本发明属于医疗技术领域,特别是涉及一种基于尿比重和尿量监测的肾衰竭预警方法及系统。
背景技术:
肾脏功能部分或全部丧失的病理状态,叫做肾衰竭,按其发作之急缓分为急性和慢性两种。急性肾衰竭系因多种疾病致使两肾在短时间内丧失排泄功能,慢性肾衰竭是由各种病因所致的慢性肾病发展至晚期而出现的一组临床症状组成的综合征。
当前对肾脏功能的检测主要通过尿常规、血常规、肾脏B超、CT、核磁等多种手段来评估肾脏功能。例如当血肌酐出现浓度升高时(例如超过130mg/L,根据地域和医院不同数值会有所差异)显示肾脏损害,但此时,肾脏已经出现损害,无论从诊断还是治疗角度都是延迟和滞后的,而实际上,肾脏在出现损害的早期(未有症状),尿液的理化性质已出现变化,若在此时及时发现肾脏的隐患,就能有利于疾病的早期诊断和处理,降低治疗难度和减轻医疗负担。尿液理化性质是反应肾脏功能变化和监测肾脏功能的重要指标,早期肾脏受损时主要表现为隐形变化,这种隐形变化在尿液理化性质上会出现细微变化,并呈现动态改变,因此通过肾脏分泌尿液的容量及尿液的质量进行分析,能对患者的体液内环境的进行即时监测,分析单位时间尿量(步进式)和尿比重的变化,结合病例建模,预测病人肾功能的变化趋势,及时发现潜在的肾脏损害,及时处理,避免治疗延迟,导致不可逆性损伤。然而,现有技术中并没有这样一种预警方法和系统。
技术实现要素:
为解决上述问题,本发明提供了一种基于尿比重和尿量监测的肾衰竭预警方法及系统,能够对所测尿比重和尿量检测值进行分析,预测出肾脏出现损伤的概率,在肾脏无症状损伤早期及时发现肾脏病变,为临床及早治疗提供有效帮助。
本发明提供的一种基于尿比重和尿量监测的肾衰竭预警方法,包括:
采集不同类别患者的尿比重和步进式尿量监测指标,建立数据库;
进行概率神经网络的训练;
利用训练完毕的所述概率神经网络对就诊者的尿比重和步进式尿量监测数值进行计算,并得到预警结果。
优选的,在上述基于尿比重和尿量监测的肾衰竭预警方法中,
所述进行概率神经网络的训练包括:
根据医院诊断结果,对采集到的患者尿比重和步进式尿量定义病情分类;
将尿比重和步进式尿量指标作为输入,病情分类作为输出,放入概率神经网络中进行监督学习。
优选的,在上述基于尿比重和尿量监测的肾衰竭预警方法中,
所述将尿比重和步进式尿量指标作为输入,病情分类作为输出,放入概率神经网络中进行监督学习包括:
将各项指标归一化;
将患者的尿比重和步进式尿量输入到概率神经网络的输入层;
设置spread值,将输入层信息传递到模式层,进行模式识别;
在求和层将模式层中属于同一类的隐含神经元的输出做加权平均得到每一类的概率密度;
根据各类对输入信息的概率估计,采用Bayes分类规则,选出具有最大后验概率的类别,并在决策层输出;
将输出结果与训练样本类别值对比,通过调整spread值进行误差校正,直到完成概率神经网络的训练。
本发明提供的一种基于尿比重和尿量监测的肾衰竭预警系统,包括:
采集模块,用于采集不同类别患者的尿比重和步进式尿量监测指标,建立数据库;
训练模块,用于进行概率神经网络的训练;
计算模块,用于利用训练完毕的所述概率神经网络对就诊者的尿比重和步进式尿量监测数值进行计算,并得到预警结果。
优选的,在上述基于尿比重和尿量监测的肾衰竭预警系统中,
所述训练模块包括:
分类单元,用于根据医院诊断结果,对采集到的患者尿比重和步进式尿量定义病情分类;
监督学习单元,用于将尿比重和步进式尿量指标作为输入,病情分类作为输出,放入概率神经网络中进行监督学习。
优选的,在上述基于尿比重和尿量监测的肾衰竭预警系统中,
所述监督学习单元包括:
归一化部件,用于将各项指标归一化;
输入部件,用于将患者的尿比重和步进式尿量输入到概率神经网络的输入层;
模式识别部件,用于设置spread值,将输入层信息传递到模式层,进行模式识别;
加权平均部件,用于在求和层将模式层中属于同一类的隐含神经元的输出做加权平均得到每一类的概率密度;
输出部件,用于根据各类对输入信息的概率估计,采用Bayes分类规则,选出具有最大后验概率的类别,并在决策层输出;
校正部件,用于将输出结果与训练样本类别值对比,通过调整spread值进行误差校正,直到完成概率神经网络的训练。
