CN117352125A - 发育性髋关节发育不良挽具治疗疗效预测方法及装置 - Google Patents
发育性髋关节发育不良挽具治疗疗效预测方法及装置 Download PDFInfo
- Publication number
- CN117352125A CN117352125A CN202311424686.2A CN202311424686A CN117352125A CN 117352125 A CN117352125 A CN 117352125A CN 202311424686 A CN202311424686 A CN 202311424686A CN 117352125 A CN117352125 A CN 117352125A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- prediction
- harness
- prediction model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000000694 effects Effects 0.000 title claims abstract description 34
- 208000014906 developmental dysplasia of the hip Diseases 0.000 title claims abstract description 27
- 206010073767 Developmental hip dysplasia Diseases 0.000 title claims abstract description 21
- 208000035790 developmental dysplasia of the hip 1 Diseases 0.000 title claims abstract description 19
- 238000011282 treatment Methods 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 230000001225 therapeutic effect Effects 0.000 claims abstract description 44
- 230000004083 survival effect Effects 0.000 claims abstract description 30
- 238000013441 quality evaluation Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012552 review Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 abstract description 18
- 238000011269 treatment regimen Methods 0.000 abstract description 9
- 238000009472 formulation Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 210000004394 hip joint Anatomy 0.000 description 28
- 238000002604 ultrasonography Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 210000001624 hip Anatomy 0.000 description 13
- 238000002560 therapeutic procedure Methods 0.000 description 10
- 210000000588 acetabulum Anatomy 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 210000004197 pelvis Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 206010023204 Joint dislocation Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013058 risk prediction model Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 206010058314 Dysplasia Diseases 0.000 description 3
- 208000007446 Hip Dislocation Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010066901 Treatment failure Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010023201 Joint contracture Diseases 0.000 description 1
- 208000012659 Joint disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 210000003099 femoral nerve Anatomy 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011119 multifactor regression analysis Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000002640 perineum Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 230000001148 spastic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Physical Education & Sports Medicine (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种发育性髋关节发育不良挽具治疗疗效预测方法及装置，涉及疗效预测的技术领域，包括：按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息；其中，目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；通过预先构建的挽具疗效预测模型，根据目标特征信息确定目标对象对应的生存列线图；其中，生存列线图用于描述目标对象的挽具治疗疗效预测结果。本发明可以筛选出影响挽具治疗疗效的特征类型，从而实现对DDH患儿挽具保守治疗的预后进行准确预判，有助于辅助治疗策略的制定。
