一种基于深度学习的ICU辅助干预手段预测方法与流程

一种基于深度学习的icu辅助干预手段预测方法
技术领域
1.本发明属于医疗技术领域，具体涉及一种基于深度学习的icu辅助干预手段预测方法。


背景技术：

2.随着加强监护病房综合治疗室(icu)在急性医疗服务中发挥越来越大的作用，临床医生被要求必须在快节奏，数据冗杂的环境中预测患者的生理需求，尽可能在疾病的最佳救助时间做出判断和干预。其中，医疗数据的二次分析是改善现代医疗并提高判断准确率的关键步骤。传统的根据病人生命体征的分析基本靠人力完成，医生需要通过自身经验以及大量的相关领域知识进行观察分析和预测诊断。
3.尤其是在icu的背景下，各类疾病的突发性和生命体征的不确定性对医护人员来说，无疑是费时费力的工作。icu中的患者常常会因为肺部疾病如哮喘，慢性阻塞性肺疾病(copd)，低氧性呼吸衰竭，心源性肺水肿(cpe)；神经肌肉疾病如重症肌无力，吉兰、巴雷综合征；颅内压增高等出现呼吸衰竭的症状，呼吸衰竭到呼吸停止的时间极其短暂。特别是在当代，肺炎重症患者对缺氧的耐受力下降，插管时间应该尽量控制在2分钟之内，若未及时采取干预手段，死亡率极高。
4.因此，本发明提供了一种基于深度学习的icu辅助干预手段预测方法，以至少解决上述部分技术问题。


技术实现要素：

5.本发明要解决的技术问题是：提供一种基于深度学习的icu辅助干预手段预测方法，以至少解决上述部分技术问题。
6.为实现上述目的，本发明采用的技术方案如下：
7.一种基于深度学习的icu辅助干预手段预测方法包括以下步骤：
8.步骤1、获取mimic-iii数据库，提取重症监护室中病人的ehr数据；
9.步骤2、将ehr数据进行清洗和处理后转化为时序数据；
10.步骤3、构建以图学习层、扩张因果卷积、输出模块和全连接层组成的神经网络模型并训练更新；
11.步骤4、将时序数据作为输入，由神经网络模型生成预测判断值，为干预手段提供指导。
12.进一步地，所述步骤1中，所述ehr数据包括静态特征、时序特征和干预手段状态特征；静态特征为时序不变的生理信息；时序特征为与预测相关联的病人的临床生理指标，至少包括时序变化的生理特征数据、实验室测量数据和药物数据。
13.进一步地，所述步骤2具体包括：步骤21，在mimic-iii数据库选取住院时间超过第一时间阈值a的病人的ehr数据；步骤22，设置住院时间大于第一时间阈值a的第二时间阈值b，对于住院时间小于第二时间阈值b的ehr数据进行一次采样，对于住院时间最终点前b小
时到住院时间最终点之间的ehr 数据进行二次采样，将采样数据基于时序特征进行对齐处理；步骤23，将对齐处理后的数据标准化，使每个时间戳上的每一类型的ehr数据都以三个通道的数值表示，所述三个通道的数值包括用于标识当前时间戳是否存在ehr数据的掩码、实际ehr数据的数值、最后一次观测到ehr数据的累计时间；步骤24，构建维度为[数据条数，通道数量，ehr数据中所包含用于预测的时序特征的数量，第二时间阈值b]的样本数据。
[0014]
进一步地，所述步骤3具体包括：步骤31，设置神经网络模型包括图学习层、若干个依次连接的扩张因果卷积、输出模块，所述扩张因果卷积包含依次连接的时序卷积层和图卷积层，第一个时序卷积层前设置1*1卷积层；步骤32，每次训练输入一条构建的样本数据，样本数据通过1*1卷积层提升通道数量维度，样本数据输入到图学习层获取邻接矩阵，将邻接矩阵作用到若干个图卷积层的输入；步骤33，将若干个依次连接的扩张因果卷积之间设置残差连接；步骤34，输出模块设置窗口大小为n小时的预测窗口，输出模块使用多个全连接层作用在ehr数据中所包含用于预测的时序特征的数量，得到维度为[第二时间阈值b，n]的输出数据；步骤35，输入样本数据，重复步骤32～步骤35，训练神经网络模型。
[0015]
进一步地，所述干预手段状态特征包含用于标识关闭的干预手段状态标签值1以及用于标识开启的干预手段状态标签值0。
[0016]
进一步地，所述步骤4包括以下过程：步骤s41，设置ehr数据采样间隔时间为m小时，输入ehr数据得到维度为[第二时间阈值b，n]的预测判断值，基于预测判断值得到b个预测窗口，每个预测窗口包含n小时内的干预手段状态标签值；基于干预手段状态标签值的变化规则，获取预测的干预手段。
[0017]
进一步地，所述干预手段状态标签值的变化规则为:如果标签值由0变成1 则干预手段记为关闭，如果标签值由1变成0则干预手段记为开启，如果标签值保持为1则干预手段记为保持关闭，如果标签值保持为0则干预手段记为保持开启。
[0018]
进一步的，基于干预手段状态标签值的变化规则，构建干预手段标签为[关闭，开启，保持关闭，保持开启]。
[0019]
与现有技术相比，本发明具有以下有益效果：
[0020]
本发明基于深度学习算法构建神经网络模型，将病人在icu内的各种临床生理指标作为时序变化的特征节点，将病人的生理信息作为静态不变的特征节点，处理为一组适合于放入神经网络模型的结构化数据，进而预测出病人一段时间后需要的干预手段。本发明的神经网络模型较现有算法更高的准确率，并且运用了图结构的思想，也同时具有了高可解释性和灵活度，适应更广泛的医疗环境。
附图说明
[0021]
图1为本发明方法流程图。
具体实施方式
[0022]
技术名词解释：
[0023]
ehr数据：电子健康档案数据；
[0024]
rf算法：随机森林算法；
[0025]
lr算法：逻辑回归算法；
[0026]
cnn算法：卷积神经网络算法；
[0027]
lstm算法：长短期记忆网络算法。
[0028]
本发明是利用深度学习中的图神经网络，并基于mimic-iii数据库对icu 背景下的诊断做出辅助干预预测的方法。所述mimic-iii数据库是麻省理工学院计算生理学实验室发布的重症监护数据集，第三版数据集发布于2016年，包含近6万条与大型三级护理医院重症病房收治患者icu住院记录，其引用量已经超过1400次，对于开展医疗大数据分析的研究人员而言，该数据集是一个优质的数据来源。mimic-iii数据库共含26个数据表，除字典表之外，表与表之间通过患者编号(subject_id)、病案号(hadm_id)和icu编号(icustay_id) 连接。
[0029]
本发明提取出mimic-iii数据库中重症监护室中病人的ehr数据，进行神经网络模型的训练更新。所述ehr数据至少为20000条，包括静态特征、时序特征和干预手段状态特征；静态特征为时序不变的生理信息，例如性别、年龄等；时序特征为与预测相关联的病人的临床生理指标，至少包括时序变化的生理特征数据、实验室测量数据和药物数据。具体从mimic-iii数据库的icu_detail、 admissions、icustays中提取病人的静态特征，再从chartevents、labevents中提取适应任务的时序特征，并在durations里提取对应的预测结果作为标签。
[0030]
由于从mimic-iii数据库中提取出的ehr数据本身的噪音多、缺失多、测量方式较为混乱等，并且不是适应于深度学习网络的时序数据，为此需要对其进行预处理。所述步骤2中，采用mimic-extract将ehr数据转化为时序数据，并采用经典机器学习算法和深度学习算法设定预测基线，所述经典机器学习算法为rf算法和lr算法，所述深度学习算法为cnn算法和lstm算法。
