基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质与流程

1.本技术涉及人工智能技术领域，特别是涉及基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质。


背景技术：

2.深静脉血栓(dvt)是血液在深静脉内不正常凝结，常发生于下肢。pe是内源性或外源性栓子堵塞肺动脉而引起的严重肺循环障碍综合征。pte是pe最常见的一种类型，导致pe的栓子99％是血栓性的。因此，临床上所说的pe即指pte。dvt脱落入肺形成pe，是pe主要原因。pe与dvt发病机制上有因果关系且治疗方法相似，故dvt和pe统称为vte。vte的发生率是第三大常见血管疾病。
3.dvt的疾病特性：发病率高、病程隐匿、后果严重。发病率高体现在住院各科都有较高发病率，内科5％～15％，骨科3％～40％，普外科10％～40％，妇科9.2％～15.6％。dvt临床症状常不典型，易漏诊。pte发病急，病死率高，来不及诊断便忙于抢救。因此临床漏诊情况普遍，这些特点导致vte的临床流行病学研究结果可能被低估。vte会降低患者的生活质量，包括：血栓后综合征pts，静脉瓣不可逆损伤，复发vte。pte导致严重呼吸、循环障碍，不经治疗病死率25～30％。美国5万人/年，英国2.5万人/年，死于pte，排全疾病死亡原因第三位。
4.早预防、早筛查可显著降低vte导致的死亡事件，中华医学会外科学分会血管外科学组于2017年更新了《2017深静脉血栓形成的诊断和治疗指南第三版》。医疗机构应实施“医院内静脉血栓栓塞症防治体系与能力建设”，并把vte预防作为评价医院是否先进的指标之一。当前dvt的筛查(指南推荐wells量表+d二聚体)操作性稍有繁琐，并且仍有漏诊风险(若严格执行，仍敏感度70％～85％，至少漏诊20％深静脉栓塞患者)。
5.申请内容
6.鉴于以上所述现有技术的缺点，本技术的目的在于提供基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质，用于解决现有技术中的问题。
7.为实现上述目的及其他相关目的，本技术的第一方面提供一种基于人工智能的静脉血栓栓塞症预测方法，包括：构建住院患者静脉血栓栓塞症数据集，据以构建基于人工智能的静脉血栓栓塞症预测模型；训练所述基于人工智能的静脉血栓栓塞症预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型；将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果。
8.于本技术的第一方面的一些实施例中，所述基于人工智能的静脉血栓栓塞症预测模型的构建方式包括：根据预设条件选取样本人群并采集源数据；从所述源数据中抽取病例组和对照组并进行预处理；基于预处理后的数据，选取入模特征变量并构建基于人工智能的静脉血栓栓塞症预测模型。
9.于本技术的第一方面的一些实施例中，所述入模特征变量包括：身高、妊娠诊断、
导尿管、手术时长、收缩压、平均红细胞血红蛋白浓度值、血小板计数值、红细胞分布宽度值、凝血酶时间测定值、血浆凝血酶原时间测定值、尿素氮测定值、肝素皮下、活化部分凝血活酶时间测定值、中性粒细胞计数值、血清总胆红素测定值、血小板分布宽度值、红细胞计数值、平均红细胞体积值、血清总蛋白值、血清丙氨酸氨基转移酶测定值、血清白蛋白值、血总胆汁酸测定值、肌酐测定值、c反应蛋白值、d-二聚体值、非口服利尿剂、全麻、输血、谷草转氨酶值。
10.于本技术的第一方面的一些实施例中，每个所述入模特征变量有多个取值，所述方法还包括基于时间窗对所述入模特征变量进行聚合衍生处理，以获取单个入模特征变量的多个取值之间的关联关系。
11.于本技术的第一方面的一些实施例中，所述聚合衍生处理的方式包括：有无预测、计数、取最大值、取最小值、取平均值、取最末值、取最早值、取平均发展速度值、取标准差值、取最大增幅值中的任意一种或多种的组合。
12.于本技术的第一方面的一些实施例中，所述单个入模特征变量的多个取值之间的关联关系包括多个取值之间的变换、趋势、分布关系中的任意一种或多种的组合。
13.于本技术的第一方面的一些实施例中，对基于人工智能的静脉血栓栓塞症预测模型进行准确性测试的方式包括：计算每个模型的auc值，并取auc值最大的预测模型作为所述最优预测模型。
14.于本技术的第一方面的一些实施例中，所述预设触发条件包括：普外科、骨科、妇产科、肿瘤科、icu、ccu，非vte首要诊断入院，未使用抗凝治疗，＞18岁的患者入院8小时后，持续运行，直至出院、确诊vte为止。
15.于本技术的第一方面的一些实施例中，所述预测模型的输出结果包括：住院患者静脉血栓栓塞症的预测信息(如得分和危险级别等)、关键变量、保护因素和危险因素、一时间段内预测信息的趋势、模型说明；其中，所述模型说明包括适用人群说明、模型启动条件说明、预测结果含义的解释说明、阈值含义的解释说明。
