[发明专利]一种重症患者长期死亡风险预测系统及方法

说明书

本发明属于医学诊断技术领域，具体涉及一种重症患者长期死亡风险预测系统及方法。本发明的预测系统，包括：云数据库模块，用于存储重症患者的生理数据；数据处理模块，用于获取所述重症患者的生理数据，并对其进行预处理，得到输入变量；长期死亡风险预测模块，用于将输入变量输入LSTM神经网络模型，对所述重症患者的长期死亡风险进行预测，并利用SHAP方法对预测结果进行解释。本发明还提供了应用上述系统进行重症患者长期死亡风险预测的方法。本发明同时兼顾了预测结果的精度和可解释性，具有很好的应用前景。

技术领域

本发明属于医学诊断技术领域，具体涉及一种重症患者长期死亡风险预测系统及方法。

背景技术

重症监护病房(Intensive care unit，ICU)是为危重症患者实施救治和康复所设置的特殊病房，其医疗情况相对复杂且变化较快、死亡率高，基于人群的粗略统计显示，患者入住ICU期间的死亡率为8.6％，在某些地区可高达16.3％，根据疾病的严重程度不同，如在患者入住ICU期间对病情处理不当，患者离开ICU后，死亡率也可达6.4％～40％。此外，ICU医疗成本远远高于普通病房。

随着ICU的数字化，产生的临床数据体量庞大、数据复杂，使医生很难以经验对患者的病情进行准确估计。因此准确评估危重症病人疾病严重程度及死亡率预测十分重要，不仅对患者的治疗具有指导意义，也可以为患者及亲属提供有关结果的信息、作为医疗资源分配指南，是临床研究中患者分层的一种方式。

人工智能现已被广泛应用于探索危重疾病的预后因素和评估患者的死亡风险，出于其精准捕捉变量之间非线性关系的强大特性，AI+医学已经逐步被医护人员接受，而众多人工智能技术中，长短期记忆网络(LSTM)是一种特殊的循环神经网络(RNN)，尽管其数学统计原理十分完备，但对于给定任务的知识表征学习尚缺乏明确解释，这种“黑盒”特性影响了其在众多领域中的应用，比如医学领域以及金融领域、自动驾驶领域等。在这些领域中，所使用模型的可解释性和可靠性是影响最终用户信任的关键因素。

人工智能也已经被应用于医疗领域。中国发明专利申请“CN112420201A 用于ICU死亡率预测的深度级联框架和ICU死亡率预测方法”提供了利用机器学习模型预测ICU死亡率的方法。然而，与其他机器模型的应用相似，上述模型的可解释性和可靠性仍然不够理想。现有方法为了提高模型的可解释性，其运算量会根据变量数量的增加而大幅提升，而为了满足模型的计算精度，又需要尽可能地输入更多的变量用于构建特征。这使得在现有技术中，同时提升模型的精度和可解释性是非常困难的。具体到ICU死亡风险预测中，预测结果的精度和可解释性的同时提升受限于模型结构的ICU数据的复杂性，仍然是一个亟需解决的难题。

发明内容

针对现有技术的问题，本发明提供一种重症患者长期死亡风险预测系统及方法吗，目的在于选择合适的模型和方法，提高重症患者长期死亡风险预测的精度和预测结果的可解释性。

一种重症患者长期死亡风险预测系统，包括：

云数据库模块，用于存储重症患者的生理数据；

数据处理模块，用于获取所述重症患者的生理数据，并对其进行预处理，得到输入变量；

长期死亡风险预测模块，用于将输入变量输入LSTM神经网络模型，对所述重症患者的长期死亡风险进行预测，并利用SHAP方法对预测结果进行解释。

优选的，所述生理数据每间隔一小时上传一次至云数据库模块。

优选的，所述输入变量包括年龄、心率、入院类型、手术类型、是否进行心脏手术、转移类型、收缩压、昏迷指数、氧合指数、pH、温度、入住ICU 前的住院时间、白细胞、胆红素、伴随疾病类型、肌酸酐、机械通风或血小板中的至少一种。

优选的，所述输入变量包括心率、收缩压、昏迷指数、氧合指数、pH值、温度、白细胞、胆红素、肌酸酐以及血小板的采集方法为取每小时的中位数、最大值和最小值。