基于呼吸波形特征参数时间序列的AECOPD预测方法

摘要

为实现慢性阻塞性肺疾病急性加重（AECOPD）事件的早期预测，搭建基于远程呼吸机的患者呼吸波形监测系统，收集记录29名发生疾病加重事件的患者和29名处于疾病稳定期的患者所用呼吸机的日常参数，从呼吸波形中提取能够反映患者呼吸节律的特征参数，利用多天数的特征参数构成特征时间序列，建立多个疾病加重预测模型，并利用与患者住院日期间隔不同天数的特征时间序列对预测模型进行评估。结果表明：随着预测窗口的增加，模型对疾病加重事件的预测效果先上升后下降，模型的有效预测时间窗口为3～4 d，在3～4 d后，模型操作特性曲线（ROC）下的面积值（AUC值）不再有统计学意义；通过采用特征时间序列，该模型可以在疾病加重早期做出预测，为疾病的防治提供更多的干预机会。

关键词

慢性阻塞性肺疾病(COPD) / 机器学习 / 时间序列 / 远程医疗