用于预测全身炎症反应综合征发展的模型构建方法及系统技术方案

本发明专利技术公布了一种全身炎症反应综合征的疾病发展预测分析方法及系统，包括：构建全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集；基于深度学习方法，建立全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型；对预测模型进行持续迭代和优化，提高模型预测的准确性；并构建全身炎症反应综合征的疾病发展预测系统，实现对新增病例的预后发展评价，能够用于全身炎症反应综合征患者预后风险评估，为临床早期干预提供技术支撑，降低死亡率。本发明专利技术耦合了疾病发展过程中的关键病理生理因子，可用于其他炎性相关疾病的预后评价，以及炎性相关疾病的药物开发和药物评价。

【技术实现步骤摘要】
用于预测全身炎症反应综合征发展的模型构建方法及系统
本专利技术涉及疾病发展风险预测模型构建分析技术与人工智能技术，尤其涉及一种用于预测全身炎症反应综合征发展的模型构建方法及系统。
技术介绍
全身炎症反应综合征(systemicinflammatoryresponsesyndrome，SIRS)是由感染或非感染因素引起的一种过度的全身性炎症反应，过度的炎症因子继而转向攻击自身的组织和细胞，从而导致多器官功能衰竭。全身炎症反应综合征的发展变化迅速，目前对于全身炎症反应综合征重症患者的治疗手段却相对有限，是造成该疾病死亡率居高不下的一个重要原因。因此，建立一种有效的疾病预后分析预测模型及系统，为疾病预后发展提供精确评价辅助，对于降低该病死亡率有着十分重要的意义。现有对SIRS发展预测分析主要采用NEWS、QSOF、SIRS等评分标准进行，而这些评分所使用的数据主要是体温、呼吸频率、心率、血压、意识状态、氧饱和度等一些表层数据，缺乏对病理生理因子的充分考虑，难以实现对SIRS疾病发展的精准预测。存在这一问题的原因主要有两点：其一是临床表征因子数据所提供的信息有限，在没有病理生理因子数据支撑的情况下，很难对疾病预后进行准确判断；其二，临床表征因子和病理生理因子众多且组合关系复杂，其复杂度已经远远超出医务人员个人经验和人工分析能力。总之，在缺乏作为主导疾病发生、发展与转归的病理生理因子支撑下，单一依靠表征因子的传统疾病发展预测方法，难以实现对疾病发展的精准预测。利用大数据、人工智能等信息前沿技术，将疾病的临床表征因子与病理生理因子进行耦合并开展深度分析，能够提高该疾病预后判断的精准度，进而降低死亡率。
技术实现思路
本专利技术的目的在于，基于SIRS的发病机制和治疗方法，利用临床中所采集的临床表征因子和病理生理因子数据，综合分子生物学、免疫学、细胞生物学、基因组学、蛋白组学、临床医学等学科知识和方法进行协同应用，并通过大数据、人工智能等前沿信息技术，分析复杂的海量数据，挖掘疾病发生发展和转归中的重要信息，建立一种基于临床因子和病理生理因子综合作用下用于预测SIRS病情发展的分析模型新方法，同时建立一套能够用于实际使用的系统。本专利技术提供一种用于预测全身炎症反应综合征发展的分析模型构建方法及系统，包括以下部分：构建全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集；基于深度学习方法，建立全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型；集成全期时序数据集和关联关系模型，构建全身炎症反应综合征的疾病发展预测系统，实现对新增病例的预后发展评价，同时将新增病例补充到数据集中，对预测模型进行持续迭代和优化，提高模型预测的准确性。本专利技术提出的全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集，包括临床表征因子数据集和病理生理调节因子数据集。临床表征数据集包括但不局限于病因、年龄、性别、家族史、症状、体征、体格、疾病发展阶段。病理生理因子数据集包括但不局限于实验室检测、生物学检测、细胞学检测、病原学检测、基因检测等多种条件下检测的结果数据。数据集的时序性主要体现在两个方面。其一是针对单一患者，数据集中包括其在疾病发展各个阶段的数据，比如该患者在败血症综合征、早期败血症休克、难治性败血症休克等阶段的临床表征因子数据集和病理生理因子数据集。其二是将全部的数据集根据疾病发展的7个阶段，进行分阶段标识，每个阶段包含不同的患者，实现全数据集的时序划分。需要说明的是，对于单个患者，其数据可以是某个阶段的一条记录，也可以是多个阶段的多条记录，其记录的多少并不做严格的要求。数据集的构建还包括数据的预处理，以及对数据集进行划分并形成后续模型构建所需要的训练数据集和测试数据集。此处的数据预处理包括数据清理、数据集成、数据变换等。数据清理主要完成对不完整记录的人工或自动补全，将存在明显信息错误的噪声记录进行滤除等，确保每一条数据的完整性和合理性。其中的人工补全是指依靠人工的方法，通过病例对照，完成对记录中的缺失项进行填补；自动补全是针对某一患者的缺失信息记录，从该患者的已有记录中，通过直接拷贝、插值等方法完成对所缺项的填补。数据集成主要通过维度规约和变换，完成对分布在多个单位或部门数据集的综合与集成，形成完整、统一的集中存储数据库甚至数据仓库。数据变换主要完成对数据的规范化化处理、离散化处理、稀疏化处理等。通过数据预处理，形成干净完整、一致性好的临床表征因子数据集和病理生理因子数据集，同时形成用于模型构建的训练数据集和测试数据集。本专利技术提出的全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型，主要包括以下内容。关联关系模型分为整体预测模型和单病例预测模型。基于预处理之后得到的数据，按照3:1的比例分为模型训练数据集和模型测试数据集。模型训练数据集用于训练关联关系模型，模型测试数据集用于测试训练生成的关联关系模型。预处理得到模型训练数据集包含的临床表征因子矩阵和生理病理因子矩阵，作为整体训练预测的输入矩阵。模型输出矩阵为疾病预后发展的痊愈、全身感染或脓毒症、败血症综合征、早期败血症休克、难治性败血症休克、MODS发生肝肾脑等器官功能障碍中的任一组合、死亡等7种状态的预测值。整体预测模型利用密集连接卷积神经网络提取临床表征因子和生理病理因子的特征值，多层感知机拼接计算临床表征因子和生理病理因子的特征值，得到疾病预后发展状态预测值。采用随机梯度下降法，计算疾病预后发展状态预测值与真实值之间的平均损失，调整密集连接卷积神经网络和多层感知机的参数，迭代训练模型使的平均损失值趋近稳定。根据整体预测模型的预测值和阈值的比较判断是否使用单病例预测模型。单病例预测模型步骤与整体预测步骤相同，不同之处在于得到的预测值是单个病例的预测值而不是7种疾病预后的预测值。若不使用单病例预测模型，则使用整体预测模型，否则整体预测模型和单病例预测模型一起作用，作为全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型。之后使用测试数据对关联关系模型进行验证测试。具体实施时，本专利技术实现的全身炎症反应综合征的疾病发展预测系统主要包括数据输入模块、数据存储与管理模块、数据预处理模块、模型集成与训练模块以及结果可视化与输出模块。与现有技术相比，本专利技术的有益效果：本专利技术提供一种用于预测全身炎症反应综合征发展的分析模型构建方法及系统，具体内容包含以下几部分：构建全身炎症反应综合征患者临床表征、病理生理因子表达等数据库；建立全身炎症反应综合征患者临床表征因子和病理生理因子关联关系，以及用于预测全身炎症反应综合征发展的分析模型；构建全身炎症反应综合征的疾病发展预测系统，用于对患者进行疾病状态评估和后期发展预测。该专利技术能够为从病理生理学角度为全身炎症反应综合征患者临床早期干预提供技术支撑，提高诊疗精准性，降低死亡率。同时，该系统是基于炎症发生发展机理中的重要环节而建立的，由其建立的生物学关系也是独立的，其独立性决定了它也能够为其它炎症相关性疾病提供评价，为相关药物的开发和本文档来自技高网...