Description
技术领域
本发明涉及疗效预测技术领域，尤其是涉及一种发育性髋关节发育不良挽具治疗疗效预测方法及装置。
背景技术
发育性髋关节发育不良(Developmental dysplasia of the hip，简称DDH)是婴幼儿最常见的髋关节疾病，患病率多集中在范围1.5‰-20‰。随着年龄的增长，病变越复杂，治疗难度越大，疗效也越差。
目前，超声检查现已公认成为DDH诊断及早期监测治疗效果的金标准。对于DDH挽具/支具疗效评估，由于缺乏大数据的相关研究，影响疗效的因素及吊带治疗疗效存在争议。超声检查应该采取怎样的频次和周期，以及适合年龄，都鲜有基于循证医学的依据可供参考。同样分型、同一位医生治疗、同样的治疗方案下仍然会存在不同的结局。据此推断，一定存在影响疗效的风险因素。而如何更加准确的预测挽具治疗疗效、依据风险因素制定DDH保守治疗策略是医生关注的热点问题。
对于治疗缺乏共识，主要是治疗时机(患儿周龄大小)选择、需要吊带治疗的DDH的类型、挽具佩戴持续时间、复查频次等方面的循证研究不足，较多的依赖个人经验和传统方法。
首先，Barlow和Larson等认为，新生儿中约80％的不稳定髋关节在2个月时趋于稳定，且Larson认为不论何种分型，≤180d吊带治疗的失败率没有差异。Swarup等认为，6～12周患儿髋关节表现为轻度不成熟(50°<α<60°)，此期不需治疗髋关节也能发育成熟；但如果髋关节为中重度发育不良(α<50°)，则需立即开始治疗。有研究显示，7周龄是治疗DDH成功和失败的分界点。而等研究表明，4月龄是DDH患儿吊带治疗失败的年龄临界值。何靖楠，陈涛等研究结果，建议患儿能够在42天龄内诊断治疗。
其次，Pavlik挽具并不适用于所有分型：对于治疗Graf IIc、D患儿成功率可达90％以上，但是在治疗Graf IV型的患儿成功率降至80％，甚至更低。
再次，对于儿童DDH Pavlik吊带佩戴的时间，目前尚无统一观点。多数学者认为月龄越小，需要佩戴支具时间越短，随着年龄的增加，需要延长治疗时间。初始治疗时持续全天佩戴，直到临床及超声检查提示髋关节稳定后可间断佩戴巩固治疗。国内2017年发布的指南建议：年龄≤3个月患儿佩戴时间为12周，>3个月的患儿佩戴时间为其月龄的2倍。据Tibrewal等报道，北美地区推荐髋脱位的DDH患儿吊带最长治疗3～4周，不分年龄。万广亮等报道，对于4个月内Graf Ⅲ/Ⅳ型的DDH患儿，佩戴Pavlik吊带治疗时间为髋关节获得稳定后，再连续佩戴12周。Mubarak等学者建议，DDH患儿4周内若不能获得复位应放弃吊带治疗。对此，Jones等经研究也发现，连续佩戴吊带8周以上(8～64周)不能复位的28个脱位髋，仅14髋获得闭合复位，切开复位时发现后外侧髋臼严重发育不良。
Swarup等在脱位患者治疗过程中每周复查超声，如髋关节可复位且稳定，可延长为每2周复查。等对吊带治疗的患儿，不论何种类型均每3～4周复查超声。也有研究指出，患儿第一次常规超声随访可以在接受Pavlik吊带治疗后6-12周进行。
陈涛教授团队前期研究结果：Pavlik吊带对于IIc及D型治愈率较高，分别达到97.9％，和100％；但是，对于Graf III、IV型总体治愈率仅为48.5％，其疗效与首诊天龄相关。评估了首诊天龄对治愈率的预测力，得到Pavlik吊带治愈42天内患儿DDH的特异度是100％。建议患儿能够在42天龄内诊断治疗。
综上所述，如何更加准确的预测挽具治疗疗效、依据影响疗效的风险因素制定DDH保守治疗策略是医生关注的热点问题。
发明内容
有鉴于此，本发明的目的在于提供一种发育性髋关节发育不良挽具治疗疗效预测方法及装置，可以筛选出影响挽具治疗疗效的特征类型，从而实现对DDH患儿保守治疗的预后进行准确预判，有助于辅助治疗策略的制定。
第一方面，本发明实施例提供了一种发育性髋关节发育不良挽具治疗疗效预测方法，包括：
按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息；其中，所述目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；
通过预先构建的挽具疗效预测模型，根据所述目标特征信息确定所述目标对象对应的生存列线图；其中，所述生存列线图用于描述所述目标对象的挽具治疗疗效预测结果。
在一种实施方式中，在按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息的步骤之前，所述方法还包括：
获取历史数据；其中，所述历史数据包括多个所述候选特征类型对应的所述历史特征信息，所述候选特征类型包括患儿一般特征、超声报告结果、超声图像特征、超声复查频率、X线特征和治疗情况特征中的一种或多种；
利用所述历史数据对预测模型集中的每个预测模型进行训练和验证，以通过训练和验证后的所述预测模型基于所述历史数据输出一个或多个候选特征类型；
根据每个所述预测模型输出的所述候选特征类型确定目标特征类型。
在一种实施方式中，根据每个所述预测模型输出的所述候选特征类型确定目标特征类型的步骤，包括：
将所述预测模型集中的指定预测模型输出的候选特征类型确定为目标特征类型。
在一种实施方式中，根据每个所述预测模型输出的所述候选特征类型确定目标特征类型的步骤，还包括：
按照所述预测模型集中的多个目标预测模型对应的权重值，对每个所述目标预测模型输出的所述候选特征类型进行加权处理，得到每个所述目标预测模型输出的每个所述候选特征类型对应的推荐值；
按照所述推荐值从高到低的顺序，从每个所述目标预测模型输出的每个所述候选特征类型中确定目标特征类型。
在一种实施方式中，所述预测模型集包括随机森林模型、极限梯度提升模型、梯度爬升决策树模型、自适应提升模型、朴素贝叶斯模型、logistic回归模型、支持向量机模型、K近邻模型、多层感知机模型中的一种或多种。
在一种实施方式中，在利用所述历史数据对预测模型集中的每个预测模型进行训练和验证的步骤之后，所述方法还包括：
