疗结果是一种标签数据，反映患者在ICU的诊疗效果，例如代表“好转、恶化、死亡”等信息的标签数据。

从数据库中获取ICU历史患者的生命体征数据和治疗结果作为训练分析模型的样本数据。

S11，对生命体征数据进行特征提取得到对应的特征向量，根据特征向量训练特征向量与治疗结果之间的分析模型；分析模型用于根据ICU当前患者的实时生命体征数据评估当前患者的治疗结果。

可利用特征提取算法对生命体征数据进行分析，得到其对应的特征向量。再根据该特征向量及其对应的治疗结果训练分析模型。

在本申请的一个实施例中，可通过以下方法得到该分析模型。假设一位患者的数据包括：

X_i＝[x₁,x₂,x₃,...x_n]；

y；

其中，X_i代表该患者的生命体征数据集，x₁,x₂,x₃,...x_n对应患者身高、体重、血压、血氧等各个维度的生命体征数据，共有n个维度；y代表患者的治疗结果标签数据，对应治疗结果(例如好转、恶化、死亡等)中的一种。

相应的，大量的历史患者数据所形成的数据集为：

X＝[X₁,X₂,X₃,...X_n]^T；

Y＝[y₁,y₂,y₃,...y_m]^T。

针对生命体征数据中不同类型的数据进行数据处理和特征提取，将不同类型的数据提取出的特征组成特征向量X'＝f_feature(X)，其中，f_feature函数是数据处理与特征提取函数，作用是从原始的X数据集中应用相应算法处理成适合于训练分析模型的特征集X'。

在进行数据处理时，针对不同的数据类型使用不同的数据处理函数。例如，针对时序数据和图像数据，可以对缺失值做内插运算，对异常值做平滑处理等处理函数；针对离散数据，可以用同类型的均值、中值或者其他统计量来代替缺失值和异常值。在进行特征提取时，同样针对不同的数据类型使用不同的特征提取函数。例如针对时序数据，要保留一段时间的时序数据，然后提取时域和频域的信息；时域特征的提取包括但不限于计算这段时序数据的均值、方差、各阶范数、各种级数展开等统计参数，频域特征的提取包括但不限于利用傅里叶变换、小波变换等数学工具提取的各种频谱特征信息。针对其他类型的数据，则可利用与其数据类型对应的常见的特征提取函数，在必要时可以利用多个属性提取出一个或多个特征。

利用生命体征数据对应的特征向量和治疗结果标签数据，训练分析模型：

Y'＝F_θ(X')；

F＝arg min∑(log(Y')-log(Y))²；

其中，F_θ代表模型函数，Y'是分析模型根据历史数据集训练得到的判断结果；F为F_θ的约束条件(即选取和训练分析模型的约束条件)；θ是使误差函数∑(log(Y')-log(Y))²最小的向量值，属于该误差函数解空间的向量。，即对于所有患者，上述分析模型评估得到的治疗结果Y'和历史数据中患者实际的治疗结果Y之间的总误差最小。随着历史数据的不断积累，该分析模型的评估结果越准确，总误差越小。

本实施例中，利用ICU历史患者的医疗数据训练出生命体征数据与治疗结果之间的分析模型，可利用该分析模型并结合ICU当前患者的生命体征数据评估其治疗结果，从而对治疗结果产生可靠的预测，利用上述建立分析模型的方法，可以训练出误差较小的分析模型，并且随着历史患者的数据积累，分析模型的不断更新，结果误差也会越小。下面对更新分析模型的过程作进一步说明，在一个实施例中，该方法进一步包括以下步骤。

S12，根据最近一次统计时长内积累的ICU历史患者的生命体征数据和治疗结果更新分析模型。

利用积累的生命体征数据和治疗结果更新分析模型：

Y'＝F_θ(X')；

F＝arg min∑(log(Y')-log(Y))²。

将其中F＝arg min∑(log(Y')-log(Y))²改写为：

J(θ)＝∑(log(F(X'))-log(Y))；

min_θJ(θ)。

对于函数J(θ)求偏导J：

其中，θ_i表示更新之前的值，表示按梯度方向减少的量，α表示步长，也就是每次在梯度减少的方向上的变化量。

对于向量θ，每一维分量θ_i都可以求出一个梯度的方向，从而可确定一个整体方向，在变化的时候朝着减少量最多的方向进行变化就可以达到一个最小点，无论它是局部的还是全局的，则这个最小点对应的F_θ就是均方根误差最小的分类模型F。

