本發(fā)明涉及麻醉藥劑量預(yù)測的，尤其涉及一種基于大數(shù)據(jù)分析的麻醉藥劑量預(yù)測方法。

背景技術(shù)：

1、近年來，麻醉藥劑量在手術(shù)和治療過程中是關(guān)鍵的醫(yī)療參數(shù)，直接影響患者的手術(shù)效果和安全性，傳統(tǒng)的麻醉藥劑量計算方法基于醫(yī)生的經(jīng)驗和患者的一般特征，如年齡、體重等，存在個體差異大、精準度不高的問題。大數(shù)據(jù)技術(shù)的發(fā)展使得醫(yī)療行業(yè)可以收集、存儲和分析大規(guī)模的醫(yī)療數(shù)據(jù)，包括患者的生理參數(shù)、病史、手術(shù)過程中的監(jiān)測數(shù)據(jù)等，這些數(shù)據(jù)通過合適的算法和模型進行分析，從而揭示藥物劑量與患者特征、手術(shù)類型、生理狀態(tài)等之間的復(fù)雜關(guān)系，能夠個性化地為每位患者預(yù)測最佳的麻醉藥劑量，提高手術(shù)的安全性和效率，是醫(yī)療信息技術(shù)領(lǐng)域的一個重要發(fā)展方向。

2、目前,申請?zhí)枮閏n202311210971.4的中國發(fā)明專利公開了一種藥物劑量預(yù)測系統(tǒng)及方法，公開了藥物劑量預(yù)測系統(tǒng)及方法，能夠?qū)崿F(xiàn)用戶自主增加新的預(yù)測模型，適配多種開發(fā)語言，支持各種環(huán)境下的數(shù)據(jù)引入，能實現(xiàn)多種形式的結(jié)果展現(xiàn)，對新的開發(fā)語言的對接和模型的引入具有良好的可擴展性，能夠?qū)崿F(xiàn)快速的調(diào)參和模型訓(xùn)練，完成新藥物的藥物劑量的預(yù)測，但是現(xiàn)有技術(shù)不能基于大數(shù)據(jù)分析的麻醉藥劑量預(yù)測方法通過充分利用大規(guī)模的醫(yī)療數(shù)據(jù)和先進的分析技術(shù)提高麻醉管理的個性化、精確度和可解釋性，不能快速分析出患者個體需要的麻醉藥注射劑量，從而降低麻醉師的工作負擔(dān)。

技術(shù)實現(xiàn)思路

1、本發(fā)明解決的技術(shù)問題是：現(xiàn)有技術(shù)不能基于大數(shù)據(jù)分析的麻醉藥劑量預(yù)測方法通過充分利用大規(guī)模的醫(yī)療數(shù)據(jù)和先進的分析技術(shù)提高麻醉管理的個性化、精確度和可解釋性，不能快速分析出患者個體需要的麻醉藥注射劑量。

2、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于大數(shù)據(jù)分析的麻醉藥劑量預(yù)測方法，包括以下步驟：

3、步驟s1：獲取麻醉藥注射的患者信息，所述患者信息包括患者的生物指標數(shù)據(jù)，以及對應(yīng)的麻醉藥注射方式、注射劑量和麻醉藥種類；

4、步驟s2：根據(jù)所述生物指標數(shù)據(jù)，利用lasso回歸模型篩選第一特征因素，利用logistic回歸模型分析所述第一特征因素，得到第二特征因素，根據(jù)所述第一特征因素和第二特征因素，預(yù)測影響到麻醉劑劑量的其他因素特征，將所述其他因素特征與第二特征因素結(jié)合得到第三特征因素；

5、步驟s3：將所述第三特征因素進行多因素回歸分析，得到所述第三特征因素對麻醉藥注射劑量的影響力，將所述影響力對應(yīng)的第三特征因素按比例分為訓(xùn)練組和對照組；

6、步驟s4：將所述訓(xùn)練組放回所述lasso回歸模型并結(jié)合十折交叉驗證法篩選預(yù)測因子，根據(jù)所述預(yù)測因子和麻醉部位及面積建立線性回歸模型，使用列線圖的形式使所述線性回歸模型可視化；

