[go: up one dir, main page]

CN108986915A - 人工智能的急性肾损伤的早期预测方法和装置 - Google Patents

人工智能的急性肾损伤的早期预测方法和装置 Download PDF

Info

Publication number
CN108986915A
CN108986915A CN201810822603.8A CN201810822603A CN108986915A CN 108986915 A CN108986915 A CN 108986915A CN 201810822603 A CN201810822603 A CN 201810822603A CN 108986915 A CN108986915 A CN 108986915A
Authority
CN
China
Prior art keywords
aki
period
kidney injury
acute kidney
hours
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810822603.8A
Other languages
English (en)
Other versions
CN108986915B (zh
Inventor
戴松世
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810822603.8A priority Critical patent/CN108986915B/zh
Publication of CN108986915A publication Critical patent/CN108986915A/zh
Application granted granted Critical
Publication of CN108986915B publication Critical patent/CN108986915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明提供了人工智能的急性肾损伤的早期预测方法和装置，包括：获取各类原始参数，对各类原始参数进行数据清洗和特征提取，得到特征参数；将特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；获取AKI的状态点；根据各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定各个时间段AKI的奖励值，并将各个时间段AKI的奖励值赋予到AKI的状态点上；将各个时间段AKI的奖励值与各类原始参数通过随机森林算法，预测各个时间段之后的AKI的发病概率，可因此更早并准确地预测AKI的发生，建立人工智能介入早期预测模式。