16.为实现上述目的及其他相关目的，本技术的第二方面提供一种基于人工智能的静脉血栓栓塞症预测装置，包括：模型构建模块，用于构建住院患者静脉血栓栓塞症数据集，据以构建基于人工智能的静脉血栓栓塞症预测模型；模型测试模块，用于训练所述基于人工智能的静脉血栓栓塞症预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型；模型使用模块，用于将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果。
17.为实现上述目的及其他相关目的，本技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于人工智能的静脉血栓栓塞症预测方法。
18.为实现上述目的及其他相关目的，本技术的第四方面提供一种计算机设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于人工智能的静脉血栓栓塞症预测方法。
19.如上所述，本技术的基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质，具有以下有益效果：本发明旨在利用医院电子病历信息库，结合机器学习的方法，建立
静脉血栓栓塞症的机器学习模型，并将模型嵌入医生工作站的临床辅助决策系统(cdss)，对住院患者实施实时监控，早期识别静脉血栓栓塞症高危患者，以给予临床医生更多的临床诊疗支持。因此本发明将模型部署到临床场景中进行实际应用，以帮助医生快速定位vte高危人群以进一步诊断住院患者的静脉血栓栓塞症，提升医护人员对院内vte的筛查、诊断效率，降低住院患者因vte漏诊导致的不良预后。本系统在回顾性资料中被临床医生评估为对临床有帮助价值，具体体现为其住院期间实时持续运行，对vte的筛查效率为敏感度80.6％，特异度83.6％。
附图说明
20.图1显示为本技术一实施例中基于人工智能的静脉血栓栓塞症预测方法的流程示意图。
21.图2显示为本技术一实施例中基于人工智能的静脉血栓栓塞症预测模型构建流程示意图。
22.图3显示为本技术一实施例中基于人工智能的静脉血栓栓塞症预测模型输出结果示意图。
23.图4显示为本技术一实施例中基于人工智能的静脉血栓栓塞症预测装置的结构示意图。
24.图5显示为本技术一实施例中计算机设备的结构示意图。
具体实施方式
25.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
26.需要说明的是，在下述描述中，参考附图，附图描述了本技术的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本技术的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本技术的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本技术。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
27.在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
28.再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特
征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
29.本发明旨在利用医院电子病历信息库，结合机器学习的方法，建立静脉血栓栓塞症的机器学习模型，并将模型嵌入医生工作站的临床辅助决策系统(cdss)，对住院患者实施实时监控，早期识别静脉血栓栓塞症高危患者，以给予临床医生更多的临床诊疗支持。因此本发明将模型部署到临床场景中进行实际应用，以帮助医生快速定位vte高危人群以进一步诊断住院患者的静脉血栓栓塞症，提升医护人员对院内vte的筛查、诊断效率，降低住院患者因vte漏诊导致的不良预后。本系统在回顾性资料中被临床医生评估为对临床有帮助价值，具体体现为其住院期间实时持续运行，对vte的筛查效率为敏感度80.6％，特异度83.6％。
30.为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
31.实施例一：
32.如图1所示，展示了本发明一实施例中基于人工智能的静脉血栓栓塞症预测方法的流程示意图，主要由子步骤s11～s13构成。
33.需说明的是，本实施例的静脉血栓栓塞症预测方法可应用于计算机设备，所述计算机设备包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(personal digital assistant，简称pda)等个人电脑；所述静脉血栓栓塞症预测方法也可应用于arm(advanced risc machines)控制器、fpga(field programmable gate array)控制器、soc(system on chip)控制器、dsp(digital signal processing)控制器、或者mcu(micorcontroller unit)控制器等设备；所述静脉血栓栓塞症预测方法还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成，本实施例不作限定。
