龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：中国医学科学院北京协和医院
申请日：2023-10-09
公开（公告）日：2024-06-25
公开（公告）号：CN118248341A
主分类号：G16H50/50
分类号：G16H50/50;G16H70/20;G06N20/00
优先权：
专利状态码：在审-公开
法律状态：2024.06.25#公开
摘要：本发明公开了一种重症患者病情变化动态预测方法，包括以下步骤：S1、构建观测数据集；S2、特征工程；S3、特征筛选；S4、风险预测；S5、风险分层。该重症患者病情变化动态预测方法，通过建立全面、动态风险预测模型，所建立的模型对比此前技术更科学、完整，其动态性克服了第一类现有技术只能基于有限固定时间观察结果预测的局限；其纳入指标的全面性，克服了第二类现有技术只观察少数血液化验指标，无法全面反应患者病理进展过程和治疗过程的局限，扩展了模型预测结局对临床的价值。
主权项：1.一种重症患者病情变化动态预测方法，其特征在于，包括以下步骤：S1、构建观测数据集：在每个患者病程每个时间间隔的起点生成一条观测数据，每条观测数据的特征包含该时刻之前T1时间内所有动态变量和患者所有基线变量，构成两个动态预测模型，对于两个动态预测模型的任何一个，只有满足任务前提条件的观测才纳入，观测数据集的标签包含观测时刻之后T2时间窗之内患者是否发生结局和结局发生时刻，所有患者的所有纳入研究的观测构成该任务的观测数据集；S2、特征工程：对患者收集就挣前的病程长度进行加工，再集合药物机制进行合并用药，再对检验指标、生命体征、监护体征和ECMO使用时长变化趋势进行绘制，最后构造新阶段内有效值频数的新特征；S3、特征筛选：对多时间尺度阶段汇总特征，不同时间尺度之间可能存在严重相关性，为了避免特征不独立对结果产生影响，采用相关性分析方法，根据变量之间的相关系数对于多时间尺度阶段汇总特征的时间尺度进行筛选；S4、风险预测：采用机器学习算法开发非重症状态病情恶化预测任务和重症状态好转预判任务两个预测模型，训练集中阳性样本根据结局首次发生于预测时间窗口内的不同时刻分别形成不同的训练数据集，用训练数据集训练并且挑选重要风险因素，并获得患者在预测时间窗口内每一天恶化风险概率或好转概率；S5、风险分层：根据恶化风险模型和好转预判模型的灵敏度≥门限值来选择最优预测概率阈值，如果预测概率高于高阈值，则该患者当前时刻处于恶化高风险，否则处于恶化低风险。
全文数据：
权利要求：
百度查询： 中国医学科学院北京协和医院 一种重症患者病情变化动态预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号