【技术实现步骤摘要】
本申请涉及一种儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法及相关系统和设备，属于肾盂成形术后尿路感染风险评估。
技术介绍
1、肾盂输尿管连接处梗阻(upjo)是指肾脏和输尿管连接处发生梗阻，导致从肾盂到输尿管的尿流减少，upjo是儿童病理性肾积水最常见的原因，发病率约为1:1500，大约20％至50％的upjo儿童最终需要手术干预。如果不及时治疗，可能会导致肾积水、慢性感染或尿石症，并且常常会导致进行性肾功能不全。尽管upjo手术成功率高但并发症也不少，upjo手术治疗的主要并发症有尿路感染(uti)、尿液外渗和漏出、肾盂肾炎、出血和复发性upjo。
2、多项研究表明uti增加了upjo患儿肾盂成形术后吻合口再狭窄的风险，被认为是术后吻合口再狭窄的重要因素之一，且uti的发病率仍然很高。uti主要由大肠杆菌引起，是儿童最常见的感染类型之一。此前已有研究描述了儿童uti的危险因素，包括男性、体重、bun水平、3个月内uti复发、长期留置导尿管、双j管留置、双侧双j管留置等。然而目前针对单侧肾盂成形术后uti的预测模型开发非常有限，特别是在大样本队列研究中，目前还没有针对肾盂成形术后uti的人工智能模型。
3、在过去的十年里，人工智能的发展速率呈指数级增长。机器学习处理器能力和可用数据量的增加为深度学习和人工智能工具的发展提供了基础。医疗保健行业收集了大量的数据，如医疗记录和患者的检查结果。随着人工智能的最新进展，这些技术现在正越来越多地用于临床决策。随着高效率集成学习模型的发展，机器学习(ml，mac
4、如应用ml算法可分析膀胱癌的预测和诊断评估，及肾癌和睾丸癌的分期和复发预测。在肾脏疾病方面，ml也显示了较好的预测应用效果。虽然目前人工智能技术在泌尿外科领域的领域已逐渐增多，但其功能性泌尿学领域应用的报道仍然很少。2024年lancet杂志发表的一篇关于机器学习在医疗保健领域应用的综述性文章表明，医护人员和患者认为ml风险预测模型可以在医疗保健领域中增加益处。但不可否认的是，以ml为代表的人工智能技术的研究及应用，可能会改变泌尿外科的临床实践，改善患者的整体结果。
5、tabnet是一个带有编码器的深度学习(dl，deep learning)端到端体系结构。其建立了连续多步骤体系结构，这有助于选择相关特征的决策。近年来tabnet也越来越多地应用于临床预测中，如zhang等人应用tabnet预测肾移植术后他克莫司的剂量、yu等开发了雷帕替尼对乳腺癌患者的预测模型、cahan等的研究建立了肺栓塞患者30天内的全因死亡模型、asadi-pooya等应用tabnet区分不同类型的癫痫、chen等开发了乳腺癌的x线诊断模型等，但我们检索tabnet的医疗应用文献，仍明显少于传统机器学习模型的报道，这可能与医疗数据结构多数以单中心的小样本数据集构成有关，而深度学习模型需要大数据样本进行训练和参数调优。
6、虽然ml和dl在医学建模的开发与应用中各有优劣，而针对儿童肾积水术后的uti目前还没有人工智能模型的提出，这可能会导致我们无法对肾积水术后患者进行早期预测预警，是uti的发生不能得到及时有效的治疗，增加了其带来远期功能性影响的风险。
7、儿童肾盂输尿管交界处狭窄是一种常见的疾病，腹腔镜或开放式离断肾盂成形术是治疗此疾病的标准手术方式，根据本中心经验，既往10年内700余例接受单侧肾盂成形手术的儿童术后半年内感染率超过30％，这对儿童的术后康复、生活质量和家庭经济负担造成了极大负面影响。目前的预测术后感染的方法严重依赖于经验判断和有限的临床参数，缺乏多因素临床预后预测模型。因此建立一个准确的儿童肾盂成形术后尿路感染预测模型至关重要。
技术实现思路
1、为了解决上述问题，提供了一种儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法及相关系统和设备，该聚合模型能够有效整合lightgbm在处理少量关键特征时的决策树优势和tabnet在处理复杂特征交互时的神经网络优势，显著提高模型预测性能，在儿童肾盂成形术后尿路感染风险诊断中具有重要的应用价值。
2、根据本申请的一个方面，提供了一种儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，所述方法包括以下步骤：
3、s1、从历史病例中筛选因单侧肾积水接受肾盂成形手术的病例，并将病例分为训练集和验证集；
4、s2、将训练样本输入tabnet深度学习网络，并以回归模式训练模型，获得训练好的tabnet模型；将训练样本输入lightgbm机器学习网络进行模型训练，获得训练好的lightgbm模型；
5、s3、将训练样本输入meta learner深度学习网络，并以回归模式训练模型，获得训练好的meta learner模型，所述meta learner深度学习网络模型以训练好的tabnet模型和lightgbm模型为基模型，并以logistic回归作为元模型进行元模型训练；
6、s4、将验证集输入训练好的meta learner模型，通过交叉验证来评估鉴别和校准，其中评估鉴别包括准确率、精准率和召回率，从而获得所述儿童肾盂成形术后尿路感染风险诊断聚合模型。
7、需要说明的是，步骤s2中tabnet深度学习网络和lightgbm机器学习网络的训练可以同步进行，也可以先后进行，这是因为两者的训练并没有依赖关系，而步骤s3中的metalearner深度学习网络的训练需要在tabnet深度学习网络和lightgbm机器学习网络均训练完成后进行，这是因为meta learner深度学习网络模型以训练好的tabnet模型和lightgbm模型为基模型。
