CN118248342A - 一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备 - Google Patents
一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备 Download PDFInfo
- Publication number
- CN118248342A CN118248342A CN202410669429.3A CN202410669429A CN118248342A CN 118248342 A CN118248342 A CN 118248342A CN 202410669429 A CN202410669429 A CN 202410669429A CN 118248342 A CN118248342 A CN 118248342A
- Authority
- CN
- China
- Prior art keywords
- target
- processing
- generate
- swelling
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008961 swelling Effects 0.000 title claims abstract description 205
- 210000000245 forearm Anatomy 0.000 title claims abstract description 179
- 210000002321 radial artery Anatomy 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 152
- 238000012545 processing Methods 0.000 claims abstract description 135
- 238000012360 testing method Methods 0.000 claims abstract description 83
- 238000007906 compression Methods 0.000 claims abstract description 54
- 230000006835 compression Effects 0.000 claims abstract description 48
- 210000000707 wrist Anatomy 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims description 32
- 238000007667 floating Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 29
- 230000002980 postoperative effect Effects 0.000 claims description 22
- 230000001965 increasing effect Effects 0.000 claims description 15
- 230000035790 physiological processes and functions Effects 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 210000001367 artery Anatomy 0.000 claims description 4
- 206010042674 Swelling Diseases 0.000 description 176
- 239000002874 hemostatic agent Substances 0.000 description 34
- 238000005070 sampling Methods 0.000 description 19
- 201000010099 disease Diseases 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000003902 lesion Effects 0.000 description 9
- 238000013146 percutaneous coronary intervention Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000000740 bleeding effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 210000001364 upper extremity Anatomy 0.000 description 6
- HTTJABKRGRZYRN-UHFFFAOYSA-N Heparin Chemical compound OC1C(NC(=O)C)C(O)OC(COS(O)(=O)=O)C1OC1C(OS(O)(=O)=O)C(O)C(OC2C(C(OS(O)(=O)=O)C(OC3C(C(O)C(O)C(O3)C(O)=O)OS(O)(=O)=O)C(CO)O2)NS(O)(=O)=O)C(C(O)=O)O1 HTTJABKRGRZYRN-UHFFFAOYSA-N 0.000 description 5
- 206010053692 Wound complication Diseases 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 210000003414 extremity Anatomy 0.000 description 5
- 229960002897 heparin Drugs 0.000 description 5
- 229920000669 heparin Polymers 0.000 description 5
- 230000010349 pulsation Effects 0.000 description 5
- 230000000391 smoking effect Effects 0.000 description 5
- 208000032843 Hemorrhage Diseases 0.000 description 4
- 206010052428 Wound Diseases 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 208000034158 bleeding Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000023597 hemostasis Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 210000003462 vein Anatomy 0.000 description 4
- 206010051373 Wound haemorrhage Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 210000003811 finger Anatomy 0.000 description 3
- 230000002439 hemostatic effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 208000031226 Hyperlipidaemia Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 210000001105 femoral artery Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 231100000862 numbness Toxicity 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 208000009087 False Aneurysm Diseases 0.000 description 1
- 206010018852 Haematoma Diseases 0.000 description 1
- 208000004044 Hypesthesia Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 206010038980 Retroperitoneal haemorrhage Diseases 0.000 description 1
- 206010042345 Subcutaneous haematoma Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002478 hand joint Anatomy 0.000 description 1
- 208000034783 hypoesthesia Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Robotics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Instructional Devices (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备，应用于数据处理技术领域。本申请由服务器获取训练样本集和目标用户信息；对训练样本集进行预处理，生成带有标识信息的训练样本集；基于预设处理规则对带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对训练集和测试集进行处理，生成目标风险因子，其中，目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于目标经桡动脉穿刺术后前臂肿胀预测模型对目标用户信息进行处理，生成预测结果。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备。
背景技术
经股动脉入径完成的冠状动脉介入治疗，有5％～10％的患者会发生局部穿刺血管后的并发症，包括出血、血肿、假性动脉瘤等。尤其还有腹膜后出血的危险，严重者可导致死亡。与股动脉路径相比，经桡动脉路径行冠状动脉介入治疗由于出血少、血管并发症少以及总死亡率低等优点得到了广泛应用。现有技术穿刺方法需要将患者手指掌面尽量背曲，使穿刺部位皮肤绷紧和桡动脉固定；再用手指指尖去感受欲穿刺的桡动脉搏动，要尽可能减少操作者感受搏动的面积，缩小穿刺范围，这样容易找到最佳穿刺点。现有技术桡动脉穿刺操作中，使桡动脉穿刺点位于水平面的最高点，极为重要。但这需患者充分配合术者，保持术者所要求的上肢位置。现有技术虽采用一些辅助装置帮助患者保持所需上肢位置，但因穿刺中的疼痛刺激，或因患者自身关节状况，不自主的上肢动作，导致穿刺失败的情况也多有发生。
尽管经桡动脉路径的安全性高,但其并发症及术后护理问题仍较多,常出现前臂肿胀、伤口疼痛、出血渗血、术肢麻木等并发症，其中前臂肿胀最为常见。国内外研究发现，术侧肢体前臂肿胀的发生率约5.36-33%。此外，现有研究尚未探讨影响前臂肿胀形成的关键性的压迫过程相关因素，也缺乏对前臂肿胀结局的预测。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备，至少在一定程度上克服现有技术存在的问题，通过分析经桡动脉穿刺术后前臂肿胀的危险因素，构建相应的预测模型，以期早期识别并给予针对性护理，为降低经皮冠脉介入术后并发症提供帮助。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种经桡动脉穿刺术后前臂肿胀的预测方法，包括：获取训练样本集和目标用户信息，其中，所述训练样本集包括前臂肿胀组和前臂非肿胀组，所述目标用户信息为待进行前臂肿胀预测的用户；对所述训练样本集进行预处理，生成带有标识信息的训练样本集，其中，所述标识信息用于表征影响前臂肿胀的风险因素；基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，其中，所述目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于所述目标经桡动脉穿刺术后前臂肿胀预测模型对所述目标用户信息进行处理，生成预测结果。
在本申请的一个实施例中，所述基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，包括：基于风险特征筛选模型对所述训练集和所述测试集进行处理，生成单因素风险特征；基于风险特征筛选模型对所述单因素风险特征进行处理，生成目标风险因子，其中，所述风险特征筛选模型包括多因素logistic回归分析方法。
在本申请的一个实施例中，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，包括：基于风险特征筛选模型对所述目标风险因子进行处理，生成受试者工作特征值；若所述受试者工作特征值小于预设阈值，则基于所述目标风险因子生成目标经桡动脉穿刺术后前臂肿胀预测模型；其中，所述风险特征筛选模型包括用于计算受试者工作特征值的计算公式，所述计算公式为：Logit(P)=53.6456-1.0523BMI+0.1109/>手术时间+3.9186/>穿刺部位+7.3930/>压迫规范+5.1659压迫次数+5.8804/>腕部活动不当-0.4169/>首次放气时间。
在本申请的一个实施例中，对所述训练样本集进行预处理，生成带有标识信息的训练样本集，包括：对所述训练样本集进行特征提取，确定原始特征库；根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成融合特征数据集；基于预设前臂肿胀筛选规则对所述融合特征数据集进行处理，生成标识信息，其中，所述标识信息用于表征影响前臂肿胀的风险因素。
在本申请的一个实施例中，所述基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集，包括：对所述训练样本集进行分子图骨架特征提取，将具有相同图骨架的化合物划分到一个类别，确定分子图骨架类别库；设置训练集和测试集样本比例；根据所述分子图骨架类别库进行划分训练集和测试集，从图骨架类别中包含分子数量大于1的类别中随机抽取分子作为测试集直到训练集和测试集达到预定比例，生成训练集和测试集。
在本申请的一个实施例中，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：获取患者的生活环境数据和历史生理状态因素；基于所述生活环境数据和所述患者的历史生理状态因素对所述目标风险因子设置预设权重值；获取所述单因素风险特征的实时参数浮动概率；若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的目标风险因子是否一致；若是，则提高所述目标风险因子的风险值；若否，则在预设时间内获取所述目标风险因子浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述目标风险因子的风险值。
在本申请的一个实施例中，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：基于预设训练分类器对所述目标风险因子进行处理，生成目标风险因子和病例信息的影响程度；基于所述目标风险因子的风险值获取目标风险因子和病例信息对应的风险分布数据；基于历史风控数据获取所述目标风险因子和病例信息对应的正常风险范围；基于所述目标风险因子和所述病例信息对应的正常风险范围对所述目标风险因子和所述病例信息进行处理，生成风险异常指标；基于所述风险异常指标生成前臂肿胀类别；基于所述前臂肿胀类别生成目标经桡动脉穿刺术后前臂肿胀预测模型。
本申请的另一个方面，一种经桡动脉穿刺术后前臂肿胀的预测装置，其特征在于，包括：获取模块，用于获取训练样本集和目标用户信息，其中，所述训练样本集包括前臂肿胀组和前臂非肿胀组，所述目标用户信息为待进行前臂肿胀预测的用户；处理模块，用于对所述训练样本集进行预处理，生成带有标识信息的训练样本集，其中，所述标识信息用于表征影响前臂肿胀的风险因素；基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，其中，所述目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于所述目标经桡动脉穿刺术后前臂肿胀预测模型对所述目标用户信息进行处理，生成预测结果。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的经桡动脉穿刺术后前臂肿胀的预测方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的经桡动脉穿刺术后前臂肿胀的预测方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的经桡动脉穿刺术后前臂肿胀的预测方法。
本申请所提供的一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备，由服务器获取训练样本集和目标用户信息，其中，训练样本集包括前臂肿胀组和前臂非肿胀组，目标用户信息为待进行前臂肿胀预测的用户；对训练样本集进行预处理，生成带有标识信息的训练样本集，其中，标识信息用于表征影响前臂肿胀的风险因素；基于预设处理规则对带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对训练集和测试集进行处理，生成目标风险因子，其中，目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于目标经桡动脉穿刺术后前臂肿胀预测模型对目标用户信息进行处理，生成预测结果。通过分析经桡动脉穿刺术后前臂肿胀的危险因素，构建相应的预测模型，以期早期识别并给予针对性护理，为降低经皮冠脉介入术后并发症提供帮助。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种经桡动脉穿刺术后前臂肿胀的预测方法的流程图；
