基于动态生理指标的ICU死亡率实时预测方法、介质和设备

本发明涉及icu患者死亡率预测，尤其涉及一种基于动态生理指标的icu死亡率实时预测方法、介质和设备。

背景技术：

1、重症监护病房(intensive care unit，icu)是为重症患者或重大手术后的患者提供多种生命支持系统以维持生理功能的场所。在icu中，病情迅速恶化是常见的，并且结果可能是不可逆转的，如果患者没有得到及时的处理，很可能导致患者死亡。若能根据icu患者的目前状态将患者的疾病进展定量化表示，以获取患者的疾病进展，不仅可以辅助医生决策，从而提高患者的生存几率，同时也能够降低因过度医疗为病人带来的治疗开销。

2、目前，研究人员已经开发了一系列疾病严重程度评分来表示患者的疾病进展，如apache系列评分和sapa系列评分，这些评分能够在一定程度上定量化表示患者的疾病进展。尽管这些评分经过多次优化，但从整体来看其表示的患者的疾病进展准确性仍有待提升。同时，这些评分也有着一定的局限性，比如，这些评分只有在获得了患者入院后24小时内或48小时内的数据后才能计算，同时，这类评分也很难用于连续动态评价患者的病情危重程度。截止目前，国内大多数医院仍在使用上述评分系统。

3、在icu中，每位患者均有着大量复杂的数据被获取并收集，如各项实时的生理指标数据，医学化验室检测结果数据等。机器学习算法可以利用这些丰富的数据对每位患者的疾病进展进行预测，从而辅助医生对患者进行及时有效的治疗决策。与传统方法相比，基于机器学习算法的icu患者疾病进展的预测模型预测结果更为准确，如对于呼吸循环不稳定的患者中，使用基于随机森林算法(random forest algorithm)的动态模型可以预测到恶化前90分钟。与此同时，通过基于随机森林算法的模型预测临床相关的低血压事件，达到92.7％的准确度。一系列案例表明机器学习在临床上的预测性能良好。这些模型虽然有着较高的准确度，但是这些研究仅使用静态数据作为特征的模型，对于患者死亡率预测的准确性有待进一步提升。

技术实现思路

1、(一)要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本发明提供一种基于动态生理指标的icu死亡率实时预测方法、介质和设备，其解决了现有使用静态数据作为特征的模型，对于患者死亡率预测的准确性有待进一步提升的技术问题。

3、(二)技术方案

4、为了达到上述目的，本发明采用的主要技术方案包括：

5、第一方面，本发明提供一种基于动态生理指标的icu死亡率实时预测方法，包括：

6、第一方面，本发明提供一种基于动态生理指标的icu死亡率实时预测方法，包括：

7、对预先选取的动态生理指标进行预处理，得到训练数据；

8、将训练数据划分为训练集、验证集和测试集；

9、基于lstm网络构建初始预测模型；

10、基于训练集对初始预测模型进行训练，得到优化预测模型并计算损失；

11、基于验证集对优化预测模型进行验证，得到验证模型并计算损失；

12、基于优化预测模型和验证模型中损失较小的模型对训练集进行反向传播并更新权重参数后，执行下一次训练；

13、在训练次数达到预设次数的情况下，将优化预测模型和验证模型中损失较小的模型作为最终预测模型；

14、基于测试集确定最终预测模型的预测准确率，在预测准确率满足预设条件的情况下，使用最终预测模型对icu患者的死亡率进行实时预测。

15、可选地，所述对预先选取的动态生理指标进行预处理，得到训练数据，包括：

16、选取包括全部预先选取的动态生理指标的患者数据；

17、确定患者数据在每个时间窗内的最大值、最小值和平均值；

18、基于下采样对每个时间窗内的患者数据的缺失值进行填补；

19、基于滑动窗口构建数据集，得到训练数据。

20、可选地，所述患者数据以向量的形式表示，所述向量包括单个患者对应的性别和年龄信息以及预先选取的动态生理指标在对应时间窗内的最大值、最小值和平均值。

21、可选地，所述时间窗时长为3h。

22、可选地，所述将训练数据划分为训练集、验证集和测试集，包括：

23、根据70％、20％、10％的比例将训练数据划分为训练集、验证集和测试集。

24、可选地，所述lstm网络包括4个隐藏层，每个隐藏层包括1024个单元；

25、在lstm网络之后，设置有一个线性层和一个sigmoid激活函数，线性层将1024个单元的输出转化为一个输出单元，sigmoid激活函数将输出单元的值压缩到0和1之间。

