一种基于人工智能的危重症患者体重预测方法及系统与流程

摘要: 本发明涉及临床医学领域,特别涉及一种基于人工智能的危重症患者体重预测方法及系统背景技术:1、体重是反映和衡量一个人健康状况的重要指标之一。体重的变化能够揭示许多...
一种基于人工智能的危重症患者体重预测方法及系统与流程

本发明涉及临床医学领域,特别涉及一种基于人工智能的危重症患者体重预测方法及系统

背景技术:

1、体重是反映和衡量一个人健康状况的重要指标之一。体重的变化能够揭示许多健康问题,如肥胖、消瘦、水肿等,这些问题直接影响个人的健康和生活质量。许多疾病与体重密切相关,例如肥胖、糖尿病、心血管疾病等,临床医生可以根据患者的体重来辅助诊断和监测这些疾病的进展情况。

2、在临床实践中,医务工作者通常会基于患者的体重为其制定个性化的治疗方案,包括饮食调整、运动计划和药物治疗等。特别是在治疗危重病人时,体重是一个重要的监测指标。通过观察体重的变化,医生可以及时发现并评估疾病的进展情况,从而采取适当的治疗措施。此外,定期测量体重也有助于评估治疗的效果,如果患者的体重保持稳定或逐步增加,可能表明治疗方案是有效的。

3、目前,最常用的体重测量方法是使用体重秤。虽然这种方法简单直接,但对于行动不便或病情危重的患者来说,使用体重秤测量体重存在很大的困难。特别是对于那些需要长期卧床的患者,体重秤测量不仅需要大量的人力,还存在潜在的摔伤风险。

4、为了克服这些问题,市场上也出现了一些专用的体重测量设备,例如体重测量床等。然而,这些设备往往价格昂贵,单台设备价格高达数十万元,且需要专人操作和定期维护,操作又十分复杂,增加了医院的运营成本,且限制了其广泛应用。

5、另外,体重测量床的测量效率低:体重测量床测量方法耗时较长,特别是对于卧床的危重症患者,通常需要多名护理人员协助进行测量,效率低下,重复性差。在护理危重病人的过程中,每次测量体重需要2-3名护士协助,整个过程耗时10—15分钟,不仅影响护理工作效率,还增加了护理人员的工作负担。

6、对于体重变化不显著的患者,体重测量床可能无法提供足够精确的数据,从而影响医生对患者病情的评估和治疗方案的制定。在某些长期卧床的患者中,由于体重变化较小,传统体重秤无法提供精确的测量结果,导致医生在制定治疗方案时面临困难。

7、传统体重测量方法(如体重秤)不适用于行动不便或完全卧床的患者,这些患者在使用体重秤时存在操作上的困难和安全隐患。例如,对于骨折或瘫痪的患者,使用传统体重秤进行测量存在较大风险,可能导致患者摔伤或病情加重。

技术实现思路

1、为了解决上述问题,本发明中披露了一种基于人工智能的危重症患者体重预测方法及系统,利用生物电阻抗测量技术获取采样数据,并对数据进行有效提取和分析,实现平卧状态下的体重测量,简化测量流程,同时保证高准确性和高鲁棒性。本发明的技术方案是这样实施的:

2、本发明的第一个方面是公开了一种基于人工智能的危重症患者体重预测方法,所述方法包括如下步骤:

3、s1:患者的临床数据采集;

4、s2:临床数据的预处理;

5、s3:临床数据的分组;将预处理后的临床数据分为训练集和测试集;

6、s4:模型训练;

7、采用集成学习算法融合n个回归算法进行体重预测模型构建;

8、s5:患者体重预测;

9、将所述临床数据输入所述体重预测模型进行体重预测,得到患者预测体重。

10、优选地,还包括s6:治疗指导;基于患者体重预测的结果和随时间变化差异,计算患者药物用药剂量、营养成分、液体管理、运动计划等,供临床医生参考。

11、优选地,所述临床数据包括生物电阻抗数据、性别、身高、年龄和体重信息。

12、优选地,所述数据预处理的具体步骤为:

13、对患者的临床数据进行异常值清除、缺失值填补和归一化操作,得到临床初始数据。

14、优选地,所述步骤s2中数据预处理的具体过程为:

15、s2.1,异常值清除:使用统计方法或机器学习算法识别并移除临床数据中的异常值;

16、s2.2,缺失值填补:采用多重插补、均值填补或回归填补处理缺失数据;

17、s2.3,归一化:使用标准化或归一化将数据缩放到统一范围。

18、优选地,所述s4步骤中,体重预测模型包括抽样、多模型预测和集成学习;

19、抽样:从临床初始数据中的训练集中抽取k个子集;

20、多模型预测:每个子集分别建立一个基模型,采用n个回归算法分别对每一个基模型进行体重预测;

21、集成学习:融合k个基模型的体重预测结果并取均值作为最终的预测结果。

22、优选地,所述s4步骤中,还包括模型评估:抽取测试集中的数据输入所述体重预测模型,计算平均绝对误差mae和决定系数r2以衡量模型的准确性和泛化能力。

23、优选地,所述回归算法包括贝叶斯ridge回归算法、ridge regression回归算法和linear regression回归算法。

24、优选地,所述集成学习的方法包括blending和stacking。

25、本发明的第二方面是公开了一种基于人工智能的危重症患者体重预测系统,所述系统包括数据采集模块、数据预处理模块、数据分组模块、体重预测模型和治疗指导模块;

26、其中,所述数据采集模块用于采集并储存患者的临床数据;

27、所述数据预处理模块用于对患者的临床数据进行预处理;

28、所述数据分组模块用于将预处理后的临床数据分为训练组和测试组;

29、所述体重预测模块用于接收来自所述数据分组模块输出的临床数据并进行体重预测;

30、所述治疗指导模块用于根据所述体重预测模块输出的体重预测结果生成治疗指导信息。

31、本发明利用生物电阻抗测量技术获取采样数据,并对数据进行有效提取和分析,实现平卧状态下的体重测量,简化测量流程,同时保证高准确性和高鲁棒性。本发明通过每日获取患者临床数据,使用构建的预测模型进行体重预测,绘制患者入院期间每日体重变化曲线,如果24小时内体重变化大于2kg,予以预警,引起临床医生关注和采取相应治疗措施。

1.一种基于人工智能的危重症患者体重预测方法,其特征在于,包括步骤如下:

2.根据权利要求1所述的方法,其特征在于,还包括s6:治疗指导;基于患者体重预测的结果和随时间变化差异,计算患者药物用药剂量、营养成分、液体管理、运动计划,供临床医生参考。

3.根据权利要求1所述的方法,其特征在于,所述步骤s1中,所述临床数据包括生物电阻抗数据、性别、身高、年龄和体重信息。

4.根据权利要求1所述的方法,其特征在于,所述步骤s2中,所述数据预处理的具体步骤为:

5.根据权利要求4所述的方法,其特征在于,所述步骤s2中数据预处理的具体过程为:

6.根据权利要求5所述的方法,其特征在于,所述s4步骤中,体重预测模型包括抽样、多模型预测和集成学习;

7.根据权利要求6所述的方法,其特征在于,所述s4步骤中,还包括模型评估:抽取测试集中的数据输入所述体重预测模型,计算平均绝对误差mae和决定系数r2以衡量模型的准确性和泛化能力。

8.根据权利要求6所述的方法,其特征在于,所述回归算法包括贝叶斯ridge回归算法、ridge regression回归算法和linearregression回归算法。

9.根据权利要求6所述的方法,其特征在于,所述集成学习的方法包括bagging和boosting。

10.一种基于人工智能的危重症患者体重预测系统,其特征在于,包括数据采集模块、数据预处理模块、数据分组模块、体重预测模型和治疗指导模块;