一种哮喘的预后评估方法及装置制造方法及图纸

本发明专利技术实施例提供一种哮喘的预后评估方法及装置，涉及数据处理技术领域，该方法包括：提取患者的多个评估特征的特征值，然后将患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定患者对应的N个类别，每个分类子模型对应一个预后评估年限，患者对应的类别包括哮喘复发和哮喘不复发，N为大于0的整数。之后再根据患者对应的N个类别确定患者在N个分类子模型对应的预后评估年限中的评估结果。采用非线性分类模型对哮喘的预后情况进行评估，充分考虑非线性影响因素对哮喘预后评估的影响，故相较于传统的回归分析模型来说，评估的准确性更高。

A Prognostic Assessment Method and Device for Asthma

【技术实现步骤摘要】
一种哮喘的预后评估方法及装置
本专利技术实施例涉及数据处理
，尤其涉及一种哮喘的预后评估方法及装置。
技术介绍
小儿哮喘(infantileasthma)是小儿常见的肺部疾患，是一种表现反复发作性咳嗽，喘鸣和呼吸困难，并伴有气道高反应性的可逆性、梗阻性呼吸道疾病。哮喘是一种严重危害儿童身体健康的常见慢性呼吸道疾病，其发病率高，常表现为反复发作的慢性病程，严重影响了患儿的学习、生活及活动，影响儿童的生长发育。不少哮喘患儿由于治疗不及时或治疗不当最终发展为成人哮喘而迁延不愈，肺功能受损，部分患儿甚至完全丧失体力活动能力。严重哮喘发作，若未得到及时有效治疗，可以致命。通常情况下反复发病患儿经规范治疗后发作次数逐渐减少，症状自行缓解，大部可完全缓解，预后良好，但是仍然有部分患儿病情反复发作持续终生。儿童哮喘的转归，一方面可能与体质、生长发育有关，另一方面与家族遗传、环境因素、医疗状况有关。目前主要采用传统的统计方法对哮喘进行预后评估，比如多变量分析、线性回归、逻辑回归、套索回归等常见的回归分析模型，但是回归分析模型在处理非线性关系时表现不佳，而影响哮喘预后评估的因素中包括很多非线性因素，从而使得哮喘预后评估的准确性较低。
技术实现思路
本专利技术实施例提供一种哮喘的预后评估方法及装置，基于全面获得的患者的评估特征对哮喘进行预后评估，提高哮喘预后评估的准确性。一方面，本申请实施例提供了一种哮喘的预后评估方法，包括：提取患者的多个评估特征的特征值；将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。可选地，所述每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，包括：获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；对所述训练样本进行交叉验证，确定模型框架；基于所述模型框架对所述训练样本进行训练，确定分类子模型。可选地，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：支持向量机模型、随机森林模型、神经网络模型。可选地，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；所述将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，包括：将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。可选地，所述多个评估特征包括下述特征任意组合：性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否有过敏性疾病、既往哮喘发作住院次数、既往呼吸道感染次数、既往使用抗生素天数、过去4周内哮喘发作次数、过去4周内呼吸道感染次数、过去4周内因哮喘发作住院次数、过去4周内使用抗生素天数、过去4周内使用口服激素天数、过去4周内使用支气管扩张剂天数、过去4周内白天出现哮喘次数、过去4周内因哮喘活动受限次数、过去4周内因哮喘使用缓解药物次数、过去4周内因哮喘出现夜间醒来或夜间咳嗽次数、一秒用力呼气容积FEV1实际值、FEV1预计值、FEV1实际值与FEV1预计值的比值、FEV1/最大肺活量VCMAX实际值、FEV1/VCMAX预计值、FEV1/VCMAX实际值与FEV1/VCMAX预计值的比值、用力呼气流量FEF25-75实际值、FEF25-75预计值、FEF25-75实际值与FEF25-75预计值的比值、FEF75实际值、FEF75预计值、FEF75实际值与FEF75预计值的比值、呼气流量峰速PEF实际值、PEF预计值、PEF实际值与PEF预计值的比值。一方面，本申请实施例提供了一种哮喘的预后评估装置，包括：提取模块，用于提取患者的多个评估特征的特征值；处理模块，用于将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；评估模块，用于根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。可选地，所述处理模块具体用于：获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；对所述训练样本进行交叉验证，确定模型框架；基于所述模型框架对所述训练样本进行训练，确定分类子模型。可选地，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：支持向量机模型、随机森林模型、神经网络模型。可选地，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；所述处理模块具体用于：将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。可选地，所述多个评估特征包括下述特征任意组合：性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否本文档来自技高网...

【技术保护点】
1.一种哮喘的预后评估方法，其特征在于，包括：提取患者的多个评估特征的特征值；将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。

【技术特征摘要】
1.一种哮喘的预后评估方法，其特征在于，包括：提取患者的多个评估特征的特征值；将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。2.如权利要求1所述的方法，其特征在于，所述每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，包括：获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；对所述训练样本进行交叉验证，确定模型框架；基于所述模型框架对所述训练样本进行训练，确定分类子模型。3.如权利要求1所述的方法，其特征在于，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：支持向量机模型、随机森林模型、神经网络模型。4.如权利要求3所述的方法，其特征在于，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；所述将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，包括：将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。5.如权利要求1至4任一所述的方法，其特征在于，所述多个评估特征包括下述特征任意组合：性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是...

【专利技术属性】
技术研发人员：石磊，倪浩，郑永升，印宏坤，沈庆，杨俊，
申请(专利权)人：上海依智医疗技术有限公司，
类型：发明
国别省市：上海,31