文摘

识别需要重症监护的患者在临床治疗是一个关键问题。本研究的目的是开发一种新颖的方法使用血流动力学特性等区分需要重症监护的病人的健康受试者。在这项研究中,基于血流动力学特性,对象分为三组:健康、风险和耐心。每个健康的病人,评价功能是基于现有差异的分析血流动力学变量:血压和心率。此外,血流动力学变量的四个标准介绍:圆的标准,估计误差标准,庞加莱图偏差和自主响应延迟标准。为每个这些标准,三个模糊隶属度函数定义区分病人与健康受试者。此外,根据评估标准,评分法。在这个评分法评估每个主题的隶属度三个分类组。然后,对于每个主题,累积的总和计算隶属度的四个标准。最后,一个给定的主题分类与集团的最大累积求和。 In summary, the scoring method results in 86% sensitivity, 94.8% positive predictive accuracy and 82.2% total accuracy.

1。介绍

血流动力学不稳定是最常见的与异常相关的或不稳定的血压(BP)、尤其是低血压,或更广泛的全球或区域灌注不足有关。灌注不足可能妥协的重要器官,如心脏和大脑,由于限制冠状动脉和脑自动调整,可能导致危及生命的疾病,甚至死亡。因此,它是至关重要的识别患者可能成为血液流动不稳定的早期发现和治疗这些威胁生命的条件1]。现代重症监护病房(icu)通常采用连续血液动力学监测(如。、心率(HR)和侵入性血压测量)跟踪病人的状态。然而,临床医生在一个繁忙的加护病房人满为患的任务数据同化和解释的巨大卷到工作的假设。因此,重要的是要有自动算法可以准确的过程和大量的监测数据进行分类和识别患者的边缘变得不稳定(1]。

现代icu配有一系列大型的警觉监控和设备用于试图检测临床最早的时刻变化,以防止任何一个病人的病情进一步恶化。这些系统的有效性取决于警报的敏感性和特异性以及ICU工作人员的响应警报。然而,当大量的警报是技术错误,或真实,但临床上无关紧要,可以减少响应效率,减少病人护理的质量和增加病人(和家庭)焦虑2]。

医疗技术进步已经延长了治疗icu的可能性极大。众多的设备可用于监测和治疗在组装根据个人的需求情况(3]。由于有限的生理监测和患者个体病理生理学、重症监护医学应对大量的不确定性。不寻常的情况下造成的病人,临床医生和技术频繁发生,必须充分防止坏结果控制和管理,实现系统的可靠性(3]。

曹et al。1)使用ICU实时心率(HR)和侵入性动脉血压(BP)监测趋势从模仿II数据库收集的数据来预测血流动力学不稳定主要临床干预之前至少两个小时。他们派生的其他生理参数休克指数、利率产品的压力,心率变异性,和两个措施基于人力资源管理的趋势,英国石油(BP)和他们应用多变量逻辑回归模型进行分类和实施验证通过引导,导致敏感性75%,特异性80%。Eshelman et al。4)已经开发出一种算法识别ICU患者可能成为血液流动不稳定。他们的算法由一组规则,触发警报,并使用来自多个数据源的数据;通常能够识别精度不稳定的患者,比基于单一阈值警报。生成的规则是使用支持向量机的机器学习技术和神经网络,并回顾测试模拟II ICU数据库中的数据,产生大约90%的特异性和灵敏度为60%。

一些调查报告文学在心血管领域的故障诊断使用血流动力学特性。Javorka et al。18年轻人]相比心率和血压变异性I型糖尿病(DM)患者和对照组利用庞加莱图,非线性动态分析的标准工具。他们发现显著减少患者HRV庞加莱图测量的I型糖尿病,表明心率失调。这项研究由帕加尼et al。5)有关病人患有高血压。他们表明,压力能减少患高血压的存在。布拉西et al。6]研究唤起从睡在心血管变异性的影响。他们表现的时变谱分析心率变异性(HRV)和血压变异性(BPV)记录在听觉上从睡眠诱导微觉醒。他们发现重现副交感神经活动的变化是强耦合的呼吸模式,这觉醒的sympathoexcitatory心血管效应相对持久,可能积累如果发生重复的微觉醒密切。

以知识为基础的系统的进步加强智能报警系统的功能和ICU病人需要检测。使用领域专家的知识制定规则或一个熟练地分类数据集训练自适应算法已被证明有助于智能处理的临床警报(2]。神经网络专家系统等(7),以知识为基础的决策树(8,9),和neurofuzzy系统(10),编码一个专家医生的决定显示显著改善统计分类所需的警报和ICU病人。辛格和Guttag11)提出了一种基于决策树的分类算法心血管危险分层的方法。他们表明,决策树方法可以提高分类算法的性能。他们报道,决策树模型优于径向基函数(RBF)基于支持向量机(SVM)分类器。蒂姆斯et al。12)模拟循环回路用于心血管系统血流动力学建模的为了测试心血管设备,用于ICU,可以提供更好的表明病人的护理人员的条件。此外,Laramee et al。2]描述了一个集成的系统方法来提取从生理临床相关的信息数据。这样的方法将援助大幅减少假警报,为护理人员提供病人病情的一个更可靠的指标。

关于合适的分类器结构,几项研究已经在文献中报道。Ghorbanian et al。13)提出了一个算法基于神经网络分类器对心脏心律失常的检测。他们的研究结果表明,多层感知器神经网络(MLPNN)结构是一个强大和精确的分类器。他们使用几种预处理技术在他们的算法来提高神经网络分类器的性能。Rajendra Acharya et al。14)提出了一个基于神经网络分类器和模糊聚类算法的分类心脏心律失常。他们比较这两个分类器,他们报告说,模糊聚类是一个更好的分类器相比,神经。此外,Ozbay et al。15)提出了一个比较研究的分类精度心血管疾病使用著名的神经网络结构,多层感知器(MLP)结构,一种新的模糊聚类神经网络架构(FCNN)早期诊断。根据测试结果,他们建议一个新的提议FCNN架构可以概括比普通MLP架构也更好更快地学习。

主题分为两类的分类方法正常和异常的科目,如本文所述,基于假设应该有差异从正常人和异常患者血流动力学数据。这个假说是建立在相同的基础上为ICU患者所有发达评分方法。所有病人评分方法背后的理念在ICU危重患者在ICU通常表现为干扰人体的内稳态。估计这些干扰可以通过测量一个或多个生理变量在多大程度上不同于正常范围(16]。

2。方法

而本文股一些基本思想与传统的评分方法,该方法不同于在两个关键领域。第一个差异来自事实病人评分方法是基于各种各样的数据从心血管和呼吸系统,神经系统和肾脏系统变量。然而,在我们的方法,我们使用的一个小子集血流动力学数据,即人力资源和SBP。校长反对这可能是这样一个小的数据量可能不足为识别病人状态;这个反对意见的答案让我们该方法的第二个主要区别与评分方法。评分方法只看数据被收集在ICU时;他们忽视了信息隐藏在不同的时间尺度。在我们提出的方法在另一方面,这种提取隐藏信息让我们更好的了解病人的生理条件。

在这项研究中使用的数据收集从生理网数据库。收集的数据来自两个数据库:MIT-BIH Polysmonographic和模仿II在生理网档案数据库。25个学科从这些数据库收集培训。对于每一个主题,心电图和血压信号波形,在长达5个小时的范围内总量的数据收集。在第一部分的研究中,每个主体的人力资源和SBP系列源自心电图和动脉压力波形,分别。

该方法的算法开发的这项研究显示在图1。该算法包括两个阶段:训练和测试阶段。在训练阶段,25名受试者的数据用于训练算法的目的。在这个阶段收集数据之后,四个特征突出正常人和患者之间的差异,就是从数据中提取出来的。然后我们根据提取的特征定义四个标准。这四个标准构成我们分类算法的基础是:圆的标准,估计误差标准,庞加莱护理情节偏差和自主反应延迟标准。在下一步的任务分类,我们定义了三组,即健康、高风险,和耐心。然后我们设计三个模糊隶属度函数为每个标准找出每组主题隶属程度。最后,计分法开发了基于每种情况下的隶属程度,和学科分类是基于这个评分法。

在下面几节中,我们提供了一个详细描述我们的方法,开始提出的标准的定义。

2.1。圆的标准

评估健康和病人之间的差异,SBP的人力资源为每个主题图绘制。图2展示了健康和病人的病例。这些情节显然,故事情节显示正常受试者和异常的患者之间的显著差异:正常受试者的数据集中,而病人的分散。

SBP的平均值和人力资源为每一个正常的和异常的病人然后计算和绘制图表。图3显示了所有对象的平均值在一个图。两组之间最主要的差别是非常清楚的。这个图揭示了人力资源之间存在差异这一事实和SBP在正常受试者和异常的数据。情节表明,正常受试者的数据集群和有限的特定区域,而病人通过整个情节展开。第一个标准是命名为“圆准则”。圆的中心位于点“O”的坐标是正常的人事SBP患者的平均值,在这种情况下,就是(83、120)。这个圆的半径是基于欧式距离计算中心和圆的外部界限。

给定的主题将被认为是病人如果相应的意思(人力资源和SBP)的观点是健康主题的圆(有限的区域)。

2.2。估计误差准则

作为第二个功能,一个系统识别方法用于预测未来人力资源基于当前和以前的人力资源和SBP数据。一个非线性ARX或NARX模型被用来估计人力资源系列(17]。NARX模型一般由以下方程: 在那里,和分别系统的输出和输入。在(1)矩阵的顺序是一样的模型。使用模型选择的信息标准(AIC)方法。这是传统的方法模型选择在心血管系统识别研究。计算模型为数据在这个研究。

在这一标准,一个人工神经模糊推理系统(简称ANFIS)结构是用于识别的目的。这个模型有15个输入和一个输出。隶属度函数对输入的设计是基于生理的事实。由于神经系统包括交感神经和副交感神经,对于每一个输入,两个广义钟形隶属度函数分配给指定的交感和副交感神经功能。

表中描述的系统识别结果1。这个表中的结果表明,差异存在于归一化均方根误差(NRMSE)对两组的人力资源的评估研究。特别是,结果表明,NRMSE对正常人比病人更小。这些差异是由于这一事实模型是专为正常人,因此,模型的输出对病人的错误高于正常人。

基于这些结果,指出健康主题的最大误差为0.238,而病人的最小误差为0.263,我们定义了一个第二准则称为“估计误差准则。“根据这一标准,这个主题将被标记为异常如果人力资源评估的计算误差提高超过0.25。

2.3。庞加莱图偏差

亨利·庞加莱命名,庞加莱图是用来量化过程中的自相似性,通常的特点是周期函数。这个情节是常用的心率变异性(HRV)分析。庞加莱图是一个图表,图中的每个心率集前人力资源策划的函数,然后行安装到数据。在[18),这种方法也适用于分类健康受试者的I型糖尿病患者。健康和异常对象的庞加莱图,发现偏离提到线比异常在健康受试者科目。这些情节是如图4。

线的偏离在庞加莱图两组研究下表所示2。因此,我们定义第三标准使用这种偏差描述异常。根据这一标准,对象将被称为异常如果偏离直线是15%以上。

2.4。自主反应延迟的标准

通常发生延迟的自发反应刺激副交感神经系统有其起源。计算延迟对健康受试者和病人,我们可以推断反应延迟异常主题显著高于健康者。计算的结果推迟自主响应如图5。15异常患者和10个健康受试者参与了培训组。

延迟计算的结果在自主反应也呈现在表中3。基于上述结果,我们定义的第四准则主题特征是异常如果计算延迟的自主反应增加到超过0.021秒。

推导了四个标准上面所讨论的,一个算法是为了患者的健康受试者进行分类。在下一节中,我们描述了该算法。

3所示。评分法和分类算法

根据训练数据的评估标准,开发一个算法来自动区分病人与健康受试者。该算法是基于模糊决策方法。首先,对于每一个标准,三个高斯贝尔隶属度函数设计为三个主要的指标组:健康、高风险,和耐心。因为此算法适用于临床使用由于存在高度的不确定性在临床应用中,我们添加了预定义的高危人群健康和病人团体,承担责任的情况下,不完全属于健康或病人组。培训情况下,我们首先做了一个猜对隶属函数的形状。然后在训练轮隶属度函数形状参数适应传入的数据最好的分类性能。现在,分类器设计和准备测试阶段。图6代表了调整隶属度函数为每个标准基于训练数据。

测试开发的算法,在每个主题的第一步,所有提到的特性,提取和使用四个标准的基础作为输入的四个异常标准。然后,对于每个标准,所有组的主体的隶属程度是评估。在这一步中,对于每一个主题,我们有12度设计三组,成员的意思4度每一组的成员。评估会员资格的学位后,累积的总和计算每组的四个程度的会员。在这个阶段,我们有三个数字显示每组的隶属程度。我们称这些数据主体的“分数”为每个组。给定主题将属于组的分数是最大的。

4所示。结果

从七十主题数据收集从第二模拟数据库,算法首先训练25对象包括10健康和15的病人。随机选择了训练数据,以避免偏向特定的疾病。然后,每组三组受试者进行了由四个健康个体和11个病人。

表中给出的试验的结果4,5,6。该方法应用于45例从生理网数据库,包含12个健康受试者和33名患者。在所有情况下,准确地检测37例,而有一个错误的检测。此外,在5例病人主题归类为高风险,在两种情况下,一个健康的主题是归类为高风险。

评估分类器的准确性、敏感性(Se)、阳性预测值精度(PPA)和总精度(TA)计算。这些定义如下。

TP是真阳性检测的数量,FN代表假阴性检测的数量,和FP代表假阳性misdetections的数量。表7显示了所有的总体结果分类3组45例。FP是健康并被错误地归类为高风险的主题,主题和FN患者被误诊为高风险的主题。根据这个表,该算法结果的评分法在灵敏度86%,阳性预测值精度94.8%,82.2%的总精度。

综合比较不同研究的结果需要识别领域的ICU患者的血流动力学特性的使用是非常困难的因为数据库,信号在研究中,算法结构,数据处理方法在不同的研究中是不一样的。然而,为了现在的估计算法和分类器的性能我们这项研究的结果显示与另外两个著名的研究结果报道在该地区所需的ICU患者识别表8。从这个表中,该算法在目前的研究显示,合理准确的结果和其他研究相比并不逊色。本研究的目的是确定ICU患者需要使用的血流动力学特性,显然已经被实现。

5。讨论和结论

摘要评分方法基于模糊逻辑,提出了特征提取区分病人与健康受试者。该方法是基于同样的原理,ICU计分方法:找到的健康受试者和病人的血流动力学数据之间的差别。提出了四种不同的标准来检测和识别病人的科目。为每个标准模糊分类器设计,分为个人健康,高风险,和病人模糊组。换句话说,一个给定的人可能有一个在所有三个类会员级别。科目的分数分配给一组等于会员度的总和。该算法计算结果的基础上结合准则四个标准为每个单独的到达一个分类的决定。

结果表明,该算法是非常可靠和能够正确检测第一组的所有成员。它也能够检测所有11个患者正确地在接下来的两组。只有一个健康的成员在第二个和第三个是归类为高风险。

在这项研究中,提出了四种不同的标准和使用该算法来检测异常测试科目。从每个测试主题,各种特征提取和用作输入的条件,并基于结果的四个标准,决定了主体的类型,是否他/她是正常的,主题或高危病人。

该算法检测所需的ICU患者给可靠的结果,但仍需要改进。该方法之间的区别在这个研究和其他类似的研究在这一领域的研究是通过使用提出了算法在这项研究中,存在任何异常的病人会被发现,而在大多数类似的研究在这一领域,特定的病人发现异常或数据库的主题之一。因此,我们的结果是更普遍、更有用的观点的临床应用。

这种方法往往是更多的侦探而不是预测,这可能是该算法的一个缺点。进一步的调查需要进行改善其预测能力。