针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法及应用技术

本发明专利技术提供了针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法及应用，构建方法包括：S1、收集皮冠状动脉粥样硬化性心脏病患者的临床术前术后化验和预后数据，并进行筛选和过滤，构建数据集；S2、利用轻量梯度提升机方法对数据集进行特征筛选，将最终筛选出的指标作为风险因素；S3、利用最终筛选出的指标进行机器学习建模，并进行性能评估；S4、构建危险因素对个人贡献的计算方法；S5、构建在线工具，利用S3、S4模型进行预测模型的构建。通过本发明专利技术构建的模型，可以预测患经皮冠状动脉介入治疗后心肌梗死的风险，并建议每个人的每个指标的风险贡献程度，这对早期发现、进行干预和预防有一定的临床意义。床意义。

【技术实现步骤摘要】
针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法及应用


[0001]本专利技术属于医学
，具体涉及针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法及应用。

技术介绍

[0002]随着年龄的增长，多种慢性病的发病率在不断的提高，其中包括常见的高血压病、糖尿病等，严重影响患者的日常生活状况。在患有慢性病的情况下，一些急性症状治疗的预后效果可能会受到影响。
[0003]经皮冠状动脉介入治疗(PCI)是指经心导管技术疏通狭窄甚至闭塞的冠状动脉管腔，从而改善心肌的血流灌注的治疗方法。然而，手术治疗效果的评估和预后的预测往往要对病人做长时间的随访和复查，成本较大，并且无法提前预知并采取措施改善预后，改善方案往往依赖于医生的临床经验，受主观影响；特别是对于患有慢性病的老年人，预后效果往往更差，对于预后的预测与改善显得更为重要。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法。
[0005]为实现上述目的，本专利技术采用以下的技术方案为：
[0006]一种针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法，其包括如下步骤：
[0007]S1、收集多病共患老年病人冠状动脉粥样硬化性心脏病患者的临床术前术后化验和预后数据，并进行初步的数据筛选和过滤，确认受试者入选，构建数据集；S2、利用轻量梯度提升机方法对数据集进行特征筛选，将最终筛选出的指标作为风险因素；
[0008]S3、利用最终筛选出的指标进行机器学习建模，并进行性能评估；
[0009]S4、构建危险因素对个人贡献的计算方法，用于进一步分析S3模型的结果；
[0010]S5、构建在线工具，利用步骤S3、S4模型进行预测模型的构建。
[0011]如上所述的构建方法，优选地，在步骤S1中，所述临床术前术后化验和预后数据包括性别，年龄，身高，体重，LVEF(左心室射血分数)，术前血清肌酐，COPD(慢性阻塞性肺疾病)，外周血管疾病史，既往PCI(经皮冠状动脉介入治疗)，既往CABG(冠状动脉旁路移植术)，糖尿病，高血压病，高血脂血症，冠心病家族史，既往脑血管病史，既往外周血管病史，吸烟史，既往心肌梗死，心绞痛类型，RCA(右冠状动脉)，LM(左冠状动脉主干)，LAD(左前降支)，LCX(左回旋支动脉)，入院收缩压，入院舒张压，入院心率不齐，BNP(B型钠尿肽)，大内皮素，ESR(血沉)，术前血红蛋白，术前血小板计数，术后血小板分布宽度，术前白细胞计数，HbA1C(糖化血红蛋白)，尿微量白蛋白，hsCRP(超敏C
‑
反应蛋)，CHO(总胆固醇)，LDL(低密度脂蛋白胆固醇)，HDL(高密度脂蛋白胆固醇)，Lpa(脂蛋白a)，术前血清肌酐，术后血清肌酐，
术后血红蛋白，术后血小板计数，术后白细胞计数。
[0012]如上所述的构建方法，优选地，在步骤S1中，确认受试者入选的标准为年龄>＝65岁，采用K近邻(KNN)算法筛选出最靠近阳性样本的样本作为阴性样本。
[0013]如上所述的构建方法，优选地，在步骤S2中，筛选方法：构建以S1构建的数据集的所有特征为输入，以是否发生术后心肌梗死事件为目标构建轻量梯度提升机模型；训练收敛后，使用feature_importance函数查看各个特征对于正确分类的贡献，并按照从大到小排序；迭代地从大到小的加入特征，构建新的随机森林模型，最终选取新模型中AUC最大的模型对应的特征作为最终筛选出的特征。
[0014]如上所述的构建方法，优选地，在步骤S2中，最终筛选出的指标包括：年龄，体重，术后血清肌酐，术后白细胞计数，入院舒张压，术后血小板分布宽度，LDL，术后血红蛋白，外周血管疾病，既往PCI，既往CABG，糖尿病，高血压病，高血脂血症，既往脑血管病史，既往外周血管病史。
[0015]如上所述的构建方法，优选地，在步骤S3中，利用步骤S2筛选出的特征和步骤S1构建的数据集，重新训练随机森林模型，绘制AUC曲线，保存为二进制模型文件；并构建患者的基于步骤S2筛选出的指标的特征向量，将特征向量输入模型后，便得到模型预测出的发生心肌梗死事件的概率。
