气道梗阻严重程度评估方法及系统与流程

1.本发明涉及数据处理领域，具体涉及一种气道梗阻严重程度评估方法及系统。


背景技术：

2.急诊医学是以现代医学科学的发展为基础，以临床医学的救治措施为手段，在机体整体的角度上研究和从事急性病症的及时、快速、有效救治及其科学管理体系的综合性临床学科。随着医学科学的发展，急诊医学已成为一门独立的新型综合性医学学科，也是目前发展最为迅速的临床学科之一。急诊医学不同于常规的门诊医学，对于病情的诊断、救治要求更高，需要医生在短时间内，通过有限的患者病情信息，做出正确的诊断并快速救治，因此能够为急诊医生提供快速高效精准的病情分析方法是十分有意义的。
3.气道梗阻是创伤死亡的重要原因之一，及时有效的气道管理对降低死亡率至关重要。创伤气道管理的核心问题是对气道梗阻早期识别和原因的准确判断。气道管理的核心技术是保护气道、开放气道和建立人工通气，其根本目的是保证良好通气与氧合。在急救紧急条件下，患者是否需要进行气道管理必须尽早做出决定。然而对于存在自主呼吸的患者，做出此决定往往会明显延迟，而一旦发生严重气道梗阻病情会对伤员生命存在巨大威胁。若能在早期对气道进行正确识别和有效干预，患者往往能迅速转危为安。因此，如何使急救医护人员对患者是否存在气道梗阻病症以及气道梗阻的严重程度进行快速精准的判断，是业界面临的一项重要课题。


技术实现要素：

4.本发明提供一种气道梗阻严重程度评估方法及系统，以便辅助相关救治人员对患者气道梗阻做出快速正确评估和及时有效处置，提高紧急突发条件下的救治能力。
5.为此，本发明提供如下技术方案：
6.一种气道梗阻严重程度评估方法，所述方法包括：
7.获取当前患者的即时诊断数据；
8.从所述即时诊断数据中提取关键指标特征数据；
9.将所述关键指标特征数据输入预先基于病人医疗数据源构建的气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分；
10.所述气道梗阻严重程度评估模型包括输入层、三个隐藏层、输出层，所述三个隐藏层与所述输出层为全连接，并且相邻隐藏层之间使用随机失活机制。
11.可选地，所述基于病人医疗数据源构建气道梗阻严重程度评估模型包括：
12.采集病人医疗数据源，并从所述医疗数据源中提取病人就诊相关数据；
13.对所述病人就诊相关数据进行相关性分析，得到关键指标集；
14.对所述关键指标集中的指标进行规范化处理及缺失值填充，得到关键指标样本集；
15.确定所述关键指标样本集中的各样本的气道干预手段标签及与所述气道干预手段标签对应的气道严重程度；
16.根据所述关键指标样本集及所述气道严重程度训练得到气道梗阻严重程度评估模型。
17.可选地，所述病人医疗数据源包括以下任意一种或多种：急诊数据库、护理系统、医院数据库。
18.可选地，所述病人就诊相关数据包括以下任意一种或多种：病人基本信息、病人气道干预记录、病人检测指标、以及病人的意识状态信息；
19.所述病人气道干预记录包括：鼻导管吸氧、面罩吸氧、口咽通气道或气管插管；
20.所述病人检测指标包括：生命体征、血常规、血气分析、凝血功能、急诊生化；
21.所述病人的意识状态信息包括：神志状态、是否躁动。
22.可选地，所述对所述病人就诊相关数据进行相关性分析，得到关键指标集包括：
23.对所述病人检测指标进行相关性解析，得到候选关键指标集；
24.对所述候选关键指标集中的每个候选指标，将其与气道梗阻严重程度的相关系数按绝对值大小进行排序，选择相关系数绝对值大于等于设定阈值的候选指标加入推荐指标集，否则加入剩余指标集；
25.结合医学知识对所述推荐指标集中的各项指标进行重要程度分级，并将所述推荐指标集中的指标加入关键指标集；
26.从所述剩余指标集中选出部分指标加入所述关键指标集；
27.对所述关键指标集中的每个训练样本加入神志状态标签和躁动标签。
28.可选地，所述对所述关键指标集中的指标进行规范化处理包括：
29.如果所述指标在正常区间内，则将所述指标取值为0；
30.如果所述指标高于所述正常区间、并且低于极度危险上限值，则将所述指标取值映射为0到1区间内的值；
31.如果所述指标高于或等于所述极度危险上限值，则将所述指标取值为1；
32.如果所述指标低于所述正常区间、并且高于极度危险下限值，则将所述指标取值映射为0到-1区间内的值；
33.如果所述指标低于或等于所述极度危险下限值，则将所述指标取值为-1。
34.可选地，所述根据所述关键指标样本集及所述气道干预手段标签训练得到气道梗阻严重程度评估模型包括：
