一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；预测装置的工作过程为：接收待测的临床特征数据，并对该进行缺失值填充处理；对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；分别利用训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型对相关性检测处理后的临床特征数据进行计算，获得4个预测概率；对4个预测概率进行加权求和，获得利用心血管不良事件预测模型预测的概率值。

【技术实现步骤摘要】
一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
本专利技术属于医学人工智能领域，具体涉及一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置。
技术介绍
随着机器学习在统计学领域取得的巨大发展，基于机器学习方法在医疗数据上也被广泛运用。在冠心病领域，经皮冠状动脉介入治疗(percutaneouscoronaryintervention，PCI)是目前最有效的治疗手段之一。在开通闭塞血管、改善心功能的治疗作用外，PCI也常伴随着支架内再狭窄、再发心肌梗死等远期并发症的可能性。预测PCI术后的主要心血管不良事件(majoradversecardiovascularevents，MACE)也成为了临床研究的一个重要方向。其中，MACE主要包括心肌梗死、支架内血栓、卒中、靶病变血运重建、靶血管血运重建和冠状动脉旁路移植(CABG)。对术后MACE事件的危险程度分类不仅有助于评估手术者术后施PCI的必要性，亦为患者提供一个了解自身在接受PCI后潜在的获益及面临的风险的途径。目前已经发表的预测PCI术后死亡、术后MACE、术后再入院、死亡和MACE复合终点的风险评分都是基于logistics回归模型或COX回归模型。纵然logistics回归模型或COX回归模型作为线性模型有着应用便捷、危险评分计算简单的优点，但是真实世界中人体各特征参数与其遭遇的临床事件之间关系复杂度必然远超过简单的线性关系。因此用线性模型的简单拟合可能使预测结果最终与实际偏离较大，线性模型对数据挖掘的有限能力也使其无法充分利用到大规模人群数据。在上述的背景下，机器学习作为学习能力更强的工具比传统线性模型更吸引人的注意。机器学习研究目标在于寻找各种学习算法，以使得计算机从数据中产生模型，从而面对新的数据时提供相应的判断，而选择更具针对性的模型、改善模型对新数据的适应性是提升判断准确度的重要途径。在数十年的发展过程中机器学习出现了包括线性模型、树模型等各种学习算法，不同的学习算法对于不同预测的适应性各异，而在心血管不良事件的临床研究中尚未有很多的学习算法应用经验。
技术实现思路
本专利技术的目的是提供一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置。该预测装置中载有训练好的心血管不良事件预测模型，能够在输入的体征数据中筛选出影响MACE的重要特征，并且能够基于该些重要特征，更准确地预测得到MACE的概率。为实现上述专利技术目的，本专利技术提供以下技术方案：一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；所述计算机处理器执行所述计算机程序时实现以下步骤：接收待测的临床特征数据，并对该进行缺失值填充处理；对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；分别利用训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型对相关性检测处理后的临床特征数据进行计算，获得4个预测概率；对4个预测概率进行加权求和，获得利用心血管不良事件预测模型预测的概率值。该预测装置融合了4个模型具有的优势，以此提高了最终的心血管不良事件的预测概率准确性，该预测概率可以辅助医生进行发生心血管不良事件的预测。其中，所述心血管不良事件预测模型的获取过程为：对获取PCI手术后的临床特征数据进行缺失值填充和相关性检测处理，获得训练样本，以PCI手术后t年为期限，PCI手术后t年内发生MACE的训练样本标记为0，t年以上发生MACE的训练样本标记为1，构建训练集，其中，t取值为1.5～2.5；预设XGboost模型、LightGBM模型、SVM模型以及NN模型的对应权重值；利用训练集对XGboost模型、LightGBM模型、SVM模型以及NN模型进行训练，优化更新模型参数和每个模型对应的权值，以获得心血管不良事件预测模型。训练时，每个训练样本分别输入到XGboost模型、LightGBM模型、SVM模型以及NN模型，获得发生心血管不良事件的4个预测值，4个预测值的加权求和即为发生心血管不良事件的最终预测值，根据该最终预测值与训练样本的交叉熵的大小更新XGboost模型、LightGBM模型、SVM模型以及NN模型的参数和每个模型对应的权重值。具体地，训练时，采用重抽取采样法和交叉验证法训练心血管不良事件预测模型，以此来增加心血管不良事件预测模型训练的均衡性。优选地，缺失值填充方法包括：对于连续的临床特征数据，采用平均值填充、中值填充、众数填充、回归填充方法；对于离散的临床特征数据，对离群数据进行剔除和替换处理。优选地，XGboost模型、LightGBM模型、SVM模型以及NN模型对应的权重值分别为0.323～0.358，0.389～0.492，0.184～0.263，0.102～0.353。进一步地，XGboost模型、LightGBM模型、SVM模型以及NN模型对应的权重值分别为0.32，0.38，0.18和0.12。再者，模型训练和血管不良事件预测的过程中，通过计算信息熵获得每个临床特征对发生心血管不良事件的影响重要程度，根据该影响重要程度对临床特征排序。所述心血管不良事件预测模型在线下训练完成，然后存储在预测装置中；或在线上训练完成，且每次应用时接收的待预测的临床特征数据经处理后作为训练样本，对心血管不良事件预测模型做优化更新。与现有技术相比，本专利技术具有的有益效果为：本专利技术提供的心血管不良事件预测模型的融合了4中模型的优点，使得发生心血管不良事件的预测概率得到了很大的提高，再者，该心血管不良事件预测模型还能输出影响发生心血管不良事件的临床特征，给临床医生提供了更多参考来预测发生MACE的可能性，此外，弥补了机器学习算法在PCI介入MACE治疗情况下的生存预测的空白。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。图1是实施例提供的心血管不良事件的预测的流程框图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。本实施例提供了一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有心血管不良事件预测模型，该预测模型在线上或线下通过以下三个阶段获得：阶段1：临床特征数据的接收与预处理临床特征数据来自于某医院心内科在2015年一整年内进行PCI治疗的986例患者脱敏数据，具体包括基础信息、入院症状、入院查体、介入指征、既往史、合并用药、心脏超声、生化、血常规、心肌标志物、血糖本文档来自技高网...