Description

人工智能的急性肾损伤的早期预测方法和装置
技术领域
本发明涉及医学技术领域，尤其是涉及人工智能的急性肾损伤的早期预测方法和装置。
背景技术
目前，AKI(Acute Kidney Injury，急性肾损伤)的诊断，DIGO所采用的肌酐与尿量，因其局限性，相对于肾损伤的时间上的滞后，不能特异性地反映肾功能，以及反映肾损伤的本质。
随着医学的发展，通过采用生物标记、FST(Furosemide Stress Test)功能模型、引入决策树、深度学习和机器学习等手段，通过上述手段，不能及早预测AKI的发病情况。
发明内容
有鉴于此，本发明的目的在于提供人工智能的急性肾损伤的早期预测方法和装置，可以更早并准确地预测AKI的发生，建立人工智能介入早期预测模式。
第一方面，本发明实施例提供了人工智能的急性肾损伤的早期预测方法，所述方法包括：
获取各类原始参数，对所述各类原始参数进行数据清洗和特征提取，得到特征参数；
将所述特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；
获取所述AKI的状态点；
根据所述各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定所述各个时间段AKI的奖励值，并将所述各个时间段AKI的奖励值赋予到所述AKI的状态点上；
将所述各个时间段AKI的奖励值与所述各类原始参数通过所述随机森林算法，预测所述各个时间段之后的所述AKI的发病概率。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述各类原始参数包括生理参数、人群属性参数和药物，所述生理参数包括血压、心率、体温、尿量、肌酐、血小板、红细胞、白细胞、血糖、胆红素、K+、Na+、Cl-和pH值中的一种或几种，所述人群属性参数还包括年龄、种族和性别中的一种或几种，所述药物包括速尿、去氧肾上腺素、两性霉素、万古霉素中的一种或几种。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述各个时间段包括24小时、48小时和72小时。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述各个时间段AKI的奖励值与所述各类原始参数通过所述随机森林算法，预测所述各个时间段之后的所述AKI的发病概率，包括：
在所述24小时的AKI预测中，AUC大于且等于90％；
在所述48小时的AKI预测中，AUC大于且等于85％；
在所述72小时的AKI预测中，AUC大于且等于80％。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述特征参数包括特征项和所述特征项对应的特征值。
第二方面，本发明实施例还提供人工智能的急性肾损伤的早期预测装置，所述装置包括：
提取单元，用于获取各类原始参数，对所述各类原始参数进行数据清洗和特征提取，得到特征参数；
第一发展状态获取单元，用于将所述特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；
状态点获取单元，用于获取所述AKI的状态点；
确定单元，用于根据所述各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定所述各个时间段AKI的奖励值，并将所述各个时间段AKI的奖励值赋予到所述AKI的状态点上；
第二发展状态获取单元，用于将所述各个时间段AKI的奖励值与所述各类原始参数通过所述随机森林算法，得到所述各个时间段之后的所述AKI的发病概率。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述各类原始参数包括生理参数、人群属性参数和药物，所述生理参数包括血压、心率、体温、尿量、肌酐、血小板、红细胞、白细胞、血糖、胆红素、K+、Na+、Cl-和pH值中的一种或几种，所述人群属性参数还包括年龄、种族和性别中的一种或几种，所述药物包括速尿、去氧肾上腺素、两性霉素、万古霉素中的一种或几种
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述各个时间段包括24小时、48小时和72小时。
结合第二方面的第二种可能的实施方式，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述第二发展状态获取单元包括：
在所述24小时的AKI预测中，AUC大于且等于90％；
在所述48小时的AKI预测中，AUC大于且等于85％；
在所述72小时的AKI预测中，AUC大于且等于80％。
结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中，所述特征参数包括特征项和所述特征项对应的特征值。
本发明实施例提供了人工智能的急性肾损伤的早期预测方法和装置，包括：获取各类原始参数，对各类原始参数进行数据清洗和特征提取，得到特征参数；将特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；获取AKI的状态点；根据各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定各个时间段AKI的奖励值，并将各个时间段AKI的奖励值赋予到AKI的状态点上；将各个时间段AKI的奖励值与各类原始参数通过随机森林算法，预测各个时间段之后的AKI的发病概率，可因此更早并准确地预测AKI的发生，建立人工智能介入早期预测模式。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的人工智能的急性肾损伤的早期预测方法流程图；
图2为本发明实施例一提供的人工智能的急性肾损伤的早期预测方法中步骤S105的流程图；