通过上述描述可知,本发明提供的基于尿比重和尿量监测的肾衰竭预警方法及系统,由于包括采集不同类别患者的尿比重和步进式尿量监测指标,建立数据库;进行概率神经网络的训练;利用训练完毕的所述概率神经网络对就诊者的尿比重和步进式尿量监测数值进行计算,并得到预警结果,因此能够对所测尿比重和尿量检测值进行分析,预测出肾脏出现损伤的概率,在肾脏无症状损伤早期及时发现肾脏病变,为临床及早治疗提供有效帮助。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警方法的示意图;
图2为本申请实施例提供的第三种基于尿比重和尿量监测的肾衰竭预警方法所用的预测模型结构示意图;
图3为本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警系统的示意图。
具体实施方式
本发明的核心思想在于提供一种基于尿比重和尿量监测的肾衰竭预警方法及系统,能够对所测尿比重和尿量检测值进行分析,预测出肾脏出现损伤的概率,在肾脏无症状损伤早期及时发现肾脏病变,为临床及早治疗提供有效帮助。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警方法如图1所示,图1为本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警方法的示意图,该方法包括如下步骤:
S1:采集不同类别患者的尿比重和步进式尿量监测指标,建立数据库;
需要说明的是,这里所述的不同类别患者包括正常、慢性肾衰竭和急性肾衰竭患者,样本数据均来自于医院就诊信息网络平台,不同类别患者均为确诊病人,不包括疑似案例。
S2:进行概率神经网络的训练;
需要说明的是,这种概率神经网络训练容易,收敛速度快,适用于实时处理。
S3:利用训练完毕的所述概率神经网络对就诊者的尿比重和步进式尿量监测数值进行计算,并得到预警结果。
需要说明的是,就诊者尿比重和步进式尿量监测应进行24小时连续多次测定,有助于初步了解肾功能。样本建模类别包括正常、慢性肾衰竭和急性肾衰竭三个大类别,不同程度肾功能损伤小分类不涉及,则预警结果输出为正常、慢性肾衰竭或急性肾衰竭。
可见,该方法通过对确诊病人检测指标进行分类,建立概率分类模型,利用新患者的尿比重和尿量步进式监测值预测肾功能的变化趋势,辅助医务人员及时发现潜在的肾脏损害,及时处理,避免治疗延迟。
通过上述描述可知,本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警方法,由于包括采集不同类别患者的尿比重和步进式尿量监测指标,建立数据库;进行概率神经网络的训练;利用训练完毕的所述概率神经网络对就诊者的尿比重和步进式尿量监测数值进行计算,并得到预警结果,因此能够对所测尿比重和尿量检测值进行分析,预测出肾脏出现损伤的概率,在肾脏无症状损伤早期及时发现肾脏病变,为临床及早治疗提供有效帮助。
本申请实施例提供的第二种基于尿比重和尿量监测的肾衰竭预警方法,是在上述第一种基于尿比重和尿量监测的肾衰竭预警方法的基础上,还包括如下技术特征:
所述进行概率神经网络的训练包括:
根据医院诊断结果,对采集到的患者尿比重和步进式尿量定义病情分类;
将尿比重和步进式尿量指标作为输入,病情分类作为输出,放入概率神经网络中进行监督学习。
本申请实施例提供的第三种基于尿比重和尿量监测的肾衰竭预警方法,是在上述第二种基于尿比重和尿量监测的肾衰竭预警方法的基础上,还包括如下技术特征:
所述将尿比重和步进式尿量指标作为输入,病情分类作为输出,放入概率神经网络中进行监督学习包括:
将各项指标归一化;
将患者的尿比重和步进式尿量输入到概率神经网络的输入层;
设置spread值,将输入层信息传递到模式层,进行模式识别;
在求和层将模式层中属于同一类的隐含神经元的输出做加权平均得到每一类的概率密度;
根据各类对输入信息的概率估计,采用Bayes分类规则,选出具有最大后验概率的类别,并在决策层输出;
将输出结果与训练样本类别值对比,通过调整spread值进行误差校正,直到完成概率神经网络的训练。
参考图2,图2为本申请实施例提供的第三种基于尿比重和尿量监测的肾衰竭预警方法所用的预测模型结构示意图,具体的步骤如下:
1)将数据归一化;
2)尿比重和步进式尿量作为输入x,对应的症状类别为输出y,设置spread值,这里的spread值就是传播系数;
3)步骤2)传递Zi=xi×wi进入模式层,其中的wi为网络权值,该层激活函数选用exp[(Zi-1)/δ2],该层第i类的第j个神经元输出概率为其中p为训练样本的维度,δ为平滑因子,xij代表第i类的第j个指标值;
4)在求和层将模式层中属于同一类的隐含神经元的输出做加权平均得到每一类的概率密度f,这一层包含三类,正常f1,慢性肾衰竭f2和急性肾衰竭f3。第i类的概率密度计算公式为(Li代表第i类样本数);
5)根据Bayes最小风险准则,这种Bayes准则为可使全部判决的平均风险为最小的准则,在决策层对步骤4)计算得到的fi进行估计,选出具有最大后验概率的类别并输出。其分类原则具体为,
若Hilifi(x)>Hjljfj(x),则x∈yi,相反则x∈yj,其中Hi,Hj为病症类型yi和yj的先验概率,li,lj分别代表样本x错误划分类型的代价因子。
6)步骤5)输出与目标输出y进行对比,不断调整spread值,最终使网络误差达标(准确率90%以上),完成有监督学习,生成预测网络。
本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警系统如图3所示,图3为本申请实施例提供的第一种基于尿比重和尿量监测的肾衰竭预警系统的示意图,该系统包括:
采集模块201,用于采集不同类别患者的尿比重和步进式尿量监测指标,建立数据库,需要说明的是,这里所述的不同类别患者包括正常、慢性肾衰竭和急性肾衰竭患者,样本数据均来自于医院就诊信息网络平台,不同类别患者均为确诊病人,不包括疑似案例;
训练模块202,用于进行概率神经网络的训练,需要说明的是,这种概率神经网络训练容易,收敛速度快,适用于实时处理;
计算模块203,用于利用训练完毕的所述概率神经网络对就诊者的尿比重和步进式尿量监测数值进行计算,并得到预警结果,需要说明的是,就诊者尿比重和步进式尿量监测应进行24小时连续多次测定,有助于初步了解肾功能。样本建模类别包括正常、慢性肾衰竭和急性肾衰竭三个大类别,不同程度肾功能损伤小分类不涉及,则预警结果输出为正常、慢性肾衰竭或急性肾衰竭。
上述系统能够对所测尿比重和尿量检测值进行分析,预测出肾脏出现损伤的概率,在肾脏无症状损伤早期及时发现肾脏病变,为临床及早治疗提供有效帮助。
本申请实施例提供的第二种基于尿比重和尿量监测的肾衰竭预警系统,是在上述第一种基于尿比重和尿量监测的肾衰竭预警系统的基础上,还包括如下技术特征:
所述训练模块包括:
分类单元,用于根据医院诊断结果,对采集到的患者尿比重和步进式尿量定义病情分类;
监督学习单元,用于将尿比重和步进式尿量指标作为输入,病情分类作为输出,放入概率神经网络中进行监督学习。
本申请实施例提供的第三种基于尿比重和尿量监测的肾衰竭预警系统,是在上述第二种基于尿比重和尿量监测的肾衰竭预警系统的基础上,还包括如下技术特征:
所述监督学习单元包括:
归一化部件,用于将各项指标归一化;
输入部件,用于将患者的尿比重和步进式尿量输入到概率神经网络的输入层;
模式识别部件,用于设置spread值,将输入层信息传递到模式层,进行模式识别;
加权平均部件,用于在求和层将模式层中属于同一类的隐含神经元的输出做加权平均得到每一类的概率密度;
输出部件,用于根据各类对输入信息的概率估计,采用Bayes分类规则,选出具有最大后验概率的类别,并在决策层输出;
校正部件,用于将输出结果与训练样本类别值对比,通过调整spread值进行误差校正,直到完成概率神经网络的训练。
综上所述,本申请实施例提供的上述基于尿比重和尿量监测的肾衰竭预警方法和系统,网络训练容易,收敛速度快,适用于实时处理,各层神经元的数目比较固定,易于硬件实现,便于及早发现肾脏功能早期的变化,便于及时就诊。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。