一种评估高龄患者院内不良结局风险的装置、系统和介质的制作方法

1.本技术涉及医疗信息处理领域，更具体地，涉及一种评估高龄患者院内不良结局风险的装置、系统和介质。


背景技术：

2.世界上60岁以上人口的比例增长速度超过任何其他年龄组，预计2050年上升到21%，其中包括4亿高龄患者（≥80岁），高龄患者的数量的增加代表进入重症加强护理病房（intensive care unit，icu）的亚群也将显著增加，因此，icu正面临着对高龄患者治疗和护理的日益增长的需求。对进入icu的高龄重症患者进行院内不良结局风险评估，有助于医护人员对风险较高的患者进行及早救治和干预，并且评估结果可以作为呼吸机等稀缺医疗资源合理分配的参考，以及医生与患者和家属沟通治疗方案的依据。
3.目前，临床上并未有针对高龄患者进行院内不良结局风险评估的专用评分方法，多采用与成年患者相同的评分系统，即序贯器官衰竭估计（sofa）评分。sofa评分自1996年提出以来至今仍被全球广泛使用，它通过对氧合指数、是否机械通气、血小板计数、血清胆红素浓度、平均动脉压、多巴胺等升压药是否使用和剂量、格拉斯哥评分（gcs）、血清肌酐浓度和尿量共9项指标/干预进行计算分析，实现对呼吸、循环、肾脏、凝血、肝脏和神经系统等6个器官系统的衰竭程度的量化评估。另一个被icu使用的评分系统是急性生理评分(sapsii) ，其于1993年提出，通过对年龄、心率、收缩压、体温、氧合指数、尿量、尿素氮、白细胞计数、血钾浓度、碳酸氢根、胆红素浓度、gcs、是否有慢性病（转移癌、血液恶性肿瘤、艾滋病）和住icu类型共计14项指标进行计算分析，以实现对成年患者院内死亡风险的评估，但其涉及的指标较多，有些指标难以获得，评估计算复杂。上述sofa、sapsii评分系统提出的时间过于悠久，而患者群体的基线特性以及医疗干预行为在近些年来一直不断地改变和提升，并且，这两种系统均并非针对老年及高龄患者而设计开发，因此无法有效和准确地评估高龄患者的疾病风险。
4.此外，近年来多被三甲或教学医院使用的评分是急性生理学和慢性健康状况评分（apache iv），其于2006年被提出，通过对149项指标的分析计算获得重症成年患者的院内、icu死亡率及其住院时长，尽管apache iv的提出时间相对较近，但其计算复杂且需要测量/评估大量指标方可获得，无法适用于普通医院的icu。此外，m. ball ian等人采用了1033名高龄患者构建了早期评估其死亡风险的模型，模型纳入的变量包括年龄、格拉斯哥评分、血清肌酐浓度和ph共4项指标，研究样本集受限，且使用的变量较少，特别是未充分考虑激进性的干预治疗对疾病进程的影响、高龄老年患者本身的特性以及血流动力学的稳定程度，因而其评估的准确性也受到了限制。


技术实现要素：

5.针对现有临床评分并未针对高龄患者单独设计、并未考虑高龄患者本身的特性及复杂的慢性病等，或者死亡风险预测模型仅有限针对小样本高龄患者数据集开发而导致精
准性和普适性不够的缺陷，本技术意图提供一种评估高龄患者院内不良结局风险的装置、系统和介质，基于大样本、多中心数据集，充分考虑老年患者的特性，建立可合理、准确、便捷地评估高龄重症患者院内不良结局风险的装置，以精准识别院内不良结局风险较高的高龄重症患者，有助于医护人员的及早救治、干预，以及更合理地为风险更高的患者分配呼吸机等稀缺医疗资源等。
6.根据本技术的第一方案，提供一种评估高龄患者院内不良结局风险的装置，包括显示媒介，其配置为呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和的10个特征标识条目。所述装置还包括处理单元，其配置为获取作为受检者的高龄重症患者在进入icu的初始24小时内对应于所述10个特征标识条目的10个特征量的值；以及基于10个特征量的值，利用线性回归预测模型来得到所述高龄重症患者的院内不良结局率，其中，所述10个特征量和所述线性回归预测模型通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用lasso回归进行筛选而得到第一特征量组，并对所述第一特征量组进行逐步回归而得到。
7.根据本技术的第二方案，提供一种评估高龄患者院内不良结局风险的系统，包括接口，其配置为接收作为受检者的高龄重症患者在进入icu的初始24小时内对应于10个特征标识条目的10个特征量的值，所述10个特征标识条目包括机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和。所述系统还包括根据本技术各个实施例所述的评估高龄患者院内不良结局风险的装置。
8.根据本技术的第三方案，提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由计算机执行时：由显示媒介呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和的10个特征标识条目；由处理单元获取作为受检者的高龄重症患者在进入icu的初始24小时内对应于所述10个特征标识条目的10个特征量的值，并且基于10个特征量的值，利用线性回归预测模型来得到所述高龄重症患者的院内不良结局率，其中，所述10个特征量和所述线性回归预测模型通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用lasso回归进行筛选而得到第一特征量组，并对所述第一特征量组进行逐步回归而得到。
