一種基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法
【專利摘要】本發(fā)明公開了一種基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法，首先獲取至少表明全身麻醉一個(gè)組成部分麻醉程度的目標(biāo)參數(shù)，然后基于目標(biāo)參數(shù)推斷出病人所需的麻醉藥物種類、麻醉藥物劑量和注射速率等級，最后通過輸液傳輸裝置向病人輸送藥物。本發(fā)明的創(chuàng)新之處在于其自學(xué)習(xí)性，隨著在對特定傳感器生命監(jiān)控場景中使用時(shí)間的攀升，本發(fā)明方案會變得愈發(fā)精確，該方法能學(xué)習(xí)該醫(yī)生的操作模式；同時(shí)，每次手術(shù)結(jié)束后，算法都會儲存趨勢數(shù)據(jù)，通過統(tǒng)計(jì)學(xué)習(xí)方式改善麻醉控制的性能。
【專利說明】—種基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及麻醉控制領(lǐng)域，具體是一種可根據(jù)實(shí)時(shí)監(jiān)測病人生命體征信息進(jìn)行麻醉劑輸入的具有自學(xué)習(xí)能力的方法，針對不同的病人，該算法可選擇合適的麻醉藥物種類，計(jì)算出麻醉藥物劑量，確定麻醉等級和注射速率等級。
【背景技術(shù)】
[0002]麻醉定義了病人處于無意識的(同樣可以使用術(shù)語“麻醉”、“催眠”來描述這種狀態(tài))，無痛苦的(同樣可以使用術(shù)語“痛覺缺失”來形容這種狀態(tài))，肌肉放松的(同樣可以使用“神經(jīng)肌肉阻滯”、“肌肉阻滯”術(shù)語來形容這種狀態(tài))一種狀態(tài)。這三個(gè)組成部分在不同程度上描述了全身麻醉的需要具備的必要條件。全身麻醉的部分形式有局部麻醉，病人處于某種程度的無意識的、昏昏欲睡的、痛覺喪失的狀態(tài)，只保證和維護(hù)病人的無痛苦狀態(tài)，以允許對其進(jìn)行某些操作程序或干預(yù)。對于全身麻醉的三個(gè)組成部分，需要根據(jù)一些參數(shù)來確定其所處的不同程度。
[0003]貝葉斯網(wǎng)絡(luò)是一種概率網(wǎng)絡(luò)，它是基于概率推理的圖形化網(wǎng)絡(luò)，而貝葉斯公式則是這個(gè)概率網(wǎng)絡(luò)的基礎(chǔ)。貝葉斯網(wǎng)絡(luò)是基于概率推理的數(shù)學(xué)模型，所謂概率推理就是通過一些變量的信息來獲取其他的概率信息的過程，基于概率推理的貝葉斯網(wǎng)絡(luò)(Bayesiannetwork)是為了解決不定性和不完整性問題而提出的，它對于解決復(fù)雜要素的不確定性和關(guān)聯(lián)性引起的推理難題具有很大的優(yōu)勢，在多個(gè)領(lǐng)域中獲得廣泛應(yīng)用。
[0004]目前已有的自動麻醉技術(shù)僅是利用公式并參照醫(yī)生經(jīng)驗(yàn)得出的不同麻醉模式下靶濃度的數(shù)值，簡單地通過設(shè)定體重值和麻醉模式選擇，來設(shè)定麻醉劑(通常僅為異丙酚一種)的維持輸入速度，其靶濃度的值是預(yù)先設(shè)定的。已有方法存在的問題是，不能根據(jù)患者的實(shí)際情況選擇合適的麻醉藥物種類，如在某患者對異丙酚過敏的情況下，該如何進(jìn)行處理等等。
[0005]現(xiàn)實(shí)應(yīng)用中需要將人工智能與手工輸入相結(jié)合，其應(yīng)用效果將會比只由麻醉醫(yī)師打麻藥還來得安全。運(yùn)用該算法可實(shí)現(xiàn)麻醉藥物種類的自動選擇，麻醉藥物劑量的自動計(jì)算，麻醉等級和注射速率等級的自動評定，可大大減輕麻醉師的工作負(fù)荷，以支持麻醉師更好地進(jìn)行長時(shí)間手術(shù)，使其能將更多精力投入到監(jiān)控病人生理狀況等更重要的工作中。因此該算法具有非常良好的應(yīng)用前景。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供一種基于Bayesian Networks的自動麻醉控制方法。該方法通過運(yùn)用一種貝葉斯分類算法，來控制病人的麻醉至少一個(gè)組成部分，
