CN115775629A

CN115775629A - 一种术前基于亚极量运动试验评估PPCs风险的方法

Info

Publication number: CN115775629A
Application number: CN202310096280.XA
Authority: CN
Inventors: 郑捷文; 兰珂; 佘英佳; 贺茂庆; 郝艳丽
Original assignee: Beijing Haisi Ruige Technology Co ltd
Current assignee: Beijing Haisi Ruige Technology Co ltd
Priority date: 2023-02-10
Filing date: 2023-02-10
Publication date: 2023-03-10
Anticipated expiration: 2043-02-10
Also published as: CN115775629B

Abstract

本申请涉及一种术前基于亚极量运动试验评估PPCs风险的方法，包括：获取在进行亚极量运动试验前中后被评估者的连续呼吸信号；基于连续呼吸信号提取被评估者术前呼吸信号特征数据组，术前呼吸信号特征数据组包括潮气量特征数据组、通气量特征数据组、呼吸频率特征数据组和吸气呼气时间特征数据组中的至少两组；每一特征数据组中包括至少一项特征数据；以上述特征数据，和术前临床生理特征数据作为变量，以术后肺部并发症概率作为函数构建预测模型。本申请通过获取与术后肺部并发症相关的数据以及建立好的预测模型，能够准确的得出心脏瓣膜手术后出现肺部并发症的概率，从而为手术治疗方案的制定提供了指导规避了风险。

Description

一种术前基于亚极量运动试验评估PPCs风险的方法

技术领域

本申请属于肺部并发症预测领域，具体而言涉及一种术前基于亚极量运动试验评估PPCs风险的方法。

背景技术

术前对接受心脏瓣膜手术患者进行术后肺部并发症PPCs相关风险评估，对临床治疗方案的制定、预后的判断、并发症的预测、治疗效果的评价以及医疗资源需求的估计等方面发挥着重要作用。

现有技术中，在手术前对于术后肺部并发症PPCs的预测或评估往往是基于经验而得出的，由专业医疗工作者基于被评估者的生理数据基于经验进行评估判断术后肺部并发症的概率。这种方式有赖于医疗工作者的经验，而且也具有不精确性。

亚极量运动试验，例如，六分钟步行测试（6-Minute Walk Test, 6MWT）作为一种操作简单、容易被患者接受的测试在现有技术中已经被广泛使用于监测心肺疾病的治疗反应和预后效果。但是现有技术中基于六分钟步行测试（6-Minute Walk Test, 6MWT）通常仅仅是简单地检测被评估者的步行距离、心率等简单的参数作为对被评估者相关健康数据的一个参考。这种评估同样是不精确地，只能定性地得到被评估者的健康大致情况。

现有技术中还出现了采用六分钟步行中生理数据的监测通过建立模型评估某些疾病风险的方法。但是对于其他的疾病类型，例如针对PPCs而言，六分钟步行能得到哪些数据以及这些数据中的哪些内容和PPCs之间是否具有强相关性现有技术中也没有教导。

发明内容

本申请正是基于现有技术的上述需求而提出的，本申请要解决的技术问题是提供一种术前基于亚极量运动试验评估PPCs风险的方法，以在术前方便且相对精确地评估肺部术后并发症的概率。

为了解决上述问题，本申请提供的技术方案包括：

获取在进行亚极量运动试验前的第一时间段内、进行亚极量运动试验过程的第二时间段内以及进行亚极量运动试验后第三时间段内，被评估者的连续呼吸信号；其中所述连续呼吸信号包括连续的胸呼吸信号、连续的腹呼吸信号；基于所述连续呼吸信号提取被评估者术前呼吸信号特征数据组，其中，所述术前呼吸信号特征数据组包括潮气量特征数据组、通气量特征数据组、呼吸频率特征数据组和吸气呼气时间特征数据组中的至少两组；每一特征数据组中包括至少一项特征数据；以上述特征数据，以及术前临床生理特征数据作为变量，以术后肺部并发症概率作为函数构建预测模型预测术后肺部并发症概率。

