本發(fā)明涉及智能醫(yī)療設備,具體涉及一種呼吸機初始參數設置方法。
背景技術:
1、在現代醫(yī)療領域,呼吸機是一種非常重要的醫(yī)療設備,它通過機械通氣輔助或者替代患者呼吸,分為無創(chuàng)呼吸機和有創(chuàng)呼吸機兩類。臨床醫(yī)生往往根據患者的呼吸衰竭的種類和疾病的嚴重程度而選擇不同類型的呼吸機。然而,不管是無創(chuàng)還是有創(chuàng)呼吸機,機器的使用需要精確的初始參數設置,這需要醫(yī)務人員具備豐富的經驗和專業(yè)知識。對于急性冠脈綜合征(acs)患者來說,由于他們的病情變化迅速且復雜,大部分患者容易并發(fā)呼吸衰竭,因此呼吸機的初始參數設置尤為重要。
2、目前的呼吸機初始參數設置中,通常是通過醫(yī)務人員的經驗判斷來設置呼吸機的初始參數。這種方法依賴于醫(yī)務人員的專業(yè)水平和經驗,雖然可以達到一定的治療效果,但參數設置的準確性較低,進而對醫(yī)療效果存在較大的影響。
技術實現思路
1、本申請要解決的技術問題是提供一種呼吸機初始參數設置方法,具有可以更準確地設置呼吸機的初始參數,提高醫(yī)療效果的特點。
2、本申請一種實施例中提供的一種呼吸機初始參數設置方法,包括:
3、采集患者對象的病患類型和個人健康醫(yī)療數據;
4、將所述患者對象的個人健康醫(yī)療數據輸入至病患類型對應的聚類分類模型中得到患者對象所屬的聚類類別;所述聚類分類模型基于所述病患類型下的歷史治療患者的個人健康醫(yī)療數據聚類學習得到;
5、基于患者對象所在的聚類類別中歷史治療患者的各個呼吸機初始參數數據,對患者對象的呼吸機初始參數進行設置。
6、一種實施例中,所述的基于患者對象所在的聚類類別中歷史治療患者的各個呼吸機初始參數數據,對患者對象的呼吸機初始參數進行設置,包括:
7、獲取患者對象在所屬聚類類別下各個歷史治療患者的各個呼吸機初始參數數據;或者,計算患者對象在所屬聚類類別下與歷史治療患者的相似性,得到相似性最高的設置數量閾值下的歷史治療患者的各個呼吸機初始參數數據;
8、基于各個呼吸機初始參數數據對患者對象的呼吸機初始參數進行設置。
9、一種實施例中,所述的計算患者對象在所屬聚類類別下與歷史治療患者的相似性,包括:
10、計算患者對象個人健康醫(yī)療數據的平均值作為第一平均值;
11、計算患者對象所屬聚類類別下每個歷史治療患者個人健康醫(yī)療數據的平均值作為第二平均值;
12、計算第一平均值與每個第二平均值的協方差;
13、計算協方差計算第一平均值和每個第二平均值的標準差;
14、基于協方差和標準差,計算患者對象和所屬聚類類別下各個歷史治療患者的相關性系數。
15、一種實施例中,所述的基于各個呼吸機初始參數數據對患者對象的呼吸機初始參數進行設置,包括:
16、對各個呼吸機初始參數數據進行評分;
17、基于評分結果,對所述患者對象的呼吸機初始參數進行設置。
18、一種實施例中,所述的對各個呼吸機初始參數數據進行評分,包括:
19、對于任意一個呼吸機初始參數數據,判處預設的第一時間閾值下,初始參數下對應的患者的生命狀態(tài),若生命狀態(tài)為死亡,則給予第一評分,若生命狀態(tài)為非死亡,則進入下一步;
20、判斷在預設的第二時間閾值內,呼吸機參數是否存在調整,如果是,則給予第二評分,如果否,則進入下一步;其中,第二評分大于第一評分;
21、判斷在預設的第三時間閾值內,呼吸機參數是否存在調整,如果是,則給予第三評分,如果否,則進入下一步;其中,第三時間閾值大于第二時間閾值,第三評分大于第二評分;
22、判斷在預設的第四時間閾值內,呼吸機參數是否調整,如果是,則給予第四評分,如果否,則給予第五評分;其中,第四時間閾值大于第三時間閾值,第四評分大于第三評分,第五評分大于第四評分。
