一种临床撤机预测系统及其方法

1.本发明属于医疗设备控制领域，特别涉及一种临床撤机预测系统及其方法。


背景技术：

2.脓毒症是机体对炎症反应失调导致的器官功能障碍综合征。它是一类具有疾病变化快、死亡率高的一类患者。现有的研究证明，患者的肺部具有非常高的易感性，过长或者过短的机械通气都对脓毒症患者的预后不利。因此，在进行有创通气的脓毒症患者中，选择合适的时机撤机对脓毒症患者的预后极为重要。而当前临床上对于撤机参数的选用和撤机时机的选择具有较大的随意性，尚未有类似指南的统一指导，也缺乏相应的撤机预测分析作为指导意见。


技术实现要素：

3.本发明的目的在于提供一种临床撤机预测系统及其方法，为脓毒症患者制定完备可行的撤机方案，以帮助临床医师对脓毒症患者进行精准的撤机预测。
4.为解决上述技术问题，本发明是通过以下技术方案实现的：
5.本发明提供的一种临床撤机预测系统，其至少包括：
6.临床动态监测模块，用于获取患者的临床动态指标数据；
7.症状指标采集模块，连接于所述临床动态监测模块，所述症状指标模块根据临床病症和全球医疗数据库内的患者数据，获取症状表现指标数据；
8.指标数据计算模块，连接于所述症状指标采集模块，所述指标数据计算模块根据所述症状表现指标数据，构建最优分析模型；以及
9.显示模块，连接于所述指标数据计算模块和所述临床动态监测模块，所述显示模块根据所述最优分析模型，建立治疗依赖图，以指导撤机。
10.在本发明的一个实施例中，所述临床撤机预测系统还包括在线评估模块，连接于所述显示模块、所述指标数据计算模块和所述临床动态监测模块，所述在线评估模块根据所述最优分析模型，计算获取简化模型和撤机成功率，以指导撤机。
11.在本发明的一个实施例中，所述症状表现指标数据包括撤机前的生物学指标数据和治疗数据。
12.在本发明的一个实施例中，所述生物学指标数据包括动脉血气、动脉二氧化碳分压、碱过量、全血计数、血红蛋白、血小板、实验室指标、生命体征、温度和尿量。
13.在本发明的一个实施例中，所述治疗数据包括潮气量、呼气末正压值、有创通气天数、抗生素使用天数、连续肾脏替代治疗天数、24小时内血管升压药的使用。
14.在本发明的一个实施例中，所述指标数据计算模块包括：
15.建模单元，根据所述症状表现指标数据，建立数学模型；
16.模型分析单元，绘制所述数学模型的受试者工作曲线图，并获取所述受试者工作曲线图的工作数据；以及
17.判断单元，根据所述工作数据，获得所述最优分析模型。
18.在本发明的一个实施例中，所述工作数据包括受试者工作曲线图中的曲线线下面积、敏感性、特异性、阳性预测值、阴性预测值和模型最佳截断值。
19.在本发明的一个实施例中，所述简化模型的参量信息包括机械通气时间、呼气末正压值、尿量、碱剩余值。
20.在本发明的一个实施例中，所述治疗依赖图的参量信息包括尿量、最低碱过量、格拉斯哥昏迷指数、最低血氧饱和度、充血性心力衰竭、最低酸碱值、最低平均动脉压、最高二氧化碳分压、肾脏疾病、最低血小板、身体质量指数和氧合指数。
21.一种临床撤机预测方法，基于本发明所述的一种临床撤机预测系统，包括以下步骤：
22.根据患者的临床病症，获取全球医学数据库内所述临床病症的症状表现指标数据；
23.根据所述症状表现指标数据，构建最优分析模型；
24.根据所述最优分析模型，建立治疗依赖图；以及
25.获取患者的临床动态指标数据，根据所述治疗依赖图，指导撤机。
26.如上所述，本发明的临床撤机预测系统，为临床医师指导撤机提供了指标参量信息的直接指导。本发明设置症状指标采集模块，采集全球做过有创机械通气脓毒症患者的指标数据，并进行数据的实时更新，使本发明的撤机成功率判断与当前医学进度保持一致。本发明设置指标特征计算模块，能通过建模组合，挑选出计算撤机成功率和患者指标参量信息间关系的最优分析模型。本发明通过设置显示模块，根据最优分析模型，以贡献度散点图的形式构建治疗依赖图，有利于临床医师调整和选择最佳撤机方案。本发明设置在线评估模块，通过简化模型计算出撤机成功率，为患者的撤机提供直接指导。
27.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
