血培养阳性样本识别方法与流程

1.本发明涉及血培养领域，尤其是涉及血培养阳性样本识别方法。


背景技术：

2.当微生物入侵人体并超出人体免疫能力时，这些微生物将侵入人体并迅速繁殖，进而形成菌血症或者真菌血症。菌血症是临床急症，需要尽快对病人进行采血培养。也就是说血培养是对菌血症甚至败血症病人进行早期诊断的一种方法。临床上通常基于血培养来获取一系列血液培养数据，形成一条微生物生长曲线，并依据数学方法，判别该生长曲线的阴阳性，进而快速的给出血培养结果。在现有技术中针对血培养微生物生长曲线阴阳性的判定算法包括加速度法、速度法、斜率法、阈值法等。但实际血培养过程中，由于环境、操作等各种原因，采集的原始数据存在跳跃和波动的情况，而目前的判定方法则均直接使用血培养过程中采集的原始数据进行判断，且缺乏对数据的光滑处理，在判断过程中极易造成假阳。


技术实现要素：

3.本发明目的在于提供一种血培养阳性样本识别方法。
4.为实现上述目的，本发明采取下述技术方案：本发明所述的血培养阳性样本识别方法，包括以下步骤：s1，按时间顺序采集血培养过程中的检测值；s2，当所述检测值的数量大于m时，计算每个当前检测值及所述当前检测值之前的m个检测值的算术均值，若所述算术均值大于第一阈值，判断样本为阳性，且终止识别；s3，否则，计算每个当前检测值与所述当前检测值前一检测值的一阶差分，以及当前检测值前n个检测值的一阶差分；s4，若所述一阶差分均大于所述当前检测值前n个检测值间的一阶差分与预设倍数的乘积，则当前检测值为跳跃点，修正当前检测值为当前检测值减去一阶差分并加上当前检测值前n个检测值间的一阶差分的均值；s5，当检测值的数量大于等于p时，采用多个函数模型对每个当前检测值与当前检测值前的p-1个检测值进行曲线拟合，并分别计算各所述函数模型的拟合优度；s6，计算所述拟合优度大于等于拟合优度阈值的拟合曲线中所述p个检测值的一阶导、二阶导以及一阶导和二阶导的均值；s7，将拟合优度低于拟合优度阈值的拟合曲线中p个检测值的一阶导和二阶导的均值记为0；s8，若存在两个函数模型的拟合曲线中连续多个一阶导均值大于一阶导第一阈值或连续多个二阶导均值大于二阶导第一阈值，判断样本为阳性，且终止识别；s9，若存在两个函数模型的拟合曲线中连续多个一阶导均值大于一阶导第二阈值，且所述两个函数模型的拟合曲线中连续多个二阶导均值大于二阶导第二阈值，判断样
本为阳性，且终止识别。
5.进一步地，所述函数模型logistic、gompertz、bertalanffy、四参数、四参数+k、四参数+k+sigmoid。
6.进一步地，采用levenberg-marquardt算法估计所述函数模型的参数值。
7.进一步地，所述一阶导第一阈值大于所述一阶导第二阈值，所述二阶导第一阈值大于所述二阶导第二阈值。
8.进一步地，血培养过程结束时，仍不满足样本阳性判断条件，则判断样本为阴性。
9.本发明的优点在于针对血培养过程中的陆续采集的原始数据，及时的识别原始数据的跳跃点并对跳跃点进行修正；同时依据最新采集或修正的p个数据，采用多个函数模型进行曲线拟合，计算拟合曲线中p个数据的一阶导均值和二阶导均值，通过连续多个一阶导均值和二阶导均值的变化情况，判断样本是否阳性。本发明方法不仅具有抗干扰能力强，稳定性好的特点，而且本发明方法对每一个当前检测值及其之间的p-1个值进行拟合判断，最大限度的缩短了样本阳性的判断的时间，为临床急症的救治争取了宝贵的时间，同时本发明在修正原始数据的基础上还结合了函数模型拟合，提高了研判准确率。
附图说明
10.图1是本发明所述方法流程图。
11.图2是本发明所述方法中决策器流程图。
具体实施方式
12.下面将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的一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
13.如图1所示，本发明所述的血培养阳性样本识别方法，包括以下步骤：s1，按时间顺序采集血培养过程中的检测值；s2，当所述检测值的数量大于m时，计算每个当前检测值及所述当前检测值之前的m个检测值的算术均值，若所述算术均值大于第一阈值，判断样本为阳性，且终止识别；该步骤为定量判断，每采集一个检测值，就将该检测值与其之前的m个检测值作为一组数据，计算其算数平均值。即m+1个检测值的算数平均值大于第一阈值后，就直接判断样本为阳性，同时终止血培养以及识别。m为预设值。
