基于数据驱动的麻醉辅助决策方法和相关设备与流程

摘要: 本技术涉及数据处理,尤其涉及基于数据驱动的麻醉辅助决策方法和相关设备。背景技术:1、相关技术中,麻醉是临床手术中常用的医学手段。根据麻醉师的资历和经验不同,很难...
基于数据驱动的麻醉辅助决策方法和相关设备与流程

本技术涉及数据处理,尤其涉及基于数据驱动的麻醉辅助决策方法和相关设备。

背景技术:

1、相关技术中,麻醉是临床手术中常用的医学手段。根据麻醉师的资历和经验不同,很难掌握好麻醉的剂量,容易造成麻醉不足或麻醉过量的问题。

2、综上,相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出基于数据驱动的麻醉辅助决策方法和相关设备,能够考虑到药物之间的相互作用,降低数据维度,减少模型的复杂性并提升表达能力,该方法通过使用药物数据和心率hr、肌电emg预测镇静指数,能够随时更新,评估更加方便快速且成本低,能够广泛用于对麻醉用药进行辅助决策。

2、为实现上述目的,本技术实施例的一方面提出了基于数据驱动的麻醉辅助决策方法,所述方法包括以下步骤:

3、获取临床病例数据集;

4、对所述临床病例数据集进行预处理,得到预处理后的数据集;

5、采用滑动窗口对所述预处理后的数据集进行分割,将同一时间窗口内的各数据片段组合为样本,并以所述时间窗口内的镇静指数作为样本标签,构建训练样本集和验证样本集;

6、构建辅助决策模型,利用所述训练样本集及其所述样本标签对所述辅助决策模型进行迭代训练,在每轮训练中计算所述辅助决策模型输出的预测值与标签真实值之间的损失,并基于所述损失对模型参数进行优化更新;

7、在训练过程中,利用所述验证样本集对当前迭代得到的所述辅助决策模型进行验证,得到验证损失值;

8、当所述验证损失值小于预设损失阈值,或连续预设轮数不再下降并开始上升时,判定满足训练停止条件并终止训练,得到完整辅助决策模型;

9、将采集的患者数据输入所述完整辅助决策模型,得到镇静指数预测值。

10、在一些实施例中,所述获取临床病例数据集,包括:

11、通过医院信息系统或麻醉信息管理系统获取临床病例数据集;

12、所述临床病例数据集包括基本信息数据集、监测指标数据集和药物信息数据集;

13、所述基本信息数据集包括身高数据、体重数据、年龄数据和性别数据;

14、所述监测指标数据集包括镇静指数、心率和肌电数据;

15、所述药物信息数据集包括丙泊酚用量和瑞芬太尼用量。

16、在一些实施例中,所述对所述临床病例数据集进行预处理,得到预处理后的数据集,包括:

17、对获取的初始的所述临床病例数据集进行数据清洗,剔除其中不符合预设的药物信息完整条件、监测指标数据缺失超过设定阈值的病例数据,得到第一数据;

18、对清洗后的所述第一数据采用线性插值法或邻近值填充法进行缺失值补充,填补心率、肌电或镇静指数监测指标中的缺失数据,得到第二数据;

19、对缺失值补充后的所述第二数据采用低通滤波算法进行去噪处理,滤除高频干扰信号,得到第三数据;

20、对去噪处理后的所述第三数据采用移动平均平滑算法进行平滑处理,消除数据中的波动,得到预处理后的数据集。

21、在一些实施例中,所述采用滑动窗口对所述预处理后的数据集进行分割,将同一时间窗口内的各数据片段组合为样本,并以所述时间窗口内的镇静指数作为样本标签,构建训练样本集和验证样本集,包括:

22、采用设定步长和设定宽度的滑动窗口,分别对预处理后的基本信息数据、药物信息数据和监测指标数据进行分割,得到若干基本信息数据片段、药物数据片段和监测指标数据片段;

23、将同一滑动窗口覆盖的时间范围内的所述基本信息数据片段、所述药物数据片段和所述监测指标数据片段进行组合,构建为一个样本,并以所述滑动窗口覆盖的时间范围内的镇静指数作为所述样本的标签;

24、将所有构建完成的所述样本按照预设比例划分为训练样本集和验证样本集;所述训练样本集用于模型的迭代训练;所述验证样本集用于训练过程中模型的性能验证和超参数调优。

25、在一些实施例中,所述构建辅助决策模型,利用所述训练样本集及其所述样本标签对所述辅助决策模型进行迭代训练,在每轮训练中计算所述辅助决策模型输出的预测值与标签真实值之间的损失,并基于所述损失对模型参数进行优化更新,包括:

26、构建辅助决策模型;所述辅助决策模型包括趋势提取网络、双向长短期记忆网络和特征增强网络;

27、所述趋势提取网络用于从心率和肌电数据中提取反映患者生理状态变化的指标趋势特征;

28、所述双向长短期记忆网络包括前向传播层和后向传播层,在所述前向传播层的每一时刻输入计算中,将实际参数值乘以可学习的权重矩阵进行加权;所述权重矩阵包括丙泊酚用量权重系数、瑞芬太尼用量权重系数以及基本参数的权重系数;

29、所述特征增强网络用于将所述双向长短期记忆网络每一时刻输出的隐藏状态进行展平操作,得到第一向量;

