CN110827950B - 麻醉药物用量的确定方法、模型的训练方法以及模型 - Google Patents
麻醉药物用量的确定方法、模型的训练方法以及模型 Download PDFInfo
- Publication number
- CN110827950B CN110827950B CN201911169179.2A CN201911169179A CN110827950B CN 110827950 B CN110827950 B CN 110827950B CN 201911169179 A CN201911169179 A CN 201911169179A CN 110827950 B CN110827950 B CN 110827950B
- Authority
- CN
- China
- Prior art keywords
- anesthetic
- current
- historical
- dosage
- physical sign
- 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.)
- Active
Links
- 230000003444 anaesthetic effect Effects 0.000 title claims abstract description 141
- 238000012549 training Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000003193 general anesthetic agent Substances 0.000 claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 31
- 239000003814 drug Substances 0.000 claims description 131
- 229940079593 drug Drugs 0.000 claims description 121
- 230000008901 benefit Effects 0.000 claims description 55
- 206010002091 Anaesthesia Diseases 0.000 claims description 51
- 230000037005 anaesthesia Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 24
- 230000035487 diastolic blood pressure Effects 0.000 claims description 12
- 230000001575 pathological effect Effects 0.000 claims description 12
- 230000035488 systolic blood pressure Effects 0.000 claims description 12
- 230000036387 respiratory rate Effects 0.000 claims description 11
- 238000005094 computer simulation Methods 0.000 claims 2
- 239000004081 narcotic agent Substances 0.000 claims 2
- 229940035674 anesthetics Drugs 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 9
- 238000001727 in vivo Methods 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 60
- 238000013528 artificial neural network Methods 0.000 description 24
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 210000003205 muscle Anatomy 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- KWGRBVOPPLSCSI-WPRPVWTQSA-N (-)-ephedrine Chemical compound CN[C@@H](C)[C@H](O)C1=CC=CC=C1 KWGRBVOPPLSCSI-WPRPVWTQSA-N 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000012466 permeate Substances 0.000 description 3
- 229930003347 Atropine Natural products 0.000 description 2
- RKUNBYITZUJHSG-UHFFFAOYSA-N Hyosciamin-hydrochlorid Natural products CN1C(C2)CCC1CC2OC(=O)C(CO)C1=CC=CC=C1 RKUNBYITZUJHSG-UHFFFAOYSA-N 0.000 description 2
- ZTVQQQVZCWLTDF-UHFFFAOYSA-N Remifentanil Chemical compound C1CN(CCC(=O)OC)CCC1(C(=O)OC)N(C(=O)CC)C1=CC=CC=C1 ZTVQQQVZCWLTDF-UHFFFAOYSA-N 0.000 description 2
- RKUNBYITZUJHSG-SPUOUPEWSA-N atropine Chemical compound O([C@H]1C[C@H]2CC[C@@H](C1)N2C)C(=O)C(CO)C1=CC=CC=C1 RKUNBYITZUJHSG-SPUOUPEWSA-N 0.000 description 2
- 229960000396 atropine Drugs 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- KWGRBVOPPLSCSI-UHFFFAOYSA-N d-ephedrine Natural products CNC(C)C(O)C1=CC=CC=C1 KWGRBVOPPLSCSI-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229960002179 ephedrine Drugs 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229960004134 propofol Drugs 0.000 description 2
