[發明專利]一種手術患者在圍手術期發生并發癥的定量預測方法

有效

• 申請號: 201910074450.8
• 申請日: 2019-01-25
• 公開（公告）號: CN109785973B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 胡展;鄭哲;陳思鵬;杜俊哲;顧大川;胡爽;胡盛壽
• 申請（專利權）人: 中國醫學科學院阜外醫院
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/20;G06F17/18
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠

1.一種手術患者在圍手術期發生并發癥的定量預測方法，其特征在于，包括：

步驟1，根據已有數據庫，設置檢索條件，從數據庫中提取滿足條件的樣本數據，并將提取的樣本數據劃分為訓練樣本、測試樣本和驗證樣本；

其中，提取滿足條件的樣本數據后，還包括：將部分新增的樣本數據劃分為驗證樣本，剩余的樣本數據按比例隨機劃分為訓練樣本和測試樣本；

步驟2，利用訓練樣本，通過多因素Logistic回歸分析和Bootstrap重抽樣方法進行篩選，得到最終的精選變量即能夠穩定影響圍手術期并發癥率的危險因素；步驟2包括：

步驟201，從訓練樣本中確定備選變量和結局事件即明確圍手術期并發癥的范圍；

步驟202，通過Logistic回歸模型對備選變量進行篩選：

步驟203，采用Bootstrap重抽樣方法，重復步驟202對備選變量進行篩選，得到穩定的精選變量，即最終確定的危險因素：

從步驟1中提取得到的樣本數據中，按照事先劃定好的訓練樣本的比例有放回地抽取與訓練樣本數量相同的n個樣本，原始樣本數據中每個被觀察對象被抽到的概率都相等，均為1/n，所得到的樣本為Bootstrap樣本，如此重復M次，且M＞1000，從而得到M個不同的Bootstrap樣本，對每一個Bootstrap樣本均按照步驟202的方法建立Logistic回歸模型并采用后退法進行變量篩選，得到M個選擇的變量集，計算每個變量出現的頻數和頻率，保留頻率大于0.75的變量，即為精選變量；

步驟3，利用訓練樣本和得到的危險因素，建立基于Logistics回歸的危險評估模型，確定患者的危險評分計算方法以及患者的危險分級標準，將患者按照發生圍手術期并發癥的危險大小劃分為高危、中危和低危；

步驟4，在新患者手術前，根據危險評分計算方法，計算此患者的危險評分以及對應的危險分級，并在此患者手術前，醫生根據患者的危險評分和危險分級進行干預。

2.根據權利要求1所述的定量預測方法，其特征在于，步驟1具體包括：

步驟101，從已有數據庫中設置檢索條件，提取滿足檢索條件的樣本數據；

步驟102，刪除重復的樣本數據，包括檢索條件中必填項缺失或邏輯錯誤的樣本數據；

步驟103，將部分新增的樣本數據劃分為驗證樣本，剩余的樣本數據按比例隨機劃分為訓練樣本和測試樣本。

3.根據權利要求1所述的定量預測方法，其特征在于，步驟2具體包括：

步驟202，通過Logistic回歸模型對備選變量進行篩選包括：假設訓練樣本共n個，其預測變量為結局變量為Y_i，該結局變量為0或1的變量，i＝1,2,……,n；

記每個患者發生圍手術期并發癥的概率為P(Y_i|Xⁱ)，i＝1,2,……,n，根據Logistic回歸模型得到：式中，β₀為常數項，β₁,β₂,…,β_p為回歸系數；

進而得到：

則n個患者的似然函數為：

求解得出β₀,β₁,β₂,…,β_p，使似然函數或對數似然函數達到極大，得到β₀,β₁,β₂,…,β_p的極大似然估計b₀,b₁,b₂,…,b_p；

根據預先設定的變量納入閾值和排除閾值，采用后退法從備選變量中初步篩選出初篩變量。