CN115240854B - 一种胰腺炎预后数据的处理方法及其*** - Google Patents
一种胰腺炎预后数据的处理方法及其*** Download PDFInfo
- Publication number
- CN115240854B CN115240854B CN202210908379.0A CN202210908379A CN115240854B CN 115240854 B CN115240854 B CN 115240854B CN 202210908379 A CN202210908379 A CN 202210908379A CN 115240854 B CN115240854 B CN 115240854B
- Authority
- CN
- China
- Prior art keywords
- sign data
- human body
- prediction model
- basic sign
- pancreatitis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
本发明公开了一种胰腺炎预后数据的处理方法、***、设备和计算机可读存储介质，方法其包括：获取样本的人体基础体征数据；将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；所述预后预测模型包括：胰腺炎分级预测模型。
Description
技术领域
本发明涉及医学生物技术领域，更具体地，涉及一种胰腺炎预后数据的处理方法及其***。
背景技术
急性胰腺炎(acute pancreatitis,AP)是常见急腹症，是世界范围内急诊入院的首位消化***疾病。根据全身及局部并发症情况胰腺炎可分为重度、中重度及轻度。约20％的急性胰腺炎患者发展为重度胰腺炎即伴有持续性的器官功能衰竭，病死率可高达20％-40％。中重度胰腺炎有局部并发症，具有潜在的干预治疗需要。轻症胰腺炎经过支持治疗多可自限。早期预判急性胰腺炎的严重程度，并及时采取针对性治疗，对降低病死率至关重要。
目前对于急性胰腺炎尚无单一变量或评分***可在起病初期准确预测胰腺炎预后严重程度。机器学习已广泛应用于包括预测重症胰腺炎风险在内的临床研究，但大多数研究仅进行二分法预测即急性胰腺炎患者未来将发展为重症胰腺炎或非重症胰腺炎，未检索到可将胰腺炎预后严重程度进行精确三分类预测即区分轻、中、重度胰腺炎的研究结果。另外，现有的研究多为单中心研究、样本数量较少，对于结果的准确性有待商贾。
为了使得医师能够尽早识别高危病人、制定诊疗计划提供帮助参考，本发明提供一种胰腺炎预后数据的处理方法及其***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。本发明方法通过采用来自多中心的大量数据，通过多种机器学习的方法对急性胰腺炎三分类预后及是否死亡、是否胰腺感染坏死、是否入住ICU及住院时长等指标建立预测模型，将利用预测模型得到的分类结果与基于5种传统的评分***得到的分类结果进行加权融合，得到最终的分类结果，为医师能够尽早识别高危病人、制定诊疗计划提供帮助参考，解决相关的生命科学问题。
本申请公开一种胰腺炎预后数据的处理方法，包括：
获取样本的人体基础体征数据；
将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；
基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；
对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
所述预后预测模型包括：胰腺炎分级预测模型；所述胰腺炎分级预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型。
所述评分值包括以下一种或几种：APACHE-II评分值、Marshall评分值、sofa评分值、qsofa评分值、bisap评分值。
所述胰腺炎分级预测模型的训练方法还包括：
对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；
利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的胰腺炎分级预测模型；
可选的，所述排序处理包括：
对于所述经过特征提取后的人体基础体征数据特征的其中一个人体基础体征数据特征，分别根据所述人体基础体征数据特征构成的组合次序计算全部的组合及组合中单个所述人体基础体征数据特征的边际贡献；
根据所述边际贡献得到所述人体基础体征数据特征中单个所述人体基础体征数据特征的贡献度；
基于所述贡献度对所述人体基础体征数据特征进行排序，输出N个贡献度高的所述人体基础体征数据特征；
可选的，所述N至少为5。
所述第一分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
可选的，所述第二分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎。
所述预后分类指标还包括：是否死亡；
所述预后预测模型还包括：死亡预测模型；
所述死亡预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括死亡、未死亡；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的死亡预测模型；
可选的，所述预后分类指标还包括：是否感染坏死；
所述预后预测模型还包括：感染坏死预测模型；
所述感染坏死预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括感染坏死、未感染坏死；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的感染坏死预测模型；
可选的，所述预后分类指标还包括：住院时长分级；
可选的，所述预后预测模型还包括：住院时长预测模型；
所述住院时长预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括第一住院时长、第二住院时长；小于等于或小于分类阈值的为第一住院时长，大于或大于等于分类阈值的为第二住院时长；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的住院时长预测模型；
可选的，所述预后分类指标还包括：是否入住ICU；
可选的，所述预后预测模型还包括：ICU预测模型；
所述ICU预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括入住ICU、未入住ICU；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的ICU预测模型。
所述人体基础体征数据包括以下一种或几种：年龄、性别、病因、体温、血压、心率、呼吸频率、白细胞、血细胞压积、血小板、血钾、血钠、血钙、肌酐、尿素氮、意识评分是否满分、是否有腹膜刺激征、是否有胸腔积液。
利用机器学习的方法对所述人体基础体征数据进行模型构建，得到构建好的预后预测模型；
可选的，所述机器学习的方法包括以下一种或几种：线性回归、Logistic回归、线性判别分析(LDA)、分类与回归树、朴素贝叶斯、KNN、学习向量量化、支持向量机(SVM)、随机森林、LightGBM；
可选的，所述机器学习的方法为：上述任意两种算法的加权融合；
可选的，所述机器学习的方法为：随机森林和LightGBM的加权融合。
一种胰腺炎预后数据的处理设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行上述的一种胰腺炎预后数据的处理方法。
一种胰腺炎预后数据的处理***，包括：
获取单元，用于获取样本的人体基础体征数据；
第一分类单元，用于将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；
第二分类单元，用于基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；
第三分类单元，用于对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
所述预后预测模型包括：胰腺炎分级预测模型，所述胰腺炎分级预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种胰腺炎预后数据的处理方法。
本申请具有以下有益效果：
1、本申请创新性的公开一种胰腺炎预后数据的处理方法，该方法通过多种机器学习的方法对急性胰腺炎的预后数据指标建立三分类预后预测模型，对胰腺炎预后严重程度进行更精确地分类，即轻度胰腺炎、中重度胰腺炎或重症胰腺炎，三分类预测结果与二分类预测结果相比，保证对胰腺炎的预后严重程度进行更精准预判、提前预判，有助于早期预判急性胰腺炎的严重程度，辅助医师进行精准预判；
2、本申请创新性的公开一种胰腺炎预后数据的处理方法，该方法巧妙性地将基于构建好的预后预测模型的分类结果，与基于5种传统的评分***得到的评分值进行分类得到的分类结果再进行加权融合，得到新的组合型模型，新的组合型模型在处理胰腺炎预后数据时，具有更好地意料之外的效果；在将患者的参数即人体体征数据输入后，经过2种分类方法得到最终的分类结果；5种评分***在SAP分类已有一定的研究，将传统评分***与临床数据构建好的预后预测模型相融合，再利用机器学习算法对2种方法得出来的结果进行加权融合，具有多中心和前瞻性，大大提高数据分析处理的精度和深度；
3、本申请创新性的建立预测主要终点为胰腺炎严重程度预后，次要终点为是否死亡、是否胰腺感染坏死、是否入住ICU及住院时长，综合多种指标，为医师能够尽早识别高危病人、制定诊疗计划提供帮助参考，解决相关的生命科学问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种胰腺炎预后数据的处理方法的分析示意流程图；
图2是本发明实施例提供的一种胰腺炎预后数据的处理设备示意图；
图3是本发明实施例提供的一种胰腺炎预后数据的处理***示意流程图；
图4是本发明实施例提供的多种机器学习算法在人体基础体征数据中的分类结果图；
图5是本发明实施例提供的算法一采用随机森林的方法进行分类的示意图；
图6是本发明实施例提供的算法二采用LightGBM的方法进行分类的示意图；
图7是本发明实施例提供的不同机器学习算法下的预测急性胰腺炎预后(SAP,MSAP,MAP)的AUC差异示意图；
图8是本发明实施例提供的不同机器学习算法下的预测急性胰腺炎预后(SAP,MSAP,MAP)的准确性示意图；
图9是本发明实施例提供的机器学习算法与传统评分模型预测急性胰腺炎严重程度AUC对比的示意图；
图10是本发明实施例提供的机器学习算法与传统评分模型预测急性胰腺炎严重程度的校准图对比的示意图；
图11是本发明实施例提供的机器学习算法预测次要终点：是否死亡、是否胰腺感染坏死、是否入住ICU及住院时长的示意图；
图12是本发明实施例提供的融合模型预测次要终点时：AUC,accuracy,sensitivity,specificity,PPV andNPV的示意图；
图13是本发明实施例提供的预测AP严重度分型时的变量贡献值示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种胰腺炎预后数据的处理方法示意流程图，具体地，所述方法包括如下步骤：
101：获取样本的人体基础体征数据；
在一个实施例中，所述人体基础体征数据包括以下一种或几种：年龄age(years)、性别Male(％)、病因Etiology、体温Temperature(℃)、血压SBP(mmHg)、心率HR(bpm)、呼吸频率RR(bpm)、白细胞WBC(×109/L)、血细胞压积HCT、血小板PLT(×109/L)、血钾K(mmol/L)、血钠Na(mmol/L)、血钙Ca(mmol/L)、肌酐Cr(umol/L)、尿素氮Bun(mmol/L)、意识评分是否满分Mental disorder、是否有腹膜刺激征Peritoneal irritation、是否有胸腔积液。
可选的，所述人体基础体征数据还包括以下一种或几种：人口学资料(年龄、性别、急性胰腺炎病因)、基线实验室检查(血白细胞、红细胞比容、血小板、钾、钠、钙、肌酐、尿素氮、血糖水平Glu(mmol/L))、基线生命体征(体温、收缩压、心率、呼吸频率)、基线查体体征(有无神志改变及腹膜刺激征等)及预后数据(持续性器官功能不全发生率、局部并发症发生率、感染性胰腺坏死发生率Infected necrosis、总住院天数Hospital say(days)、ICU收住率ICU admission及死亡率Die等)等。
在一个实施例中，所述样本包括：2018年5月至2022年4月来自多中心、前瞻性、随机对照的急性胰腺炎研究数据库中的930余例急性胰腺炎患者。研究经伦理委员会批准(伦理号ZS-1413)。纳入标准为：诊断急性胰腺炎、起病48小时以内、年龄18-75岁、知情同意参与试验。排除标准为：起病48小时以上、存在肾功能不全、妊娠期或哺乳期、控制不佳的高血压、重心血管疾病、神志异常、急性胰腺炎病因为肿瘤或ERCP术后。
研究结果显示：930例急性胰腺炎患者样本的平均年龄在48.6±6.0；男性患者比例为62.7％(586/930)；急性胰腺炎病因包括：Biliary＝383,Lipogenic＝291,Alcoholic＝65,Others＝191；体温为37.1±1.05；血压为130.3±68.0。
102：将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；
在一个实施例中，所述预后预测模型包括：胰腺炎分级预测模型，所述胰腺炎分级预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；所述轻度胰腺炎MAP的症状包括：不伴全身或局部并发症，无器官功能衰竭；所述中重度胰腺炎MSAP的症状包括：伴全身或局部并发症，器官功能衰竭为一过性即≤48h；所述重症胰腺炎SAP的症状包括：持续性器官功能衰竭；数据集以4比1的比例随机划分为训练集及测试集。
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型。
在一个实施例中，所述胰腺炎分级预测模型的训练方法还包括：