35.根据所述关键指标样本集及所述气道干预手段标签，采用mae作为损失函数，使用adam优化器迭代训练，得到气道梗阻严重程度评估模型。
36.一种气道梗阻严重程度评估系统，所述系统包括：
37.数据获取模块，用于获取当前患者的即时诊断数据；
38.特征提取模块，用于从所述即时诊断数据中提取关键指标特征数据；
39.评估模块，用于将所述关键指标特征数据输入预先基于病人医疗数据源构建的气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分；
40.所述气道梗阻严重程度评估模型包括输入层、三个隐藏层、输出层，所述三个隐藏
层与所述输出层为全连接，并且相邻隐藏层之间使用随机失活机制。
41.可选地，所述系统还包括：
42.模型构建模块，用于构建气道梗阻严重程度评估模型；所述模型构建模块包括：
43.数据采集单元，用于采集病人医疗数据源，并从所述医疗数据源中提取病人就诊相关数据；
44.数据分析单元，有于对所述病人就诊相关数据进行相关性分析，得到关键指标集；
45.数据处理单元，用于对所述关键指标集中的指标进行规范化处理及缺失值填充，得到关键指标样本集；
46.标签确定单元，用于确定所述关键指标样本集中的各样本的气道干预手段标签及与所述气道干预手段标签对应的气道严重程度；
47.训练单元，用于根据所述关键指标样本集及所述气道严重程度训练得到气道梗阻严重程度评估模型。
48.可选地，所述数据分析单元包括：
49.数据解析子单元，用于对所述病人检测指标进行相关性解析，得到候选关键指标集；
50.排序处理子单元，用于对所述候选关键指标集中的每个候选指标，将其与气道梗阻严重程度的相关系数按绝对值大小进行排序，选择相关系数绝对值大于等于设定阈值的候选指标加入推荐指标集，否则加入剩余指标集；
51.筛选子单元，用于结合医学知识对所述推荐指标集中的各项指标进行重要程度分级，再将分级后的推荐指标集中的指标加入关键指标集；
52.从所述剩余指标集中选出部分指标加入所述关键指标集；
53.标签添加子单元，用于对所述关键指标集中的每个训练样本加入神志状态标签和躁动标签。
54.本发明实施例提供的气道梗阻严重程度评估方法及系统，预先基于病人医疗数据源构建气道梗阻严重程度评估模型，从当前患者的即时诊断数据中提取关键指标特征，然后将所述关键指标特征输入所述气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分。从而智能辅助急救医护人员对患者是否存在气道梗阻病症进行快速精准的判断，指导救治人员对气道梗阻快速正确评估和及时有效处置，提高气道梗阻救治的效率。
附图说明
55.图1是本发明实施例中气道梗阻严重程度评估模型的结构示意图；
56.图2是本发明实施例中构建气道梗阻严重程度评估模型的流程图；
57.图3是本发明实施例中对所述关键指标集中的指标进行缺失值填充的流程图；
58.图4是本发明实施例气道梗阻严重程度评估方法的流程图；
59.图5是本发明实施例气道梗阻严重程度评估系统的结构示意图；
60.图6是本发明实施例中模型构建模块的结构示意图。
具体实施方式
61.本发明实施例提供一种气道梗阻严重程度评估方法及系统，预先基于病人医疗数据源构建气道梗阻严重程度评估模型，从当前患者的即时诊断数据中提取关键指标特征，然后将所述关键指标特征输入所述气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分。从而智能辅助急救医护人员对患者是否存在气道梗阻病症进行快速精准的判断，指导救治人员对气道梗阻快速正确评估和及时有效处置，提高气道梗阻救治的效率。
62.在本发明实施例中，所述气道梗阻严重程度评估模型采用机器学习模型，该模型采用多层感知机结构，如图1所示，该模型包括输入层、三个隐藏层、以及输出层。其中，三个隐藏层与输出层为全连接，并且相邻隐藏层之间使用随机失活机制，通过线性整流函数(rectified linear unit，relu)激活函数进行计算。relu激活函数通常指代以斜坡函数及其变种为代表的非线性函数。
63.下面首先对本发明实施例中构建气道梗阻严重程度评估模型的过程进行详细说明。
64.如图2所示，是本发明实施例中构建气道梗阻严重程度评估模型的流程图，包括以下步骤：
65.步骤201，采集病人医疗数据源，并从所述医疗数据源中提取病人就诊相关数据。
66.所述病人医疗数据源可以包括但不限于以下任意一种或多种：急诊数据库、护理系统、医院数据库。
