文摘
在医院,主要问题之一是开发一个准确和精确的护理管理体系很难实现由于各种问题在传统手工系统的实现。为了这个目的,我们要解决传统护理信息管理系统的不完善功能和强烈的主观性和低精度的手动方式判断病人的病情。首先,免疫遗传算法(IGA)是用于优化反向传播神经网络(摘要)。提出了使用IGA-BPNN死亡率预测模型。其次,一个神经外科危重病人护理信息管理系统设计。IGA-BPNN预测模型作为系统的一部分来预测危重患者的死亡率。最后,预测模型的性能测试和系统使用医疗信息集市重症监护(模拟)第三数据集设计实验。结果显示:(1)精度,回忆,和F使用IGA-BPNN 1-score死亡率预测模型是7.2%,7.2%和7.3%高于其他预测模型。设计模型具有更好的性能。(2)在操作系统的综合性能可以达到标准。研究内容旨在提供重要的技术支持在神经外科危重病人的护理信息管理和智能分析病人的状况。
1。介绍
主要类型的病人的神经重症监护室(NICU)是危重病人的神经系统。病房主要用于恢复神经外科手术后的患者,治疗危重病人,和救援的紧急病人等等(1]。因此,当使用NICU的特殊功能,它必须关注效率。在这个过程中,是非常重要的寻求标准化,合理化,和科学的管理方法2]。目前,医院的NICU仍有严重的问题,如建设水平不均,不规则的病人承认,和管理混乱,这无疑会导致延误病情,甚至医疗事故(3]。医生诊断和治疗病人使用他们的基本信息,情况,监控信息。如果没有使用有效的方法来管理病人的医疗信息,这将大大增加患者的伤残和死亡。
互联网已经成为不可或缺工具在人们的生活和工作。信息管理系统在医院的推广的成本大大减少人力和物质资源和加强合作的各种位置,排名,和部门4]。曹朱和开展儿科护理信息管理系统的模块化设计。全国计算机等级考试二级5.0是用于编程,和临床儿科护理信息系统进行了测试。结果表明,系统优化儿科护理过程,提高了医务人员的工作效率,并大大减少了医疗记录,错误,和监督问题[5]。Shahmoradi等人研究了医院信息系统的使用(他的)标准在德黑兰大学医学科学院医院,发现他的系统结构不规范(6]。解释:尽管他可以给医务人员带来极大的方便,仍有违规行为在其建设和使用。护理信息系统的一个重要组成部分。它只提供查询的功能,录入和删除病人的基本信息和数据,不能分析诊断和治疗这些信息来帮助医生在诊断和治疗7]。因此,有必要采取一些分析技术来提高护理信息管理系统。
在正常情况下,医生们用他们自己的经验,然后利用病人的相关信息来判断他们的诊断和治疗情况。这要求医生的高自己的能力和很强的主观性和低精度的缺陷。首先,免疫遗传算法(IGA)和反向传播神经网络(摘要)进行了优化。提出了使用IGA-BPNN死亡率预测模型。其次,一个神经外科危重病人护理信息管理系统设计。IGA-BPNN预测模型作为系统的一部分来预测危重患者的死亡率。它帮助医生通过智能手段准确的判断病人的病情。最后,实验的性能预测模型和系统测试。
的主要问题之一是开发一个准确和精确的护理管理体系,这很难实现由于各种问题在传统手工系统的实现。为了这个目的,我们要解决传统护理信息管理系统的不完善功能和强烈的主观性和低精度的手动方式判断病人的病情。首先,免疫遗传算法(IGA)是用于优化反向传播神经网络(摘要)。提出了使用IGA-BPNN死亡率预测模型。其次,一个神经外科危重病人护理信息管理系统设计。IGA-BPNN预测模型作为系统的一部分来预测危重患者的死亡率。最后,预测模型的性能测试和系统使用医疗信息集市重症监护(模拟)第三数据集设计实验。研究的目的是提供重要的技术支持在神经外科危重病人的护理信息管理和智能分析病人的病情。
剩下的纸是组织如下考虑。
”部分提出了方法论,“免疫遗传算法和优化算法,即反向传播神经网络,详细描述。此外,这些算法组合起来形成一个混合动力和更准确的预测模型来解决这一问题正在考虑。提出了实验结果和观察来验证该混合模型的有效性在现实环境下的医院。提供了一个讨论,讨论如何计划开发,以及它是如何有效地解决这一问题。最后,总结了形式的方案以及引用材料提供了在上一节的手稿。
2。提出的方法
2.1。系统关键技术分析
2.1.1。系统架构
