一种呼吸支持设备判定预期效果方法和呼吸支持设备与流程

[0001]
本发明涉及电子设备，尤其涉及一种呼吸支持设备判定预期效果方法和呼吸支持设备。


背景技术：

[0002]
无创呼吸机虽然发明相对有创呼吸机较晚，但对于呼吸疾病症状较轻的患者，使用无创呼吸机进行治疗是优选的方法。但当患者症状逐步加重，如何在合适的时机转换成有创治疗，一直是临床上关注的重点话题。现阶段，医护人员基于相关监测指标(如paco2指标等)，根据以往经验对关注的指标进行分析，从而判定有创治疗时机。但是，现有技术缺点如下：(1)主观性较强：无创治疗失败的因素很多，患者的年龄、基础疾病、临床监测指标等都可能影响无创治疗结果，医护人员是根据以往经验进行分析，多个因素共同影响效果难以判断，并且医护人员主观关注的指标不同，则判定结果也有可能不同。(2)积累时间较长：该方法需要多年临床经验积累。
[0003]
申请号为cn201780068395.0的专利文献公开了一种预警评分系统和方法。该系统包括：计算设备、用于从患者获取生理信号的多个传感器，其中所述传感器在功能上连接到计算设备，以及被适配成在预警分数(ews)超过预定水平时输出警报的至少一个警报器。计算设备从传感器接收生理信号，分析生理信号，并且基于分析的信号来计算预警分数，并且比较预警分数和预定限制，并且如果该分数在限制外，则触发警报器或者启动或修改治疗或医疗干预。但是依然没有解决上述问题。
[0004]
因而现有的无创治疗技术存在不足，还有待改进和提高。