8、可选的，所述病例中包括以下临床特征信息：1)手术时间；2)手术后引流方式：肾盂造瘘或d-j管；3)年龄；4)体重；5)身高；6)bmi；7)总蛋白tp；8)白蛋白alb；9)球蛋白glb；10)血尿酸ua；11)血肌酐cr；12)血尿素氮bun；13)肾小球滤过率egfr；14)中性粒细胞比率n％；15)淋巴细胞比率l％；16)肾盂前后径apd；17)肾实质厚度。
9、需要说明的是，根据本申请方案中针对聚合模型中临床特工重要性分析shap结果可知，性别、手术方式、手术次数、泌尿系感染史、肾盂造瘘史、腹痛史、引起肾盂输尿管交界部狭窄的病因、肾积水侧别在本申请方案的儿童肾盂成形术后尿路感染风险聚合预测模型中基本未体现出重要性，因此可对临床特征进行简化，采用上述的17个临床特征指标即可。然而需要说明的是，本领域技术人员也可以额外增加其他临床特征指标。
10、此外需要指出，病例中的临床特征信息用于tabnet深度学习网络、lightgbm机器学习网络和meta learner深度学习网络的训练，并且也能够用于将待预测病例的临床特征信息输入训练好的meta learn本文档来自技高网...
【技术保护点】
1.一种儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述病例中包括以下临床特征信息：1)手术时间；2)手术后引流方式：肾盂造瘘或D-J管；3)年龄；4)体重；5)身高；6)BMI；7)总蛋白Tp；8)白蛋白Alb；9)球蛋白Glb；10)血尿酸Ua；11)血肌酐Cr；12)血尿素氮Bun；13)肾小球滤过率eGFR；14)中性粒细胞比率N％；15)淋巴细胞比率L％；16)肾盂前后径APD；17)肾实质厚度。
3.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述步骤S2中TabNet深度学习网络中：数据流经批量规范化BN层后进入特征转换器，所述特征转换器包含n个门控线性单元GLU块，每个所述GLU块由完全连接FC层、BN层和GLU激活模块组成；
4.根据权利要求3所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述特征转换器处理批量规范化的特征后，再通过分
5.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述步骤S1中历史病例中筛选需同时满足：1)单侧肾积水接受肾盂成形手术；2)符合对肾盂输尿管交界处狭窄的诊断；3)临床特征数据完整；
6.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述儿童肾盂成形术后尿路感染风险诊断聚合模型能够输出待预测病例在术后6个月内是否发生临床泌尿道感染的预测结果。
7.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述步骤S4中，通过5折交叉验证来评估鉴别和校准，其中：
8.一种基于聚合模型的儿童肾盂成形术后尿路感染风险诊断系统，其特征在于，其基于权利要求1～7任一项所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法获得，所述系统包括：
9.一种电子设备，其特征在于，包括，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1～7任一项所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1～7任一项所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法的步骤。
...【技术特征摘要】
1.一种儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述病例中包括以下临床特征信息：1)手术时间；2)手术后引流方式：肾盂造瘘或d-j管；3)年龄；4)体重；5)身高；6)bmi；7)总蛋白tp；8)白蛋白alb；9)球蛋白glb；10)血尿酸ua；11)血肌酐cr；12)血尿素氮bun；13)肾小球滤过率egfr；14)中性粒细胞比率n％；15)淋巴细胞比率l％；16)肾盂前后径apd；17)肾实质厚度。
3.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述步骤s2中tabnet深度学习网络中：数据流经批量规范化bn层后进入特征转换器，所述特征转换器包含n个门控线性单元glu块，每个所述glu块由完全连接fc层、bn层和glu激活模块组成；
4.根据权利要求3所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述特征转换器处理批量规范化的特征后，再通过分割层在步骤i输出到注意力转换器；
5.根据权利要求1所述的儿童肾盂成形术后尿路感染风险聚合预测模型的构建方法，其特征在于，所述...
【专利技术属性】
技术研发人员：王弘扬，
申请(专利权)人：首都儿科研究所附属儿童医院，
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。