[發明專利]一種連續性腎臟替代治療過程中肝素劑量的預測方法

有效

• 申請號: 201810656262.1
• 申請日: 2018-06-24
• 公開（公告）號: CN108831556B
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 王東;趙巧鳳;連捷;王偉
• 申請（專利權）人: 大連理工大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06N3/12
• 代理公司: 大連星海專利事務所有限公司 21208
• 代理人: 王樹本;徐雪蓮

本發明涉及機器學習技術領域，一種連續性腎臟替代治療過程中肝素劑量的預測方法，包括以下步驟：(1)安裝相關軟件及庫，(2)分析和了解由醫院收集的數據集的相關信息，(3)數據預處理，(4)特征提取，(5)劃分訓練集和測試集及不平衡數據的處理，(6)模型預測及評估，(7)預測值的異常值處理。本發明使用梯度提升回歸模型等機器學習算法預測CRRT過程中肝素劑量，能夠根據訓練出的模型，再經過對預測值的進一步處理，可以在CRRT過程中，給出合理可靠的肝素劑量參考值，輔助醫生工作，提高手術質量，經濟可靠。

技術領域

本發明涉及一種連續性腎臟替代治療過程中肝素劑量的預測方法，屬于機器學習技術領域。

背景技術

現階段對于CRRT過程中抗凝劑劑量研究相對較少，其結果針對性較弱，局限性較強，不易于推廣。2009年，Tolwani等人給出的首劑劑量參考為25U/KG；2016年，Karakala等人給出了一個更為寬松的范圍，首劑劑量可以在25-50U/KG之間。在抗凝劑劑量施加時，往往只考慮體重這一因素，一方面，浪費了醫學數據，另一方面，不符合實際過程。因此，在考慮抗凝劑的施加時，應綜合考慮病人的多項指標。同時，現實中面對大量的臨床化驗數據，首劑劑量往往是根據醫生的經驗給出的，此方法對醫生的經驗要求較高，存在一定的危險。

在臨床醫療中，機器學習技術的引入，可以借助其強大的數據分析和建模能力，有效地利用醫院的歷史數據來建立模型。在新來一個患者的時候，可以在不受外界干擾的情況下，客觀地進行智能醫療決策或輔助醫生決策，減少醫生的主觀誤判。因此，利用機器學習技術領域預測連續性腎臟替代治療過程中的肝素劑量是必要的。

發明內容

為了克服已有技術中存在的不足，本發明目的是提供一種連續性腎臟替代治療過程中肝素劑量的預測方法。該預測方法使用梯度提升回歸模型等機器學習算法預測CRRT過程中的肝素劑量，能夠根據訓練出的模型，再經過對預測值的進一步處理，可以在CRRT過程中，給出合理可靠的肝素劑量參考值，輔助醫生工作，提高手術質量，經濟可靠。

為了實現上述發明目的，解決已有技術中所存在的問題，本發明采用的技術方案是：一種連續性腎臟替代治療過程中肝素劑量的預測方法，包括以下步驟：

步驟1、安裝相關軟件及庫，安裝Sublime Text 3軟件及一個開源的Python 3.5，另外安裝科學計算基礎庫即numpy、數據分析庫即pandas、2D繪圖庫即matplotlib和缺失數據可視化庫即missingno，具體安裝步驟為，在windows 10系統下，首先安裝Python 3.5，按win+R鍵快速啟動命令窗口，輸入cmd，點擊確定，輸入pip install+所需要的庫，按enter鍵，進行相關庫的安裝，pip install matplotlib，按enter鍵，進行matplotlib庫的安裝，然后下載Sublime Text3軟件；

步驟2、分析和了解由醫院收集的數據集的相關信息，了解每個數據代表的含義及各自變量所占權重，分析自變量與目標變量即首劑劑量之間的關系，分析首劑劑量的類型，判斷其是帶分類標簽的離散數據還是連續數據，以此作為選擇回歸模型還是分類模型的依據；

步驟3、數據預處理，首先對完全相同的行數據進行去重，其次分析各屬性的數值是不是存在缺失值的情況，如果存在缺失值，要先進行處理，常見的缺失值處理方法有：個案剔除法即Listwise Deletion、均值替換法即Mean Imputation、熱卡填充法即Hotdecking、聚類填充法即Clustering imputation、多重替代法即Multiple Imputation，然后采用z-score算法和范圍縮放方法相結合的方式，對自變量進行標準化和歸一化處理，z-score算法通過公式(1)進行描述，

式中x為樣本的某一屬性的值，u為該屬性的均值，σ為該屬性的標準差，X為標準化后的該屬性值，范圍縮放方法通過公式(2)進行描述，