9.利用根据本技术各个实施例的评估高龄患者院内不良结局风险的装置、系统和介质，其预先利用lasso回归，在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况等与高龄重症患者密切关联的候选变量组中进行筛选，以得到机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和等10个代表性的特征量和能够基于10个特征量得到高龄重症患者的院内不良结局率的线性回归预测模型，该预测模型在利用来自不同地区、国家医院患者数据的大样本集的测试评估中表现出良好的区分度、普适性和校准度，且性能一致优于临床现有的评分系统，包括
sofa、sapsii及apache iv的急性生理评分（apsiii）等，并且通过向用户呈现10个特征标识条目和对应特征量的值，使得利用该线性回归预测模型评估高龄患者院内不良结局风险的过程更加直观和易于理解，便于用户将评估结果与10个特征量的值进行对照分析，以及在与患者家属沟通治疗方案时能够以更可解释的方式呈现并阐释评估结果。
10.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
11.应当理解，前面的大体描述以及后续的详细描述只是例示性的和说明性的，并非对所要求保护的本发明的限制。
附图说明
12.在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
13.图1示出根据本技术实施例的评估高龄患者院内不良结局风险的装置的部分组成示意图。
14.图2示出根据本技术实施例的线性回归预测模型的auc随特征量数目而变化的示意图。
15.图3示出根据本技术实施例的线性回归预测模型与3个临床评分系统在训练集上的区分度比较示意图。
16.图4示出根据本技术实施例的线性回归预测模型与3个临床评分系统在测试集上的区分度比较示意图。
17.图5示出根据本技术实施例的线性回归预测模型与3个临床评分系统在外部验证集上的区分度比较示意图。
18.图6示出根据本技术实施例的线性回归预测模型的校准度评估示意图。
19.图7示出根据本技术实施例的线性回归预测模型以列线图方式表示的示意图。
20.图8示出根据本技术实施例的评估高龄患者院内不良结局风险的系统的部分组成示意图。
具体实施方式
21.为使本领域技术人员更好地理解本技术的技术方案，下面结合附图和具体实施方式对本技术作详细说明。下面结合附图和具体实施例对本技术的实施例作进一步详细描述，但不作为对本技术的限定。
22.本技术中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。本技术中结合附图所描述的方法中各个步骤的执行顺序并不作为限定。只要不影响各个步骤之间的逻辑关系，可以将数个步骤整
合为单个步骤，可以将单个步骤分解为多个步骤，也可以按照具体需求调换各个步骤的执行次序。
23.还应理解，本技术中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本技术中字符“/”，一般表示前后关联对象是一种“或”的关系。
24.图1示出根据本技术实施例的评估高龄患者院内不良结局风险的装置的部分组成示意图。需要说明的是，本技术实施例的评估高龄患者院内不良结局风险的装置特别适用的“高龄患者”通常情况下是指年龄为80岁及以上的重症患者，所有入住icu且时长超过24小时，包括发生了心衰、呼衰、脓毒症等状况的高龄重症患者均适用，院内不良结局风险例如可以指院内死亡的风险。
25.如图1所示，根据本技术实施例的评估高龄患者院内不良结局风险的装置100可以包括显示媒介101和处理单元102。在一些实施例中，显示媒介101可以配置为呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和的10个特征标识条目。在一些实施例中，显示媒介101例如可以包括液晶显示器（lcd）、发光二极管显示器（led）、等离子显示器或任何其他类型的显示器。在另一些实施例中，显示媒介101例如还可以是便携式的笔记本电脑或pad，便于临床医生随身携带，并且由于在显示媒介101上清楚地呈现了用于评估的10个特征标识条目，因此在与患者或家属进行诸如术前谈话沟通时可能更加易于理解和令人信服。
26.在一些实施例中，处理单元102可以配置为获取作为受检者的高龄重症患者在进入icu的初始24小时内对应于所述10个特征标识条目的10个特征量的值。通常情况下，患者在进入icu后会通过相关的医疗设备或其他手段进行一系列的测量和检验，三甲医院乃至绝大部分的级别更低的医疗机构的icu病房均能够涵盖本技术实施例中的上述10个特征量所对应的检查项目，并且处理单元102例如可以通过通信接口从存储有患者住院数据的医疗信息系统中直接调取相对应的数据。因此，根据本技术实施例的装置的适用范围非常广泛，基本不会发生由于数据缺失而导致评估无法进行的情况，数据获取方式也非常便利。