【技术保护点】
1.一种用于预测全身炎症反应综合征发展的分析模型构建方法，包括以下步骤：/nS1.构建全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集；/n全期时序数据集包括全期时序性临床表征数据集、全期时序性病理生理因子数据集；/n数据集构建过程包括采用数据预处理方法，并形成临床表征因子矩阵和生理病理矩阵，以及构建模型所需的训练数据集和测试数据集；/nS2.基于深度学习方法，建立全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型；包括如下步骤：/nS21输入矩阵包括临床表征因子矩阵和病理生理因子矩阵，输出矩阵为疾病预后发展状态矩阵；/nS22利用密集连接卷积神经网络提取临床表征因子、病理生理因子、疾病预后发展状态特征值；/nS23利用多层感知机拼合临床表征因子和病理生理因子的特征值，推理得到疾病预后发展状态值；/nS24采用随机梯度下降法计算疾病预后发展状态推理值与真实值之间的平均损失，调整密集连接卷积神经网络和多层感知机的参数，使得平均损失最小；/nS3.集成全期时序数据集和关联关系模型，构建全身炎症反应综合征的疾病发展预测系统，实现对新增病例的预后发展评价，同时将新增病例补充到数据集中，对预测模型进行持续迭代和优化，提高模型预测的准确性。/n...