本申请通过在术前基于亚极量运动试验获取与术后肺部并发症相关的连续特征数据以及建立的预测模型，能够准确的得出心脏瓣膜手术后出现肺部并发症的概率，从而为手术治疗方案的制定提供了指导，提高了手术治疗的效果，规避了风险。

优选的，所述术前呼吸信号特征数据组为潮气量特征数据组和通气量特征数据组。确定对预测术后肺部并发症影响最大的两组术前呼吸信号特征数据组。

优选的，所述潮气量特征数据组至少包括第三时间段内的呼气潮气量特征数据。

优选的，所述通气量特征数据组至少包括第一时间段内的吸气分钟通气量、吸气分钟通气量最大值和吸气分钟通气量由基线上升到最大值的75%的斜率。确定呼吸信号数据中对术后肺部并发症影响最大的四个特征数据。

优选的，其特征在于，所述亚极量运动试验包括六分钟步行试验，采集被评估者六分钟步行测试开始前一分钟、六分钟步行测试期间，以及六分钟步行测试后一分钟的连续呼吸信号。除了获取步行距离的生理信息，还获取步行测试各阶段的连续性生理信息，可以增加六分钟步行试验评估指标的多样性。

优选的，所述术前临床生理特征数据至少包括术前肺动脉直径数据、术前最大深吸气后做最大呼气第一秒呼出的气量的容积的预测数据（FEV1-预测）和手术方式数据。确定临床数据中对术后肺部并发症影响最大的三个特征数据。

优选的，所述预测模型的预测函数为

其中，

,

,

为输入的被评估者特征数据形成的数组x的并发症概率，θ为特征系数形成的向量，

为常数，

为第

项特征数据对应的特征系数，x为特征数据形成的向量，

，

为第

项特征数据。预测函数

的结果为一个0至1的数值，越接近1表示术后肺部并发症的概率越大。

优选的，基于逻辑回归构建所述预测函数，其中，所述预测函数的损失函数表示为：

其中，

为真实的标签。

优选的，基于所述损失函数得到的代价函数表示为：

其中，m为数据集中连续生理临床参数数组的个数，

为第

个连续生理临床参数数组，

为

所对应的标签，

的取值为0或1。

优选的，通过梯度下降初始化特征系数，并逐步更新，直至得出对于连续生理临床参数数组中特征数据最优的特征系数

，表示为：

其中，

代表当前第

轮迭代的参数，

代表

轮迭代的模型系数。通过损失函数、代价函数和梯度下降法确定最优的特征系数向量。

与现有技术相比，本申请通过特征提取的方式在亚极量运动试验中获取与PPCs密切相关的呼吸生理特征数据，以及结合术前临床生理特征数据，通过预测模型选出对PPCs影响大的参数，从而可以准确和高效的确定术后肺部并发症的概率，通过建立高可靠性的模型预测；简化了预测模型的参数，提高了预测的准确性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1本申请实施例中的一种术前基于亚极量运动试验评估PPCs风险的方法的步骤流程图；

图2本申请实施例中形成预测模型的方法步骤流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

为便于对本申请实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本申请实施例的限定。

术前，例如心脏瓣膜手术前，对患者进行术后肺部并发症，即PPCs（Postoperativepulmonary complications）风险评估，对临床治疗方案的制定、预后的判断等方面发挥着重要作用。肺功能测试和心肺运动试验是预测PPCs风险的标准测试，被评估者术前呼吸信号特征数据和术前临床生理特征数据被认为是能够反映被评估者的心肺功能的重要生理指标。但是肺功能测试与心肺运动试验设备昂贵，过程禁忌症、不良事件发生率较高，带来使用上的不便。

在本具体实施方式中，所述亚极量运动试验是在医学领域常用的通过低强度的运动进行健康检测的试验。亚极量运动试验由于负荷强度低而可以广泛适用于各种人群，因此作为PPCs预测的数据来源具有很高的方便性。