目前,客户机/服务器(C / S)和Browser-Server (B / S)系统体系结构被广泛使用。在C / S架构中,首先,用户发送的请求提交到系统由客户端程序,服务器程序。相应的服务器程序处理该请求并将处理结果返回给客户端程序。最后,客户端程序用于将结果以某种形式呈现给用户。C / S体系结构具有较强的事务处理能力和数据操作功能,和它的结构简单,操作方便。然而,开发成本、软件维护成本和C / S架构的升级难度也随着系统软件的复杂性逐渐增加(8]。
B / S架构是一个C / S体系结构的改进,系统的用户主要在浏览器中执行相应的操作。主要的交易是在服务器上执行的,和其余的小事务的一部分在浏览器上执行。这种模式无疑大大减少了客户端计算机的负担,减少系统维护和升级成本在一定程度上。然而,B / S架构远不如C / S架构的数据查询和统计的响应速度,及其软件扩展能力差,其安全性也较低(9]。两个系统架构的优缺点比较表1(10]。
在表1B / S架构和C / S架构都有自己的优点和缺点。因此,采用B / S-C / S混合系统架构将发挥它最大的优势在护理信息管理系统的设计。
2.1.2。网络体系结构
这个系统的网络主要由中央监测站,重症监护工作站,无线路由器,和移动终端,如图1。
每一个床在新生儿重症监护室(NICU)病房配备4网络端口。采用中央收购模式,该设备通过局域网连接到开关,和病人的信息是通过中央监控系统主机集中收集。每个医院的病床上配备了一台电脑作为一个重症监护工作站。无线路由器放在顶部的NICU病房达到完全覆盖整个无线网络的病房。移动设备放置在病床上可以通过无线网络连接到服务器。
2.1.3。Oracle数据库
Oracle数据库是世界上使用最广泛的数据库管理系统。它主要包括三种类型的文件:数据库文件、日志文件、控制文件。作为一个通用的数据库系统,它有完整的管理功能和分布式处理功能。Oracle数据库函数有四个主要特征:(1)它可以支持大量用户执行各种操作在同一数据库,可以通过数据库锁机制保证数据一致性。(2)它可以提供标准确保数据库的安全,数据变化同步,数据逻辑和物理独立性是独立的标准。(3)oracle数据库的分布式处理功能可以在很大程度上保证数据一致性和位置透明性。(4)数据库可以处理和管理大量的数据以统一的方式实现高效地访问大量数据的目的(11]。
护理信息管理系统需要处理很多数据信息、报告和数据统计每天出口对病人的病情。因此,一个安全、稳定的数据库庞大的数据处理功能系统中起着重要的作用。Oracle数据库可以很好地处理这些问题。因此,它被用作数据库在护理信息管理系统。
2.2。使用IGA-BPNN死亡率预测模型
2.2.1。改进的BP算法
BP神经网络是一种根据误差反向传播算法的多层前馈网络的训练。它是使用最广泛的神经网络模型(12]。BP网络可以学习和存储大量的投入产出模式映射关系。没有必要提前揭示描述这种映射关系的数学方程(13]。摘要是一个多层感知器结构,主要包含一个输入层、隐藏层和输出层(14]。摘要利用结构如图2。
在图2,BP神经网络只包含一个输入层、一个输出层,和几个隐藏层。外部信息导入到模型通过输入层、隐藏层中的一层一层地处理,最后输出结果在输出层(15]。输入层和输出层直接与外界联系。虽然隐层需要与外界沟通通过以上两个,每一个改变它产生有一定影响的输入层和输出层。因此,三个组件的BP神经网络是互补的,不可分割16]。BP神经网络算法的BP算法,具体过程如图3。
BP算法可以将信号输入和输出问题转化为非线性优化问题。结合梯度下降法,迭代算法是用来解决权重,和增加隐层节点是用来增加的可调参数优化问题,并有望获得问题的最优解(17]。BP算法包括两个过程信号向前和向后传播的学习过程。
(1)向前传播。向前传播进行了从输入层到隐层和输出层。输入的th节点隐藏层可以表示为 在哪里是输入的th输入层的节点;之间的重量吗隐藏层节点和th输入层节点;和的门槛在隐层节点。
输出的th节点隐藏层可以表示为 在哪里代表了隐层的激活函数。
输入的输出层的th节点可以表示为 在哪里之间的重量吗在输出层和th节点在输入层和th节点的门槛在输出层节点。
输出的输出层的th节点可以表示为 在哪里表示输出层的激励函数。
如果错误之间的实际输出信号和期望输出信号太大,需要进入反向传播过程。
(2)反向传播。反向传播是通过输出误差回到一层一层地的方向输入层到隐层和分发到所有单位在每一层并调整每个单元使用的重量误差信号通过每一层。此外,它将调整之间的连接强度和阈值输入层、输出层和隐层,这样可以逐渐减少错误。继续重复这个过程,直到错误倾向于允许范围或到达预设实践频率;学习将被终止18]。二次误差准则函数为每个样本可以表示为 在哪里代表预期的产出和代表了实际产出。