67.所述病人就诊相关数据可以包括但不限于以下任意一种或多种：病人基本信息(比如年龄、性别等)、病人气道干预记录(比如鼻导管吸氧、面罩吸氧、口咽通气道或气管插管)、病人检测指标(比如生命体征、血常规、血气分析、凝血功能、急诊生化等)、以及病人的意识状态信息(比如神志状态、是否躁动等信息)。
68.步骤202，对所述病人就诊相关数据进行相关性分析，得到关键指标集。
69.在具体实施时，可以采用皮尔逊(pearson)相关性分析技术对生命体征、血常规、血气分析、凝血功能等检测指标集进行解析，结合医学先验知识，形成候选关键指标集。
70.pearson相关系数是介于-1和1之间的数值，描述两个变量之间的线性关联程度，若两个变量的相关系数绝对值越接近1，表示相关度越强；若相关系数为0，表示两个变量之间不存在线性相关。
71.pearson相关系数计算公式如下：
[0072][0073]
公式中x和y分别表示两个变量，cov(x,y)计算量变量的协方差，σx、σy分别计算变量x和y的方差；公式可分解为最右侧的形式，分别表示变量x和y的平均值，xi、yi分别表示x和y的第i个样本数值，共n个样本。
[0074]
对候选关键指标集中的每个候选指标，将其与气道梗阻严重程度的相关系数按绝对值大小进行排序，选择相关系数绝对值大于等于阈值t的指标加入推荐指标集，否则加入
剩余指标集。
[0075]
通过pearson相关系数计算公式求得的指标权重，一定程度上能够描述指标对于气道梗阻现象的重要程度，但也存在一定偏差。通过分析病人的就诊记录，发现大多数气道梗阻患者为多发伤，多伴随头部损伤、胸腹部损伤等现象。由于多发伤的存在，使得病人的其它病情导致的生理指标变化，对判断病人是否发生气道梗阻产生一定的影响。例如：红细胞计数的相关性权重很高，但该指标对气道影响并不大，该指标的权重设置较大的话，会导致模型的泛化能力变差。因此在选取关键指标集时，需要结合医学先验知识，对相关性分析给出的指标权重进行修订，将部分医学上与病情相关性较小的指标的权重调低。因此，关键指标集的确立，首先结合医学知识对推荐指标集中的各项指标进行重要程度分级，将分级后的推荐指标集加入关键指标集；对剩余指标集中的各项指标进行筛选，选取部分医学上对病情意义较大的指标加入关键指标集。
[0076]
比如，对于关键指标集中的各项指标，根据pearson相关性系数的排序结果及医学知识，将全部指标划分为3个等级，分别给予不同权重，相同级别下的指标权重相同。关键指标集如表1所示。
[0077]
表1：
[0078][0079]
另外，经过大量实验发现，病人的昏迷程度和是否躁动这些生理现象，对气道梗阻的判断起到一定影响，因此在关键指标集中加入神志状态标签和躁动标签，用于描述病人的当前精神状态。
[0080]
步骤203，对所述关键指标集中的数据进行规范化处理及缺失值填充，得到关键指标样本集。
[0081]
对于不同的病人，由于年龄、性别、身体素质等个体差异的不同，各项生理指标都会在一定幅度内存在偏差。以呼吸率为例：60-100均为正常水平，只有低于50或高于120才较为严重。由于正常范围的评判区间较大，个体差异对于模型就会产生较大的影响。因此可以根据现有医学先验知识，采用规范化方法对数据进行处理，以减少个体差异对模型带来的影响。
[0082]
具体规范化处理方法如下：
[0083]
如果某项指标处于正常区间内，则将该指标取值为0；
[0084]
如果所述指标高于或等于极度危险上限值(存在致死风险)，则将该指标取值为1；
[0085]
如果指标高于所述正常区间、并且低于所述极度危险上限值，则将该指标取值映射到0到1区间内；
[0086]
如果所述指标低于或等于极度危险下限值，则将所述指标取值为-1；
[0087]
如果所述指标低于所述正常区间、并且高于所述极度危险下限值，则将所述指标取值映射到0到-1区间内。
[0088]
例如基本生命体征中的呼吸率(rr)，当rr《8时记录为-1，表示rr取值过低已达到极度危险的程度；rr≥8且rr＜12时记录取值放缩到-1至0之间；rr≥12且rr＜24时为取值正常，记录为0；rr≥24且rr＜34时记录取值放缩到0至1之间；当rr≥34时记录为1，表示rr取值过高已达到极度危险的程度。对于其它各项检测指标，正常区间的取值和过高、过低的极值可以由统计方法结合医学先验知识计算得出。
[0089]
由于患者有可能因为各种原因没有检测某项指标，可能导致部分指标记录缺失。对于缺失数据的填补方案，将患者数据规范化后，首先采用k邻近(k-nearest neighbor，knn)预测缺失值填充方法。对于存在某指标k缺失的患者，knn填充方法首先需要从全部患者数据中选出指标k未缺失且其它指标缺失较少的患者数据作为训练样本集t。将患者待填补的指标k去除，计算该患者与t中各样本数据的相似性，选取n个与该患者最相似的样本数据，计算该指标的平均值作为填充值。若该患者缺失值过多难以比较与其它样本的相似性，或训练样本中没有n个与该患者相似的样本数据，则采用0值填充方法(正常值填充方法)。这种填充方法可以理解为如果病人未检测该项指标，则默认为该指标正常。在应用过程中，患者会随着检测进展增加检测指标数目，预测准确率也会随之增加。如急救最开始只有基本生命体征数据，其它指标均缺失，此时得到的预测结果准确性较差。随着获取到的指标越来越多，预测的精确性也会越来越高，因此对于缺失值过多(检测指标数目较少的患者)，采用0值填充方法能对患者进行相对准确的初步诊断。
[0090]
图3示出了本发明实施例中对所述关键指标集中的指标进行缺失值填充的流程图，包括以下步骤：
[0091]
步骤301，患者指标k缺失。
[0092]
步骤302，判断患者缺失指标数目是否过多，比如超出总指标数目的30％如果是，则执行步骤303；否则，执行步骤307。
[0093]
步骤303，从全部患者数据中，选择未缺失指标k且缺失值少的患者数据，构建训练样本集t。
[0094]
步骤304，使用除指标k以外的其余指标，计算患者与训练样本集t中各样本相似性。
[0095]
步骤305，判断是否存在至少n个样本与患者高度相似，即各项指标的差异都较小。如果是，则执行步骤306；否则，执行步骤307。n取值过高会导致大量样本难以匹配，取值过低容易受个例的影响，实验时n一般取5-10。
[0096]
步骤306，采用最相似的n个样本的指标k的均值作为填充值，对所述患者指标k进行填充。
[0097]
步骤307，将所述患者的缺失指标k填充为0。
[0098]
通过上述对患者缺失指标的填充，可以得到对应每个患者的完整指标。每人患者的完整指标及对应的神志状态标签和躁动标签，作为一个关键指标样本，得到关键指标样
本集。
[0099]
继续参照图2，在步骤204，确定所述关键指标样本集中的各样本的气道干预手段标签及与所述气道干预手段标签对应的气道严重程度。
[0100]
气道严重程度根据采用的干预手段而设定，比如：无气道干预表示严重程度最低，气道严重程度设为1；干预手段为鼻导管吸氧，将气道严重程度设为2；干预手段为气管插管或气管切开，表示严重程度最高，设为10。
[0101]
步骤205，根据所述关键指标样本集及所述气道严重程度训练得到气道梗阻严重程度评估模型。
[0102]
该气道梗阻严重程度评估模型可以使用adam优化器进行迭代训练，采用mae(平均绝对误差)作为损失函数。mae公式定义如下：
[0103][0104]
其中，n为数据量，表示患者气道梗阻的真实严重程度，表示患者气道梗阻的预测严重程度，通过最小化mae值，使得模型更加拟合训练数据。
[0105]
需要说明的是，在上述模型建立过程中所提到的患者或者病人均指普通意义上的病人，即有就诊记录的病人，而非特指某个病人或某类病人。
[0106]
本发明实施例提供的气道梗阻严重程度评估方法，利用上述气道梗阻严重程度评估模型，针对当前患者，可以辅助相关救治人员对患者气道梗阻做出快速正确评估和及时有效处置，提高紧急突发条件下的救治能力。
[0107]
如图4所示，是本发明实施例气道梗阻严重程度评估方法的流程图，包括以下步骤：
[0108]
步骤401，获取当前患者的即时诊断数据。
[0109]
所述即时诊断数据包括：基本生命体征、检测数据、意识状态标签等。
[0110]
步骤402，从所述即时诊断数据中提取关键指标特征数据。
[0111]
与气道梗阻严重程度评估模型建立时提取关键指标集类似，对当前患者，从其即时诊断数据中提取关键指标特征数据。所述关键指标特征主要有表1所示的指标：
[0112]
步骤403，将所述关键指标特征数据输入气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分。
[0113]
模型的输出为气道梗阻严重程度评分，可以是浮点型数值。
[0114]