图2示出了本申请一实施例所提供的一种经桡动脉穿刺术后前臂肿胀的预测装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的经桡动脉穿刺术后前臂肿胀的预测方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备。图1示意性地示出了根据本申请实施方式的一种经桡动脉穿刺术后前臂肿胀的预测方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取训练样本集和目标用户信息。
一种实施方式中，训练样本集包括前臂肿胀组和前臂非肿胀组，目标用户信息为待进行前臂肿胀预测的用户。
采用前瞻性研究方法，收集预设时间段内某三级甲等医院经桡动脉路径行冠状动脉造影和/或介入治疗的患者为研究对象。纳入标准:①行冠状动脉造影和/或介入治疗的患者；②穿刺桡动脉成功；③无凝血功能障碍性疾病；④签署知情同意书自愿参加本次研究者。排除标准：①Allen试验异常；②有认知障碍不能配合；③穿刺侧肢体存在其他疾病。依据kendall原则，样本量取自变量数的5-10倍，观察表中条目数为22项，考虑到10%的无效调查表或脱落情况，所需要的样本量为121～242例，考虑人力、时间问题，最终回收完整资料共209例。
S102，对所述训练样本集进行预处理，生成带有标识信息的训练样本集。
一种实施方式中，训练样本集中包括若干样本集，其中，样本集包括患者的一般资料、既往史由研究者从病历系统中提取，其余可能与前臂肿胀相关的危险因素如桡动脉穿刺史、穿刺次数、术中肝素量、穿刺部位、止血器压迫不规范、更换超滑导丝、止血器压迫次数、腕部活动不当、手术时间、术后伤口疼痛评分、使用止血器时间、首次放气时间、末次放气时间、病变支数等资料采用统一的调查表及判断标准由经过统一培训的导管室护士和病房护士进行收集。
此外，标识信息用于表征影响前臂肿胀的风险因素，制订影响前臂肿胀的风险因素观察表，内容主要包括：①一般资料及既往史：年龄、性别、身体质量指数（BMI）、疾病类型、病变支数、吸烟史、桡动脉穿刺史、糖尿病、高血压、高脂血症；②术中相关资料：手术时间、肝素用量、穿刺部位、更换超滑导丝、止血器压迫是否规范及压迫次数；③术后资料：伤口疼痛评分、首次放气时间、末次放气时间、使用止血器时间。
另一种实施方式中，将带有标识信息的训练样本集按照预设比例划分为用于训练目标经桡动脉穿刺术后前臂肿胀预测模型的训练集和用于测试目标经桡动脉穿刺术后前臂肿胀预测模型的测试集，其中，比例可以按照需要来设定，比如1:8或者1:5等；从训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括标识信息。
另一种实施方式中，对训练样本集进行特征提取，确定原始特征库，其中，特征提取包括原始特征、统计特征、频域特征、时域特征四种特征，所提取的常用特征具体介绍如下：原始特征：原始特征是将收集得到的数据，经过预处理之后，使用每个样本数据矩阵中的所有信息，用于模型的训练。为不丢失样本信息，直接将样本Xi的每条曲线展开，拉伸为行向量。统计特征：统计特征是考虑曲线上所有数据点的变化趋势。通过提取统计特征，可降低数据样本的维度，方便对基因数据进行分析，加快模型训练时的收敛速度。所提取的统计特征包括最大值、最小值、均值、方差、标准差。频域特征：对数据集进行小波变换，将二阶小波变换得到的系数作为新的特征，构成频域特征。时域特征：时域特征主要是从时间的角度出发，研究信号与系统的变化规律，时域特征可以反应曲线数据在时间变化之中的信息，该过程主要提取数据集的一阶前向差分构成一阶差分时域特征，并采用指数移动平均特征处理方法。
根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成融合特征数据集。具体地，获取训练数据集对应的数据分类结果，因为每个训练数据集的分类结果都是事先能够确定的，可以直接在外界获取得到该数据。对比预测结果与数据分类结果，确定第一对比结果；对比测试集类预测结果与数据分类结果，确定第二对比结果；判断第二对比结果与第一对比结果是否满足预设要求时，当满足预设要求时，将对应的各个特征确定为融合特征数据集。基于预设前臂肿胀筛选规则对融合特征数据集进行处理，生成标识信息，其中，标识信息用于表征影响前臂肿胀的风险因素。
S103，基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集。
一种实施方式中，对训练样本集进行分子图骨架特征提取，将具有相同图骨架的化合物划分到一个类别，确定分子图骨架类别库；设置训练集和测试集样本比例；根据分子图骨架类别库进行划分训练集和测试集，从图骨架类别中包含分子数量大于1的类别中随机抽取分子作为测试集直到训练集和测试集达到预定比例，生成训练集和测试集。通过对比相关风险因子术前和术后的分子图骨架的变化情况，从而更好的了解相关风险因子的变化程度，进而更好的对风险因子进行分组，从而生成相应的训练集和测试集。
另一种实施方式中，对训练样本集进行特征提取，确定原始特征库，其中，特征提取包括原始特征、统计特征、频域特征、时域特征四种特征，所提取的常用特征具体介绍如下：原始特征：原始特征是将收集得到的数据，经过预处理之后，使用每个样本数据矩阵中的所有信息，用于模型的训练。为不丢失样本信息，直接将样本Xi的每条曲线展开，拉伸为行向量。统计特征：统计特征是考虑曲线上所有数据点的变化趋势。通过提取统计特征，可降低数据样本的维度，方便对基因数据进行分析，加快模型训练时的收敛速度。所提取的统计特征包括最大值、最小值、均值、方差、标准差。频域特征：对数据集进行小波变换，将二阶小波变换得到的系数作为新的特征，构成频域特征。时域特征：时域特征主要是从时间的角度出发，研究信号与系统的变化规律，时域特征可以反应曲线数据在时间变化之中的信息。该过程主要提取数据集的一阶前向差分构成一阶差分时域特征，并采用指数移动平均特征处理方法。
根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集，利用现有的技术对原始特征库进行划分，生成训练数据集和测试数据集，本实施例中只要能进行划分即可，采用什么方式并不作任何限制。
S104，基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子。
一种实施方式中，目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间，风险因子的评价标准包括但不限于如下，具体为：
前臂肿胀：前臂以前臂内侧10cm处测量周径，手掌以测量各手指中节（拇指为第二节）周径，两者之和为标准，术后（拆除桡动脉止血器后）减术前为差值，差值<5mm为无肿胀，≧5mm为肿胀。测量位置由导管室护士标记，皮尺中央放置在刻度标记处。
疼痛数字评分法：术后即刻予伤口疼痛程度评分，采用0-10个数字对疼痛程度进行分级，0为无疼痛，1-3为轻度疼痛，4-6为中度疼痛，7-10为重度疼痛。
腕部活动不当：术后术侧腕部承受过大负荷，过度伸展或旋转，使术侧腕部受到不当牵张或压力。
桡动脉止血器压迫不规范：桡动脉止血器的中心如“十字准线”或特殊中心标记点未压迫到动脉穿刺部位、无效压迫、充气量不足或过量。本申请采用TR-band止血器，充气量为13-18ml，根据患者腕围、血压、凝血功能等情况在该区间内适当调整，止血器内标记处的对应位置位于动脉穿刺处，即鞘管进入动脉的部位，充气完毕，观察数分钟，根据有无渗血、手掌肿胀程度追加或释放1~2ml空气。
另一种实施方式中，基于风险特征筛选模型对训练集和测试集进行处理，生成单因素风险特征；基于风险特征筛选模型对单因素风险特征进行处理，生成目标风险因子，其中，风险特征筛选模型包括多因素logistic回归分析方法。单因素风险特征包括但不限于：
项目：性别[例（百分比,%）]、肿胀组（n=27）：男占比55.6%，女占比44.4%；非肿胀组（n=182）：男占比64.3%，女占比35.7%；统计值：0.770；P：0.507。
项目：糖尿病[例（百分比,%）]；肿胀组（n=27）：是占比29.6%，否占比70.4%；非肿胀组（n=182）：是占比29.1%，否占比70.9%；统计值：0.003；P：0.99。
项目：高脂血症[例（百分比,%）]；肿胀组（n=27）：是占比48.1%，否占比51.9%；非肿胀组（n=182）：是占比33%，否占比67%；统计值：2.384；P：0.184。
项目：高血压[例（百分比,%）] ；肿胀组（n=27）：是占比44.4%，否占比55.6%；非肿胀组（n=182）：是占比54.5%，否占比45.6%；统计值：0.935；P：0.447。
项目：吸烟[例（百分比,%）]；肿胀组（n=27）：是占比74.1%，否占比25.9%；非肿胀组（n=182）：是占比35.2%，否占比64.8%；统计值：14.808；P：<0.001。
