一种肾脏纤维化预测模型的构建方法、系统、终端及介质技术方案

本发明专利技术公开了一种肾脏纤维化预测模型的构建方法、系统、终端及介质，包括：获取若干个CKD患者对应的人口学信息、共患病信息、液体活检指标、常规超声参数、右肾皮质弹性信息和肾脏纤维化程度病理金标准结果，以作为样本数据集；按照预设的划分比例，对样本数据集进行划分，以获得训练数据集和验证数据集；根据训练数据集，确定多个与肾脏纤维化相关联的特征参数；通过多因素二元logistic回归分析法，结合训练数据集，获得截距项和训练数据集中各特征参数对应的回归系数，并根据截距项和各回归系数，构建肾脏纤维化预测模型。本发明专利技术通过筛选与肾脏纤维化相关联的特征参数，并获取各特征参数对应的回归系数，以提升模型的预测准确性。性。性。

【技术实现步骤摘要】
一种肾脏纤维化预测模型的构建方法、系统、终端及介质


[0001]本专利技术涉及肾脏纤维化检测
，尤其涉及一种肾脏纤维化预测模型的构建方法、系统、终端及介质。

技术介绍

[0002]慢性肾脏病(Chronic Kidney Disease，CKD)是以肾脏结构异常或肾功能持续性恶化为主要病变特点的一大类疾病。肾脏纤维化是不同病因的CKD患者发展为终末期肾病所必经的共同的病理路径，是CKD病变恶性进展的独立危险因素之一，所以肾脏纤维化程度的早期诊断及准确分期，对于疾病诊断、病情评估、判断预后、指导临床治疗决策，防止、延缓、甚至最终逆转肾脏纤维化的发生、发展，从而改善CKD患者预后情况，具有重要的临床意义。
[0003]目前，对肾脏纤维化程度的检测，主要依赖于肾活检组织病理学检查、液体活检指标和常规超声检查等检查手段。其中，肾活检组织病理学检查属于有创性检查，难以多次重复动态观察以及进行纵向随访，且存在各种潜在的并发症(包括肾周血肿、感染以及动静脉瘘)等局限性。至于液体活检指标检查，传统的液体活检标志物对CKD病变的进展评估缺乏敏感性，而新颖的生物标志物在转化为临床应用之前，还需要在大型的人群队列以及长期研究中得到进一步验证。最后，当在常规超声检查中获得临床异常值的时候，则表明此时已处于CKD病变的晚期阶段，肾功能损害或肾脏纤维化程度也已经不可逆转，且敏感性有限，不能对肾脏损害程度进行定量分析，即缺乏有效的诊断标准。