7、步驟s5：調(diào)整訓(xùn)練組對所述線性回歸模型進行調(diào)整，利用對照組對所述線性回歸模型進行評估，評估誤差小于預(yù)設(shè)值時得到預(yù)測模型。

8、優(yōu)選地，所述步驟s1包括：

9、所述生物指標數(shù)據(jù)包括年齡、身高、bmi、體重、年齡、asa分級、麻醉部位及面積、手術(shù)時間、麻醉時間、合并用藥、手術(shù)術(shù)式、心率、腦電雙頻指數(shù)值、血氧飽和度和患者入室時間點、誘導(dǎo)前時間點、插管時間點、手術(shù)開始時間點、手術(shù)結(jié)束時間點和拔管時間點的平均動脈壓數(shù)值區(qū)間，根據(jù)生物指標數(shù)據(jù)對患者進行分組；

10、所述麻醉藥注射方式按照患者手術(shù)涉及的身體部位分組。

11、優(yōu)選地，所述步驟s2包括：

12、所述第一特征因素表示與麻醉藥注射劑量相關(guān)的因素，所述第二特征因素表示所述第一特征因素中影響麻醉藥注射劑量的特征因素，根據(jù)所述第一特征因素和第二特征因素，采用逐步回歸分析方法通過大數(shù)據(jù)檢索，預(yù)測影響麻醉劑劑量的其他因素特征，將所述其他因素特征與第二特征因素結(jié)合得到第三特征因素，所述第三特征因素表示影響麻醉藥注射劑量的因素。

13、優(yōu)選地，利用lasso回歸模型篩選所述生物指標數(shù)據(jù)和基因型數(shù)據(jù)中與麻醉藥注射劑量相關(guān)的第一特征因素包括：

14、對所述生物指標數(shù)據(jù)進行同長度的哈夫曼編碼，并將所述哈夫曼編碼定義為自變量，將麻醉藥注射劑量定義為因變量，對所述自變量和因變量中的缺失值進行中位數(shù)填充，對所述自變量進行歸一化運算，建立基于所述自變量和因變量的lasso回歸模型，在所述lasso回歸模型中添加一個正則化項來實現(xiàn)特征選擇，正則化項的系數(shù)由用戶定義的參數(shù)λ控制，將所述自變量和因變量以個體為單位按照小組比例分為第一訓(xùn)練集和第一測試集；

15、在訓(xùn)練集上擬合lasso回歸模型，定義所述lasso回歸模型訓(xùn)練的目標為最小化損失函數(shù)，所述損失函數(shù)包括原始的損失函數(shù)和正則化項；

16、使用交叉驗證法選擇最優(yōu)的正則化參數(shù)λ，將λ帶入所述lasso回歸模型，重復(fù)訓(xùn)練所述lasso回歸模型，根據(jù)重復(fù)訓(xùn)練完成的lasso回歸模型，獲取所有待得到的特征因素的系數(shù)，對所有系數(shù)按照絕對值從大到小排序，保留系數(shù)大于預(yù)設(shè)閾值的特征因素，使用保留的特征因素重新訓(xùn)練lasso回歸模型，將重新訓(xùn)練后的lasso回歸模型的若干特征的系數(shù)壓縮至零，得到第一特征因素。

17、優(yōu)選地，交叉驗證法選擇所述最優(yōu)的正則化參數(shù)λ包括：

18、采用k折交叉驗證法，將所述第一訓(xùn)練集分成k份，設(shè)定lasso回歸模型的形式，選擇一組λ的候選值，將所述第一訓(xùn)練集的k-1份作為第二訓(xùn)練集，將所述第一訓(xùn)練集剩余的一份作為第二驗證集，在所述第二訓(xùn)練集上擬合lasso回歸模型，利用均方誤差根據(jù)驗證集評估模型的性能，記錄各個λ值的驗證集評估指標，計算各個λ值的k個交叉驗證的平均性能指標，選擇最小化mse的λ值作為最優(yōu)正則化參數(shù)。