项目：桡动脉穿刺史[例（百分比,%）] ；肿胀组（n=27）：有占比14.8%，无占比85.2%；非肿胀组（n=182）：有占比22.5%，无占比77.5%；统计值：0.432；P：0.51。
项目：穿刺次数[例（百分比,%）]；肿胀组（n=27）：1次占比33.3%，>1次占比66.7%；非肿胀组（n=182）：1次占比78.6%，>1次占比21.4%；统计值：22.032；P：<0.001。
项目：术中肝素量[例（百分比,%）]；肿胀组（n=27）：小于等于3000占比55.6%，大于3000占比44.4%；非肿胀组（n=182）：小于等于3000占比67%，大于3000占比33%；统计值：2.891；P：<0.001。
项目：穿刺部位[例（百分比,%）]；肿胀组（n=27）：掌横纹近心端2-3cm占比44.4%，掌横纹近心端4-5cm占比55.6%；非肿胀组（n=182）：掌横纹近心端2-3cm占比74.7%，掌横纹近心端4-5cm占比25.3%；统计值：10.431；P：<0.001。
项目：止血器压迫不规范[例（百分比,%）]；肿胀组（n=27）：是占比37%，否占比63%；非肿胀组（n=182）：是占比89.6%，否占比10.4%；统计值：45.492；P：<0.001。
项目：更换超滑导丝[例（百分比,%）]；肿胀组（n=27）：是占比74.1%，否占比25.9%；非肿胀组（n=182）：是占比15.9%，否占比84.1%；统计值：44.281；P：<0.001。
项目：止血器压迫次数[例（百分比,%）] ；肿胀组（n=27）：1次占比63%，大于1次占比37%；非肿胀组（n=182）：1次占比90.7%，大于1次占比9.3%；统计值：16.032；P：<0.001。
项目：腕部活动不当[例（百分比,%）]；肿胀组（n=27）：是占比33.3%，否占比66.7%；非肿胀组（n=182）：是占比5.5%，否占比94.5%；统计值：22.048；P：<0.001。
项目：年龄[岁,M(P25,P75)]；肿胀组（n=27）：77(75.5,79)；非肿胀组（n=182）：66(56,74)；统计值：-5.868；P：<0.001。
项目：BMI[kg/m2,M(P25,P75)] ；肿胀组（n=27）：24.59(22.52,26.08)；非肿胀组（n=182）：25.46(23.92,27.06)；统计值：-1.731；P：0.05。
项目：手术时间[min,M(P25,P75)]；肿胀组（n=27）：80(60,92.5)；非肿胀组（n=182）：30(20,50)；统计值：37.713；P：<0。001。
项目：术后伤口疼痛评分[分,M(P25,P75)]；肿胀组（n=27）：3（3，4）；非肿胀组（n=182）：2（2，3）；统计值：-5.580；P：<0.001。
项目：使用止血器时间[h,M(P25,P75)]；肿胀组（n=27）：16（15，16）；非肿胀组（n=182）：15（13，16）；统计值：-3.417；P：<0.008。
项目：首次放气时间[h,M(P25,P75)]；肿胀组（n=27）：1.7(1.6,1.8)；非肿胀组（n=182）：2(2,2)；统计值：8.075；P：<0.001。
项目：末次放气时间[h,M(P25,P75)]；肿胀组（n=27）：9（8.5，9）；非肿胀组（n=182）：9（8.5，9）；统计值：0.385；P：0.886。
项目：疾病类型[例（百分比,%）]；肿胀组（n=27）：疾病类型为AP，占比（11.1%）、疾病类型为UAP，占比（22.2%）、疾病类型为AMI，占比（0）、疾病类型为其他，占比（66.7%）；非肿胀组（n=182）：疾病类型为AP，占比（3.8%）、疾病类型为UAP，占比（26.9%）、疾病类型为AMI，占比（10.4%）、疾病类型为其他，占比（58.8%）；统计值：5.764；P：0.101。
项目：病变支数[例（百分比,%）]；肿胀组（n=27）：1支占比18.5%、1支占比33.3%、大于等于3支占比48.1%；非肿胀组（n=182）：1支占比52.2%、2支占比33.3%、大于等于3支占比8.2%；统计值：33.758；P：<0.001。
另一种实施例中，以上述单因素分析差异具有统计学意义的指标为自变量，以是否发生前臂肿胀为因变量纳入模型进行多因素logistic回归分析（变量赋值详见如下），结果显示，桡动脉止血器首次放气时间、压迫规范、压迫次数，腕部活动不当、穿刺部位、手术时间、身体质量指数是前臂肿胀的独立危险因素。其中，Logistic回归拟选影响因素及赋值方式如下所示：
项目：前臂肿胀；赋值方式：前臂肿胀=1，未发生前臂肿胀=0。
项目：年龄；赋值方式：实际值。
项目：吸烟；赋值方式：吸烟=1，不吸烟=0。
项目：BMI；赋值方式：实际值。
项目：病变支数；赋值方式：以病变支数为0为参照设置哑变量，X1=病变支数1支（1,0），X2=病变支数超过1支（0,1）。
项目：手术时间；赋值方式：实际值。
项目：穿刺次数；赋值方式：1次=0，>1次=1。
项目：穿刺部位；赋值方式：掌横纹近心端2～3cm=0，掌横纹近心端4～5cm=1。
项目：止血器压迫不规范；赋值方式：止血器压迫规范=0，止血器压迫不规范=1。
项目：更换超滑导丝；赋值方式：是=0，否=1。
项目：止血器压迫次数；赋值方式：1次=0，>1次=1。
项目：术中肝素量；赋值方式：≤3000=0，>3000=1。
项目：腕部活动不当；赋值方式：否=0，是=1。
项目：首次放气时间；赋值方式：实际值。
项目：术后伤口疼痛评分；赋值方式：实际值。
项目：使用止血器时间；赋值方式：实际值。
将上述单因素变量进行多因素logistic回归分析后，最终分析结果如下：
项目：BMI；β：-1.0523；OR值：0.35；95% CI：0.17-0.73；P：0.005。
项目：手术时间；β：0.1109；OR值：1.12；95% CI：1.02-1.22；P：0.016。
项目：穿刺部位；β：3.9186；OR值：50.34；95% CI：1.3-1956.53；P：0.036。
项目：压迫规范；β：7.3930；OR值：1624.64；95% CI：15.12-174608.65；P：0.002。
项目：止血器压迫次数；β：5.1659；OR值：175.2；95% CI：1.25-24628.12；P：0.041。
项目：胸部活动不当；β：5.8804；OR值：357.94；95% CI：1.6-79834.18；P：0.033。
项目：首次放气时间（min）；β：-0.4169；OR值：0.66；95% CI：0.49-0.88；P：0.005。
S105，基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型。
一种实施方式中，基于风险特征筛选模型对目标风险因子进行处理，生成受试者工作特征值（即ROC曲线）；若受试者工作特征值小于预设阈值，则基于目标风险因子生成目标经桡动脉穿刺术后前臂肿胀预测模型；其中，风险特征筛选模型包括用于计算受试者工作特征值的计算公式，计算公式为：Logit(P)=53.6456-1.0523BMI+0.1109/>手术时间+3.9186/>穿刺部位+7.3930/>压迫规范+5.1659/>压迫次数+5.8804/>腕部活动不当-0.4169首次放气时间。最终测得ROC曲线下面积为0.971，95%CI(0.949-0.992)。
另一种实施方式中，采用SPSS25.0与R4.1.2软件进行数据分析,计数资料采用频数、百分比表示，组间比较采用X2检验；服从正态分布的计量资料采用x±s表示，非正态分布的计量资料采用中位数和四分位数表示，并采用秩和检验进行比较；采用多因素logistic回归分析，逐步法筛选独立危险因素并构建风险预测模型，P<0.05为差异有统计学意义,并采用ROC(receiver operating characteristic curve,ROC)曲线对预测模型的效能进行测评；使用限制性立方样条RCS(restricted cubic spline,RCS)回归分析前臂肿胀与手术时间、BMI、首次放气时间的反应关系，检验标准α=0.05。
S106，基于所述目标经桡动脉穿刺术后前臂肿胀预测模型对所述目标用户信息进行处理，生成预测结果。
一种实施方式中，将上述分析结果中的连续变量绘制RCS图，结果表明，首次放气时间在120min以内的患者，术后发生前臂肿胀的风险较高，最佳首次放气时间为120min；而随着手术时间的增加，术后前臂肿胀的发生率呈现先上升后下降的趋势；BMI小于25的人群，随着BMI的降低，术后前臂肿胀的发生率越高，BMI大于25的患者术后发生前臂肿胀的风险明显降低。
本申请通过临床经验及查阅文献收集可能导致前臂肿胀的影响因素，为了使研究结果更准确并避免各因素间的交叉作用，采用单因素分析初步筛选，再通过多因素Logistic回归分析校正，最终筛选出7个危险因素，即桡动脉止血器首次放气时间、压迫规范、压迫次数，腕部活动不当、穿刺部位、手术时间、身体质量指数。
各种前臂肿胀的危险因素的分析分别如下：
1、止血器使用不规范是前臂肿胀的危险因素。
