【技术实现步骤摘要】
本专利技术涉及一种基于公开数据库实现的慢性肾脏病的血尿酸阈值计算方法、装置及介质。
技术介绍
1、慢性肾脏病疾病负担日渐增加，严重影响居民的健康和生活质量。前期研究发现高血压和高血尿酸对慢性肾脏病发生具有正向交互作用，结果提示慢性肾脏病发生的血尿酸阈值在不同的疾病状态下可能不同。目前，在患有或不患高血压人群中，血尿酸对慢性肾脏病发生的临界阈值尚未定论。研究中，不同疾病状态下降低慢性肾脏病风险的最佳血尿酸阈值水平尚无定论。
2、传统的阈值计算一般通过参数法或非参数法建立受试者工作特性曲线，使用几率点欧氏距离、曲线下面积、最佳阈值点等指标对算法性能进行评估。研究提出使用深度神经网络基于多个样本估计相应概率分布的一个或多个参数，以使得能够读取不同概率分布下的阈值。也有研究使用剂量反应曲线斜率(drs)代表肺功能指标下降百分率与总吸入激发药物剂量之比，斜率越大反应性越高，即诊断为某疾病的可能性越大。值得注意的是，传统阈值虽评估了结局事件发生的概率、特异度、敏感度，但某些情况下模型中某些变量发生较大幅度的改变，这个时刻即为变点。而变点问题的处理通常分为两部分：一是检测变点是否存在(假设检验问题)；二是若存在变点，需估计出变点位置(估计问题)。此外，变点还经常涉及估计量的渐近分布、收敛速度、变点跳跃度以及多变点情形下估计变点数目等问题。
技术实现思路
1、本专利技术的目的是：将变点识别和阈值评估结合起来。
2、为了达到上述目的，本专利技术的技术方案是提供了一种慢性肾脏病
3、步骤s1：整理待筛查样本数据和医学特征筛选，将医学特征数据标准化之后，划分成多个数值区间，剔除多个数值区间中的异常值；
4、步骤s2：目标人群选择，如果阈值评估目标人群具有某种特征，可根据实际情况选择按照年龄、性别、受教育程度等特征严格匹配对照组；
5、步骤s3：明确是否存在拐点值，包括以下步骤：
6、步骤s3.1：确定血尿酸拐点值：
7、利用gam模型拟合因变量为连续变量的平滑曲线，明确血尿酸和慢性肾脏病的非线性关系，并根据递归算法计算拐点，采用分段回归模型进行阈值效应分析；
8、步骤s3.2：计算分段模型与原直线模型的似然比，根据似然比参数选择模型：如果拐点是显著存在，说明数据适用于分段模型；如果无拐点，则数据适用于直线模型；
9、步骤s4：选择阈值评估范围；
10、步骤s5：计算每一个数值在所设置的置信度下的置信区间，根据数据类型和数据范围采用合适的模型计算每一数值对应目标事件发生的概率和风险比以及相应的置信区间；
11、步骤s6：风险决策，获得阈值。
12、优选地，在所述步骤s4中，通过shap算法打开模型融合中的“黑匣子”并解释两组人群中构建的模型如何预测慢性肾脏病进展步骤：通过计算shap值解释每个特征对慢性肾脏病风险的特征重要度，为目标阈值评估提供参考，具体包括以下步骤：
13、步骤s4.1：利用shap算法进行阈值的解释性分析；
14、步骤s4.2：结合shap算法选取血尿酸阈值参考范围。
15、优选地，在所述步骤s4.1中，首先通过计算血尿酸中每一个特征对预测值的贡献，来对模型判断结果的解释；计算出每一个特征的shapley value，也就是特征重要度；也是可以对某一个分类进行解释，查看在这个分类下的特征的重要度排序。
16、优选地，在所述步骤s5中，所采用的模型包括logistic模型、生存分析模型、广义估计方程模型以及泊松分布模型。
17、优选地，在所述步骤s5中，目标事件可以是过去某段时间内已发生的，或者随访n年后发生的事件，其中，该段时间可以是10年、5年、1年等。
18、优选地，研究对象打乱按n:1随机抽取，重新建立了n个内部队列，构成n倍交叉验证队列；内部验证可采用bootstrap方法，在预测模型开发队列中进行有放回抽样，构造重抽样本将预测模型开发队列作为验证集评价模型性能重复此过程n次；比较暴露因素阈值风险输出大小，评估模型的拟合性。
19、本专利技术的另一个技术方案是提供了一种针对阈值类监控数据进行报警的装置，其特征在于，包括：
20、实时数据划分模块，配置成获得实时监控数据，及与之对应的数值区间；
21、比较模块，实时监控数据及其可信区间在通过上述的慢性肾脏病的血尿酸阈值计算方法获得的阈值区间进行比较；
22、报警模块，如果实时监控数据在阈值区间之外，则发出不同等级的报警信号。
23、优选地，收集外部人群的预警数据，即持续获取所述特定区域内的发生目标事件各选定时间节点的预测因子数据，并进行预警参数输出，同时数据更新到所述特定时间节点下的预测因子数据库中，对预测评分体系进行增量训练，以持续对预测模型进行训练和修正，优化阈值体系的预警精确度和准确度。
24、本专利技术的另一个技术方案是提供了一种计算机可读存储介质，其特征在于，存有指令，当其在计算机上运行时，使得计算机执行上述的慢性肾脏病的血尿酸阈值计算方法。
