创伤严重失血伤情预测方法与系统

1.本发明涉及人工智能辅助伤情预测领域，具体涉及一种创伤严重失血伤情预测方法与系统。


背景技术：

2.创伤是指机械力作用于人体造成的人体机体完整性的破坏与功能障碍。导致创伤患者死亡的主要原因是局部或全身不可控的严重失血，约40％的创伤死亡可以归因于创伤严重失血。及早对创伤严重失血的发生进行预测，对创伤严重失血患者进行早期识别，可以帮助在创伤发生后对严重失血患者进行早期干预，这对患者的结局至关重要，因此，创伤相关的救治也是当今医疗领域的重要课题。


技术实现要素：

3.本发明提供一种创伤严重失血伤情预测方法与系统，以实现对患者在一定时间后是否会出现严重失血伤情的有效预测，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
4.为此，本发明提供如下技术方案：
5.一种创伤严重失血伤情预测方法，所述方法包括：
6.采集多个患者历史生理指标数据；
7.从所述历史生理指标数据中提取反映其失血状况的关键特征；
8.根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
9.将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型；
10.利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。
11.可选地，所述关键特征包括：心率、呼吸频率、血氧饱和度、收缩压、舒张压。
12.可选地，所述根据所述关键特征的检测时间生成对应各患者的多维体征数据序列包括：
13.根据所述关键特征的检测时间对所述关键特征进行排序、组合，生成对应各患者的第一特征序列；
14.对所述第一特征序列中的各特征进行标准化处理，得到对应各患者的多维体征数据序列。
15.可选地，所述对所述第一特征序列中的各特征进行标准化处理包括：
16.对所述第一特征序列中的各特征数据，采用z-score标准化处理。
17.可选地，所述中间辅助特征包括:缺失标记矩阵可选地，所述中间辅助特征包括:缺失标记矩阵前向间隔矩阵后向间隔矩阵
其中，t是患者多维体征时序数据序列的长度，d是所述关键特征的数量，表示是否缺失，如缺失则为0，否则为1，为患者的关键特征d在t时刻的检测结果；
18.表示患者的关键特征d在t时刻的结果距离上一次未缺失记录的时间间隔；
19.表示患者的关键特征d在t时刻的结果距离后一次未缺失记录的时间间隔。
20.可选地，按以下公式计算
[0021][0022]
按以下公式计算
[0023][0024]
可选地，所述严重失血伤情预测模型为基于rnn的gru-d-b模型，在t时刻以x
t
,m
t
,δ
t
,以及前一时刻的隐藏状态向量h
t-1
作为输入，所述严重失血伤情预测模型的输出为患者在设定时间后发生严重失血的概率。
[0025]
可选地，所述将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型包括：
[0026]
将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，分别训练得到三个不同的gru-d-b模型，分别用于预测患者在1小时、2小时、3小时后发生严重失血的概率。
[0027]
一种创伤严重失血伤情预测系统，所述系统包括：
[0028]
数据采集模块，用于采集多个患者历史生理指标数据；
[0029]
特征提取模块，用于从所述历史生理指标数据中提取反映其失血状况的关键特征；
[0030]
中间辅助特征生成模块，用于根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
[0031]
训练模块，用于将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型；
[0032]
预测模块，用于利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。
[0033]
可选地，所述系统还包括：
[0034]
告警模块，用于在所述预测模块预测所述创伤患者在设定时间后发生严重失血的概率大于设定阈值的情况下，进行告警提示。
[0035]
本发明实施例提供的创伤严重失血伤情预测方法与系统，通过采集多个患者历史生理指标数据；从历史生理指标数据中提取反映其失血状况的关键特征；根据关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征，利用多维体征时序数据序列及中间辅助特征训练得到严重失血伤情预测模型；利用严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
[0036]
进一步地，在预测得到的发生严重失血的概率超过设定的阈值的情况下，进行告警提示，将具有较高失血风险的患者及时通知给医生，有助于对患者及早实施临床干预措施。
附图说明
[0037]
图1是本发明实施例创伤严重失血伤情预测方法的流程图；
[0038]
图2是本发明实施例中正负样本研究截面示意图；
[0039]
图3是本发明实施例中gru-d-b模型的单元结构示意图；
[0040]
图4是本发明实施例中采用单层的gru-d-b模型的严重失血伤情预测模型结构示意图；
[0041]
图5是本发明实施例创伤严重失血伤情预测系统的结构示意图。
具体实施方式
[0042]
近年来，随着医疗无创监护技术和设备的发展，已经实现了多维度生命体征信息的无创、实时、连续、动态监测。将患者一段时间内的生命体征多次检测结果进行组合可以得到多维体征时序数据，其中蕴含着丰富的人体生理、病理状态，也是“医疗大数据”的重要组成部分。心率、呼吸频率、收缩压、舒张压、血氧饱和度等是人体基本生命体征，当发生创伤严重失血时，由于短期大量失血或重要部位失血，机体先后出现心率加快、呼吸频率加快、血压(收缩压、舒张压)下降、血氧饱和度下降等生理表现。对于患者的多维体征时序数据，可以利用rnn((recurrent neural network，循环神经网络)、tcn((temporal convolutional network，时序卷积网络)等深度学习方法挖掘患者病情的转归信息，对患者未来的病情发展做出预测。然而，患者的体征时序数据通常是不等间隔的，并且可能会由于监护设备异常或记录过程不规范导致数据中出现缺失值或错误值，因此不适合直接使用rnn或tcn进行序列建模。
[0043]
为此，本发明实施例提供一种创伤严重失血伤情预测方法与系统，消除不等间隔以及缺失值和错误值带来的影响，根据创伤患者的生命体征时序数据对患者在k(比如k＝1,2,3)小时后是否会出现严重失血伤情进行预测，可以有效地对创伤患者进行分诊和后送决策，有助于医护人员更早实施挽救生命的干预措施，如快速控制出血、损伤控制复苏和启动大量输血方案，降低创伤患者的伤残率和死亡率。
[0044]
如图1所示，是本发明实施例创伤严重失血伤情预测方法的流程图，包括以下步骤：
[0045]
步骤101，采集多个患者历史生理指标数据。
[0046]
具体地，可以从患者医疗电子档案、急重病临床数据等历史信息中采集患者生理指标数据。
[0047]
步骤102，从所述历史生理指标数据中提取反映其失血状况的关键特征。
[0048]
所述关键特征可以包括但不限于以下任意一种或多种：心率、呼吸频率、血氧饱和度、收缩压、舒张压。
[0049]
对于所有患者的上述五项生命体征数据，限定取值范围分别为30-300bpm、3-50bpm、40-100％、40-300mmhg以及40-300mmhg。将所有在对应取值范围之外的结果都看作是错误结果，并标记为缺失。
[0050]
步骤103，根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征。
[0051]
具体地，可以先根据关键特征的检测时间对提取的各患者的关键特征进行排序、组合，生成对应各患者的第一特征序列；然后对所述第一特征序列中的各特征进行标准化处理，得到对应各患者的多维体征数据序列。
[0052]
比如，可以对第一特征序列中的各特征数据采用z-score标准化处理，即：
[0053]
首先计算所有患者记录的平均值和标准差，然后对应每一关键特征，将每一次记录的数据减去平均值并除以标准差，得到该数据标准化后的结果。经过标准化处理后，各项特征数据的平均值均为0，标准差均为1，具有相近的取值范围。
[0054]
对于所有严重失血患者，可以作为实验组(正样本)，并以严重失血时刻作为研究截面；其余患者看作对照组(负样本)，并以出院或最后一次体征记录的时刻作为研究截面。取出所有患者研究截面前k+12至k小时内的多维体征时序数据建立数据集，数据集中不同患者的时序数据可能具有不同的长度。
[0055]
进一步地，由于各项体征的检测频率不同、相同特征前后两次检测时间间隔可能不同，因此患者的多维体征时序数据具有不等间隔的特点，同时具有较多缺失值。为了消除患者体征时序数据中不等间隔以及缺失值和错误值为时序数据分析带来的影响，本发明实施例的方案还可根据患者的多维体征时序数据以及检测时间生成中间辅助特征。
[0056]
具体地，可以将患者过去一定时间(比如12小时)内的多维体征时序数据表示为其中t是患者时序数据的长度，d是检测的特征数量，在这里为5。为患者在t时刻各项特征组成的特征向量，为患者的关键特征d在t时刻的检测结果。记s
t
为患者在t时刻的时间戳，并且令s1＝0。
[0057]
在本发明实施例中，需要生成的中间辅助特征可以包括以下三种矩阵：缺失标记矩阵前向间隔矩阵后向间隔矩阵
[0058]
在缺失标记矩阵m中，表示是否缺失，如缺失则为0，否则为1，由公式(1)计算得到。
[0059][0060]
在前向间隔矩阵δ中，表示患者的特征d在t时刻的结果(可能缺失)距离上一次未缺失记录的时间间隔，由公式(2)计算得到。
[0061][0062]
在后向间隔矩阵中，表示患者的特征d在t时刻的结果(可能缺失)距离后一次未缺失记录的时间间隔，由公式(3)计算得到。
[0063][0064]
步骤104，将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型。
[0065]
在本发明实施例中，可以使用某个k值对应的数据集以及生成的中间辅助特征构建并训练一个神经网络模型，用于预测创伤患者在k小时后发生严重失血的概率，后面将该模型称为严重失血伤情预测模型。
[0066]
具体地，所述严重失血伤情预测模型可以采用基于rnn的gru((gated recurrent unit,门控循环单元)-d(响应历史)-b(饱和度)模型，该模型结合t-lstm(time-aware long short-term memory，时序获取长短期记忆)网络以及gru-d模型的特点，可以处理不等间隔时序数据，并自动填补时序数据中的缺失值。gru-d-b模型的单元结构如图3所示，在t时刻以x
t