对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；
利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的胰腺炎分级预测模型；
可选的，所述排序处理包括：
对于所述经过特征提取后的人体基础体征数据特征的其中一个人体基础体征数据特征，分别根据所述人体基础体征数据特征构成的组合次序计算全部的组合及组合中单个所述人体基础体征数据特征的边际贡献；
根据所述边际贡献得到所述人体基础体征数据特征中单个所述人体基础体征数据特征的贡献度；
基于所述贡献度对所述人体基础体征数据特征进行排序，输出N个贡献度高的所述人体基础体征数据特征；所述N至少为5。
在构建胰腺炎分级预测模型的过程中，按照贡献度从高到低对人体基础体征数据进行排序，结果为：pleural effusion,HR,Cr,RR,Ca,glu,wbc,Na,plt,BUN,age,temperature,GCS＝15,peritoneal irritation,sbp,k,etiology,hct,gender，如附图13所示。在胰腺炎分级预测时，采用最重要的5种特征HR、Ca、glu、RR、temperature建模的AUC为0.792，采用最重要的10种特征HR、Ca、glu、RR、temperature、Cr、wbc、BUN、k、plt建模的AUC为0.836；
在一个实施例中，所述第一分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
在一个实施例中，将所述人体基础体征数据输入预先训练的胰腺炎分级预测模型，得到轻度胰腺炎、中重度胰腺炎和重度胰腺炎的第一分类结果。
在一个实施例中，所述预后分类指标还包括：是否死亡；
所述预后预测模型还包括：死亡预测模型；
所述死亡预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括死亡、未死亡；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的死亡预测模型；
可选的，所述死亡预测模型的训练方法还包括：对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的死亡预测模型；在预测是否死亡时，采用最重要的5种特征Ca、HR、wbc、BUN、etiology建模的AUC为0.911，采用最重要的10种特征Ca、HR、wbc、BUN、etiology、sbp、Cr、age、glu、Na建模的AUC为0.949；
在一个实施例中，将所述人体基础体征数据输入预先训练的死亡预测模型，得到死亡、未死亡的第一分类结果。
可选的，所述预后分类指标还包括：是否感染坏死；
所述预后预测模型还包括：感染坏死预测模型；
所述感染坏死预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括感染坏死、未感染坏死；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的感染坏死预测模型；
可选的，所述感染坏死预测模型的训练方法还包括：对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的感染坏死预测模型；在预测是否感染坏死时，采用最重要的5种特征glu、HR、Ca、plt、age建模的AUC为0.776，采用最重要的10种特征glu、HR、Ca、plt、age、wbc、hct、BUN、temperature、RR建模的AUC为0.825；
在一个实施例中，将所述人体基础体征数据输入预先训练的感染坏死预测模型，得到感染坏死、未感染坏死的第一分类结果。
可选的，所述预后分类指标还包括：住院时长分级；
可选的，所述预后预测模型还包括：住院时长预测模型；
所述住院时长预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括第一住院时长、第二住院时长；小于等于或小于分类阈值的为第一住院时长，大于或大于等于分类阈值的为第二住院时长；分类阈值为入院最初的24h，用最初24h的数据预测患者后来的预后；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的住院时长预测模型；
可选的，所述住院时长预测模型的训练方法还包括：对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的住院时长预测模型；在预测住院天数分级时，采用最重要的5种特征Ca、glu、wbc、plt、HR建模的AUC为0.790，采用最重要的10种特征Ca、glu、wbc、plt、HR、hct、temperature、Na、BUN、age建模的AUC为0.807；
在一个实施例中，将所述人体基础体征数据输入预先训练的住院时长预测模型，得到第一住院时长、第二住院时长的第一分类结果。
可选的，所述预后分类指标还包括：是否入住ICU；
可选的，所述预后预测模型还包括：ICU预测模型；
所述ICU预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括入住ICU、未入住ICU；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的ICU预测模型；
可选的，所述ICU预测模型的训练方法还包括：对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的ICU预测模型；在预测是否入住ICU时，采用最重要的5种特征glu、RR、HR、Ca、plt建模的AUC为0.863，采用最重要的10种特征glu、RR、HR、Ca、plt、Cr、wbc、temperature、Na、BUN建模的AUC为0.887。
在一个实施例中，将所述人体基础体征数据输入预先训练的ICU预测模型，得到入住ICU、未入住ICU的第一分类结果。
在一个实施例中，利用机器学习的方法对所述人体基础体征数据进行模型构建，得到构建好的所述预后预测模型；
可选的，所述机器学习的方法包括以下一种或几种：线性回归、Logistic回归、线性判别分析(LDA)、分类与回归树、朴素贝叶斯、KNN、学习向量量化、支持向量机(SVM)、随机森林、LightGBM；
可选的，所述机器学习的方法为：上述任意两种算法的加权融合；
可选的，所述机器学习的方法为：随机森林和LightGBM的加权融合。
