1.本发明涉及基于组合机器学习的手术危重症辅助评估方法，属于数据挖掘，尤其适用于基于组合机器学习的手术危重症辅助评估方法。
背景技术：
2.危重症是指病情严重、多变并且有威胁生命的危急情况存在的临床征象。危重症患者生命体征不稳定，病情变化快，大多伴有一个或多个器官功能不全或衰竭，可以根据体温、脉搏、呼吸、血压等生命体征来进行综合判断。一旦发生危重症，会造成病情危重且变化迅速，稍有不慎常常造成不可弥补的后果，因此要求医生必须能够在短期内做出正确的判断，并确定治疗措施。
3.随着大数据技术的发展，使得利用监测数据对患者的危重症进行预测评估成为了可能。然而，仅仅凭在线监测手术过程中的一个时刻或者是一个小段的来判断是否有发生危重症的风险是非常的片面和不准确的。
4.事实上，被医生判定为危重症的情况，并不是所有的时刻患者处于危重症的情况下，而是中途某个时间段出现疑似危重情况或者危重症概率极大的情况，而后经过医生的有效干预，转为了非危重症的情况。目前，现有研究还无法通过监测数据准确的给出危重症发生的什么时间段以及危险等级信息，以便能够辅助医务人员提前进行有效的干预。
技术实现要素：
5.有鉴于此，本发明提供及基于组合机器学习的手术危重症辅助评估方法，意在采用术前和术中的历史监护与监测的时序数据相结合的方法，通过组合机器学习技术全面的分析，预测出准确的危重症周期以及危重症的程度。
6.为达到上述目的，本发明提供如下技术方案：
7.基于组合机器学习的手术危重症辅助评估方法，结合图1，其特征在于，包括如下步骤：
8.s1：将历史监护与监测的时序数据按照术前阶段和术中阶段分割为术前历史监护与监测的时序数据和术中的历史监护与监测的时序数据，并按照医生诊断结论进行危重症及其周期的人为标记；
9.s2：对术前和术中的历史监护与监测的时序数据，分别利用基于决策树的随机森林回归算法对其中缺失的监测指标数据进行填补；
10.s3：根据术前的历史监护与监测的时序数据，进行危重症共有指标的相关性分析，提取对危重症影响权重和较大的监测指标作为术前因子；
11.s4：将术前因子作为模型的输入，利用组合机器学习方法建立适应不用类型危重症的术前辅助评估模型，并用术前的历史监护与监测的时序数据对其进行训练；
12.s5：将某一患者的术前因子输入到训练好的危重症的术前辅助评估模型，辅助医生对术前危重症进行评估分析；
13.s6：将术中的历史监护与监测的时序数据中标记为危重症周期的数据进行术中特征值计算，同理，将术中的历史监护与监测的时序数据中标记为非危重症周期的患者数据进行术中特征值计算，然后按照术中特征值进行聚类，得到危重症聚类中心和非危重症聚类中心；
14.s7：初始设定一个监测周期，将术中的历史监护与监测的时序数据按照监测周期进行术中特征值计算，根据术中特征值与危重症聚类中心和非危重症聚类中心的距离进行归类，并利用损失函数计算出最优监测周期；
15.s8：利用最优监测周期内的术中历史监护与监测的时序数据，计算危重症程度量化值；
16.s9：将术前因子、术中特征值和危重症程度量化值作为模型的输入，利用组合机器学习方法建立适应不用类型危重症的术中辅助评估模型，并用术前和术中的历史监护与监测的时序数据对其进行训练；
17.s10：将某一患者的术前因子、术中特征值和危重症程度量化值输入到训练好的危重症的术中辅助评估模型，辅助医生对术中危重症进行评估分析。
18.进一步，所述的周期包含非危重症周期和危重症周期；监测周期为监测的一个时间段，可能为非危重症周期，也可能为危重症周期、或者两者混合的周期。
19.进一步，步骤s3的相关性分析技术主要有：协方差、相关系数等。在应用中，按监测指标相关程度进行排序，并将排名靠前的权重总和满足设定阈值的监测指标作为术前因子。
20.进一步，步骤s4和步骤s9所述的组合机器学习方法为：首先，采用集成学习方法分别从人工深度神经网络、xgboost回归方法(参考https：//arxiv.org/pdf/1603.02754.pdf)、支持向量机、随机森林回归方法的角度，建立从输入到危重症判定结果为输出的回归分析模型；然后，对所有回归分析模型进行指标评价，选取最优的回归分析模型进行最终判定危重症结果。