30、基于预设数量时刻的前向传播的所述第一向量、后向传播的所述第一向量以及所述指标趋势特征,经全连接层和激活函数处理后得到镇静指数预测值;

31、利用所述训练样本集及其所述样本标签对所述辅助决策模型进行迭代训练,在每轮训练中采用均方误差损失函数计算所述镇静指数预测值与所述样本标签中的真实镇静指数之间的损失函数值;所述损失函数值为每一时刻预测值与真实值之差的平方和的平均值;所述损失函数值用于通过反向传播算法计算模型各层参数的梯度;

32、在所述全连接层后插入丢弃层,通过随机丢弃部分神经元降低模型对训练数据的过拟合;

33、采用l2正则化对模型参数进行约束,将正则化项加入损失函数中参与梯度计算;

34、使用自适应矩估计优化器根据损失函数计算的梯度对所述权重矩阵、所述双向长短期记忆网络的权重和所述全连接层的权重进行协同优化更新。

35、在一些实施例中,所述在训练过程中,利用所述验证样本集对当前迭代得到的所述辅助决策模型进行验证,得到验证损失值,包括:

36、在每一轮迭代训练完成后,将验证样本集中的样本数据输入当前迭代得到的所述辅助决策模型,由所述辅助决策模型输出对应的镇静指数预测值;

37、采用与训练过程中相同的损失函数计算模型输出的镇静指数预测值与验证样本集中样本标签的真实镇静指数之间的损失值,将所述损失值作为当前迭代轮次的验证损失值。

38、在一些实施例中,所述当所述验证损失值小于预设损失阈值,或连续预设轮数不再下降并开始上升时,判定满足训练停止条件并终止训练,得到完整辅助决策模型,包括:

39、将当前迭代轮次的所述验证损失值与上一迭代轮次的所述验证损失值进行比较,判断所述验证损失值是否已连续不再下降或出现上升趋势;

40、当所述验证损失值小于预设的损失阈值,或者所述验证损失值已连续预设轮数不再下降并开始上升时,判定满足训练停止条件,终止迭代训练过程,否则继续进行下一轮迭代训练,直至满足训练停止条件,得到训练好的完整辅助决策模型。

41、在一些实施例中,所述将采集的患者数据输入所述完整辅助决策模型,得到镇静指数预测值,包括:

42、采集患者的临床数据;所述临床数据包括基本信息数据、监测指标数据和药物信息数据;所述基本信息数据包括身高、体重、年龄和性别;所述监测指标数据包括镇静指数、心率和肌电;所述药物信息数据包括丙泊酚用量和瑞芬太尼用量;

43、将所述临床数据进行预处理,得到符合模型输入要求的输入数据;

44、将所述输入数据输入训练好的所述完整辅助决策模型;

45、使用所述完整辅助决策模型通过其趋势提取网络从所述输入数据中的心率和肌电数据中提取指标趋势特征,通过其双向长短期记忆网络对所述输入数据中的药物信息和基本信息进行处理并在前向传播中利用可学习的权重矩阵对丙泊酚用量和瑞芬太尼用量进行加权,通过其特征增强网络将双向长短期记忆网络各时刻输出的隐藏状态进行展平后与指标趋势特征融合,经全连接层处理后输出镇静指数预测值。

46、为实现上述目的,本技术实施例的另一方面提出了基于数据驱动的麻醉辅助决策系统,用于实现如前面所述方法,所述系统包括:

47、数据获取模块,用于获取临床病例数据集;

48、数据处理模块,用于对所述临床病例数据集进行预处理,得到预处理后的数据集;采用滑动窗口对所述预处理后的数据集进行分割,将同一时间窗口内的各数据片段组合为样本,并以所述时间窗口内的镇静指数作为样本标签,构建训练样本集和验证样本集;

49、模型构建模块,用于构建辅助决策模型,利用所述训练样本集及其所述样本标签对所述辅助决策模型进行迭代训练,在每轮训练中计算所述辅助决策模型输出的预测值与标签真实值之间的损失,并基于所述损失对模型参数进行优化更新;

50、模型训练模块,用于在训练过程中,利用所述验证样本集对当前迭代得到的所述辅助决策模型进行验证,得到验证损失值;当所述验证损失值小于预设损失阈值,或连续预设轮数不再下降并开始上升时,判定满足训练停止条件并终止训练,得到完整辅助决策模型;

51、数据预测模块,用于将采集的患者数据输入所述完整辅助决策模型,得到镇静指数预测值。

52、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。

53、为实现上述目的,本技术实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。

54、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。

55、本技术实施例至少包括以下有益效果:本技术提供基于数据驱动的麻醉辅助决策方法、系统、电子设备、存储介质及程序产品,本技术包括:获取临床病例数据集;对临床病例数据集进行预处理,得到预处理后的数据集;构建训练样本集和验证样本集;构建辅助决策模型;在训练过程中,利用验证样本集对当前迭代得到的辅助决策模型进行验证,得到验证损失值;当验证损失值小于预设损失阈值,或连续预设轮数不再下降并开始上升时,判定满足训练停止条件并终止训练,得到完整辅助决策模型;将采集的患者数据输入完整辅助决策模型,得到镇静指数预测值。本技术通过使用药物数据和心率hr、肌电emg预测镇静指数,能够随时更新,评估更加方便快速且成本低,能够广泛用于对麻醉用药进行辅助决策。