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 229960003394 remifentanil Drugs 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种麻醉药物用量的确定方法、模型的训练方法以及模型。方法包括：采集被麻醉者的当前体征；通过预设的麻醉药物计算模型处理所述当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量。由于麻醉药物在体内具有残留作用，故某个时刻需要注射多少麻醉药物不仅需要依赖于与被麻醉者当前时刻的体征，还需要参考该被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量。因此，通过处理被麻醉者的当前体征、同一历史时刻的历史体征和麻醉药物的历史用量，可确定出的麻醉药物的当前用量符合被麻醉者的当前体征所需的用量，以实现准确的预测麻醉药物的用量。
Description
技术领域
本申请涉及麻醉技术领域，具体而言，涉及一种麻醉药物用量的确定方法、模型的训练方法以及模型。
背景技术
随着机器学习技术的迅速发展，其已经应用到例如图像识别、图像处理、用户分析等诸多领域。在麻醉领域中，由于麻醉医生的资源稀缺，目前已开始尝试将机器学习技术应用麻醉领域。其通过机器学习来代替麻醉医生确定麻醉药物的使用量，以缓解麻醉医生的资源稀缺所带来压力。
目前，通过机器学习实现确定麻醉药物的使用量的方式大多是通过采集被麻醉者在麻醉过程中某一个时刻的体征来训练模型，以使模型在实际使用中可以根据被麻醉者在某个时刻的体征而确定出在该时刻所需的麻醉药物的用量。这种方式虽然可以实现麻醉药物用量的自动确定，但通过某个时刻的体征进行预测的准确性太差，导致其实际难以应用。
发明内容
本申请实施例的目的在于提供一种麻醉药物用量的确定方法、模型的训练方法以及模型，用以实现准确的预测麻醉药物的用量。
第一方面，本申请实施例提供了一种麻醉药物用量的确定方法，所述方法包括：
采集被麻醉者的当前体征；
通过预设的麻醉药物计算模型处理所述当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量。
在本申请实施例中，由于麻醉药物在体内具有残留作用，故某个时刻需要注射多少麻醉药物不仅需要依赖于与被麻醉者当前时刻的体征，还需要参考该被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量。因此，麻醉药物计算模型通过处理被麻醉者的当前体征、同一历史时刻的历史体征和麻醉药物的历史用量，可确定出的麻醉药物的当前用量符合被麻醉者的当前体征所需的用量，以实现准确的预测麻醉药物的用量。
结合第一方面，在第一种可能的实现方式中，所述麻醉药物计算模型为用药收益函数，通过预设的麻醉药物计算模型处理所述当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量，包括：
通过所述用药收益函数处理所述被麻醉者历史使用所述麻醉药物的历史最大收益、所述当前体征、所述历史体征、所述历史用量、以及所述麻醉药物的正常用量，确定出当前使用所述麻醉药物的当前最大收益，其中，所述当前最大收益对应的用量为所述当前用量。
在本申请实施例中，由于用药收益函数的特点是计算出的收益越大则收益对应的策略越好，因此通过用药收益函数可以计算出符合在麻醉药物当前体征下的最佳用量。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述用药收益函数包括第一子函数和第二子函数，通过所述用药收益函数处理所述被麻醉者历史使用所述麻醉药物的历史最大收益、所述当前体征、所述历史体征、所述历史用量、以及所述被麻醉者的正常麻醉深度对应的所述麻醉药物的正常用量，确定出当前使用所述麻醉药物的当前最大收益，包括：
通过所述第一子函数处理所述当前体征、所述麻醉药物的初始用量、所述被麻醉者当前的正常麻醉深度以及所述正常麻醉深度对应的所述正常用量，确定出所述麻醉药物的当前用药得分；
通过所述第二子函数处理所述历史最大收益、预设的所述麻醉药物的历史用药得分、所述初始用量、以及所述当前用药得分，确定出所述当前使用所述麻醉药物的当前收益；
从所述当前收益中选择出收益最高的所述当前最大收益。
在本申请实施例中，通过第一子函数去评估出麻醉药物在各种情况下的当前用药得分，可使得第二子函数基于麻醉药物在各种情况下的当前用药得分，快速准确的对应确定出各种收益。
结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述第二子函数包括：
其中，Vt+n(St)表示所述当前最大收益、Vt+n-1(St)表示所述历史最大收益、
表示所述初始用量对应的用药得分，ri(u，SBP，DBP，HR，Freq)表示第i次用药得分、α和β为常量的参数。
在本申请实施例中，第二子函数的计算是将当前以及所有历史的用药得分加总，使得每一次历史的用药都会影响当前用药决策，进而使得确定出的当前用量更准确。
结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述第一子函数包括：
if BISt＞60，ut＝0
其中，rt(u，SBP，DBP，HR，Freq)表示所述当前用药得分、BISt表示所述正常麻醉深度、DBPt表示所述当前体征中的收缩压、SBPt表示所述当前体征中的舒张压、HRt表示所述当前体征中的心率、rrt表示所述当前体征中的呼吸频率、Weight表示所述被麻醉者的体重、
表示所述收缩压的得分、
表示所述舒张压的得分、
表示所述心率的得分、以及
表示所述呼吸频率的得分、C0、Cu、CSBP、CDBP、CHR和CBIS表示预设的权重。
在本申请实施例中，由于当前体征所包含的收缩压、舒张压、心率以及呼吸频率全面的涵盖了被麻醉者在术中各种体征，故确定出当前体征对应的得分能够准确反映被麻醉者的实际身体状况，进而确定出用药收益也更加符合被麻醉者的实际身体状况。
结合第一方面的第二种可能的实现方式，在第五种可能的实现方式中，在通过所述第一子函数处理所述当前体征、所述麻醉药物的初始用量、所述被麻醉者当前的正常麻醉深度以及所述正常麻醉深度对应的所述正常用量，确定出所述麻醉药物的当前用药得分之前，所述方法还包括：
根据所述当前体征，确定出所述被麻醉者的药物渗透速度；
根据所述药物渗透速度和所述麻醉药物前一次确定出的所述历史用量，确定出所述被麻醉者的病理区域的药物浓度；
根据所述药物浓度，确定出所述正常麻醉深度。
在本申请实施例中，通过当前体征动态确定药物渗透速度，以及再根据药物渗透速度动态确定药物浓度，使得最终动态确定出的正常麻醉深度更符合被麻醉者的实际情况。
结合第一方面，在第七种可能的实现方式中，所述麻醉药物计算模型为深度神经网络，通过预设的麻醉药物计算模型处理所述当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量，包括：
