胰腺创伤早期伤情智能识别系统

技术领域

本发明涉及医学技术领域，更具体地说，它涉及胰腺创伤早期伤情智能识别系统。

背景技术

虽然胰腺损伤相对罕见，仅占钝性腹部损伤的0.2％～12％，但研究报告其相关死亡率高达9％～34％，已成为危害人类健康的主要杀手。尽管胰腺损伤的诊断和治疗策略不断改进，但由于同时合并其他器官损伤，早期识别仍存在严重延迟，早期症状、生命体征和检查结果是隐藏的和非特异性的，其也这是造成高死亡率的最主要因素之一。

患者的症状和生命体征以及血清淀粉酶和脂肪酶的连续动态变化仍然是钝性腹部创伤患者早期识别胰腺损伤的重要依据。然而，早期识别胰腺损伤的敏感性和特异性较差。据报道，闭合性胰腺损伤患者中有14～80％的患者出现了增加。即使胰腺完全横断，30～35％的患者在早期仍有正常的血清淀粉酶和脂肪酶。一些研究人员报道，CT在胰腺损伤早期识别中的敏感性是不同的，从28％到85％不等，尤其是对主胰管损伤。即使采用高分辨率CT成像技术，最高灵敏度也只有54％。据报道，内镜逆行胰胆管造影(ERCP)和磁共振胰胆管造影(MRCP)不仅对胰腺损伤有较高的诊断率，而且对主胰管损伤也有较高的敏感性。它们是临床推荐的胰腺损伤识别和分级的有效方法。然而，这两种方法在早期鉴定中的应用仍存在时效性限制，不能同时使用，限制了其广泛应用。

目前，基于床旁隐藏的、非特异性的临床信息，对钝性腹部创伤患者的胰腺损伤进行评估和早期识别是非常困难和具有挑战性的。

因此，本发明旨在提供一种胰腺创伤早期伤情智能识别系统，以解决上述问题。

发明内容

本发明的目的是为了解决上述问题，提供胰腺创伤早期伤情智能识别系统，本发明的该系统能够用于早期(24小时内)识别床旁钝性腹部创伤患者的胰腺损伤，便于为医疗人员提供早期干预或预警的时间窗，从而对患者及时进行早期的干预或防治。

本发明的上述技术目的是通过以下技术方案得以实现的：胰腺创伤早期伤情智能识别系统，包括风险因素输入模块、预测执行模块和预测结果显示及解读模块；

所述风险因素输入模块用于风险因素指标的输入；

所述预测执行模块根据输入至风险因素输入模块中的风险因素指标，通过识别预测模型诊断鉴别闭合性腹部创伤伤员是否同时合并存在胰腺损伤，并将诊断鉴别结果传递至预测结果显示及解读模块；

所述预测结果显示及解读模块用于显示及解读预测执行模块的诊断鉴别结果。

进一步地，所述识别预测模型包括PI-12模型、PI-12-2模型和PI-24模型。

进一步地，所述识别预测模型采用逻辑回归建立模型。

进一步地，所述PI-12模型仅采用患者入院后12小时内的临床数据；所述PI-12-2模型仅采用患者住院后第二个12小时内可用的临床数据；所述PI-24模型仅采用患者入院后前24小时内可用的临床数据。

综上所述，本发明具有以下有益效果：

1、本发明的胰腺创伤早期伤情智能识别系统基于医疗大数据背景和Logistic回归机器学习算法而形成的人工智能识别系统，能够对早期(24小时内)闭合性腹部创伤伤员是否同时合并存在胰腺损伤进行预测、识别；

2、本发明的预测系统克服了现有技术中基于床旁隐藏的、非特异性的临床信息，对钝性腹部创伤患者的胰腺损伤进行评估和早期识别困难的问题，能够为医疗人员提供早期干预或预警的时间窗，便于对患者及时进行早期的干预或防治；

