一种基于机器学习的儿科重症监护辅助系统的制作方法

本发明属于儿科重症监护辅助系统，具体为一种基于机器学习的儿科重症监护辅助系统。

背景技术：

1、基于机器学习的儿科重症监护辅助系统是指利用机器学习算法和技术来辅助医护人员对儿科患者进行重症监护的系统，通过利用机器学习的优势，可以更全面、更及时地获取和分析患者的信息，提高重症监护过程中的效率，为医护人员提供更多的决策支持和辅助，有助于提升儿科患者的医疗护理水平。

2、但是，在已有的儿科重症监护辅助系统中，存在着在儿科重症监护过程中，因为深插管和浅插管都可能导致与气管插管错位相关的严重并发症，需要一个易于使用的工具来预测最佳气管插管深度的技术问题；在已有的儿科重症监护辅助系统中，存在着现有的气管插管情况预测方法在测距阶段依赖人工测量，自动性有待提高且效率较低导致机器学习方法的效率不足的技术问题；在已有的儿科重症监护辅助系统中，存在着现有的气管插管情况预测方法依赖复杂的数据特征和繁琐的后续处理，难以满足临床需要且在数据规模小或特征较少的情况下无法顺利使用，系统的易用性较低的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的儿科重症监护辅助系统，针对在已有的儿科重症监护辅助系统中，存在着在儿科重症监护过程中，因为深插管和浅插管都可能导致与气管插管错位相关的严重并发症，需要一个易于使用的工具来预测最佳气管插管深度的技术问题，本方案创造性地采用机器学习方法进行气管插管情况预测，并通过得到气管插管情况预测辅助麻醉师进行儿科气道管理，提升了人工智能辅助儿科重症监护的效率和可用性；针对在已有的儿科重症监护辅助系统中，存在着现有的气管插管情况预测方法在测距阶段依赖人工测量，自动性有待提高且效率较低导致机器学习方法的效率不足的技术问题，本方案创造性地采用yolov4模型进行隆突距离识别，并通过隆突距离识别进行自动最佳插管位置计算，重构了后续模型的输入数据，提高了数据集的获取效率和系统整体的自动性；针对在已有的儿科重症监护辅助系统中，存在着现有的气管插管情况预测方法依赖复杂的数据特征和繁琐的后续处理，难以满足临床需要且在数据规模小或特征较少的情况下无法顺利使用，系统的易用性较低的技术问题，本方案创造性地采用弹性网络基于患者四项基本信息进行气管插管情况预测，改善了气管插管情况预测的数据基础需要，提高了系统的易用性。

2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的儿科重症监护辅助系统，包括数据采集模块、数据优化模块、数据预处理模块、气管插管情况预测模块和儿科重症监护辅助模块；

3、所述数据采集模块，用于数据采集，通过数据采集，得到儿科患者基本电子病历数据，并将所述儿科患者基本电子病历数据发送至数据优化模块和气管插管情况预测模块；

4、所述数据优化模块，用于数据优化，通过数据优化，得到气管插管情况预测原始数据，并将所述气管插管情况预测原始数据发送至数据预处理模块；

5、所述数据预处理模块，用于数据预处理，通过数据预处理，得到优化气管插管情况预测数据，并将所述优化气管插管情况预测数据发送至气管插管情况预测模块；

6、所述气管插管情况预测模块，用于气管插管情况预测，通过气管插管情况预测，得到气管插管情况预测数据，并将所述气管插管情况预测发送至儿科重症监护辅助模块；

7、所述儿科重症监护辅助模块，用于儿科重症监护辅助，通过儿科重症监护辅助，得到儿科重症监护气道管理指导数据参考。

8、进一步地，所述数据采集，用于采集预测儿科重症监护过程中的最佳气管插管深度所需的患者基本信息，具体为从医疗数据系统中，通过数据采集，得到儿科患者基本电子病历数据；

9、所述儿科患者基本电子病历数据，具体包括儿科患者基本信息数据、气管插管内径数据、固定气管插管深度数据和儿科患者胸部x光片测距数据；

10、所述儿科患者基本信息数据，具体包括年龄、性别、身高和体重。

11、进一步地，所述数据优化，用于计算最佳气管插管数值并重构气管插管情况预测数据集，具体为依据所述儿科患者基本电子病历数据中的气管插管内径数据、固定气管插管深度数据和儿科患者胸部x光片测距数据，通过训练yolov4模型，自动识别儿科患者胸部x光片测距数据中的隆突距离，进行最佳气管插管数值计算，计算得到所述最佳气管插管数值，并重构得到气管插管情况预测原始数据；

12、所述气管插管情况预测原始数据，具体包括儿科患者基本信息数据和最佳气管插管数值数据；

13、所述yolov4模型，具体包括输入层、骨干网络、特征金字塔网络和输出层；

14、所述输入层，用于接收原始测距数据作为模型的输入；

15、所述骨干网络，用于提取测距数据特征，得到高级语义表示特征；

16、所述特征金字塔网络，用于处理多尺度信息；

17、所述输出层，输出模型的预测输出；

18、所述通过训练yolov4模型，自动识别儿科患者胸部x光片测距数据中的隆突距离，进行最佳气管插管数值计算，计算得到所述最佳气管插管数值，并重构得到气管插管情况预测原始数据的步骤，包括：