【技术特征摘要】
1.一种用于预测全身炎症反应综合征发展的分析模型构建方法，包括以下步骤：
S1.构建全身炎症反应综合征患者临床表征因子和病理生理因子全期时序数据集；
全期时序数据集包括全期时序性临床表征数据集、全期时序性病理生理因子数据集；
数据集构建过程包括采用数据预处理方法，并形成临床表征因子矩阵和生理病理矩阵，以及构建模型所需的训练数据集和测试数据集；
S2.基于深度学习方法，建立全身炎症反应综合征患者临床表征因子和病理生理因子与疾病预后发展阶段的关联关系模型；包括如下步骤：
S21输入矩阵包括临床表征因子矩阵和病理生理因子矩阵，输出矩阵为疾病预后发展状态矩阵；
S22利用密集连接卷积神经网络提取临床表征因子、病理生理因子、疾病预后发展状态特征值；
S23利用多层感知机拼合临床表征因子和病理生理因子的特征值，推理得到疾病预后发展状态值；
S24采用随机梯度下降法计算疾病预后发展状态推理值与真实值之间的平均损失，调整密集连接卷积神经网络和多层感知机的参数，使得平均损失最小；
S3.集成全期时序数据集和关联关系模型，构建全身炎症反应综合征的疾病发展预测系统，实现对新增病例的预后发展评价，同时将新增病例补充到数据集中，对预测模型进行持续迭代和优化，提高模型预测的准确性。


2.如权利要求1所述用于预测全身炎症反应综合征发展的分析模型构建方法，其特征是：
全期时序性临床表征数据集包括各种病因、各种发展阶段、个体不同治疗方案下的全身炎症反应综合征患者性别、年龄、现病史、既往史、家族史、个人史、症状、体征、体格检查信息的一般临床病历资料；
全期时序性病理生理因子数据集包括各种病因、各种发展阶段、个体不同治疗方案下的全身炎症反应综合征患者一般实验室检测、生物学检测、细胞学检测、病原学检测、基因检测结果数据；
数据集构建过程的预处理方法包括数据清理、数据集成、数据规约、数据变换方法。


3.如权利要求1所述用于预测全身炎症反应综合征发展的分析模型构建方法，其特征是，步骤S2中：
疾病预后发展状态包括痊愈、全身感染或脓毒症、败血症综合征、早期败血症休克、难治性败血症休克、MODS发生肝肾脑等器官功能障碍中的任一组合或死亡。


4.如权利要求1所述用于预测全身炎症反应综合征发展的分析模型构建方法，其特征是，具体包括数据库构建阶段、数据预处理阶段、模型构建阶段、系统建立阶段、系统应用与模型优化阶段。


5.如权利要求4所述用于预测全身炎症反应综合征发展的分析模型构建方法，其特征是，数据库构建阶段具体步骤包括获取患者病例源、数据提取、临床表征数据库和病理生理数据库构建、数据分装；
全身炎症反应综合征患者病例源包括：新型冠状病毒COVID-19、流感病毒、MERS病毒、人类间质性肺炎病毒临床记录结果数据；
数据提取具体通过数据字段匹配、格式转换、数据填充方法，根据原始数据形成临床表征因子记录和病理生理因子记录；
临床表征数据库和病理生理数据库构建：首先根据临床表征因子和病理生理因子确定数据表及表中每个字段的类型及约束，而后建立表与表之间的关系，建立数据库的存储、备份、查询、数据一致性约束操作，最后把提取出的临床表征因子和病理生理因子数据存入相应数据库中；
数据分装具体根据数据集的时序性，将临床表征数据库和病理生理数据库中的集中存储的数据，按照单个病理时序要求以及多病例阶段发展情况，将数据进行分拆和重新组装。


6.如权利要求4所述用于预测全身炎症反应综合征发展的分析模型构建方法，其特征是，对预处理阶段得到的临床表征因子数据，按...

【专利技术属性】
技术研发人员：刘小红，
申请(专利权)人：桥恩北京生物科技有限公司，
类型：发明
国别省市：北京;11