27.在获取了10个特征量的对应的数据的基础上，处理单元102还可以进一步配置为基于10个特征量的值，利用线性回归预测模型来得到所述高龄重症患者的院内不良结局率。如上所述的10个特征量和所述线性回归预测模型例如可以通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用lasso回归进行筛选而得到第一特征量组，并对所述第一特征量组进行逐步回归而得到。与现有技术中的评估模型相比，本技术在进行变量筛选和模型回归时更全面地考虑了包括可能采取的激进性的干预治疗措施等当前最新的医疗水平进展状况和患者群体的基线特性发展情况，特别是更有针对性地考虑了高龄重症患者可能危及生命的特征和指标，所筛选出特征量以及线性回归预测模型具有良好的区分度、普适性和校准度，其性能将在下文中结合图3-图6进行详细的对比分析。
28.在一些实施例中，处理单元102可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（cpu）、图形处理单元（gpu）等。更具体地，处理单元102可以是复杂指令集计算（cisc）微处理器、精简指令集计算（risc）微处理器、超长指令字（vliw）微处
理器、运行其他指令集的处理器或运行指令集的组合的处理器。在一些实施例中，处理单元102还可以是一个以上专用处理设备，诸如专用集成电路（asic）、现场可编程门阵列（fpga）、数字信号处理器（dsp）、片上系统（soc）等。
29.根据本技术实施例的评估高龄患者院内不良结局风险的装置能够利用从大量候选变量中筛选而得到的对于一般水平的icu而言数据非常易于获取的10个特征量，以及计算复杂度较低的线性回归预测模型，通过获取作为受检者的高龄重症患者在进入icu的初始24小时内的各个特征量的数据，来对高龄重症患者的院内不良结局率进行便捷而准确的预测评估，从而帮助临床医生识别可能处于高死亡风险中的高龄患者，从而及早的开展治疗干预，评估结果还可以作为优化诸如呼吸机、血滤、体外膜肺氧合ecmo等稀缺医疗资源的分配和使用的重要参考，以及与患者及家属进行沟通时可解释性更好、可信度更高的依据。
30.具体地，上述用于基于10个特征量的值来得到所述高龄重症患者的院内不良结局率的线性回归预测模型可以由如下公式（1-1）和公式（1-2）来定义：s
总
= 15.7525v
机械通气
+4.3451|v
格拉斯哥评分最低值-15|+53.382|v
休克指数-0.2|+2.2222|v
呼吸频率均值-5| +0.3043v
二氧化碳分压最高值
+3.2478v
乳酸最大值
+0.9358|v
血氧饱和度最低值-100| +7.3964|v
查尔森合并症指数-4|+ 0.2573v
尿素氮最大值
+0.0073|v
尿量总和-13000|， （1-1），其中，（1-2）其中，为乘号，|
·
|为绝对值符号，v
机械通气
为机械通气特征量的值，15.7525v
机械通气
为机械通气特征量的单项得分；v
格拉斯哥评分最低值
为格拉斯哥评分最低值特征量的值，4.3451|v
格拉斯哥评分最低值-15|为该特征量的单项得分；v
休克指数
为休克指数特征量的值，53.382|v
休克指数-0.2|为该特征量的单项得分；v
呼吸频率均值
为基于呼吸频率均值特征量的值，2.2222|v
呼吸频率均值-5|为该特征量的单项得分；v
二氧化碳分压最高值
为二氧化碳分压最高值特征量的值，0.3043v
二氧化碳分压最高值
为该特征量的单项得分；v
乳酸最大值
为乳酸最大值特征量的值，3.2478v
乳酸最大值
为该特征量的单项得分；v
血氧饱和度最低值
为血氧饱和度最低值特征量的值，0.9358|v
血氧饱和度最低值-100|为该特征量的单项得分；v
查尔森合并症指数
为查尔森合并症指数特征量的值，7.3964|v
查尔森合并症指数-4|为该特征量的单项得分；v
尿素氮最大值
为尿素氮最大值特征量的值，0.2573v
尿素氮最大值
为该特征量的单项得分；v
尿量总和
为尿量总和特征量的值，0.0073|v
尿量总和-13000|为该特征量的单项得分；为10个特征量的总分数；p为将利用概率映射表映射得到的高龄重症患者的院内不良结局率，所述概率映射表在的取值范围内基于分段线性函数而构建。
31.进一步地，上述10个特征量中各个特征量的取值范围可以是对应医学检测的测量值或对测量值进行了一定数值处理之后的值，仅作为示例，机械通气特征量的取值范围为“否（通常对应于数值0）”或“是（通常对应于数值1）”，在未进行机械通气的情况下取值为“否”，在进行了机械通气的情况下取值为“是”；格拉斯哥评分最低值特征量的取值范围为15-3；休克指数特征量的取值范围为0.2-1.6；呼吸频率均值特征量的取值范围为5-50；二氧化碳分压最高值特征量的取值范围为0-200；乳酸最大值特征量的取值范围为0-26；血氧饱和度最低值特征量的取值范围为100-20；查尔森合并症指数特征量的取值范围为4-16；尿素氮最大值特征量的取值范围为0-260；尿量总和特征量的取值范围为13000-0。
32.由公式（1-1）的定义以及各个特征量的取值范围可知，s
总
的数值范围约为0-713.3。在根据10个特征量的具体数值按照公式（1-1）计算得到s
总
之后，可以进一步根据公
式（1-2）计算得到高龄重症患者的院内不良结局率p，其中，概率映射表在的取值范围内基于分段线性函数而构建。更具体地，仅作为示例，例如当介于110-195之间时，的值线性地分布于0.01-0.1之间，当介于195-240之间时，的值线性地分布于0.1-0.3之间，当介于240-270之间时，的值线性地分布于0.3-0.5之间，当介于270-300之间时，的值线性地分布于0.5-0.7之间，当介于300-320之间时，的值线性地分布于0.7-0.8之间，当介于320-350之间时，的值线性地分布于0.8-0.9之间，以及当介于350-375之间时，的值线性地分布于0.9-0.95之间，等等，对于上述各个区间，还可以进行更细致的划分，本技术在此不详细列举。
33.需要说明的是，上述10个特征量的值可以是在高龄患者进入icu的初始24小时内采集并按需进行相应的计算或转换而得到的，而在另一些情况下，当进行院内不良结局风险评估时某些特征量以及具有更新的测量值的情况下，可以采用更新的测量值进行计算，新的数据将可以进一步降低预测评估的不确定度。
34.在一些情况下，处理单元还可以进一步配置为基于院内不良结局率判定所述高龄重症患者的院内不良结局的风险等级，仅作为示例，例如可以按如下方式进行区间划分：在所述院内不良结局率大于或等于0.4的情况下，判定所述高龄重症患者的院内不良结局的风险等级为高风险；在所述院内不良结局率小于0.12的情况下，判定所述高龄重症患者的院内不良结局的风险等级为低风险；在所述院内不良结局率大于或等于0.12且小于0.4的情况下，判定所述高龄重症患者的院内不良结局的风险等级为中风险。在另一些实施例中，可以根据需要确定适用的院内不良结局率阈值区间与风险等级的对应关系，例如医生可以根据可接受的误报警和敏感性的程度来确定阈值区间，可以理解的是，阈值越低，越容易注意到潜在风险的患者，但这也意味着可能存在对实际没有那么高风险的患者的过度关注，等等，设置的依据和具体数值本技术在此不作限制。进一步地，处理单元还可以进一步配置为使得所述显示媒介将所述高龄重症患者的院内不良结局的风险等级与所述高龄重症患者的院内不良结局率一并呈现。
35.针对现有临床评分并未针对高龄老年患者单独设计、并未考虑老年患者本身的特性及复杂的慢性病，或者，所采用的高龄患者数据集样本量较小等缺陷，在提出本技术的实验过程中，特别选择了来自不同地区或国家的医院的大样本量的高龄老年重症患者数据集，并且参与回归筛选的候选变量多达近50个，其中，与激进性的干预治疗相关联的候选变量至少包括机械通气、升压药（即，是否使用升压药）；与高龄患者自身的特性相关联的候选变量至少包括：查尔森合并症指数，还可以包括、年龄、bmi、性别、入icu前住院天数等；与血流动力学的稳定程度相关联的候选变量至少包括休克指数，还可以包括平均动脉压、收缩压等；与核心生命体征相关联的候选变量至少包括呼吸频率均值、血氧饱和度最低值、格拉斯哥评分最低值、体温、吸入氧浓度，还可以包括心率等；与核心血气分析变量：二氧化碳分压最高值、乳酸最大值、氯离子、碳酸氢盐最小值、碱剩余、碱性磷酸酶、中性粒细胞与淋巴细胞比值，还可以包括白蛋白、谷丙转氨酶、阴离子间隙、谷草转氨酶、碳酸氢盐最大值、胆红素、葡萄糖、红细胞压积、血红蛋白、国际标准化比率、淋巴细胞最大值、淋巴细胞最小值、镁离子、中性粒细胞、动脉血氧分压、血小板、钾离子、凝血酶原时间、部分凝血活酶时间、钠离子、白细胞计数等；与核心肾功能状况评估变量：尿素氮最大值、尿量总和，还可以包括、尿素氮/肌酐、肌酐、肾小球滤过率等。
36.在选定上述各组候选变量的基础上，利用lasso回归（least absolute shrinkage and selection operator regression）进行广义线性模型拟合，筛选出包含机械通气、升压药、查尔森合并症指数、休克指数、呼吸频率均值、血氧饱和度最低值、格拉斯哥评分最低值、体温、吸入氧浓度、二氧化碳分压最高值、乳酸最大值、氯离子、碳酸氢盐最小值、碱剩余、碱性磷酸酶、尿素氮最大值、尿量总和、中性粒细胞与淋巴细胞比值18个特征量的第一特征量组。值得注意的是，lasso回归是一种求解线性回归模型的方法，其特点是适用于在拟合广义线性模型，即，自变量和因变量可以是连续的（例如本技术实施例中的尿量综合特征量），也可以是二元离散（例如本技术实施例中的机械通气特征量）或者多元离散的（例如本技术实施例中的格拉斯哥评分最低值等），并且，lasso回归方法还可以在拟合的同时进行变量筛选和复杂度调整，这样的特性与本技术中参与拟合的变量数目较多，而最终期望得到的线性回归预测模型具有有限的复杂度，从而可以适用于大多数平均水平甚至条件较为简陋的医疗场景的需求特别吻合。在提出本技术的过程中，也尝试了诸如主成分分析、随机森林等多种其他拟合方法，但其他方法所筛选出的模型的性能与本技术实施例中的线性回归预测模型相比性能较差，这也进一步验证了lasso回归是获取本技术所需线性回归预测模型的较好的方法。
