【技术实现步骤摘要】
本专利技术属于生物医学领域，特别涉及一种基于机器学习的危重症患者急性肾损伤发生预警系统。
技术介绍
1、急性肾损伤(acute kidney injury,aki)是急危重症患者常见的临床综合征，以血清肌酐升高、肾小球滤过率下降、水电解质和酸碱平衡紊乱为主要特征，是临床棘手的诊治难题，不仅给国家造成了巨大的社会和医疗负担，而且给家庭及个人也带来了沉重的经济负担。危重症患者急性肾损伤发病率和死亡率高，并且极易进展为慢性肾脏病与肾衰竭，如果不加干预，严重影响患者的不良预后。
2、aki治疗时间窗短，病因错综复杂，发生预警对于aki早期诊断及早期干预尤为关键。现有临床诊断标准都基于血肌酐与尿量变化。血肌酐诊断敏感性与特异性欠佳，肾损伤发生时血肌酐往往延迟升高。尿量易受到输液及利尿剂等的影响，不能准确反映肾脏损伤情况。因此，挖掘灵敏且特异的aki发生预警生物标志物显得尤为重要。
3、近年来，医疗健康信息化与大数据人工智能的建设与应用得到了大力发展，机器学习作为人工智能的核心部分，其强大的运算速度与智能化的学习算法深受青睐。因此以数据中产生模型的算法(即学习算法)为主要内容的机器学习，迅即成为计算机模拟人类学习过程中智能数据分析技术的创新源泉。目前，现有技术中针对于危重症患者aki的预测大多集中于单一病因如脓毒症、心脏手术、心力衰竭等所致aki的预警或预测研究，缺乏总体危重症患者的早期预警研究，并且检测的指标多，检测成本高，检测方法的准确度和精密度较低，同时智能化程度较低。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于机器学习的危重症患者急性肾损伤发生预警系统，该系统利用人工智能技术预测危重症患者从进入icu开始7天内发生aki的风险概率，能够更加早期并且准确地评估危重症患者急性肾损伤的发生风险，进而早期诊断早期干预，改善患者预后，切实解决因为不同原发疾病所致急性肾损伤的缺乏良好预警标志物或预警模型的临床瓶颈问题。
2、本专利技术的目的通过如下的技术方案来实现：
3、一种基于机器学习的危重症患者急性肾损伤发生预警系统，该系统包括数据获取与整合模块、特征筛选与确定模块、最优预测模型筛选与确定模块、风险预测结果输出模块和模型可解释性分析模块；
4、所述数据获取与整合模块获取进入icu时患者的基线特征，并对基线特征依次进行数据标签标注、数据清洗、缺失值评估和归一化；
5、所述特征筛选与确定模块筛选机器学习模型构建所需的关键特征变量，具体包括基线特征分析子模块、单因素逻辑回归分析子模块、皮尔森/斯皮尔曼相关性分析子模块、特征重要度排序子模块；其中：
6、所述基线特征分析子模块采用t检验或wilcoxon秩和检验针对阳性病例组与阴性对照组进行统计学分析，根据筛选标准筛选得到具有显著性差异的基线特征变量；
7、所述单因素逻辑回归分析子模块针对输出的有显著性差异的基线特征变量，以入住icu期间是否发生aki为结局指标，利用单因素逻辑回归算法，筛选得到候选变量；
8、所述皮尔森/斯皮尔曼相关性分析子模块针对所述候选变量，判断变量数据是否为满足正态分布的连续数据，若为是，则采用皮尔森相关性分析，计算变量之间的相关性；若为否，则采用斯皮尔曼相关性分析，计算变量之间的相关性；并将相关性分析结果呈现给用户，根据临床意义的重要性和指标roc曲线下面积筛选确定最佳特征入组，最终得到关键特征；
9、所述特征重要度排序子模块基于重要度排序算法对所述关键特征变量进行重要度排序；
10、所述最优预测模型筛选与确定模块通过十折交叉验证，依据roc曲线面积与预测准确度确定最优预测模型，包括2个子模块，即最优变量数目确定子模块和最优模型确定子模块，其中：
11、所述最优变量数目确定子模块用于明确每种机器学习模型达到最佳预测效能所需的最少变量数目，具体为：按照重要度由高到低将关键特征变量逐步添加到机器学习模型中，通过roc曲线面积和预测准确度两个不同维度指标，确定每个机器学习模型所需关键特征变量的最少数目；
12、所述最优模型确定子模块内嵌多种机器学习算法，通过比较所构建模型的roc曲线面积和预测准确度确定最佳预测模型；
13、所述风险预测结果输出模块将所述最优预测模型所包含的关键特征变量输入构建的最优预测模型，输出危重症患者发生急性肾损伤的风险概率；
14、所述模型可解释性分析模块利用shap框架解释每位危重症患者计算得到的aki风险概率，分析关键特征变量的重要度与贡献度值。
