【技术实现步骤摘要】
主动脉夹层心脏手术后ICU时长预测方法
本专利技术涉及机器学习
，更具体地说，涉及一种主动脉夹层心脏手术后ICU时长预测方法。
技术介绍
医院重症监护室(IntensiveCareUnit，ICU)是个危重病密集、病情多变、危象丛生的场所，对危重病人进行连续或接近连续的观察、诊疗和监护的地方。ICU救治小小的不及时就会大大增加病人死亡的风险。在产生这些危及情况的前期，一些不寻常的生命体征就会出现，并伴随着常见并发症。目前的医疗ICU治疗手段主要依靠医生的经验和相关领域知识的积累，使得工作效率和诊疗质量不高。目前在患者病情监控评估领域，各种医疗条件下有许多使用医学知识的评分系统。例如，在患者肾衰竭的结果可以用急性生理评分(12生理变量)，慢性健康评分(器官功能障碍)进行预测，并利用APACHEⅡ评分进行整体评估。这些传统的医学评分方法能够一定程度上对病人的病情进行评估，但是评分体系刻板，个性化程度低，而且无法实现对患者术后ICU时长进行预测。
技术实现思路
针对现有方法的不足，提出一种主动脉夹层心脏手...
【技术保护点】
1.一种主动脉夹层心脏手术后ICU时长预测方法，其特征在于，包括：/n从主动脉夹层心脏手术后ICU数据库获取ICU数据，并进行数据预处理；其中，预处理的方式至少包括虚拟变量处理、数据清洗及缺失填补处理；/n基于kendall相关系数，对预处理后的ICU数据进行特征提取，取其中相关系数值高于预设阈值的特征；/n构建机器学习模型，基于提取的ICU数据特征对构建的机器学习模型进行训练；/n训练完成后，通过患者实时的主动脉夹层心脏手术后ICU数据，对其ICU时长进行预测。/n
【技术特征摘要】 【专利技术属性】
1.一种主动脉夹层心脏手术后ICU时长预测方法，其特征在于，包括：
从主动脉夹层心脏手术后ICU数据库获取ICU数据，并进行数据预处理；其中，预处理的方式至少包括虚拟变量处理、数据清洗及缺失填补处理；
基于kendall相关系数，对预处理后的ICU数据进行特征提取，取其中相关系数值高于预设阈值的特征；
构建机器学习模型，基于提取的ICU数据特征对构建的机器学习模型进行训练；
训练完成后，通过患者实时的主动脉夹层心脏手术后ICU数据，对其ICU时长进行预测。
2.根据权利要求1所述的主动脉夹层心脏手术后ICU时长预测方法，其特征在于，在对预处理后的ICU数据进行特征提取的步骤中，基于kendall相关系数算法，从获取的ICU数据中提取与ICU时长相关的特征，选取结果相关系数在整体分布中大于75％的特征，作为训练机器学习模型的数据集。
3.根据权利要求2所述的主动脉夹层心脏手术后ICU时长预测方法，其特征在于，结果相关系数在整体分布中大于75％的特征数量为14种，具体类型包括：血小板体积、有动脉瘤、无动脉瘤、有马方氏综合征、无马方氏综合征、右心房与静脉腔中静脉导管的位置、上下腔静脉中静脉导管的位置、手术时间、白细胞数、空腹血糖、体外循环时间、血液生化：乳酸脱氢酶、凝血四项：d-二聚体、肾功能：肌酸酐。
4.根据权利要求1所述的主动脉夹层心脏手术后ICU时长预测方法，其特征在于，在构建机器学习模型的步骤中，选用贝叶斯、逻辑回归、决策树、随机森林以及梯度提升决策树的方式，来进行建模比较。
5.根据权利要求4所述的主动脉夹层心脏手术后ICU时长预测方法，其特征在于，贝叶斯建模步骤中，贝叶斯决策论是通过相关概率已知的情况下利用误判损失来选择最优的类别分类，公式表示为式(1)：
其中，P(c)是类“先验”概率，P(x|c)是样本x相对于类标记c的类条件概率，或称似然，p(x)是用于归一化的“证据”因子，对于给定样本x，证据因子p(x)与类标记无关，于是，估计p(c|x)的问题变为基于训练数据来估计p(c)和p(x|c)，对于条件概率p(x|c)来说，涉及x所有属性的联合概率。
6.根据权利要求4所述的主动脉夹层心脏手术后ICU时长预测方法，其特征在于，逻辑回归建模步骤中，逻辑回归是被Sigmoid函数归一化后的线性回归模型，公式表示为式(2)：
技术研发人员：张水兴，陈秋颖，张斌，金哲，方进，
申请(专利权)人：暨南大学附属第一医院广州华侨医院，
类型：发明
国别省市：广东;44
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。