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案為:一種基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法，主要包括以下步驟:首先獲取至少表明全身麻醉一個(gè)組成部分麻醉程度的目標(biāo)參數(shù)，然后基于目標(biāo)參數(shù)推斷出病人所需的麻醉藥物種類、麻醉藥物劑量和注射速率等級，最后通過輸液傳輸裝置向病人輸送藥物。[0007]所述全身麻醉包括催眠、痛覺喪失和肌肉松弛三個(gè)部分，全身麻醉組成部分麻醉程度的目標(biāo)參數(shù)為反映當(dāng)前催眠程度的參數(shù)、反映當(dāng)前痛覺喪失程度的參數(shù)和反映當(dāng)前肌肉松弛程度的參數(shù)。
[0008]基于目標(biāo)參數(shù)推斷出病人所需的麻醉藥物種類、麻醉藥物劑量和注射速率等級的具體方法如下:
步驟2.1:根據(jù)先驗(yàn)知識構(gòu)造貝葉斯網(wǎng)絡(luò)；
步驟2.2:訓(xùn)練貝葉斯網(wǎng)絡(luò)；
步驟2.3:用構(gòu)建出的貝葉斯網(wǎng)絡(luò)推斷麻醉藥物種類、注射藥劑量和注射速度。
[0009]步驟2.1中根據(jù)先驗(yàn)知識構(gòu)造貝葉斯網(wǎng)絡(luò)的具體步驟如下:
(1)獲取真實(shí)手術(shù)中麻醉實(shí)施的樣本，其中，麻醉實(shí)施樣本由病人的生命體征信息及其對應(yīng)的麻醉藥物種類、劑量和注射速度的選擇信息組成；生命體征傳感信息包括腦電雙頻指數(shù)BIS、動脈收縮壓、心跳和痛覺指數(shù)；
(2)由上述樣本經(jīng)關(guān)聯(lián)規(guī)則挖掘算法——Apriori算法得到所有滿足最小支持度閾值的頻繁項(xiàng)集和所有滿足最小置信度閾值的關(guān)聯(lián)規(guī)則；其中，關(guān)聯(lián)規(guī)則即麻醉實(shí)施樣本中隨機(jī)變量之間的因果關(guān)系；
(3)根據(jù)得到的關(guān)聯(lián)規(guī)則構(gòu)造相應(yīng)的貝葉斯網(wǎng)絡(luò)。
[0010]步驟2.2中的訓(xùn)練貝葉斯網(wǎng)絡(luò)分為兩種情況，具體如下:
[0011](I)當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)已知并且變量可見時(shí):采用樸素貝葉斯分類中涉及的概率計(jì)算方法計(jì)算貝葉斯網(wǎng)絡(luò)中的條件概率表項(xiàng)；
(2)當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)給定但某些變量隱藏時(shí):采用梯度下降方法計(jì)算貝葉斯網(wǎng)絡(luò)中的條件概率表項(xiàng)，方法具體如下:
1)對每個(gè)i,j, k,計(jì)算梯度:
【權(quán)利要求】
1.一種基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法,其特征在于:獲取至少表明全身麻醉一個(gè)組成部分麻醉程度的目標(biāo)參數(shù)，然后基于目標(biāo)參數(shù)推斷出病人所需的麻醉藥物種類、麻醉藥物劑量和注射速率等級，最后通過輸液傳輸裝置向病人輸送藥物。
2.根據(jù)權(quán)利要求1所述的基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法，其特征在于:所述全身麻醉包括催眠、痛覺喪失和肌肉松弛三個(gè)部分，全身麻醉組成部分麻醉程度的目標(biāo)參數(shù)為反映當(dāng)前催眠程度的參數(shù)、反映當(dāng)前痛覺喪失程度的參數(shù)和反映當(dāng)前肌肉松弛程度的參數(shù)。