通过所述深度神经网络处理所述当前体征、所述历史体征以及所述历史用量，确定出所述当前用量。
在本申请实施例中，由于深度神经网络的网络结构的关联性很强，故利用当前体征、历史体征以及历史用量，可以准确的确定出当前用量。
第二方面，本申请实施例提供了一种麻醉药物计算模型的训练方法，所述方法包括：
获取多组训练样本，其中，每组所述训练样本包括：被麻醉者在设定时刻之前的体征、在所述设定时刻之前的麻醉药物用量、在所述设定时刻时的体征和在所述设定时刻时的麻醉药物用量；
利用所述多组训练样本训练预设的麻醉药物计算模型。
在本申请实施例中，由于麻醉药物在体内具有残留作用，故某个时刻需要注射多少麻醉药物不仅需要依赖于与被麻醉者当前时刻的体征，还需要参考该被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量。那么通过被麻醉者在设定时刻之前的体征、在设定时刻之前的麻醉药物用量、在设定时刻时的体征和在设定时刻时的麻醉药物用量去训练麻醉药物计算模型，使得麻醉药物计算模型能够参考不同时刻的体征进行麻醉药物的用量计算，以实现训练出的模型能够准确确定出麻醉药物的用量。
结合第二方面，在第一种可能的实现方式中，相邻的每两组所述训练样本中的前一组样本包括：所述被麻醉者在前一个设定时刻之前的体征和麻醉药物用量、在所述前一个设定时刻时的体征和麻醉药物用量；相邻的每两组所述训练样本中的后一组样本包括：所述被麻醉者在后一个设定时刻之前的体征和麻醉药物用量、在所述后一个设定时刻时的体征和麻醉药物用量，利用所述多组训练样本训练预设的麻醉药物计算模型，包括：
利用所述麻醉药物计算模型处理历史收益、所述被麻醉者在前一个设定时刻之前的体征和麻醉药物用量，以及处理在所述前一个设定时刻时的体征和麻醉药物用量，获得第一收益，其中，所述历史收益为利用所述麻醉药物计算模型处理在前一组样本之前一组所述训练样本而获得，或者所述历史收益为0；
调整所述麻醉药物计算模型的参数；
利用调整后的麻醉药物计算模型处理所述第一收益，所述被麻醉者在后一个设定时刻之前的体征和麻醉药物用量，以及处理在所述后一个设定时刻时的体征和麻醉药物用量，获得第二收益，其中，所述第二收益大于所述第一收益，所述第二收益大于所述第一收益表示调整所述参数使得所述调整后的麻醉药物计算模型的计算更准确。
本申请实施例中，通过麻醉药物计算模型输出的收益大小来衡量麻醉药物计算模型计算的准确度，实现了将麻醉药物计算模型计算的准确度量化，从而更好的训练模型。
第三方面，本申请实施例提供了一种麻醉药物计算模型，包括：
输入层，所述输入层用于采集被麻醉者的当前体征；
处理层，用于根据所述当前体征执行如第一方面或第一方面的任一种可能的实现方式所述的麻醉药物用量的确定方法，以确定出与所述当前体征匹配的麻醉药物的当前用量；
输出层，用于将所述当前用量输出。
第四方面，本申请实施例提供了一种具有计算机可执行的非易失程序代码的计算机可读存储介质，所述程序代码使所述计算机执行如第一方面或第一方面的任一种可能的实现方式所述的麻醉药物用量的确定方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种麻醉药物计算模型的训练方法的流程图；
图2为本申请实施例提供的一种麻醉药物用量的确定方法的流程图；
图3为本申请实施例提供的一种电子设备的结构框图；
图4为本申请实施例提供的一种麻醉药物计算模型的结构框图。
具体实施方式m
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例提供了一种麻醉药物用量的确定方法，麻醉药物用量的确定方法可以由电子设备来执行，该电子设备可以是终端或者服务器，其中，终端可以是个人电脑(Personal Computer，PC)、平板电脑、智能手机、个人数字助理(Personal DigitalAssistant，PDA)等；服务器可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。
实际使用中，电子设备可以与用于采集被麻醉者在术中的体征的各种仪器连接，例如与心电图监测仪、呼吸仪、血压计以及麻醉泵等仪器连接，实时的采集被麻醉者在术中的体征以及麻醉药物的用量。电子设备中预设有训练好的麻醉药物计算模型，通过该麻醉药物计算模型处理历史中在同一时刻采集的历史体征和麻醉药物的历史用量，以及处理当前采集的当前体征，便可以确定出该麻醉药物与该当前体征匹配的当前用量。
下面将分别从实际使用前训练模型的角度，以及实际中使用模型的角度详细说明本申请的技术方案。
请参阅图1，在训练过程中，本申请实施例提供的一种麻醉药物计算模型的训练方法，其流程可以包括：
步骤S100：获取多组训练样本，其中，每组训练样本包括：被麻醉者的前一时刻的体征、前一时刻的麻醉药物用量、下一时刻的体征和下一时刻的麻醉药物用量。
步骤S200：利用该多组训练样本训练预设的麻醉药物计算模型。
下面将依次对上述流程进行详细说明。
步骤S100：获取多组训练样本，其中，每组训练样本包括：被麻醉者在设定时刻之前的体征、在设定时刻之前的麻醉药物用量、在设定时刻时的体征和在设定时刻时的麻醉药物用量。
首先需要指出的是，本实施例中的麻醉药物计算模型可以采用用药收益函数或者深度神经网络。由于采用用药收益函数和深度神经网络在训练以及使用方面都有所不同，故本实施例将分别予以说明。
针对用药收益函数：
一个用药收益函数一般用于计算一种麻醉药物的用量，而实际中被麻醉者在术中通常需要同时使用多种麻醉药物，故电子设备可以针对每种麻醉药物对应设置一个用药收益函数，并对每个用药收益函数进行训练。
例如，在各种麻醉药物中，用于麻醉维持的丙泊酚和瑞芬太尼这两种药物具有短效可控性好、副作用小、同时兼顾被麻醉者循环血压和心率调控的特性，在麻醉深度调控技术上具有非常好的操控性，故可以选择这两种药物来进行机器学习。换言之，电子设备可以针对丙泊酚建立一个用药收益函数，以及针对瑞芬太尼建立另一个用药收益函数。在此基础上，在各种麻醉药物中，用于辅助调控被麻醉者的循环的间羟胺、麻黄碱以及阿托品这三种药物，其对被麻醉者循环心率等影响的特性较稳定，故也可以选择这三种药物来进行机器学习。换言之，在建立两个用药收益函数的基础上，电子设备可以针对间羟胺建第三个用药收益函数，以及针对麻黄碱建立第四个用药收益函数，最后针对阿托品建立第五个用药收益函数，并对这五个用药收益函数进行训练。
可以理解到，电子设备对每个用药收益函数的训练原理都大致相同，为便于说明，本实施将以电子设备对某一个用药收益函数进行训练为例来进行说明。
在每个被麻醉者的手术从开始到结束的过程中，可以周期性例如每3分钟为一个周期或每1分钟为一个周期的记录被麻醉者在每个周期的开始或结束(周期开始或结束的时刻为设定时刻)时的体征以及麻醉药物的用量，其中，记录的方式可以由电子设备直接从各种仪器上采集并记录；或者由其它设备从各种仪器上采集后再将其发送给电子设备记录；或者还可以由工作人员手动记录，并在记录后将其输入到电子设备上存储。