37.在利用lasso回归拟合得到包含18个特征量的第一特征量组的线性回归模型的基础上，从特征量收集的便捷性和模型性能的角度出发，本技术还针对模型最终采用的特征量的数目开展了进一步的逐步回归实验，图2示出根据本技术实施例的线性回归预测模型的auc随特征量数目而变化的示意图。如图2所示，在将第一特征量组中各个特征量按重要程度排序的基础上，按照重要程度从高到低次第增加特征量，并分别绘制模型在包含8146名高龄患者数据（分别来自170家医院）的训练集、包含2037名高龄患者数据的测试集（与训练集相同的170家医院）和包含12703名高龄患者数据（与训练集和测试集不同的另一家医院）的外部验证集（划分为验证集1和验证集2）四个数据集上的auc曲线（area under curve），auc越大，通常表明模型的预测效果越好，从图2中可以看到，逐渐增加特征量的数目，在特征量数目从1增加到10的过程中，各个数据集上模型的性能呈明显上升趋势，而当特征量数目超过10，再向上增加的情况下，模型的性能趋于平缓，提升不显著甚至有性能劣化波动的情况。因此，本技术最终通过逐步回归，从第一特征量组中选择了前10个特征量作为本技术的线性回归预测模型的输入变量，特征量的数目适中，既不像m. ball ian等人提出的早期评估其死亡风险的模型那样仅涉及4项指标，又不像apache iv那样涉及数量过多的149项指标，不仅具有适中的特征量数目，模型复杂度较低，还避免了由于模型参数过多、过度拟合而导致的泛化能力不佳，并且筛选并保留的10个特征量即使对不发达国家和地区的条件简陋的医疗场景而言也比较容易获取，因此本技术实施例的装置对于临床应用非常友好，便于医生便捷地对高龄重症患者的院内不良结局的风险进行尽早而准确的评估。
38.本技术实施例还对筛选得到的10个特征量进行了多重共线性诊断，采用计算并判定方差膨胀因子（variance inflation factor，vif）的方法，验证了最终筛选出的如上所述的10特征量vif《5，即，不存在不可接受程度的多重共线性，这确保了本技术的线性回归预测模型从诸多候选特征量中筛选出的10个特征量可以看作独立的输入变量用于线性回归预测模型构建和高龄重症患者的院内不良结局风险评估，并且模型的参数稳定，具有良好的泛化能力，也保证了不会发生由于输入变量之间的共线性而导致模型的预测结果不准
corrected”曲线以及与“ideal”曲线对比可以看出，模型的校准度较高，整体非常接近于“ideal”曲线。这说明根据本技术实施例的线性回归预测模型的校准度较好，预测模型的精确性较高。
45.根据本技术实施例的线性回归预测模型不仅具有良好的性能，其对于评估结果还具有很好的可解释性。在一些实施例中，所述处理单元可以进一步配置为计算并使得所述显示媒介呈现10个特征量中各个特征量的值的单项得分，通过单项得分，可以得知各个特征量所表征的高龄重症患者在对应症状或指标方面的严重程度，也可以一定程度反映各个特征量与作为评估结果的院内不良结局率之间的因果关系。独立地或附加地，所述处理单元还可以配置为使得所述显示媒介以柱状图、饼状图、列线图等各种适用的方式呈现10个特征量中各个特征量的值对于所述高龄重症患者的院内不良结局率的贡献对比关系，如此，可以使得院内不良结局风险评估的结果具有更好的可解释性。
46.在提出本技术的实践过程中，通过对医生用户的调研发现，由于在icu场景下，通常需要经历与高龄患者本人或家属针对手术或治疗方案等进行沟通的过程，因此，医生通常更倾向于选用评估参数透明化、评估过程可视化，以及评估结果可解释的评估模型和装置，这样，不仅有利于临床医生将评估结果与评估特征量对照分析，帮助给出更有针对性的诊疗方案，还可以使基于评估结果与患者或家属进行沟通时更有依据和说服力。
47.在另一些实施例中，本技术中评估高龄患者院内不良结局风险的装置的处理单元可以进一步将所述线性回归预测模型绘制为列线图以呈现给用户，以便于用户仅通过所呈现的列线图和简单的运算即可对高龄患者的院内不良结局率和风险等级进行评估。图7示出根据本技术实施例的线性回归预测模型以列线图方式表示的示意图。下面结合图7说明以列线图方式计算高龄患者评估院内不良结局率和风险等级的过程。
48.如图7所示，在列线图700的顶端，绘制有刻度从0到100的单个分数标尺701，而机械通气等10个特征量中的每一个还与该分数标尺701相关联地呈现对应特征量的取值范围的标尺，例如，二元化的机械通气特征量的标尺702上有两个表示其取值范围的刻度，分别为“否”和“是”，其中“否”对应于分数标尺701上的0分，“是”对应于分数标尺701上的15分，而在数值化的格拉斯哥评分最低值特征量的标尺703上，表示其取值范围的刻度从15到3，对应于分数标尺701上从0分到50分的数值。类似地，各个特征量的标尺上根据其取值范围标识刻度，标尺的长短则与其最大（或最小）取值所对应的最高分数相关联。
49.如图7所示，由于与单个分数标尺701相关联地呈现了10个特征量各自的取值范围的标尺，从而为用户可视化各个特征量的各个取值的对应单项得分。仅作为示例，用户可以通过格拉斯哥评分最低值特征量的标尺703和单个分数标尺701的对应关系，直观而可视化地查到当格拉斯哥评分最低值的取值为8时，对应的单项得分约为37.5。在格拉斯哥评分最低值特征量取其他值，或其他特征量取其取值范围内的任意值的情况下，都可以采用类似的方式，通过找到对应取值在单个分数标尺701上的对应分数而得到对应特征量的单项得分，在此不一一列举。
50.在按上述方式对应得到了10个特征量的各个单项得分之后，可以进一步基于10个特征量的各个单项得分，基于所述线性回归预测模型来计算总分数，并呈现给用户。例如，在一些实施例中，可以通过将各个特征量的单项得分相加从而得到总分数并在显示媒介上为用户呈现。此外，在列线图700中还可以呈现总分数标尺704，以及，在总分数标尺704的各
个数值范围关联呈现院内不良结局率标尺705，从而为用户可视化通过总分数预测所述高龄重症患者的院内不良结局率。例如，当总分数为可以在总分数标尺704中找到计算得到的总分数的位置q，并在院内不良结局率标尺705对应的位置q’直观地读到该高龄患者的院内不良结局率约为0.8。值得注意的是，根据高龄患者各个特征量的单项得分计算得到的总分数的范围为0到685.5，但由于当总分数为380时，对应的院内不良结局率即高达0.95，因此，在列线图700中，总分数标尺704上并未示出例如总分数450分以上的部分。
51.此外，在一些实施例中，所述处理单元还可以进一步在所述列线图上与院内不良结局率标尺705的各个数值范围关联呈现风险等级标尺706，从而为用户可视化院内不良结局率的各个数值所对应的风险等级。仅作为示例，院内不良结局率在0.01到0.12之间对应于低风险等级，院内不良结局率在0.12到0.4之间对应于中风险等级，院内不良结局率大于0.4对应于高风险等级。在另一些实施例中，可以根据需要确定适用的院内不良结局率阈值区间与风险等级的对应关系，本技术对此不作具体限制。
52.在另一些实施例中，列线图700所呈现的显示媒介包括纸张，所述处理单元执行的预测处理以人力计算实现。例如，可以预先打印包括单个分数标尺701、二元化的机械通气特征量的标尺702、格拉斯哥评分最低值特征量的标尺703等各个特征量的标尺、总分数标尺704、院内不良结局率标尺705，在一些情况下还可以包括风险等级标尺706等在内的列线图，然后，由用户根据各个特征量的具体取值在对应特征量的标尺上查取该特征量的单项得分，再基于各个单项得分例如通过简单的求和的方式得到总分数的数值，基于总分数的数值，对应地在院内不良结局率标尺705上查取院内不良结局率数值，以及对应的风险等级等。能够不依赖于电子介质而仅通过人力计算即可完成高龄患者院内不良结局率的评估，使得本技术在一些紧急或特殊情况下也能够得到快捷有效的应用，这进一步提升了对于临床医生的友好程度。
53.由于根据本技术实施例通过lasso回归筛选得到的用于评估高龄患者院内不良结局风险的回归预测模型为线性模型，因此可以便利地绘制成特征量单项得分与总分数之间具有一定线性关系的列线图，各个特征量的标尺所占据的分数范围越大，一定程度上说明其在线性回归预测模型中的贡献或权重也越大，在获取了特征量的取值的情况下，无需复杂计算便可直观地获知对应的单项得分和所有特征量对应的总分数，并且，通过各个特征量的单项得分及其与对应标尺最大刻度的比例关系，可以清楚地解释各个特征量的取值对于总分数的贡献，此外，还可以进一步推断诸如从某一特征量的角度及早开展治疗更应该关注的器官系统。
54.根据本技术的实施例还提供一种评估高龄患者院内不良结局风险的系统。图8示出根据本技术实施例的评估高龄患者院内不良结局风险的系统的部分组成示意图。如图8所示，系统800至少包括接口801和根据本技术实施例的评估高龄患者院内不良结局风险的装置802。其中，接口801可以配置为接收作为受检者的高龄重症患者在进入icu的初始24小时内对应于10个特征标识条目的10个特征量的值，所述10个特征标识条目包括机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和。通常情况下，高龄重症患者在进入icu病房的情况下测量得到的各种指标将随时录入住院管理信息系统，因此，在一些实施例中，接口801可以直接从诸如icu的住院信息系统统一接收高龄重症患者如上所述的10
个特征量的值。接口801可以包括网络适配器、电缆连接器、串行连接器，usb连接器、并行连接器、高速数据传输适配器（诸如光纤、usb 3.0、雷电接口等）、无线网络适配器（诸如wifi适配器）、电信（3g、4g/lte等）适配器等，本技术对此不做限制。在另一些实施例中，接口801也可以从多个来源通过不同的接口类型来获取所需的10个特征量的值，包括通过接收用户通过键入、语音等交互操作而执行的即时输入等，在这种情况下，系统800还可能包括诸如键盘、鼠标、滚球等输入装置（未示出），和/或能够将语音转换为电信号的诸如麦克风装置等，从而使得系统800能够支持用户的上述各种操作。在另一些实施例中，这些输入装置也可以与装置802中的显示媒介集成设置，例如在显示媒介的触屏表面上进行各种操作等，对此本技术不做限定。
55.根据本技术实施例的评估高龄患者院内不良结局风险的装置802的组成和功能已经结合图1-图7进行了详细说明，在此不赘述。
56.在另一些实施例中，系统800还可能包括存储器（未示出），用于存储线性回归预测模型和相关的特征量等数据。
57.本技术的实施例还提供一种非暂时性计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由计算机执行时，由显示媒介呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和的10个特征标识条目；由处理单元获取作为受检者的高龄重症患者在进入icu的初始24小时内对应于所述10个特征标识条目的10个特征量的值，并且基于10个特征量的值，利用线性回归预测模型来得到所述高龄重症患者的院内不良结局率，其中，所述10个特征量和所述线性回归预测模型通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用lasso回归进行筛选而得到第一特征量组，并对所述第一特征量组进行逐步回归而得到。
58.在一些实施例中，上述非暂时性计算机可读的介质可以是诸如只读存储器（rom）、随机存取存储器（ram）、相变随机存取存储器（pram）、静态随机存取存储器（sram）、动态随机存取存储器（dram）、电可擦除可编程只读存储器（eeprom）、其他类型的随机存取存储器（ram）、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器（cd-rom）、数字通用光盘（dvd）或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
59.以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或多个方案）可以彼此组合使用。本领域普通技术人员在查看以上描述时可以使用其他实施例。而且，在上面的详细描述中，各种特征可以被组合在一起以简化本技术。这不应被解释成意图让不要求保护的公开特征对于任何权利要求而言都是必不可少的。而是，发明主题可以在于比一个公开的实施例的所有特征少的特征组合。因此，权利要求由此作为示例或实施例并入到具体实施方式中，其中每个权利要求独立作为单独的实施例，并且可以构想的是，这些实施例可以以各种组合或置换来相互组合。本发明的范围应该参考权利要求以及赋予这些权利要求的等同物的全部范围来确定。

技术特征：
1.一种评估高龄患者院内不良结局风险的装置，其特征在于，包括：显示媒介，其配置为：呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和的10个特征标识条目；以及处理单元，其配置为：获取作为受检者的高龄重症患者在进入icu的初始24小时内对应于所述10个特征标识条目的10个特征量的值；以及基于10个特征量的值，利用线性回归预测模型来得到所述高龄重症患者的院内不良结局率，其中，所述10个特征量和所述线性回归预测模型通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用lasso回归进行筛选而得到第一特征量组，并对所述第一特征量组进行逐步回归而得到。2.根据权利要求1所述的装置，其特征在于，所述线性回归预测模型由如下公式（1-1）和公式（1-2）来定义：s
总
= 15.7525|v
机械通气
+4.3451|v
格拉斯哥评分最低值-15|+53.382|v
休克指数-0.2|+2.2222|v
呼吸频率均值-5|+0.3043v
二氧化碳分压最高值
+3.2478v
乳酸最大值
+0.9358|v
血氧饱和度最低值-100|+7.3964|v
查尔森合并症指数-4|+0.2573v
尿素氮最大值
+0.0073|v
尿量总和-13000|， （1-1） ，其中， （1-2）其中，为乘号，|
·
|为绝对值符号，v
机械通气
为机械通气特征量的值，15.7525v
机械通气
为机械通气特征量的单项得分；v
格拉斯哥评分最低值
为格拉斯哥评分最低值特征量的值，4.3451|v
格拉斯哥评分最低值-15|为该特征量的单项得分；v
休克指数
为休克指数特征量的值，53.382|v
休克指数-0.2|为该特征量的单项得分；v
呼吸频率均值
为基于呼吸频率均值特征量的值，2.2222|v
呼吸频率均值-5|为该特征量的单项得分；v
二氧化碳分压最高值
为二氧化碳分压最高值特征量的值，0.3043v
二氧化碳分压最高值
为该特征量的单项得分；v
乳酸最大值
为乳酸最大值特征量的值，3.2478v
乳酸最大值
为该特征量的单项得分；v
血氧饱和度最低值
为血氧饱和度最低值特征量的值，0.9358|v
血氧饱和度最低值-100|为该特征量的单项得分；v
查尔森合并症指数
为查尔森合并症指数特征量的值，7.3964|v