14.s3，否则，计算每个当前检测值与所述当前检测值前一检测值的一阶差分，以及当前检测值前n个检测值间的一阶差分；若经s2步无法判断样本为阳性，则执行该步骤，每采集一个检测值，首先计算当前检测值与其前一个检测值的差值，即一阶差分；然后计算当前检测值前的n个检测值两两之间的一阶差分，即共有n-1个一阶差分。
15.s4，若当前检测值与当前检测值前一检测值的一阶差分均大于当前检测值前n个检测值间的一阶差分与预设倍数的乘积，即当前检测值与当前检测值前一检测值的一阶差分分别均大于当前检测值前n-1个一阶差分与预设倍数的乘积，则当前检测值为跳跃点，就
将当前检测值修正为当前检测值减去其与其前一个检测值间的一阶差分后，再加上当前检测值前n个检测值间的一阶差分的均值，即当前检测值前n-1个一阶差分的均值。
16.该步骤用于识别跳跃点并对其进行修正。每采集一个检测值，获得该检测值与其前一个检测值的一阶差分，以及该检测值前的n个检测值的n-1个一阶差分，判断若该检测值与其前一个检测值的一阶差分均分别大于该检测值前的n个检测值的n-1个一阶差分与预设倍数的乘积，则说明该检测值为跳跃点，需要进行修正。修正方法为：将该检测值调整为该检测值减去该检测值与其前一个检测值的一阶差分，再加上该检测值前的n个检测值的n-1个一阶差分的算数均值。
17.s5，当检测值的数量大于等于p时，采用多个函数模型对每个当前检测值与当前检测值前的p-1个检测值进行曲线拟合，并分别计算各所述函数模型的拟合优度；在该步骤中，对血培养初期，检测值的数量小于p时，无法根据函数模型进行拟合。当检测值的数量大于等于p时，取每个新采集的检测值，即当前检测值，与当前检测值前的p-1个检测值，采用多个函数模型进行曲线拟合，并分别计算各函数模型的拟合优度。
18.本发明所用的函数模型包括但不限于logistic、gompertzbertalanffy、四参数、四参数+k、四参数+k+sigmoid，且均采用levenberg-marquardt算法估计所述函数模型的参数值。其中，logistic函数模型为：，gompertz函数模型为: ，bertalanffy函数模型为：，四参数函数模型为：，四参数+k函数模型为：，四参数+k+sigmoid函数模型为：，其中，代表采样时间，代表检测值，其他字母均为函数模型的参数。
19.代表检测值，其他字母均为函数模型的参数。
20.s6，计算所述拟合优度大于等于拟合优度阈值的拟合曲线中所述p个检测值的一阶导、二阶导以及一阶导和二阶导的均值；s7，将拟合优度低于拟合优度阈值的拟合曲线中p个检测值的一阶导和二阶导的均值记为0；对于每个新采集的检测值，即当前检测值，与当前检测值前的p-1个检测值，分别使用logistic、gompertz、bertalanffy、四参数、四参数+k、四参数+k+sigmoid函数模型进行数据拟合，形成各自的拟合曲线。对每条拟合曲线均计算其拟合优度。当采用某个函数模型形成的拟合曲线的拟合优度大于等于拟合优度阈值时，计算该函数模型下p个检测值的一阶导、二阶导以及一阶导和二阶导的均值；但是当某个函数模型形成的拟合曲线的拟合优度低于拟合优度阈值时，则不进行
计算，直接将该函数模型下p个检测值的一阶导和二阶导的均值记为0。
21.如图2所示，将s6步和s7步的数据输入决策器进行决策判读，判读样本阳性报警。其具体为：s8，若存在两个函数模型的拟合曲线中连续多个一阶导均值大于一阶导第一阈值或连续多个二阶导均值大于二阶导第一阈值，判断样本为阳性，且终止识别；s9，若存在两个函数模型的拟合曲线中连续多个一阶导均值大于一阶导第二阈值，且所述两个函数模型的拟合曲线中连续多个二阶导均值大于二阶导第二阈值，判断样本为阳性，且终止识别。
22.每增加一个新采集的检测值，根据s5至s7步可得到各函数模型的一阶导均值和二阶导均值。当存在两个函数模型的连续多个一阶导均值大于一阶导第一阈值或连续多个二阶导均值大于二阶导第一阈值，判断样本为阳性，且终止识别；或者是当存在两个函数模型的连续多个一阶导均值大于一阶导第二阈值，且这两个函数模型的连续多个二阶导均值大于二阶导第二阈值，判断样本为阳性，且终止识别。
23.其中一阶导第一阈值大于一阶导第二阈值，二阶导第一阈值大于二阶导第二阈值。在血培养过程结束时，仍不存在满足样本阳性判断的条件，则判断样本为阴性。