[發明專利]一種基于機器學習方法的重癥胰腺炎預測模型構建方法

有效

• 申請號: 202111484319.2
• 申請日: 2021-12-07
• 公開（公告）號: CN114141363B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 肖波;何汶靜;祝元仲;魏佳苡;汪劉;趙艷梅
• 申請（專利權）人: 川北醫學院附屬醫院;川北醫學院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70
• 代理公司: 成都佳劃信知識產權代理有限公司 51266
• 代理人: 任遠高

本發明公開了一種基于機器學習方法的重癥胰腺炎預測模型構建方法，方法如下：獲取預測對象的臨床和實驗室指標相關數據，并對所獲取數據進行預處理；去掉缺失或變化不大的指標；數據分箱；重癥胰腺炎數據預測模型的篩選；對選定模型的預訓練；根據預訓練結果篩選并確定出與10個重癥胰腺炎關聯的特征指標，再次訓練；根據受試者工作特征曲線，確定出適用于預測算法的閾值，進而得到最終的重癥胰腺炎數據預測模型。基于多個臨床指標的無創診斷重癥胰腺炎模型解決了診斷滯后問題，預測速度快，準確度高，能夠為重癥胰腺炎臨床診斷提供參考。

技術領域

本發明涉及疾病診斷領域，特別是涉及一種基于機器學習方法的重癥胰腺炎預測模型構建方法。

背景技術

現有的重癥胰腺炎包括急性生理學和慢性健康評估等評分系統或基于單一或少量實驗室指標進行預測急性胰腺炎(acute?pancreatitis,AP)嚴重程度，現有實驗室技術評分系統如急性生理學和慢性健康評估(Acute?Physiology?and?Chronic?HealthEvaluation,APACHE?II)、AP嚴重程度的床邊指數(Bedside?Index?for?Severity?inAcute?Pancreatitis,BISAP)等評價指標繁瑣、醫師工作壓力大同時具有主觀性評價。此外，均需要發病后48h甚至72h才能進一步確定AP嚴重程度，導致病情治療診斷嚴重滯后，影響治療的最佳時間；而且不同醫學中心、不同實驗室獲得多項實驗室診斷技術數據需要依賴臨床醫師的解讀，具有可重復性一般、主觀偏倚的缺陷。

發明內容

針對上述問題，本發明提供了一種基于機器學習方法的重癥胰腺炎預測模型構建方法，具有縮短診斷時間，為早期分級診斷預測獲取寶貴時間的優點。

本發明的技術方案是：

一種基于機器學習方法的重癥胰腺炎預測模型構建方法，構建步驟如下：

S1、獲取預測對象出院診斷結果及臨床相關數據，并對所獲取數據進行預處理；

S2、篩選預處理后的數據并進行數據分箱，將分箱后的數據與未分箱的數據進行組合；

S3、通過分箱后的數據與未分箱后的數據建立多個重癥胰腺炎預測模型并進行比較選出優秀的模型，同時構建預測受試者工作特征曲線；

S4、對選定模型進行預訓練并篩選對模型貢獻度最大的10個特征指標，利用預訓練模型篩選的10個對模型貢獻度最大的特征指標進行再次訓練；

S5、根據受試者工作特征曲線的最大約登指數敏感性加特異性來確認評價重癥胰腺炎和非重癥胰腺炎模型的閾值范圍，根據確定出的閾值得到最終的模型的參數范圍，從而確定最終參數固定的模型，并進行預測。

所述S1中，出院診斷結果及臨床相關數據包括病人的基本信息、病人出院診斷結果、實驗室檢查數據。

所述S1中，數據預處理方法如下；

1)、數值型變量歸一化處理，歸一化公式如下：

Xnnormalized＝(Xn–Xmin)/(Xmax–Xmin)；

Xn表示任一數值型變量，Xnnormalized表示數值型變量Xn的歸一化后的值，Xmax表示數值型變量中的最大值，Xmin表示數值型變量中的最小值；

4)、記錄類別型變量，包括尿顏色和透明度，按嚴重程度編碼；

5)、去掉缺失或變化不大的指標包括①去掉缺失值超過90％的特征；②去掉取值無變化，或95％的取值無變化的特征。

所述S2中，所述的數據分箱為數值或類別取值出現數不超過10個的變量作為不分箱數據，其它變量進行數據等距分箱，分箱個數為12個。

所述S3中，篩選重癥胰腺炎數據預測模型的方法如下：