【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及醫(yī)療預(yù)測(cè)領(lǐng)域，具體涉及了一種胃內(nèi)容物模型訓(xùn)練方法、介質(zhì)、裝置及其應(yīng)用。
技術(shù)介紹
1、隨著醫(yī)療技術(shù)的進(jìn)步與臨床需求的不斷增加，圍術(shù)期并發(fā)癥的預(yù)防和管理變得愈加重要。特別是在住院手術(shù)、日間手術(shù)和門診胃腸鏡診療等麻醉相關(guān)操作中，圍術(shù)期反流誤吸已經(jīng)成為最嚴(yán)重的并發(fā)癥之一。反流誤吸會(huì)導(dǎo)致呼吸道梗阻、肺水腫、肺不張、吸入性肺炎等一系列嚴(yán)重的肺部并發(fā)癥，甚至在某些情況下會(huì)危及患者生命。據(jù)統(tǒng)計(jì)，手術(shù)過程中由于誤吸引發(fā)的死亡率高達(dá)5%，占所有麻醉相關(guān)死亡的9%。尤其是在消化內(nèi)鏡診療中，反流誤吸已成為最主要的嚴(yán)重并發(fā)癥之一，進(jìn)一步凸顯了準(zhǔn)確預(yù)測(cè)胃內(nèi)容物量和評(píng)估反流風(fēng)險(xiǎn)的重要性。
2、現(xiàn)有的胃內(nèi)容物模型主要基于年齡和胃竇橫截面積（csa）兩個(gè)變量，通過線性回歸模型進(jìn)行預(yù)測(cè)，比如，容量=27.0+14.6*右腹橫肌csa-1.28*年齡的模型，這種方法雖然在一定程度上提供了有用的信息，但由于其未能納入患者的其他并發(fā)癥因素，且僅考慮了簡(jiǎn)單的線性關(guān)系，導(dǎo)致在實(shí)際應(yīng)用中存在一定的偏差。特別是在面對(duì)具有復(fù)雜病史、多種影響因素以及不同手術(shù)類型的患者時(shí)，以往模型在準(zhǔn)確性和穩(wěn)定性上存在明顯不足，難以充分滿足臨床需求。因此，開發(fā)新的胃內(nèi)容物評(píng)估模型成為迫切需求。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是解決現(xiàn)有胃內(nèi)容物模型預(yù)測(cè)不準(zhǔn)確的問題，具體提供一種準(zhǔn)確性更高的一種胃內(nèi)容物模型及其訓(xùn)練方法、介質(zhì)、裝置及其應(yīng)用。
2、本專利技術(shù)的基礎(chǔ)技術(shù)方案為：一種胃內(nèi)容物模型的訓(xùn)練方法，包括采集信息
3、近年來，機(jī)器學(xué)習(xí)作為人工智能的一部分備受關(guān)注，因此，也有部分本領(lǐng)域的技術(shù)人員采用機(jī)器學(xué)習(xí)的方式訓(xùn)練胃內(nèi)容物新的模型，機(jī)器學(xué)習(xí)訓(xùn)練新的模型時(shí)，通常會(huì)包括采集信息數(shù)據(jù)、數(shù)據(jù)處理、特征確定、模型訓(xùn)練、驗(yàn)證與測(cè)試等幾個(gè)步驟，在采集信息數(shù)據(jù)時(shí)，以往模型通常會(huì)收集患者的基本信息數(shù)據(jù)和胃竇的橫截面積作為模型訓(xùn)練信息，也會(huì)收集大量候選預(yù)測(cè)因素，比如基本信息、術(shù)前管理數(shù)據(jù)、臨床信息、手術(shù)操作史等，除了會(huì)采集年齡、身高、體重等基本信息之外，還會(huì)采集一系列病癥，如哮喘、帕金森病、冠心病、高血壓、肝硬化、神經(jīng)并發(fā)癥、腦梗死等病癥，也會(huì)采集胃腸道手術(shù)史；采集信息數(shù)據(jù)后，經(jīng)過算法對(duì)數(shù)據(jù)進(jìn)行處理篩選，以獲得篩選后的特征，再加以訓(xùn)練，獲得模型。
4、在模型訓(xùn)練中，采用線性回歸、隨機(jī)森林等模型訓(xùn)練的過程中，始終難以達(dá)到理想的預(yù)測(cè)準(zhǔn)確度，對(duì)此，專利技術(shù)人經(jīng)過研究發(fā)現(xiàn)，將perlas分級(jí)信息納入后，訓(xùn)練的模型準(zhǔn)確度明顯優(yōu)于以往模型。
