【摘要】：目的本研究引入機器學習極端梯度提升樹(eXtreme Gradient Boosting,XGBoost)算法,將可能影響產后宮縮痛的每一個因素作為產后宮縮痛患者的特征表現(xiàn),對該患者的疼痛程度進行分類識別,以客觀的視角出發(fā),研制疼痛評估的新方法,為臨床醫(yī)護工作者提供一套完整的疼痛評估體系,改善以往不重視產后宮縮痛的局面,為產后宮縮痛的治療提供證據(jù)指標。方法1、采用現(xiàn)況調查的研究方法選取江西省某三級甲等專科醫(yī)院2017年6月-12月在產科分娩住院的經產婦作為調查對象,對經產婦的基本信息、分娩信息、產后宮縮痛疼痛程度等方面進行調查,并對調查表進行探索性因子分析,得出內容效度。共選取805人,獲得有效數(shù)據(jù)600份,運用SPSS20.0統(tǒng)計軟件對收集的數(shù)據(jù)進行統(tǒng)計分析。2、運用機器學習XGBoost的方法,將每一位經產婦視為一個樣本量,其相應的數(shù)據(jù)作為該樣本量的屬性值,將600例樣本前70%作為訓練組輸入XGBoost計算機算法程序中進行黑箱操作,形成機器評估模型,將后30%的樣本作為測試組以驗證該模型的準確度,最終得出機器學習產后宮縮痛程度的評估結果。3、將人為主觀疼痛評估的結果與機器客觀疼痛評估的結果進行比對,以Kappa系數(shù)和ROC曲線及AUC值表示兩種評估方法的效果。結果1、本研究通過自制經產婦產后宮縮痛一般信息調查表,調查了包括經產婦的基本信息15個條目,自然分娩信息7個條目以及剖宮產手術信息5個條目,另外設計分娩信息補充信息調查表,增加7個自然分娩信息條目和7個剖宮產手術信息條目對分娩信息進行完善。2、本研究自制的產后宮縮痛疼痛評估表,通過評估7個固定情境下(以下分別編號為(1)(2)……(7))的疼痛評分,得出研究對象產后宮縮痛的疼痛程度。疼痛得分結果為:(1)按壓子宮下疼痛平均得分8.48±1.34,為重度疼痛;(2)靜滴縮宮素時疼痛平均得分6.93±1.51;(3)肌注縮宮素時疼痛平均得分5.25±1.54;(4)哺乳時疼痛平均得分4.51±1.46;(5)下床活動時疼痛平均得分5.67±1.32;(6)改變睡姿時疼痛平均得分4.40±1.70,以上(2)(3)(4)(5)(6)均為中度疼痛;(7)無任何刺激情況下疼痛平均得分3.48±1.75,為輕度疼痛。3、通過探索性因子分析得出,一般信息調查表、自然分娩信息調查表、剖宮產信息調查表的KMO值,即內容效度分別為0.725、0.771和0.838,說明調查表內容間的相關性較強,有公共因子存在(P0.001)。4、不同文化程度、入院診斷、分娩方式、自然分娩次數(shù)、剖宮產手術次數(shù)、胎次以及是否母嬰分離和母乳喂養(yǎng)的經產婦產后宮縮痛疼痛評分有顯著性差異(P0.05);在產程中是否使用無痛分娩的經產婦產后宮縮痛疼痛評分差異明顯(P0.05);剖宮產手術術中是否有止血操作、術后排尿是否通暢、是否有腹脹以及子宮收縮是否良好的經產婦產后宮縮痛疼痛評分有顯著性差異(P0.05)。5、多元線性回歸分析結果表明,影響經產婦產后宮縮痛的主要因素是經產婦的文化程度;另外,自然分娩的產婦是否使用無痛分娩是影響其產后宮縮痛的主要因素;剖宮產手術分娩產婦術中是否進行了止血措施的操作是影響其產后宮縮痛的主要因素。6、Pearson相關性分析結果顯示,7個不同時間點的產后宮縮痛之間存在正相關(P0.01)。7、機器學習分類結果顯示,機器能夠根據(jù)單因素t檢驗得出的影響因素準確地判斷出該樣本屬于的疼痛等級,從而指導臨床工作者實施相應的護理措施。8、將機器學習客觀評估經產婦產后宮縮痛程度的結果與人為主觀評估的結果進行效果比較,得出兩者的Kappa系數(shù)為0.735,說明兩種評估結果具有高度的一致性;再者,機器學習分類效果的AUC值=0.869,說明機器學習分類評估的結果可能優(yōu)于人為評估結果。結論1、本研究所用的調查表具有較好的針對性、集中性,可客觀準確的反應經產婦產后宮縮痛的疼痛水平,可用于經產婦產后宮縮痛的現(xiàn)狀調查與資料收集。2、在經產婦群體中,大多數(shù)人對產后宮縮痛的忍受程度較低,其影響因素較多。建議婦產科醫(yī)院有關管理者逐步重視產后宮縮痛現(xiàn)象,建立規(guī)范的產后疼痛評估流程,并提出產后宮縮痛的防治措施,進一步減少因生理性產痛給產婦及其家屬帶來的困擾,從而提高醫(yī)院服務質量,提高產婦產褥期生活質量。3、將機器學習分類方法應用于產后宮縮痛程度評估,從評估對象病例料中自動提取影響疼痛評分的相關因素,得出疼痛程度的分類結果,不僅大大提高了臨床工作者的工作效率,而且為疼痛評估開辟了新方法,開創(chuàng)了新思路,今后的研究有望將該技術應用于癌痛、其他外科手術痛等研究中,進行臨床應用的推廣。
【圖文】：

1目標函數(shù)示意圖

2節(jié)點存放示意圖
【學位授予單位】：南昌大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R473.71

【參考文獻】

相關期刊論文 前10條

1 蔣新娟;;綜合護理干預對高齡瘢痕子宮產婦的產程和分娩后疼痛的相關研究[J];中外醫(yī)學研究;2015年26期

2 曾晶;談珍瑜;;子宮復舊不全相關影響因素的研究進展[J];醫(yī)學綜述;2015年11期

3 陸美華;黃敏清;麥惠誠;鄒秀玲;;無痛病房規(guī)范化管理對控制晚期癌癥患者疼痛的影響[J];護理實踐與研究;2014年09期

4 韋艷艷;李陶深;張超群;;集成分類器組合算法及其在醫(yī)學診斷中的應用[J];廣西大學學報(自然科學版);2013年05期

5 王婷;張寧;后桂榮;余學飛;;幾種機器學習方法在黑色素瘤計算機輔助診斷中的性能比較[J];計算機應用研究;2013年06期

6 程凌燕;李亞楠;范冬;蔡立嬌;肖倩倩;胡冬琴;王偉麗;;建立“無痛病房”提高�？铺弁醋o理水平的做法及效果[J];解放軍護理雜志;2012年17期

7 尚冰陽;;產后常見疼痛的調查與護理對策[J];中外婦兒健康;2011年09期

8 殷光;陶亮;;一種SVM驗證碼識別算法[J];計算機工程與應用;2011年18期

9 周驥;陳德旺;;機器學習在列車精確停車問題的應用[J];計算機工程與應用;2010年25期

10 徐志勇;朱愛兵;;術后鎮(zhèn)痛對剖宮產產婦術后宮縮痛的影響[J];江蘇醫(yī)藥;2010年10期

相關碩士學位論文 前7條

1 王天華;基于改進的GBDT算法的乘客出行預測研究[D];大連理工大學;2016年

2 蘇濤;基于梯度提升樹的行為式驗證碼人機識別的研究[D];華中師范大學;2016年

3 何西麟;基于深度學習的手寫體字符識別研究與實現(xiàn)[D];中山大學;2015年

4 姚源林;面向微博文本的情緒分析方法研究[D];哈爾濱工業(yè)大學;2014年

5 張彩坡;模糊積分及多分類器融合在醫(yī)療診斷中的應用[D];天津理工大學;2010年

6 張昕;基于SVM方法的醫(yī)學圖像分類研究[D];浙江大學;2006年

7 謝華;基于多分類器融合的的骨髓細胞識別技術研究[D];浙江大學;2005年

，

本文編號：2634791