【技術實現步驟摘要】
本專利技術涉及一種基于深度學習的術中低血壓預測方法及裝置，屬于醫療大數據處理。
技術介紹
1、術中低血壓指非心臟手術患者在手術過程中平均動脈壓(mean?arterialpressure，map)低于正常生理范圍的一種臨床現象，臨床中通常以map<65mmhg，持續1-5分鐘為術中出現低血壓的標志。由于患者處于全身麻醉狀態，自身調節能力受到抑制，其中，心肌、腦組織和腎臟對缺血缺氧尤為敏感。克利夫蘭醫學中心研究表明，術中出現顯著低血壓會導致急性腎損傷的發生率提高35％、心肌損傷的發生率提高60％、卒中的發生率提高2倍、術后30天死亡率提高3倍。術中低血壓嚴重威脅患者生命安全，因此，及時發現和避免術中低血壓，對于降低手術風險、減少術后并發癥、優化麻醉管理、縮短住院時間和減輕醫療費用負擔等具有重要的臨床意義和應用價值。
2、為實現術中對患者血壓的連續實時監控，臨床上通常采用橈動脈置管的方式對動脈壓力進行監測，通過解析壓力傳感器獲取動脈壓力波形。動脈壓力波形是指在每一個心臟周期內，動脈血管內的壓力隨時間變化所形成的波形曲線。動脈壓力波形能夠反映心臟收縮和舒張的過程，同時也反映了血管彈性和外周血管阻力的變化情況。通過對動脈壓力波形的解析可以得到平均動脈壓、外周血管阻力、心排量、每搏量、每搏變異指數等對術中血壓監測有重要參考意義的指標。麻醉醫生通過參考這些指標，對患者進行處置，保證患者術中安全。其中，動脈壓力波形作為術中低血壓預測的主要輸入，其質量與最終的模型預測性能息息相關。現有方法往往直接使用原始采集動脈壓力波形進行解
3、目前，術中低血壓的預測主要依賴于機器學習和深度學習技術，通過分析患者的病史數據、動脈壓力波形數據等信息來構建預測模型。常用的方法包括邏輯回歸、梯度提升方法、卷積神經網絡等，這些方法在一定程度上能夠對術中低血壓進行預測，但仍然存在一些不足。具體地：(1)現有方法為對動脈壓力波形中存在的噪聲進行有效處理；(2)現有方法只考慮了患者動脈壓力波形數據以及人口統計學指標，忽略了重要的患者呼吸數據和外科醫生操作因素的影響(3)現有基于人工智能方法缺少對低血壓預測結果的可解釋性，模型難以融入臨床診療路徑。
技術實現思路
1、針對上述問題，本專利技術提供了一種基于深度學習的術中低血壓預測方法及裝置，本專利技術從輸入的角度提高算法對動脈壓力波形的建模能力，并在低血壓預測過程中結合患者的呼吸指標進行補充，最后利用shap值來對模型預測結果中的重要貢獻指標進行排序，以特征重要性的角度對模型預測結果進行解釋，提高麻醉醫生對預測結果的接納程度，使低血壓預測結果更加貼合臨床診療路徑。
2、本專利技術的技術方案是：第一方面，本專利技術提供一種基于深度學習的術中低血壓預測方法，所述方法的具體步驟如下：
3、step1、術中動脈壓力波形去噪：利用小波閾值法對原始傳感器采集得到的動脈壓力波形進行去噪處理，處理后得到高保真的動脈壓力波形數據用于模型訓練和推理；
4、step2、在對術中患者進行低血壓預測時，除使用常規的患者自身人口統計學特征、去噪后的術中動脈壓力波形作為術中低血壓預測模型輸入特征外，還結合術中呼吸指標對一段時間后發生低血壓的概率進行預測；
5、step3、對術中低血壓預測模型預測結果產生重要影響的特征包括常規的患者自身人口統計學特征、去噪后的術中動脈壓力波形、術中呼吸指標進行shap值計算，量化這些特征對預測結果的貢獻大小，并以可視化排序的方式為臨床提供參考。
6、作為本專利技術的進一步方案，所述step1中包括：
7、首先采用小波閾值法對傳感器采集到的術中動脈壓力波形數據進行去噪，具體表示為：s(n)為原始采集的信號，f(n)為真實信號，s(n)＝f(n)+σe(n)，σe(n)為噪聲信號，小波閾值法的目的就是抑制σe(n)恢復f(n)，去噪后高質量的動脈壓力波形數據f(n)再送入術中低血壓預測模型進行預測；小波閾值法去噪方法是建基于小波變換的多尺度分析特性；噪聲與信號在不同頻帶上的小波分解系數具有不同的幅值分布特征，因此通過對小波分解系數進行閾值處理，去除噪聲對應的小波系數，保留信號的小波系數分量；最后，利用剩余的小波系數進行小波重構，獲得去噪后的高質量信號。