本申请中有3个与桡动脉止血器使用相关的因素在Logistic回归中结果显著，压迫规范（β=7.393，OR=1624.64，P=0.002）、止血器压迫次数（β=5.166，OR=175.2，P=0.041）、首次放气时间（β=-0.417，OR=0.66，P=0.005）。
首先，申请人经调研发现，止血器加压不足或放置位置不准确均会引起术后前臂肿胀，与本申请结果一致。本申请中使用TR-band止血器进行伤口压迫，止血器的充气量对止血效果起着关键作用，使用13ml充气量即可使97%的患者达到止血效果。本申请中桡动脉止血器的总充气量为13-18ml，根据患者腕围、血压、凝血功能等情况有所调整，该充气量与其他使用TR-band进行桡动脉伤口压迫的研究基本一致，使用该充气量压迫一定时间（即首次放气时间）后按照每1~2ml/h的速度进行逐步放气，可达到较为理想的止血效果。同时，临床上术者应规范止血器放置位置，将止血器的中心标记点准确压迫到动脉穿刺部位，一次性给予患者伤口压迫，减少压迫次数，避免因重复压迫过程中伤口出血导致前臂肿胀。
其次，本申请显示首次放气时间对前臂肿胀的发生率产生负向影响，非肿胀组的首次放气时间为2h，肿胀组的首次放气时间为1.7h。目前关于桡动脉止血器尤其是TR-band止血器的首次放气时间尚无权威的指南，桡动脉止血器首次放气时间1h与2h相比在术后前臂肿胀的发生率方面并没有显著统计学意义。最新研究对比了首次放气时间1.5h与2h的前臂肿胀发生率也无统计学差异。但过长的压迫时间（如：超过4小时）将会增加发生桡动脉闭塞并发症的发生率。首次放气时间2h是能够在前臂肿胀和桡动脉闭塞两种并发症发生率中取得平衡的最佳时间，本申请中通过RCS曲线也可得知，首次放气时间120min时，前臂肿胀的风险降至最低，因此建议选择2h作为首次放气时间。
2、腕部活动不当是前臂肿胀的危险因素。
手术部位管理不当是术后并发症发生的独立危险因素，建议在止血器压迫过程中可以呈手臂抬高的方式缓解桡动脉压迫带来的不适。此外，本申请还发现在压迫过程中上肢及掌腕部剧烈活动、旋转、提拉、负重等方式显著增加了前臂肿胀的发生率，较少的研究探讨了桡动脉穿刺后腕部需要避免的活动，因此需要更多高质量的证据来支撑此观点。本申请结果提示护理人员在术后护理中，应做好防治措施，给予患者术后活动指导，指导患者在桡动脉止血过程中手掌腕部伸直，手臂可稍抬高但勿下垂，避免上肢及掌腕部剧烈活动，避免旋转、提拉和负重，避免在术侧上肢监测血压、输液、采血等操作。适当的抓握动作可以缓解麻木、疼痛等不适感，手部及肘关节也可放于胸前，有利于静脉回流，减少局部张力，缓解疼痛。另外应做好巡视工作，检查桡动脉的搏动情况、记录术肢温度、张力、臂围、若有异常，及时处理。
3、穿刺部位不当是前臂肿胀的危险因素。
选择合适的穿刺点能够降低术者穿刺的难度，有助于提高穿刺的成功率，且降低术肢前臂肿胀的风险，所以术前穿刺点的选择非常重要。经桡动脉入路外周介入中国专家共识中提出，一般选取桡动脉远端走形直、搏动明显、浅表部位作为穿刺点，传统穿刺点即为掌横纹近心端2-3cm。本申请结果显示，于掌横纹近心端2-3cm穿刺较4-5cm更不易发生肿胀。由于桡动脉越靠近远端其走行越为表浅，其分支也越多，因此如果穿刺点的选择过于靠近远端，误入分支血管的可能性就会增加，且掌横纹近心端4-5cm处内皮下肌层较薄，以肌腱为主，止血相对困难，更易出现皮下血肿，引起前臂肿胀。然而选择在掌横纹近心端2-3cm处穿刺，该部位桡动脉的走行较直且相对表浅，容易成功，且桡动脉在该部位的分支相对较少，误入分支血管的几率较小。但在某些病例中，由于受到桡动脉迂曲、变异等因素的影响，该部位可能并非是最合适的，所以临床穿刺点最终的选择还是应因人而异。
4、手术时间长是前臂肿胀的危险因素
PCI时间较长的患者多数均为冠脉病变较重、病变血管支数较多，导致手术时间延长，从而增加术中肝素用量，也增加了出血风险。本申请绘制RCS发现，当手术时间大于50分钟时，前臂肿胀的风险会大幅度增加，但手术时间超过75min的风险反而降低，可能是由于本申请样本量较小，对于手术时间过长的人群未纳入全面。建议术后对于术时较长的这类人群应加强管理，预防性采取干预措施，以保障治疗效果，尽可能改善预后。此外，手术时间的延长可能影响患者的体位和姿势，使得桡动脉受到额外的压迫或牵拉，进一步增加术后肿胀的风险，但目前没有这种可能性的相关探索，还需要更多的研究来证明这种关联。
5、BMI值是前臂肿胀的保护因素。
有学者认为，BMI与经桡动脉穿刺术后并发症之间存在“肥胖效应”现象，即身体质量指数处于健康水平两端的人群更易发生术肢的前臂肿胀。本申请显示，BMI越低，术肢前臂越易肿胀。身材瘦弱的人群桡动脉直径细、搏动弱,血管壁较薄，术中置管更为困难，而且桡动脉止血器充气量相对不足、未能有效止血，也可能引起术后前臂肿胀，本申请中仅探讨到BMI越低，前臂越易发生肿胀的结论，通过RCS得知BMI小于25的人群风险更高。而BMI较高的人群，手臂组织、皮下脂肪更丰富，穿刺鞘管及术中所用导管带来的损伤更大，也容易引发内膜损伤。
6、经桡动脉穿刺术后前臂肿胀的危险因素预测模型效果较好。
本申请结果显示，209例行经皮冠状动脉介入术患者中有27例发生前臂肿胀，发生率为12.9%，在验证模型肿灵敏度为73.33%，特异度为81.6%，模型总正确率为80.71%。
目前经桡动脉路径已成为国内外冠状动脉造影或PCI的首选路径，但术后前臂肿胀的发生率仍较高。影响原因众多，所以明确重要危险因素，进行个体化预测，具有重要的临床意义。本申请中模型的预测指标均为临床中容易获取的项目，实用性较好，可据此对患者进行针对性干预，降低术后前臂肿胀的发生率。
本申请中由服务器获取训练样本集和目标用户信息，其中，训练样本集包括前臂肿胀组和前臂非肿胀组，目标用户信息为待进行前臂肿胀预测的用户；对训练样本集进行预处理，生成带有标识信息的训练样本集，其中，标识信息用于表征影响前臂肿胀的风险因素；基于预设处理规则对带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对训练集和测试集进行处理，生成目标风险因子，其中，目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于目标经桡动脉穿刺术后前臂肿胀预测模型对目标用户信息进行处理，生成预测结果。通过分析经桡动脉穿刺术后前臂肿胀的危险因素，构建相应的预测模型，以期早期识别并给予针对性护理，为降低经皮冠脉介入术后并发症提供帮助。
可选地，在基于本申请上述方法的另一个实施例中，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：
获取患者的生活环境数据和历史生理状态因素；
基于所述生活环境数据和所述患者的历史生理状态因素对所述目标风险因子设置预设权重值；
获取所述单因素风险特征的实时参数浮动概率；
若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的目标风险因子是否一致；
若是，则提高所述目标风险因子的风险值；
若否，则在预设时间内获取所述目标风险因子浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述目标风险因子的风险值。
一种实施方式中，根据实际情况来调整患者的目标风险因子的风险值，从而更好的筛选哪些特征与当前患者发生经桡动脉穿刺术后前臂肿胀的概率更高。
可选地，在基于本申请上述方法的另一个实施例中，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：
基于预设训练分类器对所述目标风险因子进行处理，生成目标风险因子和病例信息的影响程度；
基于所述目标风险因子的风险值获取目标风险因子和病例信息对应的风险分布数据；
基于历史风控数据获取所述目标风险因子和病例信息对应的正常风险范围；
基于所述目标风险因子和所述病例信息对应的正常风险范围对所述目标风险因子和所述病例信息进行处理，生成风险异常指标；
基于所述风险异常指标生成前臂肿胀类别；
基于所述前臂肿胀类别生成目标经桡动脉穿刺术后前臂肿胀预测模型。
一种实施方式中，基于历史风控经验确定各目标风险因子对应的正常风险范围，若风险值超出正常风险范围的目标风险因子则列为异常风险因素，通过对异常风险因素进行量化以及对历史经验的优化，从而保证风险识别准确性。
可选地，在基于本申请上述方法的另一个实施例中，所述从所述训练集中提取多组数据组，包括：
基于标识信息对所述训练集进行划分，生成若干数量的数类样本；
获取所述训练集中任一数量的数类样本；
基于所述任一数量的数类样本与同类别的其他数量的数类样本之间的距离，生成相邻样本，其中，所述相邻样本包括所述任一数量的数类样本的预设数量；
对所述相邻样本进行采样，生成预设数量的采样样本；
基于任一少数类样本与每个采样样本，生成多组数据组。