技术实现要素：

[0005]
鉴于上述现有技术的不足之处，本发明的目的在于提供一种呼吸支持设备判定预期效果方法和呼吸支持设备，能解决背景技术中提到的技术问题。
[0006]
为了达到上述目的，本发明采取了以下技术方案：
[0007]
一种呼吸支持设备判定预期效果方法，包括步骤：
[0008]
s1、获取使用者的基本体征数据，所述基本体征数据至少包括基本特征、病史特征、检测数据；
[0009]
s2、使用判定网络模型对所述基本体征数据进行综合判定，确定无创治疗预期效果。
[0010]
优选的，所述的呼吸支持设备判定预期效果方法，所述判定网络模型通过算法模型进行训练得到，训练步骤如下：
[0011]
s01、收集包括基本体征数据的训练数据并进行标签标定，形成训练数据库；
[0012]
s02、将训练数据库中所有训练数据按照预定比例分为训练集和测试集；
[0013]
s03、使用训练集对所述算法模型进行训练，并通过所述测试集进行测试，得到评估指标；
[0014]
s04、判定评估指标是否大于设定值，若是，则输出得到判定网络模型；若否，则执行步骤s02。
[0015]
优选的，所述的呼吸支持设备判定预期效果方法，所述算法模型包括逻辑回归模型、支持向量分类模型、神经网络模型、决策树模型。
[0016]
优选的，所述的呼吸支持设备判定预期效果方法，所述标签内容包括无创治疗失败、无创治疗成功和未知结果；在生成所述训练数据库时：
[0017]
分别形成无创治疗失败数据库、无创治疗成功数据库和未知结果数据库。
[0018]
优选的，所述的呼吸支持设备判定预期效果方法，针对不同的训练数据库分别执行步骤s02-s04。
[0019]
优选的，所述的呼吸支持设备判定预期效果方法，所述无创治疗预期效果为无创治疗失败概率值；所述方法还包括步骤：
[0020]
s3、判定所述无创治疗失败概率值是否大于设定失败阈值，若是，则判定失败风险过高，对外告警；若否，则显示失败概率值。
[0021]
优选的，所述的呼吸支持设备判定预期效果方法，所述检测数据包括体温、舒张压、收缩压、呼吸频率、心率、co2分压、o2分压、血液ph值、血氧浓度、吸入气中的氧浓度分数fio2。
[0022]
优选的，所述的呼吸支持设备判定预期效果方法，呼吸支持设备实时获取所述检测数据更新值，所述方法还包括：
[0023]
当所述检测数据中任一项数据的变化量大于相应的变化阈值时，执行步骤s1。
[0024]
一种计算机可读介质，存储有计算机软件，所述软件被处理器执行时能够实现所述的呼吸支持设备判定预期效果方法。
[0025]
一种呼吸支持设备，包括输入模块、处理模块和输出模块；所述处理模块用于结合所述输入模块的输入数据实现所述的呼吸支持设备判定预期效果方法，同时使用所述输出模块输出结果。
[0026]
相较于现有技术，本发明提供的一种呼吸支持设备判定预期效果方法和呼吸支持设备，具有以下有益效果：
[0027]
本发明提供的判定预期效果方法，基于多特征、多样本的基本体征数据集，通过判定网络模型筛选判定得到无创治疗的预期效果，能够把控综合情况对无创治疗的效果进行分析，准确率达到90％以上。
附图说明
[0028]
图1是本发明提供的判定预期效果方法流程图；
[0029]
图2是本发明提供的判定网络模型训练流程图；
[0030]
图3是本发明提供的呼吸频率与无创治疗失败概率之间的相关性分析柱状图；
[0031]
图4是本发明提供的呼吸支持设备结构框图。
具体实施方式
[0032]
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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
限定本发明。
[0033]
请参阅图1-图2，本发明提供一种呼吸支持设备判定预期效果方法，包括步骤：
[0034]
s1、获取使用者的基本体征数据，所述基本体征数据至少包括基本特征、病史特征、检测数据；
[0035]
具体的，所述使用者的基本体征数据通过临床收集，其中，所述基本特征包括但不限于性别、年龄，所述病史特征包括大不限于本次诊断疾病、高血压史、糖尿病史、脑血管疾病史、高危疾病史，所述检测数据包括大不限于体温、舒张压、收缩压、呼吸频率、心率、co2分压、o2分压、血液ph值、血氧浓度、吸入气中的氧浓度分数fio2，当然所述检测数据也是在实时更新中，因此对于数据只要有稍许变化都会直接替代初始设定值，对于使用者的基本体征数据进行实时确定。现有的判定中，主要使用经验判定法，确定是否适合无创呼吸机治疗，而且是分别针对不同的体征数据分别进行成功概率的相关判定后得到的概率值，无法综合判断且没有体系可言，因此具有极大的不确定性。相应的，用于实现上述步骤的呼吸支持设备同时也具有相应的检测功能，若是没有附带相应的检测功能，也可以使用外接设备实现相应数据的检测与更新，同时还可以通过人工手动输入的方式进行数据更新。
[0036]
s2、使用判定网络模型对所述基本体征数据进行综合判定，确定无创治疗预期效果。
[0037]
具体的，所述判定网络模型是以本领域常用的具有学习能力的网络模型为基础训练得到，当然进行训练所使用的数据具有上述中的基本体征数据，这样就可以综合评价得到预期效果，不至于遗漏评价，造成不利后果。当然，在评价过程中，对于所述基本体征数据中的部分数据进行细化评价，例如针对糖尿病史，针对不同等级的糖尿病进行喜欢风险的细化分析，评价更加全面详细。优选的，所述呼吸支持设备为无创呼吸支持设备。
[0038]
作为优选方案，本实施例中，所述判定网络模型通过算法模型进行训练得到，训练步骤如下：
[0039]
s01、收集包括基本体征数据的训练数据并进行标签标定，形成训练数据库；具体的，所述训练数据优选的来自于病历库，进行针对性提取，提取的标准是包括所述基本特征数据中所有的相关数据；在进行标定时，本实施例中，所述标签内容包括无创治疗失败(例如患者直接死亡、患者病情恶化后插管、患者出院但预后很差等情况下标定)、无创治疗成功(例如患者顺利出院等情况下标定)和未知结果(例如患者强行出院致使医护人员无法知道后续情况)；在生成所述训练数据库时：分别形成无创治疗失败数据库、无创治疗成功数据库和未知结果数据库。当然，是具体使用中，被标定为未知结果的训练数据占比较少，且所述未知结果数据库的实效性不大，可以在后续分析时删除。