[0031]
将所述将ehr数据进行清洗和处理后转化为时序数据，具体包括：步骤21，在mimic-iii数据集选取住院时间超过第一时间阈值a(例如24小时)的病人的ehr数据；步骤22，设置住院时间大于第一时间阈值a的第二时间阈值b (例如96小时)，例如住院时间最终为100小时，对于住院时间小于第二时间阈值b的ehr数据进行一次采样(即0至96小时进行一次采样)，对于住院时间最终点前b小时到住院时间最终点之间的ehr数据进行二次采样(即4至 100小时进行二次采样)，将采样数据基于时序特征进行对齐处理；步骤23，将对齐处理后的数据标准化，使每个时间戳上的每一类型的ehr数据都以三个通道的数值表示，所述三个通道的数值包括用于标识当前时间戳是否存在ehr 数据的掩码、实际ehr数据的数值、最后一次观测到ehr数据的累计时间；步骤24，构建维度为[数据条数，通道数量，ehr数据中所包含用于预测的时序特征的数量，第二时间阈值b]的样本数据。静态特征二值化后作为时序一直不变的特征在每个时间戳都被复制，和时序变化的生理特征数据以及干预手段状态特征对齐。在本实施例中得到的样本数据维度为[24501，3，123，96]，表示96个时间戳上的123个特征，每个特征由3通道的数据标识，共计提取24501 条这样的数据。
[0032]
构建以图学习层、扩张因果卷积、输出模块和全连接层组成的神经网络模型并训练更新。具体包括步骤31，设置神经网络模型包括图学习层、若干个依次连接的扩张因果卷积、输出模块，所述扩张因果卷积包含依次连接的时序卷积层和图卷积层，第一个时序卷积层前设置1*1卷积层；步骤32，每次训练输入一条构建的样本数据，样本数据通过1*1卷积层提升通道数量维度，样本数据输入到图学习层获取邻接矩阵，将邻接矩阵作用到若干个图
卷积层的输入；步骤33，将若干个依次连接的扩张因果卷积之间设置残差连接；步骤34，输出模块设置窗口大小为n个小时预测窗口，输出模块使用多个全连接层作用在 ehr数据中所包含用于预测的时序特征的数量，得到维度为[第二时间阈值b， n]的输出数据；步骤35，输入样本数据，重复步骤32～步骤35，训练神经网络模型。搭建图学习层的目的是自适应地学习图邻接矩阵，来捕获时间序列数据之间的隐藏关系。时序卷积层和图卷积层模块交错，分别捕获空间和时间依赖性。并且在网络训练中随着网络的加深，梯度的传播会愈发困难，因此，在网络间引入残差连接。最后使用多个全连接层，匹配输出尺度，增强网络鲁棒性，提高网络学习能力。所述图卷积层和图学习层不改变数据的维度，只在特征维度上进行特征融合、传播，传入到输出模块前，数据通道数又降为1，此时维度为[96，123]，最后输出模块作用在特征维度，用多个全连接层将[96，123]的数据映射到[96，4]，并与步骤1提取出的标签对应。
[0033]
神经网络模型构建训练完成后，将时序数据作为输入，由神经网络模型生成预测判断值，为干预手段提供指导。具体包括：步骤s41，设置ehr数据采样间隔时间为m小时，输入ehr数据得到维度为[第二时间阈值b，n]的预测判断值，基于预测判断值得到b个预测窗口，每个预测窗口包含n类干预手段状态标签值；基于干预手段状态标签值的变化规则，获取预测的干预手段。例如设置预测窗口n为4小时，预测类别n为4类，ehr数据采样间隔时间m 为2小时，即特征样本采样于该病人住院时间的1小时起并间隔2小时，即预测窗口开始于该病人住院时间的3(即1+m，当m为2时计算结果为3)小时起，第一个预测窗口包含3小时到7小时的干预手段状态标签值。所述干预手段状态特征包含用于标识关闭的干预手段状态标签值1以及用于标识开启的干预手段状态标签值0。所述干预手段状态标签值的变化规则为：预测类别一 onset、如果标签值由0变成1则干预手段记为关闭，预测类别二wean、如果标签值由1变成0则干预手段记为开启，预测类别三stay on、如果标签值保持为 1则干预手段记为保持关闭，预测类别四stay off、如果标签值保持为0则干预手段记为保持开启；基于干预手段状态标签值的变化规则，构建干预手段标签为[关闭，开启，保持关闭，保持开启]，即神经网络模型基于ehr数据，每个窗口最终输出以1
×
4单热向量表示的真实干预状态值，为干预提供指导，如[1， 0，0，0]为类别一、[0，1，0，0]为类别二、[0，0，1，0]为类别三、[0，0，0， 1]为类别四。
[0034]
本发明特别适用于血管加压素和侵入式通气的干预预测。血管加压素是一类引起血管收缩、从而升高平均动脉压(map)的作用较强药物，是间歇液体干预的医疗干预手段，其可以升高血压，减少内脏血流，增加有效循环血容量和心输出量，是icu场景下不可或缺的一种药物。而侵入式通气是通过有创呼吸机进行操作，其工作原理是一种人工的机械通气装置，用以辅助或控制患者的自主呼吸运动，以达到肺内气体交换的功能，侵入式通气的提前预测对于缩短抢救时间，降低病人死亡率显得尤为重要。
[0035]
最后应说明的是：以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案，而非对其限制，当然更不是限制本发明的专利范围；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围；也就是说，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问
题仍然与本发明一致的，均应当包含在本发明的保护范围之内；另外，将本发明的技术方案直接或间接的运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。