常见的亚极量运动试验可以包括六分钟步行测试，即6-MWT（six minute walktest ）。为了便于理解，本具体实施方式中将以6-MWT为例，对于本申请的发明构思进行说明。

传统的基于六分钟步行测试的健康评估中主要以六分钟内尽可能行走的距离6-MWD（six minute walk distance）来对患者的运动能力进行分级，一方面， 6-MWD 这一指标很大程度受被评估者的个体差异及环境的影响；另一方面，评估指标相对单一且遗漏了步行测试各阶段的连续性生理信息。

而一些生理数据在不良事件发生的前几个小时就有所变化，因此对于生理参数进行连续监测能够反映更多的生理信息。

除此之外，即便对于六分钟步行测试过程进行间歇的信号检测，大多数情况下也仅限于血氧饱和度SpO2以判断是否发生低氧血症，心率（heart rate, HR）、呼吸率（respiration rate, RR)、血压（blood pressure, BP)、脉搏等通用的参数。间歇性的信号监测导致评估指标相对单一，容易遗漏步行测试各阶段的连续性生理信号，导致早期的恶化迹象而发生不良事件。此外，这些间歇性的信号监测对于这些数据可能蕴含的与PPCs相关的信息挖掘有限，而医学判断又是非常专业和严谨的科学，因而针对PPCs的预测，能够不仅仅停留在一般的定性测试而是提供精确的预测模型，并且这些模型具有很高的验证正确率是本具体实施方式需要考虑的问题。

为此，本具体实施方式提供了一种术前基于亚极量运动试验评估PPCs风险的方法。所述方法的步骤可以参见说明书附图1、2的描述。

S1步骤，获取在进行亚极量运动试验前的第一时间段内、进行亚极量运动试验过程的第二时间段内以及进行亚极量运动试验后第三时间段内，被评估者的连续呼吸信号；其中所述连续呼吸信号包括连续的胸呼吸信号、连续的腹呼吸信号。

在本具体实施例中通过穿戴式生理参数监测装置采集被评估者六分钟步行测试及六分钟步行测试前一预定时间段内，以及六分钟步行测试后一预定的时间段内的连续呼吸信号。所述前一预定时间段内是指与六分钟步行测试开始紧邻的一段时间，这段时间后立即开始六分钟步行测试，而所述后一预定时间段内是指六分钟步行测试后紧邻的又一预定时间段，即六分钟步行测试后立刻进入所述后一预定时间段内。所述前一预定时间段和所述后一预定时间段可以相同也可以不同。

例如，可以在被评估者进行六分钟步行测试的前后各1分钟以及六分钟步行测试中的6分钟，共计8分钟的连续呼吸信号进行数据处理和分析。根据时间对6MWT进行阶段划分：6MWT开始前1分钟为静息基线阶段（baseline）；6MWT试验过程中为步行阶段（WalkTest, WT）；6MWT结束时刻为结束阶段（end）；6MWT结束后1分钟为恢复阶段（recovery）。

所述连续的胸呼吸信号是指通过穿戴式生理参数检测装置中的呼吸运动传感器采集的连续的胸部呼吸信号，例如25Hz采样率的胸部呼吸信号。

所述连续的腹呼吸信号是指通过穿戴式生理参数检测装置中的呼吸运动传感器采集的连续的腹部呼吸信号，例如25Hz采样率的腹部呼吸信号。

进一步地，在本步骤中，还可以根据连续胸部呼吸信号和连续腹部呼吸信号求得胸腹求和信号，即通过胸呼吸信号和腹呼吸信号波峰波谷的叠加所形成的求和信号。

胸式呼吸是常见的呼吸方式，可以表征人体肺功能的情况；腹式呼吸会着重于横膈膜运动，使胸腔范围扩大，相对于胸式呼吸，可有效进行气体交换，帮助增强肺活量，因此对人体肺功能有很大益处，从而降低PPCs发生率。但目前对腹式呼吸的定量研究很有限，对于胸式呼吸和腹式呼吸整体对于肺功能的衡量的定量研究也有限，因此在本具体实施方式中连续采集胸腹两路呼吸信号可以更好的量化腹呼吸的贡献度，也能够较好地采集被评估者的整体呼吸状况数据。

