【技术实现步骤摘要】
本公开涉及数据处理，具体涉及机器学习、关联预测、辅助判别等人工智能，尤其涉及一种冠脉狭窄严重程度确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
1、在心血管疾病领域，动脉粥样硬化（atherosclerotic cardiovascular disease，ascvd）是冠心病和急性心肌梗死的主要病理机制，低密度脂蛋白胆固醇（low-densitylipoprotein cholesterol，ldl-c）被认为是导致动脉粥样硬化的核心因素之一。因此，ldl-c水平控制被视为心血管疾病预防和治疗的关键环节。欧洲心脏病学会指南中对ldl-c的控制目标分为多个风险等级，针对高危患者提出了严格的ldl-c控制目标。例如，对于非常高危的ascvd患者，ldl-c水平应控制在1.4 mmol/l以下。
2、尽管大量研究表明ldl-c水平与动脉粥样硬化和冠脉狭窄密切相关，且“ldl-c越低越好”这一观念已得到广泛认可，但现有的临床评估方法在识别不同ldl-c水平所带来的精细化风险方面存在不足，尤其是无法捕捉ldl-c与冠脉狭窄之间的复杂非线性关系，从而难以为不同患者制定更加个体化的治疗方案。
技术实现思路
1、本公开实施例提出了一种冠脉狭窄严重程度确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
2、第一方面，本公开实施例提出了一种冠脉狭窄严重程度确定方法，包括：
3、获取目标患者的包含低密度脂蛋白胆固醇在内的实际血脂
4、获取目标患者的包含身份信息和既往病史在内的临床特征；
5、将实际血脂参数和临床特征作为输入信息，输入经预先训练得到的冠脉狭窄严重程度预测模型；其中，冠脉狭窄严重程度预测模型使用由历史患者的实际血脂参数和临床特征充当的样本输入和由对应的真实冠脉狭窄评分充当的样本输出形成的训练样本训练得到，冠脉狭窄严重程度预测模型采用了可解释增强机的模型框架；
6、接收冠脉狭窄严重程度预测模型输出的实际冠脉狭窄评分和评分解释信息；
7、基于实际冠脉狭窄评分和评分解释信息，确定目标患者的实际冠脉狭窄严重程度。
8、可选的，实际血脂参数至少包括：低密度脂蛋白胆固醇，还包括：高密度脂蛋白胆固醇、总胆固醇、甘油三酯中的至少一项。
9、可选的，身份信息包括：性别信息、年龄信息，既往病史包括：是否有高血压、糖尿病、肾脏病、中风中任意项的历史患病或发病经历。
10、可选的，在使用样本输入和样本输出构成训练样本之前，还包括：
11、对样本输入和样本输出中的缺失值进行插补处理；
12、对样本输入和样本输出中的异常值进行剔除或替换处理，以将经插补处理和剔除或替换处理的数据构成训练样本。
13、可选的，对样本输入和样本输出中的缺失值进行插补处理，包括：
14、对样本输入和样本输出中的存在缺失值的连续变量，采用中位数插补法进行插补处理；
15、对样本输入和样本输出中的存在缺失值的分类变量，采用众数插补法进行插补处理。
16、可选的，评分解释信息包括：
17、变量重要性分析结果、全局解释信息、交互分析信息、局部解释信息中的至少一项；
18、其中，变量重要性分析结果用于呈现不同类型的输入变量分别对得到实际冠脉狭窄评分的独立影响程度；全局解释信息用于分别呈现每个输入变量的变量值与冠脉狭窄评分的实际对应关系；交互分析用于呈现不同类型的输入变量之间相互组合时共同对得到实际冠脉狭窄评分的组合影响程度；局部解释信息用于针对目标患者呈现每个输入变量的变量值分别对得到实际冠脉狭窄评分的贡献极性，贡献极性包括正相关的正贡献和负相关的负贡献。
19、可选的，评分解释信息还包括：实际冠脉狭窄评分所属的风险等级；其中，划分风险等级的风险阈值基于冠脉狭窄严重程度预测模型通过使用训练样本确定得到。
20、第二方面，本公开实施例提出了一种冠脉狭窄严重程度确定装置，包括：
21、实际血脂参数获取单元，被配置成获取目标患者的包含低密度脂蛋白胆固醇在内的实际血脂参数；
22、临床特征获取单元，被配置成获取目标患者的包含身份信息和既往病史在内的临床特征；
23、实际参数输入单元，被配置成将实际血脂参数和临床特征作为输入信息，输入经预先训练得到的冠脉狭窄严重程度预测模型；其中，冠脉狭窄严重程度预测模型使用由历史患者的实际血脂参数和临床特征充当的样本输入和由对应的真实冠脉狭窄评分充当的样本输出形成的训练样本训练得到，冠脉狭窄严重程度预测模型采用了可解释增强机的模型框架；