15、进一步地，所述基线特征分析子模块，以p<0.05作为筛选标准筛选得到具有显著性差异的基线特征变量。
16、进一步地，所述重要度排序算法为基尼系数、lasso回归和ridge回归。
17、进一步地，所述机器学习模型包括随机森林、支持向量机、朴素贝叶斯、梯度提升决策树、逻辑回归、人工神经网络。
18、进一步地，所述单因素逻辑回归算法筛选得到初步候选变量时的筛选标准为or>1和p<0.05。
19、进一步地，所述基线特征包括人口统计学信息、临床诊断与并发症信息、检验指标。
20、进一步地，对基线特征归一化具体为：对于正态分布数据采用z分数标准化方法进行归一化，对于偏态分布数据，采用min-max归一化方法进行归一化。
21、本专利技术的有益效果如下：
22、本专利技术通过采用基线特征分析、单因素逻辑回归分析、皮尔森/斯皮尔曼相关性分析和特征重要度排序4种相互联系又依次递进的技术手段，然后通过将重要度由高到低将关键特征变量逐步添加到机器学习模型中，通过roc曲线面积和预测准确度两个不同维度指标，确定每个机器学习模型所需关键特征变量的最少数目，进而建立起完善的特征变量筛选方法，以达到每个机器学习模型最佳预警效能所需最少关键特征变量数目的效果，能够更早期地评估患者aki的发生风险，且预测准确度高，便于临床应用。此外，本专利技术通过采用机器学习模型shap框架技术手段，剖析每个关键特征变量的贡献度，达到提高模型可解释性和临床应用价值的效果。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，该系统包括数据获取与整合模块、特征筛选与确定模块、最优预测模型筛选与确定模块、风险预测结果输出模块和模型可解释性分析模块；
2.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤发生预警系统，特征在于，所述基线特征分析子模块，以P<0.05作为筛选标准筛选得到具有显著性差异的基线特征变量。
3.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，所述重要度排序算法为基尼系数、LASSO回归和Ridge回归。
4.根据权利要求2所述的基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，所述机器学习模型包括随机森林、支持向量机、朴素贝叶斯、梯度提升决策树、逻辑回归、人工神经网络。
5.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，所述单因素逻辑回归算法筛选得到初步候选变量时的筛选标准为OR>1和P<0.05。
6.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤
7.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，对基线特征归一化具体为：对于正态分布数据采用Z分数标准化方法进行归一化，对于偏态分布数据，采用Min-Max归一化方法进行归一化。
...【技术特征摘要】
1.一种基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，该系统包括数据获取与整合模块、特征筛选与确定模块、最优预测模型筛选与确定模块、风险预测结果输出模块和模型可解释性分析模块；
2.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤发生预警系统，特征在于，所述基线特征分析子模块，以p<0.05作为筛选标准筛选得到具有显著性差异的基线特征变量。
3.根据权利要求1所述的基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，所述重要度排序算法为基尼系数、lasso回归和ridge回归。
4.根据权利要求2所述的基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，所述机器学习模型包...
【专利技术属性】
技术研发人员：孙涛，陶志华，罗嘉，岳小芳，张巩，李翔，
申请(专利权)人：浙江大学，
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。