本实施例对穿戴式生理参数监测装置不做限定，只要在需要上述连续呼吸信号时可以采集得到即可。

S2步骤，基于所述连续呼吸信号提取被评估者术前呼吸信号特征数据组，其中，所述术前呼吸信号特征数据组包括潮气量特征数据组、通气量特征数据组、呼吸频率特征数据组和吸气呼气时间特征数据组中的至少两组；每一特征数据组中包括至少一项特征数据。

在本步骤中基于所述连续呼吸信号提取被评估者术前呼吸信号特征数据组包括，可选地，首先对原始呼吸信号进行平滑、滤波处理，去除异常值，得到“干净”的呼吸信号，以便于从“干净”的胸呼吸信号和腹呼吸信号中提取呼吸生理参数不同时域的相关特征包括呼吸频率特征数据组；使用现有技术，例如Khodadad, D., et al., Optimized breathdetection algorithm in electrical impedancetomography. Physiol Meas, 2018. 39(9): p. 094001中所描述的方法，检测连续胸腹求和信号波峰-波谷，选择吸气阶段（波峰-波谷）计算潮气量、分钟通气量、吸气呼气时间相关特征数据组。其中，潮气量=吸气时间×供气流速，吸气时间越长，则潮气量越大；分钟通气量=呼吸频率×潮气量，是指每分钟进或出肺的气体总量。

在本步骤中通过上述计算得到的所述术前呼吸信号特征数据组包括潮气量特征数据组、通气量特征数据组、呼吸频率特征数据组和吸气呼气时间特征数据组中的至少两组；每一特征数据组中包括至少一项特征数据。

呼吸频率是指每分钟呼吸的次数，胸部的一次起伏就是一次呼吸。呼吸频率是生命体征的重要指标。正常成人呼吸频率为每分钟12~20次，相对来说正常范围内较低的呼吸率意味着呼吸深度的增加，一定程度上反应出肺功能的好坏。采集提取呼吸频率数据能够便于分析呼吸频率和肺功能好坏的关系。

潮气量是指平静呼吸时每次吸入或呼出的气体容积，是显示肺容积的指标，主要用于肺功能检查中的通气功能检查。呼吸功能不全时，潮气量可降低，潮气量指标可帮助排查是否患有间质性肺炎、肺纤维化、肺水肿等呼吸***疾病，因此，潮气量特征数据组也是衡量PPCs的一项重要指标数据。

通气量是指单位时间内呼出和吸入肺的气体总量，能够全面的反应肺通气功能，因此，通气量特征数据组也是衡量PPCs的一项重要指标数据。

被评估者的潮气量、呼吸频率、分钟通气量以及吸气呼气时间，一般来说可以反应肺功能的情况，术前肺功能好的患者，术后的PPCs发生率应该是降低的。提取潮气量、呼吸频率、分钟通气量以及吸气呼气时间可以用于判断被评估者的定量的相关肺功能数据从而为定量模型预测PPCs几率提供数据基础。

其中，呼吸频率特征数据组可以包括：静息基线阶段呼吸频率平均值（br_base）、步行阶段最后结束时刻的呼吸频率数值（br_end）、恢复阶段呼吸频率平均值（br_recovery）、步行结束后恢复1分钟时刻的呼吸频率数值（brr1）、步行阶段最大呼吸频率数值（br_max）、呼吸频率从开始增加到最大数值所用的时间（br_acc_time）、步行阶段呼吸频率从开始时的数值上升到最大值的75%的斜率（br_slope）、静息基线阶段呼吸频率标准差（br_base_std）、步行阶段呼吸频率标准差（br_wt_std）、恢复阶段呼吸频率标准差（br_recovery_std）。

以上呼吸频率特征数据能够体现在6MWT试验各个阶段的呼吸频率特点，能够检测出被评估者在运动前中后呼吸***的实时状态，进而判断被评估者的呼吸抑制程度。

潮气量特征数据组可以包括：潮气量由基线上升到最大值所用时间（VT_in_acc_time）、潮气量由基线上升到最大值的75%的斜率（VT_in_slope）、静息基线阶段潮气量平均值（VT_in_base）、步行阶段最大潮气量数值（VT_in_max）、恢复阶段潮气量平均值（VT_in _recovery）、静息基线阶段潮气量标准差（VT_base_std）、步行阶段潮气量标准差（VT_wt_std）、恢复阶段潮气量标准差（VT_recovery_std）、恢复阶段呼气潮气量（VT_ex_re）。

以上潮气量特征数据能够体现在6MWT试验各个阶段的潮气量特点，能够检测出被评估者肺部的通气功能，判断被评估者的呼吸抑制程度。

其中，分钟通气量特征数据组可以包括：静息基线阶段吸气分钟通气量（MV_in_base）、吸气分钟通气量最大值（MV_in_max）和吸气分钟通气量由基线上升到最大值的75%的斜率（MV_in_slope）。

以上分钟通气量特征数据能够体现在6MWT试验各个阶段的分钟通气量特点，能够检测出被评估者单位分钟内吸入肺的气体总量，判断被评估者的呼吸抑制程度。

其中，吸气呼气时间特征数据组可以包括：准备阶段吸气时间平均值（TI_base）、准备阶段呼气时间平均值（TE_base）、步行阶段吸气时间平均值（TI_wt）、步行阶段呼气时间平均值（TE_wt）、恢复阶段吸气时间平均值（TI_recovery）、恢复阶段呼气时间平均值（TE_recovery）、准备阶段吸气时间占比平均值（TI_ratio_base）、步行阶段吸气时间占比平均值（TI_ratio_wt）、恢复阶段吸气时间占比平均值（TI_ratio_recovery）。

除此之外，PPCs相关风险评估与临床治疗方案的制定、治疗效果的评价以及医疗资源需求的估计等方面密切相关，所以在术后肺部并发症预测概率的特征数据中也纳入了与PPCs密切相关的一些术前临床生理参数。

与PPCs密切相关的术前临床生理特征数据组可以包括：手术方式、心功能NYHA、风险评分Euro Score、左室内径、左室扩大、左房内径、左房扩大、右室内径、右室扩大、右房内径、右房扩大、左室舒张末期容积、左室舒张末期结构改变、左室收缩末期容积、左室收缩末期结构改变、左室射血分数、左室收缩功能改变、肺动脉直径、肺高压、血红蛋白、肾小球滤过率、FEV1-实测、术前最大深吸气后做最大呼气第一秒呼出的气量的容积的预测数据和手术方式数据（FEV1-预测）、FVC-实测、FVC-预测、入院6MWD。

以上临床生理特征数据是检测心肺疾病的重要指标，与被评估者进行心脏瓣膜手术以及术后肺部并发症PPCs密切相关。

与PPCs密切相关的术前临床生理特征数据集有26项特征数据，即：手术方式、心功能NYHA、风险评分Euro Score、左室内径、左室扩大、左房内径、左房扩大、右室内径、右室扩大、右房内径、右房扩大、左室舒张末期容积、左室舒张末期结构改变、左室收缩末期容积、左室收缩末期结构改变、左室射血分数、左室收缩功能改变、肺动脉直径、肺高压、血红蛋白、肾小球滤过率、FEV1-实测、术前最大深吸气后做最大呼气第一秒呼出的气量的容积的预测数据和手术方式数据（FEV1-预测）、FVC-实测、FVC-预测、入院6MWD。

优选的，所述潮气量特征数据组中的特征数据可以仅仅为第三时间段内的呼气潮气量（VT_ex_re）。

优选的，所述分钟通气量特征数据组中的特征数据可以仅仅为：第一时间段内的吸气分钟通气量（MV_in_base）、吸气分钟通气量最大值（MV_in_max）和吸气分钟通气量由基线上升到最大值的75%的斜率（MV_in_slope）。

优选的，所述术前临床生理特征数据中的特征数据可以仅仅为：术前肺动脉直径数据、术前最大深吸气后做最大呼气第一秒呼出的气量的容积的预测数据（FEV1-预测）和手术方式数据。

上述特征是在上述特征数据组中通过模拟计算筛选出来的与PPCs具有最强相关的特征数据，将在后面的描述详细展开。

综上所述，与呼吸信号相关的生理特征数据集有31项特征数据。

针对上述57项特征数据均可能与PPCs相关，但是如此多的数据作为输入会导致计算的速度受到影响，并且这些特征数据中哪些数据与PPCs强相关，哪些数据与PPCs发生的风险概率并非强相关需要准确地评估。因此本具体实施方式中出于筛选上述57项特征数据强相关数据以及提高预测模型的计算速度之目的，构建了逻辑回归的预测模型。

S3步骤，基于以上呼吸信号相关的生理特征数据，以及术前临床生理特征数据作为变量，以术后肺部并发症概率作为函数构建预测模型预测术后肺部并发症概率。

在本具体实施例中，基于所述潮气量特征数据组、分钟通气量特征数据组和术前临床生理特征数据组中每个组的至少一项特征数据，以预测函数

得到肺部术后并发症概率；其中，

，

，

为常数，

为第

项特征数据对应的特征系数，x为特征数据形成的向量，

，

为第

项特征数据。

基于所述潮气量特征数据组、分钟通气量特征数据组和术前临床生理特征数据组构成数据集，基于数据集建立预测模型，得到形成所述预测函数的最终特征数据和与最终特征数据相对应的最终特征系数。

基于数据集建立第一预测模型，数据集具有M项特征数据数组。

基于并发症的结果需要使得预测模型最终输出一个在0~1之间的数值，数值越接近1表示术后肺部并发症的概率越大。将第一预测模型设为逻辑回归模型，同时将预测

作为Logistic函数，表示为：

其中，

为1，

为特征的个数，

为第

个特征，

为第

个特征对应的系数。

代表当前样本

的输出概率数值。

在本具体实施方式中，所述数据集中包括57项特征数据，即

=47，初始时特征系数随机赋值。

所述数据集基于逻辑回归模型的损失函数表示为：

其中，

为为真实的标签，若

=1，并且预测的

也等于1的情况下，损失最小；若

预测为0的时候损失会非常大。同样，若真实标签

为0的时候，

预测为0，损失为0；

预测为1的情况下，损失非常大。

基于所述损失函数得到的代价函数表示为：

其中，m为数据集中连续生理临床参数数组的个数，

为第

个连续生理临床参数数组，

为

所对应的标签，

的取值为0或1。目的是让系数θ的数值尽可能小，m为训练样本个数。最终目的为寻找合适的j个参数θ，最小化

。

通过梯度下降初始化特征系数，并逐步更新，直至得出对于连续生理临床参数数组中特征数据最优的特征系数

，表示为：

其中，

代表当前第

轮迭代的参数，

代表

轮迭代的模型系数。直到两轮迭代更新的参数差别很微小时，迭代停止，

的参数就可以确定下来。

以上述实施方式为例，通过梯度下降的方式，不断迭代以逼近使得代价函数最小的特征系数，即为第一预测模型下的最优特征系数。

通过上述优化过程得到特征系数后，按照大小顺序排列所述特征系数，并删除最小的特征系数以及与最小的特征系数相对应的特征数据。具体而言，将得到的第一预测模型下的最优特征系数由大到小进行排列，剔除第57项特征系数所对应的特征数据，也就是说，剔除相对于术后肺部并发症而言权重最小的特征数据，即该特征数据对于术后并发症的影响最小。

将删除特征数据后的数据集，重新构建第二预测模型。具体而言，将剔除最小特征系数对应特征数据后的特征数据的数据集作为新的数据集重新进行上述过程，即基于具有56项特征数据的数据集重新形成第二预测模型。

所述第二预测模型的预测函数同样为Logistic函数，第二预测模型的构建过程与第一预测模型的构建过程相同，二者的不同之处在于，所述第二预测模型的数据集中没有进行第一次迭代排序后删除的特征数据，致使其最终得到的最优特征系数与第一预测模型得到的最优特征系数不同。之后，对最优特征系数按照大小顺序进行排序，在数据集中剔除与最小的特征系数相对应的特征数据。剔除过程同样用以删除对于影响术后肺部并发症能力最小的因素，以排出无需获取的数据，以简化获取过程，更加方便快速，同时还能够有效减少数据量。

循环进行基于剩余的特征数据重新构建第N预测模型和排列并剔除特征数据的步骤，直至删除某一特征数据后第Q预测模型的并发症预测值下降第一阈值。所述第一阈值包括大于等于60%。

保留M-Q项特征数据和与保留的特征数据相对应的特征系数分别作为最终特征数据和最终特征系数得到所述预测函数。

相比于神经网络等模型，通过逻辑回归模型在保证预测并发症概率的前提下，更加快速且直观的得到预测结果。

基于本实施例上述的实施方式，最终得到的预测模型的输入为7项特征数据，为：恢复阶段呼气潮气量、静息基线阶段吸气分钟通气量、吸气分钟通气量最大值、吸气分钟通气量由基线上升到最大值的75%的斜率、术前肺动脉直径数据、术前最大深吸气后做最大呼气第一秒呼出的气量的容积的预测数据（FEV1-预测）、手术方式数据。

即所述潮气量特征数据组中的特征数据至少为恢复阶段呼气潮气量。

所述分钟通气量特征数据组中的特征数据为：静息基线阶段吸气分钟通气量、吸气分钟通气量最大值和吸气分钟通气量由基线上升到最大值的75%的斜率。

所述术前临床生理特征数据的特征数据为：术前肺动脉直径数据、术前最大深吸气后做最大呼气第一秒呼出的气量的容积的预测数据（FEV1-预测）和手术方式数据。

根据所述最终确定的上述7项特征数据以及与最终特征数据相对应的最终特征系数得到预测模型，所述预测模型的预测函数表示为：

为输入的特征数据形成的数组x的并发症概率，θ为特征系数形成的向量，

为第

项项特征数据对应的特征系数，x为特征数据形成的向量，

，

为第

项项特征数据。

在本实施例上述的实施方式中，所述预测模型的预测函数表示为：PPC=0.0033*operation+0.01284*pulmonary-0.01187*FEV-0.000001*mv_in_slope-0.000052*mv_in_base-0.00001*mv_in_max+0.000829*VT_ex_re+0.000229。

在上述预测函数中7项特征经过逻辑回归模型后，输出的结果为一个百分比数值，代表的意义为：以Melbourne评分为评判标准的术后肺部并发症的发生几率。

此预测模型虽然在本具体实施方式中由逻辑回归的方式而获得，但是在实际的预测过程中可以仅仅采用此预测函数，采集上述预测函数中的7项特征数据，并通过上述预测函数得到PPCs的概率。

除此之外由于采用的特征提取方法以及采集设备的不同，这些预测函数的变量和系数还可能会较上述7项特征的预测函数有所变化，本领域技术人员可以根据实际情况而选择具体的变量以及变量的系数。

与现有技术相比，本申请通过理论分析、经验总结以及模型计算的方式确定出在六分钟步行试验中生理特征数据与术后肺部并发症的概率，能够在六分钟步行试验中的数据测试即可得到准确度高的心脏瓣膜手术后肺部并发症的概率结果，方便了被评估者获得准确评估，从而为手术治疗方案的制定提供了指导，提高了手术治疗的效果，规避了风险。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。