在一个实施例中，本研究统一采用5则交叉验证，以平均AUC为目标，使用基于贝叶斯概率的Optuna进行所有模型的超参数调整。第一，支持向量机是一种经典有效的方法，它旨在寻找一个最优超平面对数据集进行分类。尝试采用包括linear、sigmoid、polynomial以及radial basis functions在内的核函数，调整gamma以及penalty term进行建模。第二，逻辑回归是一种简洁有效、可解释性好的方法，它假设数据服从伯努利分布，在线性模型的基础上引入了Sigmoid，并采用梯度下降法更新参数，实现数据分类。我们尝试通过选择不同正则化函数、设定不同正则化系数、残差收敛条件以及最大迭代次数进行建模。第三，决策树是各种树模型的基础方法，它模拟人的决策判断思想，简单直观地根据特征归属进行决策分类。对比采用信息熵和gini coefficient进行特征划分，采用不同的树深度、叶子节点最小样本数、最小不纯度降低值构建模型。第四，随机森林是一种以决策树为子模型的bagging类的ensemble learning方法，它采用bootstrap sample的方法随机抽取训练样本训练每个子模型，每个子模型投票得到最终分类结果。除了包括最大树深度等在内的基本的子模型超参数之外，我们也尝试调整子模型数量等ensemble超参数。第五，LightGBM是一种轻量高效的基于(Gradient Boosting Decision Tree，GBDT)的改进模型，它采用histogram algorithm进行特征离散化，采用Leaf-wise抑制叶子生长，在提高算法速度的同时增强了算法的鲁棒性和泛化能力。LightGBM需调整的超参数主要包括最大树深度、最大叶子节点数、学习率、正则化参数、迭代次数、最小***增益、最大histogram bin等。第六，对于综合性能优异的随机森林和LightGBM，我们采用带有权重的软投票融合方法对二者进行融合，生成最优分类模型。
我们以receiver operating characteristic(ROC)curve下面积AUC同时结合准确率、敏感度、特异度、阳性预测值、阴性预测值评估机器学习算法的准确性。calibrationbelt验证模型输出概率和真实概率的一致性。模型的可解释性以及各项参数对分类的贡献在临床研究中非常重要，采用通用的机器学习解释方法ShapleyAdditive explanation(SHAP)对每个终点的最优模型进行特征贡献分析。对于树模型，我们采用快速有效的SHAP的变体TreeSHAP进行分析。
在一个实施例中，具体使用了随机森林和LightGBM的加权融合模型；对于输入模型的病人参数x，模型的输出分类结果y，如下式所示
w1和w2分别为随机森林和LightGBM的融合权重；对于随机森林，它由N1个基学***均后得到预测结果。对于由N2个基学习器CART构成的LIghtGBM，每个基学习器的输入会先经过直方图函数H确定输入所属的直方图子块，然后通过基学习器生成对应预测值，所有预测值和初始值y0求和生成预测结果。随机森林和LightGBM通过各自权重融合得到最终融合分类结果；
可选的，所述初始值y0可以为：其中/>为训练集标签的平均值；
可选的，所述N1个基学习器DT为：ID3、C4.5、CART；所述N2个基学习器CART为：CART决策树；
可选的，参照附图5，为利用随机森林算法进行计算的方法；参照附图6，为利用LightGBM算法进行计算的方法；
103：基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；
在一个实施例中，所述评分值包括以下一种或几种：APACHE-II评分值、Marshall评分值、sofa评分值、qsofa评分值、bisap评分值；计算评分值采用的是公开的评分规则，当存在指标未被纳入公开的评分规则中时，该指标被直接舍弃；或者，根据所述基于所述贡献度对所述人体基础体征数据特征进行排序的排序结果，将未被纳入公开评分规则中的指标按照与其贡献度最接近指标的评分规则进行评分；比如，当A指标未被纳入公开的评分规则中时，根据所述排序处理得到的结果：与A指标贡献度最接近的指标为B指标，则A指标的评分规则与B指标的评分规则相一致。
在一个实施例中，所述预后分类指标包括：胰腺炎分级；所述第二分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎。基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到轻度胰腺炎、中重度胰腺炎和重度胰腺炎的第二分类结果；
在一个实施例中，所述预后分类指标还包括：是否死亡；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到死亡、未死亡的第二分类结果；
在一个实施例中，所述预后分类指标还包括：是否感染坏死；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到感染坏死、未感染坏死的第二分类结果；
在一个实施例中，所述预后分类指标还包括：住院时长分级；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第一住院时长、第二住院时长的第二分类结果；
在一个实施例中，所述预后分类指标还包括：是否入住ICU；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到入住ICU、未入住ICU的第二分类结果。
104：对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
在一个实施例中，加权融合处理的过程采用常规建模的算法完成。
图2是本发明实施例提供的一种胰腺炎预后数据的处理设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行上述的一种胰腺炎预后数据的处理方法。
图3是本发明实施例提供的一种胰腺炎预后数据的处理***，包括：
获取单元301，用于获取样本的人体基础体征数据；
第一分类单元302，用于将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；
第二分类单元303，用于基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；
第三分类单元304，用于对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
所述预后预测模型包括：胰腺炎分级预测模型，所述胰腺炎分级预测模型的训练方法包括：
获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种胰腺炎预后数据的处理方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种胰腺炎预后数据的处理方法，包括：
获取样本的人体基础体征数据；所述人体基础体征数据包括：意识评分是否满分；
将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；
对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
所述预后预测模型包括：胰腺炎分级预测模型；所述胰腺炎分级预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型；所述预后分类指标还包括：是否死亡；所述预后预测模型还包括：死亡预测模型；所述死亡预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括死亡、未死亡；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的死亡预测模型；