查尔森合并症指数-4|为该特征量的单项得分；v
尿素氮最大值
为尿素氮最大值特征量的值，0.2573v
尿素氮最大值
为该特征量的单项得分；v
尿量总和
为尿量总和特征量的值，0.0073|v
尿量总和-13000|为该特征量的单项得分；为10个特征量的总分数；p为将利用概率映射表映射得到的高龄重症患者的院内不良结局率，所述概率映射表在的取值范围内基于分段线性函数而构建。3.根据权利要求1或2所述的装置，其特征在于，所述处理单元进一步配置为：计算并使得所述显示媒介呈现10个特征量中各个特征量的值的单项得分；和/或，使得所述显示媒介呈现10个特征量中各个特征量的值对于所述高龄重症患者的院内不良结局率的贡献对比关系。4.根据权利要求1或2所述的装置，其特征在于，所述第一特征量组包括：与激进性的干预治疗相关联的特征量至少包括：机械通气、升压药；
与高龄患者自身的特性相关联的特征量至少包括：查尔森合并症指数；与血流动力学的稳定程度相关联的特征量至少包括：休克指数；与核心生命体征相关联的特征量至少包括：呼吸频率均值、血氧饱和度最低值、格拉斯哥评分最低值、体温、吸入氧浓度；与核心血气分析相关联的特征量至少包括：二氧化碳分压最高值、乳酸最大值、氯离子、碳酸氢盐最小值、碱剩余、碱性磷酸酶、中性粒细胞与淋巴细胞比值；与核心肾功能状况评估相关联的特征量至少包括：尿素氮最大值、尿量总和。5.根据权利要求1或2所述的装置，其特征在于，所述处理单元进一步将所述线性回归预测模型绘制为列线图并在显示媒介上呈现给用户，包括：在所述列线图上与单个分数标尺相关联地呈现10个特征量的取值范围的标尺，从而为用户可视化各个特征量的各个取值的对应单项得分；基于10个特征量的各个单项得分，基于所述线性回归预测模型来计算总分数，并呈现给用户；呈现总分数标尺，并在总分数标尺的各个数值范围关联呈现院内不良结局率标尺，从而为用户可视化通过总分数预测所述高龄重症患者的院内不良结局率。6.根据权利要求5所述的装置，其特征在于，所述处理单元进一步在所述列线图上与院内不良结局率标尺的各个数值范围关联呈现风险等级标尺，从而为用户可视化院内不良结局率的各个数值所对应的风险等级。7.根据权利要求5所述的装置，其特征在于，所述显示媒介包括纸张，所述处理单元执行的预测处理以人力计算实现。8.根据权利要求1或2所述的装置，其特征在于，所述处理单元进一步配置为：在所述院内不良结局率大于或等于0.4的情况下，判定所述高龄重症患者的院内不良结局的风险等级为高风险；在所述院内不良结局率小于0.12的情况下，判定所述高龄重症患者的院内不良结局的风险等级为低风险；在所述院内不良结局率大于或等于0.12且小于0.4的情况下，判定所述高龄重症患者的院内不良结局的风险等级为中风险；并且使得所述显示媒介将所述高龄重症患者的院内不良结局的风险等级与所述高龄重症患者的院内不良结局率一并呈现。9.一种评估高龄患者院内不良结局风险的系统，其特征在于，包括：接口，其配置为：接收作为受检者的高龄重症患者在进入icu的初始24小时内对应于10个特征标识条目的10个特征量的值，所述10个特征标识条目包括机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和；以及根据权利要求1-8中任一项所述的评估高龄患者院内不良结局风险的装置。10.一种非暂时性计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由计算机执行时：由显示媒介呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总
和的10个特征标识条目；由处理单元获取作为受检者的高龄重症患者在进入icu的初始24小时内对应于所述10个特征标识条目的10个特征量的值，并且基于10个特征量的值，利用线性回归预测模型来得到所述高龄重症患者的院内不良结局率，其中，所述10个特征量和所述线性回归预测模型通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用lasso回归进行筛选而得到第一特征量组，并对所述第一特征量组进行逐步回归而得到。

技术总结
本申请涉及一种评估高龄患者院内不良结局风险的装置、系统和介质。所述装置包括显示媒介，配置为呈现机械通气、格拉斯哥评分最低值、休克指数、呼吸频率均值、二氧化碳分压最高值、乳酸最大值、血氧饱和度最低值、查尔森合并症指数、尿素氮最大值和尿量总和的10个特征标识条目。处理单元配置为获取高龄重症患者进入ICU初始24小时内10个特征量的值；基于10个特征量的值，利用线性回归预测模型得到高龄重症患者院内不良结局率。10个特征量和线性回归预测模型通过在与激进性的干预治疗、高龄患者自身的特性、血流动力学的稳定程度、生命体征、血气分析和肾功能情况相关联的候选变量组中利用Lasso回归进行筛选而得到，性能优于临床现有的评分系统。有的评分系统。有的评分系统。


技术研发人员：刘晓莉 张政波 刘超 曹德森
受保护的技术使用者：中国人民解放军总医院
技术研发日：2023.05.11
技术公布日：2023/8/13