[0016]如上所述的构建方法，优选地，在步骤S4中，构建危险因素对个人贡献的计算方法是和
[0017]其中，是第k个样本的第i个特征的值，m是最终筛选出特征的总数；因此，是虚拟特征向量，其中第i个特征为零，F
k
是原始特征向量，RF代表S3步骤中训练好的预测模型；
[0018]当计算危险因素贡献时，应先加载步骤S3中保存的二进制模型文件，再构建如上所述的特征向量和F
k
，将两个向量输入到加载的模型中即可得到对应于两个向量的患病概率，再相减得到风险贡献度Ci。
[0019]如上所述的构建方法，优选地，在步骤S5中，构建在线工具使用传统的网页构建框架，前端使用JQuery、Bootstrap、JavaScript、HTML编写了基本的交互逻辑和用户界面，使用echarts作图并可视化，后端使用Python3的Djiango框架编写了网络请求的预处理和模型的预测；其中，
[0020]在模型训练过程中，数据使用Pandas进行读取和预处理，使用scikit
‑
learn进行特征筛选、预测模型构建和风险因素对个人贡献的计算，最终模型使用pickle模块进行持久化；
[0021]在模型使用过程中，网络请求数据通过Djiango接受和预处理，模型使用pickle加载，最终将得到的结果可视化返回前端。
[0022]根据如上所述的构建方法构建的针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型。
[0023]根据如上所述的构建方法构建的模型在预测心肌梗死风险预测中的应用。
[0024]本专利技术的有益效果在于：
[0025]本专利技术提供的多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测
模型的构建方法，构建模型所筛选出的指标都是临床上容易获得的指标，简单易于使用，根据构建的预测模型可以提供个性化的治疗指导。通过本专利技术构建的模型，可以预测经皮冠状动脉介入治疗后心肌梗死的风险，并建议每个人的每个指标的风险贡献程度，这对早期发现、进行干预和预防有一定的临床意义。
附图说明
[0026]图1为从特征选择数据集构建模型的预测模型效率。
具体实施方式
[0027]以下实施例用于进一步说明本专利技术，但不应理解为对本专利技术的限制。在不背离本专利技术精神和实质的前提下，对本专利技术所作的修饰或者替换，均属于本专利技术的范畴。
[0028]若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0029]实施例1
[0030]一种针对多病共患老年病人的经皮冠状动脉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对多病共患老年病人的经皮冠状动脉介入治疗后心肌梗死风险预测模型的构建方法，其特征在于，其包括如下步骤：S1、收集多病共患老年病人冠状动脉粥样硬化性心脏病患者的临床术前术后化验和预后数据，并进行初步的数据筛选和过滤，确认受试者入选，构建数据集；S2、利用轻量梯度提升机方法对数据集进行特征筛选，将最终筛选出的指标作为风险因素；S3、利用最终筛选出的指标进行机器学习建模，并进行性能评估；S4、构建危险因素对个人贡献的计算方法，用于进一步分析S3模型的结果；S5、构建在线工具，利用步骤S3、S4模型进行预测模型的构建。2.根据权利要求1所述的构建方法，其特征在于，在步骤S1中，所述皮冠状动脉粥样硬化性心脏病患者的临床术前术后化验和预后数据包括性别，年龄，身高，体重，LVEF，术前血清肌酐，COPD，外周血管疾病史，既往PCI，既往CABG，糖尿病，高血压病，高血脂血症，冠心病家族史，既往脑血管病史，既往外周血管病史，吸烟史，既往心肌梗死，心绞痛类型，RCA，LM，LAD，LCX，入院收缩压，入院舒张压，入院心率不齐，BNP，大内皮素，ESR，术前血红蛋白，术前血小板计数，术后血小板分布宽度，术前白细胞计数，HbA1C，尿微量白蛋白，hsCRP，CHO，LDL，HDL，Lpa，术前血清肌酐，术后血清肌酐，术后血红蛋白，术后血小板计数，术后白细胞计数。3.根据权利要求1所述的构建方法，其特征在于，在步骤S1中，经初步的数据筛选和过滤，确认受试者入选的标准为年龄>＝65岁，采用K近邻算法筛选出最靠近阳性样本的样本作为阴性样本。4.根据权利要求1所述的构建方法，其特征在于，在步骤S2中，筛选方法为：构建以S1构建的数据集的所有特征为输入，以是否发生术后心肌梗死事件为目标构建轻量梯度提升机模型；训练收敛后，使用feature_importance函数查看各个特征对于正确分类的贡献，并按照从大到小排序；迭代地从大到小的加入特征，构建新的随机森林模型，最终选取新模型中AUC最大的模型对应的特征作为最终筛选出的特征。5.根据权利要求1所述的构建方法，其特征在于，在步骤S2中，最终筛选出的指标包括：年龄，体重，术后血清肌酐，术后白细...

【专利技术属性】
技术研发人员：崔庆华，樊锐，
申请(专利权)人：北京大学，
类型：发明
国别省市：