所述预后分类指标还包括：是否感染坏死；所述预后预测模型还包括：感染坏死预测模型；所述感染坏死预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括感染坏死、未感染坏死；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的感染坏死预测模型；
所述预后分类指标还包括：住院时长分级；所述预后预测模型还包括：住院时长预测模型；所述住院时长预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括第一住院时长、第二住院时长；小于等于或小于分类阈值的为第一住院时长，大于或大于等于分类阈值的为第二住院时长；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的住院时长预测模型；
所述预后分类指标还包括：是否入住ICU；所述预后预测模型还包括：ICU预测模型；所述ICU预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括入住ICU、未入住ICU；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的ICU预测模型。
2.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述评分值包括以下一种或几种：APACHE-II评分值、Marshall评分值、sofa评分值、qsofa评分值、bisap评分值。
3.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述胰腺炎分级预测模型的训练方法还包括：
对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；
利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的胰腺炎分级预测模型。
4.根据权利要求3所述的胰腺炎预后数据的处理方法，其特征在于，所述排序处理包括：对于所述经过特征提取后的人体基础体征数据特征的其中一个人体基础体征数据特征，分别根据所述人体基础体征数据特征构成的组合次序计算全部的组合及组合中单个所述人体基础体征数据特征的边际贡献；根据所述边际贡献得到所述人体基础体征数据特征中单个所述人体基础体征数据特征的贡献度；基于所述贡献度对所述人体基础体征数据特征进行排序，输出N个贡献度高的所述人体基础体征数据特征。
5.根据权利要求4所述的胰腺炎预后数据的处理方法，其特征在于，所述N至少为5。
6.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述第一分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎。
7.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述第二分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎。
8.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述人体基础体征数据包括以下一种或几种：年龄、性别、病因、体温、血压、心率、呼吸频率、白细胞、血细胞压积、血小板、血钾、血钠、血钙、肌酐、尿素氮、是否有腹膜刺激征、是否有胸腔积液。
9.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，利用机器学习的方法对所述人体基础体征数据进行模型构建，得到构建好的预后预测模型。
10.根据权利要求9所述的胰腺炎预后数据的处理方法，其特征在于，所述机器学习的方法包括以下一种或几种：线性回归、Logistic回归、线性判别分析(LDA)、分类与回归树、朴素贝叶斯、KNN、学习向量量化、支持向量机(SVM)、随机森林、LightGBM。
11.根据权利要求10所述的胰腺炎预后数据的处理方法，其特征在于，所述机器学习的方法为：上述任意两种算法的加权融合。
12.根据权利要求11所述的胰腺炎预后数据的处理方法，其特征在于，所述机器学习的方法为：随机森林和LightGBM的加权融合。
13.一种胰腺炎预后数据的处理设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行权利要求1-12任意一项所述的胰腺炎预后数据的处理方法。
14.一种胰腺炎预后数据的处理***，包括：
获取单元，用于获取样本的人体基础体征数据；所述人体基础体征数据包括：意识评分是否满分；
第一分类单元，用于将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；
第二分类单元，用于基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；
第三分类单元，用于对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
所述预后预测模型包括：胰腺炎分级预测模型，所述胰腺炎分级预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型；
所述预后分类指标还包括：是否死亡；所述预后预测模型还包括：死亡预测模型；所述死亡预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括死亡、未死亡；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的死亡预测模型；
所述预后分类指标还包括：是否感染坏死；所述预后预测模型还包括：感染坏死预测模型；所述感染坏死预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括感染坏死、未感染坏死；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的感染坏死预测模型；
所述预后分类指标还包括：住院时长分级；所述预后预测模型还包括：住院时长预测模型；所述住院时长预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括第一住院时长、第二住院时长；小于等于或小于分类阈值的为第一住院时长，大于或大于等于分类阈值的为第二住院时长；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的住院时长预测模型；
所述预后分类指标还包括：是否入住ICU；所述预后预测模型还包括：ICU预测模型；所述ICU预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括入住ICU、未入住ICU；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的ICU预测模型。