5、?perlas分級(jí)?是一種用于評(píng)估胃竇狀態(tài)的系統(tǒng)，主要用于超聲檢查中。它根據(jù)胃竇的內(nèi)容物情況將胃竇分為不同的級(jí)別，以幫助判斷誤吸風(fēng)險(xiǎn)。0級(jí)?：仰臥位和右側(cè)臥位時(shí)均未見胃內(nèi)容物，提示沒有胃內(nèi)容物，誤吸風(fēng)險(xiǎn)低；1級(jí)?：僅在右側(cè)臥位時(shí)觀察到少量液體（通常認(rèn)為液體量≤1.5?ml/kg），提示胃內(nèi)小容量的液體，誤吸風(fēng)險(xiǎn)較低?12；2級(jí)?：仰臥位和右側(cè)臥位均可見明顯液體（液體量>1.5?ml/kg），提示胃內(nèi)容物較多，誤吸風(fēng)險(xiǎn)高?。
6、通常perlas分級(jí)?作為超聲檢查對(duì)胃液量的等級(jí)進(jìn)行定性，而本專利技術(shù)人將其特征納入后，通過模型訓(xùn)練，用作定量目的，從而提升了預(yù)測(cè)胃液量的準(zhǔn)確度，且提升了反流誤吸的風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確度。
7、進(jìn)一步，信息還包括有年齡或/和右側(cè)臥位胃竇橫截面積。
8、經(jīng)過專利技術(shù)人的研究發(fā)現(xiàn)，在模型的表現(xiàn)上，信息的組合perlas分級(jí)+右側(cè)臥位胃竇橫截面積（rld?csa）+年齡表現(xiàn)最佳，此外，?perlas分級(jí)+右側(cè)臥位胃竇橫截面積（rld?csa）的表現(xiàn)優(yōu)于單獨(dú)使用右側(cè)臥位胃竇橫截面積（rld?csa），而perlas分級(jí)+年齡的表現(xiàn)也優(yōu)于單獨(dú)使用年齡。當(dāng)然，以上參數(shù)的結(jié)果均優(yōu)于以往模型。以往模型即：以perlas教授等研究的容量公式：胃內(nèi)容量（ml）=27.0+14.6×右側(cè)臥位胃竇橫截面積－1.28×年齡。
9、本專利技術(shù)提供的另一個(gè)基礎(chǔ)技術(shù)方案為：用以上訓(xùn)練方法獲得的胃內(nèi)容物模型。
10、進(jìn)一步，該模型所采集的特征是perlas分級(jí)；或者由perlas分級(jí)和年齡組成；或者由perlas分級(jí)和右側(cè)臥位胃竇橫截面積組成；或者由perlas分級(jí)和年齡和右側(cè)臥位胃竇橫截面積組成。
11、進(jìn)一步，模型包括隨機(jī)森林模型、極限梯度提升模型、自適應(yīng)增強(qiáng)模型、梯度提升決策樹模型、神經(jīng)網(wǎng)絡(luò)模型、k最近鄰模型、支持向量機(jī)模型、線性回歸模型中的任意一種。
12、進(jìn)一步，隨機(jī)森林模型使用參數(shù)為：max_depth=10,?max_features=2,?min_samples_leaf=2,min_samples_split=5,?n_jobs=-1,random_state=90；
13、極限梯度提升模型使用參數(shù)為：colsample_bytree=1.0,?gamma=0.2,?learning_rate=0.2,?max_depth=3,?n_estimators=50,?subsample=1.0；
14、自適應(yīng)增強(qiáng)模型使用參數(shù)為：decisiontreeregressor(max_depth=3),?random_state=90,?learning_rate=0.01,?loss='exponential',?n_estimators=50；
15、梯度提升決策樹模型使用參數(shù)為：learning_rate=0.01,?max_depth=3,?max_features='sqrt',?min_samples_leaf=2,?min_samples_split=5,?n_estimators=200；
16、神經(jīng)網(wǎng)絡(luò)模型使用參數(shù)為：activation='tanh',?alpha=0.01,?hidden_layer_sizes=(50,),?learning_rate='constant',?solver='adam'；
17、k最近鄰模型使用參數(shù)為：algorithm='auto',?leaf_size=20,?n_neighbors=10,p=2,?weights='uniform'；
18、支持向量機(jī)模型使用參數(shù)為：c=0.1,?gamma='scale',?kernel='linear'；
19、線性回歸模型使用公式為：
20、。