在记录的这些体征以及麻醉药物的用量中，同一被麻醉者在一个设定时刻时，采集到的体征以及麻醉药物的用量可以作为一个训练样本，换言之，一个训练样本中包括：该被麻醉者在设定时刻时的体征、以及该被麻醉者在设定时刻时的麻醉药物用量。
而在采集到足够多的训练样本后例如采集到1000个、10000个甚至100000个训练样本后，便可以利用这些训练样本对用药收益函数进行训练。
针对深度神经网络：
由于深度神经网络的拟合效果很好，故深度神经网络可以同时处理多种元素，并针对多种元素进行输出。换言之，深度神经网络可以同时处理被麻醉者的当前体征、历史体征以及各种麻醉药物的历史用量，从而输出与当前体征匹配的各种麻醉药物的当前用量。
针对这种特点，在每个被麻醉者的手术从开始到结束的过程中，也可以周期性例如每3分钟为一个周期或每1分钟为一个周期的记录被麻醉者在每个周期的开始或结束(周期开始或结束的时刻为设定时刻)时的体征以及各种麻醉药物的用量。
在记录的这些体征以及各种麻醉药物的用量中，同一被麻醉者在相邻的两个设定时刻时，采集到的体征以及各麻醉药物的用量可以作为一个训练样本，换言之，一个训练样本中包括：该被麻醉者在前一个设定时刻时的体征和各种麻醉药物的用量、以及该被麻醉者在后一个设定时刻时的体征和各种麻醉药物的用量。
而在采集到足够多的训练样本后例如采集到1000个、10000个甚至100000个训练样本后，便可以利用这些训练样本对深度神经网络进行训练。
步骤S200：利用该多组训练样本训练预设的麻醉药物计算模型。
针对用药收益函数：
由于实际使用是计算一个被麻醉者在整个手术过程中使用的麻醉药物的用量，为实现训练出的模型能够在实际中更好应用，故对用药收益函数的训练可以是以多个训练样本中来自每一个被麻醉者的训练样本为单位进行训练。
假设，被麻醉者A的训练样本按从手术开始到结束的顺序依次包括：训练样本A1、训练样本A2、训练样本A3、训练样本A4，而被麻醉者B的训练样本按从手术开始到结束的顺序依次包括：训练样本B1、训练样本B2、训练样本B3、训练样本B4。那么对用药收益函数的训练可以是先依次利用训练样本A1、训练样本A2、训练样本A3、训练样本A4对用药收益函数训练，获得训练后的用药收益函数，再依次利用训练样本B1、训练样本B2、训练样本B3、训练样本B4对训练后的用药收益函数继续训练。
本实施例中，用药收益函数的作用为利用自身的参数计算出收益，收益越大则说明收益对应的麻醉药物的用量越准确。故对用药收益函数的训练方式可以是迭代的训练，使得用药收益函数计算出的收益越来越大，越来越逼近理论上的最大收益。
在迭代的过程中，可以针对同一被麻醉者对用药收益函数进行迭代，换言之，一次迭代的流程以用药收益函数计算一个被麻醉者在手术中第一次采集的样本为开始，以计算该被麻醉者在手术中最后一次采集的样本为结束。而一次迭代的流程中的每一次的迭代则是用药收益函数利用被麻醉者上一次训练计算出的收益以及本次训练的训练样本，计算出本次训练的收益。需要说明的是，在一次迭代开始时，上一次训练计算出的收益为0。
继续前述假设，第一个迭代过程是：利用用药收益函数计算训练样本A1获得收益1、优化用药收益函数、利用优化的用药收益函数计算收益1和训练样本A2获得收益2、继续优化用药收益函数、利用继续优化的用药收益函数计算收益2和训练样本A3获得收益3、再次优化用药收益函数、最后利用再次优化的用药收益函数计算收益3和训练样本A4获得收益4、并最后优化用药收益函数，完成第一个迭代过程。
在第一个迭代过程完成后，电子设备便开始进行第二个迭代。第二个迭代的过程是：利用第一次迭代优化的用药收益函数计算训练样本B1获得收益5、继续优化用药收益函数、利用最新优化的用药收益函数计算收益5和训练样本B2获得收益6、继续优化用药收益函数、利用最新优化的用药收益函数计算收益6和训练样本B3获得收益7、再次优化用药收益函数、最后利用最新优化的用药收益函数计算收益7和训练样本B4获得收益8、并最后优化用药收益函数，完成第二个迭代过程。
为便于清楚的理解本方案，下面将以电子设备利用相邻的两组训练样本进行迭代过程中的某一次迭代为例进行说明。
作为一种方式，电子设备可以直接利用用药收益函数计算上一次训练的历史收益，以及计算相邻的两组训练样本的前一组样本中数据，确定出第一收益。其中，前一组样本中数据包括被麻醉者在前一个设定时刻时的体征和麻醉药物用量。
作为另一种方式，由于麻醉深度也是衡量麻醉药物用量的重要指标，故电子设备可以先计算出被麻醉者在前一个设定时刻时的正常麻醉深度，再利用正常麻醉深度、历史收益、以及被麻醉者在前一个设定时刻时的体征和麻醉药物用量，确定出第一收益。
作为确定正常麻醉深度的示例性方式，电子设备可以先利用麻醉药物的用量计算出药物浓度，再根据药物浓度确定出该正常麻醉深度。
具体的，电子设备预设了该被麻醉者的基本体征例如年龄、性别、身高以及体重等，电子设备利用基本体征，可以确定出该被麻醉者的药物渗透速度。
电子设备预设了药物浓度的计算规则，电子设备利用该药物浓度的规则计算该药物渗透速度，以及计算在相邻的两组训练样本之前的一组样本中的麻醉药物用量，可以确定出麻醉药物分别在被麻醉者的血液、肌肉以及脂肪隔室中的浓度，并确定出麻醉药物从血液、肌肉以及脂肪隔室最终渗透到被麻醉者的病理区域的药物浓度。其中，药物浓度的计算规则可以如下式1所示：
(1)
(2)
(3)
(4)
在式(1)中，vji别表示该被麻醉者的血液、肌肉、脂肪隔室的药物渗透速度；xi(t)分别表示该被麻醉者的血液、肌肉、脂肪隔室中的药物浓度；ceffect(t)表示该被麻醉者的病理区域的药物浓度。
在确定出病理区域的药物浓度，电子设备可以利用预设的麻醉深度计算规则，计算该病理区域的药物浓度，从而确定出被麻醉者的正常麻醉深度。其中，该正常麻醉深度为在该相邻的两组训练样本中前一个设定时刻时的麻醉深度，麻醉深度计算规则可以如下式2所示：
在式(2)中，BIS0是预设参数，其表示实时被麻醉者的清醒状态的基线值；c50也是预设参数，其表示所述麻醉药物的最佳浓度剂量；BIS(ceffect(t))则表示确定出的正常麻醉深度。
确定出前一个设定时刻时的麻醉药物用量对应正常麻醉深度后，电子设备便可以进一步确定第一收益。
作为确定第一收益的示例性方式，该用药收益函数可以包括第一子函数和第二子函数，其中，第一子函数可以用于计算正常麻醉深度以及前一组样本中的数据对应的得分，第二子函数则用于根据得分确定出第一收益。
具体的，电子设备通过第一子函数处理在前一个设定时刻时的体征和麻醉药物用量，以及处理正常麻醉深度，从而确定出麻醉药物在前一个设定时刻的用药得分。其中，由于体征可以包括：收缩压、舒张压、心率和呼吸频率，故电子设备利用体征进行的计算实则是利用收缩压、舒张压、心率和呼吸频率进行计算。
本实施例中，第一子函数可以如下式(3)所示：
if BISt＞60，ut＝0
在式(3)中，rt(u，SBP，DBP，HR，Freq)表示用药得分、BISt表示正常麻醉深度、DBPt表示收缩压、SBPt表示舒张压、HRt表示心率、rrt表示呼吸频率、Weight表示被麻醉者的体重、
表示该被麻醉者初次注射麻醉药物的初始用量对应的用药得分，
表示收缩压的得分、
表示舒张压的得分、