[0040]
s02、将训练数据库中所有训练数据按照预定比例分为训练集和测试集；具体的，所述训练集占相应数据库的60％-80％，其余为测试集，所述预定比例优选为训练集：测试集＝8:2(即所述训练集占比为80％)；当然，因为参与训练的数据库可能存在多个(例如分为两个数据库，分别为无创治疗成功数据库和无创治疗失败数据库)，此时，对于相应的训练数据库就分别进行拆分，并分别投入训练；当然，也可以不进行区分，将所有训练数据汇总成为一个数据库进行训练，但是要保证其中标定为无创治疗失败和无创治疗成功的训练数据占比相对均衡，例如数量上的比值可以为：无创治疗失败数据：无创治疗成功数据＝1.2:1，类似前述的比例均可，不做具体限定接近1:1最佳。当然，进一步的实施中，在对算法
模型进行训练前，需要对数据进行与无创治疗失败之间进行初步筛选，当然，初步筛选一般是针对某一项数据进行相关性分析，以初步确定无创治疗失败的原因，例如图3所示，其为呼吸频率与无创治疗失败概率之间的相关性分析柱状图，其他的需要进行相关性分析的各项数据均使用相同的图谱方式进行分析，此处不做赘述。
[0041]
s03、使用训练集对所述算法模型进行训练，并通过所述测试集进行测试，得到评估指标；具体的所述评估指标为所述算法模型的测试正确率。
[0042]
s04、判定评估指标是否大于设定值，若是，则输出得到判定网络模型；若否，则执行步骤s02。具体的，在本步骤中对所述算法模型进行训练的过程不做赘述，使用的是本领常用的训练方式，即输入相应的训练数据，调整所述算法模型的内部参数，在运行多次后，使用所述测试集进行验证，若是评估指标达到较高水平(例如准确率达到95％，且无创治疗失败数据库中评估正确率达到90％)，证明评估指标较高，即可认定学习后的算法模型符合识别标准。优选的，所述算法模型包括逻辑回归模型(lr算法)、支持向量分类模型(svc算法)、神经网络模型(bp算法)、决策树模型(xgboost算法、gbdt算法、lightgbm算法)。针对不同的算法模型使用与其相适应的网络数据调整；例如在本实施例中，优选lightgbm算法模型使用训练数据进行训练，lightgbm算法模型的核心算法由决策树发展而来，相对其他决策树(如gbdt等)算法具有“低内存、运行效率快、更高准确率、并行化运算”等特点，其核心改进点事基于leaf-wise策略生成决策树，但需要重点关注过拟合风险，对于其在生成决策树的算法可参考论文《lightgbm:a highly efficient gradient boosting decision tree》。本发明中，关键参数可初始化：学习率(learning_rate)可设为0.1，树深度(max_depth)可设为4，叶子节点数(num_leaves)设为8，工具箱数(max_bin)设为50，其他参数可根据实际情况进行修改与完善。在使用上述训练步骤训练后，得到相应的lightgbm判定网络模型；若是使用其他的算法模型构建，则步骤相类似，区别在于分别生成不同的判定网络模型，例如lr判定网络模型、bp判定网络模型等。优选的，所述设定值为85％-95％，进一步优选为90％。
[0043]
作为优选方案，本实施例中，所述算法模型包括逻辑回归模型(lr算法)、支持向量分类模型(svc算法)、神经网络模型(bp算法)、决策树模型(xgboost算法、gbdt算法、lightgbm算法)。作为优选方案，本实施例中，针对不同的训练数据库分别执行步骤s02-s04，可以分别得到不同的判定网络模型。在具体实施中，参阅预警分析的判定网络模型为一个或多个，例如：可以分别由lr判定网络模型、bp判定网络模型、lightgbm判定网络模型进行分析，也可以使用前三个(若是还有其他的判定网络模型时，还可以为多个)判定网络模型联合分析；在联合分析中，可以设定方案是，只要有一个判定网络模型的判定结果为高风险，就确定不能使用无创呼吸机进行治疗，也可以是其他设计方案。
[0044]
作为优选方案，本实施例中，所述无创治疗预期效果为无创治疗失败概率值；所述方法还包括步骤：
[0045]
s3、判定所述无创治疗失败概率值是否大于设定失败阈值，若是，则判定失败风险过高，对外告警；若否，则显示失败概率值。优选的，所述失败阈值优选30％-70％，进一步优选为50％。在进一步的判定过程中，不仅输出相应的失败概率值，还对应输出成功概率值，进行二者间的综合分析，给与医师或家属进行参考。
[0046]
作为优选方案，本实施例中，所述检测数据包括体温、舒张压、收缩压、呼吸频率、
心率、co2分压、o2分压、血液ph值、血氧浓度、吸入气中的氧浓度分数fio2。
[0047]
作为优选方案，本实施例中，呼吸支持设备实时获取所述检测数据更新值，所述方法还包括：
[0048]
当所述检测数据中任一项数据的变化量大于相应的变化阈值时，执行步骤s1。优选的，所述变化阈值为某一数据的变化比例，所述变化比例优选为3％-10％，进一步优选为5％。
[0049]
相应的，本发明还提供一种计算机可读介质，存储有计算机软件，所述软件被处理器执行时能够实现所述的呼吸支持设备判定预期效果方法。在具体实施中，所述介质可以是单独存在，需要将所述介质与相应的配置设备连接，即可实现所述判定预期效果方法；也可以是附着于相应的呼吸支持设备中，被其中的处理器执行，实现相应的判定预期效果方法。
[0050]
请参阅图4，相应的，本发明还提供一种呼吸支持设备，包括输入模块、处理模块和输出模块；所述处理模块用于结合所述输入模块的输入数据实现所述的呼吸支持设备判定预期效果方法，同时使用所述输出模块输出结果。其中输入模块实现基本体征数据的录入和相应的检测数据的实时检测更新，并将所有数据发送到所述处理模块中；所述输出模块实现判定结果的直接展示，包括但不限于使用文字显示、色彩显示、灯光显示等。
[0051]
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。