,m
t
,δ
t
,以及前一时刻的隐藏状态向量h
t-1
作为输入，输出为当前时刻的隐藏状态向量h
t
，其中包含着当前以及之前时刻的记忆信息。单元内的计算过程如公式(4)-(13)所示。
[0067][0068][0069][0070][0071][0072][0073][0074]
[0075][0076][0077]
其中，表示时刻t的信息衰减系数，g
x
是一个值域为[0,1]的单调函数；是利用特征d在t时刻前后的未缺失记录和填补后的结果；和分别为从隐藏状态向量h
t-1
中分离出来的短期记忆和长期记忆，使用时间衰减函数gh作用在短期记忆上再与长期记忆求和可得到调整后的隐藏状态向量w,u,v均表示权重矩阵，b表示偏置向量，为对角矩阵。
[0078]
在本发明实施例中，严重失血伤情预测模型采用单层的gru-d-b模型，如图4所示，模型的输入是患者多维体征时序数据x、前向间隔矩阵δ、前向间隔矩阵以及缺失标记矩阵m，在t时刻输入的组合，并输出隐藏状态向量h
t
。最后一个时刻单元的输出h
t
是一个向量，令其经过一个全连接层得到标量输出作为模型最后的输出，表示患者在k小时后发生严重失血的概率估计值。
[0079]
需要说明的是，对于k的不同取值，可以分别训练得到对应每个k值的gru-d-b模型，比如，k的三个不同取值分别为1小时、2小时、3小时，相应地，分别训练对应这三个k值的gru-d-b模型，分别用于预测患者在1小时、2小时、3小时后发生严重失血的概率。
[0080]
步骤105，利用所述严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率。
[0081]
具体地，对于临床监护过程中的创伤患者，提取该患者过去n(比如4≤n≤12)小时内的心率、呼吸频率、血氧饱和度、收缩压、舒张压时间序列数据，记录每一次体征数据监护时间，标记缺失值和错误值，生成中间辅助特征。
[0082]
利用预先训练得到的三个针对不同k值的gru-d-b模型，预测患者在1小时、2小时、3小时后发生严重失血的概率。
[0083]
本发明实施例提供的创伤严重失血伤情预测方法，通过采集多个患者历史生理指标数据；从历史生理指标数据中提取反映其失血状况的关键特征；根据关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征，利用多维体征时序数据序列及中间辅助特征训练得到严重失血伤情预测模型；利用严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
[0084]
进一步地，在预测得到的发生严重失血的概率超过设定的阈值的情况下，进行告警提示，从而及时向医生发出警报，让医生及时进行医学干预，避免患者出现严重失血情况。
[0085]
相应地，本发明实施例还提供一种创伤严重失血伤情预测系统，如图5所示，是该系统的一种结构示意图。
[0086]
在该实施例中，所述创伤严重失血伤情预测系统包括以下各模块：
[0087]
数据采集模块501，用于采集多个患者历史生理指标数据；
[0088]
特征提取模块502，用于从所述历史生理指标数据中提取反映其失血状况的关键特征；
[0089]
中间辅助特征生成模块503，用于根据所述关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征；
[0090]
训练模块504，用于将所述多维体征时序数据序列及所述中间辅助特征作为训练数据，训练得到严重失血伤情预测模型500；
[0091]
预测模块505，用于利用所述严重失血伤情预测模型500预测创伤患者在设定时间后发生严重失血的概率。
[0092]
关于所述创伤严重失血伤情预测系统的工作原理、工作方式的更多内容，可以参照前面本发明方法实施例中的相关描述，在此不再赘述。
[0093]
本发明实施例提供的创伤严重失血伤情预测系统，通过采集多个患者历史生理指标数据；从历史生理指标数据中提取反映其失血状况的关键特征；根据关键特征的检测时间生成对应各患者的多维体征时序数据序列及中间辅助特征，利用多维体征时序数据序列及中间辅助特征训练得到严重失血伤情预测模型；利用严重失血伤情预测模型预测创伤患者在设定时间后发生严重失血的概率，从而对有较高失血风险的患者及早实施干预措施，降低患者发生严重失血的概率及死亡率。
[0094]
进一步地，在本发明创伤严重失血伤情预测系统的另一实施例中，还可包括告警模块，用于在所述预测模块预测所述创伤患者在设定时间后发生严重失血的概率大于设定阈值的情况下，进行告警提示。从而可以将具有较高失血风险的患者及时通知给医生，有助于对患者及早实施临床干预措施。
[0095]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0096]
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：rom/ram、磁碟、光盘等。
[0097]
相应地，本发明实施例还提供一种用于创伤严重失血伤情预测方法的系统，该系统是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。
[0098]
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及系统，其仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。