表示心率的得分、以及
表示呼吸频率的得分、C0、Cu、CSBP、CDBP、CHR和CBIS表示预设的权重。
进一步的，由于电子设备在历史中每一次迭代都按照与上述相同的原理对应确定出了用药得分，那么电子设备便可以利用第二子函数计算历史中每一次迭代确定出的历史用药得分，计算本次的在前一个设定时刻的用药得分，以及历史收益，确定出本次的第一收益。
本实施例中，第二子函数可以如下式(4)所示：
其中，Vt+n(St)表示收益、Vt+n-1(St)表示历史收益、，ri(u，SBP，DBP，HR，Freq)表示第i次用药得分、α和β为常量的参数。
确定第一收益之后，电子设备可以按照预设的规则调整第二子函数中该常量的参数，其中，调整第二子函数中该常量的参数可以理解为调整用药收益函数的参数。在调整参数后，电子设备便可以开始对第二收益进行计算。
作为一种方式，电子设备可以直接利用计算出的第一收益，以及计算相邻的两组训练样本的后一组样本中数据，确定出第二收益。其中，后一组样本中数据包括被麻醉者在后一个设定时刻时的体征和麻醉药物用量。
作为另一种方式，由于麻醉深度也是衡量麻醉药物用量的重要指标，故电子设备可以先计算出被麻醉者在后一个设定时刻时的正常麻醉深度，再利用正常麻醉深度、第一收益、以及被麻醉者在后一个设定时刻时的体征和麻醉药物用量，确定出第二收益。
具体的，电子设备根据药物浓度的计算规则，电子设备利用该药物浓度的规则计算该药物渗透速度，以及计算相邻的两组训练样本中前一个设定时刻时的麻醉药物用量，可以确定出麻醉药物分别在被麻醉者的血液、肌肉以及脂肪隔室中的浓度，并确定出麻醉药物从血液、肌肉以及脂肪隔室最终渗透到被麻醉者的病理区域的药物浓度。
在确定出病理区域的药物浓度，电子设备可以利用预设的麻醉深度计算规则，计算该病理区域的药物浓度，从而确定出被麻醉者在该后一个设定时刻时的麻醉药物用量下的正常麻醉深度。
在确定出后一个设定时刻时的麻醉药物用量对应正常麻醉深度后，电子设备便通过第一子函数处理在后一个设定时刻时的体征和麻醉药物用量，以及处理正常麻醉深度，从而确定出麻醉药物在后一个设定时刻的用药得分。
进一步的，电子设备再利用第二子函数计算历史中每一次迭代确定出的历史用药得分，计算本次的在后一个设定时刻的用药得分，以及第一收益，确定出本次的第二收益。
需要说明的是，由于电子设备调整了用药收益函数的参数，可以使得确定出的第二收益高于第一收益，以实现模型的强化学习。
针对深度神经网络：
电子设备可以依次利用每个训练样本训练该深度神经网络，其中，由于每一次训练该深度神经网络的流程都大致相同，为便于清楚的理解，下面将利用某一个训练样本训练该深度神经网络为例进行说明。
具体的，电子设备可以将该被麻醉者在前一个设定时刻时的体征和各种麻醉药物的用量、以及该被麻醉者在后一个设定时刻时的体征和各种麻醉药物的用量输入到深度神经网络。
本实施例中，被麻醉者在后一个设定时刻时各种麻醉药物的用量可以作为标签而不参计算，那么该深度神经网络便可以利用该被麻醉者在前一个设定时刻时的体征和各种麻醉药物的用量、以及该被麻醉者在后一个设定时刻时的体征，预估出该被麻醉者在后一个设定时刻时各种麻醉药物的预估用量。
进一步的，电子设备根据预估用量与标签之间的LOSS，便可以反向传播的优化深度神经网络，以实现对该深度神经网络训练，使得深度神经网络输出的预估用量不断逼近该标签。
请参阅图2，在完成训练后，模型可以投入实际应用。在实际应用中，本申请实施例提供的一种麻醉药物用量的确定方法的流程可以包括：
步骤S101：采集被麻醉者的当前体征；
步骤S201：通过预设的麻醉药物计算模型处理该当前体征，以及该被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出该麻醉药物与该当前体征匹配的当前用量。
下面将依次对上述流程进行详细说明。
步骤S101：采集被麻醉者的当前体征。
在被麻醉者的手术过程中，电子设备可以周期性例如每3分钟为一个周期或每1分钟为一个周期的从该被麻醉者的各种仪器上采集该被麻醉者的当前体征，即采用到该被麻醉者当前的收缩压、当前的舒张压、当前的心率和当前的呼吸频率。
获取到当前体征后，电子设备可以进一步执行步骤S201。
步骤S201：通过预设的麻醉药物计算模型处理该当前体征，以及该被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出该麻醉药物与该当前体征匹配的当前用量。
针对用药收益函数：
作为一种方式，电子设备可以直接利用用药收益函数处理被麻醉者历史使用麻醉药物的历史最大收益、该被麻醉者的当前体征、被麻醉者的历史体征、该麻醉药物的历史用量、以及麻醉药物的正常用量，确定出当前使用所述麻醉药物的当前最大收益；其中，历史最大收益为基于在当前时刻的前一个时刻采集到的历史体征而确定出的最大收益、历史体征为被麻醉者在前一个时刻采集到的体征、历史用量为该麻醉药物在前一个时刻确定出的用量。
但需要说明的是，若当前体征为该被麻醉者初次采集到的体征，那么参与计算的历史体征和历史用量均为0。
作为另一种方式，电子设备也可以计算出该被麻醉者当前的正常麻醉深度，并将该当前的正常麻醉深度也参与到计算，即电子设备可以利用用药收益函数处理被麻醉者历史使用麻醉药物的历史最大收益、该被麻醉者当前的正常麻醉深度、该被麻醉者的当前体征、被麻醉者的历史体征、该麻醉药物的历史用量、以及该被麻醉者当前的正常麻醉深度对应的麻醉药物的正常用量，确定出当前使用麻醉药物的当前最大收益。
也需要说明的是，若当前体征为该被麻醉者初次采集到的体征，那么参与计算的历史体征和历史用量也均为0。
作为将当前的正常麻醉深度参与到计算来确定当前最大收益的示例性方式，电子设备通过预设的该被麻醉者的基本体征确定出该被麻醉者的药物渗透速度。以及，电子设备利用该药物浓度的规则计算该药物渗透速度，以及计算该麻醉药物前一次确定出的历史用量，确定出该麻醉药物分别在被麻醉者的血液、肌肉以及脂肪隔室中的浓度，并确定出麻醉药物从血液、肌肉以及脂肪隔室最终渗透到被麻醉者的病理区域的药物浓度。基于确定出病理区域的药物浓度，电子设备继续利用预设的麻醉深度计算规则，计算该病理区域的药物浓度，确定出被麻醉者当前的正常麻醉深度。
确定出当前的正常麻醉深度后，电子设备便可以进一步在当前的正常麻醉深度下的最大收益。
作为确定最大收益的示例性方式，麻醉药物的用药策略有多种例如有22种策略其分别为：0,(0,1],(1,2],...,(9,10],(10,11],(11,12],…,(19,20]和(20,∞)，每种策略对应一个用量，因此，正常麻醉深度对应的各种正常用量可以理解为将该正常麻醉深度维持在合理深度范围内所采用的用药策略有多种。在此基础上，电子设备可以将正常麻醉深度对应的每种正常用量依次参与到利用第一子函数对该被麻醉者的当前体征、预设的麻醉药物的初始用量、以及被麻醉者当前的正常麻醉深度的计算，从而确定出该麻醉药物各种正常用量对应的各种当前用药得分，其中，每种正常用量对应计算出一种当前用药得分。
进一步的，电子设备还可以将每种当前用药得分依次参与到利用第二子函数对该历史最大收益、麻醉药物的历史用药得分、以及麻醉药物的初始用量，从而确定出当前使用麻醉药物的多种当前收益，其中，每种当前用药得分对应计算出一种当前收益，麻醉药物的历史用药得分为历史中每一次确定出麻醉药物用量对应的得分。
最后，电子设备可以从多种当前收益中选择出收益最高的当前最大收益，该当前最大收益对应的当前用量则为当前最佳用药策略下的用量。
针对深度神经网络：
电子设备可以将当前体征，以及被麻醉者在同一历史时刻的历史体征和各种麻醉药物的历史用量输入深度神经网络，从而电子设备可以获得深度神经网络输出的各种麻醉药物与该当前体征匹配的当前用量。
请参阅图3，基于同一发明构思，本申请实施例中还提供一种电子设备10，该电子设备10可以包括连接到各种仪器的通信接口11、用于执行程序指令的一个或多个处理器12、总线13、和不同形式的存储器14，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。
通信接口11从各种仪器采集被麻醉者的当前体征；
存储器14用于存储程序，处理器12从通过调用并运行存储器14中的程序，以基于该被麻醉者的当前体征执行前述的麻醉药物用量的确定方法。
请参阅图4，基于同一发明构思，本申请实施例中还提供一种麻醉药物计算模型100，该麻醉药物计算模型100可以部署在电子设备10上，该麻醉药物计算模型100可以包括：
输入层110，所述输入层用于采集被麻醉者的当前体征；
处理层120，处理层120中部署有前述的用药收益函数或者深度神经网络，用于通过用药收益函数或者深度神经网络处理所述当前体征，以执行前述的麻醉药物用量的确定方法，确定出与所述当前体征匹配的麻醉药物的当前用量；
输出层130，用于将所述当前用量输出。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的模型、系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该计算机可读存储介质上存储有程序代码，该程序代码被计算机运行时执行上述任一实施方式的麻醉药物用量的确定方法的步骤。
本申请实施例所提供的麻醉药物用量的确定方法的程序代码产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
综上所述，本申请实施例提供了一种麻醉药物用量的确定方法、模型的训练方法以及模型。由于麻醉药物在体内具有残留作用，故某个时刻需要注射多少麻醉药物不仅需要依赖于与被麻醉者当前时刻的体征，还需要参考该被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量。因此，麻醉药物计算模型通过处理被麻醉者的当前体征、同一历史时刻的历史体征和麻醉药物的历史用量，可确定出的麻醉药物的当前用量符合被麻醉者的当前体征所需的用量，以实现准确的预测麻醉药物的用量。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (4)
1.一种麻醉药物用量的确定方法，其特征在于，所述方法包括：
采集被麻醉者的当前体征；
通过预设的麻醉药物计算模型处理所述当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量；
其中，所述麻醉药物计算模型包括第一子函数和第二子函数，所述通过预设的麻醉药物计算模型处理所述当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量，包括：
通过所述第一子函数处理所述当前体征、所述麻醉药物的初始用量、所述被麻醉者当前的正常麻醉深度以及所述正常麻醉深度对应的正常用量，确定出所述麻醉药物的当前用药得分；
通过所述第二子函数处理历史最大收益、预设的所述麻醉药物的历史用药得分、所述初始用量、以及所述当前用药得分，确定出所述当前使用所述麻醉药物的当前收益；
从所述当前收益中选择出收益最高的当前最大收益，其中，所述当前最大收益对应的用量为所述当前用量；
以及，所述第一子函数包括：
if BISt＞60，ut＝0
其中，rt(u，SBP，DBP，HR，Freq)表示所述当前用药得分、BISt表示所述正常麻醉深度、DBPt表示所述当前体征中的收缩压、SBPt表示所述当前体征中的舒张压、HRt表示所述当前体征中的心率、rrt表示所述当前体征中的呼吸频率、Weight表示所述被麻醉者的体重、
表示所述收缩压的得分、
表示所述舒张压的得分、
表示所述心率的得分、以及
表示所述呼吸频率的得分、C0、Cu、CSBP、CDBP、CHR和CBIS表示预设的权重；
所述第二子函数包括：
其中，Vt+n(St)表示所述当前最大收益、Vt+n-1(St)表示所述历史最大收益、
表示所述初始用量对应的用药得分，ri(u，SBP，DBP，HR，Freq)表示第i次用药得分、α和β为常量的参数。
2.根据权利要求1所述的麻醉药物用量的确定方法，其特征在于，在通过所述第一子函数处理所述当前体征、所述麻醉药物的初始用量、所述被麻醉者当前的正常麻醉深度以及所述正常麻醉深度对应的所述正常用量，确定出所述麻醉药物的当前用药得分之前，所述方法还包括：
根据所述当前体征，确定出所述被麻醉者的药物渗透速度；
根据所述药物渗透速度和所述麻醉药物前一次确定出的所述历史用量，确定出所述被麻醉者的病理区域的药物浓度；
根据所述药物浓度，确定出所述正常麻醉深度。
3.一种麻醉药物计算模型的训练方法，其特征在于，所述方法包括：
获取多组训练样本，其中，每组所述训练样本包括：被麻醉者在设定时刻之前的体征、在所述设定时刻之前的麻醉药物用量、在所述设定时刻时的体征和在所述设定时刻时的麻醉药物用量；
利用所述多组训练样本训练预设的麻醉药物计算模型；
其中，所述麻醉药物计算模型包括第一子函数和第二子函数，通过预设的麻醉药物计算模型处理当前体征，以及所述被麻醉者在同一历史时刻的历史体征和麻醉药物的历史用量，确定出所述麻醉药物与所述当前体征匹配的当前用量，包括：
通过所述第一子函数处理所述当前体征、所述麻醉药物的初始用量、所述被麻醉者当前的正常麻醉深度以及所述正常麻醉深度对应的正常用量，确定出所述麻醉药物的当前用药得分；
通过所述第二子函数处理历史最大收益、预设的所述麻醉药物的历史用药得分、所述初始用量、以及所述当前用药得分，确定出所述当前使用所述麻醉药物的当前收益；
从所述当前收益中选择出收益最高的当前最大收益，其中，所述当前最大收益对应的用量为所述当前用量；
以及，所述第一子函数包括：
if BISt＞60,ui＝0
其中，rt(u，SBP，DBP，HR，Freq)表示所述当前用药得分、BISt表示所述正常麻醉深度、DBPt表示所述当前体征中的收缩压、SBPt表示所述当前体征中的舒张压、HRt表示所述当前体征中的心率、rrt表示所述当前体征中的呼吸频率、Weight表示所述被麻醉者的体重、
表示所述收缩压的得分、
表示所述舒张压的得分、
表示所述心率的得分、以及
表示所述呼吸频率的得分、C0、Cu、CSBP、CDBP、CHR和CBIS表示预设的权重；
所述第二子函数包括：