28.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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一些实施例，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，还可以根据这些附图获得其他的附图。
29.图1为本发明一实施例中临床撤机方法的流程图。
30.图2为获取简化模型的流程示意图。
31.图3为症状指标采集模块的结构示意图。
32.图4为本发明所述建模组合在内部验证集中的受试者工作曲线。
33.图5为本发明所述建模组合在外部验证集中的受试者工作曲线。
34.图6为在线评估模块的结构示意图。
35.图7为最优分析模型中指标变量的shap价值度分析图。
36.图8为最优分析模型中指标变量的shap重要度排序图。
37.图9为最优分析模型和简化模型的校准曲线图。
38.图10为最优分析模型和简化模型的决策曲线图。
39.图11为机械通气时间的shap依赖图。
40.图12为呼气终末正压的shap依赖图。
41.图13为尿排出量的shap依赖图。
42.图14为碱剩余量的shap依赖图。
43.图15为氧化指数的shap依赖图。
44.图16为格拉斯哥昏迷指数的shap依赖图。
45.图17为抗生素使用时长的shap依赖图。
46.图18为最低血氧饱和度的shap依赖图。
47.图19为最高体温的shap依赖图。
48.图20为最高心率的shap依赖图。
49.图21为最低酸碱值的shap依赖图。
50.图22为患者年龄的shap依赖图。
51.图23为本发明所述临床撤机预测方法的流程图。
52.表1为本发明所述建模组合在内部验证集中的预测表现数值表。
53.表2为本发明所述建模组合在外部验证集中的预测表现数值表。
具体实施方式
54.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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
55.机械通气是利用机械装置来代替、控制或改变自主呼吸运动的一种通气方式。机械通气在临床治疗中，是一种十分重要的治疗手段，例如在呼吸机的帮助下，以维持患者气道通畅、改善通气和氧合、防止机体缺氧和二氧化碳蓄积，为使机体有可能度过基础疾病所致的呼吸功能衰竭，为治疗基础疾病创造条件。尽管机械通气可以挽救生命，但并发症高风险必须是患者尽早脱离呼吸机，这个撤离呼吸机的过程为撤机。在临床治疗中，呼吸机的撤机是一个重要的临床问题。对于例如脓毒症患者而言，机械通气能帮助他们维持适当的通气量、减少呼吸肌做功、改善肺气体交换功能、改善肺部的压力容积关系。进行机械通气的患者在原发病得到控制后，通气和换气功能得到改善后，逐渐地撤出机械通气对呼吸的支持，患者能恢复完全自主呼吸，则是一个成功的撤机过程。
56.在大多数患者中，一旦急性呼吸衰竭的根本原因得到解决，就可以停止机械通气。然而，也存在例如20％～30％的患者很难从机械通气中脱离出来。当患者在拔管后48小时内未能通过自主呼吸试验或者是需要重新插管，则被判定为撤机失败，而拔管后呼吸不畅和再进行插管，病人承担的风险都是相当大的。过早进行撤机，可能导致撤机失败，增加再插管率和病死率。过迟进行撤机，可能导致机械通气并发症，还会产生过高的医疗费用。因此合适的撤机方案对于患者的病症治疗也是极为重要的一环。
57.请参阅图1所示，本发明提供了一种临床撤机预测系统10，临床撤机预测系统10包括临床动态监测模块101、症状指标采集模块102、指标数据计算模块103、显示模块104、在线评估模块105。其中，临床动态监测模块101连接于临床医师端60，用于获取临床患者的预
备撤机前的动态指标数据。症状指标采集模块102连接于临床动态监测模块101，用于采集患者的症状表现指标数据。指标数据计算模块103连接于症状指标采集模块102，用于获取评估患者综合状态的数学模型。显示模块104，连接于指标数据计算模块103和临床动态监测模块101，用于构建指导撤机的可视化分析图表。在线评估模块105，连接于显示模块104、指标数据计算模块103和临床动态监测模块101，判断所述临床患者的撤机概率。