15.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的权利要求1-12任意一项所述的胰腺炎预后数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210908379.0A CN115240854B (zh) | 2022-07-29 | 2022-07-29 | 一种胰腺炎预后数据的处理方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210908379.0A CN115240854B (zh) | 2022-07-29 | 2022-07-29 | 一种胰腺炎预后数据的处理方法及其*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115240854A CN115240854A (zh) | 2022-10-25 |
| CN115240854B true CN115240854B (zh) | 2023-10-03 |
Family
ID=83677647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210908379.0A Active CN115240854B (zh) | 2022-07-29 | 2022-07-29 | 一种胰腺炎预后数据的处理方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115240854B (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002086478A2 (en) * | 2001-04-23 | 2002-10-31 | Metabometrix Limited | Methods for analysis of spectral data and their applications |
| CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
| WO2015042421A1 (en) * | 2013-09-20 | 2015-03-26 | Siemens Aktiengesellschaft | Biopsy-free detection and staging of cancer using a virtual staging score |
| CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| WO2020008365A2 (en) * | 2018-07-02 | 2020-01-09 | 3M Innovative Properties Company | Transferring learning in classifier-based sensing systems |
| CN111081377A (zh) * | 2020-01-16 | 2020-04-28 | 四川大学 | 一种坏死性急性胰腺炎患者手术时机预测模型 |
| WO2020163589A1 (en) * | 2019-02-08 | 2020-08-13 | Genentech, Inc. | Diagnostic and therapeutic methods for cancer |
| WO2020249125A1 (zh) * | 2019-06-14 | 2020-12-17 | 第四范式（北京）技术有限公司 | 用于自动训练机器学习模型的方法和*** |
| JPWO2021020198A1 (zh) * | 2019-07-26 | 2021-02-04 | ||
| CN112633601A (zh) * | 2020-12-31 | 2021-04-09 | 天津开心生活科技有限公司 | 疾病事件发生概率的预测方法、装置、设备及计算机介质 |
| CN112992346A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院（中山大学肝脏病医院） | 重症脊髓损伤预后的预测模型的建立方法 |
| CN113724876A (zh) * | 2021-09-10 | 2021-11-30 | 南昌大学第二附属医院 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
| CA3181163A1 (en) * | 2020-06-03 | 2021-12-09 | Rachel Elizabeth KAST | Electronic health record (ehr)-based classifier for acute respiratory distress syndrome (ards) subtyping |
| CN113871009A (zh) * | 2021-09-27 | 2021-12-31 | 山东师范大学 | 一种重症监护病房中脓毒症预测***、存储介质及设备 |
| CN113903460A (zh) * | 2021-12-10 | 2022-01-07 | 中国医学科学院北京协和医院 | 一种预测重症急性胰腺炎的***及其应用 |
| CN113948211A (zh) * | 2021-11-04 | 2022-01-18 | 复旦大学附属中山医院 | 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型 |
| CN114141363A (zh) * | 2021-12-07 | 2022-03-04 | 川北医学院附属医院 | 一种基于机器学习方法的重症胰腺炎预测模型构建方法 |
| WO2022060883A1 (en) * | 2020-09-16 | 2022-03-24 | Seattle Children's Hospital D/B/A Seattle Children's Research Institute | Diagnostic methods for kawasaki disease |
| FI20205993A1 (en) * | 2020-10-09 | 2022-04-10 | Datahammer Oy | Training of a computerized model and unobtrusive detection of a life-threatening condition using a trained computerized model |
| CN114550930A (zh) * | 2022-02-18 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 疾病预测方法、装置、设备及存储介质 |
| WO2022116914A1 (en) * | 2020-12-03 | 2022-06-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, and storage medium for pancreatic mass segmentation, diagnosis, and quantitative patient management |
| CN114613517A (zh) * | 2022-03-25 | 2022-06-10 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种预后预测方法及装置、电子设备、存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040142496A1 (en) * | 2001-04-23 | 2004-07-22 | Nicholson Jeremy Kirk | Methods for analysis of spectral data and their applications: atherosclerosis/coronary heart disease |
| US20180166174A1 (en) * | 2016-08-02 | 2018-06-14 | Thomas J. Lewis | Disease Mitigation and Elimination Health Learning Engine |
| SG11202009696WA (en) * | 2018-04-13 | 2020-10-29 | Freenome Holdings Inc | Machine learning implementation for multi-analyte assay of biological samples |
| US20220076828A1 (en) * | 2020-09-10 | 2022-03-10 | Babylon Partners Limited | Context Aware Machine Learning Models for Prediction |
-
2022
- 2022-07-29 CN CN202210908379.0A patent/CN115240854B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002086478A2 (en) * | 2001-04-23 | 2002-10-31 | Metabometrix Limited | Methods for analysis of spectral data and their applications |
| CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
| WO2015042421A1 (en) * | 2013-09-20 | 2015-03-26 | Siemens Aktiengesellschaft | Biopsy-free detection and staging of cancer using a virtual staging score |
| CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
| WO2020008365A2 (en) * | 2018-07-02 | 2020-01-09 | 3M Innovative Properties Company | Transferring learning in classifier-based sensing systems |
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
| CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
| WO2020163589A1 (en) * | 2019-02-08 | 2020-08-13 | Genentech, Inc. | Diagnostic and therapeutic methods for cancer |
| WO2020249125A1 (zh) * | 2019-06-14 | 2020-12-17 | 第四范式（北京）技术有限公司 | 用于自动训练机器学习模型的方法和*** |
| JPWO2021020198A1 (zh) * | 2019-07-26 | 2021-02-04 | ||
| CN111081377A (zh) * | 2020-01-16 | 2020-04-28 | 四川大学 | 一种坏死性急性胰腺炎患者手术时机预测模型 |
| CA3181163A1 (en) * | 2020-06-03 | 2021-12-09 | Rachel Elizabeth KAST | Electronic health record (ehr)-based classifier for acute respiratory distress syndrome (ards) subtyping |
| WO2022060883A1 (en) * | 2020-09-16 | 2022-03-24 | Seattle Children's Hospital D/B/A Seattle Children's Research Institute | Diagnostic methods for kawasaki disease |
| FI20205993A1 (en) * | 2020-10-09 | 2022-04-10 | Datahammer Oy | Training of a computerized model and unobtrusive detection of a life-threatening condition using a trained computerized model |
| WO2022116914A1 (en) * | 2020-12-03 | 2022-06-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, and storage medium for pancreatic mass segmentation, diagnosis, and quantitative patient management |
| CN112633601A (zh) * | 2020-12-31 | 2021-04-09 | 天津开心生活科技有限公司 | 疾病事件发生概率的预测方法、装置、设备及计算机介质 |
| CN112992346A (zh) * | 2021-04-09 | 2021-06-18 | 中山大学附属第三医院（中山大学肝脏病医院） | 重症脊髓损伤预后的预测模型的建立方法 |
| CN113724876A (zh) * | 2021-09-10 | 2021-11-30 | 南昌大学第二附属医院 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
| CN113871009A (zh) * | 2021-09-27 | 2021-12-31 | 山东师范大学 | 一种重症监护病房中脓毒症预测***、存储介质及设备 |
| CN113948211A (zh) * | 2021-11-04 | 2022-01-18 | 复旦大学附属中山医院 | 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型 |