34.步骤s11：构建住院患者静脉血栓栓塞症数据集，据以构建基于人工智能的静脉血栓栓塞症预测模型。其中，构建住院患者静脉血栓栓塞症数据集以及基于人工智能的静脉血栓栓塞症预测模型的具体步骤如图2所示，主要包括步骤s111～s113。
35.步骤s111：根据预设条件选取样本人群并采集源数据。举例来说，可选取某大型三甲医院在一段时间内普外科、骨科、妇产科、肿瘤科、icu、ccu入院且符合研究纳排规则患者的临床电子病历数据，以住院且进行金标准检查的患者作为建模样本。源数据是驱动决策的基础，数据越全推荐的内容越完整，本实施例涉及的源数据包括但不限于患者的基本信息数据、药品医嘱信息数据、检查检验信息数据、手术及处理信息数据、护理及体征数据等。
36.步骤s112：从所述源数据中抽取病例组和对照组并进行预处理。
37.具体来说，可通过医学专家回顾性人工标注的方法在标记每个样本的结局标签，分为住院期发生静脉血栓栓塞症的病例组(阳性样本)以及住院期未发生静脉血栓栓塞症的对照组(阴性样本)。随后分别抽取出病例组和对照组的相关资料进行检查、整理、以及数
据清洗等预处理。其中的数据清洗主要是对异常值进行检视修复，对缺失率较高(例如缺失率》50％)的变量予以删除。应理解的是，所述病例组是指正类样本(y＝1)，即有相应疾病的样本；所述对照组是指负类样本(y＝0)，即没有相应疾病的样本。
38.步骤s113：基于预处理后的数据，选取入模特征变量并构建基于人工智能的静脉血栓栓塞症预测模型。
39.具体来说，可运用机器学习算法等方法探究普外科、骨科、妇产科、肿瘤科、icu、ccu住院患者的静脉血栓栓塞症危险因素，并结合专家的经验选定模型的入模特征变量，最终建立普外科、骨科、妇产科、肿瘤科、icu、ccu患者的静脉血栓栓塞症多临床因素预测模型。为便于本领域技术人员理解，下文将结合表1展示和基于人工智能的静脉血栓栓塞症预测相关联的入模特征变量。本实施例选取的入模特征变量如下表1所示。
40.表1—入模特征变量
41.curve)，即roc曲线下的面积，取值通常介于0.1～1之间，auc值可直观地评价分类器的好坏，值越大越好。auc的计算公式如下式1)所示：
[0061][0062]
其中，m表示正类样本的数量；n为负类样本的数量；n表示样本总数(m+n)。auc值的计算原理如下：首先是对所有样本的得分(score)从大到小进行排序，然后令得分最大的样本的排序(rank)为n，并令得分第二大的样本的排序(rank)为n-1，以此类推；其次是把所有的正类样本的排序相加，再减去(m-1)种两个样本组合的情况，得到的就是所有样本中有多少对正类样本的得分大于负类样本的得分，然后再除以(m
×
n)。
[0063]
步骤s13：将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果。
[0064]
具体来说，可将最优预测模型开发成软件接口，并和医疗服务器中的临床辅助决策系统(cdss)对接，当患者信息符合临床辅助决策系统(cdss)设置的预设触发条件时，对这名患者进行ai模型诊断，即利用最优预测模型来进行诊断，并通过通讯工具将ai模型输出的风险结果及相关说明传送给相关的终端医生。
[0065]
在本实施例可选的实现方式中，所示预设触发条件包括：普外科、骨科、妇产科、肿瘤科、icu、ccu，非vte首要诊断入院，未使用抗凝治疗，且大于18岁；符合预设触发条件的患者入院8小时后，持续运行，直至出院、确诊vte为止。
[0066]
在本实施例可选的实现方式中，最优预测模型输出的预测结果包括但不限于：住院患者静脉血栓栓塞症的预测信息(如得分和危险级别等)、关键变量、保护因素和危险因素、一时间段内预测信息的趋势、模型说明(如适用人群、模型启动条件、必需变量、预测结果含义的解释、阈值含义等等)。为便于本领域技术人员理解，现结合图3来对本发明提供的ai模型的输出结果进行图示解释。
[0067]
图3的区域a展示了基于人工智能的静脉血栓栓塞症预测模型的预测结果信息，从左到右得分跨越区间0～100分，分值越高危险等级越高，本实施例中患者的预测分值为52.9分；而且随着危险等级的变化，分值区域的颜色也可相应发生变化，例如低危区域采用感观上较为安全的绿色，中危区域采用感观上相对安全的黄色，高危区域则采用感观上较为危险的红色，更便于医生用户分辨。但需说明的是，具体采用何种颜色来表示何种危险程度，本实施例对此并不做限定。
[0068]
图3的区域b展示了关键变量，例如d-二聚体、血压、年龄、血小板计数、血清总蛋白等等。
[0069]
图3的区域c展示了保护因素和危险因素，例如3天内d-二聚体2.1-4.5，髋关节置换术-否，恶性肿瘤-否等等。
[0070]
图3的区域d展示了一时间段内预测信息的趋势，例如患者从02月01日到02月05日这一时间段内预测结果从低危变为高危再下降的变化趋势。
[0071]
图3的区域e展示了模型说明，例如对适用人群进行的说明“普外科、骨科、妇产科、肿瘤科、icu、ccu，非vte首要诊断入院，未使用抗凝治疗，＞18岁的患者”，对模型启动条件
的说明，对预测结果含义的解释等，本实施例不做限定。
[0072]
本领域技术人员应理解的是，以上实施例中ai模型输出界面中的各展示区域的排布，以及各展示区域内的内容，都只作为示例而非用于限定本发明的范围。
[0073]