58.请参阅图1所示，症状指标采集模块102根据临床病症和全球医疗数据库内的患者数据，症状指标模块102采集所述临床病症的症状表现指标数据，并实时更新所述症状表现指标数据。指标数据计算模块103根据所述症状表现指标数据，构建最优分析模型。显示模块104根据所述最优分析模型，建立治疗依赖图50，以便于临床医师根据治疗依赖图50调整所述临床患者的动态指标数据，指导所述临床患者撤机。在线评估模块105根据所述最优分析模型，获取简化模型，并根据所述简化模型和所述临床患者的动态指标数据，输出撤机成功率，以便于临床医师根据所述撤机成功率指导撤机。
59.请参阅图2和图3所示，在本发明的一个实施例中，症状指标采集模块102包括数据采集单元1021和筛选单元1022，其中数据采集单元1021用于收集全球范围内的症状指标特征，所述症状指标特征例如为脓毒症的表现特征。筛选单元1022用于筛除不符合撤机需求的采集数据。数据采集单元1021将全球范围内同一症状患者的表现特征进行收集，以便于指标数据计算模块103对收集的表现特征进行建模分析，获取患者撤机成功率和相关指标之间的关系，以便于在线评估模块105通过所述简化模型直接计算出患者的撤机成功率，或是通过分析临床患者的动态指标数据，构建治疗依赖图50，指导临床医师的撤机行为。其中，数据采集单元1021的数据收集来源包括第一数据库和第二数据库，所述第一数据库例如为重症医学数据库mimic-iv，全称medical information mart for intensive car-iv，所述第二数据库例如急诊重症监护室协作研究数据库eicu-crd，全称为the eicu collaborative research database，其中eicu全称为emergency intensive care unit，即急诊重症监护室。通过所述第一数据库和所述第二数据库，获得全同一症状患者的症状表现特征。
60.请参阅图2和图3所示，在本发明的一个实施例中，数据采集单元1021采集的数据还包括每年被发布的有关撤机的文献，其建立的关键词包括撤机、机械通气、呼吸机、脓毒症。通过所述关键词进行关联分析，在科学索引网站例如web of science中，以爬虫手段获取与关键词相关的文献，将相关文献进行聚类和可视化分析。筛选单元1022将数据采集单元1021收集到的相关文献中，临床上涉及患者预后常见指标的内容选出，并纳入所述症状表现特征中。症状指标采集模块102保持对所述症状表现指标数据的更新，使本发明的临床撤机预测系统10能始终跟上病症研究的进度，保有较高的准确性。
61.请参阅图2和图3所示，在本发明的一个实施例中，数据采集单元1021采集的所述症状指标特征包括患者的年龄、性别和体重指数，以及撤机前例如24小时内的生物学指标和治疗数据。所述生物学指标选用撤机前例如24小时内最差的指标数据。所述生物学指标包括动脉血气、动脉二氧化碳分压(paco2)、碱过量(be，全称base excess)、全血计数、实验室指标、生命体征、温度和尿量。其中，动脉血气的指标表现为血液酸碱值(ph值)、动脉氧分压(pao2)。全血计数的指标表现为白细胞计数(wbc)、血红蛋白(hb)、血小板(plt)。实验室指标包括肌酐、阴离子间隙。生命体征的指标表现为心率、呼吸频率、平均动脉压、外周血氧
饱和度(spo2)。所述治疗数据包括潮气量、呼气末正压值、有创通气天数、抗生素使用天数、24小时内血管升压药的使用、连续肾脏替代治疗(crrt，全称continuous renal replacement therapy)天数。
62.请参阅图1-图3所示，在本发明的一个实施例中，数据采集单元1021采集的数据信息以患者个体为单位来区分所述症状指标特征。筛选单元1022的筛选方法包括，首先判断患者是否经历过有创机械通气，其次判断患者是否小于某一岁数，例如为18岁，例如为20岁、25岁等等，最后判断患者是否是重复进入重症监护室。在数据采集单元1021从所述第一数据库和所述第二数据库采集到的原始数据中，保留经历了有创机械通气、年龄大于例如18岁、第一次进入重症监护室的患者数据。经过筛选单元1022的条件筛除，获得来源于所述第一数据库的第一数据集和来源于所述第二数据库的第二数据集。筛选单元1022将所述第一数据集中的数据，以患者个体为单位，按照一定比例划分为训练集20和内部验证集30，其中划分比例为例如为4:1，也可以是3:1、5:1等等。再将所述第二数据集中的数据全部划分入外部验证集40。筛选单元1022将处理好的数据，以训练集20、内部验证集30和外部验证集40的数据集群形式传递给指标数据计算模块103。
