一种基于机器学习的术后急性肾损伤智能预测方法及装置制造方法及图纸

本发明专利技术提供一种基于机器学习的术后急性肾损伤智能预测方法及装置，所述方法包括：获取待测患者的围手术期数据；根据围手术期数据，得到待测患者的术后急性肾损伤预测结果；其中，将围手术期数据输入预测模型得到待测患者的术后急性肾损伤预测结果；预测模型包括若干个预测子模型，若干个预测子模型分别采用不同的机器学习网络构建得到；待测患者的术后急性肾损伤预测结果，根据训练好的若干个预测子模型的模型权重及预测值计算得到；预测模型的训练包括：分别确定训练集中各样本数据在每个预测子模型上的数据权重，根据数据权重对各预测子模型进行训练。本发明专利技术能够有效保证术后AKI预测结果的准确性、全面性和稳定性。全面性和稳定性。全面性和稳定性。

【技术实现步骤摘要】
一种基于机器学习的术后急性肾损伤智能预测方法及装置


[0001]本专利技术涉及手术并发症早期预测
，尤其涉及一种基于机器学习的术后急性肾损伤智能预测方法及装置。

技术介绍

[0002]围手术期并发症和死亡率是迫切需要关注的公共卫生问题，其中急性肾损伤(Acute Kidney Injury，AKI)是术后常见的并发症之一，且该并发症的漏诊率较高。部分AKI患者肾功能恢复不佳，需依赖肾脏替代治疗(Renal Replacement Therapy，RRT)，AKI可显著增高院内病死率和增加医疗资源的消耗。尽管许多因素如患者的病史、合并疾病等无法改变，但一些围手术期危险因素如术中血压、麻醉浓度等可实时调整，若能在术前识别术后AKI发病的高风险，并在围手术期对患者的肾功能及时给予必要的保护措施，可改善其预后。虽然围手术期变量和术后结局之间的关系已经在人群水平上用logistic回归等方法得到了证实，但使用实时生理参数来动态预测每个病人的围手术期结局的研究仍是空白。长期以来习惯使用标准预测模型，如logistic回归、线性回归等模型来识别和监测不良结局的危险因素，但这些统计方法的预测能力及临床应用有限，预测的准确度和稳定性较差，且无法保证预测结果的全面性。以心脏手术后AKI为例，国内外先后建立了多个心脏术后AKI预测模型，如Cleveland、Mehta和SRI，但通过对心脏手术患者的临场分析，这些预测模型均不能很好的预测患者心脏术后AKI。因此，有必要提供一种基于机器学习的术后急性肾损伤智能预测方法及装置，以实现在术前准确预测术后AKI发病的风险。