确定所述预测模型集中的每个所述预测模型对应的质量评价参数，以通过所述质量评价参数对每个所述预测模型进行评价；其中，所述质量评价参数包括精确率、召回率、准确率和F1值中的一种或多种；
所述方法还包括：
基于所述质量评价参数，从所述预测模型集包含的所述预测模型中确定目标预测模型。
在一种实施方式中，在通过预先构建的挽具疗效预测模型，根据所述目标特征信息确定所述目标对象对应的生存列线图的步骤之前，所述方法还包括：
利用所述目标特征类型对应的所述历史特征信息，拟合Cox风险回归模型的系数值，以得到挽具疗效预测模型。
第二方面，本发明实施例还提供一种发育性髋关节发育不良挽具治疗疗效预测装置，包括：
信息提取模块，用于按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息；其中，所述目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；
生存列线图确定模块，用于通过预先构建的挽具疗效预测模型，根据所述目标特征信息确定所述目标对象对应的生存列线图；其中，所述生存列线图用于描述所述目标对象的挽具治疗疗效预测结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的发育性髋关节发育不良挽具治疗疗效预测方法及装置，首先按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息，目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；然后通过预先构建的挽具疗效预测模型，根据目标特征信息确定目标对象对应的生存列线图，生存列线图用于描述目标对象的挽具治疗疗效预测结果。上述方法提出了结合基于机器学习的预测模型集和生成列线图共同实现挽具治疗疗效预测的方法，通过基于机器学习的预测模型集对影响疗效的特征类型进行筛选，利用挽具疗效预测模型根据目标特征信息确定出生存列线图，本发明实施例通过筛选出影响挽具治疗疗效的特征类型，从而实现对DDH患儿保守治疗的预后进行准确预判，有助于辅助治疗策略的制定。
本发明的有益效果是：构建一个基于机器学习技术的发育性髋关节发育不良支具治疗疗效预测模型。这种准确预测非常重要，可以对DDH患儿保守治疗的预后进行准确预判，及时调整治疗治疗方案，这样，有助于进一步优化治疗策略，避免支具治疗带来的并发症的发生，同时，也可筛选出高风险的患者及时调整治疗，实现个体化精准治疗目的，达到最佳疗效。目前，还没有类似关于DDH的保守治疗预测模型，这是本领域一个创新性的想法，无论从经济效益方面来看，还是对患儿及家庭带来的社会效益方面来说，都是很好的体现。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种发育性髋关节发育不良挽具治疗疗效预测方法的流程示意图；
图2为本发明实施例提供的另一种发育性髋关节发育不良挽具治疗疗效预测方法的流程示意图；
图3为本发明实施例提供的一种发育性髋关节发育不良挽具治疗疗效预测装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明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，都属于本发明保护的范围。
目前，现有技术难以识别对挽具治疗疗效存在影响的风险因素，也无法实现对挽具治疗疗效进行可靠预测。基于此，本发明实施提供了一种发育性髋关节发育不良挽具治疗疗效预测方法及装置，可以筛选出影响挽具治疗疗效的特征类型，从而实现对DDH患儿保守治疗的预后进行准确预判，有助于辅助治疗策略的制定。
为便于对本实施例进行理解，首先对本发明实施例所涉及的概念进行介绍，包括：
(1)机器学习(Machine Learning，ML)是人工智能的一个分支，它采用统计、概率和优化技术来训练机器学习的知识，其算法可以通过自动化分析模型构建，从数据中学习，识别模式并以最少的人工干预做出决策。目前，机器学习最常见的应用模式是风险预测模型建立，可以通过计算机不断学习数据，能够创建更加精准、客观的预测预测模型，并分析相关风险因素。与传统的研究数据变量之间相关性的方法，如线性回归相比，机器学习在研究不同变量之间相关性方面具有独特优势，因为机器学习更强调不同变量之间的相关性分析，不仅能够分析和总结复杂的数据，而且能通过探索预测因子之间复杂的相互关系来提高预测的准确性。此外，机器学习还能够提供一些数据预测模型，例如预测因子的线性和同质性问题。除了能够对数据进行分析外，机器学习还能对数据进行预测，并分析一些潜在的变量，这些潜在变量作为未来预测风险因素有助于临床医生提前识别高危患者，选择和优化治疗方案。机器学习本身就是对大数据的高效收集与运算，通过分析已有数据，建立相关模型，分析重要指标趋势，可以预测患者治疗后的疗效及并发症，更加准确地评估患者病情。
机器学习预测疗效时，通常是基于假设“所有的特征值都是独立的”。实际上，这些特征值是相互依存的关系，找到它们之间的依存关系并评估其对预测结果的影响是比较困难的。Ochi等利用ANN建立***放疗后生存率的预测模型结果发现，同时包含最大相关性特征值和基本特征值的模型，预测结果由于只包含基本特征值的模型，也优于输入所有特征值的模型。因此，特征值的选取和输入并非越多越好，准确找到相关性较大的特征值进行组合，才能得到最佳的预测模型。另有结果发现，含有多个特征值的SVM模型预测结果优于只有2个特征值的logistic模型。因此，筛选出最佳特征值进行组合输入模型，可以提高模型的预测精度。
机器学习应用于DDH挽具治疗疗效的研究有限，很多研究者从DDH发病危险因素方面进行研究，近期也有关于手术需求预测研究，但多限于回归模型建立的基础上。ML致力于研究如何通过计算的手段，利用经验来改善***自身的性能，在计算机***中，“经验”通常以“数据”的形式存在，因此，ML所研究的主要内容是关于在计算机上从数据中产生“模型”的算法，即“学习算法(learning algorithm))”。有了学习算法，便能基于这些积累的大量数据产生模型，然后在面对新的DDH患者时，模型会提供相应的判断(如预后、疗效、应采取治疗方案等)，目前广泛应用于临床。