总结来说，本实施例提供的预测模型在回顾性资料中被临床医生评估为对临床有帮助价值，体现为其住院期间实时持续运行，对vte的筛查效率为敏感度80.6％，特异度83.6％。将模型部署到临床场景中进行实际应用，以帮助医生筛查住院患者的静脉血栓栓塞症风险，降低静脉血栓栓塞症被漏诊忽视而导致的不良预后发生率。
[0074]
本发明提供的预测模型已在临床应用场景中做过大量的测试，下文就其中一组测试来说明本发明的预测模型的有效性：对测试集中的1438个金标准检查(2019年1月后的入相关科室住院行下肢深静脉超声或ctpa或下肢静脉造影的患者)均模拟ai模型分结果，通过ai评估结果对比当时的检查结果(其中出现诊断dvt、pe者作为病例组，未出现过dvt或pe诊断者做对照组)，模型整体效能auc＝0.901。选择预测结果分值＞11.0分(0.110)作为高危阈值，在测试数据集中则可以将80.6％的静脉血栓栓塞症病例进行预警，同时对83.6％的非病例保持静默。
[0075]
如图4所示，展示了本发明一实施例中基于人工智能的静脉血栓栓塞症预测装置的结构示意图。本实施例中的预测装置400包括模型构建模块401、模型测试模块402和模型使用模块403。
[0076]
具体而言，模型构建模块401用于构建住院患者静脉血栓栓塞症数据集，据以构建住院患者静脉血栓栓塞症预测模型。模型测试模块402用于训练所述住院患者静脉血栓栓塞症预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型。模型使用模块403用于将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括住院患者静脉血栓栓塞症信息的预测结果。
[0077]
需要说明的是，本实施例提供的装置和上文中的方法的实施方式类似，故不再赘述。另外需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，模型构建模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上模型构建模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0078]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital signal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器
(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
[0079]
实施例三
[0080]
如图5所示，展示了本发明一实施例中计算机设备的结构示意图。本实施例提供的计算机设备，包括：处理器51、存储器52、通信器53；存储器52通过系统总线与处理器51和通信器53连接并完成相互间的通信，存储器52用于存储计算机程序，通信器53用于和其他设备进行通信，处理器51用于运行计算机程序，使计算机设备执行如上住院患者静脉血栓栓塞症预测方法的各个步骤。
[0081]
上述提到的系统总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0082]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称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。
[0083]
实施例四：
[0084]
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于人工智能的静脉血栓栓塞症预测方法。
[0085]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0086]
综上所述，本技术提供基于人工智能的静脉血栓栓塞症预测方法、装置、终端及介质，旨在利用医院电子病历信息库，结合机器学习的方法，建立静脉血栓栓塞症的机器学习模型，并将模型嵌入医生工作站的临床辅助决策系统(cdss)，对住院患者实施实时监控，早期识别静脉血栓栓塞症高危患者，以给予临床医生更多的临床诊疗支持。因此本发明将模型部署到临床场景中进行实际应用，以帮助医生快速定位vte高危人群以进一步诊断住院患者的静脉血栓栓塞症，提升医护人员对院内vte的筛查、诊断效率，降低住院患者因vte漏诊导致的不良预后。本系统在回顾性资料中被临床医生评估为对临床有帮助价值，具体体现为其住院期间实时持续运行，对vte的筛查效率为敏感度80.6％，特异度83.6％。所以，本技术有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0087]
上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本技术。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本技术所揭示的精神与技术思想下所完
成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。