23、一種實施例中,所述的基于評分結果,對所述患者對象的呼吸機初始參數進行設置,包括:
24、基于得到的各個評分,將各個評分中評分最高的呼吸機初始參數數據,作為患者對象的呼吸機初始參數進行設置。
25、一種實施例中,基于所述病患類型下的歷史治療患者的個人健康醫(yī)療數據聚類學習得到聚類分析模型,包括:
26、將各個歷史治療患者的個人健康醫(yī)療數據組成第一數據集;
27、對第一數據集應用聚類算法,訓練學習得到聚類分類模型。
28、一種實施例中,所述的對第一數據集應用聚類算法,訓練學習得到聚類分類模型,包括:
29、將第一數據集中的每個數據點作為一個初始聚類中心,所述第一數據集可以表示為:
30、,
31、其中, x表示第一數據集, j表示個人健康醫(yī)療數據中數據項的索引, j表示個人健康醫(yī)療數據中數據項的總數量,1≤ j≤ j; i表示各個歷史治療患者的索引, i表示各個歷史治療患者的總數量,1≤ i≤ i;
32、基于每一個初始聚類中心,進行迭代聚類直至滿足收斂條件,得到聚類分類模型。
33、一種實施例中,所述的基于每一個初始聚類中心,進行迭代聚類直至滿足收斂條件,得到聚類分類模型,包括:
34、以任意一個初始聚類中心為基礎,基于每次迭代聚類后的預設范圍,計算新的聚類中心;
35、判斷新的聚類中心是否滿足收斂條件,如果是,則基于最終的聚類中心將滿足預設條件的數據點歸類到相應的聚類中,得到聚類分類模型。
36、一種實施例中,所述的以任意一個初始聚類中心為基礎,基于每次迭代聚類后的預設范圍,計算新的聚類中心,包括:
37、對于任意一次迭代聚類后的聚類中心,基于半徑為 h范圍內的所有數據點的均值向量,并將該均值向量作為新的聚類中心;其中,t表示迭代次數的索引;
38、所述的基于最終的聚類中心將滿足預設條件的數據點歸類到相應的聚類中,包括:
39、對于任意一數據點,計算該任意一個數據點到各個收斂后的聚類中心的距離;
40、將每一個數據點分配到距離最小的聚類中心所屬的聚類中。
41、本發(fā)明的有益效果是:
42、可以根據每個患者的具體情況,如病種、氧飽和度、有無基礎疾病等,以及呼吸機歷史參數設置情況,進行綜合分析,最后實現個性化呼吸機初始參數設置。這種個性化的設置能夠更好地滿足患者的實際需求,提高治療效果。另外,通過科學合理的呼吸機初始參數設置,可以降低因參數設置不當而導致的不良后果,如呼吸機相關性肺炎、氣壓傷、循環(huán)衰竭等,從而降低患者的治療風險。
1.一種呼吸機初始參數設置方法,其特征在于,包括:
2.如權利要求1所述的呼吸機初始參數設置方法,其特征在于,包括計算患者對象在所屬聚類類別下與歷史治療患者的相似性的情況下,包括:
3.如權利要求2所述的呼吸機初始參數設置方法,其特征在于,所述的對各個呼吸機初始參數數據進行評分,包括:
4.如權利要求2所述的呼吸機初始參數設置方法,其特征在于,所述的基于評分結果,對所述患者對象的呼吸機初始參數進行設置,包括:
5.如權利要求1所述的呼吸機初始參數設置方法,其特征在于,基于所述病患類型下的歷史治療患者的個人健康醫(yī)療數據聚類學習得到聚類分析模型,包括:
6.如權利要求5所述的呼吸機初始參數設置方法,其特征在于,所述的對第一數據集應用聚類算法,訓練學習得到聚類分類模型,包括:
7.如權利要求6所述的呼吸機初始參數設置方法,其特征在于,所述的基于每一個初始聚類中心,進行迭代聚類直至滿足收斂條件,得到聚類分類模型,包括:
8.如權利要求7所述的呼吸機初始參數設置方法,其特征在于,所述的以任意一個初始聚類中心為基礎,基于每次迭代聚類后的預設范圍,計算新的聚類中心,包括: