[發明專利]AI血透方案模型建模方法及生成血透方案的方法

有效

• 申請號: 202211418479.1
• 申請日: 2022-11-14
• 公開（公告）號: CN115579108B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 黎海源;陳浩;陸凱東;劉迪;斯海燕;林燕榕;姜玉蘋
• 申請（專利權）人: 腎泰網健康科技（南京）有限公司
• 主分類號: G16H20/40
• 分類號: G16H20/40;G16H70/40;G06F17/18;G06N3/084;G06N3/09;G06F18/2431
• 代理公司: 南京科知維創知識產權代理有限責任公司 32270
• 代理人: 杜依民

1.?AI血液透析方案生成模型建模方法，其特征在于：構建AI血液透析方案生成模型，包括透析器子模型、透析設定子模型、透析藥劑子模型和透析液子模型；將透析器子模型的結論作為輸入變量，用于透析設定子模型，將透析設定子模型的結論作為輸入變量，運用于透析藥劑子模型，將透析藥劑子模型的結論作為輸入變量，運用于透析液子模型；

透析器子模型給出透析器型號參數值；透析設定子模型給出預設脫水值參數；透析藥劑子模型給出抗凝劑劑量參數和EPO周劑量參數；透析液子模型給出透析液流量參數、透析液溫度參數、透析液電導度參數、透析液鉀濃度參數、透析液鈉濃度參數、透析液鈣濃度參數；

（1）所述透析器子模型包括透析器型號組件和透析模式組件；

所述透析器型號組件包括透析器型號算法組件和透析器型號特征重要度分析組件；所述透析器型號特征重要度分析組件給出透析器型號組件輸入特征，透析器型號算法組件給出透析器型號參數值；

所述透析模式組件包括透析模式算法組件和透析模式特征重要度分析組件；所述透析模式特征重要度分析組件給出透析模式組件輸入特征，透析模式算法組件給出透析模式參數值；

（2）所述透析設定子模型包括預設脫水組件、透析時間組件、和透析血流量組件；

所述預設脫水組件包括預設脫水算法組件、預設脫水特征重要度分析組件；所述預設脫水特征重要度分析組件給出預設脫水組件輸入特征；預設脫水算法組件給出預設脫水值參數；

所述透析時間組件包括透析時間算法組件、透析時間特征重要度分析組件；所述透析時間特征重要度分析組件給出透析時間組件輸入特征；透析時間算法組件給出透析時間參數；

所述透析血流量組件包括透析血流量算法組件、透析血流量特征重要度分析組件；所述透析血流量特征重要度分析組件給出透析血流量組件輸入特征；透析血流量算法組件給出透析血流量參數；

（3）所述透析藥劑子模型包括抗凝劑組件和EPO周劑量組件；

所述抗凝劑組件包括抗凝劑算法組件、抗凝劑特征重要度分析組件；所述抗凝劑特征重要度分析組件給出抗凝劑組件輸入特征；抗凝劑算法組件給出抗凝劑劑量參數；

所述EPO周劑量組件包括EPO周劑量算法組件、EPO周劑量特征重要度分析組件；所述EPO周劑量特征重要度分析組件給出EPO周劑量組件輸入特征；EPO周劑量算法組件給出EPO周劑量參數；

（4）所述透析液子模型包括透析液流量組件、透析液溫度組件、透析液電導度組件、透析液鉀濃度組件、透析液鈉濃度組件和透析液鈣濃度組件；

所述透析液流量組件包括透析液流量算法組件和透析液流量特征重要度分析組件；所述透析液流量特征重要度分析組件給出透析液流量組件輸入特征；透析液流量算法組件給出透析液流量參數；

所述透析液溫度組件包括透析液溫度算法組件和透析液溫度特征重要度分析組件；所述透析液溫度特征重要度分析組件給出透析液溫度組件輸入特征；透析液溫度算法組件給出透析液溫度參數；

所述透析液電導度組件包括透析液電導度算法組件和透析液電導度特征重要度分析組件；所述透析液電導度特征重要度分析組件給出透析液電導度組件輸入特征；透析液電導度算法組件給出透析液電導度參數；

所述透析液鉀濃度組件包括透析液鉀濃度算法組件和透析液鉀濃度特征重要度分析組件；所述透析液鉀濃度特征重要度分析組件給出透析液鉀濃度組件輸入特征；透析液鉀濃度算法組件給出透析液鉀濃度參數；

所述透析液鈉濃度組件包括透析液鈉濃度算法組件和透析液鈉濃度特征重要度分析組件；所述透析液鈉濃度特征重要度分析組件給出透析液鈉濃度組件輸入特征；透析液鈉濃度算法組件給出透析液鈉濃度參數；

所述透析液鈣濃度組件包括透析液鈣濃度算法組件和透析液鈣濃度特征重要度分析組件；所述透析液鈣濃度特征重要度分析組件給出透析液鈣濃度組件輸入特征；透析液鈣濃度算法組件給出透析液鈣濃度參數；

所述透析器型號特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和實際透析器型號用xgboost做擬合，將每個輸入特征作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析器型號算法組件輸入特征；

所述透析器型號算法組件由決策分類樹構成，決策分類樹由多個節點構成，每個節點上有輸入特征和輸入特征的閾值，根據閾值層層劃分，最終將輸入特征劃分到某個透析器類別中；

所述透析模式特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析模式用xgboost做擬合，將每個輸入特征作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析模式算法組件輸入特征；

所述透析模式算法組件由邏輯回歸算法構成，首先，將輸入特征代入邏輯回歸算法，得到多元回歸方程；然后，將多元回歸方程的結果代入softmax函數，得到每個透析模式的概率；概率最大的透析模式為透析模式算法組件輸出結果；

所述預設脫水特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和實際預設脫水值用xgboost做擬合，將每個特征作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前名的輸入特征作為預設脫水算法組件輸入特征；

所述預設脫水算法組件由BP神經網絡回歸算法構成，BP神經網絡回歸算法由多層隱藏層和一個輸出層構成，每層隱藏層和輸出層由若干個神經元構成，第一個隱藏層中的每個神經元將輸入特征通過多元回歸方程的方式結合起來，再經過一個激活函數將方程結果非線性化，之后每個隱藏層的神經元都將前一層得到的數據做多元回歸方程，之后將方程結果經過激活函數非線性化，輸出層的神經元個數為1，只將之前的數值做多元線性回歸，多元線性回歸輸出的最終值為模型預測的預設脫水值；

所述透析時間特征重要度分析組件對輸入特征xgboost算法做特征重要度分析，將所有輸入特征和透析時間值用xgboost做擬合，將每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，根據排名靠前的輸入特征作為透析時間算法組件輸入特征；

所述透析時間算法組件由分類隨機森林構成，隨機森林由多個決策樹構成，最終結果采用投票法，投票法即取每個決策樹得到的結果的眾數為隨機森林最終的結果，隨機森林最終的結果即為透析時間參數；

所述透析血流量特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析血流量值用xgboost做擬合，將每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析血流量算法組件輸入特征；

所述透析血流量算法組件由多元線性回歸方程構成，將輸入特征代入多元線性回歸方程，得到最終的數值即為血流量參數的取值；

所述抗凝劑特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和抗凝劑劑量用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，根據排名靠前的輸入特征作為抗凝劑算法組件輸入特征；

所述抗凝劑算法組件由決策回歸樹算法構成，決策回歸樹由多個節點構成，每個節點上有輸入特征和輸入特征的閾值，根據閾值層層劃分，最終輸出的結果為節點中數值的均值，該節點中數值的均值即為抗凝劑劑量；

所述EPO周劑量特征重要度分析組件,對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和EPO周劑量用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，根據排名靠前的輸入特征作為EPO周劑量算法組件輸入特征；

所述EPO周劑量算法組件由決策回歸樹構成，決策回歸樹由多個節點構成，每個節點上有輸入特征和輸入特征的閾值，根據閾值層層劃分，最終輸出的結果為節點中數值的均值，該節點中數值的均值即為EPO周劑量；

所述透析液流量特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析液流量用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析液流量算法組件輸入特征；

所述透析液流量算法組件由邏輯回歸算法構成，首先，將輸入特征代入邏輯回歸算法，得到多元回歸方程；然后，將多元回歸方程的結果代入softmax函數，得到每個透析液流量的概率；概率最大的透析液流量為透析液流量算法組件的輸出結果；

所述透析液溫度特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析液溫度用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析液溫度算法組件輸入特征；

所述透析液溫度算法組件由分類隨機森林構成；分類隨機森林由多個決策樹構成，最終結果采用投票法，投票法即取每個決策樹得到的結果的眾數為隨機森林最終的結果，分類隨機森林最終的結果即為透析液溫度參數；

所述透析液電導度特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析液電導度用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析液電導度算法組件輸入特征；

所述透析液電導度算法組件由分類隨機森林構成；分類隨機森林由多個決策樹構成，最終結果采用投票法，投票法即取每個決策樹得到的結果的眾數為隨機森林最終的結果，分類隨機森林最終的結果即為透析液電導度參數；

所述透析液鉀濃度特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析液鉀濃度用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，將排名靠前的輸入特征作為透析液鉀濃度算法組件輸入特征；

所述透析液鉀濃度算法組件由分類隨機森林構成，分類隨機森林由多個決策樹構成，最終結果采用投票法，投票法即取每個決策樹得到的結果的眾數為隨機森林最終的結果，分類隨機森林最終的結果即為透析液鉀濃度參數；

所述透析液鈉濃度特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析液鈉濃度用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，根據排名靠前的輸入特征作為透析液鈉濃度算法組件輸入特征；

所述透析液鈉濃度算法組件由BP神經網絡分類算法構成；BP神經網絡分類算法除輸出層外其余結構和BP神經網絡回歸算法相同，BP神經網絡分類算法的輸出層為透析液鈉濃度算法組件分類類別個數，輸出層的各個神經元將隱藏層最后一層的數據通過多元回歸方程計算得到，計算結果經過sigmoid函數，將結果壓縮到0~1的范圍內，將結果視為該神經元對應的類別的概率值，最終哪個神經元的數值最大，則得到對應的透析液鈉濃度類別的取值；

所述透析液鈣濃度特征重要度分析組件對輸入特征用xgboost算法做特征重要度分析，將所有輸入特征和透析液鈣濃度用xgboost做擬合，每個特征在作為劃分屬性時的損失函數平均降低量由大到小排序，得到特征重要度排序，根據排名靠前的輸入特征作為透析液鈣濃度算法組件輸入特征；

所述透析液鈣濃度算法組件由BP神經網絡分類算法構成；BP神經網絡分類算法除輸出層外其余結構和BP神經網絡回歸算法相同，BP神經網絡分類算法的輸出層為透析液鈣濃度算法組件分類類別個數，輸出層的各個神經元將隱藏層最后一層的數據通過多元回歸方程計算得到，計算結果經過sigmoid函數，將結果壓縮到0~1的范圍內，將結果視為該神經元對應的類別的概率值，最終哪個神經元的數值最大，則得到對應的透析液鈣濃度類別的取值。