一种镇痛泵止痛预测模型的生成和使用方法与流程

1.本发明涉及医学和人工智能领域，具体地，涉及一种镇痛泵止痛预测模型的生成和使用方法。


背景技术：

2.电子镇痛泵可以由患者在设置的权限范围内自己控制给药或将症状信息发送给医疗远程中心，由医生给出调整方案，通常包括基础镇痛输注剂量及自控按压的补充镇痛剂量，功能有限且单一，即便是通过医疗远程中心控制也仅可以实现输注剂量的调节及报警监测，针对病人疼痛个体化差异及多种镇痛药物副作用无法有效应对；由于镇痛系统专业知识普及率较低、镇痛管理人员不足，医护工作量增加而工作效率较低，因此镇痛用药方案和镇痛泵参数调整不够及时，导致临床镇痛调整滞后，爆发痛控制不良，目前病人自控镇痛(pca)仍不能真正实现随患者病情变化而有效调节，达到个性化镇痛治疗的目的，也难以达到以最低镇痛药物有效浓度安全治疗患者疼痛的目的，对镇痛副作用更是难以及时有效应对。
3.由于镇痛泵流量设置比较主观，高年资医生，用药经验丰富，流量设置精准，而年轻医生通常会面临拿捏不准的难题，例如，镇痛泵如果流量设置过大，会带来一定的副作用，如头晕、恶心和呕吐等症状，甚至出现呼吸抑制。如果减小计量则促使机体应激反应增强，降低免疫力，延缓伤口愈合，对身心造成严重伤害。
4.另外，现有镇痛泵流量都由医生设置上限，病人自主调节的方式。但是该方法没有考虑患者手术特点、生理特征、生活状态等，导致所有人都是共享一套镇痛方法。


技术实现要素：

5.为克服现有技术的上述缺陷，本发明提出一种镇痛泵止痛预测模型的生成方法，包括：
6.s1、将患者样本集中的患者信息转换为特征向量；
7.s2、从患者样本集随机产生t个训练子集，利用每个训练子集，生成随机森林模型；
8.s3、从特征向量中随机选择q个特征向量，在决策树的每个节点进行分裂、生长；
9.s4、计算每棵决策树的权重；
10.s5、计算目标预测值，目标预测值为所有决策树预测结果的加权之和；
11.s6、遍历参数t、q，重复执行步骤s2-s5，比较输出的目标预测值与真实值，目标预测结果最好的随机森林为止痛预测模型。
12.进一步地，所述目标包括疼痛评分或药品流量，从而得到疼痛评分预测模型或流量预测模型。
13.进一步地，所述镇痛泵止痛预测模型还包括用药预测模型，所述用药预测模型为神经网络，通过患者样本集训练，用于输出推荐患者使用的药物镇痛治疗方案。
14.进一步地，所述步骤s1中，患者信息包括基本个人信息、生理信息、住院信息、手术
信息、疼痛类型信息、用药信息、副作用信息。
15.进一步地，在步骤s1中，通过回归算法计算特征的相关性系数，然后计算特征的瓦尔德值，选取瓦尔德值大于预定阈值的特征为要使用的特征。
16.进一步地，在所述步骤s4中，包括：
17.s41、计算得到每个特征向量与目标之间的相关系数；
18.s42、为每颗决策树计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和。
19.进一步地，所述相关系数为皮尔逊相关系数。
20.进一步地，如果所述相关系数为负数，则取绝对值为所述相关系数。
21.进一步地，在步骤s6中，将输出的目标预测值与目标真实值进行比较时，利用均方根误差进行评价，rmse的计算方法为：
[0022][0023]
式中：p代表样本数；yi表示第i个样本目标真实值；表示第i个样本目标预测值。
[0024]
根据本发明的另一方面，提出一种止痛预测模型的使用方法，包括：
[0025]
采集患者信息；
[0026]
将患者信息转换为特征向量后输入所述疼痛评分预测模型和用药预测模型，获得患者疼痛评分预测、推荐患者使用的药物镇痛治疗方案；
[0027]
将患者所用药品和患者信息输入流量预测模型，获得患者镇痛泵流量预测值，进而控制镇痛泵输出的药液的速度。
[0028]
本发明的有益效果为：
[0029]
(1)本发明的预测模型通过大数据样本生成，融合了医学专家和患者反馈的临床经验，能根据患者情况给出个性化和多模式的镇痛治疗方案，效果更优，患者满意度高；
[0030]
(2)能够智能化预测给出个性化镇痛治疗方案，适时的调整和解决患者的镇痛需求，减轻了医生和护士的工作负担。
[0031]
(3)生成的模型融合了医学专家和患者反馈的临床经验，将所述患者信息输入镇痛泵止痛预测模型，获得患者的疼痛评分预测、推荐镇痛治疗用药方案。镇痛泵止痛预测模型还可以生成报告供医生、技术人员查看，报告的内容包括：样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
[0032]
(4)可以根据本发明设计小程序问卷或一种智能语音问答，以获得本发明所需要的患者信息，然后通过本发明生成的模型，最终获得疼痛评分预测、推荐镇痛治疗用药方案。使镇痛泵止痛更加简便易行、精准有效，有助于各级医疗机构使用镇痛泵止痛工作医疗质量的优化和均质化，提高医疗体系整体的镇痛治疗水平。
附图说明
[0033]
图1为根据本发明一个实施例的镇痛泵止痛预测模型的生成方法的流程示意图；
[0034]
图2为根据本发明一个实施例的用药预测模型的训练方法的流程示意图；
[0035]
图3为根据本发明一个实施例的镇痛泵止痛预测模型的使用方法的流程示意图。
[0036]
如图所示，为了能明确实现本发明的实施例的结构或者方法，在图中标注了特定的标记符号，但这仅为示意需要，并非意图将本发明限定在该特定设备和环境中，根据具体需要，本领域的普通技术人员可以将这些元件、标号、环境进行调整、修改，所进行的调整和修改仍然包括在后附的权利要求的范围中。
具体实施方式
[0037]
下面结合附图和具体实施例对本发明提供的镇痛泵止痛预测模型和使用方法进行详细描述。
[0038]
在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
[0039]
如图1所示，本发明提出的镇痛泵止痛预测模型的生成方法包括：
[0040]
s1、将患者样本集中的患者信息转换为特征向量；
[0041]
s2、从患者样本集随机产生t个训练子集，利用每个训练子集，生成对应的决策树；
[0042]
s3、从特征向量中随机选择q个特征向量，在决策树的每个节点进行分裂、生长；
[0043]
s4、计算每棵决策树的权重；
[0044]
s5、计算目标预测值，目标预测值为所有决策树预测结果的加权之和；
[0045]
s6、遍历参数t、q，重复执行步骤s2-s5，将输出的目标预测值与目标真实值进行比较，目标预测结果最好的随机森林为止痛预测模型。
[0046]
在步骤s1中，采集医疗样本中关于麻醉、疼痛的信息，包括基本个人信息，如身高、体重、姓名、住院号等；生理信息，包括心率、血压、疼痛级别等；住院信息，如科室、病情、既往史；手术信息：如手术切口长度、切口位置，切口数量，缝皮方法、引流管类型及位置、手术方案等；疼痛类型信息，例如切割样疼痛，烧灼样疼痛、内脏痛、神经病理性疼痛、胀痛等；用药信息，如使用镇痛药物名称、剂量、注射速度、开始时间、注射时长等；副作用信息，包括恶心、呕吐、嗜睡、呼吸抑制、皮肤瘙痒、皮疹、心慌、烦躁等。然后对样本的初始数据进行预处理，将文本转换为特征向量，具体方法有很多，比如word2vec模型、one-hot编码等，此处使用现有技术即可。
[0047]
患者样本集中的患者信息可以根据本发明设计小程序问卷或一种智能语音问答，通过与患者的信息沟通以获得本发明所需要的患者信息，也可以从各医院的病历记录中抽取。
[0048]
在一个实施例中，患者信息中有一些特征对于最终的用量控制没有影响或影响很小，比如姓名、医院、住院号，因此，可以通过回归算法对各特征与镇痛的相关性进行评价，逻辑回归模型如下：
[0049][0050]
其中x为特征向量，β为相关性系数，可以反映特征对镇痛的影响和方向，p为患者
满意度，
[0051]
根据逻辑回归模型，计算每种特征的瓦尔德值，该值越大表示影响作用越大，选取瓦尔德值大于预定阈值的特征为最终要使用的特征。
[0052]
在步骤s2-s5中，随机森林模型由多个决策树组成，对于样本向量x，每棵决策树hi(x)(i表示第几棵决策树)相对独立地对样本向量进行结果预测，随机森林模型获得所有决策树的预测结果之后，对于回归问题，随机森林模型通过计算所有决策树给出的预测结果的均值作为最终的预测结果。但这样的模型不能反映特征与最终目标(流量或评分)的特定关系，因而本发明针对具有不同预测能力的决策树通过相关系数给出不同的权重，克服了传统随机森林模型中决策树权重相同的问题，进而提高了止痛预测模型的预测准确率。
[0053]
在步骤s2中，可以采用bootstrap抽样技术从患者样本集随机产生t个训练子集。通过随机森林生成决策树是常用的神经网络算法，这里不再赘述。
[0054]
在步骤s3中，从特征向量中随机选择q个特征向量，按照预定的规则选择最优属性进行分裂,每棵决策树都得到最大限度的生长，过程中完全分裂不剪枝。决策树的分裂、生长是现有的方法，此处不再赘述。
[0055]
在步骤s4中，计算决策树的权重的方法包括：
[0056]
s41、计算得到每个特征向量与目标(流量或评分)之间的相关关系，例如，可以计算皮尔逊相关系数，得到皮尔逊相关系数集合r＝{r1,r2,
……rm
}，m为1～q，也可以采用其他相关系数计算方法获取每个特征向量与目标(药品流量或疼痛预测评分)之间的相关关系，如互信息方法。
[0057]
s42、为每颗决策树hk(x)计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和。优选的，将权重归一化。
[0058]
因为皮尔逊相关系数取值在-1到1之间，当相关系数小于0时，说明两者呈现出负相关性，两者之间的影响仍然存在，因此在利用特征的相关系数计算特征权重的时候优先对相关系数求绝对值，利用相关系数的绝对值进行对应的特征权重的计算。
[0059]
对于每棵决策树，使用的训练子集不相同，每棵决策树使用的特征就不一定相同，因此每颗决策树的权重不同。采用这种方法获得的止痛预测模型能更好、更准确地反映镇痛相关的特征向量与镇痛药物组合方案和镇痛泵流量之间的关系，优化镇痛药物组合方案，提高了预测流量的准确性。
[0060]
在步骤s5中，通过前面步骤生成的决策树hk(x)(k为1～t)即为随机森林，其中各决策树对应的权重为w1,w2,
……wt
，对于样本集中的特征向量，止痛预测模型输出的结果，即目标预测值，为各决策树的预测结果分别乘上对应的权重wi后相加之和。
[0061]
在步骤s6中，将输出的目标预测值与真实值进行比较，可以利用均方根误差进行评价，均方根误差rmse越大表示预测结果越好，rmse的计算方法为：
[0062][0063]
式中：p代表样本数；yi表示第i个样本目标真实值；表示第i个样本目标预测值。
[0064]
训练止痛预测模型时，遍历t、q，根据目标预测结果计算rmse，选取rmse最高时的t
和q所对应的随机森林为止痛预测模型，该随机森林的各决策树带有按步骤s4计算的权重，t为1～患者样本集中样本数，q为1～样本特征向量数量。
[0065]
在本发明中，目标可以包括疼痛评分和药品流量。分别针对这两个目标，执行步骤s1-s6，可以分别获得疼痛评分预测模型和流量预测模型。
[0066]
获取疼痛评分预测模型时，样本中的疼痛评分可以通过视觉模拟评分或数字评分法获得。
[0067]
获取流量预测模型时，特征向量优选的带有疼痛评分。
[0068]
随着患者数据的增加，样本集数量增加，可以用本发明的方法循环计算以获得实时的止痛预测模型。
[0069]
在一个实施例中，止痛预测模型还包括用药预测模型，用药预测模型同样是神经网络，比如采用随机森林模型，用于输出患者所用药品组合。具体来说，随机森林模型可以处理分类问题，因此采用常规的随机森林模型，将患者的特征向量输入随机森林模型，将患者所用药品组合作为预测值进行输出，比较后调整随机森林的参数，如图2所示。通过患者样本集对随机森林训练后即可获得用药预测模型，该随机森林生成、训练为常用的方法，不再赘述。
[0070]
在一个实施例中，通过用药预测模型还可以获得次优、次次优等患者用药方案，以便为医生提供多种选择。
[0071]
如图3所示，本发明提出的镇痛泵止痛预测模型的使用方法包括：
[0072]
采集患者信息；将患者信息转换为特征向量后输入疼痛评分预测模型，获得患者疼痛预测评分，然后将该评分和患者信息再输入到用药预测模型，获取推荐的镇痛药物组合方案；然后再将患者所用药品组合方案和患者信息输入流量预测模型，获得患者所用药物的流量预测值，进而控制镇痛泵调整患者所用药品组合的输出速度。
[0073]
在一个实施例中，止痛预测模型还可以生成报告，供医生、技术人员查看。报告的内容可以包括：样本集数量、所采用的患者信息、决定系数、决策树的数量和权重等。
[0074]
通过本发明，可以优化患者使用镇痛泵止痛的个体化和多模式方案，不仅减轻了医生的工作强度、提高了患者的镇痛满意率，而且可以将模型应用于县乡等卫生院所，提高了我国整体的镇痛医疗水平，使镇痛泵止痛更加简便易行、精准有效，有助于各级医疗机构止痛工作医疗质量的优化和均质化。最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

技术特征：
1.一种镇痛泵止痛预测模型的生成方法，其特征在于，所述的生成方法包括：s1、将患者样本集中的患者信息转换为特征向量；s2、从患者样本集随机产生t个训练子集，利用每个训练子集，生成随机森林模型；s3、从特征向量中随机选择q个特征向量，在决策树的每个节点进行分裂、生长；s4、计算每棵决策树的权重；s5、计算目标预测值，目标预测值为所有决策树预测结果的加权之和；s6、遍历参数t、q，重复执行步骤s2-s5，比较输出的目标预测值与目标真实值，目标预测结果最好的随机森林为止痛预测模型。2.根据权利要求1所述的生成方法，其特征在于，所述目标包括疼痛评分或药品流量，从而得到疼痛评分预测模型或流量预测模型。3.根据权利要求1所述的生成方法，其特征在于，所述镇痛泵止痛预测模型还包括用药预测模型，所述用药预测模型为神经网络，通过患者样本集训练，用于输出推荐患者使用的药物镇痛治疗方案。4.根据权利要求1所述的生成方法，其特征在于，所述步骤s1中，患者信息包括基本个人信息、生理信息、住院信息、手术信息、疼痛类型信息、用药信息、副作用信息。5.根据权利要求1所述的生成方法，其特征在于，在步骤s1中，通过回归算法计算特征的相关性系数，然后计算特征的瓦尔德值，选取瓦尔德值大于预定阈值的特征为要使用的特征。6.根据权利要求1所述的生成方法，其特征在于，在所述步骤s4中，包括：s41、计算得到每个特征向量与目标之间的相关系数；s42、为每颗决策树计算权重，计算公式为：权重＝决策树所包含的特征对应的相关系数之和。7.根据权利要求6所述的生成方法，其特征在于，所述相关系数为皮尔逊相关系数。8.根据权利要求6所述的生成方法，其特征在于，如果所述相关系数为负数，则取绝对值为所述相关系数。9.根据权利要求1所述的生成方法，其特征在于，在步骤s6中，将输出的目标预测值与目标真实值进行比较时，利用均方根误差进行评价，rmse的计算方法为：式中：p代表样本数；y
i
表示第i个样本目标真实值；表示第i个样本目标预测值。10.根据权利要求3～9任一生成的止痛预测模型的使用方法，其特征在于，包括：采集患者信息；将患者信息转换为特征向量后输入所述疼痛评分预测模型和用药预测模型，获得患者疼痛预测评分、推荐患者使用的药物镇痛治疗方案；将患者所用药品和患者信息输入流量预测模型，获得患者镇痛泵流量预测值，进而控制镇痛泵输出的药液的速度。

技术总结
本申请提供一种镇痛泵止痛预测模型的生成和使用方法，包括：从患者样本集随机产生t个训练子集，利用每个训练子集，生成随机森林模型；计算每棵决策树的权重；计算疼痛评分、用药方案、镇痛泵流量预测值；遍历参数t、q，将输出的预测值与真实值进行比较，预测结果最好的随机森林为疼痛评分预测模型、用药预测模型和流量预测模型。通过本发明，可以优化镇痛泵治疗方案助力个体化和多模式镇痛，提高患者满意率，减少疼痛给患者造成的病理生理及心理损害，该模型有助于各级医疗机构使用镇痛泵止痛工作医疗质量的优化和均质化，而且可以将模型应用于县乡等卫生院所，提高了我国整体的镇痛医疗水平。医疗水平。医疗水平。


技术研发人员：丁超 刘毅 李思源 闫文龙
受保护的技术使用者：山西省肿瘤医院
技术研发日：2023.03.27
技术公布日：2023/8/4