本发明实施例提供的气道梗阻严重程度评估方法，预先基于病人医疗数据源构建气道梗阻严重程度评估模型，从当前患者的即时诊断数据中提取关键指标特征，然后将所述关键指标特征输入所述气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分。从而智能辅助急救医护人员对患者是否存在气道梗阻病症进行快速精准的判断，指导救治人员对气道梗阻快速正确评估和及时有效处置，提高气道梗阻救治的效率。
[0115]
相应地，本发明实施例还提供一种气道梗阻严重程度评估系统，如图5所示，是该系统的一种结构示意图。
[0116]
在该实施例中，所述系统包括以下各模块：
[0117]
数据获取模块501，用于获取当前患者的即时诊断数据；
[0118]
特征提取模块502，用于从所述即时诊断数据中提取关键指标特征数据；
[0119]
评估模块503，用于将所述关键指标特征数据输入预先基于病人医疗数据源构建的气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模型的输出得到所述患者的气道梗阻严重程度评分。
[0120]
在本发明这施例中，所述气道梗阻严重程度评估模型包括输入层、三个隐藏层、输出层，所述三个隐藏层与所述输出层为全连接，并且相邻隐藏层之间使用随机失活机制。
[0121]
所述气道梗阻严重程度评估模型可以由相应的模型构建模块建立，图6是本发明实施例中模型构建模块的结构示意图。
[0122]
该模型构建模块包括：
[0123]
数据采集单元601，用于采集病人医疗数据源，并从所述医疗数据源中提取病人就诊相关数据；
[0124]
数据分析单元602，有于对所述病人就诊相关数据进行相关性分析，得到关键指标集；
[0125]
数据处理单元603，用于对所述关键指标集中的指标进行规范化处理及缺失值填充，得到关键指标样本集；
[0126]
标签确定单元604，用于确定所述关键指标样本集中的各样本的气道干预手段标签及与所述气道干预手段标签对应的气道严重程度；
[0127]
训练单元605，用于根据所述关键指标样本集及所述气道严重程度训练得到气道梗阻严重程度评估模型。
[0128]
其中，所述数据分析单元602具体可以包括以下各子单元：
[0129]
数据解析子单元，用于对所述病人检测指标进行相关性解析，得到候选关键指标集；
[0130]
排序处理子单元，用于对所述候选关键指标集中的每个候选指标，将其与气道梗阻严重程度的相关系数按绝对值大小进行排序，选择相关系数绝对值大于等于设定阈值的候选指标加入推荐指标集，否则加入剩余指标集；
[0131]
筛选子单元，用于结合医学知识对所述推荐指标集中的各项指标进行重要程度分级，将分级后的推荐指标集中的指标加入关键指标集；从所述剩余指标集中选出部分医学上对病情意义较大的指标加入所述关键指标集；
[0132]
标签添加子单元，用于对所述关键指标集中的每个训练样本加入神志状态标签和躁动标签。
[0133]
需要说明的是，在具体实施时，所述模型构建模块可以作为本发明系统的一部分，也可以独立于本发明系统，对此本发明实施例不做限定。另外，关于所述模型构建模块中各单元、子单元的原理、工作方式的更多内容，可以参照前面本发明方法实施例中的相关描述，这里不再赘述。
[0134]
本发明实施例提供的气道梗阻严重程度评估系统，预先基于病人医疗数据源构建气道梗阻严重程度评估模型，从当前患者的即时诊断数据中提取关键指标特征，然后将所述关键指标特征输入所述气道梗阻严重程度评估模型，根据所述气道梗阻严重程度评估模
型的输出得到所述患者的气道梗阻严重程度评分。从而智能辅助急救医护人员对患者是否存在气道梗阻病症进行快速精准的判断，指导救治人员对气道梗阻快速正确评估和及时有效处置，提高气道梗阻救治的效率。
[0135]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0136]
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：rom/ram、磁碟、光盘等。
[0137]
相应地，本发明实施例还提供一种用于气道梗阻严重程度评估方法的系统，该系统是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。
[0138]
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及系统，其仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。