(2)列线图(Nomogram)，又称诺莫图，是建立在多因素回归分析的基础上，根据模型中各个影响因素对结局变量的贡献程度(回归系数的大小)，给每个影响因素的每个取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测值。它将复杂的回归方程，转变为了可视化的图形，使预测模型的结果更具有可读性，方便对患者进行评估。具有直观便于理解的特点，在医学研究和临床实践中也逐渐得到了越来越多的关注和应用。列线图是基于数学公式建立模型的图形显示，在临床医学中已被广泛应用。列线图能够通过整合各种预后和决定因素来产生临床事件的个体可能性，从而满足了对生物学和临床整合模型的需求，并实现了对个性化医学的追求。通过简便的数字界面进行快速计算，并提高风险预测模型的直观性，更易于理解预后，从而对临床预后预测并帮助医生进行临床决策。例如，在肿瘤的预后研究中，研究者发现列线图模型甚至优于临床分期模型，可以为医生提供指导。
在此基础上，对本发明实施例所公开的一种发育性髋关节发育不良挽具治疗疗效预测方法进行详细介绍，参见图1所示的一种发育性髋关节发育不良挽具治疗疗效预测方法的流程示意图，该方法主要包括以下步骤S102至步骤S104：
步骤S102，按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息。
其中，目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的，预测模型集包括随机森林(random forest，RF)模型、极限梯度提升(extreme gradient boosting，XGboost)模型、梯度爬升决策树(gradientboosting decision tree，GBDT)模型、自适应提升(adaptive boosting，Adaboost)模型、朴素贝叶斯(Naive Bayes，NB)模型、logistic回归模型、支持向量机(support vectormachines，SVM)模型、K近邻(K-nearest neighbor，KNN)模型、多层感知机(multilayerperceptron，MLP)模型中的一种或多种，候选特征类型包括患儿一般特征、超声报告结果、超声图像特征、超声复查频率、X线特征和治疗情况特征中的一种或多种。
在一种实施方式中，可以预先利用包含有多个候选特征类型对应的历史特征信息对预测模型集进行训练和验证，从而利用训练和验证后的预测模型集针对历史数据输出对疗效存在影响的目标特征类型。在此基础上，可以按照目标特征类型获取目标特征信息。
步骤S104，通过预先构建的挽具疗效预测模型，根据目标特征信息确定目标对象对应的生存列线图。
其中，挽具疗效预测模型可以采用Cox风险回归模型，挽具疗效预测模型是利用上述目标特征类型对应的历史特征信息拟合Cox风险回归模型的系数值得到的，生存列线图用于描述目标对象的挽具治疗疗效预测结果。
在一种实施方式中，将目标特征类型对应的目标特征信息输入至挽具疗效预测模型，即可得到相应的生存列线图。
本发明实施例提出了结合基于机器学习的预测模型集和生成列线图共同实现挽具治疗疗效预测的方法，通过基于机器学习的预测模型集对影响疗效的特征类型进行筛选，利用挽具疗效预测模型根据目标特征信息确定出生存列线图，本发明实施例通过筛选出影响挽具治疗疗效的特征类型，从而实现对DDH患儿保守治疗的预后进行准确预判，有助于辅助治疗策略的制定。
为便于理解，本发明实施例提供了一种发育性髋关节发育不良挽具治疗疗效预测方法的具体实施方式。
临床记录的大数据中包含有关疾病进展和预后的潜在信息，传统的回归预测模型王要分析变量之间的关联，而机器学习可以通过创建特征从现有的变量中推出新的变量，有助于揭示数据集的隐藏关系。本研究预计通过机器学习以往患儿诊疗过程相关因素及预后结果，建立预测模型，在构建机器学习预测模型时，可以通过选择合理的特征、调试参数、运用多种机器学习算法及交叉验证数据集来提高机器学习预测模型的淮确性，从而使预测的结果可靠性更好。首先找出基于大数据的可靠的导致治疗成功(或失败)的因素、预测治愈可能、对预后影响较大的风险因素排序，并选择其中预测能力最精准、执行最稳定、验证最佳的模型作为DDH挽具治疗疗效的预测模型，为保守治疗决策提供依据和指导。同时，对如XGBoost模型等机器算法筛选后的重要风险因素建立列线图，通过简便的数字界面进行快速计算，直观显示各个相关风险因素及其权重，更易于理解预后，帮助医生进行临床决策。人工智能的制定“个性化”治疗方案：包括是否适合接受挽具治疗、治愈概率，从而抓住保守治疗时机，尽可能提高治疗效果。
在具体实现时，在执行前述步骤S102至步骤S104之前，需要预先确定目标特征类型和拟合挽具疗效预测模型。
在一例中，本发明实施例提供了一种确定目标特征类型的实施方式，参见如下步骤A1至步骤A3：
步骤A1，获取历史数据；其中，历史数据包括多个候选特征类型对应的历史特征信息，候选特征类型。
在数据收集阶段，回顾性分析2013年1月1日-2019年1月1日，就诊于北京积水潭医院小儿骨科并进行超声检查的48666位受检婴幼儿(共计93776个髋关节)，其中男性18919人，女性29747人。首次就诊时天龄74.0±45.5天。从中筛选出Graf IIa型及以上髋关节(包括GrafIIa、GrafIIb、Graf IIc、Graf D、Graf III、Graf IV型髋关节)共计4456髋，左髋2435髋(54.65％)，右髋2021髋(45.35％)，女髋3680髋(82.6％)，男髋776髋(17.4％)。
纳入标准：纳入2013年1月1日-2019年1月1日，患儿首次检查并确诊为Graf IIa以髋关节，体格检查神经肌肉***无异常发现；一经确诊DDH立即采用Pavlik吊带治疗，且病史完整、超声及X线检查结果完整、预后明确(治愈、未治愈、残余髋臼发育不良)的髋关节，预计3500髋，随访2-6年不等。
排除标准：因故中止Pavlik吊带治疗，改用其他治疗方法；Graf静态超声检查报告结果、随访数据不全；合并有多发性关节挛缩及其它综合征所合并的髋关节脱位、病理性髋关节脱位、麻痹性和痉挛性髋脱位。
在具体实现时，需要采集一般特征、超声报告结果、超声图像特征、超声复查频率、X线、治疗情况、预后等信息。资料搜集方法有：超声检查报告、X线检查报告、病历及手术记录、电话回访，对于治疗结果的评估全部由相关骨科专家逐一确认。随访1.0-5.7年不等。具体包括：
(1)一般特征：患儿起始治疗时天龄(分为“≤42d、43～60d、61～90d、91～120d、121～150d、151-180d、>181d”组)、性别(男/女)、侧别(左侧/右侧)、是否双侧患病(是/否)。
(2)超声报告结果：Graf分型(Graf IIa、Graf IIb、Graf IIc、Graf D、Graf III、Graf IV型髋关节)、α角测值(单位：°)、β角测值(单位：°)、与前次相比α角增减度数(单位：°)、与前次相比β角增减度数(单位：°)。