图3为本发明实施例一提供的各类原始参数示意图；
图4为本发明实施例二提供的人工智能的急性肾损伤的早期预测装置示意图。
图标：
10-提取单元；20-第一发展状态获取单元；30-状态点获取单元；40-确定单元；50-第二发展状态获取单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图1为本发明实施例一提供的人工智能的急性肾损伤的早期预测方法流程图。
参照图1，该方法包括以下步骤：
步骤S101，获取各类原始参数，对各类原始参数进行数据清洗和特征提取，得到特征参数；
这里，在获取各类原始参数后，需要对各类原始参数进行处理，即进行数据清洗和特征提取，从而得到有用的信息，即特征参数。例如，医生从CT、B超或磁共振中获取特征参数，或者从验血化验单中获取特征参数，或者中医通过脉象和舌苔等望闻问切而得到特征参数。
进一步的，特征参数包括特征项和特征项对应的特征值。
这里，特征项包括但不限于，具体为生命体征、检查指标、护理记录和医嘱用药，通过获取特征项以及特征项对应的特征值，并作为随机森林算法的输入。
具体地，在本申请中，选取KDIGO(2012)定义AKI的起点，并以Stage-1作为预测起点，而不是通常采用的stage-2来作为预测起点，stage-1实际已是AKI发生了，而stage-2已经是中后期了，故通过Stage-1能更早期地预测AKI的发生。
本申请采用KDIGO(2012)有关于AKI等级分类的全面定义，而不是像现有文献那样，只采用了部分定义。更早期的预测，更全面的标准，使得本申请的算法更具有实用性。这之前，本申请的算法还要针对每一患者计算出每位患者的肌酐基线值。
步骤S102，将特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；
这里，通过采用随机森林算法，可以在小样本多特征的情况下，更加抗过拟合，输出稳定的结果。
步骤S103，获取AKI的状态点；
步骤S104，根据各个时间段AKI的发展状态通过蒙特卡罗(Monte Carlo Tree)树与强化学习算法确定各个时间段AKI的奖励值，并将各个时间段AKI的奖励值赋予到AKI的状态点上；
这里，各个时间段包括24小时、48小时和72小时。AKI发展状态的确立，训练样本中每位患者在状态点之间的迁移，引入强化学习，把所纳入的每个时间点的特征输入作为动作来进行奖励与惩罚，计算奖励reward值；然后采用随机森林算法对reward值进行预测。
具体地，通过确定各个时间段AKI的发展状态的好与坏，可以通过奖励reward值进行判断，如果AKI往好的方向发展，则赋予reward值为+1；如果AKI往坏的方向发展，则赋予reward值为-1；如果不变，则为0。然后将赋予reward的值返回到AKI的每个状态点上。
步骤S105，将各个时间段AKI的奖励值与各类原始参数通过随机森林算法，预测各个时间段之后的AKI的发展状态。
这里，将将各个时间段AKI的奖励值与各类原始参数作为随机森林算法的输入，通过随机森林算法进行学习与预测，预测各个时间段之后的AKI的发病概率。
进一步的，参照图3，各类原始参数包括生理参数、人群属性参数和药物，生理参数包括血压、心率、体温、尿量、肌酐、血小板、红细胞、白细胞、血糖、胆红素、K+、Na+、Cl-和pH值中的一种或几种，人群属性参数还包括年龄、种族和性别中的一种或几种，药物包括速尿、去氧肾上腺素、两性霉素、万古霉素中的一种或几种。
这里，生理参数除了包括上述参数外，还包括其他参数，并不限于上述参数；生理参数除了包括上述参数外，还包括其他参数，并不限于上述参数；药物除了包括上述药物外，还包括其他药物，并不限于上述药物。
进一步的，各个时间段包括24小时、48小时和72小时。
进一步的，参照图2，步骤S105包括以下步骤：
步骤S201，在24小时的AKI预测中，AUC大于且等于90％；
步骤S202，在48小时的AKI预测中，AUC大于且等于85％；
步骤S203，在72小时的AKI预测中，AUC大于且等于80％。
这里，AUC(Area under the Curve of ROC)是ROC曲线下方的面积，是判断二分类预测模型优劣的标准。
本发明实施例提供了人工智能的急性肾损伤的早期预测方法，包括：获取各类原始参数，对各类原始参数进行数据清洗和特征提取，得到特征参数；将特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；获取AKI的状态点；根据各个时间段AKI的发展状态确定各个时间段AKI的奖励值，并将各个时间段AKI的奖励值赋予到AKI的状态点上；将各个时间段AKI的奖励值与各类原始参数通过随机森林算法，预测各个时间段之后的AKI的发病概率，可因此更早并准确地预测AKI的发生，建立人工智能介入早期预测模式。
实施例二：
图4为本发明实施例二提供的人工智能的急性肾损伤的早期预测装置示意图。
参照图4，该装置包括：
提取单元10，用于获取各类原始参数，对各类原始参数进行数据清洗和特征提取，得到特征参数；
第一发展状态获取单元20，用于将特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；
状态点获取单元30，用于获取AKI的状态点；
确定单元40，用于根据各个时间段AKI的发展状态确定各个时间段AKI的奖励值，并将各个时间段AKI的奖励值赋予到AKI的状态点上；
第二发展状态获取单元50，用于将各个时间段AKI的奖励值与各类原始参数通过随机森林算法，预测各个时间段之后的AKI的发病概率。
进一步的，所述各类原始参数包括生理参数、人群属性参数和药物，所述生理参数包括血压、心率、体温、尿量、肌酐、血小板、红细胞、白细胞、血糖、胆红素、K+、Na+、Cl-和pH值中的一种或几种，所述人群属性参数还包括年龄、种族和性别中的一种或几种，所述药物包括速尿、去氧肾上腺素、两性霉素、万古霉素中的一种或几种。
进一步的，各个时间段包括24小时、48小时和72小时。
进一步的，第二发展状态获取单元50包括：
在24小时的AKI预测中，AUC大于且等于90％；
在48小时的AKI预测中，AUC大于且等于85％；
在72小时的AKI预测中，AUC大于且等于80％。
进一步的，特征参数包括特征项和所述特征项对应的特征值。
本发明实施例提供了人工智能的急性肾损伤的早期预测装置，包括：获取各类原始参数，对各类原始参数进行数据清洗和特征提取，得到特征参数；将特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；获取AKI的状态点；根据各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定各个时间段AKI的奖励值，并将各个时间段AKI的奖励值赋予到AKI的状态点上；将各个时间段AKI的奖励值与各类原始参数通过随机森林算法，预测各个时间段之后的AKI的发病概率，可因此更早并准确地预测AKI的发生，建立人工智能介入早期预测模式。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的人工智能的急性肾损伤的早期预测方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的人工智能的急性肾损伤的早期预测方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种人工智能的急性肾损伤的早期预测方法，其特征在于，所述方法包括：
获取各类原始参数，对所述各类原始参数进行数据清洗和特征提取，得到特征参数；
将所述特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；
获取所述AKI的状态点；
根据所述各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定所述各个时间段AKI的奖励值，并将所述各个时间段AKI的奖励值赋予到所述AKI的状态点上；
将所述各个时间段AKI的奖励值与所述各类原始参数通过所述随机森林算法，预测所述各个时间段之后的所述AKI的发病概率。
2.根据权利要求1所述的人工智能的急性肾损伤的早期预测方法，其特征在于，所述各类原始参数包括生理参数、人群属性参数和药物，所述生理参数包括血压、心率、体温、尿量、肌酐、血小板、红细胞、白细胞、血糖、胆红素、K+、Na+、Cl-和pH值中的一种或几种，所述人群属性参数还包括年龄、种族和性别中的一种或几种，所述药物包括速尿、去氧肾上腺素、两性霉素、万古霉素中的一种或几种。
3.根据权利要求1所述的人工智能的急性肾损伤的早期预测方法，其特征在于，所述各个时间段包括24小时、48小时和72小时。
4.根据权利要求3所述的人工智能的急性肾损伤的早期预测方法，其特征在于，所述将所述各个时间段AKI的奖励值与所述各类原始参数通过所述随机森林算法，预测所述各个时间段之后的所述AKI的发病概率，包括：
在所述24小时的AKI预测中，AUC大于且等于90％；
在所述48小时的AKI预测中，AUC大于且等于85％；
在所述72小时的AKI预测中，AUC大于且等于80％。
5.根据权利要求1所述的人工智能的急性肾损伤的早期预测方法，其特征在于，所述特征参数包括特征项和所述特征项对应的特征值。
6.一种人工智能的急性肾损伤的早期预测装置，其特征在于，所述装置包括：
提取单元，用于获取各类原始参数，对所述各类原始参数进行数据清洗和特征提取，得到特征参数；
第一发展状态获取单元，用于将所述特征参数通过遗传算法与随机森林算法，得到各个时间段急性肾损伤AKI的发展状态；
状态点获取单元，用于获取所述AKI的状态点；
确定单元，用于根据所述各个时间段AKI的发展状态通过蒙特卡罗树与强化学习算法确定所述各个时间段AKI的奖励值，并将所述各个时间段AKI的奖励值赋予到所述AKI的状态点上；
第二发展状态获取单元，用于将所述各个时间段AKI的奖励值与所述各类原始参数通过所述随机森林算法，预测所述各个时间段之后的所述AKI的发病概率。
7.根据权利要求6所述的人工智能的急性肾损伤的早期预测装置，其特征在于，所述各类原始参数包括生理参数、人群属性参数和药物，所述生理参数包括血压、心率、体温、尿量、肌酐、血小板、红细胞、白细胞、血糖、胆红素、K+、Na+、Cl-和pH值中的一种或几种，所述人群属性参数还包括年龄、种族和性别中的一种或几种，所述药物包括速尿、去氧肾上腺素、两性霉素、万古霉素中的一种或几种。
8.根据权利要求6所述的人工智能的急性肾损伤的早期预测装置，其特征在于，所述各个时间段包括24小时、48小时和72小时。
9.根据权利要求8所述的人工智能的急性肾损伤的早期预测装置，其特征在于，所述第二发展状态获取单元包括：
在所述24小时的AKI预测中，AUC大于且等于90％；
在所述48小时的AKI预测中，AUC大于且等于85％；
在所述72小时的AKI预测中，AUC大于且等于80％。
10.根据权利要求6所述的人工智能的急性肾损伤的早期预测装置，其特征在于，所述特征参数包括特征项和所述特征项对应的特征值。
CN201810822603.8A 2018-07-24 2018-07-24 人工智能的急性肾损伤的早期预测方法和装置 Active CN108986915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810822603.8A CN108986915B (zh) 2018-07-24 2018-07-24 人工智能的急性肾损伤的早期预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810822603.8A CN108986915B (zh) 2018-07-24 2018-07-24 人工智能的急性肾损伤的早期预测方法和装置

Publications (2)

Publication Number Publication Date
CN108986915A true CN108986915A (zh) 2018-12-11
CN108986915B CN108986915B (zh) 2021-07-06

Family

ID=64550270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810822603.8A Active CN108986915B (zh) 2018-07-24 2018-07-24 人工智能的急性肾损伤的早期预测方法和装置

Country Status (1)

Country Link
CN (1) CN108986915B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111640512A (zh) * 2020-06-02 2020-09-08 戴松世 肾脏替代疗法启动策略评估方法、装置及电子设备
CN113012814A (zh) * 2021-03-10 2021-06-22 浙江大学医学院附属邵逸夫医院 一种急性肾损伤容量反应性预测方法及系统
CN114974555A (zh) * 2022-03-24 2022-08-30 中国人民解放军总医院第一医学中心 一种机械通气后严重急性肾损伤风险预测系统
CN115274042A (zh) * 2022-08-04 2022-11-01 戴松世 Aki介入策略的确定方法、装置及电子设备
CN115295147A (zh) * 2022-08-04 2022-11-04 戴松世 肾功能衰竭ai医生系统及肾功能衰竭医疗系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130130287A1 (en) * 2010-05-10 2013-05-23 Austin Health Markers for acute kidney injury
CN104871004A (zh) * 2012-12-20 2015-08-26 诺华股份有限公司 急性肾损伤
CN105556305A (zh) * 2013-06-05 2016-05-04 阿斯图特医药公司 用于肾损伤和肾衰竭的诊断及预后的方法和组合物
US20160377595A1 (en) * 2012-06-06 2016-12-29 The Cleveland Clinic Foundation Prediction of acute kidney injury from a post-surgical metabolic blood panel
CN107908819A (zh) * 2017-10-19 2018-04-13 深圳和而泰智能控制股份有限公司 预测用户状态变化的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130130287A1 (en) * 2010-05-10 2013-05-23 Austin Health Markers for acute kidney injury
US20160377595A1 (en) * 2012-06-06 2016-12-29 The Cleveland Clinic Foundation Prediction of acute kidney injury from a post-surgical metabolic blood panel
CN104871004A (zh) * 2012-12-20 2015-08-26 诺华股份有限公司 急性肾损伤
CN105556305A (zh) * 2013-06-05 2016-05-04 阿斯图特医药公司 用于肾损伤和肾衰竭的诊断及预后的方法和组合物
CN107908819A (zh) * 2017-10-19 2018-04-13 深圳和而泰智能控制股份有限公司 预测用户状态变化的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HATIM GUERMAH等: ""Using Context Ontology and Linear SVM for Chronic Kidney Disease Prediction"", 《2018 ASSOCIATION FOR COMPUTING MACHINERY》 *
VANESSA S. CUNHA等: ""Fuzzy Modeling to Predict Short and Long-Term Mortality Among Patients with Acute Kidney Injury"", 《2016 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS》 *
刘阳,戴松世等: ""前列腺电特性成像研究现状及展望"", 《生物医学工程学杂志》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111640512A (zh) * 2020-06-02 2020-09-08 戴松世 肾脏替代疗法启动策略评估方法、装置及电子设备
CN111640512B (zh) * 2020-06-02 2023-08-15 戴松世 肾脏替代疗法启动策略评估方法、装置及电子设备
CN113012814A (zh) * 2021-03-10 2021-06-22 浙江大学医学院附属邵逸夫医院 一种急性肾损伤容量反应性预测方法及系统
CN114974555A (zh) * 2022-03-24 2022-08-30 中国人民解放军总医院第一医学中心 一种机械通气后严重急性肾损伤风险预测系统
CN115274042A (zh) * 2022-08-04 2022-11-01 戴松世 Aki介入策略的确定方法、装置及电子设备
CN115295147A (zh) * 2022-08-04 2022-11-04 戴松世 肾功能衰竭ai医生系统及肾功能衰竭医疗系统

Also Published As

Publication number Publication date
CN108986915B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN108986915A (zh) 人工智能的急性肾损伤的早期预测方法和装置
US10325686B2 (en) System and methods for integrated and predictive analysis of molecular, imaging, and clinical data for patient-specific management of diseases
Longobardi et al. Predicting left ventricular contractile function via Gaussian process emulation in aortic-banded rats
CN106021843B (zh) 用于识别个体层面的风险因子的方法和计算机系统
HK1243509A1 (zh) 基於患者数据的用於健康护理诊断和治疗的贝叶斯因果关系网络模型
CN105096225B (zh) 辅助疾病诊疗的分析系统、装置及方法
CN103635908B (zh) 离开就绪性指标
CN107977709A (zh) 预测血管树血管路径上的血流特征的深度学习模型和系统
Weng et al. Clinical research informatics for big data and precision medicine
EP3769312A1 (en) Systems and methods for personalized medication therapy management
US20170329905A1 (en) Life-Long Physiology Model for the Holistic Management of Health of Individuals
WO2014033681A2 (en) Modeling techniques for predicting mortality in intensive care units
CN112749521A (zh) 血流动力学指标数据的处理方法和系统
CN111297329B (zh) 预测糖尿病患者心血管并发症动态发病风险的方法及系统
US10172569B2 (en) System and method for assisting decisions associated with events relative to withdrawal of life-sustaining therapy using variability measurements
CN117133471A (zh) 急性主动脉夹层疾病的输血预测方法、系统、设备及介质
WO2020187987A1 (en) Population-level gaussian processes for clinical time series forecasting
JP2020506486A (ja) 血管リスクを評価するためのシステムおよび方法
WO2022073068A1 (en) Generating brain network impact scores
CN106030592B (zh) 从个体内时间方差异方差性发展健康信息特征提取
KR101783689B1 (ko) 질병 및 약물 특이적 임상 변수의 상보성을 활용한 신약 재창출 기법 및 장치
JP2023002021A (ja) 情報処理システム
US20220399092A1 (en) Ai-enabled health platform
Iqbal et al. Implementing Machine Learning for Early Detection and Prognostic Modeling of Chronic Diseases
Alidoost Increasing Network Detection of Side Effects by Improving Side Effect Pathway Definition and Drug Target Associations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant