一种基于深度神经网络的术后止痛泵给药智能推

本发明涉及医学推荐，尤其涉及一种基于深度神经网络的术后止痛泵给药智能推荐方法。背景技术：1、传统术后止痛泵药剂配方与剂量往往基于专业医疗人员根据患者的具体情况和手术类型确定，配方与计量的推荐结果主要依托于麻醉医师的个人经验，高年资医生，用药经验丰富，止痛泵药剂的配方和计量往往较为准确，而年轻医生常常面临拿捏不准的难题，导致患者止痛效果和副作用表现上有较大差异，影响术后止痛泵给药的准确性。2、将深度学习方法应用于术后止痛泵给药的智能推荐中，能够提高药剂推荐的准确度，现有的药物推荐模型中，存在以下问题：建立模型时由于缺少对用药配方全面准确的评价指标，影响模型推荐结果的准确性；由于样本数量大降低推荐模型的推荐效率、由于样本不均衡问题降低模型推荐结果的准确率。技术实现思路1、本发明提供一种基于深度神经网络的术后止痛泵给药智能推荐方法，以克服上述技术问题。2、为了实现上述目的，本发明的技术方案是：3、一种基于深度神经网络的术后止痛泵给药智能推荐方法，包括以下步骤：4、s1：收集历史数据，所述历史数据包括患者信息、患者所属的科室、患者使用的镇痛泵麻醉药品及用量和患者的镇痛泵使用效果评价指标，所述患者信息包括患者的性别、年龄、身高和体重，所述评价指标包括负荷剂量、持续剂量、pca剂量、按压次数、vas静息、vsa活动、呕吐次数和综合评价指标；5、s2：对所述历史数据进行清洗、筛选和统一单位处理，形成样本集；6、s3：对所述样本集进行数值化处理，对所述样本集中的离散型数据进行哑变量转换，对所述样本集中的连续型数据进行归一化处理，得到数据集；7、s4：将所述数据集按照科室、性别和年龄段进行筛选分类，形成药剂种类和用药剂量范围的筛选数据对照表；8、s5：对所述数据集进行随机打乱和过采样处理，并按一定比例划分为训练集、测试集和验证集；9、s6：分别建立8个所述评价指标的深度神经网络模型，利用所述训练集分别对所述深度神经网络模型进行训练，生成各个所述评价指标的训练模型，利用所述验证集在训练过程中选择符合要求的超参数和结构参数，利用所述测试集测试所述评价指标的训练模型应用于新数据中的推荐准确率；10、s7：建立药剂配方，输入待推荐患者的患者信息和患者所属的科室，利用所述筛选数据对照表对所述药剂配方的药剂种类和用药剂量范围进行筛选，将经筛选后的药剂配方与待推荐患者的患者信息和患者所述的科室结合形成信息样本，分别输入至训练模型中，得出8个指标的训练结果；11、s8：利用所述8个指标的训练结果，计算综合平均指数z，设定止痛泵给药数量阈值n，按照综合平均指数z的数值从小到大进行排序，依次选取前n个止痛泵给药配方推荐给用户。12、进一步的，s8中利用所述8个指标的训练结果，计算综合平均指数z，设定止痛泵给药数量阈值n，按照综合平均指数z的数值从小到大进行排序，依次选取前n个止痛泵给药配方推荐给用户的具体方法是：13、s8.1：所述综合评价指标、vas静息、vas活动、呕吐次数、按压次数、pca剂量、持续剂量和负荷剂量的训练结果分别为x1、x2、x3、x4、x5、x6、x7和x8，对所述训练结果进行标准化处理，得到8个指标训练结果的标准值14、15、其中，xi为所述8个指标的训练结果值，为所述8个指标的训练结果的平均值，s是所述8个指标训练结果的标准差；16、s8.2：对所述分别赋予权重ωi，权重ωi＝{0.8,0.4,0.4,0.4,0.2,0.2,0.2,0.2}；17、s8.3：计算所述标准值的权重指数18、s8.4：将所述权重指数相加，得到所述综合平均指数z，19、s8.5：设定止痛泵给药数量阈值n，按照综合平均指数z的数值从小到大进行排序，依次选取前n个止痛泵给药配方推荐给用户。20、进一步的，所述综合评价指标的计算方式为：21、综合评价指标＝负荷剂量×0.1+持续剂量×0.1+pca剂量×0.1+按压次数×0.1+vas静息×0.2+vas活动×0.2+呕吐次数×0.2。22、进一步的，还包括s9：利用shap方法分别对所述训练模型进行分析，得出所述药剂种类和用药剂量对8个所述评价指标的影响程度。23、进一步的，s4中所述随机打乱的具体处理方式为使用随机种子初始化随机数生成器和采用无放回抽样方式，所述过采样处理的具体处理方式为采用smote过采样技术。