技术实现思路

[0003]本专利技术提供一种基于机器学习的术后急性肾损伤智能预测方法及装置，用以解决现有技术中预测准确性、全面性和稳定性较差的缺陷，实现术后AKI发病的准确预测。
[0004]本专利技术提供一种基于机器学习的术后急性肾损伤智能预测方法，包括：
[0005]获取待测患者的围手术期数据；
[0006]根据所述围手术期数据，得到所述待测患者的术后急性肾损伤预测结果；其中，将所述围手术期数据输入预测模型得到所述待测患者的术后急性肾损伤预测结果；
[0007]其中，所述预测模型包括若干个预测子模型，若干个所述预测子模型分别采用不同的机器学习网络构建得到；所述待测患者的术后急性肾损伤预测结果，根据训练好的若干个所述预测子模型的模型权重及预测值计算得到；
[0008]所述预测模型的训练包括：分别确定训练集中各样本数据在每个所述预测子模型上的数据权重，根据所述数据权重对各所述预测子模型进行训练。
[0009]根据本专利技术提供的一种基于机器学习的术后急性肾损伤智能预测方法，确定训练集中各样本数据在每个所述预测子模型上的数据权重，包括：
[0010]在所述预测模型的训练过程中，根据所述训练集中各样本数据在前一个所述预测子模型上的数据权重、前一个所述预测子模型的模型权重以及前一个所述预测子模型对所
述训练集中各样本数据的预测值，确定所述训练集中各样本数据在当前所述预测子模型上的数据权重；其中，在所述预测模型的训练过程中，依次对若干个所述预测子模型进行训练。
[0011]根据本专利技术提供的一种基于机器学习的术后急性肾损伤智能预测方法，所述预测子模型的模型权重的确定包括：
[0012]获取所述预测子模型在所述训练集上的加权误差率，根据所述加权误差率确定所述预测子模型的模型权重；其中，所述加权误差率根据所述训练集中各样本数据在所述预测子模型上的数据权重，以及所述预测子模型对所述训练集中各样本数据的预测误差得到。
[0013]根据本专利技术提供的一种基于机器学习的术后急性肾损伤智能预测方法，根据所述加权误差率确定所述预测子模型的模型权重，如下式所示：
[0014][0015]式中，α
k
表示第k个预测子模型的模型权重，e
k
表示第k个预测子模型在训练集上的加权误差率。
[0016]根据本专利技术提供的一种基于机器学习的术后急性肾损伤智能预测方法，根据所述数据权重对各所述预测子模型进行训练的过程中，还包括：
[0017]剔除所述训练集中的离群点；其中，剔除所述训练集中的离群点包括：
[0018]在所述预测模型的前M轮训练中，如果若干个所述预测子模型均无法对所述样本数据进行正确分类，则将所述样本数据作为离群点并剔除；其中，M<N，N为所述预测模型的总训练轮数。
[0019]根据本专利技术提供的一种基于机器学习的术后急性肾损伤智能预测方法，根据所述数据权重对各所述预测子模型进行训练的过程中，还包括：
[0020]剔除所述预测模型中的离群预测子模型；其中，剔除所述预测模型中的离群预测子模型包括：
[0021]在所述预测模型的前T轮训练中，获取每个所述预测子模型的平均运行时间，若所述预测子模型的平均运行时间超出预设阈值，则将所述预测子模型作为离群预测子模型并剔除；其中，T<N，N为所述预测模型的总训练轮数。
[0022]本专利技术还提供一种基于机器学习的术后急性肾损伤智能预测装置，包括：
[0023]数据获取模块，用于获取待测患者的围手术期数据；
[0024]智能预测模块，用于根据所述围手术期数据，得到所述待测患者的术后急性肾损伤预测结果；其中，将所述围手术期数据输入预测模型得到所述待测患者的术后急性肾损伤预测结果；
[0025]其中，所述预测模型包括若干个预测子模型，若干个所述预测子模型分别采用不同的机器学习网络构建得到；所述待测患者的术后急性肾损伤预测结果，根据训练好的若干个所述预测子模型的模型权重及预测值计算得到；
[0026]所述预测模型的训练包括：分别确定训练集中各样本数据在每个所述预测子模型上的数据权重，根据所述数据权重对各所述预测子模型进行训练。
[0027]本专利技术还提供一种电子设备，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实现如上述任一种所述基于机器学习的术后急性肾损伤智能预测方法的步骤。
[0028]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于机器学习的术后急性肾损伤智能预测方法的步骤。
[0029]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于机器学习的术后急性肾损伤智能预测方法的步骤。
[0030]本专利技术提供的基于机器学习的术后急性肾损伤智能预测方法及装置，通过预测模型对待测患者的围手术期数据进行智能预测，得到待测患者的术后急性肾损伤预测结果，其中，预测模型包括若干个采用不同的机器学习网络构建的预测子模型，通过若干个预测子模型的模型权重及预测值来获取待测患者的术后急性肾损伤预测结果，等同于多个专家共同会诊决策，最大程度上保证了预测结果的准确性、全面性和稳定性；同时，预测模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的术后急性肾损伤智能预测方法，其特征在于，包括：获取待测患者的围手术期数据；根据所述围手术期数据，得到所述待测患者的术后急性肾损伤预测结果；其中，将所述围手术期数据输入预测模型得到所述待测患者的术后急性肾损伤预测结果；其中，所述预测模型包括若干个预测子模型，若干个所述预测子模型分别采用不同的机器学习网络构建得到；所述待测患者的术后急性肾损伤预测结果，根据训练好的若干个所述预测子模型的模型权重及预测值计算得到；所述预测模型的训练包括：分别确定训练集中各样本数据在每个所述预测子模型上的数据权重，根据所述数据权重对各所述预测子模型进行训练。2.根据权利要求1所述的一种基于机器学习的术后急性肾损伤智能预测方法，其特征在于，确定训练集中各样本数据在每个所述预测子模型上的数据权重，包括：在所述预测模型的训练过程中，根据所述训练集中各样本数据在前一个所述预测子模型上的数据权重、前一个所述预测子模型的模型权重以及前一个所述预测子模型对所述训练集中各样本数据的预测值，确定所述训练集中各样本数据在当前所述预测子模型上的数据权重；其中，在所述预测模型的训练过程中，依次对若干个所述预测子模型进行训练。3.根据权利要求2所述的一种基于机器学习的术后急性肾损伤智能预测方法，其特征在于，所述预测子模型的模型权重的确定包括：获取所述预测子模型在所述训练集上的加权误差率，根据所述加权误差率确定所述预测子模型的模型权重；其中，所述加权误差率根据所述训练集中各样本数据在所述预测子模型上的数据权重，以及所述预测子模型对所述训练集中各样本数据的预测误差得到。4.根据权利要求3所述的一种基于机器学习的术后急性肾损伤智能预测方法，其特征在于，根据所述加权误差率确定所述预测子模型的模型权重，如下式所示：式中，α
k
表示第k个预测子模型的模型权重，e
k
表示第k个预测子模型在训练集上的加权误差率。5.根据权利要求2所述的一种基于机器学习的术后急性肾损伤智能预测方法，其特征在于，根据所述数据权重对各所述预测子模型进行训练的过程中，还包括：剔除所述训练集中的离群点；其...

【专利技术属性】
技术研发人员：梁爽，王涌，蔡广研，陈香美，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：