[發明專利]基于機器學習法的產時縮宮素速度智能調控方法及系統

在審

• 申請號: 202011109628.7
• 申請日: 2020-10-16
• 公開（公告）號: CN112365952A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 黃曉藝;朱曉玲;胡婷婷;張藝超;嚴雪婷;章瑤;葉盛;曾心怡
• 申請（專利權）人: 溫州醫科大學;溫州嗎哪醫療科技有限公司
• 主分類號: G16H20/17
• 分類號: G16H20/17;G16H50/70;G16H10/60;G06N20/10;A61M5/168
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

1.一種基于機器學習法的產時縮宮素速度智能調控方法，其特征在于，包括以下步驟：

S1、獲取產婦人口學資料和產前檢查資料并篩選出具有統計學意義的特征變量，以及獲取來自胎心監護儀所輸出的產時生理參數，且將所述具有統計學意義的特征變量及所述產時生理參數共同作為輸入變量；

S2、根據所述輸入變量，從所述產婦人口學資料、所述產前檢查資料及所述產時生理參數各自對應的數據中，組合得到具有所述輸入變量的樣本數據作為模型輸入數據；

S3、基于機器學習法，構建產時縮宮素速度預測模型；其中，所述產時縮宮素速度預測模型以所述模型輸入數據為數據輸入，以縮宮素滴速變化情況為目標輸出；

S4、將所述模型輸入數據導入所述產時縮宮素速度預測模型中進行計算，得到最終縮宮素滴速變化情況對應的數值。

2.如權利要求1所述的基于機器學習法的產時縮宮素速度智能調控方法，其特征在于，所述步驟S1具體包括：

從預設的電子病歷系統中，獲取產婦人口學資料和產前檢查資料，通過單因素分析和多重線性逐步回歸，篩選出具有統計學意義的特征變量；其中，所述具有統計學意義的特征變量包括連續性變量和分類變量；所述連續性變量包括年齡、BMI、胎先露、胎心、心率、宮腔壓力、宮縮持續時間、宮縮頻率、胎先露和宮口擴張；所述分類變量包括陰道分娩史、剖宮產史、分娩鎮痛；

從所述胎心監護儀數據端口中，獲取產時生理參數；其中，所述產時生理參數包括胎心、宮縮頻率、宮縮持續時間、宮縮強度、宮腔壓力峰值在指定時間內的平均值；

將所述具有統計學意義的特征變量及所述產時生理參數共同作為輸入變量。

3.如權利要求1所述的基于機器學習法的產時縮宮素速度智能調控方法，其特征在于，在所述步驟S3中，所述機器學習法包括邏輯回歸LR、支持向量機SVM、多層感知器MLP、隨機森林RF、梯度提升樹GBDT和XGBoost算法。

4.如權利要求1所述的基于機器學習法的產時縮宮素速度智能調控方法，其特征在于，在步驟S4中，所述縮宮素滴速變化情況包括暫停、滴速維持原速、滴速變慢和滴速加快；所述縮宮素滴速變化情況對應的數值包括對應暫停的數值4、對應滴速維持原速的數值3，對應滴速變慢的數值2和對應滴速加快的數值1。

5.一種基于機器學習法的產時縮宮素速度智能調控系統，其特征在于，包括：

輸入變量形成單元，用于獲取產婦人口學資料和產前檢查資料并篩選出具有統計學意義的特征變量，以及獲取來自胎心監護儀所輸出的產時生理參數，且將所述具有統計學意義的特征變量及所述產時生理參數共同作為輸入變量；

模型輸入數據篩選單元，用于根據所述輸入變量，從所述產婦人口學資料、所述產前檢查資料及所述產時生理參數各自對應的數據中，組合得到具有所述輸入變量的樣本數據作為模型輸入數據；

預測模型構建單元，用于基于機器學習法，構建產時縮宮素速度預測模型；其中，所述產時縮宮素速度預測模型以所述模型輸入數據為數據輸入，以縮宮素滴速變化情況為目標輸出；

預測模型結果輸出單元，用于將所述模型輸入數據導入所述產時縮宮素速度預測模型中進行計算，得到最終縮宮素滴速變化情況對應的數值。

6.如權利要求5所述的基于機器學習法的產時縮宮素速度智能調控系統，其特征在于，所述輸入變量形成單元包括：

第一變量獲取模塊，用于從預設的電子病歷系統中，獲取產婦人口學資料和產前檢查資料，通過單因素分析和多重線性逐步回歸，篩選出具有統計學意義的特征變量；其中，所述具有統計學意義的特征變量包括連續性變量和分類變量；所述連續性變量包括年齡、BMI、胎先露、胎心、心率、宮腔壓力、宮縮持續時間、宮縮頻率、胎先露和宮口擴張；所述分類變量包括陰道分娩史、剖宮產史、分娩鎮痛；

第二變量獲取模塊，用于從所述胎心監護儀數據端口中，獲取產時生理參數；其中，所述產時生理參數包括胎心、宮縮頻率、宮縮持續時間、宮縮強度、宮腔壓力峰值在指定時間內的平均值；

輸入變量組合模塊，用于將所述具有統計學意義的特征變量及所述產時生理參數共同作為輸入變量。