其中，Vt+n(St)表示所述当前最大收益、Vt+n-1(St)表示所述历史最大收益、
表示所述初始用量对应的用药得分，ri(u，SBP，DBP，HR，Freq)表示第i次用药得分、α和β为常量的参数。
4.根据权利要求3所述的麻醉药物计算模型的训练方法，其特征在于，相邻的每两组所述训练样本中的前一组样本包括：所述被麻醉者在前一个设定时刻时的体征和麻醉药物用量；相邻的每两组所述训练样本中的后一组样本包括：所述被麻醉者在后一个设定时刻时的体征和麻醉药物用量，利用所述多组训练样本训练预设的麻醉药物计算模型，包括：
利用所述麻醉药物计算模型处理历史收益、所述被麻醉者在所述前一个设定时刻时的体征和麻醉药物用量，获得第一收益，其中，所述历史收益为利用所述麻醉药物计算模型处理在前一组样本之前一组所述训练样本而获得，或者所述历史收益为0；
调整所述麻醉药物计算模型的参数；
利用调整后的麻醉药物计算模型处理所述第一收益，所述被麻醉者在所述后一个设定时刻时的体征和麻醉药物用量，获得第二收益，其中，所述第二收益大于所述第一收益，所述第二收益大于所述第一收益表示调整所述参数使得所述调整后的麻醉药物计算模型的计算更准确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911169179.2A CN110827950B (zh) | 2019-11-25 | 2019-11-25 | 麻醉药物用量的确定方法、模型的训练方法以及模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911169179.2A CN110827950B (zh) | 2019-11-25 | 2019-11-25 | 麻醉药物用量的确定方法、模型的训练方法以及模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110827950A CN110827950A (zh) | 2020-02-21 |
| CN110827950B true CN110827950B (zh) | 2022-10-28 |
Family
ID=69559214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911169179.2A Active CN110827950B (zh) | 2019-11-25 | 2019-11-25 | 麻醉药物用量的确定方法、模型的训练方法以及模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110827950B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508581A (zh) * | 2020-04-23 | 2020-08-07 | 张琦 | 一种医院麻醉治疗管理系统 |
| CN112102915B (zh) * | 2020-09-24 | 2022-12-27 | 苏州市立医院 | 一种营养液摄入量的智能控制方法和装置 |
| CN112807542B (zh) * | 2021-01-11 | 2022-05-27 | 南通市第二人民医院 | 一种麻醉剂用量控制的方法和装置 |
| CN117577264B (zh) * | 2023-12-12 | 2024-09-06 | 南栖仙策(南京)高新技术有限公司 | 给药信息确定方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102483741A (zh) * | 2009-06-08 | 2012-05-30 | 爱尔斯特里普Ip控股有限责任公司 | 用于查看患者数据的系统和方法 |
| CN102551910A (zh) * | 2010-12-28 | 2012-07-11 | 四川大学华西医院 | 一种恒河猴老年痴呆模型的建立方法及药物筛选方法 |
| CN102802412A (zh) * | 2009-12-08 | 2012-11-28 | 海玛奎斯特医药公司 | 用于治疗红细胞病症的方法及低剂量方案 |
| CN103432650A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种基于Bayesian网络的自动麻醉控制方法 |
| WO2017001495A1 (en) * | 2015-06-29 | 2017-01-05 | Koninklijke Philips N.V. | Optimal drug dosing based on current anesthesia practice |
| CN106730213A (zh) * | 2016-12-15 | 2017-05-31 | 湖北民族学院附属民大医院 | 一种数字化麻醉控制系统 |
| CN110156666A (zh) * | 2018-02-11 | 2019-08-23 | 四川大学华西医院 | 一种阳离子类化合物及其制备方法与用途 |
| CN110349642A (zh) * | 2019-07-09 | 2019-10-18 | 泰康保险集团股份有限公司 | 智能麻醉实施方法、装置、设备及存储介质 |
-
2019
- 2019-11-25 CN CN201911169179.2A patent/CN110827950B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102483741A (zh) * | 2009-06-08 | 2012-05-30 | 爱尔斯特里普Ip控股有限责任公司 | 用于查看患者数据的系统和方法 |
| CN102802412A (zh) * | 2009-12-08 | 2012-11-28 | 海玛奎斯特医药公司 | 用于治疗红细胞病症的方法及低剂量方案 |
| CN102551910A (zh) * | 2010-12-28 | 2012-07-11 | 四川大学华西医院 | 一种恒河猴老年痴呆模型的建立方法及药物筛选方法 |
| CN103432650A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种基于Bayesian网络的自动麻醉控制方法 |
| WO2017001495A1 (en) * | 2015-06-29 | 2017-01-05 | Koninklijke Philips N.V. | Optimal drug dosing based on current anesthesia practice |
| CN106730213A (zh) * | 2016-12-15 | 2017-05-31 | 湖北民族学院附属民大医院 | 一种数字化麻醉控制系统 |
| CN110156666A (zh) * | 2018-02-11 | 2019-08-23 | 四川大学华西医院 | 一种阳离子类化合物及其制备方法与用途 |