技术实现思路

[0004]本专利技术提供了一种肾脏纤维化预测模型的构建方法、系统、终端及介质，筛选出与肾脏纤维化相关联的特征参数，并获取各特征参数对应的回归系数，以提升模型的预测准确性。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种肾脏纤维化程度检测模型及其构建方法，包括：
[0006]获取若干个CKD患者对应的人口学信息、共患病信息、液体活检指标、常规超声参数、右肾皮质弹性信息和肾脏纤维化程度病理金标准结果，以作为样本数据集；
[0007]按照预设的划分比例，对所述样本数据集进行划分，以获得训练数据集和验证数据集；其中，所述训练数据集和所述验证数据集各自包括多个所述CKD 患者对应的所述人口学信息、所述共患病信息、所述液体活检指标、所述常规超声参数、所述右肾皮质弹性信息和所述肾脏纤维化程度病理金标准结果；
[0008]根据所述训练数据集，确定多个与肾脏纤维化相关联的特征参数；
[0009]通过多因素二元logistic回归分析法，结合所述训练数据集，获得截距项和所述训练数据集中各所述特征参数对应的回归系数，并根据所述截距项和各所述特征参数对应的回归系数，构建肾脏纤维化预测模型。
[0010]实施本专利技术实施例，根据训练数据集，确定多个与肾脏纤维化相关联的特征参数，以减少关联性较低的参数的影响，进而提升模型的预测准确性，并通过多因素二元logistic回归分析法，确定截距项和训练数据集中各特征参数对应的回归系数，即对各特征参数进行权重赋值，以进一步优化肾脏纤维化预测模型的准确性，使得肾脏纤维化预测模型能够为医护人员提供实时准确的肾脏纤维化预测结果，有助于医护人员根据实时的肾脏纤维化预测结果，适应性调整治疗方案。
[0011]作为优选方案，所述根据所述训练数据集，确定多个与肾脏纤维化相关联的特征参数，具体为：
[0012]通过LASSO算法，对所述训练数据集中的各变量进行均方误差迭代计算，以绘制得到各所述变量对应的LASSO系数剖面图；其中，所述人口学信息、所述共患病信息、所述液体活检指标和所述常规超声参数都各自包括至少两个所述变量，所述右肾皮质弹性信息包括的所述变量为SWE值；
[0013]根据所述LASSO系数剖面图，从所述训练数据集的所有所述变量中，选取多个具有非零系数的所述变量，作为与肾脏纤维化相关联的所述特征参数。
[0014]实施本专利技术实施例的优选方案，利用LASSO算法，从样本数据集的所有变量中选取多个具有非零系数的变量，以剔除对肾脏纤维化预测贡献力度较小的变量，进而进一步提升模型的预测性能。
[0015]作为优选方案，所述通过多因素二元logistic回归分析法，结合所述训练数据集，获得截距项和所述训练数据集中各所述特征参数对应的回归系数，并根据所述截距项和各所述特征参数对应的回归系数，构建肾脏纤维化预测模型，具体为：
[0016]通过多因素二元logistic回归分析法，结合所述训练数据集中各所述CKD 患者对应的所有所述特征参数和各所述CKD患者对应的所述肾脏纤维化程度病理金标准结果，计算得到所述截距项和各所述特征参数对应的回归系数；
[0017]将所述截距项和各所述特征参数作为待验证参数，并分别对各所述待验证参数进行统计学意义的验证；
[0018]利用通过验证的所有所述待验证参数、以及通过验证的所有所述待验证参数对应的所述回归系数，构建所述肾脏纤维化预测模型。
[0019]实施本专利技术实施例的优选方案，对经过多因素二元logistic回归分析得到的截距项和训练数据集中各特征参数对应的回归系数，进行统计学意义的验证，以避免不具备统计学意义的截距项或者特征参数对肾脏纤维化预测模型的准确性能造成负面影响。
[0020]作为优选方案，所述的一种肾脏纤维化预测模型的构建方法，还包括：
[0021]分别将所述训练数据集和所述验证数据集中各所述CKD患者对应的若干个与肾脏纤维化相关联的特征参数，输入至所述肾脏纤维化预测模型中，并分别输出所述训练数据集中各所述CKD患者出现中重度肾脏纤维化的第一概率值和所述验证数据集中各所述CKD患者出现中重度肾脏纤维化的第二概率值；
[0022]根据所述第一概率值、所述第二概率值、多个预设阈值、以及所述训练数据集和所述验证数据集中各所述CKD患者对应的所述肾脏纤维化程度病理金标准结果，确定所述第一概率值对应的第一受试者工作特征曲线和所述第二概率值对应的第二受试者工作特征曲线，并根据所述第一受试者工作特征曲线和所述第二受试者工作特征曲线，分析所述肾