3、本发明的该识别系统操作简单、便捷，便于节省医务人员的工作量；

4、通过本发明的该识别系统，便于早期调配医疗资源并优化医疗资源的分配，减少患者的住院时间和住院成本。

附图说明

图1是本发明实施例中识别系统的风险因素输入界面图；

图2是本发明实施例中识别系统的预测执行界面图；

图3是本发明实施例中识别系统的预测结果显示及解读界面图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明的实施例及附图，对本发明的技术方案进行进一步详细地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。

实施例：

胰腺创伤早期伤情智能识别系统，包括风险因素输入模块、预测执行模块和预测结果显示及解读模块；

风险因素输入模块用于风险因素指标的输入；

预测执行模块根据输入至风险因素输入模块中的风险因素指标，通过识别预测模型诊断鉴别闭合性腹部创伤伤员是否同时合并存在胰腺损伤，并将诊断鉴别结果传递至预测结果显示及解读模块；

预测结果显示及解读模块用于显示及解读预测执行模块的诊断鉴别结果。

其中，识别预测模型包括PI-12模型、PI-12-2模型和PI-24模型。识别预测模型采用逻辑回归建立模型。PI-12模型仅采用患者入院后12小时内的临床数据；PI-12-2模型仅采用患者住院后第二个12小时内可用的临床数据；PI-24模型仅采用患者入院后前24小时内可用的临床数据。

在本实施例中，对于每个模型开发，根据床边提供的临床信息，根据系列时间窗口，开发的三个模型。三个模型的详细信息分别为PI-12、PI-12-2和PI-24，即：

1)PI-12：仅使用入院后12小时内的临床数据。

2)PI-12-2：仅使用增加上述数据的临床数据，即住院后第二个12小时内可用的数据。

3)PI-24：仅使用增加上述数据的临床数据，即入院后前24小时内可用的数据。

三个模型采用逻辑回归建立模型。Logistic回归机学习算法是由R版本3.5.1进行的。

模型的变量选择：

对于每位患者，根据系列时间窗口和数据库中的可用性，大多数已知与胰腺损伤相关的常规可用临床数据被用作候选变量。在模拟IV队列中，潜在变量进入选择过程。通过对每个模型进行单变量和多变量分析，依次确定最终的变量集。当在单变量和多变量分析中观察到0.10水平的统计差异时，当最终变量与胰腺损伤表现出强烈相关性时，选择最终变量。多变量分析由R版本3.5.1执行。

模型开发和验证：

模型开发仅在开发队列中进行。模型性能和稳定性也通过开发队列中的10倍交叉验证进行了验证。在内部验证队列中评估不同模型的性能。然后，在外部队列中进一步验证最佳模型，并随后评估其预测院内和ICU死亡率。模型开发、内部和外部验证由R版本3.5.1执行。

主要临床结果的模型表现：

在内部验证队列中，PI-24在预测院内和ICU死亡率方面表现良好，AUC分别为0.72(95％可信区间0.46-0.98)和0.71(95％可信区间0.28-1.00)。

在线机器学习辅助临床诊断支持工具：

通过发明人的在线门户网站公开了经过微调的PI-24型号https://apoet.shinyapps.io/pancreatic_injury_2022_v2/。

在本发明的实施例中，该识别系统的操作方法为：

第一步：风险因素输入界面输入各风险因素值；

第二步：点击预测执行按键；

第三步：解读预测结果。

其中，预测值>＝7.1％，则提示同时合并胰腺损伤可能性大，预测值越高，可能性越大。预测值<7.1％，则提示同时合并胰腺损伤可能性小，预测值越小，可能性越小。

在本发明的上述实施例中，该发明的识别系统通过一种新的机器学习辅助临床诊断支持模型，用于早期识别床旁钝性腹部创伤患者的胰腺损伤，克服了现有技术中基于床旁隐藏的、非特异性的临床信息，对钝性腹部创伤患者的胰腺损伤进行评估和早期识别困难的问题，能够为医疗人员提供早期干预或预警的时间窗，便于对患者及时进行早期的干预或防治。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。