[发明专利]一种预测无创呼吸机治疗失败概率的方法

权利要求书

1.一种预测无创呼吸机治疗失败概率的方法，其特征在于，包括以下步骤：

S10、收集使用者的训练数据并记录使用者的最终治疗结果，所述训练数据包括使用者的基本特征、患病情况、监测数据；

S20、将所述训练数据输入到时间序列模型和分类模型并进行标定标签；

S30、选择LSTM模型对所述训练数据进行训练，以MSE相对较小的时间序列模型作为时间序列母模型，通过时间序列母模型预测未来生理参数；

S40、选择LightGBM模型对所述未来生理参数进行训练，根据训练样本分布分析无创呼吸最终治疗效果，调整参数从而确定最优分类模型，通过最优分类模型预测治疗失败的概率；

S50、分配使用者的所述训练数据与所述时间序列母模型中的训练数据权重，对时间序列母模型进行再训练。

2.根据权利要求1所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S40中，将所述训练数据按照预定比例分为训练集和测试集，训练集用于训练所述LightGBM模型，测试集用于测试评估。

3.根据权利要求2所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述训练集与测试集的比例为4∶1。

4.根据权利要求3所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S50中，使用者的所述训练数据与所述时间序列母模型中的训练数据权重比值为9∶1或4∶1。

5.根据权利要求1所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S30中，LSTM模型训练采用的机器学习训练框架为TensorFlow，相关参数包括训练批数、学习率、神经元个数、输出结果数目、迭代次数。

6.根据权利要求5所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S40中，模型算法包括逻辑回归模型、支持向量分类模型、神经网络模型、决策树模型。

7.根据权利要求6所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S40中，LightGBM模型相关参数包括学习率、树深度、叶子节点数、工具箱数。

8.根据权利要求1所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S10中，所述基本特征包括性别和年龄，所述患病情况包括诊断疾病、曾经是否患有高血压、糖尿病和脑血管疾病，所述监测数据包括体温、意识指数GCS、舒张压、收缩压、呼吸频率、心率、CO₂分压、O₂分压、血液pH值、血氧浓度、动脉血二氧化碳分压PaCO₂、动脉血氧分压PaO₂、吸入气中的氧浓度分数FiO₂。

9.根据权利要求8所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S10中，所述最终治疗效果包括无创治疗失败、无创治疗成功和不可判断。

10.根据权利要求9所述的一种预测无创呼吸机治疗失败概率的方法，其特征在于，所述步骤S20中，对中文描述的使用者特征需要进行数值转换。