(3)超声复查频率：距最近一次超声检查间隔周数(≤2周，2-3周，≥3周)。
(4)X线：髋臼指数(Acetabular Index,AI)。
(5)治疗情况：是否接受挽具治疗(是/否)、佩戴月数(≤1个月、≥2且＜3个月、≥3且＜6个月、≥6且＜12个月、≥12个月)、每日是否按要求佩戴(是/否)。
为便于对前述超声检查法进行理解，本发明实施例对超声检查法进行详细解释：(1)本发明实施例以国际公认Graf超声检查法为诊断标准。Graf法提供了一种基于年龄参数的对婴儿髋臼和股骨头之间位置关系进行分类的定量方法，具体如下：I型：α≥60°，β<55°，发育成熟。IIa型：α＝50°-59°(0-12周)，IIb型：α＝50°-59°(＞12周)，IIc型：α＝43°-49°，β＜77°。D型：α＝43°-49°，β>77°。III型：α<43°，骨性臼顶发育差，偏心型髋。IV型：α<43°，为髋关节完全脱位。(2)检查***及方法：婴儿侧卧位，待检查髋关节处于松弛状态，轻微屈曲内收。将探头垂直，不倾斜，放置于髋关节外侧股骨大转子处，与身体长轴保持基本平行，声束基本垂直于骨盆矢状面，前后移动探头并轻微旋转调整，获得髋臼正中的标准冠状切面声像图。所有图像均由具有7年以上DDH超声检查经验、且受过Graf教授亲自指导的超声科医生实施检查，当发现Graf IIa及以上髋关节时，需由两位超声医生会诊方可诊断，若有异议，将再由第三位上级超声医生进一步会诊，以确保结果可靠。
为便于对前述挽具治疗方法进行理解，本发明实施例对挽具治疗方法进行详细解释：Pavlik吊带治疗法：维持患儿屈髋大于90°，屈膝90°，双侧髋关节外展不大于120°。Pavlik佩戴后严格禁止1周内自行拆卸，超声评估：观察疗效、评价股骨头和髋臼的位置变化、调整吊带松紧及姿势、有无“髋臼外缘变形或塌陷、股骨头持续外移”征象。
为便于对骨盆X光片检测方法进行理解，本发明实施例对骨盆X光片检测方法进行详细解释：小儿取仰卧位,家长扶持,固定婴幼儿双侧肩关节、膝关节、踝关节防止骨盆向侧方倾斜。X光机器投照中心位于骨盆正上方。
进一步的，本发明实施例还提供了治疗成功标准和治疗失败标准：(1)治疗成功标准也即早期有效，包括：(1.1)对于分类为Graf IIc和D型的髋关节，根据Atalar等标准：超声检查显示股骨头和髋臼对齐良好，α角大于60°，或X射线骨盆平片反映股骨头和髋臼对位良好，AI小于25°。
(1.2)对于Graf III型和IV型髋关节，髋关节内侧超声显示股骨头脱位达到同心复位，通过本次超声检查，从***处评估，更直观准确；根据Graf方法，超声结果从GrafIIc，D，III和IV恢复为GrafIIb或I；X线骨盆平片反映股骨头与髋臼对位良好。(2)治疗失败标准也即无效，包括：在治疗过程中，如果连续三次超声或X线检查提示股骨头不能复位或髋臼发育未进一步改善，或有股骨头缺血性坏死、股神经麻痹等并发症，然后吊带或支架的治疗失败并且无效。
步骤A2，利用历史数据对预测模型集中的每个预测模型进行训练和验证，以通过训练和验证后的预测模型基于历史数据输出一个或多个候选特征类型。
机器学习需要收集患者的全部信息,对信息进行分类整理,筛选原始数据，并剔除无用信息。可以从医院***中获取近6年所有就诊患儿(包括健康查体婴儿)的所有信息，信息非常繁多，且只有对于Graf IIa型及以上髋关节才涉及是否治疗的问题，所以需要医生从这所有患儿中(大约5万例患儿)按照关键词筛选出4000-5000名Graf IIa型及以上髋关节，才能进行是否治疗及疗效影响因素的研究。
筛选出Graf IIa型及以上髋关节共计4456髋，随访，纳入病史完整、超声及X线检查结果完整、预后明确(治愈、未治愈、残余髋臼发育不良)的髋关节，预计3500髋。最后将入组3500髋按2∶1的比例随机分为训练集(2333髋)和测试集(1167髋)。将所有患儿的相关信息、数据导入3Dslicer软件平台。首先比较训练集和验证集的基线资料。
分类筛选数据后，机器学习还需要利用不同的算法对数据进行学习。在Python3.6软件中加载“sklearn”扩展库，本发明实施例拟从该库中引入9种经典的机器学习算法，包括：采用随机森林(random forest，RF)、极限梯度提升算法(extreme gradientboosting，XGboost)、梯度爬升决策树(gradient boosting decision tree，GBDT)、自适应提升算法(adaptive boosting，Adaboost)、朴素贝叶斯(Naive Bayes，NB)、logistic回归、支持向量机(support vector machines，SVM)、K近邻(K-nearest neighbor，KNN)、多层感知机(multilayer perceptron，MLP)等机器学习算法对DDH挽具治疗预后构建预测模型。将患者的临床特征及影像学征象等变量作为预测因子。在训练集上进行训练及采用“Stratified KFold”函数进行十折交叉验证，使多次预测值的标准差尽可能最小，不断优化各模型的参数。在提升模型预测性能的同时，保证预测的稳定性。
进一步的，在模型调试时，可以确定预测模型集中的每个预测模型对应的质量评价参数，以通过质量评价参数对每个预测模型进行评价；其中，质量评价参数包括精确率、召回率、准确率和F1值中的一种或多种。具体的，可以使用风格搜索(GridSearch)方法调整参数,最后得到每个模型的质量评价参数,如精确率、召回率、准确率和F1值。最终以受试者工作特征(receiver operating characteristic,ROC)曲线在验证集内验证最终构建的机器学***均数得出。最后验证数据代入预测模型,根据AUC、精确率判断模型预测效能，评价DDH挽具治疗后预测模型准确率，敏感度和特异度。在机器学习模型中,预测因子的重要性通过Shapley加法解释(SHAP)值体现,通过SHAP图展现按重要性排序的预测因子。
在进行模型构建和验证时,均采用python3.8.5软件和工具包Sklearn0.23.2、XGBoost1.2.1及shap0.38.1。P<0.05为差异有统计学意义。
步骤A3，根据每个预测模型输出的候选特征类型确定目标特征类型。本发明实施例提供了一种确定目标特征类型的实施方式，参见如下方式一至方式二：
方式一：将预测模型集中的指定预测模型输出的候选特征类型确定为目标特征类型。其中，指定预测模型可以为XGboost模型，XGboost是近年来开发的一个开源机器学习项目，在很多的计算竞赛中获得了优异的成绩。在本研究中，拟重点关注XGboost模型对DDH挽具治疗疗效的预测性能。
