一种机械通气驱动压与呼吸机相关事件的相关性检测系统的制作方法

本公开涉及医疗数据挖掘技术领域，特别是涉及一种机械通气驱动压与呼吸机相关事件的相关性检测系统。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

对于危重病和呼吸衰竭患者，机械通气是一种必要的救生疗法。接受机械通气的患者有可能会出现机械通气治疗后的并发症，如呼吸机相关性肺炎vap、败血症、急性呼吸窘迫综合征ards、肺栓塞、气压伤和肺水肿等，所以观测机械通气驱动压的变化是非常必要的。

目前，由于呼吸机相关事件vae在临床上难于及时诊断，而且目前检测方法涉及较多主观成分，如影像学、分泌物和听诊等，这些指标均无特异性，造成vae检测方式的不统一、混乱等问题，因此应寻找客观的替代监测方法；

而且，依据发明人了解，基于数据挖掘和机器学习相关方法，尚未出现探索机械通气驱动压变异与呼吸机相关事件vae发生相关性检测系统。

技术实现要素：

为了解决上述问题，本公开提出了一种机械通气驱动压与呼吸机相关事件的相关性检测系统，基于机器学习的逻辑回归算法，将呼吸机相关事件vae与机械通气驱动压变化值建立联系，监测机械通气驱动压变化对呼吸机相关事件vae的影响。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种机械通气驱动压与呼吸机相关事件的相关性检测系统，包括：数据预处理模块、特征选择模块和模型构建与检测模块；

所述数据预处理模块，通过样本熵插值法得到48小时内机械通气驱动压起始值、最终值以及机械通气驱动压变化值，将机械通气驱动压变化值填充至获取的待测病例指标中；

所述特征选择模块，从呼吸机相关事件发生病例中筛选与呼吸机相关事件发生有关的病理特征作为特征样本；

所述模型构建与检测模块，基于特征样本采用逻辑回归算法构建相关性检测模型，基于相关性检测模型对待测病例指标进行预测，判断机械通气驱动压变化值与呼吸机相关事件发生的相关性概率。

第二方面，本公开提供一种机械通气设备，包括呼吸机检测装置和服务器；

所述呼吸机检测装置用于检测呼吸机工作时的机械通气驱动压，并发送至服务器；

所述服务器上配置有一种机械通气驱动压与呼吸机相关事件的相关性检测系统。

与现有技术相比，本公开的有益效果为：

本公开基于机器学习，通过逻辑回归算法，构建机械通气驱动压变异与呼吸机相关事件vae相关性模型，将呼吸机相关事件vae与机械通气驱动压变化值建立联系，分析机械通气驱动压变化对呼吸机相关事件vae的影响；根据机械通气驱动压变化，辅助检测呼吸机相关事件发生的概率，而且避免目前检测方法中主观因素的影响。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的系统结构图；

图2为本公开实施例1提供的vae开始日数的分布图；

图3为本公开实施例1提供的机械通气压值dp与呼吸机相关事件vae关系变化图；

图4为本公开实施例1提供的机械通气驱动压差值dpv与呼吸机相关事件vae关系图。

具体实施方式：

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

如图1所示，本实施例提供一种基于机器学习的机械通气驱动压变异与呼吸机相关事件相关性检测系统，包括：数据提取模块，数据预处理模块、特征选择模块和模型构建与检测模块；

所述数据提取模块，用于获取原始数据；本实施例使用sql查询语句从mimic数据库获取所需要的相关数据；

所述数据预处理模块，通过样本熵插值法得到48小时内机械通气驱动压起始值、最终值以及机械通气驱动压变化值，将机械通气驱动压变化值填充至获取的待测病例指标中；

所述特征选择模块，从呼吸机相关事件发生病例中筛选与呼吸机相关事件vae发生有关的病理指标特征，构成特征样本；

所述系统构建模块，基于特征样本采用逻辑回归算法构建相关性检测模型，基于相关性检测模型对待测病例指标进行预测，判断机械通气驱动压变化值与呼吸机相关事件发生的相关性概率。

在本实施例中，数据预处理模块还包括数据筛选子模块、数据填充子模块和数据转换子模块；对原始数据中病理指标的噪声数据进行清洗、对缺失数据进行填充，并向原始数据填充机械通气驱动压值dp、呼吸机相关事件vae的标签，对机械通气驱动压变化值进行转换和归一化处理。

具体的，所述数据筛选子模块，用于对患者数据进行筛选，剔除缺失值及噪音值，以获取更干净的数据集有利于后续对数据的处理。剔除不满足以下条件的数据：使用机械通气两天以上的，入住icu病房超过48小时的，年龄超过18岁的患者数据。

所述数据转换子模块用于对经筛选和填充后的诱发因素的测量值进行格式转换。

所述数据填充子模块，用于对与呼吸机相关事件的病理指标的缺失值进行填充，减小数据集的稀疏性。

使用呼吸机相关事件vae监测方法对可能发生呼吸机相关事件vae进行标签的填充，其中标签数字1代表可能发生呼吸机相关事件，数字0代表不可能发生呼吸机相关事件；

所述呼吸机相关事件vae监测方法为：监测吸氧量和呼气末正压，计算吸氧量和呼气末正压占基线周期每日最小吸氧量或呼气末正压的百分比，并判断该百分比是否超过预设阈值，若未超过，则填充标签0，否则填充标签1；其中预设阈值包括，基线周期每日最小吸氧量的20％，基线周期每日最小呼气末正压3cmh2o水柱。