24、进一步的，s2中对所述历史数据进行清洗、筛选和统一单位处理，形成样本集的具体方法为：25、s2.1：对所述历史数据中的缺失值进行处理，处理方式包括但不限于删除和利用平均值填充；26、s2.2：对所述历史数据中的异常值进行删除处理；27、s2.3：对所述历史数据中的重复值进行删除去重；28、s2.4：对所述历史数据中麻醉药品用量的重量计量单位进行处理，将所述重量计量单位统一为mg。29、进一步的，s3中对所述样本集中的连续型数据进行归一化处理的处理方式为：30、31、其中，x'为归一化处理后的数据，x为所述样本集中的原始数据，min(x)表示所述样本集中某类数据中的最小值，max(x)表示所述样本集中某类数据中的最大值。32、进一步的，所述深度神经网络模型包括1个输入层、4个具有128或256个神经元和relu激活函数的全连接隐藏层、dropout层和输出层，所述dropout层设于所述全连接隐藏层之后，所述输出层具有输出类别数量和softmax激活函数，所述深度神经网络模型的优化器为随机梯度下降优化算法，损失函数为分类交叉熵，评估指标为准确率。33、有益效果：本发明公开的一种基于深度神经网络的术后止痛泵给药智能推荐方法，建立了对用药配方全面准确的评价指标，对多种药剂组合配方通过深度神经网络模型进行筛选，从中选择出最适合病患的配方与剂量，从数据的角度出发辅助麻醉医生用药，提高模型推荐结果的准确性，通过对数据集按照科室、性别和年龄段进行筛选分类，缩短模型的预测时间，提高推荐效率，通过使用smote过采样技术解决样本不均衡的问题同时提高模型预测准确率，本发明提高了止痛泵给药推荐模型的推荐准确性，降低医生的工作强度，有利于模型的推广和使用。技术特征：1.一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，包括以下步骤：2.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，s8中利用所述8个指标的训练结果，计算综合平均指数z，设定止痛泵给药数量阈值n，按照综合平均指数z的数值从小到大进行排序，依次选取前n个止痛泵给药配方推荐给用户的具体方法是：3.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，所述综合评价指标的计算方式为：4.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，还包括s9：利用shap方法分别对所述训练模型进行分析，得出所述药剂种类和用药剂量对8个所述评价指标的影响程度。5.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，s4中所述随机打乱的具体处理方式为使用随机种子初始化随机数生成器和采用无放回抽样方式，所述过采样处理的具体处理方式为采用smote过采样技术。6.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，s2中对所述历史数据进行清洗、筛选和统一单位处理，形成样本集的具体方法为：7.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，s3中对所述样本集中的连续型数据进行归一化处理的处理方式为：8.根据权利要求1所述的一种基于深度神经网络的术后止痛泵给药智能推荐方法，其特征在于，所述深度神经网络模型包括1个输入层、4个具有128或256个神经元和relu激活函数的全连接隐藏层、dropout层和输出层，所述dropout层设于所述全连接隐藏层之后，所述输出层具有输出类别数量和softmax激活函数，所述深度神经网络模型的优化器为随机梯度下降优化算法，损失函数为分类交叉熵，评估指标为准确率。技术总结本发明公开了一种基于深度神经网络的术后止痛泵给药智能推荐方法，其包括S1：收集历史数据；S2：对所述历史数据进行清洗、筛选和统一单位处理，形成样本集；S3：对样本集进行数值化处理，得到数据集；S4：将数据集按照科室、性别和年龄段进行筛选分类，形成筛选数据对照表；S5：对数据集进行随机打乱和过采样处理，划分为训练集、测试集和验证集；S6：建立8个评价指标的训练模型；S7：建立药剂配方，对药剂配方进行筛选，将信息样本输入至训练模型中，得出8个指标的训练结果；S8：计算综合平均指数，推荐给用户。本发明建立了对用药配方全面准确的评价指标，使用随机打乱和过采样技术解决样本不均衡的问题，提高模型推荐的准确性。技术研发人员：何树有,张冬青,金玮,胡子木受保护的技术使用者：大连东软信息学院技术研发日：技术公布日：2024/8/15