【技術實現步驟摘要】
本專利技術涉及醫療，尤其涉及一種腹部手術術后患者譫妄的預警方法及其系統。
技術介紹
1、術后譫妄是一種急性發作、暫時性的腦功能紊亂狀態，通常在手術后一周內發生，以注意力不集中、意識水平變化和認知功能急性改變為主要特征。尤其在老年患者中，術后譫妄的發生率較高，這增加了醫療成本、延長了住院時間，并可能影響患者的長期認知功能，甚至增加死亡風險。
2、現有技術中，在腹部手術前，傳統的術后譫妄預警方法往往無法準確預測患者術后譫妄的發生風險，進而早期采取干預措施。同時該方法難以根據患者的實際情況制定個性化的干預方法，這往往導致治療效果較差，醫療成本較高，并且可能會延長患者的術后恢復時間。
3、因此，有必要提供一種腹部手術術后患者譫妄的預警方法及其系統解決上述技術問題。
技術實現思路
1、為解決上述技術問題，本專利技術提供一種腹部手術術后患者譫妄的預警方法及其系統用于解決傳統的術后譫妄預警方法在腹部手術前無法準確預測患者術后譫妄的發生風險，進而早期采取干預措施，同時難以根據患者的實際情況制定個性化的干預方法，導致治療效果較差，醫療成本較高，并且可能會延長患者的術后恢復時間的問題。
2、本專利技術提供的一種腹部手術術后患者譫妄的預警方法，所述方法包括：
3、獲取腹部手術對應的歷史臨床數據和歷史術后譫妄發生概率；
4、接收所述歷史臨床數據和歷史術后譫妄發生概率，基于特征選擇算法，提取所述歷史臨床數據中的歷史臨床特征；
5、基于機
6、獲取患者端對應的目標臨床數據，提取對應的目標臨床特征并輸入至所述術后譫妄風險預測模型，計算得到所述患者端對應的目標術后譫妄發生概率；
7、根據所述目標術后譫妄發生概率，判斷是否需要對所述患者端進行干預治療。
8、優選的，所述歷史臨床數據包括所述患者端的年齡、性別、既往病史、用藥史、術前認知功能評估、虛弱指數、腹部手術時間、麻醉時間、麻醉藥物、麻醉方式、鎮痛鎮靜史和感染情況。
9、優選的，所述接收所述歷史臨床數據和歷史術后譫妄發生概率，基于特征選擇算法，提取所述歷史臨床數據中的歷史臨床特征，具體包括：
10、對所述歷史臨床數據和歷史術后譫妄發生概率進行預處理；
11、基于特征選擇算法，將所述歷史臨床數據作為變量x，所述歷史術后譫妄發生概率作為變量y，計算所述歷史臨床數據和歷史術后譫妄發生概率之間的互信息值i(x，y)，所述互信息值的計算公式為：
12、
13、式中，i(x，y)表示歷史臨床數據和歷史術后譫妄發生概率之間的互信息值；x表示歷史臨床數據；y表示歷史術后譫妄發生概率；x表示歷史臨床數據的取值；y表示歷史術后譫妄發生概率的取值；p(x，y)表示x和y同時取x和y的聯合概率分布；p(x)表示x取x的邊緣概率分布；p(y)表示y取y的邊緣概率分布；log()表示對數函數；σ表示求和符號；
14、獲取預設互信息值閾值，選取大于等于所述預設互信息值閾值的互信息值對應的歷史臨床數據作為所述歷史臨床特征。
15、優選的，所述基于機器學習算法，根據所述歷史臨床特征和歷史術后譫妄發生概率構建對應的術后譫妄風險預測模型，具體包括：
16、將所述歷史臨床特征劃分為訓練臨床特征和測試臨床特征，并將所述歷史術后譫妄發生概率劃分為訓練術后譫妄發生概率和測試術后譫妄發生概率；
17、基于支持向量機，根據所述訓練臨床特征和訓練術后譫妄發生概率構建所述術后譫妄風險預測模型，對應的目標函數為：
18、
19、式中，max表示取最大值操作；w表示術后譫妄風險預測模型對應的目標函數的權重向量；||w||2表示權重向量的模的平方；c表示目標函數的正則化參數；m表示訓練臨床特征和訓練術后譫妄發生概率對應的訓練數據組的總數；ξi表示第i個訓練數據組對應的松弛變量；σ表示求和符號；
20、所述目標函數對應的約束條件為：
21、
22、式中，s.t.表示約束條件；y′i表示訓練術后譫妄發生概率；w表示術后譫妄風險預測模型對應的目標函數的權重向量；x′i表示訓練臨床特征；b表示術后譫妄風險預測模型對應的目標函數的截距項；ξi表示第i個訓練數據組對應的松弛變量；
23、基于所述約束條件，最大化所述目標函數，訓練得到所述術后譫妄風險預測模型。
24、優選的，在得到所述術后譫妄風險預測模型之后，基于所述測試臨床特征和測試術后譫妄發生概率評估所述術后譫妄風險預測模型的預測效果，并根據所述預測效果對所述術后譫妄風險預測模型進行優化，具體包括：
25、獲取所述測試臨床特征和測試術后譫妄發生概率對應的混淆矩陣，根據所述混淆矩陣評估所述術后譫妄風險預測模型的預測效果；
26、所述混淆矩陣的元素包括真正例、假正例、真反例和假反例，所述真正例為正確識別術后譫妄發生；所述假正例為錯誤識別術后譫妄發生；所述真反例為正確識別術后譫妄未發生；所述假反例為錯誤識別術后譫妄未發生；
27、基于所述混淆矩陣，計算得到所述術后譫妄風險預測模型對應的預測指標，其中，所述預測指標包括準確率、精確率、召回率、f1分數和假正率；
28、所述準確率的計算公式為：
29、
30、式中，zql表示術后譫妄風險預測模型對應的準確率；tp表示真正例，即正確識別術后譫妄發生；tn表示真反例，即正確識別術后譫妄未發生；fp表示假正例，即錯誤識別術后譫妄發生；fn表示假反例，即錯誤識別術后譫妄未發生；
31、所述精確率的計算公式為：
32、
33、式中，jql表示術后譫妄風險預測模型對應的精確率；tp表示真正例，即正確識別術后譫妄發生；fp表示假正例，即錯誤識別術后譫妄發生；
34、所述召回率的計算公式為：
35、
36、式中，zhl表示術后譫妄風險預測模型對應的召回率；tp表示真正例，即正確識別術后譫妄發生；fn表示假反例，即錯誤識別術后譫妄未發生；
37、所述f1分數的計算公式為：
38、
39、式中，f1表示術后譫妄風險預測模型對應的f1分數；jql表示術后譫妄風險預測模型對應的精確率；zhl表示術后譫妄風險預測模型對應的召回率；
40、所述假正率的計算公式為：
41、
42、式中，jzl表示術后譫妄風險預測模型對應的假正率；fp表示假正例，即錯誤識別術后譫妄發生；tn表示真反例，即正確識別術后譫妄未發生；
43、對所述預測指標進行分析，并權衡所述精確率和召回率，評估所述術后譫妄風險預測模型的預測效果，并根據所述預測效果對所述術后譫妄風險預測模型進行優化。
44、優選的，所述根據所述目標術后本文檔來自技高網...
【技術保護點】
1.一種腹部手術術后患者譫妄的預警方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，所述歷史臨床數據包括所述患者端的年齡、性別、既往病史、用藥史、術前認知功能評估、虛弱指數、腹部手術時間、麻醉時間、麻醉藥物、麻醉方式、鎮痛鎮靜史和感染情況。
3.根據權利要求1所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，所述接收所述歷史臨床數據和歷史術后譫妄發生概率，基于特征選擇算法，提取所述歷史臨床數據中的歷史臨床特征，具體包括：
4.根據權利要求1所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，所述基于機器學習算法，根據所述歷史臨床特征和歷史術后譫妄發生概率構建對應的術后譫妄風險預測模型，具體包括：
5.根據權利要求4所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，在得到所述術后譫妄風險預測模型之后，基于所述測試臨床特征和測試術后譫妄發生概率評估所述術后譫妄風險預測模型的預測效果，并根據所述預測效果對所述術后譫妄風險預測模型進行優化，具體包括：
6.根據權利
7.一種腹部手術術后患者譫妄的預警系統，應用于如權利要求1-6任意一項所述的一種腹部手術術后患者譫妄的預警方法，所述系統包括：
...【技術特征摘要】
1.一種腹部手術術后患者譫妄的預警方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，所述歷史臨床數據包括所述患者端的年齡、性別、既往病史、用藥史、術前認知功能評估、虛弱指數、腹部手術時間、麻醉時間、麻醉藥物、麻醉方式、鎮痛鎮靜史和感染情況。
3.根據權利要求1所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，所述接收所述歷史臨床數據和歷史術后譫妄發生概率，基于特征選擇算法，提取所述歷史臨床數據中的歷史臨床特征，具體包括：
4.根據權利要求1所述的一種腹部手術術后患者譫妄的預警方法，其特征在于，所述基于機器學習算法，根據所述歷史臨床特征和...
【專利技術屬性】
技術研發人員：陳琪，林春燕，宋潔，常江，
申請(專利權)人：江南大學附屬醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。