模型的总误差准则函数可以表示为训练样本
错误使用梯度下降法,和输出层的权值和阈值和隐层修正。重量修正量和阈值修正量输出层,分别如图所示(8)和(9)。重量修正量和阈值修正量隐藏层也获得,所示(10)和(11)。 在哪里代表了学习速率。以下方程得到。
IGA [19采用和摘要进行了优化。提出了改进algorithm-IGA-BPNN预测算法。IGA免疫理论是一种优化算法,结合免疫算法(IA)和简单遗传算法基本遗传算法(SGA)互补。的主要方法是使用IGA计算最优权重和阈值的摘要而不是更新通过摘要本身。IGA-BPNN算法流程如图4。
2.2.2。摘要利用属性特征
所构造的死亡率预测模型使用摘要主要是使用患者信息的提取相关特征指标原始数据,得分,分析预测死亡率。因此,在模型执行预测工作,需要建立一套功能。14在Oracle数据库中创建物化视图。视图的名称和含义如图所示5。
物化视图的数据显示6和7、基本评分功能,关键得分的特性,和36个属性特征提取的诊断和治疗。基本和关键进球特征如图6。
2.3。护理信息管理系统的设计
2.3.1。患者信息管理模块
这个模块主要负责管理的基本个人信息、医疗信息、和护理信息的病人在ICU。四模块提供的功能添加、删除、修改、查询和转移病人的信息。查询功能主要实现自动采集病人信息通过连接到系统。患者信息管理模块的体系结构如图7。
2.3.2。消息通知模块
消息通知模块主要是提供消息推动在神经外科ICU医务人员。当一个新的工作安排出现在ICU,管理员只需要登录到系统,编写进度通知在相应的文本框,并选择相关的个人或团体推动,实现差异化推动的消息。推送通知并不局限于文本,但是也可以结合图片,声音,视频,使它们更直观。管理员还可以设置通知的紧迫性,系统将根据不同设置不同的显示效果。为了防止事故造成医务人员忘记他们的任务,该模块提供的功能定期反复推。这个函数可以设置为不断推动重要通知。
2.3.3。死亡率预测模块
这个模块主要采用构造摘要模型来预测死亡率使用神经外科危重病人的医疗信息数据。后医生发现病人的医疗信息系统,他发送请求到一个预测系统。摘要模型系统中用于自动提取相关特征指标的患者信息数据,并预测死亡率。预测结束后,结果反馈给客户端协助医生的分析和诊断病人的病情。这无疑将大大提高ICU的效率和治疗的成功率。死亡率预测的工作流模块如图8。
2.3.4。账户信息管理模块
这个模块主要是管理和维护系统中所有用户的账户信息。当医务人员注册,账户默认是工作号码。密码、个人信息、绑定的电子邮件地址和联系信息。这些信息可以删除和更改系统。如果密码忘记了,它将被检索或重置通过电子邮件或手机验证。系统管理员可以查询、删除、修改和冻结所有账户。账户信息管理模块的结构如图9。
2.3.5。权限管理模块
该模块的功能主要是为管理员提供访问和操作权限分配给其他人。各部门在医院,包括神经外科,有不同的等级和职位,和相应的工作范围和职责也不同。因此,管理员需要管理权限根据实际情况各部门的医院。不同的角色有不同的访问和操作权限的系统。
2.4。死亡率预测模型试验方法
2.4.1。选择数据集
重症监护医学信息集市(模拟)第三数据集(20.选择测试模型。MIMIC-III数据集建立的是一个公共数据集计算生理学实验室的麻省理工学院。它包含所有的生理监测数据超过50000名危重病人从2001年到2012年。其中,数据包括记录和病人的生命体征,规范药品记录、住院信息,实验测试,观察结果和存储在CSV格式。在MIMIC-III下载CSV格式的相关数据。数据部署到Oracle数据库管理系统和叫模仿。
2.4.2。摘要利用结构
根据既定的评分功能集,输入层节点摘要的数量确定为17。输出数据是危重患者的死亡人数和死亡率。因此,摘要的输出层节点的数目是2。使用确定输入层和输出层的节点数的模型,计算方程隐层的节点数的显示范围内(5,14]。隐层节点的数量有很大的影响在模型的训练速度和准确度。过多的节点会使网络收敛慢,和太少的节点将不能保证模型的预测精度。因此,模型的预测均方误差(MSE),平均绝对误差(MAE),和均方根误差(RMSE)在不同隐层节点测试。计算RMSE、美和MSE如下:
其中,是预测价值;是实际的价值;和n是样品的总数。
培训IGA-BPNN模型的参数设置如表所示2。
2.4.3。具体的实验方法
