【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种构建心脏骤停风险预测模型的方法。
技术介绍
1、心脏骤停病情凶险，通常无预警突发，大约60％～80％的心脏骤停事件发生在医院外，这大大增加了早期实施高质量心肺复苏的难度。全球范围内，心脏骤停的总体存活率不足10％，在中国这一比例更是低至1.2％。即便是复苏成功后，不到20％的幸存者能够保留良好的脑神经功能。鉴于心脏骤停的高致死率和高致残率，复苏和预防成为减少疾病负担的关键环节。然而，依靠提高复苏成功率效果有限，因为这需要公众熟练掌握高质量的急救技能。虽然左心室射血分数(left ventricular ejection fraction，lvef)长期以来被用作心脏骤停风险分层的主要依据，但其在预测效能上的局限性日益凸显。
2、目前，在欧洲心脏病学会制定的关于scd(心脏性猝死)和室性心律失常的指南中，主要依据左心室射血分数(left ventricular ejection fraction，lvef)进行危险分层和一级预防，把lvef≤35％的患者划分为高风险群体，并建议使用植入式心脏除颤器(implantable cardioverter defibrillator，icd)进行预防。但这一标准在实际应用中面临评估不足和过度治疗的窘境。一方面，在该标准指导下进行一级预防的患者中，每年仅有5％接受了恰当的icd治疗，说明相当一部分患者接受了不必要的icd植入。另一方面，70％-80％的scd患者lvef＞35％，表明对这一群体缺少有效的风险评估工具。随着研究证据不断揭示lvef
3、因此，如何突破现有风险分层手段的限制，对于减少心衰患者心脏骤停的发生率和改善其预后至关重要。准确识别高风险患者并提前采取预防措施，成为减轻全球心脏骤停负担更加行之有效的途径。
技术实现思路
1、本专利技术的目的是提供一种构建心脏骤停风险预测模型的方法，用于准确识别高风险心脏骤停患者并提前采取预防措施，减少心脏骤停的发生率。
2、为了实现以上目的，本专利技术通过以下技术方案实现：
3、一种构建心脏骤停风险预测模型的方法，包括：步骤s1、获取数据资料，所述数据资料包括临床文本资料和影像图像。步骤s2、对所述影像图像进行预处理。步骤s3、对预处理后的所述影像图像进行分割。步骤s4、对分割后的所述影像图像进行特征提取，得到影像组学特征。步骤s5、根据所述影像组学特征和所述临床文本资料构建心脏骤停风险预测模型。
4、可选地，所述步骤s2包括：步骤s21、将所述影像图像分为训练图像和自动分割图像。步骤s22、对所述训练图像进行标注。
5、可选地，所述步骤s3包括：步骤s31、使用nnu-net对标注后的所述训练图像进行分割。步骤s32、对所述自动分割图像进行自动分割。步骤s33、对分割后的所述训练图像和所述自动分割图像，使用pyradiomics库提取所述影像组学特征。步骤s34、对所述影像组学特征进行避免过拟合处理。
6、可选地，所述步骤s34包括：步骤s341、采用特征选择的方法对所述影像组学特征进行特征选择，得到若干特征。步骤s342、利用热图相关性矩阵分析若干所述特征与心脏骤停的相关性，及若干所述特征之间的相关性。步骤s343、选择与所述心脏骤停相关的若干所述特征为影像组学特征子集。
7、可选地，所述特征选择的方法包括：嵌入法、包装法或过滤法。
8、可选地，所述步骤s5包括：步骤s51、采用机器学习算法进行模型开发，得到若干模型。步骤s52、确定若干所述模型的最优模型。步骤s53、将所述影像组学特征子集添加进所述最优模型中，并结合所述临床文本资料，得到所述心脏骤停风险预测模型。
9、可选地，所述步骤s52包括：步骤s521、采用网格搜索和交叉验证确定若干所述模型的最佳超参数。步骤s522、采用voting classifier对若干所述模型进行机器学习，并采用“软投票”策略确定每一所述模型的权重。步骤s523、根据修正的约登指数确定roc曲线的最佳阈值，并计算若干所述模型的性能指标。步骤s524、根据所述最佳超参数、每一所述模型的权重和若干所述模型的性能指标确定所述最优模型。
10、可选地，所述模型包括：逻辑回归、朴素贝叶斯、支持向量分类器、随机森林和类别提升分类器。
11、可选地，所述的构建心脏骤停风险预测模型的方法还包括：步骤s6、对所述心脏骤停风险预测模型进行性能评估。所述步骤s6包括：步骤s61、采用曲线下面积、准确率、精确率、召回率和f1分数作为所述心脏骤停风险预测模型的模型性能评价指标。步骤s62、采用所述模型性能评价指标的平均值和标准差评价所述心脏骤停风险预测模型的表现。
12、另一方面，本专利技术还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的方法。
13、本专利技术至少具有以下技术效果之一：
14、本专利技术采用多模态数据，包括文本和影像信息，为心脏骤停风险评估提供了更全面的视角，增强了模型的准确性和泛化能力。本专利技术构建的心脏骤停风险预测模型能够准确识别高风险心脏骤停患者，从而指导个性化治疗决策，减少心脏骤停的发生率。
15、本专利技术通过引入这些高维度的影像特征，可以优化并改善心脏骤停的精准风险分层。利用影像组学特征来优化心脏骤停风险评估的方法意味着从传统风险标志物向更细致的微观特征探索的转变，并且通过这些心肌瘢痕的微观特征，可以进一步深化对心脏骤停发病机制的理解。
16、本专利技术结合前沿的机器学习和深度学习技术，且应用范围不受lvef的限制，为心衰患者提供了更广泛的科学的风险分层的依据。而且本专利技术构建的集成模型展现出优越的预测性能，具有良好的临床应用价值。
本文档来自技高网...【技术保护点】
1.一种构建心脏骤停风险预测模型的方法，其特征在于，包括：
2.根据权利要求1所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤S2包括：
3.根据权利要求2所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤S3包括：
4.根据权利要求3所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤S34包括：
5.根据权利要求4所述的构建心脏骤停风险预测模型的方法，其特征在于，所述特征选择的方法包括：嵌入法、包装法或过滤法。
6.根据权利要求4所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤S5包括：
7.根据权利要求6所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤S52包括：
8.根据权利要求6所述的构建心脏骤停风险预测模型的方法，其特征在于，所述模型包括：逻辑回归、朴素贝叶斯、支持向量分类器、随机森林和类别提升分类器。
9.根据权利要求1所述的构建心脏骤停风险预测模型的方法，其特征在于，还包括：步骤S6、对所述心脏骤停风险预测模型进行性能评估；<...
【技术特征摘要】
1.一种构建心脏骤停风险预测模型的方法，其特征在于，包括：
2.根据权利要求1所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤s2包括：
3.根据权利要求2所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤s3包括：
4.根据权利要求3所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤s34包括：
5.根据权利要求4所述的构建心脏骤停风险预测模型的方法，其特征在于，所述特征选择的方法包括：嵌入法、包装法或过滤法。
6.根据权利要求4所述的构建心脏骤停风险预测模型的方法，其特征在于，所述步骤...
【专利技术属性】
技术研发人员：邢星，汪芳，彭弋戈，毕磊，刘小强，章异，葛玉龙，陈航炜，
申请(专利权)人：上海市第一人民医院，
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。