19、優(yōu)選地，所述步驟s3包括：

20、將所述第三特征因素進行多因素回歸分析，得到所述第三特征因素對麻醉藥注射劑量的影響力，所述影響力采用百分比表示，除去影響力低于0的特征因素，得到影響因素，根據(jù)所述影響力和對應(yīng)的影響因素建立餅狀趨勢圖，將所述影響因素按比例分為訓(xùn)練組和對照組；

21、將所述影響因素按比例分為訓(xùn)練組和對照組包括依次隨機挑選各個影響因素中占同種影響因素總體20％的患者定義為對照組，剩余占同種影響因素總體80％的患者定義為訓(xùn)練組。

22、優(yōu)選地，進行多因素回歸分析包括：

23、采用逐步回歸分析方法，通過step函數(shù)逐步加入或刪除自變量，利用泊松回歸法初步預(yù)測因變量，逐步引入或排除可能的預(yù)測因子，得到最優(yōu)的預(yù)測因子，根據(jù)最優(yōu)的所述預(yù)測因子得到自變量組合，根據(jù)所述自變量組合進行多因素回歸分析，從多因素回歸分析的結(jié)果中隨機選擇若干影響因素，所述影響因素包括自變量的系數(shù)，使用柱狀圖將所述影響因素在橫軸上表示，麻醉劑劑量在縱軸上表示，各個影響因素分別對應(yīng)一個柱形；

24、將所述影響因素的80％分為訓(xùn)練組，將所述影響因素的20％分為對照組。

25、優(yōu)選地，所述步驟s4包括：

26、所述十折交叉驗證法即將所述k折交叉驗證法中的k改為10；

27、將所述預(yù)測因子定義為第二因變量，將所述訓(xùn)練組定義為第二自變量，在lasso回歸模型回歸過程中，選出的預(yù)測因子為達到某一值時對應(yīng)的系數(shù)不為零的特征；

28、根據(jù)所述預(yù)測因子和麻醉部位及面積建立數(shù)學(xué)回歸模型包括：

29、定義所述預(yù)測因子為自變量編碼x，定義所述麻醉部位及面積為自變量編碼y，建立基于所述自變量編碼x和自變量編碼y的線性回歸模型，使用列線圖的形式繪出基于所述自變量編碼x和自變量編碼y建立出的線性回歸模型的可視化二維圖。

30、優(yōu)選地，所述步驟s5包括：

31、利用縮減法求線性回歸模型回歸系數(shù)，得到新的擬合線，將所述擬合線繪在所述二維圖上作為對比，使用預(yù)測值和數(shù)據(jù)的擬合度來分析效果，設(shè)定擬合閾值，若擬合度高于擬合閾值則所述線性回歸模型擬合效果很好且預(yù)測精度高，若擬合度低于擬合閾值則調(diào)整編碼方法和參數(shù)，重新建立線性回歸模型并重新評估，直到擬合度達到擬合閾值，得到預(yù)測模型。

32、優(yōu)選地，所述線性回歸模型評估指標及預(yù)測效能包括：

33、計算線性回歸模型的roc曲線下面積，分析所述線性回歸模型的一致性指數(shù)、準確率、靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值和機器學(xué)習(xí)中精度與召回率的調(diào)和平均值分數(shù)指標，采用校正曲線對所述線性回歸模型的精準性和臨床決策曲線分析對模型的臨床受益性進行評估，運用python軟件進行數(shù)據(jù)分析，所有小組間采用卡方檢驗對誤差＜0.2的特征因素進行l(wèi)asso回歸來進行再次變量選擇，當所述誤差＜0.05時得到預(yù)測模型。

34、本發(fā)明的有益效果：能夠基于大數(shù)據(jù)分析和基于多次的回歸模型遞歸分析數(shù)據(jù)，通過充分利用大規(guī)模的醫(yī)療數(shù)據(jù)和先進的分析技術(shù)提高麻醉管理的個性化、精確度和可解釋性，能夠快速分析預(yù)測出患者個體需要的麻醉藥注射劑量，從而降低麻醉師的工作負擔(dān)。