21.更进一步，所述的集成学习方法(ensemble method，参考http：//wfwei.github.io/posts/ensemble-methods/)有：bootstrap aggregating、提升算法(boosting)、随机森林(random forest)；所述的指标评价中的指标包含均方差(mse)、平均绝对误差(mae)以及确定系数(r-square)。
22.进一步，步骤s6所述的术中特征值为：周期内数据的一阶矩即均值、二阶中心矩即方差、三阶中心矩偏斜度、四阶中心矩峰度构成的四维向量。
23.进一步，步骤s6所述的聚类方法为利用k-means方法进行危重症聚类中心和非危重症聚类中心的二分类的聚类方法。
24.进一步，步骤s7所述的损失函数为：
[0025][0026]
其中，cw、cn为分别为危重症聚类中心和非危重症聚类中心，p为单一患者术前和术中的历史监护与监测的时序数据。
[0027]
进一步，所述的步骤s7具体为：
[0028]
s701：将术中的历史监护与监测的时序数据的采样周期设定为最小步长，初始设
定一个监测周期步数为2；
[0029]
特别地，对于标记为非重症患者的历史监护与监测的时序数据，以整个监测时间段为周期进行术中特征值计算，然后直接跳转置步骤s8。
[0030]
s702：将术中的历史监护与监测的时序数据按照监测周期进行术中特征值计算，根据其与危重症聚类中心和非危重症聚类中心的距离进行归类；
[0031]
s703：按照归类的结果和监测周期内的术中特征值，计算损失函数；
[0032]
s704：监测周期步数增加1，并重复步骤s702～s703，直到n次，选出损失函数最小的监测周期作为最优监测周期。可优选的，需要在满足实时性和准确性的情况下，合理选择整数n。
[0033]
进一步，步骤s8所述的危重症程度量化值y的计算方法为：当归类结果为危重症时，其中，rw为危重症聚类的包络半径，||
·
||为f范数；当归类结果为非危重症时，y＝0。
[0034]
可优选的，可以按照危重症程度量化值y的大小对危重症程度进行分级，具体需要医生根据经验制定行业标准，以及对应的干预预案。
[0035]
本发明的有益效果在于：本发明提供了基于组合机器学习的手术危重症辅助评估方法，首先利用集成方法优化组合机器学习方法，并建立的术前和术中辅助评估模型，提高了模型的泛化能力；其次利用相关性分析术前因子并训练术前辅助评估模型；然后利用术中特征值判断危重症程度，结合术前和术中的历史监护与监测的时序数据，对术中辅助评估模型进行训练，能够全面准确的预测出危重症周期以及危重症的程度，有利于辅助医务人员进行有效干预。
附图说明
[0036]
为了使本发明的目的、技术方案，本发明提供如下附图进行说明：
[0037]
图1为本发明方法的流程图；
[0038]
图2为本发明实施例的集成学习方法架构图；
[0039]
图3为本发明实施例术中辅助评估框架图。
具体实施方式
[0040]
实施例：现有某医院提供的2014年～2019的患者历史监护与监测数据，含有8项不同危重症的共有指标(舒张压、收缩压、心率、体温、呼吸频率、动脉血氧分压、中心静脉压、血液ph值等)，已经按照术前阶段和术中阶段分割为术前历史监护与监测的时序数据和术中的历史监护与监测的时序数据，并按照医生诊断结论进行危重症及其周期的人为标记，危重症阴性标记设为0，危重症阳性的标记设为1。进一步，为了模型训练，将所有数据按年份分为训练集(2014年～2018年)和测试集(2019年)。为了准确的预测出危重症周期以及危重症的程度，本发明提出一种“基于组合机器学习的手术危重症辅助评估方法”。
[0041]
下面将结合附图1，对本发明的优选实例进行详细的描述。
[0042]
步骤1：对术前和术中的历史监护与监测的时序数据，分别利用基于决策树的随机森林回归算法对其中缺失的监测指标数据进行填补。
[0043]
充分利用有效数据参与决策，利用随机森林进行回归处理，通过调整随机森林算法的参数使得回归的损失最小。
[0044]