方式二，按照预测模型集中的多个目标预测模型对应的权重值，对每个目标预测模型输出的候选特征类型进行加权处理，得到每个目标预测模型输出的每个候选特征类型对应的推荐值，然后按照推荐值从高到低的顺序，从每个目标预测模型输出的每个候选特征类型中确定目标特征类型。在一种实施方式中，在前述训练和验证阶段，确定了每个预测模型的质量评价参数，因此可以基于质量评价参数，从预测模型集包含的预测模型中确定目标预测模型；在另一种实施方式中，还可以将预测模型集中每个预测模型均作为目标预测模型。然后针对目标预测模型输出的候选特征类型进行加权，以得到各个候选特征类型的评分/推荐值，可以按照推荐值从高到低的顺序选择一个或多个候选特征类型作为目标特征类型。
在一例中，本发明实施例提供了一种拟合挽具疗效预测模型的实施方式，可以利用目标特征类型对应的历史特征信息，拟合Cox风险回归模型的系数值，以得到挽具疗效预测模型。
在实际应用中，为了通过简化输入进一步扩展预测模型的适用性，基于各种机器模型中的排在前10位的重要变量构建了逐步Cox比例风险模型。使用逐步Cox回归，因为它可以实现局部最佳拟合优度，同时确认预测变量的统计意义。并没有在全部所有个变量上使用逐步Cox模型，而是使用了机器学习模型(如XGBoost模型)选择的与DDH治疗成功关联最密切的10个变量。然后，将这10个变量(本研究预计可能相关危险因素有胎产式、母亲生育史、首次就诊时间、支具选择、患儿起始治疗时天龄、性别、Graf分型、支具佩戴时间等因素)代入逐步法Cox模型中，风险评分通过Cox中的变量系数最后得出。得出的β系数应用于列线图构建。
本发明实施例通过Cox风险回归模型多因素分析，发现与DDH疗效相关的重要预测因素，根据Cox风险系数建立列线图模型。将患者的基本情况及相关检查结果输入，根据列线图计算得出的量化的风险比例，制定更加有效、准确、安全的挽具治疗方案。
该步骤的目的在于：基于XGBoost等模型筛选与DDH治疗效果密切相关的变量特征，带入Cox风险回归模型后建立“治愈”生存列线图，并使用内部验证，为支具DDH治疗提供决策参考。
综上所述，本发明实施例可以确定挽具治疗DDH不同患儿不同结局的发生率、风险因素；基于不同机器学习算法分别对挽具治疗DDH进展结局建立最优风险预测模型；基于最优模型筛选特征后建立挽具治疗DDH治愈率的生存列线图；基于机器学习的预测模型和列线图共同形成人工智能辅助诊疗***。目前，由于国内很多医院病源限制，还未有关于DDH的疗效预测模型。
本发明实施例至少具有以下特点：
(1)确定挽具治疗DDH不同患儿不同结局的发生率、风险因素；
(2)基于不同机器学习算法分别对挽具治疗DDH进展结局建立最优风险预测模型；
(3)基于最优模型筛选特征后建立挽具治疗DDH治愈率的生存列线图。
进一步的，本发明实施例还提供了发育性髋关节发育不良挽具治疗疗效预测方法的另一种实施方式，参见图2所示的另一种发育性髋关节发育不良挽具治疗疗效预测方法的流程示意图，包括：数据收集，包括一般特征、超声报告结果、超声图像特征、超声复查频率、X线、治疗情况和预后等数据；标准化处理，并划分为训练集和测试集；利用训练集训练机器学习模型(也即前述预测模型)，以及利用机器学习模型对测试集进行预测；对机器学习模型进行十折交叉验证，并判断是否满足要求，如果不满足要求则继续进行CA/PSO优化参数，如果满足要求则进行DDH挽具疗效预测模型建立的步骤，以生成生存列线图；最终实现基于机器学习的发育性髋关节发育不良挽具治疗疗效预测模型及人工智能辅助诊疗***的建立，用以个体化定量分析辅助治疗和精准预后预测DDH挽具治疗疗效。
在前述实施例的基础上，本发明实施例提供了一种发育性髋关节发育不良挽具治疗疗效预测装置，参见图3所示的一种发育性髋关节发育不良挽具治疗疗效预测装置的结构示意图，该装置主要包括以下部分：
信息提取模块302，用于按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息；其中，目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；
生存列线图确定模块304，用于通过预先构建的挽具疗效预测模型，根据目标特征信息确定目标对象对应的生存列线图；其中，生存列线图用于描述目标对象的挽具治疗疗效预测结果。
本发明实施例提出了结合基于机器学习的预测模型集和生成列线图共同实现挽具治疗疗效预测的方法，通过基于机器学习的预测模型集对影响疗效的特征类型进行筛选，利用挽具疗效预测模型根据目标特征信息确定出生存列线图，本发明实施例通过筛选出影响挽具治疗疗效的特征类型，从而实现对DDH患儿保守治疗的预后进行准确预判，有助于辅助治疗策略的制定。
在一种实施方式中，还包括特征确定模块，用于：
获取历史数据；其中，历史数据包括多个候选特征类型对应的历史特征信息，候选特征类型包括患儿一般特征、超声报告结果、超声图像特征、超声复查频率、X线特征和治疗情况特征中的一种或多种；
利用历史数据对预测模型集中的每个预测模型进行训练和验证，以通过训练和验证后的预测模型基于历史数据输出一个或多个候选特征类型；
根据每个预测模型输出的候选特征类型确定目标特征类型。
在一种实施方式中，特征确定模块还用于：
将预测模型集中的指定预测模型输出的候选特征类型确定为目标特征类型。
在一种实施方式中，特征确定模块还用于：
按照预测模型集中的多个目标预测模型对应的权重值，对每个目标预测模型输出的候选特征类型进行加权处理，得到每个目标预测模型输出的每个候选特征类型对应的推荐值；
按照推荐值从高到低的顺序，从每个目标预测模型输出的每个候选特征类型中确定目标特征类型。
在一种实施方式中，预测模型集包括随机森林模型、极限梯度提升模型、梯度爬升决策树模型、自适应提升模型、朴素贝叶斯模型、logistic回归模型、支持向量机模型、K近邻模型、多层感知机模型中的一种或多种。
在一种实施方式中，还包括模型评价模块，用于：
确定预测模型集中的每个预测模型对应的质量评价参数，以通过质量评价参数对每个预测模型进行评价；其中，质量评价参数包括精确率、召回率、准确率和F1值中的一种或多种；
在一种实施方式中，还包括模型确定模块，用于：
基于质量评价参数，从预测模型集包含的预测模型中确定目标预测模型。
在一种实施方式中，还包括模型拟合模块，用于：
利用目标特征类型对应的历史特征信息，拟合Cox风险回归模型的系数值，以得到挽具疗效预测模型。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，包括：
按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息；其中，所述目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；
通过预先构建的挽具疗效预测模型，根据所述目标特征信息确定所述目标对象对应的生存列线图；其中，所述生存列线图用于描述所述目标对象的挽具治疗疗效预测结果。
2.根据权利要求1所述的发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，在按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息的步骤之前，所述方法还包括：
获取历史数据；其中，所述历史数据包括多个所述候选特征类型对应的所述历史特征信息，所述候选特征类型包括患儿一般特征、超声报告结果、超声图像特征、超声复查频率、X线特征和治疗情况特征中的一种或多种；
利用所述历史数据对预测模型集中的每个预测模型进行训练和验证，以通过训练和验证后的所述预测模型基于所述历史数据输出一个或多个候选特征类型；
根据每个所述预测模型输出的所述候选特征类型确定目标特征类型。
3.根据权利要求2所述的发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，根据每个所述预测模型输出的所述候选特征类型确定目标特征类型的步骤，包括：
将所述预测模型集中的指定预测模型输出的候选特征类型确定为目标特征类型。
4.根据权利要求2所述的发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，根据每个所述预测模型输出的所述候选特征类型确定目标特征类型的步骤，还包括：
按照所述预测模型集中的多个目标预测模型对应的权重值，对每个所述目标预测模型输出的所述候选特征类型进行加权处理，得到每个所述目标预测模型输出的每个所述候选特征类型对应的推荐值；
按照所述推荐值从高到低的顺序，从每个所述目标预测模型输出的每个所述候选特征类型中确定目标特征类型。
5.根据权利要求2所述的发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，所述预测模型集包括随机森林模型、极限梯度提升模型、梯度爬升决策树模型、自适应提升模型、朴素贝叶斯模型、logistic回归模型、支持向量机模型、K近邻模型、多层感知机模型中的一种或多种。
6.根据权利要求2所述的发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，在利用所述历史数据对预测模型集中的每个预测模型进行训练和验证的步骤之后，所述方法还包括：
确定所述预测模型集中的每个所述预测模型对应的质量评价参数，以通过所述质量评价参数对每个所述预测模型进行评价；其中，所述质量评价参数包括精确率、召回率、准确率和F1值中的一种或多种；
所述方法还包括：
基于所述质量评价参数，从所述预测模型集包含的所述预测模型中确定目标预测模型。
7.根据权利要求2所述的发育性髋关节发育不良挽具治疗疗效预测方法，其特征在于，在通过预先构建的挽具疗效预测模型，根据所述目标特征信息确定所述目标对象对应的生存列线图的步骤之前，所述方法还包括：
利用所述目标特征类型对应的所述历史特征信息，拟合Cox风险回归模型的系数值，以得到挽具疗效预测模型。
8.一种发育性髋关节发育不良挽具治疗疗效预测装置，其特征在于，包括：
信息提取模块，用于按照预设的目标特征类型，从目标对象的原始数据中提取目标特征信息；其中，所述目标特征类型是通过基于机器学习的预测模型集，针对多个候选特征类型对应的历史特征信息输出的；
生存列线图确定模块，用于通过预先构建的挽具疗效预测模型，根据所述目标特征信息确定所述目标对象对应的生存列线图；其中，所述生存列线图用于描述所述目标对象的挽具治疗疗效预测结果。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311424686.2A CN117352125A (zh) | 2023-10-30 | 2023-10-30 | 发育性髋关节发育不良挽具治疗疗效预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311424686.2A CN117352125A (zh) | 2023-10-30 | 2023-10-30 | 发育性髋关节发育不良挽具治疗疗效预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117352125A true CN117352125A (zh) | 2024-01-05 |
Family
ID=89359334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311424686.2A Pending CN117352125A (zh) | 2023-10-30 | 2023-10-30 | 发育性髋关节发育不良挽具治疗疗效预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117352125A (zh) |
-
2023
- 2023-10-30 CN CN202311424686.2A patent/CN117352125A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tolpadi et al. | Deep learning predicts total knee replacement from magnetic resonance images | |
| Yang et al. | Development and validation of deep learning algorithms for scoliosis screening using back images | |
| Mohammed et al. | A Comprehensive Investigation of Machine Learning Feature Extraction and ClassificationMethods for Automated Diagnosis of COVID-19 Based on X-ray Images. | |
