一种基于机器学习的预测膜性肾病的方法、系统和装置制造方法及图纸

本发明专利技术提供了一种基于机器学习的预测膜性肾病的方法、系统和装置，包括数据采集、数据预处理、特征筛选、预测模型构建、预测模型测试和评价，通过获取待检索病人的数据信息，将待检索病人的数据信息输入预测模型，所述预测模型根据所述待检索病人的数据信息对膜性肾病做出预测，总之能够用机器学习的方法开发和验证膜性肾病的预测模型，能够实现高效能、高准确率的预测，对于膜性肾病的早期治疗和预防，具有重要的研究意义和使用价值。具有重要的研究意义和使用价值。具有重要的研究意义和使用价值。

【技术实现步骤摘要】
一种基于机器学习的预测膜性肾病的方法、系统和装置


[0001]本专利技术涉及生物检测
，尤其是涉及基于机器学习的预测膜性肾病的 方法、系统和装置。

技术介绍

[0002]膜性肾病(membranous nephropathy，MN)又称膜性肾小球肾炎(membranousglomerulonephritis)，病理特点是肾小球基底膜上皮细胞下弥漫的免疫复合物沉 积伴基底膜弥漫增厚。临床以肾病综合征(NS)或无症状性蛋白尿为主要表现。 膜性肾病可为原发性，亦可继发于多种疾病，见于感染(乙、丙型肝炎病毒)、 系统性疾病(如红斑狼疮)、药物治疗(如金、青霉胺等)以及恶性肿瘤。该病具有 病程反复、慢性迁延的特点。
[0003]近年来，随着经济的发展和环境变化，肾脏疾病谱发生变化，膜性肾病的 发病率逐年升高，膜性肾病占原发性肾小球疾病中的占比高达18.42％。早期准 确诊断是治疗的基础，肾活检病理仍是膜性肾病诊断的金标准，但肾活检属于 有创性操作，具有一定的医疗风险，技术手段和开展条件的限制也决定其应用 的局限性。/>[0004]如果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的预测膜性肾病的方法，其特征在于，包括：步骤一，数据采集，采集进行过肾穿刺活检的患者数据信息，检测结构包括MN和non
‑
MN，根据入选条件和排除标准纳入符合入选条件和排除标准的患者数据信息，通过SQL方法提取X个特征指标，X为正整数；步骤二，数据预处理，所述数据预处理包括缺失值处理，所述缺失值处理为：经过初步筛选，删除缺失率＞20％的患者数据信息，采用随机森林法填补缺失值，获得MN和non
‑
MN的患者数据信息，得到Y个特征指标，Y为正整数；Y≤X；步骤三，特征筛选，包括用互信息法筛选法筛选出Z个特征指标，Z为正整数Z≤Y；还包括，用特征消除法对所述Z个特征指标指标进行降维处理，得到M个特征指标，为正整数，M≤Z；步骤四，预测模型构建，采用70％患者进行训练建模、采用30％患者用于验证集验证，训练集的样本标签包括MN和non
‑
MN的患者，采用支持向量机、catboost、XGboost、AdaBoost、人工神经网络、Naive Bayes或传统逻辑回归方法获得预测模型；步骤五，预测模型测试和评价，对基于机器学习的预测膜性肾病的预测模型进行测试和评价；获取待检索病人的数据信息，将所述待检索病人的数据信息输入预测模型，所述预测模型根据所述待检索病人的数据信息对膜性肾病做出预测。2.根据权利要求1所述的基于机器学习的预测膜性肾病的方法，其特征在于，步骤一中数据采集，采集受试人群的实验室检测和待检索病人的实验室检测指标，检测结构包括MN和non
‑
MN。3.根据权利要求1所述的基于机器学习的预测膜性肾病的方法，其特征在于，步骤一中数据采集，所述入选条件和排除标准包括：排除年龄低于18岁的患者数据和/或排除妊娠期妇女数据和/或排除哺乳期妇女和/或排除恶性肿瘤患者数据和/或排除内科急症和/或排除感染性疾病和/或排除SMN。4.根据权利要求1所述的基于机器学习的预测膜性肾病的方法，其特征在于，步骤二中，所述数据预处理还包括异常值处理，当所述数据为异常值时，删除对应的所述患者数据信息。5.根据权利要求4所述的基于机器学习的预测膜性肾病的方法，其特征在于，异常值处理包括：判断BMI的数值是否为负数，如果是，则所述数据为异常值；如果否，则保留所述数据。6.根据权利要求4所述的基于机器学习的预测膜性肾病的方法，其特征在于，异常值处理采用3sigma原则。7.根据权利要求1所述的基于机器学习的预测膜性肾病的方法，其特征在于，步骤一，数据采集，采集进行过肾穿刺活检的患者数据信息，检测结构包括MN和non
‑
MN，根据入选条件和排除标准纳入符合入选条件和排除标准的患者数据信息，通过SQL方法提取X个特征指标，X为正整数；经过所述数据采集过程后的患者数量为A，A为正整数；步骤二，数据预处理，对A个患者的数据信息进行数据预处理，所述数据预处理包括缺
失值处理，所述缺失值处理为：经过初步筛选，删除缺失率＞20％的患者数据信息，采用随机森林法填补缺失值，获得MN和non
‑
MN的患者数据信息，得到Y个特征指标，Y为正整数；Y≤X；步骤三中，特征筛选，包括用互信息法筛选法筛选出Z个特征指标，Z为正整数，Z≤Y，用特征消除法对所述Z个特征指标指标进行降维处理，得到M个特征指标ALB、β2
‑
MG、α
‑
G、尿红细胞、LAM、BUN、TP，M＝7；增加TC、24小时尿蛋白定量、GRF三个特征指标，用于简化预测模型构建，Z≥7；步骤四，简化预测模型构建，采用70％患者进行训练建模、采用30％患者用于验证集验证，训练集的样本标签包括MN和non
‑
MN的患者，采用支持向量机、catboost、XGboost、AdaBoost、人工神经网络、Naive Bayes或传统逻辑回归方法获得简化预测模型。8.根据权利要求1所述的基于机器学习的预测膜性肾病的方法，其特征在于，步骤一，数据采集，采集进行过肾穿刺活检的患者数据信息，检测结构包括MN和non
‑
MN，根据入选条件和排除标准纳入符合入选条件和排除标准的患者数据信息，通过SQL方法提取X个特征指标，X为正整数；纳入含有PLA2R检测的患者数据信息，经过所述数据采集过程后的患者数量为A
’
，A
’
为正整数；步骤二，数据预处理，对A
’
个患者的数据信息进行数据预处理，所述数据预处理包括缺失值处理，所述缺失值...

【专利技术属性】
技术研发人员：王倩，董哲毅，苏仕斌，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：