步骤2：根据术前的历史监护与监测的时序数据，对危重症共有指标计算相关系数，按监测指标相关程度进行排序，并将排名靠前的权重总和达到99％的监测指标作为术前因子。
[0045]
步骤3：将术前因子作为模型的输入，利用组合机器学习方法建立适应不用类型危重症的术前辅助评估模型，并用训练集的术前的历史监护与监测的时序数据对其进行训练，然后用测试集的数据进行测试。
[0046]
所述的组合机器学习方法为：首先，采用集成学习方法分别从xgboost回归方法、支持向量机回归(svr)、随机森林回归方法的角度，建立从输入到危重症判定结果为输出的回归分析模型；然后，对所有回归分析模型进行指标评价，选取最优的回归分析模型进行最终判定危重症结果。结合图2，采用的架构为：三个并联的回归分析模型串联一个指标评价模型，所述的指标评价模型的作用为选择三个回归分析模型中某类指标评价效果最好的回归分析模型的输出作为最终输出。
[0047]
所述的集成学习方法为提升算法(boosting)；所述的指标评价中的指标包含均方差(mse)、平均绝对误差(mae)。
[0048]
步骤4：将某一患者的术前因子输入到训练好的危重症的术前辅助评估模型，辅助医生对术前危重症进行评估分析；
[0049]
步骤5：将术中的历史监护与监测的时序数据中标记为危重症周期的数据进行术中特征值计算，同理，将术中的历史监护与监测的时序数据中标记为非危重症周期的患者数据进行术中特征值计算，然后按照术中特征值进行聚类，得到危重症聚类中心和非危重症聚类中心。
[0050]
所述的术中特征值为：周期内数据的一阶矩即均值、二阶中心矩即方差、三阶中心矩偏斜度、四阶中心矩峰度构成的四维向量。
[0051]
所述的聚类方法为利用k-means方法进行危重症聚类中心和非危重症聚类中心的二分类的聚类方法。
[0052]
步骤6：结合图3，初始设定一个监测周期，将术中的历史监护与监测的时序数据按照监测周期进行术中特征值计算，根据术中特征值与危重症聚类中心和非危重症聚类中心的距离进行归类，并利用损失函数计算出最优监测周期。具体为：
[0053]
(1)将术中的历史监护与监测的时序数据的采样周期设定为最小步长，初始设定一个监测周期步数为2；
[0054]
(2)将术中的历史监护与监测的时序数据按照监测周期进行术中特征值计算，根据其与危重症聚类中心和非危重症聚类中心的距离进行归类；
[0055]
特别地，对于标记为非重症患者的历史监护与监测的时序数据，以整个监测时间段为周期进行术中特征值计算，然后直接跳转置步骤7。
[0056]
(3)按照归类的结果和监测周期内的术中特征值，计算损失函数；
[0057]
(4)监测周期步数增加1，并重复步骤s702～s703，直到20次，选出20次迭代中损失函数最小的监测周期作为最优监测周期。
[0058]
所述的损失函数为：
[0059][0060]
其中，cw、cn为分别为危重症聚类中心和非危重症聚类中心，p为单一患者术前和术中的历史监护与监测的时序数据。
[0061]
步骤7：利用最优监测周期内的术中历史监护与监测的时序数据，计算危重症程度量化值。
[0062]
所述的危重症程度量化值y的计算方法为：当归类结果为危重症时，其中，rw为危重症聚类的包络半径；当归类结果为非危重症时，y＝0。
[0063]
特别的，可以按照危重症程度量化值y的大小对危重症程度进行分级，具体需要医生根据经验制定行业标准，以及对应分级的干预预案。例如：0＜y＜0.5为1级危重症，0.5≤y＜0.7为2级危重症。
[0064]
步骤8：将术前因子、术中特征值和危重症程度量化值作为模型的输入，利用组合机器学习方法建立适应不用类型危重症的术中辅助评估模型，并用训练集的术前和术中的历史监护与监测的时序数据对其进行训练，然后用的数据对其进行测试。
[0065]
步骤9：将某一患者的术前因子、术中特征值和危重症程度量化值输入到训练好的危重症的术中辅助评估模型，辅助医生对术中危重症进行评估分析。
[0066]
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。