8、作為本專利技術的進一步方案，所述step2中包括：
9、所述常規的患者自身人口統計學特征、去噪后的術中動脈壓力波形、術中呼吸指標分為靜態特征、動態時序性特征；
10、對上述特征進行特征工程處理；特征工程處理包括：
11、對去噪后的術中動脈壓力波形數據利用小波閾值法進行去噪；
12、針對靜態特征，僅對其中包含的缺失值進行補充，以及異常值剔除；
13、針對動態時序性特征，采用最小值、中位數、平均數、最大值、方差和變化趨勢作為動態時序性特征的統計量，以此來衡量動態數據的特征；
14、作為本專利技術的進一步方案，所述step2中，針對動態時序性特征，還根據血流動力學相關研究和計算公式，以動脈壓力波形作為輸入，計算出患者的平均動脈壓(map)、心輸出量(co)、全身血管阻力(svr)、脈搏(pr)、每搏量(sv)、每搏變異指數(svv)、脈壓變化(ppv)、心肌收縮力(dp/dt)、動態血管彈性(eadyn)重要指標。
15、作為本專利技術的進一步方案，所述step2中還包括：在完成特征工程處理后，選用卷積神經網絡cnn、多層感知機mlp搭建術中低血壓預測模型，構建了對術中患者一段時間內是否發生低血壓的分類分支，以及對術中患者一段時間的平均動脈壓進行預測的回歸分支。
16、作為本專利技術的進一步方案，構建了兩層mlp網絡和softmax輸出層作為預測是否發生低血壓的分類分支；構建了三層mlp網絡預測一段時間后患者的的平均動脈壓壓力值；患者自身人口統計學特征、術中呼吸相關特征、血流動力學特征在經過卷積和自注意力特征提取后得到融合特征，將該融合特征同時分別送入分類分支和回歸分支，分類分支最后輸出一個兩維的向量分別為發生低血壓和不發生低血壓的概率，該分支訓練時，利用二元交叉熵損失函數進行約束；回歸分支最后輸出一個一維的平均動脈壓壓力值，該分支采用均方誤差作為損失函數進行約束。
1本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的術中低血壓預測方法，其特征在于：所述方法的具體步驟如下：
2.根據權利要求1所述的基于深度學習的術中低血壓預測方法，其特征在于：所述Step1中包括：
3.根據權利要求1所述的基于深度學習的術中低血壓預測方法，其特征在于：所述Step2中包括：
4.根據權利要求3所述的基于深度學習的術中低血壓預測方法，其特征在于：所述Step2中，針對動態時序性特征，還根據血流動力學相關研究和計算公式，以動脈壓力波形作為輸入，計算出患者的平均動脈壓(MAP)、心輸出量(CO)、全身血管阻力(SVR)、脈搏(PR)、每搏量(SV)、每搏變異指數(SVV)、脈壓變化(PPV)、心肌收縮力(dp/dt)、動態血管彈性(Eadyn)重要指標。
5.根據權利要求3所述的基于深度學習的術中低血壓預測方法，其特征在于：所述Step2中還包括：在完成特征工程處理后，選用卷積神經網絡CNN、多層感知機MLP搭建術中低血壓預測模型，構建了對術中患者一段時間內是否發生低血壓的分類分支，以及對術中患者一段時間的平均動脈壓進行預測的回歸分支。
<...【技術特征摘要】
1.一種基于深度學習的術中低血壓預測方法，其特征在于：所述方法的具體步驟如下：
2.根據權利要求1所述的基于深度學習的術中低血壓預測方法，其特征在于：所述step1中包括：
3.根據權利要求1所述的基于深度學習的術中低血壓預測方法，其特征在于：所述step2中包括：
4.根據權利要求3所述的基于深度學習的術中低血壓預測方法，其特征在于：所述step2中，針對動態時序性特征，還根據血流動力學相關研究和計算公式，以動脈壓力波形作為輸入，計算出患者的平均動脈壓(map)、心輸出量(co)、全身血管阻力(svr)、脈搏(pr)、每搏量(sv)、每搏變異指數(svv...
【專利技術屬性】
技術研發人員：林旭，朱達，詹憶冰，董麗榮，齊沖沖，馬尚然，
申請(專利權)人：云南聯合視覺科技有限公司，
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。