一种实施方式中，任一数量较少的数类样本与同类别的其他每个任一数量较少的数类样本之间的距离可以是欧氏距离，也可以是其他余弦距离，此处不作具体限定。可以将其他所有任一数量较少的数类样本按与其他任一数量较少的数类样本的距离由近到远的顺序进行排列，然后选取排列结果中位于排列结果前几位的数据作为相邻样本。过采样的目的是使少数类样本的个数增加，以实现初始样本集中少数类样本与多数类样本的个数平衡。此处，过采样可以通过采样算法实现，此处不做具体限定。在过采样之后，可以根据过采样所得结果，结合训练集确定出多组数据组。此时，数据组中各属性类别标签对应的描述数据样本的个数相当，不存在数量较少的数类样本或数量较多的数类样本。本实施例通过先对训练集先进行初步划分，在对数量较少的数类样本与其他数量较多的数类样本进行合并。
可选地，在基于本申请上述方法的另一个实施例中，所述对所述相邻样本进行采样，生成预设数量的采样样本，包括：
基于所述训练集中各数类样本的数量，确定采样比例；
基于所述采样比例，确定采样比率；
基于所述采样比率对所述相邻样本进行采样，生成预设数量的采样样本。
一种实施方式中，先获取训练集中包括哪些数据组，确认各个数据组中的数类样本分别有多少，并根据各个数据组的数类样本的个数确定采样比例，然后利用采样比例，确定采样比率。采样比例可以根据需要进行设定，例如可以均为50％，也可以是其他比例，此处不作具体限定。最后，利用采样比率对预设数量的相邻样本进行采样，得到指定数量的采样样本，可以将其他所有数量较少的数类样本按与任一数量较少的数类样本的距离由近到远的顺序进行排列，然后选取排列结果中排名前预设数量的样本作为近邻样本，预设数量可以根据实际情况进行设定，此处不作具体限定。基于任一数量较少的数类样本与每个采样样本，生成新的样本，并将其作为新的数据组，如此可以进一步提升数量较少的数据组与其他数量较多的数据组的平衡效果更佳。
通过应用以上技术方案，服务器获取训练样本集和目标用户信息，其中，训练样本集包括前臂肿胀组和前臂非肿胀组，目标用户信息为待进行前臂肿胀预测的用户；对训练样本集进行特征提取，确定原始特征库；根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成融合特征数据集；基于预设前臂肿胀筛选规则对融合特征数据集进行处理，生成标识信息，其中，标识信息用于表征影响前臂肿胀的风险因素，其中，标识信息用于表征影响前臂肿胀的风险因素；
对训练样本集进行分子图骨架特征提取，将具有相同图骨架的化合物划分到一个类别，确定分子图骨架类别库；设置训练集和测试集样本比例；根据分子图骨架类别库进行划分训练集和测试集，从图骨架类别中包含分子数量大于1的类别中随机抽取分子作为测试集直到训练集和测试集达到预定比例，生成训练集和测试集；基于风险特征筛选模型对训练集和测试集进行处理，生成单因素风险特征；基于风险特征筛选模型对单因素风险特征进行处理，生成目标风险因子，其中，风险特征筛选模型包括多因素logistic回归分析方法，其中，目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于风险特征筛选模型对目标风险因子进行处理，生成受试者工作特征值；若受试者工作特征值小于预设阈值，则基于目标风险因子生成目标经桡动脉穿刺术后前臂肿胀预测模型。
其中，风险特征筛选模型包括用于计算受试者工作特征值的计算公式，计算公式为：Logit(P)=53.6456-1.0523*BMI+0.1109*手术时间+3.9186*穿刺部位+7.3930*压迫规范+5.1659*压迫次数+5.8804*腕部活动不当-0.4169*首次放气时间。
获取患者的生活环境数据和历史生理状态因素；基于生活环境数据和患者的历史生理状态因素对目标风险因子设置预设权重值；获取单因素风险特征的实时参数浮动概率；若浮动概率大于预设浮动阈值，则基于历史生理状态因素判断浮动概率对应的目标风险因子是否一致；若是，则提高目标风险因子的风险值；若否，则在预设时间内获取目标风险因子浮动概率大于预设浮动阈值的次数，若次数大于预设次数，则提高目标风险因子的风险值；基于预设训练分类器对目标风险因子进行处理，生成目标风险因子和病例信息的影响程度；基于目标风险因子的风险值获取目标风险因子和病例信息对应的风险分布数据；基于历史风控数据获取目标风险因子和病例信息对应的正常风险范围；基于目标风险因子和病例信息对应的正常风险范围对目标风险因子和病例信息进行处理，生成风险异常指标；基于风险异常指标生成前臂肿胀类别；基于前臂肿胀类别生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于目标经桡动脉穿刺术后前臂肿胀预测模型对目标用户信息进行处理，生成预测结果。通过分析经桡动脉穿刺术后前臂肿胀的危险因素，构建相应的预测模型，以期早期识别并给予针对性护理，为降低经皮冠脉介入术后并发症提供帮助。
一种实施方式中，如图2所示，本申请还提供一种经桡动脉穿刺术后前臂肿胀的预测装置，包括：
获取模块201，用于获取训练样本集和目标用户信息，其中，所述训练样本集包括前臂肿胀组和前臂非肿胀组，所述目标用户信息为待进行前臂肿胀预测的用户；
处理模块202，用于对所述训练样本集进行预处理，生成带有标识信息的训练样本集，其中，所述标识信息用于表征影响前臂肿胀的风险因素；基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，其中，所述目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于所述目标经桡动脉穿刺术后前臂肿胀预测模型对所述目标用户信息进行处理，生成预测结果。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，包括：
基于风险特征筛选模型对所述训练集和所述测试集进行处理，生成单因素风险特征；
基于风险特征筛选模型对所述单因素风险特征进行处理，生成目标风险因子，其中，所述风险特征筛选模型包括多因素logistic回归分析方法。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，包括：
基于风险特征筛选模型对所述目标风险因子进行处理，生成受试者工作特征值；
若所述受试者工作特征值小于预设阈值，则基于所述目标风险因子生成目标经桡动脉穿刺术后前臂肿胀预测模型；
其中，所述风险特征筛选模型包括用于计算受试者工作特征值的计算公式，所述计算公式为：
Logit(P)=53.6456-1.0523BMI+0.1109/>手术时间+3.9186/>穿刺部位+7.3930压迫规范+5.1659/>压迫次数+5.8804/>腕部活动不当-0.4169/>首次放气时间。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述训练样本集进行预处理，生成带有标识信息的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成融合特征数据集；
基于预设前臂肿胀筛选规则对所述融合特征数据集进行处理，生成标识信息，其中，所述标识信息用于表征影响前臂肿胀的风险因素。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集，包括：
对所述训练样本集进行分子图骨架特征提取，将具有相同图骨架的化合物划分到一个类别，确定分子图骨架类别库；
设置训练集和测试集样本比例；
根据所述分子图骨架类别库进行划分训练集和测试集，从图骨架类别中包含分子数量大于1的类别中随机抽取分子作为测试集直到训练集和测试集达到预定比例，生成训练集和测试集。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：
获取患者的生活环境数据和历史生理状态因素；
基于所述生活环境数据和所述患者的历史生理状态因素对所述目标风险因子设置预设权重值；
获取所述单因素风险特征的实时参数浮动概率；
若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的目标风险因子是否一致；
若是，则提高所述目标风险因子的风险值；
若否，则在预设时间内获取所述目标风险因子浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述目标风险因子的风险值。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：
基于预设训练分类器对所述目标风险因子进行处理，生成目标风险因子和病例信息的影响程度；
基于所述目标风险因子的风险值获取目标风险因子和病例信息对应的风险分布数据；
基于历史风控数据获取所述目标风险因子和病例信息对应的正常风险范围；
基于所述目标风险因子和所述病例信息对应的正常风险范围对所述目标风险因子和所述病例信息进行处理，生成风险异常指标；
基于所述风险异常指标生成前臂肿胀类别；
基于所述前臂肿胀类别生成目标经桡动脉穿刺术后前臂肿胀预测模型。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述经桡动脉穿刺术后前臂肿胀的预测方法。