脏纤维化预测模型的预测准确性。
[0023]实施本专利技术实施例的优选方案，通过训练数据集对应的第一受试者工作特征曲线和验证数据集对应的第二受试者工作特征曲线，体现肾脏纤维化预测模型对训练数据集和验证数据集的预测准确效果的差异，以体现肾脏纤维化预测模型的性能及泛化能力，并根据肾脏纤维化预测模型的预测准确效果与传统检测手段的精度的对比，分析肾脏纤维化预测模型的预测性能优化程度。
[0024]为了解决相同的技术问题，本专利技术实施例还提供了一种肾脏纤维化预测模型的构建系统，包括：
[0025]数据获取模块，用于获取若干个CKD患者对应的人口学信息、共患病信息、液体活检指标、常规超声参数、右肾皮质弹性信息和肾脏纤维化程度病理金标准结果，以作为样本数据集；按照预设的划分比例，对所述样本数据集进行划分，以获得训练数据集和验证数据集；其中，所述训练数据集和所述验证数据集各自包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肾脏纤维化预测模型的构建方法，其特征在于，包括：获取若干个CKD患者对应的人口学信息、共患病信息、液体活检指标、常规超声参数、右肾皮质弹性信息和肾脏纤维化程度病理金标准结果，以作为样本数据集；按照预设的划分比例，对所述样本数据集进行划分，以获得训练数据集和验证数据集；其中，所述训练数据集和所述验证数据集各自包括多个所述CKD患者对应的所述人口学信息、所述共患病信息、所述液体活检指标、所述常规超声参数、所述右肾皮质弹性信息和所述肾脏纤维化程度病理金标准结果；根据所述训练数据集，确定多个与肾脏纤维化相关联的特征参数；通过多因素二元logistic回归分析法，结合所述训练数据集，获得截距项和所述训练数据集中各所述特征参数对应的回归系数，并根据所述截距项和各所述特征参数对应的回归系数，构建肾脏纤维化预测模型。2.如权利要求1所述的一种肾脏纤维化预测模型的构建方法，其特征在于，所述根据所述训练数据集，确定多个与肾脏纤维化相关联的特征参数，具体为：通过LASSO算法，对所述训练数据集中的各变量进行均方误差迭代计算，以绘制得到各所述变量对应的LASSO系数剖面图；其中，所述人口学信息、所述共患病信息、所述液体活检指标和所述常规超声参数都各自包括至少两个所述变量，所述右肾皮质弹性信息包括的所述变量为SWE值；根据所述LASSO系数剖面图，从所述训练数据集的所有所述变量中，选取多个具有非零系数的所述变量，作为与肾脏纤维化相关联的所述特征参数。3.如权利要求1所述的一种肾脏纤维化预测模型的构建方法，其特征在于，所述通过多因素二元logistic回归分析法，结合所述训练数据集，获得截距项和所述训练数据集中各所述特征参数对应的回归系数，并根据所述截距项和各所述特征参数对应的回归系数，构建肾脏纤维化预测模型，具体为：通过多因素二元logistic回归分析法，结合所述训练数据集中各所述CKD患者对应的所有所述特征参数和各所述CKD患者对应的所述肾脏纤维化程度病理金标准结果，计算得到所述截距项和各所述特征参数对应的回归系数；将所述截距项和各所述特征参数作为待验证参数，并分别对各所述待验证参数进行统计学意义的验证；利用通过验证的所有所述待验证参数、以及通过验证的所有所述待验证参数对应的所述回归系数，构建所述肾脏纤维化预测模型。4.如权利要求1所述的一种肾脏纤维化预测模型的构建方法，其特征在于，还包括：分别将所述训练数据集和所述验证数据集中各所述CKD患者对应的若干个与肾脏纤维化相关联的特征参数，输入至所述肾脏纤维化预测模型中，并分别输出所述训练数据集中各所述CKD患者出现中重度肾脏纤维化的第一概率值和所述验证数据集中各所述CKD患者出现中重度肾脏纤维化的第二概率值；根据所述第一概率值、所述第二概率值、多个预设阈值、以及所述训练数据集和所述验证数据集中各所述CKD患者对应的所述肾脏纤维化程度病理金标准结果，确定所述第一概率值对应的第一受试者工作特征曲线和所述第二概率值对应的第二受试者工作特征曲线，并根据所述第一受试者工作特征曲线和所述第二受试者工作特征曲线，分析所述肾脏纤维
化预测模型的预测准确性。5.一种肾脏纤维化预测模型的构建系统，其特征在于，包括：数据获取模块，用于获取若干个CKD患者对应的人口学信息、共患病信息、液体活检指标、常规超声参数、右肾皮质弹性信息和肾脏...

【专利技术属性】
技术研发人员：苏中振，陈子满，陈佳鑫，黄涌泉，陈慧，陈学华，吴超群，
申请(专利权)人：中山大学附属第五医院，
类型：发明
国别省市：