21、選取指標(biāo)不同，模型的最優(yōu)使用參數(shù)不同，以上參數(shù)為當(dāng)選取perlas分級(jí)和年齡和右側(cè)臥位胃竇橫截面積組成特征時(shí)，各模型的最優(yōu)參數(shù)，其準(zhǔn)確度遠(yuǎn)遠(yuǎn)優(yōu)于以往模型。
22、本專利技術(shù)使用rf方法構(gòu)建預(yù)測(cè)胃內(nèi)容量的模型：比以往僅采用線性回歸模型預(yù)測(cè)胃內(nèi)容量的模型，本模型引入rf方法構(gòu)建胃內(nèi)容量的模型。基于決策樹的集成學(xué)習(xí)方法，通過結(jié)合多個(gè)決策樹的預(yù)測(cè)結(jié)果，提高模型的穩(wěn)定性和準(zhǔn)確性，尤其在處理非線性關(guān)系和異常值時(shí)表現(xiàn)優(yōu)異。
23、使用xgboost方法本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種胃內(nèi)容物模型的訓(xùn)練方法，其特征在于：包括采集信息，所述的信息包括Perlas分級(jí)。
2.根據(jù)權(quán)利要求1所述的胃內(nèi)容物模型的訓(xùn)練方法，其特征在于：所述的信息還包括有年齡或/和右側(cè)臥位胃竇橫截面積。
3.利用權(quán)利要求1或2的訓(xùn)練方法獲得的胃內(nèi)容物模型。
4.根據(jù)權(quán)利要求3所述的胃內(nèi)容物模型，其特征在于：包括有采集特征，所述的特征為Perlas分級(jí)、或者由Perlas分級(jí)和年齡組成、或者由Perlas分級(jí)和右側(cè)臥位胃竇橫截面積組成、或者由Perlas分級(jí)和年齡和右側(cè)臥位胃竇橫截面積組成。
5.根據(jù)權(quán)利要求4所述的胃內(nèi)容物模型，其特征在于：包括隨機(jī)森林模型、極限梯度提升模型、自適應(yīng)增強(qiáng)模型、梯度提升決策樹模型、神經(jīng)網(wǎng)絡(luò)模型、K最近鄰模型、支持向量機(jī)模型、線性回歸模型中的任意一種。
6.根據(jù)權(quán)利要求5所述的胃內(nèi)容物模型，其特征在于：所述的隨機(jī)森林模型使用參數(shù)為：max_depth=10,?max_features=2,?min_samples_leaf=2,min_samples_split=5,?n_jobs=-1,?r
7.利用權(quán)利要求4-6任意一項(xiàng)所述胃內(nèi)容物模型的存儲(chǔ)介質(zhì)。
8.應(yīng)用權(quán)利要求4-6任意一項(xiàng)所述胃內(nèi)容物模型的裝置。
9.權(quán)利要求4-6任意一項(xiàng)所述胃內(nèi)容物模型作為預(yù)測(cè)胃內(nèi)容物容量裝置的應(yīng)用。
10.權(quán)利要求4-6任意一項(xiàng)所述胃內(nèi)容物模型作為預(yù)測(cè)反流誤吸風(fēng)險(xiǎn)等級(jí)裝置的應(yīng)用。
...【技術(shù)特征摘要】
1.一種胃內(nèi)容物模型的訓(xùn)練方法，其特征在于：包括采集信息，所述的信息包括perlas分級(jí)。
2.根據(jù)權(quán)利要求1所述的胃內(nèi)容物模型的訓(xùn)練方法，其特征在于：所述的信息還包括有年齡或/和右側(cè)臥位胃竇橫截面積。
3.利用權(quán)利要求1或2的訓(xùn)練方法獲得的胃內(nèi)容物模型。
4.根據(jù)權(quán)利要求3所述的胃內(nèi)容物模型，其特征在于：包括有采集特征，所述的特征為perlas分級(jí)、或者由perlas分級(jí)和年齡組成、或者由perlas分級(jí)和右側(cè)臥位胃竇橫截面積組成、或者由perlas分級(jí)和年齡和右側(cè)臥位胃竇橫截面積組成。
5.根據(jù)權(quán)利要求4所述的胃內(nèi)容物模型，其特征在于：包括隨機(jī)森林模型、極限梯度提升模型、自適應(yīng)增強(qiáng)模型、梯度提升決策樹模型、神經(jīng)網(wǎng)絡(luò)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：段光友，李世琪，黃河，劉潔，
申請(qǐng)(專利權(quán))人：重慶醫(yī)科大學(xué)附屬第二醫(yī)院，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。