3.根據(jù)權(quán)利要求1所述的基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法，其特征在于，基于目標(biāo)參數(shù)推斷出病人所需的麻醉藥物種類、麻醉藥物劑量和注射速率等級的具體方法如下: 步驟2.1:根據(jù)先驗(yàn)知識構(gòu)造貝葉斯網(wǎng)絡(luò)； 步驟2.2:訓(xùn)練貝葉斯網(wǎng)絡(luò)； 步驟2.3:用構(gòu)建出的貝葉斯網(wǎng)絡(luò)推斷麻醉藥物種類、注射藥劑量和注射速度。
4.根據(jù)權(quán)利要求1所述的基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法,其特征在于,步驟2.1中根據(jù)先驗(yàn)知識構(gòu)造貝葉斯網(wǎng)絡(luò)的具體步驟如下: 獲取真實(shí)手術(shù)中麻醉實(shí)施的樣本，其中，麻醉實(shí)施樣本由病人的生命體征信息及其對應(yīng)的麻醉藥物種類、劑量和注射速度的選擇信息組成； 由上述樣本經(jīng)關(guān)聯(lián)規(guī)則挖掘算法——Apriori算法得到所有滿足最小支持度閾值的頻繁項(xiàng)集和所有滿足最小置信度閾值的關(guān)聯(lián)規(guī)則；其中，關(guān)聯(lián)規(guī)則即麻醉實(shí)施樣本中隨機(jī)變量之間的因果關(guān)系； 根據(jù)得到的關(guān)聯(lián)規(guī)則構(gòu)造相應(yīng)的貝葉斯網(wǎng)絡(luò)。
5.根據(jù)權(quán)利要求1或3所述的基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法，其特征在于，步驟2.2中的訓(xùn)練貝葉斯網(wǎng)絡(luò)分為兩種情況，具體如下: (1)當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)已知并且變量可見時(shí):采用樸素貝葉斯分類中涉及的概率計(jì)算方法計(jì)算貝葉斯網(wǎng)絡(luò)中的條件概率表項(xiàng)； (2)當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)給定但某些變量隱藏時(shí):采用梯度下降方法計(jì)算貝葉斯網(wǎng)絡(luò)中的條件概率表項(xiàng)，方法具體如下: I)對每個(gè)i, j, k,計(jì)算梯度:
6.根據(jù)權(quán)利要求1或3所述的基于Bayesian網(wǎng)絡(luò)的自動麻醉控制方法，其特征在于:步驟2.3中用構(gòu)建出的貝葉斯網(wǎng)絡(luò)推斷麻醉藥物種類、注射藥劑量和注射速度的步驟如下: 輸入有向無環(huán)圖DAG，不可觀察要素節(jié)點(diǎn)I和正規(guī)化因子α ;對所有可觀察隨機(jī)變量節(jié)點(diǎn)用觀察值實(shí)例化，將不可觀察節(jié)點(diǎn)實(shí)例化為隨機(jī)值； 對DAG進(jìn)行遍歷，對每一個(gè)不可觀察節(jié)點(diǎn)y,計(jì)算汽= ?汽W細(xì).￡他辦)}0作.,Ift?.咖Φ.,)) ’其中&表示除j以外的其它所有節(jié)點(diǎn)，七.表 示_7的第j個(gè)子節(jié)點(diǎn)，α為正規(guī)化因子，α使得對除y以外的每個(gè)節(jié)點(diǎn)Wi，P (y I Wi)的總和為1，即
【文檔編號】G06N7/00GK103432650SQ201210591105
【公開日】2013年12月11日 申請日期:2012年12月31日 優(yōu)先權(quán)日:2012年12月31日
【發(fā)明者】王永利, 徐龍河, 張功萱, 劉冬梅, 莊雪琴, 錢秀娟, 孫淑榮, 王川 申請人:南京理工大學(xué)