63.请参阅图1-图3所示，在本实施例中，对脓毒症患者数据进行收集，所述第一数据库的原始数据为例如10832例，所述第二数据库的数据为例如33790例。所述第一数据库中经历了有创机械通气的患者为例如7630例，所述第二数据库中经历了有创机械通气的患者为例如7549例。经过筛选单元1022的筛选，所述第一数据集的患者数量为例如5020例，所述第二数据集的患者数量为例如7081例。按照例如4:1的比例划分所述第一数据集，得到训练集20的患者数量为例如4016例，内部验证集30的患者数量为例如1004例。外部验证集40的患者数量为7081例。指标数据计算模块103根据训练集20中的患者数据进行建模，建模方法包括xgboost、人工神经网络、随机森林、支持向量机、k值近邻法、逻辑回归法。指标数据计算模块103基于内部验证集30和外部验证集40的数据进行模型验证，挑选出准确度最高的分析模型。其中，各个模型在内部验证集30中的表现如表1所示，各个模型在外部验证集40中的表现如表2所示。
[0064][0065]
表1
[0066]
请参阅表1和图1所示，在本发明的一个实施例中，所用到的建模方法包括xgboost模型、ann模型、rf模型、svm模型、lr模型、knn模型，这些模型方法形成一个建模组合。在本发明的其他实施例中也可以这些模型的近似算法模型进行替代，形成新的建模组合。其中，the simplified model为简化模型，是本实施例中的最优分析模型经在线评估模块105简化后的模型，后文将对其进行详细描述。本实施例的建模方法中，所述xgboost模型即极端梯度增压模型，全称为extreme gradient boosting。所述ann模型即人工神经网络模型，全称为artificial neural network。所述rf模型即随机森林模型，全称为random forest。所述svm模型即支持向量机模型，全称为support vector machines。所述lr模型即逻辑回归模型，全称为logistic regression。所述knn模型即k值近邻法模型，全称为k-nearest neighbor。
[0067]
请参阅表1所示，在所述xgboost模型中，每一次迭代，都是在现有树的基础上，增加一棵树去拟合前面树的预测结果与真实值之间的残差，预测值准确程度高，其高效学习也使其能适应大量数据的运算。所述ann模型能在已知数据的基础上，通过逐步调整神经元权重的方式来改变信息输入输出，因此在处理模糊数据、随机性数据、非线性数据方面具有明显优势，适用于规模大、结构复杂、信息不明确的系统。所述rf模型在普通的决策树上选择最优特征作为决策树的左右子树划分，因此rf模型在处理并行数据方面具备很好的效果。所述svm模型是一种非线性分类器，有利于求解凸二次规划的最优化解。所述lr模型在二分类问题的求解判别上具备很大的优势。所述knn模型是一种无参数模型，由于模型在较少训练时间内就可以达到一个不错效果，因此其在数据集的即时分析上可以达到不错的效
果。本实施例中选用此建模组合，能使指标计算模块103在建模工作的时候，充分考虑到医学数据的大规模数据量、多医学指标项的并行、模型拟合的准确性、相关医学数据之间的复杂关系网、对不断更新的数据的即时分析等需求。临床撤机预测系统10后台能应对医学数据的不断更新。在本实施例中的建模组合中，随着数据采集单元1021的数据更新，指标特征计算模块103不断计算选取最优分析模型，使本发明的预测系统始终保持着高准确性和快速的数据处理能力，为临床医师的撤机判断提供足够的佐证。
[0068][0069]
表2
[0070]