首先,使用中的相关指标的特性集,提取样本特性MIMIC-III数据集。通过整理和总结,构造样本集。从2001年到2010年的数据是选为模型训练集,和从2011年到2012年的数据作为模型的性能测试的测试集。其次,训练集用于训练模型。测试集输入到训练IGA-BPNN模型预测实验。最后,精度(P),回忆(R),F1-score作为评价指标。目前,更受欢迎K最近的邻居(资讯)21),多层感知器(MLP) [22),和随机森林(RF) (23)选择与模型进行比较和分析。三个评价指标的计算公式如下:
真阳性(TP)表明,预测是正的,实际也是积极;假阳性(《外交政策》)表明,预测是正的,但实际是负的;真阴性(TN)表明,预测是负的,和实际也是消极;和假阴性(FN)表明,预测是负的,和实际是正的。
2.5。系统性能测试方法
数据库服务器、应用服务器和客户端服务器配置在系统测试如表所示3。
系统中CPU核的数量是10,服务线程的数量是20,有1000每个连接请求。当系统服务器测试,最终协助网络助理是用来模拟发送的数据来自多个智能设备来模拟真实的环境中系统运行。部署服务器1,8模拟无线输液泵和心电图监视器,每个模拟助理1024并发运行。与此同时,服务器进行读和写操作,数据传输,每秒的请求数和服务器的响应时间在不同并发线程的数量。
3所示。结果和评价
3.1。该系统功能模块的有效性
3.1.1。登录页面
系统登录页面的效果如图10。
3.1.2。患者信息管理模块
患者信息管理页面的效果如图11。
3.1.3。账户信息管理模块
账户信息管理页面的效果如图12。
3.1.4。权限管理模块
权限管理页面的效果如图13。
3.2。测试结果使用IGA-BPNN死亡率的预测模型
3.2.1之上。确定隐层节点的数量
模型的预测结果在不同隐层节点图所示14。
图14显示,当隐层节点的数量是8,该模型预测误差达到最低,性能达到最佳。因此,最后确定的网络结构摘要是17 8∗∗2。
3.2.2。预测性能测试结果的比较
使用不同的模型预测的结果病人死亡率如图15。
从总体趋势、精度、回忆F1的值构造IGA-BPNN预测模型都是最高的。资讯的预测精度,MLP、射频和IGA-BPNN是0.83,0.65,0.81,和0.89,分别和模型的精度高于其他模型7.2%以上。回忆的四个模型是0.83,0.65,0.64,和0.89,分别高出7.2%以上的模型。的F1值的四个模型是0.82,0.66,0.69,和0.88,上涨7.3%。
总之,该模型具有更好的预测性能。摘要也有自学习和自组织的优势,实现了自动化和智能预测的过程,并且是更适合在神经外科危重病人的死亡率的预测。
3.3。系统性能测试结果
每秒的请求数的测试结果和系统的平均响应时间与不同数量的并发线程在图所示16。
在图16系统中,并发线程的数量增加,每秒处理的请求数的系统也成指数增加。当并发线程的数量小于1024,系统的平均响应时间一直维持在40毫秒。后并发线程的数量大于1024,虽然系统的平均响应时间也显著增加,millisecond-level的影响变化的实时响应系统是不太明显。因此,系统满足高并发环境的要求,具有较高的性能。
4所示。结论
传统的护理信息管理系统只能管理病人的相关信息,但是不能分析数据。此外,手动的方式来判断病人的病情有强烈的主观性和低精度等问题,不利于及时治疗的病人。首先,提出了一种使用IGA-BPNN死亡率预测模型。其次,一个神经外科危重病人护理信息管理系统设计。IGA-BPNN预测模型作为系统的一部分来预测危重患者的死亡率。最后,实验的目的是测试预测模型和系统的性能。结果表明,精度、召回和F1-score死亡率IGA-BPNN模型的预测是7.2%,7.2%,和7.3%高于其他预测模型。在操作系统的综合性能可以达到标准。缺点是只有一个数据集验证模型,选择和数据类型相对单一,不代表。在未来,数据选择的范围需要扩大进一步改进模型。本研究的目的是提供重要技术支持在神经外科危重病人的护理信息管理和智能分析病人的病情。
在未来,该系统可以扩展到自动化医生相关的各种活动,如访问日程。此外,建议在访问一个特定的病人应该被描述,纳入该模型的扩展版本。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
信息披露
泓嵘王和刘燕co-first本文的作者。
的利益冲突
作者宣称没有利益冲突。