产后出血预测方法、装置、终端及存储介质与流程

1.本技术属于预测技术领域，尤其涉及一种产后出血预测方法、装置、终端及存储介质。


背景技术：

2.产后出血(postpartum hemorrhage，pph)可导致多种并发症，例如，围产期子宫切除、多器官衰竭、弥散性血管内凝血障碍和席汉氏综合征等，严重者甚至死亡。可见，降低产后出血率对于降低孕产妇死亡率和保障母婴健康及安全具有重要意义。研究表明，如果及时采取恰当的早期临床干预措施，大多数与产后出血相关的死亡可以避免，其中，早期干预措施包括：充分的围分娩前准备、精准备血、合适的分娩时机和方式、及时的救治等。
3.同时，现有技术中针对普通人群孕妇经阴道分娩或剖宫产分娩、或疤痕子宫、或前置胎盘、或子痫前期的孕妇开发了几个产后出血临床预测模型。然而，由于数据质量差或缺乏外部验证以及样本量不足等，这些模型被认为具有较高的偏倚风险。此外，这些模型只能分别识别处于某一种产后出血高风险的妇女，且不能准确预测产后出血的严重程度，从而导致延误诊治，甚至导致严重的围产期风险。


技术实现要素：

4.鉴于此，本技术实施例提供一种产后出血预测方法、装置、终端及存储介质，以解决上述技术问题。
5.本技术实施例的第一方面提供了一种产后出血预测方法，包括：
6.根据预定标准，采集孕产妇临床数据；
7.对临床数据进行高级筛选，以获取若干候选独立变量，并对独立变量进行分类，以获取产前变量、产时变量和产后变量；
8.基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量构建第一模型，以在分娩前不考虑分娩方式的前提下，通过第一模型预测是否会发生产后出血，以及：
9.基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第二模型，以在分娩方式为剖宫产时，通过第二模型预测是否会发生产后出血，以及：
10.基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第三模型，以在分娩方式为阴道分娩时，通过第三模型预测是否会发生产后出血，以及：
11.基于人工神经网络和极端梯度推进算法，结合产前变量、产时变量和产后变量构建第四模型，以在分娩方式为剖宫产或阴道分娩时，通过第四模型预测产后出血严重程度。
12.本技术实施例的第二方面提供了一种产后出血预测装置，包括：
13.采集模块，用于根据预定标准，采集孕产妇临床数据；
14.筛选模块，用于对临床数据进行高级筛选，以获取若干候选独立变量，并对独立变量进行分类，以获取产前变量、产时变量和产后变量；
15.构建模块，用于基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变
量构建第一模型，以在分娩前不考虑分娩方式的前提下，通过第一模型预测是否会发生产后出血，以及：
16.基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第二模型，以在分娩方式为剖宫产时，通过第二模型预测是否会发生产后出血，以及：
17.基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第三模型，以在分娩方式为阴道分娩时，通过第三模型预测是否会发生产后出血，以及：
18.基于人工神经网络和极端梯度推进算法，结合产前变量、产时变量和产后变量构建第四模型，以在分娩方式为剖宫产或阴道分娩时，通过第四模型预测产后出血严重程度。
19.本技术实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
20.本技术实施例的第四方面提供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如第一方面所述方法的步骤。
21.本技术的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端上运行时，使得所述终端执行上述第一方面所述方法的步骤。
22.由上可见，本技术通过基于三种不同的机器学习方法，结合实际的回顾性多中心病例数据，在考虑不同分娩方式的前提下，分阶段构建不同的模型，非常有助于产后出血的早期诊断和干预，最终提高临床救治的精准度、医疗资源分配的效率和患者的预后。
23.本技术通过机器学习算法构建临床预测模型具有准确性与高效性，可以广泛应用于临床预测技术领域。
附图说明
24.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1是本技术实施例提供的一种产后出血预测方法的流程图；
26.图2是图1的应用状态示意图；
27.图3是本技术实施例提供的一种产后出血预测装置的结构图；
28.图4是本技术实施例提供的一种终端的结构图。
具体实施方式
29.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
30.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、
操作、元素、组件和/或其集合的存在或添加。
31.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
32.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
33.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0034]
具体实现中，本技术实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
[0035]
在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
[0036]