| CN110349642A (zh) * | 2019-07-09 | 2019-10-18 | 泰康保险集团股份有限公司 | 智能麻醉实施方法、装置、设备及存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| Citerio, G 等.A multicentre, randomised, open-label, controlled trial evaluating equivalence of inhalational and intravenous anaesthesia during elective craniotomy.《EUROPEAN JOURNAL OF ANAESTHESIOLOGY》.2012,第29卷(第8期),第371-379页. * |
| Mohammad Reza Yousefi 等.Controlling the Depth of Anesthesia During Operation by Vital Parameters of the Patient’s Body Using a Fuzzy Controller.《 2018 IEEE International Symposium on Medical Measurements and Applications (MeMeA)》.2018,第1-6页. * |
| Syroid, ND 等.Development and evaluation of a graphical anesthesia drug display.《ANESTHESIOLOGY》.2002,第96卷(第3期),第565-575页. * |
| 唐艳 等.蛛网膜下腔出血后脑血管痉挛的在体动物模型.《国际脑血管病杂志》.2010,(第6期),第477-480页. * |
| 姜雪莺 等.猪腹主动脉瘤模型建立及腔内修复术中的麻醉管理研究.《北京医学》.2013,第35卷(第8期),第635-638页. * |
| 徐杰.基于Web的手术室信息管理系统设计与实现.《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》.中国学术期刊（光盘版）电子杂志社,2017,(第4期),第I138-139页. * |
| 迟源.麻醉信息管理系统的设计与实现.《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》.中国学术期刊（光盘版）电子杂志社,2019,(第6期),第I138-130页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110827950A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827950B (zh) | 麻醉药物用量的确定方法、模型的训练方法以及模型 | |
| EP3324842B1 (en) | Device and method for assessing the level of consciousness, pain and nociception during wakefulness, sedation and general anaesthesia | |
| US11478190B2 (en) | Noninvasive hydration monitoring | |
| RU2014111290A (ru) | Способ, система и машиночитаемый носитель для адаптационного рекомендательного контроля сахарного диабета | |
| US20160374625A1 (en) | Estimating Physiological States Based on Changes in CRI | |
| JP2013526887A (ja) | インスリン送達に関する監視機器 | |
| WO2010138640A2 (en) | Healthcare quality measurement | |
| EP3057507A1 (en) | Noninvasive hydration monitoring | |
| US20230282364A1 (en) | Integrated Platform for Connecting Physiological Parameters Derived from Digital Health Data to Models of Mortality, Morbidity, Life Expectancy and Lifestyle Interventions | |
| US20220047789A1 (en) | Adequacy assessment method and system | |
| WO2017044868A1 (en) | Estimating physiological states based on changes in cri | |
| CN116705276B (zh) | 供血驱动装置的参数推荐方法以及相关装置 | |
| CN111798956A (zh) | 一种用于人工智能麻醉的决策确定方法、装置及系统 | |
| CN112967780A (zh) | 基于pai的体能年龄预测方法、装置、设备和存储介质 | |
| US20150073754A1 (en) | Method and system for calculating indices for diabetes control | |
| US12073945B2 (en) | Patient ventilator asynchrony detection | |
| CN114694779A (zh) | 一种提高icu患者护理满意度的方法及系统 | |
| KR101330404B1 (ko) | 맥파를 이용한 건강 상태 판단 장치 및 방법 | |
| JP2023502075A (ja) | 予測データと対応する受信データの差異を評価する統合状態推定予測 | |
| KR20150028082A (ko) | 헬스 케어 장치 및 방법 | |
| CN111432712A (zh) | 数据处理装置、数据处理方法以及数据处理程序 | |
| JP2003288488A (ja) | 保険数理のデータ処理システム及び保険数理の方法 | |
| WO2022254574A1 (ja) | 疲労推定装置、疲労推定方法及び記憶媒体 | |
| CN110706785B (zh) | 基于对话的情感调节方法和系统 | |
| CN114121205A (zh) | 一种医疗支持系统及方法、计算机可读取介质 |
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 |