请参阅图2、图4和图5、表1和表2所示，在本发明的一个实施例中，根据内部验证集30和外部验证集40中的数据，绘制所述建模组合中不同模型的受试者工作曲线图。所述受试者工作曲线图的横坐标为假阳率，纵坐标为真阳率，曲线下面积代表着曲线的灵敏度，曲线下面积越大，也说明这个曲线的判价值越高。表1和表2中的auroc的全称为area under the roc curve，即所述受试者工作曲线的线下面积。在图4中，以假阳率为例如0.2作为分界线，当假阳率为例如0.2时，本发明所述建模组合的真阳率数值由大到小的排序为所述xgboost模型、所述简化模型、所述lr模型、所述rf模型、所述ann模型(mlp模型，multilayer perceptron，人工神经网络模型)、所述svm模型和所述knn模型。在图5中，当假阳率为例如0.2时，本发明所述建模组合的真阳率数值由大到小的排序为所述xgboost模型、所述lr模型、所述简化模型、所述ann模型、所述rf模型、所述svm模型和所述knn模型。
[0071]
请参阅图2、图4和图5、表1和表2所示，通过图4和图5的受试者工作曲线图，获取模型曲线的auroc数值、敏感性、特异性、阳性预测值、阴性预测值和模型最佳截断值。在表1中，可以看到auroc数值最高的模型为所述xgboost模型，其曲线下面积可达到例如0.80，且其auroc数值的取值范围为例如0.77-0.82。在表2中，可以看到auroc数值最高的模型为所述xgboost模型，可达到例如0.86，且其auroc数值的取值范围为例如0.85-0.87。同时，所述
xgboost模型在敏感性和特异性、阳性预测值和阴性预测值上也有较好的表现，同时，在表1和表2中，也可以看到在敏感性这一项目上，所述svm模型可达到敏感性例如0.59，范围为例如0.55-0.64的数值。且所述svm模型可达到阳性预测值为例如0.96，阳性预测值取值范围为例如0.96-0.97，但所述svm模型的阴性预测值较差，因此综合考虑，以auroc数值为主，在本实施例中，所述最优分析模型可以是所述xgboost模型。在本发明的其他实施例中，在所述第一数据集和所述第二数据集更新的情况下，在本发明所述建模组合中，所述最优分析模型也可以是所述xgboost模型以外的其他模型。通过所述建模组合，就可以应用不同模型的特点，结合内部验证集30和外部验证集40的共同验证，灵活地获取所述最优分析模型。
[0072]
请参阅图1所示，指标数据计算模块103计算获得所述最优分析模型后，将所述最优分析模型传递给在线评估模块105。在线评估模块105根据所述最优分析模型和所述症状指标特征，将所述症状指标特征作为变量，对这些变量进行重要度排序和解释。在线评估模块105将所述最优分析模型进行简化，获得简化模型。
[0073]
请参阅图6所示，在线评估模块105包括简化单元1051、信息接受单元1052、计算单元1053。简化单元1051用于接收所述最优分析模型，并对模型变量进行排序和筛选，挑选出简化后的决策变量，根据所述决策变量，获得所述简化模型。信息接收单元1052连接于临床动态监测模块101，接收临床动态监测模块101采集到的当前预备撤机的患者动态指标数据。计算单元1053挑选出所述患者动态指标数据中的决策变量，导入所述简化模型中，计算获得撤机成功率。
[0074]
请参阅图6所示，由于所述最优分析模型，例如为所述xgboost模型，为达成对患者指标的高可靠度判断，其涉及到的数据量大、指标变量多。因此本实施例中设置简化单元1051，消除影响撤机成功率的低相关指标变量。所述简化单元1051首先将所述最优分析模型的指标变量作为初始特征子集，选用例如n个特征输入到随机森林分类器中，计算得到每个特征的重要性，并利用交叉验证方法得到装置初始特征子集的分类精度。简化单元1051再从当前特征子集中移除特征重要性最低的一个特征，得到一个新的特征子集，再次输入到随机森林分类器中，计算新的特征子集中每个特征的重要性，并利用交叉验证方法得到新的特征子集的分类精度并重复此步骤。直至当前特征子集为空，最后一共得到例如k个不同特征数量的特征子集，选择分类精度排序在例如前4位的特征子集，作为最优特征组合。
[0075]
请参阅图7和图8所示，图7中的横坐标为模型输出的所述症状特征指标的shap(全称为shapley additive explanation，夏普利加法解释)价值度，代表着该指标变量的重要程度。图8中的横坐标为所述最优分析模型中各指标变量的重要度排序。所述最优特征组合对所述最优分析模型的贡献度最高，在本实施例中，所述最优特征组合包括机械通气时间、呼气末正压值、尿量、碱剩余值。图7中，撤机成功的概率随着以下指标数据的增加而增加，所述指标数据包括尿量、最低碱过量、格拉斯哥昏迷指数(gcs)、最低血氧饱和度(spo2)、充血性心力衰竭、最低酸碱值(ph值)、最低平均动脉压(map，mean arterial pressure)、最高二氧化碳分压(pco2)、肾脏疾病、最低血小板、体重指数(bmi，全称body mass index)和氧合指数。
[0076]
请参阅图2、图6、表1和表2所示，基于所述最优特征组合，例如为机械通气时间、呼气末正压值、尿量、碱剩余值，简化单元1051计算得到所述简化模型，再基于内部验证集30和外部验证集40中的数据，将所述简化模型与所述建模组合中的模型进行参数比较，获得
所述简化模型的auroc数值、敏感性、特异性、阳性预测值、阴性预测值和模型最佳截断值。并绘制所述简化模型和所述最优分析模型的校准曲线和决策曲线。
[0077]
请参阅图9和图10所示，图9中的横坐标为模型的预测风险，纵坐标为模型的判断样本观察频数。图10中的横坐标为高风险阈值和成本收益比率，纵坐标为净收益。所述简化模型的布莱尔评分为例如18.5，其布莱尔评分的取值范围为例如18.0-19.1。所述最优分析模型的布莱尔评分为例如9.5，其布莱尔评分的取值范围为例如8.9-10.1，通过布莱尔评分对所述简化模型校准，所述简化模型的稳定性较好，通过所述简化模型计算出的撤机成功率是可信的。所述简化模型和所述最优分析模型的工作曲线在各个高风险阈值概率下，所述最优分析模型的净收益是高于所述简化模型的，而在小于例如0.4的阈值下，所述简化模型和所述最优分析模型的净收益差值较小，所述简化模型也能拥有较高收益。
[0078]
请参阅图8所示，显示模块104接收来自于指标特征计算模块103的最优分析模型，根据图8中每个指标变量的重要性，根据对其中的连续指标变量，绘制出治疗依赖图50，治疗依赖图50可以是一种判断所述连续指标变量对撤机成功率贡献度的图。在本实施例中，治疗依赖图50可以是一种shap散点图，以解释所述最优分析模型中每个变量的值变化对撤机患者的影响。在不涉及所述简化模型的情况下，本发明提供治疗依赖图50，以便于临床医师根据每个变量作出定制化的撤机方案。
[0079]
请参阅图1、图11-图22所示，显示模块104建立的治疗依赖图50中，横坐标为指标变量，纵坐标为对撤机成功率的贡献度。其中蓝色的散点表示特征值，红色的曲线表示横纵坐标的线性关系。贡献度涉及的指标变量包括机械通气时间、呼气终末正压、尿排出量、碱剩余量、最高负离子间隙、格拉斯哥昏迷指数、抗生素使用时长、最低血氧饱和度、最高体温、最高心率、最低酸碱值、患者年龄。其中，与撤机成功率呈正相关的指标变量包括尿排出量、碱剩余量、格拉斯哥昏迷指数、最低血氧饱和度、最低酸碱值。与撤机成功率呈负相关的指标变量包括机械通气时间、呼气终末正压、最高负离子间隙、抗生素使用时长、年龄。不能明显判断与撤机成功率呈正负相关的指标变量包括最高体温和最高心率。
[0080]
请参阅图1和图11所示，在本发明的一个实施例中，当机械通气时间在例如0.1～1.5天时，撤机成功率较高，尤其是当机械通气时间在例如1天时，撤机成功率可以达到一个峰值，其shap贡献度能达到例如0.4。当机械通气时间在大于例如2天后，机械通气时间对撤机成功率起副作用，当机械通气时间大于例如5天后，机械通气时间对撤机成功率造成的影响较小，其shap贡献度维持在例如-0.3。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，优先选择患者机械通气时间在例如0.1～1.5天内的，当患者的机械通气时间大于例如5天时，引入其他指标变量图作为撤机指导。或者，临床医师可以将患者的撤机时间控制在机械通气时间为例如2天内。
[0081]
请参阅图1和图12所示，在本发明的一个实施例中，当呼气终末正压在0.1～5cmh2o内，撤机成功率较高，尤其是当呼气终末正压在例如4cmh2o时，撤机成功率可以达到一个峰值，其shap贡献度能达到例如0.4。当呼气终末正压在大于例如8cmh2o后，呼气终末正压对撤机成功率起副作用，当呼气终末正压大于例如15cmh2o后，呼气终末正压对撤机成功率造成的影响较小，其shap贡献度维持在例如-0.4。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，优先考虑患者的呼气终末正压在例如0.1～5cmh2o内的，当患者的呼气终末正压大于例如15cmh2o时，引入其他指标变量图作为撤机指导。或者，临床