本实施例中，对分析模型进行更新时向着误差函数各梯度方向上减少量最多的方向进行变化，使其均方根误差结果尽可能小，从而使分析模型的误差也随之更小。

训练得到分析模型后，即可利用分析模型对ICU当前患者的治疗结果进行预测。在一个实施例中，如图2所示，该方法进一步包括以下步骤。

S13，获取ICU当前患者的实时生命体征数据并进行特征提取，得到实时生命体征数据对应的特征向量。

ICU当前患者是指当前正在ICU进行监护的患者。针对ICU当前患者，将当前ICU病房医护人员和监护设备产生的实时生命体征数据用与步骤S11相同的数据处理和特征提取算法，构建出描述当前患者生命体征的特征向量。

实时生命体征数据的数据处理和特征提取可以根据ICU监护设备的采样间隔设置计算间隔，每次采样到新的数据对时序数据进行一个数据处理和特征提取运算。对于其他数据类型，在一次计算后可以重复使用。在对实时的时序数据进行处理时，系统保留一定时长的历史数据，以保证时序数据中的信息不被丢失。最后，将不同类型提取出的特征组合在一起，构成当前患者的实时生命体征数据对应的特征向量。

S14，将实时生命体征数据对应的特征向量输入分析模型，评估当前患者的治疗结果。

例如，当前患者的实时生命体征数据为X_new＝[x₁,x₂,x₃,...x_n]，利用数据处理和特征提取算法后得到该当前患者的实时生命体征数据对应的特征向量X'_new，利用分析模型评估得到该当前患者的治疗结果Y'_new＝F(X'_new)。

Y'_new代表利用分析模型评估得到的当前患者的治疗结果，可以是代表“好转、恶化和死亡”等结果的标签数据中的一种。基于评估得到的不同治疗结果，如果表明患者的生命体征状况会比目前更糟糕(即存在恶化或者死亡的危险)，系统将给医护人员发出预警信息，以提示其改进治疗方案或提前采取应急措施。

本实施例中，利用分析模型对ICU当前患者的治疗结果进行预测，有助于医护人员及时发现病情恶化的危险，以便尽快改变治疗方案，提高ICU患者的存活率，并且在预测出恶化或死亡的结果时，会向医护人员发出预警提示，以便及时采取应对措施。此外，在另一个实施例中，还可以自动利用该分析模型辅助医护人员确定后续治疗方案，如图3所示，该方法进一步包括以下步骤。

S15，自动对获取到的实时生命体征数据进行调整，将调整后的实时生命体征数据对应的特征向量输入分析模型，得到既能改善评估后的治疗结果还能使调整的代价最小的生命体征数据调整方案。

ICU病房内医护人员和监护设备实时采集生命体征数据，这些数据包括心率、血氧、血压等医疗专用指标，它们在医学上都有一个正常值区间。结合患者当前的生命体征数据和医学上该指标正常值区间，可以判断出患者哪些指标异常和异常的程度。根据医学知识，控制不同指标需要付出的代价也不相同。例如，性别、年龄等这样医生无法控制的指标，代价为无穷大；而体温、血压、血氧等可以控制的指标，则可以根据控制这些指标的难易程度来定义代价。在利用分析模型每次评估患者的治疗结果后，系统会结合改变不同指标难易程度的代价矩阵来自动选取并改变一个或多个已经产生异常的指标，把这些异常指标调整到正常值区间后，重新输入到分析模型对该患者的治疗结果进行评估。通过对比之前评估的治疗结果，来确定控制这些指标是否会有效改善患者的治疗结果，并结合控制不同指标的代价，给医护人员指出按何种顺序改变何种指标能在付出最小代价的同时最大程度改善患者的治疗结果，也就是给出下一步更为合理的诊疗建议。

改变生命体征的代价矩阵为C＝[C₁,C₂,C₃,...C_n]；患者当前的生命体征数据为X_new＝[x₁,x₂,x₃,...x_n]。利用分析模型探索患者最佳诊疗建议的方法为：设i，j属于[1,n]区间，x_j为患者当前的生命体征数据中某个维度的数据，x_i为寻找的该维度所需要调整到的目标数据。调整后的生命体征数据X_i＝[x₁,x₂,x₃,...x_j→i,...x_n]，其中x_j→i代表该维度数据从x_j调整为x_i。

依据特征提取算法得到调整后的生命体征数据X_i对应的特征向量X'_i，将特征向量X'_i输入分析模型得到对应的评估结果Y'_i＝F(X'_i)；如果得到的评估结果Y'_i同时满足以下条件：

(1)Y'_i优于Y'_new，其中Y'_new代表当前患者的实时生命体征数据X_new所得到的评估结果；

(2)arg min(X'_i·C)，即特征向量X'_i对应的数据调整的总代价最小；

当上述条件(1)和(2)同时满足时，则将该维度数据从x_j调整为x_i。

本实施例中，自动调整获取到的生命体征数据并利用分析模型评估调整后的治疗结果及其相应代价，找到既能改善治疗结果又能付出最小代价的诊疗建议，以辅助医护人员下一步的诊疗决策更为合理、有效。

在系统架构上，本申请实施例可以独立架设一套服务器设备来训练分析模型、预测治疗结果以及给出诊疗建议，或者直接与医院ICU现有设备和系统集成，根据实时数据自动直接产生评估结果，以便更早发现患者的潜在危险。在更早发现潜在危险的基础上，更进一步的，能够依据评估结果结合医学专业知识自动调整患者的生命体征指标，并结合指标调整的代价矩阵，给出科学的诊疗建议。

此外，本申请实施例中，服务器可以通过硬件处理器(hardware processor)来实现上述各个功能步骤。服务器包括：处理器，用于存储处理器可执行指令的存储器；其中，处理器被配置为：获取ICU历史患者的生命体征数据和治疗结果；对生命体征数据进行特征提取得到对应的特征向量，根据特征向量训练特征向量与治疗结果之间的分析模型；分析模型用于根据ICU当前患者的实时生命体征数据评估当前患者的治疗结果。

在一个实施例中，对生命体征数据进行特征提取得到对应的特征向量，根据特征向量训练特征向量与治疗结果之间的分析模型包括：针对生命体征数据中不同类型的数据进行特征提取，生成生命体征数据对应的特征向量；根据特征向量和治疗结果建立分析模型，即

Y'＝F_θ(X')；

F＝arg min∑(log(Y')-log(Y))²；

其中，X'代表特征向量，F_θ代表模型函数，Y'代表分析模型根据特征向量训练得到的评估结果；F为F_θ的约束条件，θ是使误差函数∑(log(Y')-log(Y))²最小的向量值，即对于所有患者使分析模型评估得到的Y'和历史患者的治疗结果Y之间的总误差最小。

在一个实施例中，该处理器进一步被配置为：根据最近一次统计时长内积累的ICU历史患者的生命体征数据和治疗结果更新分析模型。

在一个实施例中，根据最近一次统计时长内积累的ICU历史患者的生命体征数据和治疗结果更新分析模型包括：

根据积累的ICU历史患者的生命体征数据更新对应的特征向量，同时使得更新后的特征向量得到的评估结果与原有的评估结果之间的均方根误差最小。

在一个实施例中，该处理器进一步被配置为：获取ICU当前患者的实时生命体征数据并进行特征提取，得到实时生命体征数据对应的特征向量；将实时生命体征数据对应的特征向量输入分析模型，评估当前患者的治疗结果。

在一个实施例中，该处理器进一步被配置为：如果评估当前患者的治疗结果弱于当前患者的实时状态，则发出预警信息。

在一个实施例中，该处理器进一步被配置为：自动对获取到的实时生命体征数据进行调整，将调整后的实时生命体征数据对应的特征向量输入分析模型，得到既能改善评估后的治疗结果还能使调整的代价最小的生命体征数据调整方案。

在一个实施例中，自动对获取到的实时生命体征数据进行调整，将调整后的实时生命体征数据对应的特征向量输入分析模型，得到既能改善评估后的治疗结果还能使调整的代价最小的生命体征数据调整方案包括：

根据生命体征数据中各个维度数据的调整代价建立代价矩阵C＝[C₁,C₂,C₃,...C_n]；其中C₁…C_n代表各个维度数据的调整代价；

在当前患者的生命体征数据X_new＝[x₁,x₂,x₃,...x_n]中，为某个维度数据x_j所寻找的调整后的目标数据x_i，得到调整后的生命体征数据X_i＝[x₁,x₂,x₃,...x_j→i,...x_n]，其中x_j→i代表该维度数据从x_j调整为x_i；

依据特征提取算法得到调整后的生命体征数据X_i对应的特征向量X'_i，将特征向量X'_i输入分析模型得到对应的评估结果Y'_i；

如果得到的评估结果Y'_i同时满足以下条件：

Y'_i优于Y'_new，其中Y'_new代表当前患者的实时生命体征数据X_new所得到的评估结果；

arg min(X'_i·C)，即特征向量X'_i对应的数据调整的总代价最小；

则将该维度数据从x_j调整为x_i。

在一个实施例中，生命体征数据包括个人信息、检验信息、图像信息、诊疗信息、电子病历信息和ICU监护设备的时序信息中的多种信息的组合。

本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。