| US10327697B1 (en) | Digital platform to identify health conditions and therapeutic interventions using an automatic and distributed artificial intelligence system | |
| Kuo et al. | Comparison of models for the prediction of medical costs of spinal fusion in Taiwan diagnosis-related groups by machine learning algorithms | |
| Luo et al. | A preliminary dual-energy X-ray absorptiometry-based finite element model for assessing osteoporotic hip fracture risk | |
| Deschepper et al. | A hospital wide predictive model for unplanned readmission using hierarchical ICD data | |
| JP2023521912A (ja) | 関節形成手術処置の予測転帰をモデルリングするための方法およびシステム | |
| Lopez et al. | Artificial learning and machine learning decision guidance applications in total hip and knee arthroplasty: a systematic review | |
| Agrawal et al. | Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning | |
| Halldorsson et al. | A clinical decision support system for the diagnosis, fracture risks and treatment of osteoporosis | |
| Coyner et al. | External validation of a retinopathy of prematurity screening model using artificial intelligence in 3 low-and middle-income populations | |
| Song et al. | An interpretable knowledge-based decision support system and its applications in pregnancy diagnosis | |
| Tavana et al. | An efficient ensemble method for detecting spinal curvature type using deep transfer learning and soft voting classifier | |
| Wang et al. | Multi‐view ensemble learning with empirical kernel for heart failure mortality prediction | |
| Paro et al. | Machine Learning–Driven Clinical Image Analysis to Identify Craniosynostosis: A Pilot Study of Telemedicine and Clinic Patients | |
| Rana et al. | Cervical Vertebral Maturation Assessment using various Machine Learning techniques on Lateral cephalogram: A systematic literature review | |
| Lv et al. | Development and validation of machine learning-based models for prediction of adolescent idiopathic scoliosis: A retrospective study | |
| Lodwick et al. | Factors affecting emergency department computed tomography use in children | |
| Küçükçiloğlu et al. | Prediction of osteoporosis using MRI and CT scans with unimodal and multimodal deep-learning models | |
| CN117352125A (zh) | 发育性髋关节发育不良挽具治疗疗效预测方法及装置 | |
| Shin et al. | Development of convolutional neural network model for diagnosing osteochondral lesions of the talus using anteroposterior ankle radiographs | |
| Chabot et al. | Machine learning: the what, why, and how | |
| Rasouli Dezfouli et al. | A machine learning framework for assessing the risk of venous thromboembolism in patients undergoing hip or knee replacement | |
| Africa et al. | A rough set based data model for breast cancer mammographic mass diagnostics |
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 |