其中，存储器301可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口303（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述经桡动脉穿刺术后前臂肿胀的预测方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的经桡动脉穿刺术后前臂肿胀的预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的经桡动脉穿刺术后前臂肿胀的预测方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的经桡动脉穿刺术后前臂肿胀的预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的经桡动脉穿刺术后前臂肿胀的预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估经桡动脉穿刺术后前臂肿胀的预测方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的经桡动脉穿刺术后前臂肿胀的预测方法实施例，所以描述的比较简单，相关之处参见上述所述的经桡动脉穿刺术后前臂肿胀的预测方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种经桡动脉穿刺术后前臂肿胀的预测方法，其特征在于，包括：
获取训练样本集和目标用户信息，其中，所述训练样本集包括前臂肿胀组和前臂非肿胀组，所述目标用户信息为待进行前臂肿胀预测的用户；
对所述训练样本集进行预处理，生成带有标识信息的训练样本集，其中，所述标识信息用于表征影响前臂肿胀的风险因素；
基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集；
基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，其中，所述目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；
基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；
基于所述目标经桡动脉穿刺术后前臂肿胀预测模型对所述目标用户信息进行处理，生成预测结果。
2.如权利要求1所述的方法，其特征在于，所述基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，包括：
基于风险特征筛选模型对所述训练集和所述测试集进行处理，生成单因素风险特征；
基于风险特征筛选模型对所述单因素风险特征进行处理，生成目标风险因子，其中，所述风险特征筛选模型包括多因素logistic回归分析方法。
3.如权利要求2所述的方法，其特征在于，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，包括：
基于风险特征筛选模型对所述目标风险因子进行处理，生成受试者工作特征值；
若所述受试者工作特征值小于预设阈值，则基于所述目标风险因子生成目标经桡动脉穿刺术后前臂肿胀预测模型；
其中，所述风险特征筛选模型包括用于计算受试者工作特征值的计算公式，所述计算公式为：
Logit(P)=53.6456-1.0523BMI+0.1109/>手术时间+3.9186/>穿刺部位+7.3930/>压迫规范+5.1659/>压迫次数+5.8804/>腕部活动不当-0.4169/>首次放气时间。
4.如权利要求1所述的方法，其特征在于，所述对所述训练样本集进行预处理，生成带有标识信息的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成融合特征数据集；
基于预设前臂肿胀筛选规则对所述融合特征数据集进行处理，生成标识信息，其中，所述标识信息用于表征影响前臂肿胀的风险因素。
5.如权利要求1或4所述的方法，其特征在于，所述基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集，包括：
对所述训练样本集进行分子图骨架特征提取，将具有相同图骨架的化合物划分到一个类别，确定分子图骨架类别库；
设置训练集和测试集样本比例；
根据所述分子图骨架类别库进行划分训练集和测试集，从图骨架类别中包含分子数量大于1的类别中随机抽取分子作为测试集直到训练集和测试集达到预定比例，生成训练集和测试集。
6.如权利要求2所述的方法，其特征在于，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：
获取患者的生活环境数据和历史生理状态因素；
基于所述生活环境数据和所述患者的历史生理状态因素对所述目标风险因子设置预设权重值；
获取所述单因素风险特征的实时参数浮动概率；
若所述浮动概率大于预设浮动阈值，则基于所述历史生理状态因素判断所述浮动概率对应的目标风险因子是否一致；
若是，则提高所述目标风险因子的风险值；
若否，则在预设时间内获取所述目标风险因子浮动概率大于预设浮动阈值的次数，若所述次数大于预设次数，则提高所述目标风险因子的风险值。
7.如权利要求6所述的方法，其特征在于，所述基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型，还包括：
基于预设训练分类器对所述目标风险因子进行处理，生成目标风险因子和病例信息的影响程度；
基于所述目标风险因子的风险值获取目标风险因子和病例信息对应的风险分布数据；
基于历史风控数据获取所述目标风险因子和病例信息对应的正常风险范围；
基于所述目标风险因子和所述病例信息对应的正常风险范围对所述目标风险因子和所述病例信息进行处理，生成风险异常指标；
基于所述风险异常指标生成前臂肿胀类别；
基于所述前臂肿胀类别生成目标经桡动脉穿刺术后前臂肿胀预测模型。
8.一种经桡动脉穿刺术后前臂肿胀的预测装置，其特征在于，所述装置包括：
获取模块，用于获取训练样本集和目标用户信息，其中，所述训练样本集包括前臂肿胀组和前臂非肿胀组，所述目标用户信息为待进行前臂肿胀预测的用户；
处理模块，用于对所述训练样本集进行预处理，生成带有标识信息的训练样本集，其中，所述标识信息用于表征影响前臂肿胀的风险因素；基于预设处理规则对所述带有标识信息的训练样本集进行处理，生成训练集和测试集；基于预设特征处理规则对所述训练集和所述测试集进行处理，生成目标风险因子，其中，所述目标风险因子包括BMI、手术时间、穿刺部位、压迫规范、压迫次数、腕部活动不当和首次放气时间；基于预设处理规则对所述目标风险因子进行处理，生成目标经桡动脉穿刺术后前臂肿胀预测模型；基于所述目标经桡动脉穿刺术后前臂肿胀预测模型对所述目标用户信息进行处理，生成预测结果。
9.一种电子设备，其特征在于，包括：
第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；
其中，所述第一处理器配置为经由执行所述可执行指令来执行权利要求 1～7中任意一项所述的经桡动脉穿刺术后前臂肿胀的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被第二处理器执行时实现权利要求1～7中任意一项所述的经桡动脉穿刺术后前臂肿胀的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410669429.3A CN118248342B (zh) | 2024-05-28 | 2024-05-28 | 一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410669429.3A CN118248342B (zh) | 2024-05-28 | 2024-05-28 | 一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118248342A true CN118248342A (zh) | 2024-06-25 |
| CN118248342B CN118248342B (zh) | 2024-10-25 |
Family
ID=91552940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410669429.3A Active CN118248342B (zh) | 2024-05-28 | 2024-05-28 | 一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118248342B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315507A1 (en) * | 2017-04-27 | 2018-11-01 | Yale-New Haven Health Services Corporation | Prediction of adverse events in patients undergoing major cardiovascular procedures |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| KR102009840B1 (ko) * | 2018-03-19 | 2019-08-12 | 한림대학교 산학협력단 | 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치 |