24、模型输出结果接收单元，被配置成接收冠脉狭窄严重程度预测模型输出的实际冠脉狭窄评分和评分解释信息；
25、实际冠脉狭窄严重程度确定单元，被配置成基于实际冠脉狭窄评分和评分解释信息，确定目标患者的实际冠脉狭窄严重程度。
26、可选的，实际血脂参数至少包括：低密度脂蛋白胆固醇，还包括：高密度脂蛋白胆固醇、总胆固醇、甘油三酯中的至少一项。
27、可选的，身份信息包括：性别信息、年龄信息，既往病史包括：是否有高血压、糖尿病、肾脏病、中风中任意项的历史患病或发病经历。
28、可选的，在使用样本输入和样本输出构成训练样本之前，还包括：
29、缺失值插补单元，被配置成对样本输入和样本输出中的缺失值进行插补处理；
30、异常值处理单元，被配置成对样本输入和样本输出中的异常值进行剔除或替换处理，以将经插补处理和剔除或替换处理的数据构成训练样本。
31、可选的，缺失值插补单元被进一步配置成：
32、对样本输入和样本输出中的存在缺失值的连续变量，采用中位数插补法进行插补处理；
33、对样本输入和样本输出中的存在缺失值的分类变量，采用众数插补法进行插补处理。
34、可选的，评分解释信息包括：
35、变量重要性分析结果、全局解释信息、交互分析信息、局部解释信息中的至少一项；
36、其中，变量重要性分析结果用于呈现不同类型的输入变量分别对得到实际冠脉狭窄评分的独立影响程度；全局解释信息用于分别呈现每个输入变量的变量值与冠脉狭窄评分的实际对应关系；交互分析用于呈现不同类型的输入变量之间相互组合时共同对得到实际冠脉狭窄评分的组合影响程度；局部解释信息用于针对目标患者呈现每个输入变量的变量值分别对得到实际冠脉狭窄评分的贡献极性，贡献极性包括正相关的正贡献和负相关的负贡献。
37、可选的，评分解释信息还包括：实际冠脉狭窄评分所属的风险等级；其中，划分风险等级的风险阈值基于冠脉狭窄严重程度预测模型通过使用训练样本确定得到。
38、第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被本文档来自技高网...
【技术保护点】
1.一种冠脉狭窄严重程度确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述实际血脂参数至少包括：低密度脂蛋白胆固醇，还包括：高密度脂蛋白胆固醇、总胆固醇、甘油三酯中的至少一项。
3.根据权利要求1所述的方法，其特征在于，所述身份信息包括：性别信息、年龄信息，所述既往病史包括：是否有高血压、糖尿病、肾脏病、中风中任意项的历史患病或发病经历。
4.根据权利要求1所述的方法，其特征在于，在使用所述样本输入和所述样本输出构成所述训练样本之前，还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述样本输入和所述样本输出中的缺失值进行插补处理，包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，所述评分解释信息包括：
7.根据权利要求6所述的方法，其特征在于，所述评分解释信息还包括：所述实际冠脉狭窄评分所属的风险等级；其中，划分所述风险等级的风险阈值基于所述冠脉狭窄严重程度预测模型通过使用所述训练样本确定得到。
8.一种冠脉狭窄严重程度确定装置，其特征在于，包括：p>
9.一种电子设备，包括：
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的冠脉狭窄严重程度确定方法。
...【技术特征摘要】
1.一种冠脉狭窄严重程度确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述实际血脂参数至少包括：低密度脂蛋白胆固醇，还包括：高密度脂蛋白胆固醇、总胆固醇、甘油三酯中的至少一项。
3.根据权利要求1所述的方法，其特征在于，所述身份信息包括：性别信息、年龄信息，所述既往病史包括：是否有高血压、糖尿病、肾脏病、中风中任意项的历史患病或发病经历。
4.根据权利要求1所述的方法，其特征在于，在使用所述样本输入和所述样本输出构成所述训练样本之前，还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述样本输入和所述样本...
【专利技术属性】
技术研发人员：周博达，张萍，王斌，耿雨，吕婷婷，吕长华，
申请(专利权)人：北京清华长庚医院，
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。