一种人工智能预测谵妄的方法与流程

1.一种预测重症患者谵妄的方法，特别是一种基于大数据构建重症患者预测的方法。


背景技术：

2.谵妄是一种急性波动性的精神状态改变、以意识障碍为主要特征的综合征，往往伴有睡眠
‑
觉醒周期紊乱、注意力缺损、认知和情感障碍。研究发现重症监护室患者未行机械通气时谵妄发生率为20％～50％，当患者进行机械通气时谵妄发生率则高达60％～80％。谵妄可以导致机械通气时间延长、住icu时间延长、医疗费用增加、出院后的日常生活能力下降以及不良预后。早期精准谵妄状态识别并纠正可逆诱因显得尤为重要。
3.临床上评估谵妄的模型主要有谵妄预测模型和早期谵妄预测模型。这两个模型能帮助医护人员识别谵妄发生的高风险人群。然而这类模型在临床使用中存在三个方面不足：
①
模型可靠性依赖于评分人员是否经过专业培训。
②
构建模型的原始数据多为患者入icu首日的临床信息，无法准确反映患者在谵妄评估时的病理状态和医疗干预措施。
③
模型变量过于陈旧需要更新，诸多近年来已证实与谵妄强相关的因素在模型中缺失。
4.鉴于上述缺陷，本发明创作者经过长时间的研究和时间终于获得了本发明。


技术实现要素：

5.本发明以提前预测谵妄为目标，以谵妄患者的历史数据为基础，解决智能化对谵妄进行预测。具体包括：
7.步骤s1：结合现有的临床研究背景知识，纳入可能影响谵妄发生的风险因素，其中包括：患者人口学信息、入icu时间、入icu类型、患者所在icu编号、患者合并的慢性病、谵妄评估前的生命体征和实验室检查结果、谵妄评估前24小时内的医疗干预措施。
8.步骤s2：基于随机森林算法进行特征变量筛选并记录出特征变量数据集1。
9.步骤s3：通过正则化逻辑回归、k最近邻、支持向量机、随机森林、极限梯度提升、深度神经网络算法依次对数据集1构建6种不同的预测模型。
10.步骤s4：基于不同算法的6种预测模型分别对历史数据的重症患者计算预测概率，基于后者再次构建集成学习的极限梯度提升模型得出最终的预测模型。
11.本发明提供的一种多种方法学集成学习后的重症患者谵妄预测方法，首先基于临床背景纳入了可能影响谵妄的危险因素，接着进行特征变量筛选，然后依次基于不同方法构建预测模型，最后通过极限梯度提升进行再次学习得到最终的预测模型。
12.与现有技术先比，本技术采用的研究收集了危重患者谵妄评估前就近时间点的有效临床信息。由于每个患者的谵妄评估时间不同，其对应患者生命体征、辅助检查和医疗干预措施的采集时间点也不同。这种动态时间点的数据采集方式较目前已发表的谵妄模型采用固定时间点(患者入重症监护室首日信息)的数据采集方式难度大，但更能准确反映患者在进行谵妄评估时的状态；其次构建多变量模型也更能个体化反映真实世界危重患者的复
杂病情和医疗干预情况。
附图说明
13.为了更清楚地说明本发明各实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
14.图1为本发明基于重症患者大数据的谵妄预测框架图。
具体实施方式
15.以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
16.如图1所示，本发明主要为更精准对重症患者的谵妄预测，该方法分别从重症监护室的历史数据中进行结构化的数据提取，分别是静态数据和动态数据的录入。
17.静态数据的录入包括患者人口学信息、入icu时间、入icu类型、患者所在icu编号、患者合并的慢性病；动态数据录入包括谵妄评估前的生命体征和实验室检查结果、谵妄评估前24小时内的医疗干预措施。
18.基于整合的数据集，通过随机森林方法筛选出影响患者预后的特征因素。
19.接着，通过不同的统计学方法和机器学习算法基于筛选出的特征变量数据集依次构建谵妄的模型，并输出各个患者在不同时间点的谵妄预测概率值。
20.通过对患者的预测概率值通过极限梯度提升算法进行二次集成学习得到最终的预测模型。
21.由于影响谵妄发生的临床因素很多，与传统的逻辑回归模型比较，基于人工智能算法构建的模型能更好处理多维度数据，具备对分类不平衡数据抗干扰能力强、分类准确度高、能逼近任意非线性关系、对噪声数据鲁棒性和容错性强等优点。
22.本发明提供的一种基于历史数据构建重症患者谵妄预测的评估方法。本发明进行个体化采集患者数据，能够更精准的反映不同病情患者的病理生理状态，这样的数据构建的模型也更能精确对谵妄进行评估。。
23.上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神根据以上描述的技术方案以及构思所做的等效变化或修饰，都应涵盖在本发明的保护范围内。


技术特征：
1.一种人工智能预测谵妄的方法，其特征在于，包括以下步骤：(1)动态纳入谵妄评估前的医疗干预数据；(2)构建模型前进行特征性的变量筛选；(2)利用不同方法学的理论构建不同的模型进行谵妄地预测；(3)对不同模型进行二次学习。2.根据权利要求1所述的一种人工智能预测谵妄的方法，其特征在于，所述利用不同方法学的理论构建不同的模型进行谵妄地预测，包括：数正则化逻辑回归、k最近邻、支持向量机、随机森林、极限梯度提升和深度神经网络算法。

技术总结
本发明提供一种人工智能预测谵妄的方法，属于重症患者评估领域。所述方法包括：通过结构化语言纳入患者和医院相关数据；基于随机森林筛选出特征变量，通过正则化逻辑回归、K最近邻、支持向量机、随机森林、极限梯度提升和深度神经网络算法构建预测模型；通过不同方法的预测概率通过极限梯度提升算法进行集成学习最终预测出重症患者是否发生谵妄，并进一步计算出其发生的概率。本发明尽量的利用了患者数据和医院的特征信息，进行个体化的预测重症患者地评估，削弱某一模型导致的预测偏倚，增加预测的准确性。测的准确性。测的准确性。


技术研发人员：胡安民 李惠萍 马磊 汤学民 海超
受保护的技术使用者：深圳市人民医院
技术研发日：2021.05.31
技术公布日：2021/10/8