[发明专利]一种模型训练方法、机械通气表型识别方法及呼吸机

说明书

本申请实施例提供一种模型训练方法、机械通气表型识别方法及呼吸机，所述模型训练方法包括：获取被测试者的多维特征数据，其中，所述多维特征数据至少包括被测试者的基础和评分特征、呼吸特征、循环与灌注特征和残留特征出入量平衡；对所述多维特征数据进行补全及关联性分析，得到分析数据；基于所述分析数据进行高斯混合聚类，学习模型参数，根据所述模型参数确定高斯混合模型。本申请实施例通过采集与某类疾病治疗设备相关的特征参量来确定对应疾病的表型，后续医生根据疾病表型类型和患者的某类疾病治疗设备相关观测数据相结合可以对不同患者进行分类别的救治和护理。

技术领域

本申请涉及ICU机械通气危重患者，具体而言，涉及一种模型训练方法，一种基于模型的机械通气表型自动识别方法，以及模型的呼吸机应用。

背景技术

机械通气时不恰当的通气策略导致肺损伤，其机制包括较高气道压或较大潮气量导致肺的气压/容积伤，呼气末肺容积过低或肺不张导致终末肺单位反复的开放和塌陷的剪切伤。此外，在机械通气中，即使没有肺组织解剖上的改变，各种力的作用可以诱导促炎症反应细胞因子的释放、白细胞的募集，从而启动局部炎症过程，该过程称为生物伤。前3种被认为是机械因素所致的机械伤，而后者是由于机械性损伤导致的后期伴有炎性细胞和炎性介质参与的二次损伤和打击。因此如何调整和控制好机械通气具有重要的临床意义。既往研究表明，小潮气量和高PEEP并控制好适当的平台压是解决目前机械通气问题的原则。但是临床实践发现，呼吸机引起的肺损伤的决定性因素尚有争议，即便是控制潮气量和平台压并不能完全保证安全。另一方面，临床实践也可能会遇到各项保护性策略互相矛盾的情况，如增加PEEP会引起平台相应升高，且往往是病变越严重、肺顺应性越差的患者，达到目标平台压所需的PEEP越低。因此我们亟待用新的方法去审视传统遗留的临床问题。

发明内容

本申请实施例的目的在于提供一种模型训练的方法、机械通气表型识别方法及呼吸机，用以根据被测试者情况确定被测试者的机械通气表型，并根据机械通气表型对患者实施有针对性救治。

本申请实施例提供了一种表型分类模型训练方法，所述方法包括：获取被测试者的多维特征数据，其中，所述多维特征数据至少包括被测试者的基础和评分特征、呼吸特征、循环与灌注特征和残留特征；对所述多维特征数据进行补全及关联性分析，得到分析数据；基于所述分析数据进行高斯混合聚类，学习模型参数，根据所述模型参数确定高斯混合模型；根据所述高斯混合模型以及所述分析数据训练机械通气表型分类模型。

本申请实施例基于被测试者的生命体征值等多维特征参量来训练高斯混合模型，得到的高斯混合模型可以确定被测试者的机械通气表型，之后医生可以结合疾病表型和其他的临床数据结合来确定治疗方案或者根据疾病表型和其他的临床数据对患者的预后健康进行预测评估。

在一些实施例中，基于所述分析数据进行高斯混合聚类，包括：对候选的表型类别数逐一进行对角型高斯混合聚类，并计算相应的戴维斯-鲍尔丁指数DBI；根据戴维斯-鲍尔丁指数选定最小的类别数；根据所述最小类别数进行高斯混合聚类。本申请实施例通过戴维斯-鲍尔丁指数DBI指数确定最合适的表型类别数，并在自动推荐的类别数的条件下，进行高斯混合聚类模型的训练。

在一些实施例中，所述对所述多维特征数据进行插值补全及关联性分析，得到分析数据，包括：根据链式方程对所述多维特征变量进行多元差值插补。所述多元差值插补对应的插补模型包括线性回归模型和分类回归树模型。采用这些插补模型可以改善对缺失值插补的效果。

在一些实施例中，所述对所述多维特征数据进行插值补全及关联性分析，得到分析数据，包括：对所述多维特征数据根据敏感性分析进行排序统计，以排除强关联的所述多维特征变量。

在一些实施例中，所述方法还包括：对所述多维特征数据采用T分布随机邻域嵌入进行降维，得到两个主特征数据。