25、通过本专利技术公开的技术方案能够计算血尿酸对慢性肾脏病发生的阈值范围，为不同疾病背景人群慢性肾脏病的个性化防治提供临床依据。本专利技术提供的血尿酸阈值可预警住院人群、院内体检人群或社区人群慢性肾脏病事件的发生。
26、与现有技术方案相比，本专利技术具有如下优点：
27、(1)适用于多种模型，应用条件广泛：本专利技术不仅适用于传统logistic回归模型，也可应用于神经网络、决策树、时间序列分析等各种条件，用于阈值评估的暴露因素不仅可以是连续变量，也可以分类变量，应用条件广泛。
28、(2)融于“变点”概念，增强阈值的可解释性：剂量反应曲线通常呈j型、u型、s型、抛物线型等，甚至出现多个“变点”。这种情况下仅基于阈值计算结果应用于实际场景仅能片面提示某一数值范围内，结局事件发生的概率最高。但高于或低于这一定量值时，结局事件发生的情况无从评估。本专利技术在传统阈值评估的基础上融入“变点”计算方法，综合考虑了阈值范围外暴露值对应的结局事件发生情况。
29、(3)计算、验证和程序一体，阈值评估系统性强：本专利技术将阈值计算、阈值验证方法和基于sas软件的阈值计算程序相结合，方法上系统完善，论证强度高，利于针对疾病发生高危人群的强化检查和管理。
本文档来自技高网...【技术保护点】
1.一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤S4中，通过SHAP算法打开模型融合中的“黑匣子”并解释两组人群中构建的模型如何预测慢性肾脏病进展步骤：通过计算SHAP值解释每个特征对慢性肾脏病风险的特征重要度，为目标阈值评估提供参考，具体包括以下步骤：
3.如权利要求2所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤S4.1中，首先通过计算血尿酸中每一个特征对预测值的贡献，来对模型判断结果的解释；计算出每一个特征的Shapley Value；也可以对某一个分类进行解释，查看在这个分类下的特征重要度。
4.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤S5中，所采用的模型包括Logistic模型、生存分析模型、广义估计方程模型以及泊松分布模型。
5.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤S5中，目标事件可以是过去某段时间内已发生的，或者随访N年后发生的
6.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，研究对象打乱按N:1随机抽取，重新建立了N个内部队列，构成N倍交叉验证队列；内部验证可采用Bootstrap方法，在预测模型开发队列中进行有放回抽样，构造重抽样本将预测模型开发队列作为验证集评价模型性能重复此过程N次；比较暴露因素阈值风险输出大小，评估模型的拟合性。
7.一种针对阈值类监控数据进行报警的装置，其特征在于，包括：
8.如权利要求7所述的一种根据阈值类监控数据选择报警的装置，其特征在于，收集外部人群的预警数据，即持续获取所述特定区域内的发生目标事件各选定时间节点的预测因子，并进行预警参数输出，同时数据更新到所述特定时间节点下的预测因子数据库中，对预测评分体系进行增量训练，以持续对预测模型进行训练和修正，优化阈值体系的预警效能。
9.一种计算机可读存储介质，其特征在于，存有指令，当其在计算机上运行时，使得计算机执行权利要求1所述的慢性肾脏病的血尿酸阈值计算方法。
...【技术特征摘要】
1.一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤s4中，通过shap算法打开模型融合中的“黑匣子”并解释两组人群中构建的模型如何预测慢性肾脏病进展步骤：通过计算shap值解释每个特征对慢性肾脏病风险的特征重要度，为目标阈值评估提供参考，具体包括以下步骤：
3.如权利要求2所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤s4.1中，首先通过计算血尿酸中每一个特征对预测值的贡献，来对模型判断结果的解释；计算出每一个特征的shapley value；也可以对某一个分类进行解释，查看在这个分类下的特征重要度。
4.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤s5中，所采用的模型包括logistic模型、生存分析模型、广义估计方程模型以及泊松分布模型。
5.如权利要求1所述的一种慢性肾脏病的血尿酸阈值计算方法，其特征在于，在所述步骤s5中，目标事件可以是过去某段时间内已发生的...
【专利技术属性】
技术研发人员：朱博文，陆雨菲，李阳，张伟东，赵栓，宋娜娜，蔡洁茹，张沥文，方艺，丁小强，
申请(专利权)人：复旦大学附属中山医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。