| CN114141363A (zh) * | 2021-12-07 | 2022-03-04 | 川北医学院附属医院 | 一种基于机器学习方法的重症胰腺炎预测模型构建方法 |
| CN113903460A (zh) * | 2021-12-10 | 2022-01-07 | 中国医学科学院北京协和医院 | 一种预测重症急性胰腺炎的***及其应用 |
| CN114550930A (zh) * | 2022-02-18 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 疾病预测方法、装置、设备及存储介质 |
| CN114613517A (zh) * | 2022-03-25 | 2022-06-10 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种预后预测方法及装置、电子设备、存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 急性胰腺炎的严重程度及预后评估的研究进展;丁宁;周阳;杨贵芳;柴湘平;;实用休克杂志(中英文)(第01期);全文 * |
| 李福增.现代创伤医学.吉林科学技术出版社,2007,第347页. * |
| 阿杰伊·K·辛格.胃肠影像学精要.中国科学技术出版社,2018,第231页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115240854A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| Arumugam et al. | Multiple disease prediction using Machine learning algorithms | |
| Ali | Stroke prediction using distributed machine learning based on apache spark | |
| Varma et al. | A computational intelligence approach for a better diagnosis of diabetic patients | |
| Barhoom et al. | Prediction of Heart Disease Using a Collection of Machine and Deep Learning Algorithms | |
| CN116364299B (zh) | 一种基于异构信息网络的疾病诊疗路径聚类方法及*** | |
| Jamshidi et al. | Symptom prediction and mortality risk calculation for COVID-19 using machine learning | |
| Al-Mualemi et al. | A deep learning-based sepsis estimation scheme | |
| Pavithra et al. | Hybrid feature selection technique for prediction of cardiovascular diseases | |
| Yang et al. | Predicting coronary heart disease using an improved LightGBM model: Performance analysis and comparison | |
| Pradhan et al. | Diabetes mellitus prediction and classifier comparitive study | |
| Adi et al. | Stroke risk prediction model using machine learning | |
| Maheshwari et al. | A comprehensive evaluation for the prediction of mortality in intensive care units with LSTM networks: patients with cardiovascular disease | |
| Pereira et al. | Fuzzy modeling to predict severely depressed left ventricular ejection fraction following admission to the intensive care unit using clinical physiology | |
| Jaganathan et al. | Machine learning for smartphone-based early detection of diabetic disease in Pima Indians diabetes database | |
| Shukla et al. | Cloud computing with artificial intelligence techniques for effective disease detection | |
| CN115240854B (zh) | 一种胰腺炎预后数据的处理方法及其*** | |
| Nazlı et al. | Classification of Coronary Artery Disease Using Different Machine Learning Algorithms | |
| Siddiqa et al. | Robust Length of Stay Prediction Model for Indoor Patients. | |
| Riadi et al. | A Comparative Study of Machine Learning Methods for Baby Cry Detection Using MFCC Features | |
| CN115331819A (zh) | 一种基于人工智能的胰腺炎预后数据处理方法及其*** | |
| Riyaz et al. | Improving coronary heart disease prediction by outlier elimination | |
| Niestroy et al. | Prediction of decompensation in patients in the cardiac ward | |
| Madhuri et al. | Novel Internet of Things Based Disease Diagnosis Framework for Smart Healthcare Schemes using Combined Optimized Artificial Intelligence Approach | |
| Kitis et al. | Detection of Obesity Stages Using Machine Learning Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |