本研究介绍了一种利用一维卷积神经网络(1D-CNN)的TDLAS静脉药物浓度预测技术。该方法涉及以下步骤:首先收集静脉药物浓度的二次谐波数据;其次,对这些数据进行预处理和划分;然后,使用1D-CNN模型进行训练和预测。该方法旨在提高静脉药物浓度预测的准确性和效率。
背景技术
随着医疗技术的不断进步,静脉药物调配中心(PIVAS)作为提供静脉配液服务的关键环节变得愈发重。PIVAS的设施和设备是确保药物调配质量的基础,现代化的设备和先进的辅助设备能够提高药物调配的精准度和效率,减少人为错误的发生,不仅降低了药物交叉污染的风险,还提升了药物调配的质量和安全。因此,有关静脉注射药物剂量的把控对于静配中心建设具有重要意义。
近年来,光谱分析技术在液体检测领域的应用已经取得了显著的进展,通过分析液体样本光谱范围内的吸收特征,可以快速、无损地获取液体的组分信息。比如在液体浓度的定量分析方法中,拉曼光谱检测技术、近红外光谱检测技术、紫外可见光谱法(UV-Vis)较为成熟。然而,针对上述的光谱法结合深度学习对静脉用药溶质浓度的检测研究相对较少且且对低浓度药液的区分精度不足,而这种方法需要一套复杂的光学系统。如何提供一种不依赖于复杂光学系统的方法实现对静脉用药溶质低浓度的精准预测是一个值得研究的问题。
实现思路