基于大数据研究模式对重症烧伤患者临床数据的挖掘与分析

研究背景 重症烧伤是一种严重的创伤,其病情凶险,并发症多,治疗难度大。其中脓毒症 (sepsis)和多器官功能不全综合症(multiple orgall dys矗mction s),11drome,MODS)是 重症烧伤患者治疗中最常出现的并发症,也是导致重症烧伤患者死亡的重要原因。近 年研究发现,MODS的本质就是严重脓毒症或脓毒性休克。早期诊断并预警脓毒症休 克或MODS是重症烧伤患者临床救治中的关键问题之一。随着信息技术的发展,大数 据已经开始逐渐进入到医学领域,特别是在临床医学研究中。大数据技术对繁杂临床 数据的分析及处理能力十分出色,有助于深入了解重症烧伤患者的病程变化规律,辅 助临床决策。 研究目的 采用大数据处理的基本思想及技术对重症烧伤患者的临床数据进行挖掘和分析, 探索重症烧伤患者临床数据的模式特征,寻找脓毒症休克的预测模型。 研究方法 通过电子病历系统及纸质病历收集纳入107例重症烧伤患者的临床数据。对数据 进行预处理后,首先采用无监督的算法(如分层聚类、基于主成分分析的分层聚类等) 和机器学习等方法对数据进行分析,探索患者聚类亚组分类和临床结局之间的关系。 而后使用质心算法对数据进行降维处理,提取患者发生脓毒症休克前的特征性数据变 化趋势,建立脓毒症休克的预测模型并进行验证。采用R i386 3.1.2、Matlab 7.0和SPSS 18.O等软件对数据进行数学计算和统计分析。通过比较F值筛选主要变量,使用线性 随机效应模型分析、提取数据变化趋势。最后使用C语言开发能够预测脓毒症休克发 生的通用软件。 结果: 1、本课题采集的重症烧伤患者临床数据时相点共2257个,每个时相点有58个观 察指标,共130906个数据值。 2、重症烧伤患者的临床数据可使用HCPC方法分为10个亚类。 6 万方数据第三军医大学硕士学位论文 3、通过比较不同亚类的组间均值差异,得出:体温(T)、呼吸频率(R)、舒 张压(DP)、收缩压(SP)、尿量(血ne)、血肌酐(CR)、血尿素氮(BUN)、 总胆红素(TBIL)、血小板(PLT)、肌酸激酶(CK)、氧分压(p02)、二氧化碳 分压(pC02)、乳酸(1actate)、碳酸氢根(HC03。)、氧合指数(oxygenation)为差 异性最明显的指标。使用上述15个指标替代原来的58项指标,可对聚类分类的标准 进行简化。 4、重症患者聚类分组与其临床结局关系密切。其中clusterl、cluster2、cluster4、 cluster8、cluSter9和clusterl0分类中患者好转的几率分别为91.00%、89.70%、60.50%、 66.40%、71.70%和80.70%。C1uster3和cluster5分类中患者死亡的几率分别为70.50% 和82.10%。cluster6和cluster7分类中患者发生脓毒症休克的几率分别为77.90%和 70.40%。 5、通过对患者质心值随时间变化的趋势图分析可知,死亡患者的质心变化大体呈 下降趋势,而存活患者相反,呈总体上升趋势。 6、通过提取重症烧伤患者发生脓毒症休克前的质心值变化特征,建立了脓毒症休 克的预测模型: 少{『=(0.2527280+N(0,6.450e-05))+(-0.0251963+N(0,1.273e-05))x+占i, 其中勺为随机因素,均为第i个患者第j个时相点的质心值,x为住院时间。 (0.2527280+N(0,6.450e.05))为模型的截距部分,(.O.0251963+N(O,1.273e.05)) 为模型的斜率,二者为一组服从正态性分布的数组。 7、对预测模型进行验证得到其:灵敏度为75.8%,特异度为67.3%,总体诊断准 确率为78.5%。 8、在上述研究的基础上,采用计算机C语言开发出相应的重症烧伤患者脓毒症 休克预测分析软件,分为网页版及单机版两种。可在线使用或与医疗系统耦合后直接 提取临床数据进行分析,以方便临床应用。 结论 1、重症烧伤患者的临床数据可使用聚类分析方法进行分类,不同的分类与不同的 临床结局之间关系密切。通过确定患者临床数据的实时分类,可对患者预后进行预测。 2、使用大数据技术可以将重症患者的58项临床数据近似地使用其中的15项数据 进行简化替代。 7 万方数据第三军医大学硕士学位论文 3、重症烧伤患者的临床数据可以使用质心算法进行降维,并且发生脓毒症休克前 重症烧伤患者的质心值会出现特征性变化, 者是否具有发生脓毒症休克的风险。此外, 床结局进行预测。

  • 2021-06-24
  • 阅读332
  • 下载0
  • 52页
  • pdf

泛在电力物联网下虚拟电厂的研究现状与展望

可再生能源的规模化接入与应用是泛在电力物联网的基础性特征之一,其固有的不确定性一方面会给电 网的安全稳定运行带来影响,另一方面导致其无法直接加入电力市场运营。虚拟电厂作为一种多能源的聚合模 式,可对分布式可再生能源进行协同控制,并以一个集合体的形式参与电力市场,对于实现泛在电力物联网建设 内容中提升电网安全经济运行水平以及促进清洁能源消纳具有重要意义。国内外对虚拟电厂的研究由来已久, 欧洲FENIX项目虚拟电厂以实现分布式电源可靠并网和电力市场运营为目标,而北美的虚拟电厂主要基于需求 响应计划,所以虚拟电厂聚合了大量可控负荷。在中国,国网冀北电力公司虚拟电厂示范工程兼顾考虑“源–网– 荷–储”的互动,将泛在可调资源聚合为可与电网柔性互动的互联网电厂。在此基础上,首先分析了虚拟电厂在协 调控制、优化调度、参与电力市场交易3个方面的研究现状。虚拟电厂的协调控制对象主要包括各种分布式电源、 储能系统、可控负荷以及电动汽车,协调控制方式主要分为集中式控制和分散式控制。在集中式控制下,虚拟电 厂的全部决策由中央控制单元制定;在分散式控制下,虚拟电厂的决策由各个代理系统取代。虚拟电厂的优化调 度是指在满足各机组出力约束和网络约束的前提下,以收益最大化、运行成本最小、碳排放最小为目标,对自身 内部多个电源的容量配置或出力进行优化调度,或者将虚拟电厂作为一个整体参与电网调度。此外,虚拟电厂利 用其先进的通信技术在参与电力市场交易时能够快速响应市场电价变化、负荷需求变化,对促进电力市场自由 化、增加市场灵活度、引导用户调峰调频等方面起到重要的作用。其次,详细阐述了泛在电力物联网下虚拟电厂 的关键技术,包括“边缘–云”计算架构、区块链技术和大数据技术。“边缘–云”计算架构,一方面,通过云主站对 虚拟电厂内部参与需求响应的负荷进行选择;另一方面,通过边缘计算感知用户用电行为,使得虚拟电厂在制定 投标策略时能够更加精准。区块链技术去中心化和透明化的特点与虚拟电厂在地域上的分散性和调度过程中的 协调控制有一定的相似之处,同时区块链技术也可保证虚拟电厂参与电力市场交易时的公平性和信息安全。大 数据技术一方面可用于对各分布式电源的出力进行更为精确的预测;另一方面也可用于处理虚拟电厂内部的各 种信息,提高各单元数据交换与处理的速度与精度。最后,对泛在电力物联网下虚拟电厂的研究进行了展望。考 虑了全成本节点电价下虚拟电厂的模型与优化调度方法以及虚拟电厂的信息物理安全问题与对策。

  • 2021-06-24
  • 阅读332
  • 下载0
  • 10页
  • pdf