在本实施例中，原始数据中患者持续的或逐渐改善的呼吸状况，吸氧量(fio2)或呼气末正压(peep)稳定或逐渐降低的时间超过2天，这种状况下，患者至少有以下一项逐渐恶化的氧合指标：每天的吸氧量(fio2)超过基线周期每日最小吸氧量(fio2)的0.20(20％)，并且维持时间超过2天；每天的最小呼气末正压(peep)超过基线周期每日最小呼气末正压(peep)3cmh2o水柱，并且维持时间超过2天；如果出现以上情况则标注数字1可能发生，否则标注数字0未发生。

在本实施例中，所述数据填充子模块，通过病例指标平台压(plateaupressure)和呼气末正压peep计算机械通气驱动压dp进行填充；

机械通气驱动压值dp的填充：

dp＝pplat-peep(1)

其中，pplat是平台压(plateaupressure)，peep是呼气末正压；

根据机械通气驱动压值dp，采用样本熵插值法获得呼吸机相关事件vae发生之前的48h内机械通气驱动压dp的值，从而得到机械驱动压的变异值dpv，具体步骤为：

(1)设存在一个以等时间间隔采样获得的n维的时间序列u(1),u(2),...,u(n)；

(2)定义算法相关参数m，r，其中，m为整数，表示向量的长度，r为实数，表示相似度的度量值；

(3)重构m维向量x(1),x(2),...,x(n-m+1)，其中x(i)＝[u(i),u(i+1),...,u(i+m-1)]，这些向量代表从第i点开始的m个连续的u的值；

(4)定义向量xm(i)与xm(j)之间的距离d[xm(i),xm(j)]为两者对应元素中最大差值的绝对值，即：

d[xm(i),xm(j)]＝maxk＝0，..,m-1(|u(i+k)-u(j+k)|)(2)

(5)对于给定的xm(i)，统计xm(i)与xm(j)之间的距离小于等于r的j的取值范围为[1，n-m+1]且j≠i的数目记作bi，统计满足以上条件的向量个数：

(6)求对所有i值的平均值，记为b^m(r)，即：

(7)令k＝m+1，重复步骤第三步、第四步得：

则对所有i值的平均值，记为a^k(r)，即：

(8)则样本熵(sampen)定义为：

由于在实际计算应用过程中，n不可能为∞，因此当n取有限值时，样本熵估计为：

其中，ln表示自然对数,m和r由第二步定义。

参数选择：嵌入维数m一般取1或2；相似容限r的选择在很大程度上取决于实际应用场景，通常选择r＝0.1*std～0.25*std，其中std表示原时间序列的标准差。

机械通气驱动压变异值dpv计算公式是：

其中，dps是48小时内机械通气驱动压(dp)起始值，dpe是48小时内机械通气驱动压(dp)最终值，dpm是48小时内机械通气驱动压(dp)均值。

所述数据预处理模块还包括对机械通气驱动压变异值的归一化处理，提高计算精度：

其中，xnorm为归一化后的数据，x为原始数据，xmax，xmin分别为原始数据的最大值和最小值。

实验验证

本实施例筛选出机械通气超过观察48小时且年龄大于18岁的患者作为实验数据集，总共有4323例病人的电子病历样本，并分别标有2类标签，其中，908个样本标有数字1代表可能发生呼吸机相关事件vae的样本，3415个标有数字0代表未发生呼吸机相关事件vae的样本。通过这些样本建立模型来检测机械通气驱动压变异与呼吸机相关事件vae相关性。

(1)对获取的4323个样本数据进行数据处理：

第一步：对原始数据进行筛选，去除资料缺失(如：体重、身高等)不全的样本数据，去除与本实施例无关的特征如：姓名、种族、住院号；

第二步：进行填充数据，对筛选出的病理指标的缺失值进行填充，通过样本熵插值法获得48小时内机械通气驱动压dp，从而获得机械通气驱动压差异dpv；

第三步：数据格式转换，对机械通气驱动压变异值dpv等特征属性值进行归一化和数值转换；

第四步：数据归一化，对统计后的48小时后机械通气压差异值dpv归一化到0～1范围内，进一步提高计算精度。

(2)统计并分析随着机械通气天数增加，呼吸机相关事件vae发病日分布，结果如图2所示。

(3)统计并分析机械通气压值dp与呼吸机相关事件vae关系，如图3所示。

(4)将4323个数据集拆分为训练集和测试集，使用训练集通过机器学习方法进行构建模型，使用测试数据集进行测试，获得测试结果。

(5)对机械通气驱动压变异与呼吸机相关事件vae进行相关性评估，如图4所示，y轴是呼吸机相关事件vae预测结果的变化量，x轴是每个样本中机械通气压差异值dpv(dpv_48h2)，阴影表示置信度，从图可以看出，机械通气驱动压差异值与呼吸机相关事件的相关性不大。

实施例2

本实施例提供一种机械通气设备，包括呼吸机检测装置和服务器；

所述呼吸机检测装置用于检测呼吸机工作时的机械通气驱动压，并发送至服务器；

所述服务器上配置有一种机械通气驱动压与呼吸机相关事件的相关性检测系统。

以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。