终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
[0037]
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
[0038]
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0039]
为了说明本技术所述的技术方案，下面通过具体实施例来进行说明。
[0040]
如图1-2所示，一种产后出血预测方法，该方法包括以下步骤：
[0041]
步骤101，根据预定标准，采集孕产妇临床数据；
[0042]
其中，预定标准可以是：1)在医院接受常规产前检查的妇女；2)分娩时孕周≥28周；3)孕产妇的医疗记录完整且随时可得。
[0043]
采集的范围可以是我国三所以上三甲医院的孕产妇临床数据，三甲医院可以为广州医科大学第三附属医院、南方医科大学南方医院、东莞市人民医院等。
[0044]
临床数据包括人口统计数据、产前并发症、分娩和产后信息以及孕产妇和新生儿结局等数据。
[0045]
进一步的，还可以对采集到的孕产妇临床数据进行初步筛选，例如，排除具有超过预设阈值(例如，20％)缺失观察值的数据。
[0046]
在一个可选的实施方式中，当采集到孕产妇临床数据时，还可以对临床数据进行
高级筛选，以获取若干个候选独立变量，本实施例中，获取了50个候选独立变量，包括：孕产妇年龄、体重指数、流产史、子宫肌瘤剔除史、本孕阴道流血、妊娠期高血压疾病、妊娠合并糖尿病、血液系统疾病、自身免疫性疾病、子宫肌瘤、产前血红蛋白、宫缩抑制剂、前置胎盘、引产、软产道损伤、胎盘植入、胎盘滞留、胎盘早剥、产时发热、产后24h内阴道出血、血氧饱和度、心率、凝血酶原时间、活化部分凝血活酶时间、纤维蛋白原、血红蛋白、血细胞比容等，但是具体实施时不限于此，可以根据实际需要进行数量和变量的设置，同时，对独立变量进行分类，本实施例中，分成三类，具体为：
[0047]
1)产前变量，其为分娩前一周内的最新产前检查结果，例如，产前血红蛋白、胎位异常、妊娠合并症等；
[0048]
2)产时变量，例如，分娩方式、胎盘滞留、胎盘早剥、产时发热、是否催引产等；
[0049]
3)产后变量，其包括分娩后2小时内生命体征的平均值，实验室指标是分娩后24小时内的平均值，例如，纤维蛋白原、血细胞比容、血小板计数、血氧饱和度等；
[0050]
其中，高级筛选方式可以为由产科医生、统计学家和临床研究人员组成的多学科专家小组根据专家意见、共识声明和文献综述进行综合评估筛选。
[0051]
进一步地，对筛选出的候选独立变量进行单变量回归分析以评估候选预测因子的效力，当与产后出血量相关(系数p《0.01)的变量被纳入预测模型。
[0052]
本实施例中，纳入预测模型的产前变量，包括：年龄、体重指数、产次、流产史、剖宫产史、子宫肌瘤剔除史、产后出血史、本孕阴道流血、妊娠期高血压疾病、妊娠合并糖尿病、血液系统疾病、自身免疫性疾病、子宫肌瘤、产前血红蛋白、宫缩抑制剂、受孕方式、未足月胎膜早破、胎膜早破、先露异常、胎儿数量、前置胎盘；
[0053]
纳入预测模型的产时变量，包括：分娩方式、阴道助产、催引产、软产道损伤、胎盘植入、胎盘滞留、胎盘残留、胎盘早剥、产时发热、新生儿出生体重、第一产程延长、第二产程延长、第三产程延长等；
[0054]
纳入预测模型的产后变量，包括：分娩后2h呼吸频率、血氧饱和度、心率、收缩压、舒张压、体温、凝血酶原时间、凝血酶原活性、活化部分凝血活酶时间、纤维蛋白原、血红蛋白、红细胞压积、血小板计数等。
[0055]
步骤102，基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量构建第一模型，以在分娩前不考虑分娩方式的前提下，通过第一模型预测是否会发生产后出血，以及：
[0056]
基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第二模型，以在分娩方式为剖宫产时，通过第二模型预测是否会发生产后出血，以及：
[0057]
基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第三模型，以在分娩方式为阴道分娩时，通过第三模型预测是否会发生产后出血，以及：
[0058]
基于人工神经网络和极端梯度推进算法，结合产前变量、产时变量和产后变量构建第四模型，以在分娩方式为剖宫产或阴道分娩时，通过第四模型预测产后出血严重程度，其中，可以根据剖宫产和阴道分娩的产后出血量将pph的严重程度分为五级，如下表所示：
[0059][0060][0061]
本实施例中，分别纳入第一模型、第二模型、第三模型、第四模型的具体变量如下表所示：
[0062]
[0063][0064]
需要说明的是，由于第一模型、第二模型和第三模型是二分类预测模型，所以，使用人工神经网络、支持向量机、极端梯度推进算法进行模型开发，而第四模型预测剖宫产或
阴道分娩中产后出血的严重程度，为多分类预测模型，但是，支持向量机为二进制分类算法，无法用于构建多分类预测模型，因此，仅使用人工神经网络和极端梯度推进算法开发第四模型。
[0065]
显然，通过基于三种不同的机器学习方法，结合实际的回顾性多中心病例数据，在考虑不同分娩方式的前提下，分阶段构建不同的模型，非常有助于产后出血的早期诊断和干预，最终提高临床救治的精准度、医疗资源分配的效率和患者的预后。
[0066]
进一步地，根据预设的规则，将孕产妇临床数据按照预设的比例划分为训练数据集、内部验证数据集和外部测试数据集，以分别对第一模型、第二模型、第三模型和第四模型进行验证，以确保机器学习模型的稳定性和外推能力；
[0067]
本实施例中，将广州医科大学第三附属医院收集的数据集以7:3的比例随机分为单独的训练数据集和内部验证数据集，将南方医科大学南方医院和东莞市人民医院收集的数据集用作外部测试数据集，但不限于此，可以根据具体情况设置。
