申请/专利权人：深圳达实旗云健康科技有限公司

申请日：2024-03-21

公开（公告）日：2024-05-31

公开（公告）号：CN117936100B

主分类号：G16H50/30

分类号：G16H50/30;G16H50/70;G06F18/214;G06F17/18

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本申请涉及一种基于医疗大数据的危重症早期预警方法及相关装置，该方法包括以下步骤：获取多个体征参数，并将患者参数输入到隐马尔可夫模型，以得到患者的危重症类型及概率；其中，所述隐马尔可夫模型基于预录入的医疗大数据训练得到，并利用前向‑后向算法计算得到患者的危重症类型及概率，患者的危重症类型及概率基于转移概率矩阵和观察概率矩阵在向前过程和向后过程不断迭代后得到。本申请具有提高利用医疗大数据预警危重症的效率和准确度的优点。

主权项：1.一种基于医疗大数据的危重症早期预警方法，其特征在于，包括以下步骤：获取多个体征参数，并将患者参数输入到隐马尔可夫模型，以得到患者的危重症类型及概率；其中，所述隐马尔可夫模型基于预录入的医疗大数据训练得到，并利用前向-后向算法计算得到患者的危重症类型及概率，患者的危重症类型及概率基于转移概率矩阵和观察概率矩阵在向前过程和向后过程不断迭代后得到；所述观察概率矩阵定义了在给定隐状态的情况下，生成每个可能观察状态的概率；所述前向-后向算法计算得到患者的危重症类型及概率的步骤包括：S1.确定隐状态i，并定义隐状态i对应的初始状态概率πi，其中，每一隐状态i对应于一种危重症；S2.计算初始概率与第一次观察的联合概率:α1i＝πi×biO1，其中，biO1是在状态i观察到第一个观察O1的概率；S3.对于每个时间点t1和每个隐状态j，递归计算:其中，aij是从隐状态i转移到隐状态j的转移概率，bjOt是在隐状态j观察到Ot的观察概率；S4.计算最终观察序列的概率:其中，T是观察序列的总时间点数，λ是模型参数；S5.在最终时间点T，对于每个隐状态i，设置后向概率为1:βTi＝1；S6.对于每个时间点tT和每个隐状态i，逆向计算:S7.利用前向和后向概率计算给定观察序列下每个时间点每个状态的概率:所述转移概率aij基于医疗大数据中的样本计算得来，且所述观察概率bjk基于医疗大数据中的样本计算得来，且所述转移概率和观察概率基于医疗大数据中的样本的计算步骤包括：给定模型参数，计算在时间点t观察到序列O1:t并且状态为i的概率；给定模型参数，计算在时间点t状态为i并且从t+1到T观察到序列Ot+1:T的概率；基于前向和后向概率，计算状态转移的期望次数和在特定状态观察到特定观察的期望次数其中，αti是前向概率，表示在时间t观察到序列O1:t并且状态为i的概率；aij是从状态i转移到状态j的转移概率；bjOt+1是在状态j下观察到Ot+1的概率；βt+1j是后向概率，表示在时间t+1状态为j并且从t+2到T观察到序列Ot+2:T的概率；PO∣λ是给定模型参数λ下观察序列O出现的总概率，可以通过将所有时间点的前向概率在最后一个时间点T上求和得到；γti可以通过对所有状态j的ξti,j在时间点t上求和得到，即对所有可能的下一个状态j求和；更新转移概率矩阵，其中，每个转移概率是在给定前一个状态是i的条件下，转移到状态j的期望次数除以在状态i的总期望时间；更新观察概率矩阵，其中，每个观察概率是在给定状态i下，观察到特定观察的期望次数除以状态i的总期望时间；所述观察状态包括呼吸速率、睡眠模式、体温、心率、心率变化、混合静脉氧饱和度、患者体重变化、血压和或血压变化；更新初始状态概率，其中，每个初始状态的概率基于第一个时间点每个状态的期望概率来更新。

全文数据：

权利要求：

百度查询： 深圳达实旗云健康科技有限公司 一种基于医疗大数据的危重症早期预警方法及相关装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD