创伤患者红细胞需求量智能预测系统的研发

发布时间：2020-09-09 17:21

　　目的:研究创伤患者输血前需求评估与输血后疗效评价辅助诊疗软件系统(红细胞输注数学模型),结合无创监测技术,研制便携式、智能化输血诊疗辅助装置,为创伤患者出血救治提供准确、快速的输血决策意见。意义:解决对急诊创伤患者应急救援时,由于检测辅助手段缺乏,医生无足够时间制定输血救治方案,且仅依靠描述性检查结果、仅凭个人经验制定的输血方案不精准,输血后又无法及时评估输血效果而影响患者救治成功率的输血难题。该输血辅助决策系统的应用,可精准制定个体化输血救治方案,有效降低创伤患者死亡率、提高创伤救治成功率。第一部分目的本研究基于人工智能技术,通过大数据分析可能影响红细胞输注量的多项参数,构建围术期红细胞需求量评估的数学模型。方法回顾性分析我院2011.1-2017.6期间手术患者130996例,利用患者的基本生理指标、实验室检查、手术信息等作为变量,采用梯度提升决策树(boostingtrees)算法来构建红细胞需求量的人工智能(artificial intelligence,AI)预测模型,利用该模型分别对上述患者“是否需要红细胞输注”和“红细胞输注需求量”进行预测并将AI模型预测结果和临床医生的预测结果进行对比。结果对是否输血预测,AI模型准确度显著高于医生(85.6%VS.45.4%),精确度高于医生(85%VS.77%)。对输血患者的需求量预测,AI模型准确度高于医生(RMSE 1.758 VS.1.97)。结论基于机器学习算法构建的围术期红细胞输注量预测模型比医生经验式预测更为准确,可为外科医师提供红细胞备血决策支持。第二部分目的本研究对以往创伤急救病例进行全面、系统评价,分析红细胞输注量与创伤类型、患者基本生命体征信息、实验室检查/检验指标等各项参数的相关性。根据大数据的挖掘、计算,构建创伤患者输血前需求评估与输血后疗效评价的多参数数学模型,可快速得出受血者输血的决策性意见并提供输血后的疗效评价参考。方法回顾性分析我院2015.4-2018.3期间在我院急诊科就诊的,匹配或模糊匹配诊断带“伤”的1667名患者。利用患者的生命体征、实验室检查、入科、出科情况、输血情况等作为变量,采用boostingtrees算法来构建红细胞需求量的智能预测模型,利用该模型分别对上述患者“是否需要红细胞输注”和“红细胞输注需求量”进行预测并将测试集的数据与真实输血量值进行对比。结果对是否输血预测,ROC曲线下面积0.80。对输血患者的需求量预测,MAE=1.60。结论基于boosting trees算法构建的创伤患者红细胞输注量预测模型为应急救援环境下协助医生迅速、准确做出输血决策提供技术支持。第三部分目的研发人体无创、便携式多波长光谱血红蛋白检测仪,并验证仪器的实用性和检测准确性。方法利用光电传感器采集的光电容积脉搏波信号,通过吸光度的变化分析人体生理参数-血红蛋白的变化,并对我院献血人员及病房患者采集信号共234例,对比常规实验室有创方法与本研究研发的无创仪器检测血红蛋白的准确性。结果常规实验室有创方法与本研究研发的无创仪器检测血红蛋白相关系数R为0.935,具有明显的相关性。均方根误差RMSE为0.8563。结论本研究研发的人体无创、便携式多波长光谱血红蛋白检测仪快捷无创检测血红蛋白的实用性好,与常规实验室有创方法比较,准确度高,一致性好。
【学位单位】：中国人民解放军医学院
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R641;TP273.5
【部分图文】：

曲线,分类能力,分类器,模型

图２邋ＡＩ模型ＲＯＣ曲线逡逑面积代表分类器整体的分类能力。Ｘ轴：假阳性，即ＡＩ预测患者输血；Ｙ轴：真阳性，即ＡＩ预测患者需要输血，实际术中确实曲线，曲线下面积就会越大，代表分类器性能越高，预测需要能力越高。此ＡＩ模型通过二分类预测是否输血，ＲＯＣ曲线下设置阈值Ｐ＝０．５。大于Ｐ预测为输血，小于Ｐ预测为不输血。重性相同，应该选择Ｐ＝０．５。但临床实际情况并非如此，我们，不同的阈值会得到不同的假阳性、真阳性率。逡逑的结果和医生预测的结果进行比较：综合来看，医生预测的ａｃｓｉｏｎ邋７７％，ｒｅｃａｌｌ邋４５％0Ｐ＝０．５时，ＡＩ预测的ａｃｃｕｒａｃｙ邋为８５＿６％，ｐｒｅｃｉ效果明显优于医生的经验预测。逡逑测模型，设置分类器阈值Ｐ＝０．５时，可以将９４．９％邋（１８２９４／１９２７识别出来，可以降低占用有限血液资源的情况，但随之而来会

医生,评价指标,准确率,红细胞输注

红细胞输注量0＜＝ＢＴＶ＜＝１０，每个阶段输血量ＡＩ预测模型的ＲＭＳＥ值小于医生预逡逑测的ＲＭＳＥ值，以ＲＭＳＥ为评价指标，ＡＩ预测准确性高于医生（１．７５８邋ＶＳ．邋１．９７），逡逑见下图４：逡逑今邋ＡＩ邋ｍｏｄｅｌ邋ＲＭＳＥ逡逑Ｄｏｃ邋ＲＭＳＥ逡逑．Ａ逦＞逦＞逦夕逡逑，／邋／邋／邋／逡逑图４：邋ＲＭＳＥ为评价指标，ＡＩ预测与医生评估输血量准确率比较逡逑４、各特征变量重要性分析逡逑４．１、本研究对红细胞输注预测模型中各个特征按照权重大小进行排序，对模型１，预逡逑２１逡逑

权重,特征变量,模型

手术的比例，收缩压最高值、活化凝血活酶时间（ＡＰＴＴ）、凝血酶原时间（ＰＴ）、手术名逡逑称涉及的手术部位个数、体温、纤维蛋白原（ＦＩＢ）、凝血酶原活动度（ＰＴＡ）。结果见下逡逑图５：逡逑ｉｓ＿ｔｒａｎｓ邋Ｆｅａｔｕｒｅ邋Ｉｍｐｏｒｔａｎｃｅｓ逡逑３５００逡逑§邋３０００逡逑（ｆ＞逡逑？邋２５００逡逑ｃ逡逑（Ｑ逡逑备邋２０００逡逑｜邋１５００逡逑｜邋１０００邋Ｉ邋｜逡逑／邋／逦＾逦＾邋＾邋／邋ｆ邋0ｖ＾邋／邋／邋＾逦＾逦＾逡逑／逡逑图５预测是否输血模型，特征变量权重大小排序逡逑４．２、模型２，预测术中输血量，权重较大的特征变量与模型１基本相同，但权重大小逡逑有区别，权重最大的分别为科室、年龄、白细胞计数（ＷＢＣ）、血小板计数（ＰＬＴ）、全逡逑身血容量（ＰＢＶ）、血红蛋白（ＨＢ）。逡逑２２逡逑

【相似文献】