一种基于机器学习的老年急腹症高危临床预警方法及系统与流程

摘要: 本发明属于医疗系统,具体涉及一种基于机器学习的老年急腹症高危临床预警方法及系统。背景技术:1、急腹症是以急性腹痛为主要临床表现的急危重症综合症,占急诊就诊量的5...
一种基于机器学习的老年急腹症高危临床预警方法及系统与流程

本发明属于医疗系统,具体涉及一种基于机器学习的老年急腹症高危临床预警方法及系统。

背景技术:

1、急腹症是以急性腹痛为主要临床表现的急危重症综合症,占急诊就诊量的5%~10%。老年急腹症患者因共病复杂、症状隐匿及体征钝化等特点,其高危状态的早期识别尤为困难。研究显示,超过半数的老年急腹症患者需住院治疗,其中20%~33%需即刻手术干预,急诊腹部手术死亡率高达22%,若能在预检分诊窗口早期识别高风险患者,可有效缩短候诊时间并改善患者预后。

2、现有技术中,临床预检分诊普遍采用通用性急诊病情评估工具,例如急诊严重度指数esi、曼彻斯特分诊系统mts等,但其主要依据症状、生命体征及病史等维度进行病情分层,对老年急腹症患者症状不典型、体征钝化等特点缺乏特异性,难以准确评估该类患者的真实危重程度。

3、此外,部分急腹症风险评估工具依赖白细胞计数、白蛋白及直接胆红素等实验室检验指标,在预检分诊窗口阶段无法即时获取,导致风险评估无法在患者就诊第一时间完成,延误了治疗时机。

4、现有技术中,也有一些急腹性模型,但是其多为回顾性,数据完整度低,且对于老龄段没有针对性的手段,导致整体的准确性以及可信度较低,无法为急诊分诊提供精准、快速、可操作的决策支持。

技术实现思路

1、本发明的目的是提出一种基于机器学习的老年急腹症高危临床预警方法及系统,以解决现有技术中的问题。

2、为此,本发明一方面提供一种基于机器学习的老年急腹症高危临床预警方法,包括:

3、获取患者的体征数据;

4、对所述体征数据进行数据预处理;

5、在预处理后的所述体征数据中,提取多项危险因素特征;

6、从多个机器学习预警模型中选定最优机器学习预警模型作为部署模型;

7、将多项所述危险因素特征输入所述部署模型中计算得到高危风险概率值,并可视化显示线列图计算高危风险概率值的过程;

8、根据高危风险概率值触发相应等级的高危预警提示信号。

9、一些实施例中,所述从多个机器学习预警模型中选定最优机器学习预警模型作为部署模型包括:

10、选择多个机器学习预警模型;

11、采用训练数据集对多个机器学习预警模型进行超参数优化;

12、采用外部数据集对多个机器学习预警模型进行多项性能指标评估;

13、对得到的性能指标中的auc值进行排序,确定最大auc值对应的所述机器学习预警模型为部署模型。

14、一些实施例中,所述外部数据集来源于晚于所述训练数据集采集时段的临床病例数据。

15、一些实施例中,所述获取患者的体征数据包括:

16、获取一般资料数据、腹部特征数据、腹部体征数据以及生命体征数据。

17、一些实施例中,所述对所述体征数据进行预处理包括:

18、对所述体征数据进行数据清洗;或

19、对所述体征数据进行变量赋值;或

20、对所述特征数据进行缺失值处理。

21、一些实施例中,所述在预处理后的所述体征数据中,提取多项危险因素特征包括:

22、对所述预处理后的所述体征数据执行单因素分析、lasso回归分析以及多因素logistic回归分析;

23、提取所述预处理后的所述体征数据中的年龄、性别、心脏病史、腹痛部位、压痛、肌紧张、最后进食时间、心率以及体温。

24、一些实施例中,所述将多项所述危险因素特征输入所述部署模型中进行评分处理,并输出高危风险概率值包括:

25、通过绘制工具绘制列线图,并调用预设的映射规则分别将多个危险因素特征映射为分数轴上对应的分数并求和,输出对应的高危风险概率值。

26、一些实施例中,所述预设的映射规则包括:

27、年龄为60岁对应为0分,年龄为100岁对应为60分,年龄为60-100岁之间的对应分数对应映射为0-60分之间的分数值;

28、性别为男性对应27.5分、女性对应0分;

29、有心脏病史对应65分、无心脏病史对应0分;

30、无右上腹疼痛对应55分,有右上腹疼痛对应0分;

31、有腹部压痛对应25分、无腹部压痛对应0分;

32、有腹部肌紧张对应100分、无腹部肌紧张对应0分;

33、末次进食时间大于或等于4小时对应40分、末次进食时间小于4小时对应0分;

34、体温大于或等于37℃对应52.5分、体温小于37℃对应0分;

35、心率大于或等于87次/分对应27.5分、心率小于87次/分对应0分。

36、一些实施例中,所述分数累计的总分值为0-450分,所述总分值与所述高危风险概率值之间的映射关系为:

37、总分值100分对应的所述高危风险概率值为0.1,总分值290分对应的所述高危风险概率值为0.9;

38、总分值为100-290分对应的风险概率值按照概率轴上的刻度位置进行映射读取。

39、另一方面,还提供一种基于机器学习的老年急腹症高危临床预警系统,包括:

40、数据采集模块,用于获取患者的体征数据;

41、预处理模块,用于对所述体征数据进行数据预处理;

42、特征筛选模块,用于在预处理后的所述体征数据中,提取多项危险因素特征;

43、多模型预警模块,用于从所述机器学习预警模型中选定最优机器学习预警模型作为部署模型;

44、风险评价模块,用于将多项所述危险因素特征输入所述部署模型中进行评分处理,根据得到的评分映射为高危风险概率值并输出;

45、预警提示模块,用于根据高危风险概率值触发相应等级的高危预警提示信号。

46、有益效果:

47、1.本发明聚焦老年急腹症患者群体,通过前瞻性研究设计系统识别并验证了该群体特有的9项独立危险因素,=即年龄、性别、心脏病史、腹痛部位、压痛、肌紧张、最后进食时间、心率及体温,填补了老年急腹症风险预警领域的研究空白,实现了对该高风险人群的精准化风险评估。

48、2.本发明所采用的9项危险因素均为预检分诊护士在分诊窗口通过问诊、体格检查和生命体征测量即可独立、简便获取的临床信息,不依赖任何实验室检验或影像学检查结果,使风险评估能够在患者到达急诊后的最短时间内完成,为急诊资源的优化配置和患者的及时诊治争取了宝贵时间。

49、3.本发明通过列线图将logistic回归的复杂数学模型转化为直观的图形化评分工具,预检分诊护士仅需将患者的9项临床参数代入列线图,即可快速获得高危风险概率值,无需理解复杂的算法原理,使每一名患者的每一分均可追溯至对应的危险因素取值,确保了评分的透明性与可复核性。

50、4.本发明构建的预警系统嵌入医院电子预检分诊系统,实现了从数据采集、特征提取、风险预测到预警输出的全流程自动化。系统能够在数秒内完成风险评估并自动触发高危预警提示,将预检分诊从传统的经验决策模式升级为数据驱动的智能化精准决策模式。