[發明專利]早產兒PICC導管繼發性移位風險預測方法和系統

在審

• 申請號: 202111597948.6
• 申請日: 2021-12-24
• 公開（公告）號: CN115602321A
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 王錕;趙晨靜;解碩;屈炎偉;唐文濤
• 申請（專利權）人: 鄭州大學第三附屬醫院（河南省婦幼保健院）
• 主分類號: G16H50/30
• 分類號: G16H50/30
• 代理公司: 北京久誠知識產權代理事務所(特殊普通合伙) 11542
• 代理人: 劉歸港

1.一種早產兒PICC導管繼發性移位風險預測方法，其特征在于，包括：

收集并預處理早產兒的歷史臨床數據樣本，所述早產兒分為置入PICC導管后發生繼發性移位或者未發生移位兩種類別，所述歷史臨床數據樣本包括第一類特征數據和第二類特征數據；

根據所述第一類特征數據和第二類特征數據，采用隨機森林分類器構建第一繼發性移位風險預測模型，并獲取所述第一繼發性移位風險預測模型的第一風險預測準確率；

根據所述第一類特征數據和第二類特征數據，采用Adaboost算法構建第二繼發性移位風險預測模型，并獲取所述第二繼發性移位風險預測模型的第二風險預測準確率；

根據第一類特征數據和第二類特征數據，采用SVM分類器構建第三繼發性移位風險預測模型，并獲取所述第三繼發性移位風險預測模型的第三風險預測準確率；

基于所述第一、第二和第三風險預測準確率，融合所述第一、第二和第三繼發性移位風險預測模型，獲取最終的風險預測模型；

根據所述最終的風險預測模型，以及待測早生兒的實時臨床數據，獲取所述待測早生兒置入PICC導管后發生繼發性移位風險的預測結果。

2.如權利要求1所述的早產兒PICC導管繼發性移位風險預測方法，其特征在于，所述采用隨機森林分類器構建第一繼發性移位風險預測模型，具體包括：

S21、將預處理后的歷史臨床數據樣本分為第一訓練集和第一驗證集兩部分，且在所述第一訓練集和第一驗證集中均設定所述早產兒置入PICC導管后發生繼發性移位的樣本標簽為1，未發生移位的樣本標簽為0；

S22、采用Bootstrap采樣方法從所述第一訓練集選出采樣樣本，并去重；

S23、根據去重后的采樣樣本，從所述第一類特征數據和第二類特征數據隨機選擇若干特征數據，再從選擇的若干特征數據中選擇最佳分割特征作為節點構建一棵決策樹；

S24、重復執行步驟S22和S23，獲取多棵決策樹，多棵所述決策樹共同構成隨機森林；

S25、根據所述隨機森林，通過多數投票法決定每一個早產兒所述類別，獲取所述第一繼發性移位風險預測模型；

S26、根據所述第一驗證集，獲取所述第一繼發性移位風險預測模型的第一風險預測準確率。

3.如權利要求2所述的早產兒PICC導管繼發性移位風險預測方法，其特征在于，所述采用Adaboost算法構建第二繼發性移位風險預測模型，具體包括：

S31、將預處理后的歷史臨床數據樣本分為第二訓練集和第二驗證集兩部分，且在所述第二訓練集和第二驗證集中均設定所述早產兒置入PICC導管后發生繼發性移位的樣本標簽為1，未發生移位的樣本標簽為0；

S32、初始化所述第二訓練集的權值分布；

S33、根據權值分布的所述第二訓練集，獲取基本分類器；

S34、計算所述基本分類器在所述第二訓練集上的分類誤差；

S35、根據所述分類誤差，獲取所述基本分類器的權重系數，并更新所述第二訓練集的權值分布；

S36、構建多個所述基本分類器的線性組合，獲取所述第二繼發性移位風險預測模型；

S37、根據所述第二驗證集，獲取所述第二繼發性移位風險預測模型的第二風險預測準確率。

4.如權利要求3所述的早產兒PICC導管繼發性移位風險預測方法，其特征在于，所述采用SVM分類器構建第三繼發性移位風險預測模型，具體包括：

S41、將預處理后的歷史臨床數據樣本分為第三訓練集和第三驗證集兩部分，且在所述第三訓練集和第三驗證集中均設定所述早產兒置入PICC導管后發生繼發性移位的樣本標簽為1，未發生移位的樣本標簽為0；

S42、根據所述第二訓練集，采用SVM軟間隔構建目標函數；

S43、根據所述目標函數，更新模型參數，獲取所述第三繼發性移位風險預測模型；

S44、根據所述第三驗證集，獲取所述第三繼發性移位風險預測模型的第三風險預測準確率。