医师可以将患者的撤机时间控制在呼气终末正压为例如小于4cmh2o的范围内。
[0082]
请参阅图1和图13所示，在本发明的一个实施例中，当患者的尿排出量小于例如0.6ml/(kg
×
h)的时候，对撤机成功率造成负面影响。当患者的尿排出量大于例如1.8ml/(kg
×
h)时候，患者的撤机成功率较高，其shap贡献度能达到例如0.2。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，优先确认患者的尿排出量大于例如1.8ml/(kg
×
h)，当尿排出量小于例如0.6ml/(kg
×
h)时，调整治疗方案，暂不撤机。
[0083]
请参阅图1和图15所示，在本发明的一个实施例中，当最高负离子间隙在1～12.5meq/l内，撤机成功率较高，其shap贡献度能达到例如0.2。当最高负离子间隙在大于例如18meq/l后，最高负离子间隙对撤机成功率起副作用。此后随着最高负离子间隙的增大，撤机成功率还会持续降低。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，优先考虑患者的最高负离子间隙在例如1～12.5meq/l的。当患者的最高负离子间隙大于例如18meq/l时，引入其他指标变量图作为撤机指导。当患者的最高负离子间隙大于例如20meq/l时，调整治疗方案，暂不撤机。
[0084]
请参阅图1和图17所示，在本发明的一个实施例中，当抗生素使用时长在例如2天时，撤机成功率较高，其shap贡献度能达到例如0.2。当抗生素使用时长在大于例如4.5天时，抗生素使用时长对撤机成功率起副作用。此后随着抗生素使用时长的增大，撤机成功率还会持续降低。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，优先考虑患者的抗生素使用时长在例如1～2天的。当患者的抗生素使用时长大于例如4.5天时，引入其他指标变量图作为撤机指导。
[0085]
请参阅图1和图19所示，在本发明的一个实施例中，当患者的最高体温在36.5～38℃时，患者的撤机成功率较高，其shap贡献度能达到例如0.1。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，当患者体温小于36.5℃或是大于38℃时，引入其他指标变量指导撤机，或是调整治疗方案，暂不撤机。
[0086]
请参阅图1和图20所示，在本发明的一个实施例中，当患者的最高心率在例如70～110次/min时，对患者的成功率有提升效果，其中，当患者的最高心率在例如95时，患者的撤机成功率最高，其shap贡献度能达到例如0.15。因此，临床医师根据显示模块104的治疗依赖图50指导撤机的时候，当患者的最高心率小于70次/min或是大于110次/min时，引入其他指标变量指导撤机，或是调整治疗方案，暂不撤机。
[0087]
请查阅图2和图23所示，本发明提供一种临床撤机预测方法，所述临床撤机预测方法基于临床撤机预测系统10，其包括以下步骤。
[0088]
s1、基于症状指标采集模块102，根据患者的临床病症，获取全球医学数据库内所述临床病症的症状表现指标数据。
[0089]
s2、基于指标数据计算模块103，根据所述症状表现指标数据，构建最优分析模型。
[0090]
s3、基于显示模块104，根据所述最优分析模型，建立治疗依赖图50。
[0091]
s4、基于在线评估模块105，获取所述最优分析模型的简化模型。
[0092]
s5、基于临床动态指标监测模块101，获取患者的临床动态指标数据，用简化模型计算出患者的撤机成功率，并根据治疗依赖图50和撤机成功率，指导撤机。
[0093]
在本说明书的描述中，参考术语“本实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例
或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0094]
以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。