【技术保护点】
1.一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：所述计算机存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；所述计算机处理器执行所述计算机程序时实现以下步骤：接收待测的临床特征数据，并对该进行缺失值填充处理；对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；分别利用训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型对相关性检测处理后的临床特征数据进行计算，获得4个预测概率；对4个预测概率进行加权求和，获得利用心血管不良事件预测模型预测的概率值。

【技术特征摘要】
1.一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：所述计算机存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；所述计算机处理器执行所述计算机程序时实现以下步骤：接收待测的临床特征数据，并对该进行缺失值填充处理；对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；分别利用训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型对相关性检测处理后的临床特征数据进行计算，获得4个预测概率；对4个预测概率进行加权求和，获得利用心血管不良事件预测模型预测的概率值。2.如权利要求1所述的基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，其特征在于，所述心血管不良事件预测模型的获取过程为：对获取PCI手术后的临床特征数据进行缺失值填充和相关性检测处理，获得训练样本，以PCI手术后t年为期限，PCI手术后t年内发生MACE的训练样本标记为0，t年以上发生MACE的训练样本标记为1，构建训练集，其中，t取值为1.5～2.5；预设XGboost模型、LightGBM模型、SVM模型以及NN模型的对应权重值；利用训练集对XGboost模型、LightGBM模型、SVM模型以及NN模型进行训练，优化更新模型参数和每个模型对应的权值，以获得心血管不良事件预测模型。3.如权利要求2所述的基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，其特征在于，训练时，每个训练样本分别输入到XGboost模型、LightGBM模型、SVM模型以及NN模型，获得发生心血管不良事件的4个预测值，4个预测值的加权求和即为发生心血管不良事件的最终预测值，根据该最终预测值与训练样本的交叉熵的大小更新XGboost模型、LightGBM模型、SVM模型以及NN模型的参数和每个模型对应的权重值。4.如权利要求2所述的基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，其特征在于，训练时，采用重抽取...

【专利技术属性】
技术研发人员：吴健，陈潇俊，王文哲，陆逸飞，周逸蒋，朱若愚，吴福理，
申请(专利权)人：浙江大学山东工业技术研究院，
类型：发明
国别省市：山东,37