[发明专利]建立普通病房患者病情评估模型的方法和服务器

说明书

技术领域

本申请涉及医疗数据分析领域，尤其涉及一种建立普通病房患者病情评估模型的方法和服务器。

背景技术

在医学界，预防住院患者临床恶化一直是很重要的一项工作。研究显示，4％到17％的患者会在医院遭遇心跳呼吸骤停。早期发现和干预是防止这些严重的、危及生命的急重症必不可少的手段。早期发现和治疗对于脓毒症患者已显出可喜的成果，可显著降低死亡率。

在医学文献中有大量的对检测临床恶化方法的研究，这些研究在过去很长一段时间里很好地支持了临床工作。在不同医疗条件下有许多基于医学知识的评分系统。例如，严重社区型肺炎采集(SCAP)和肺炎严重程度指数(PSI)可以有效的预测患者的预后与肺炎。同样，患者肾衰的结果可以用急性生理评分(12生理变量)，慢性健康评分(器官功能障碍)进行预测，并用APACHEⅡ评分模型进行评估。

随着数据挖掘和机器学习技术的发展，出现了一些利用这些先进数据手段的临床恶化检测方法的研究。采用数据挖掘技术的临床恶化检测方法，其允许大量参数来预测患者的治疗结果并且提高精度。例如决策树已被用来预测颅脑损伤患者的预后；支持向量机模型配合特定的特征选择算法被用来预测卒中；趋势波动分析(DFA)和心脏心率变异性频谱分析对睡眠呼吸暂停和正常的睡眠的分类进行评估；用近似熵和规律性指数来区分败血症间跳动间隔和自主呼吸分析。

上述大多数算法都存在一定的局限性。一方面，这些算法大多数被设计为某些特定疾病或者在一些专门的医院单位使用，不具有普遍性。另一方面，很多基于医学知识的评分系统只是基于患者当前的体征状况进行评分，造成了一定的偶然性。

发明内容

有鉴于此，本申请实施例提供了一种建立普通病房患者病情评估模型的方法和服务器，用以解决现有技术中普通病房的患者病情评估方法的客观性和普遍性较差的技术问题。

根据本申请实施例的一个方面，提供了一种建立ICU患者病情评估模型的方法，所述方法包括：获取普通病房历史患者的临床数据和实时监测数据；根据临床数据训练用于识别出高风险患者的第一模型，根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。

根据本申请实施例的另一方面，提供了一种服务器，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取普通病房历史患者的临床数据和实时监测数据；根据临床数据训练用于识别出高风险患者的第一模型，根据实时监测数据训练用于从高风险患者中识别出病情恶化患者的第二模型。

本申请实施例的有益效果包括：利用普通病房历史患者的临床数据训练出生命体征数据与病情发展信息之间的第一模型，利用实时监测数据训练出传感器数据和治疗结果之间的第二模型，从而可利用第一模型从普通病房的当前患者中识别出高风险患者，利用第二模型从高风险患者中识别出病情恶化患者，从而对普通病房患者的病情发展和治疗结果进行客观、可靠的预测，提升了对患者病情评估的客观性和普遍性。

附图说明

通过以下参照附图对本申请实施例的描述，本申请的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图；

图2是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图；

图3是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图；

图4是本申请实施例建立普通病房患者病情评估模型的方法的流程示意图。

具体实施方式

以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。