26、可选地，所述基于训练集对初始预测模型进行训练，得到优化预测模型，包括：

27、基于初始预测模型根据当前的权重参数对训练集进行前向传播处理，得到优化预测模型。

28、第二方面，本发明提供一种基于动态生理指标的icu死亡率实时预测系统，包括：

29、预处理模块，对预先选取的动态生理指标进行预处理，得到训练数据；

30、数据划分模块，将训练数据划分为训练集、验证集和测试集；

31、模型构建模块，基于lstm网络构建初始预测模型；

32、第一训练模块，基于训练集对初始预测模型进行训练，得到优化预测模型并计算损失；

33、验证模块，基于验证集对优化预测模型进行验证，得到验证模型并计算损失；

34、第二训练模块，基于优化预测模型和验证模型中损失较小的模型对训练集进行反向传播并更新权重参数后，执行下一次训练；

35、确定模块，在训练次数达到预设次数的情况下，将优化预测模型和验证模型中损失较小的模型作为最终预测模型；

36、预测模块，基于测试集确定最终预测模型的预测准确率，在预测准确率满足预设条件的情况下，使用最终预测模型对icu患者的死亡率进行实时预测。

37、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序执行时实现上述第一方面中任一项所述基于动态生理指标的icu死亡率实时预测方法。

38、第四方面，本发明提供一种存储设备，包括存储介质和处理器，所述存储介质存储有计算机程序，所述程序被处理器执行时实现上述第一方面中任一项所述基于动态生理指标的icu死亡率实时预测方法。

39、(三)有益效果

40、本发明的有益效果是：本发明的一种基于动态生理指标的icu死亡率实时预测方法，基于滑动时间窗的数据处理方法对动态生理指标特征数据进行预处理，而后基于lstm网络进行模型构建，以得到能够预测icu患者实时死亡率的模型。相较于相关技术，本申请充分利用icu中的动态数据，基于滑动时间窗的数据预处理方法提出一种估计患者实时死亡率的方法，鲁棒性较强，且预测性能良好。

技术特征：

1.一种基于动态生理指标的icu死亡率实时预测方法，其特征在于，包括：

2.根据权利要求1所述的基于动态生理指标的icu死亡率实时预测方法，其特征在于，所述对预先选取的动态生理指标进行预处理，得到训练数据，包括：

3.根据权利要求2所述的基于动态生理指标的icu死亡率实时预测方法，其特征在于，所述患者数据以向量的形式表示，所述向量包括单个患者对应的性别和年龄信息以及预先选取的动态生理指标在对应时间窗内的最大值、最小值和平均值。

4.根据权利要求3所述的基于动态生理指标的icu死亡率实时预测方法，其特征在于，所述时间窗时长为3h。

5.根据权利要求1所述的基于动态生理指标的icu死亡率实时预测方法，其特征在于，所述将训练数据划分为训练集、验证集和测试集，包括：

6.根据权利要求1所述的基于动态生理指标的icu死亡率实时预测方法，其特征在于，所述lstm网络包括4个隐藏层，每个隐藏层包括1024个单元；

7.根据权利要求4所述的基于动态生理指标的icu死亡率实时预测方法，其特征在于，所述基于训练集对初始预测模型进行训练，得到优化预测模型，包括：

8.一种基于动态生理指标的icu死亡率实时预测系统，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于动态生理指标的icu死亡率实时预测方法。

10.一种存储设备，包括存储介质和处理器，所述存储介质存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述基于动态生理指标的icu死亡率实时预测方法。

技术总结本发明涉及基于动态生理指标的ICU死亡率实时预测方法，包括：对动态生理指标预处理得到训练数据并划分为训练集、验证集和测试集；基于LSTM网络构建初始预测模型；基于训练集对初始预测模型进行训练得到优化预测模型并计算损失；基于验证集对优化预测模型进行验证得到验证模型并计算损失；基于优化预测模型和验证模型中损失较小的模型对训练集进行反向传播并更新权重参数后，执行下一次训练；在达到预设训练次数时，将优化预测模型和验证模型中损失较小的模型作为最终预测模型；使用最终预测模型对ICU患者的死亡率进行实时预测。其有益效果是，利用ICU中的动态数据，基于滑动时间窗的数据预处理方法预测患者实时死亡率，鲁棒性较强且预测性能良好。技术研发人员：何璇,梁品,林家震,王声溢,朱曼云受保护的技术使用者：东北大学技术研发日：技术公布日：2024/6/11