19、x光片测距数据预处理，用于将所述儿科患者胸部x光片测距数据中的每个测距数据调整为统一规格，得到归一化x光片测距数据；

20、构建并训练yolov4模型，具体包括以下步骤：

21、构建输入层，具体为设定输入测距数据大小和通道数，并通过接受所述归一化x光片测距数据作为模型输入数据；

22、构建骨干网络，具体为采用结合跨阶段连接的残差卷积网络作为基本网络，构建所述骨干网络；

23、构建特征金字塔网络，具体为在所述骨干网络中添加横向连接构建所述特征金字塔网络；

24、构建输出层，具体为通过构建检测头并将识别得到的隆突距离作为模型输出，构建所述输出层；

25、yolov4模型训练，具体为通过所述构建输入层、所述构建骨干网络、所述构建特征金字塔网络和所述构建输出层，进行yolov4模型训练，得到隆突距离识别模型modelyolo；

26、最佳气管插管数值计算，具体为通过使用所述隆突距离识别模型modelyolo，依据所述儿科患者胸部x光片测距数据，得到隆突上缘距离、隆突下缘距离和隆突到气管导管尖端距离，并通过依据所述固定气管插管深度数据，计算隆突上缘到隆突下缘距离的中位数作为最佳气管导管尖端位置，并计算所述固定气管插管深度数据中的固定气管插管深度至所述最佳气管导管尖端位置之间的距离，得到最佳气管插管数值；

27、气管插管情况预测数据重构，具体为通过所述x光片测距数据预处理、所述构建并训练yolov4模型和所述最佳气管插管数值计算，结合所述最佳气管插管数值和所述儿科患者基本电子病历数据，重构气管插管情况预测数据，得到气管插管情况预测原始数据。

28、进一步地，所述数据预处理，用于对采集得到的患者基本信息进行初步处理，具体为对所述气管插管情况预测原始数据进行数据预处理，得到优化气管插管情况预测数据，具体包括以下步骤：

29、数据分割，具体为将所述气管插管情况预测原始数据划分为训练集和测试集；

30、所述训练集，具体指通过随机采样获取的70%的气管插管情况预测原始数据；

31、所述测试集，具体指通过随机采样获取的30%的气管插管情况预测原始数据；

32、标准化参数计算，具体为将儿科患者基本信息数据作为标准化特征，所述标准化特征，具体包括年龄、性别、身高和体重，并依据所述标准化特征计算训练集中的每个特征的平均值和标准差；

33、训练集标准化，具体为对于每个标准化特征，将训练集中的数据数值减去平均值并除以标准差，得到标准正态分布训练集；

34、测试集标准化，具体为依据训练集的平均值和标准差对测试集进行标准化，得到标准化测试集；

35、数据预处理，具体为通过得到所述标准正态分布训练集和标准化测试集，得到优化气管插管情况预测数据，所述优化气管插管情况预测数据包括标准正态分布训练集和标准化测试集。

36、进一步地，所述气管插管情况预测，用于训练机器学习模型依据患者基本信息进行最佳气管插管情况的预测，具体为依据所述优化气管插管情况预测数据，采用弹性网络进行气管插管情况预测，得到气管插管情况预测数据；

37、所述采用弹性网络进行气管插管情况预测，得到气管插管情况预测数据的步骤，包括：

38、数据准备，具体为采用所述优化气管插管情况预测数据作为模型数据；

39、构建弹性网络目标函数，计算公式为：

40、；

41、式中，是弹性网络目标函数，m是训练样本数，n是特征总数，i是训练样本索引，j是特征索引，是模型的预测值，其中，是模型预测函数，是第i个输入样本，是真实的标签值，r是岭函数正则化参数，是模型参数，l是锁套函数正则化参数；

42、弹性网络模型训练，具体为通过构建所述弹性网络目标函数和所述数据准备，进行弹性网络模型训练，得到气管插管情况预测模型modeletp；

43、气管插管情况预测，具体为使用所述气管插管情况预测模型modeletp，依据所述儿科患者基本电子病历数据中的儿科患者基本信息数据进行气管插管情况预测，得到气管插管情况预测数据。

44、进一步地，所述儿科重症监护辅助，用于结合最佳气管插管情况的预测值进行儿科重症监护辅助，具体为通过预测得到所述气管插管情况预测数据，并通过所述气管插管情况预测数据进行麻醉师儿科气道管理，进行儿科重症监护辅助，得到儿科重症监护气道管理指导数据参考。

45、采用上述方案本发明取得的有益效果如下：

46、（1）针对在已有的儿科重症监护辅助系统中，存在着在儿科重症监护过程中，因为深插管和浅插管都可能导致与气管插管错位相关的严重并发症，需要一个易于使用的工具来预测最佳气管插管深度的技术问题，本方案创造性地采用机器学习方法进行气管插管情况预测，并通过得到气管插管情况预测辅助麻醉师进行儿科气道管理，提升了人工智能辅助儿科重症监护的效率和可用性；

47、（2）针对在已有的儿科重症监护辅助系统中，存在着现有的气管插管情况预测方法在测距阶段依赖人工测量，自动性有待提高且效率较低导致机器学习方法的效率不足的技术问题，本方案创造性地采用yolov4模型进行隆突距离识别，并通过隆突距离识别进行自动最佳插管位置计算，重构了后续模型的输入数据，提高了数据集的获取效率和系统整体的自动性；

48、（3）针对在已有的儿科重症监护辅助系统中，存在着现有的气管插管情况预测方法依赖复杂的数据特征和繁琐的后续处理，难以满足临床需要且在数据规模小或特征较少的情况下无法顺利使用，系统的易用性较低的技术问题，本方案创造性地采用弹性网络基于患者四项基本信息进行气管插管情况预测，改善了气管插管情况预测的数据基础需要，提高了系统的易用性。