一种全麻患者术后不良反应的预测方法与流程

一种全麻患者术后不良反应的预测方法；特别是一种应用在围手术期的全麻术后患者不良反应的人工智能预测方法。

背景技术

术后疼痛、恶心和呕吐是全麻患者术后常见的不良反应。这些不良反应与患者年龄、手术方式和麻醉方法均有密切联系。目前临床上为减少患者术后疼痛需要提前镇痛药物，而后者往往增加恶心呕吐的发生机率。

由于当患者出现不良反应再进行医疗干预时，常需要大剂量的药物才能抑制症状的出现。这样势必增加患者的不良应激反应的发生，同时增加了患者的医疗费用，浪费宝贵的医疗资源。为了弥补这些缺点，目前临床上给予的提前医疗干预均基于临床经验所得，存在不确定性。因此在低年资的临床医师进行麻醉管理时，患者出现术后疼痛、恶心和呕吐的比例较高。

鉴于上述缺陷，本发明创作者在麻醉领域的沉淀，结合现有的计算机技术经过反复筛选数据终于获得了本发明。

技术实现要素：

本发明以提前预测全麻患者常见不良反应为目标，以全麻患者的围术期数据和术后随访的历史数据为基础，解决智能化对患者术后疼痛、恶心和呕吐地预测。具体包括：

步骤S1：结合现有的临床研究背景知识，纳入可能影响术后不良反应的危险因素，其中包括：患者人口学信息、患者术前的生命体征和实验室检查结果、患者的手术方式和手术时间、全麻期间的药物使用和液体输注数据、术后随访是否发生疼痛、恶心和呕吐的数据。

步骤S2：基于随机森林算法对结构化的数据依次进行特征变量筛选，提取出不同的特征变量数据集，其中包括：影响术后疼痛的数据集1、影响术后恶心的数据集2、影响术后呕吐的数据集3。

步骤S3：对提取的不同特征数据集，基于正则化逻辑回归、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构建不同方法学的预测模型。

步骤S4：对历史数据的患者通过不同算法计算出其发生术后疼痛、恶心、呕吐的预测概率值，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。

本发明提供的一种多种方法学集成学习后的全麻患者术后不良反应的预测方法，首先基于临床背景纳入了可能与术后疼痛、恶心、呕吐相关的风险因素，然后通过随机森林算法筛选特征变量，接着通过不同方法学构建预测不良反应的模型并输出历史数据中患者的事件发生概率，最后通过极限梯度提升算法对不同算法进行集成学习得到最终的预测模型。

与现有通过临床经验进行提前的医疗干预先比，本发明通过历史数据来构建人工智能预测全麻术后常见不良反应。本发明为存在不同风险因素的患者提供发生术后疼痛、恶心、呕吐地提前预测，为低年资医师分层管理并提前介入医疗干预提供辅助，同时也能减少患者术后发生不适的可能。

附图说明

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。

图1为本发明基于全麻术后患者的疼痛、恶心、呕吐的预测流程图。

具体实施方式

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。

如图1所示，本发明主要为个体化对全麻患者术后常见不良反应地预测，其中包括术后疼痛、恶心、呕吐。

该方法主要从三个方面纳入历史的全麻患者数据用于模型的构建，其中包括：患者的基本信息和实验室检查、术中的麻醉和手术干预措施、术后随访登记是否存在不良事件。

分别对术后疼痛、恶心、呕吐三个方面依次通过随机森林算法进行模型的构建并筛选出相关的特征变量。

整合不同的特征变量数据集，然后基于正则化逻辑回归、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构建模型。

通过不同的模型输分别出历史数据中患者术后发生疼痛、恶心和呕吐的预测概率值。

对不同模型得到的概率在基于极限梯度提升算法进行集成学习得到最终的预测模型。

本发明通过纳入可能影响患者术后不良反应的风险因素，基于不同方法学的模型构建，以实现对全麻患者不良反应个体化的提前预测。

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：

1.一种全麻患者术后不良反应的预测方法，其中包括术后疼痛、恶心、呕吐，其特征在于，该方法主要包括以下步骤：

(1)基于历史数据纳入患者、医疗干预、术后事件三个方面的数据；

(2)分别对不同事件依次筛选可能的特征变量；

(2)基于不同方法学构建预测模型并输出预测概率值；

(3)对预测概率值进行集成学习。

2.根据权利要求1所述的一种全麻患者术后不良反应的预测方法，其特征在于，所述的不同方法学构建预测模型，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
本发明提供一种全麻患者术后不良反应的预测方法，属于全麻患者的评估领域。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二次学习最终预测出全麻患者术后发生不良反应，并进一步计算出其发生的概率。本发明能够实现不同全麻患者全麻术后不良反应的个体化分层，从而辅助低年资医师进行预防性的医疗干预。

技术研发人员：胡安民;李惠萍;王炳森;汤学民;李镇;
受保护的技术使用者：深圳市人民医院;深圳市大数据研究院;
技术研发日：2021.06.01
技术公布日：2021.10.01