[0068]
更进一步地，由于第一模型、第二模型和第三模型旨在区分产后出血和非产后出血结果的二分类模型，所以，可以用受试者工作特征曲线下面积(auc)、准确度、混淆矩阵和校准曲线对它们进行评估，而第四模型可以用精确度、召回率、综合评价指标(f1-measure)和校准曲线进行评估。
[0069]
另外，还可以对预测变量的贡献度排序，具体：
[0070]
变量重要性是一个标量度量，最大值为100分，通过使用xgboost中的梯度树提升方法，从与产后出血相关的候选变量中筛选出前十名得分最高的变量，即，可以对产后出血预测的贡献度进行排序。
[0071]
步骤103，根据预测结果，输出预设的处理建议，例如，当预测结果为无出血风险时，可以输出按照正常围分娩操作等类似指示，当预测结果为产后出血严重程度5级时，则提前启动预设的操作流程，例如，准备充足的血液，提前通知家属等。
[0072]
本技术基于机器学习算法构建产后出血临床预测模型，具有极强的智能性，其能够运用医学知识模拟医学专家诊断疾病的推理过程并给出合理的疾病治疗方案，不仅能实现分阶段预测孕产妇产科疾病风险，对可能导致产妇产后出血的因素进行筛查，还能及时提出相应的诊疗指引，指导产后出血后的规范化操作，起到辅助临床医生及时作出精准的诊疗决策并解决复杂医学问题，即，通过ai辅助诊疗，有利于降低误诊率和漏诊率；
[0073]
同时，本技术基于机器学习算法构建产后出血临床预测模型，可将产科专家的长期实践、积累、摸索出的经验知识、科研成果与计算机技术结合，建立一整套完善的集疾病诊断、专家在线诊断和广泛的信息咨询服务为一体的网络化疾病诊断体系，从而使产科专家的知识、经验以及分析解决问题的方法得以在不同等级救治平台上共享，提高基层医院的医疗救治水平与技术资源乃至医护人员的综合能力，进而提升医学诊疗流程的服务效率和服务质量。
[0074]
另外，本技术完善的医学知识库综合了医学领域各科医学知识，运用该知识库的诊断系统其诊断水平甚至可以超过一个单独的医学专家，并且系统不会像人类专家一样因为疲劳或者有压力等主观因素而影响疾病的判断，大大提高了疾病的诊治效率。
[0075]
参见图3，图3是本技术实施例提供的一种产后出血预测装置的结构图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0076]
所述产后出血预测装置包括：
[0077]
采集模块301，用于根据预定标准，采集孕产妇临床数据；
[0078]
筛选模块302，用于对临床数据进行高级筛选，以获取若干候选独立变量，并对独立变量进行分类，以获取产前变量、产时变量和产后变量；
[0079]
构建模块303，用于基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量构建第一模型，以在分娩前不考虑分娩方式的前提下，通过第一模型预测是否会发生产后出血，以及：
[0080]
基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第二模型，以在分娩方式为剖宫产时，通过第二模型预测是否会发生产后出血，以及：
[0081]
基于人工神经网络、支持向量机、极端梯度推进算法，结合产前变量和产时变量构建第三模型，以在分娩方式为阴道分娩时，通过第三模型预测是否会发生产后出血，以及：
[0082]
基于人工神经网络和极端梯度推进算法，结合产前变量、产时变量和产后变量构建第四模型，以在分娩方式为剖宫产或阴道分娩时，通过第四模型预测产后出血严重程度。
[0083]
图4是本技术实施例提供的一种终端的结构图。如该图所示，该实施例的终端4包括：至少一个处理器40(图4中仅示出一个)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。
[0084]
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
[0085]
所述处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0086]
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0087]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单
元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0088]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0089]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0090]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0091]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施例方案的目的。
[0092]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0093]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0094]
本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序产品来实现，当计算机程序产品在终端上运行时，使得所述终端执行时实现可实现上述各个方法实施例中的步骤。
[0095]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各
实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。