| CN110364261A (zh) * | 2019-07-17 | 2019-10-22 | 上海派兰数据科技有限公司 | 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 |
| CN114400094A (zh) * | 2022-01-11 | 2022-04-26 | 北京大学 | 针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法及应用 |
| RU2799146C1 (ru) * | 2022-07-13 | 2023-07-04 | Александра Ованесовна Лобэ | Способ прогнозирования риска развития неблагоприятных сердечно-сосудистых исходов в течение года после проведения чрескожных коронарных вмешательств со стентированием у пациентов со стабильной ишемической болезнью сердца |
-
2024
- 2024-05-28 CN CN202410669429.3A patent/CN118248342B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180315507A1 (en) * | 2017-04-27 | 2018-11-01 | Yale-New Haven Health Services Corporation | Prediction of adverse events in patients undergoing major cardiovascular procedures |
| KR102009840B1 (ko) * | 2018-03-19 | 2019-08-12 | 한림대학교 산학협력단 | 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치 |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| CN110364261A (zh) * | 2019-07-17 | 2019-10-22 | 上海派兰数据科技有限公司 | 一种建立急性冠脉综合征在介入治疗术后的出血风险预测模型的方法 |
| CN114400094A (zh) * | 2022-01-11 | 2022-04-26 | 北京大学 | 针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法及应用 |
| RU2799146C1 (ru) * | 2022-07-13 | 2023-07-04 | Александра Ованесовна Лобэ | Способ прогнозирования риска развития неблагоприятных сердечно-сосудистых исходов в течение года после проведения чрескожных коронарных вмешательств со стентированием у пациентов со стабильной ишемической болезнью сердца |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118248342B (zh) | 2024-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Seradge et al. | In vivo measurement of carpal tunnel pressure in the functioning hand | |
| Sood et al. | Effects of reduction mammaplasty on pulmonary function and symptoms of macromastia | |
| CN106510687A (zh) | 一种识别心电图数据异常的方法及系统 | |
| CN117958835A (zh) | 用于患者术后康复的心电图分析方法 | |
| US20120010504A1 (en) | Weight scale with ultrasound imaging for ankle displacement measurement | |
| CN118248342B (zh) | 一种经桡动脉穿刺术后前臂肿胀的预测方法及相关设备 | |
| CN116631558B (zh) | 一种基于互联网的医学检测项目的构建方法 | |
| Aukburg et al. | Automation of physiologic data presentation and alarms in the post anesthesia care unit | |
| CN111951966A (zh) | 基于possum评分系统对骨质疏松性骨折术后并发症的预测方法 | |
| CN117100239A (zh) | 基于cnn+lstm和ppg信号的血压检测系统 | |
| Miller et al. | Noninvasive identification of hypotension using convolutional-deconvolutional networks | |
| dos Santos Filho et al. | Study of the heart rate variability in dogs with brachycephalic syndrome submitted to rhinoplasty surgery | |
| Ni et al. | Extracting heartbeat intervals using self-adaptive method based on ballistocardiography (BCG) | |
| CN118571479A (zh) | 一种胃癌术后腹腔感染预警评估系统及其方法 | |
| Kerr et al. | Personalizing tourniquet pressures–SBP-based estimation methods are unsafe, unreliable, and inconsistent | |
| Childers et al. | 279 Overdiagnosis of urinary tract infections in the emergency department | |
| CN206602549U (zh) | 一种基于大数据的病人医疗质量评估系统 | |
| Lu et al. | A new blood pressure estimation method based on neural network algorithm model | |
| CN118299055B (zh) | 一种肝脏护理的健康程度评估方法及系统 | |
| CN118039070B (zh) | 一种用于介入手术的临床护理系统 | |
| اسراء عبد الله حسين علي الدليمي | Improve The Performance of K-means by using Genetic Algorithm for Classification Heart Attack | |
| Zhang et al. | SEPP&M: A Machine Learning Dataset for Spine Surgery Somatosensory Evoked Potentials Prediction | |
| CN117288258A (zh) | 一种绷带包扎状态确定方法、装置、系统和电子设备 | |
| Patibandla | A Review on the Detection of the Post COVID-19 Symptoms for Long Term Diseased Patients using Machine Learning Algorithms | |
| Wei et al. | Systolic peak detection of photoplethysmograms via regularity approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |