一种胰腺炎预后数据的处理方法及其系统技术方案

本发明专利技术公开了一种胰腺炎预后数据的处理方法、系统、设备和计算机可读存储介质，方法其包括：获取样本的人体基础体征数据；将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；所述预后预测模型包括：胰腺炎分级预测模型。胰腺炎分级预测模型。胰腺炎分级预测模型。

【技术实现步骤摘要】
一种胰腺炎预后数据的处理方法及其系统


[0001]本专利技术涉及医学生物
，更具体地，涉及一种胰腺炎预后数据的处理方法及其系统。

技术介绍

[0002]急性胰腺炎(acute pancreatitis,AP)是常见急腹症，是世界范围内急诊入院的首位消化系统疾病。根据全身及局部并发症情况胰腺炎可分为重度、中重度及轻度。约20％的急性胰腺炎患者发展为重度胰腺炎即伴有持续性的器官功能衰竭，病死率可高达20％
‑
40％。中重度胰腺炎有局部并发症，具有潜在的干预治疗需要。轻症胰腺炎经过支持治疗多可自限。早期预判急性胰腺炎的严重程度，并及时采取针对性治疗，对降低病死率至关重要。
[0003]目前对于急性胰腺炎尚无单一变量或评分系统可在起病初期准确预测胰腺炎预后严重程度。机器学习已广泛应用于包括预测重症胰腺炎风险在内的临床研究，但大多数研究仅进行二分法预测即急性胰腺炎患者未来将发展为重症胰腺炎或非重症胰腺炎，未检索到可将胰腺炎预后严重程度进行精确三分类预测即区分轻、中、重度胰腺炎的研究结果。另外，现有的研究多为单中心研究、样本数量较少，对于结果的准确性有待商贾。
[0004]为了使得医师能够尽早识别高危病人、制定诊疗计划提供帮助参考，本专利技术提供一种胰腺炎预后数据的处理方法及其系统。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。本专利技术方法通过采用来自多中心的大量数据，通过多种机器学习的方法对急性胰腺炎三分类预后及是否死亡、是否胰腺感染坏死、是否入住ICU及住院时长等指标建立预测模型，将利用预测模型得到的分类结果与基于5种传统的评分系统得到的分类结果进行加权融合，得到最终的分类结果，为医师能够尽早识别高危病人、制定诊疗计划提供帮助参考，解决相关的生命科学问题。
[0006]本申请公开一种胰腺炎预后数据的处理方法，包括：
[0007]获取样本的人体基础体征数据；
[0008]将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；
[0009]基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；
[0010]对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；
[0011]所述预后预测模型包括：胰腺炎分级预测模型；所述胰腺炎分级预测模型的训练方法包括：
[0012]获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
[0013]对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
[0014]利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型。
[0015]所述评分值包括以下一种或几种：APACHE
‑
II评分值、Marshall评分值、sofa评分值、qsofa评分值、bisap评分值。
[0016]所述胰腺炎分级预测模型的训练方法还包括：
[0017]对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；
[0018]利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的胰腺炎分级预测模型；
[0019]可选的，所述排序处理包括：
[0020]对于所述经过特征提取后的人体基础体征数据特征的其中一个人体基础体征数据特征，分别根据所述人体基础体征数据特征构成的组合次序计算全部的组合及组合中单个所述人体基础体征数据特征的边际贡献；
[0021]根据所述边际贡献得到所述人体基础体征数据特征中单个所述人体基础体征数据特征的贡献度；
[0022]基于所述贡献度对所述人体基础体征数据特征进行排序，输出N个贡献度高的所述人体基础体征数据特征；
[0023]可选的，所述N至少为5。
[0024]所述第一分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎；
[0025]可选的，所述第二分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎。
[0026]所述预后分类指标还包括：是否死亡；
[0027]所述预后预测模型还包括：死亡预测模型；
[0028]所述死亡预测模型的训练方法包括：
[0029]获取训练集样本的人体基础体征数据及分类标签，所述标签包括死亡、未死亡；
[0030]对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
[0031]利用所述人体基础体征数据特征构建模型，得到构建好的死亡预测模型；
[0032]可选的，所述预后分类指标还包括：是否感染坏死；
[0033]所述预后预测模型还包括：感染坏死预测模型；
[0034]所述感染坏死预测模型的训练方法包括：
[0035]获取训练集样本的人体基础体征数据及分类标签，所述标签包括感染坏死、未感染坏死；
[0036]对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
[0037]利用所述人体基础体征数据特征构建模型，得到构建好的感染坏死预测模型；
[0038]可选的，所述预后分类指标还包括：住院时长分级；
[0039]可选的，所述预后预测模型还包括：住院时长预测模型；
[0040]所述住院时长预测模型的训练方法包括：
[0041]获取训练集样本的人体基础体征数据及分类标签，所述标签包括第一住院时长、第二住院时长；小于等于或小于分类阈值的为第一住院时长，大于或大于等于分类阈值的为第二住院时长；
[0042]对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
[0043]利用所述人体基础体征数据特征构建模型，得到构建好的住院时长预测模型；
[0044]可选的，所述预后分类指标还包括：是否入住ICU；
[0045]可选的，所述预后预测模型还包括：ICU预测模型；
[0046]所述ICU预测模型的训练方法包括：
[0047]获取训练集样本的人体基础体征数据及分类标签，所述标签包括入住ICU、未入住ICU；
[0048]对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；
[0049]利用所述人体基础体征数据特征构建模型，得到构建好的ICU预测模型。
[0050]所述人体基础体征数据包括以下一种或几种：年龄、性别、病因、体温、血压、心率、呼吸频率、白细胞、血细胞压积、血小板、血钾、血钠、血钙、肌酐、尿素氮、意识评分是否满分、是否有腹膜刺激征、是否有胸腔积液。
[0051]利用机器学习的方法对所述人体基础体征数据进行模型构建，得到构建好的预后预测模型；
[0052]可选的，所述机器学习的方法包括以下一种或几本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种胰腺炎预后数据的处理方法，包括：获取样本的人体基础体征数据；将所述人体基础体征数据输入预先训练的预后预测模型，得到第一分类结果；基于所述人体基础体征数据计算预后分类指标的评分值，根据所述评分值得到第二分类结果；所述预后分类指标包括：胰腺炎分级；对所述第一分类结果和所述第二分类结果进行加权融合处理，得到最终分类结果；所述预后预测模型包括：胰腺炎分级预测模型；所述胰腺炎分级预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括轻度胰腺炎、中重度胰腺炎和重度胰腺炎；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的胰腺炎分级预测模型。2.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述评分值包括以下一种或几种：APACHE
‑
II评分值、Marshall评分值、sofa评分值、qsofa评分值、bisap评分值。3.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述胰腺炎分级预测模型的训练方法还包括：对所述人体基础体征数据特征进行排序处理，得到经过排序处理后的人体基础体征数据特征；利用所述经过排序处理后的人体基础体征数据特征进行模型构建，得到构建好的胰腺炎分级预测模型；可选的，所述排序处理包括：对于所述经过特征提取后的人体基础体征数据特征的其中一个人体基础体征数据特征，分别根据所述人体基础体征数据特征构成的组合次序计算全部的组合及组合中单个所述人体基础体征数据特征的边际贡献；根据所述边际贡献得到所述人体基础体征数据特征中单个所述人体基础体征数据特征的贡献度；基于所述贡献度对所述人体基础体征数据特征进行排序，输出N个贡献度高的所述人体基础体征数据特征；可选的，所述N至少为5。4.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述第一分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎；可选的，所述第二分类结果包括：轻度胰腺炎、中重度胰腺炎和重度胰腺炎。5.根据权利要求1所述的胰腺炎预后数据的处理方法，其特征在于，所述预后分类指标还包括：是否死亡；所述预后预测模型还包括：死亡预测模型；所述死亡预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括死亡、未死亡；
对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的死亡预测模型；可选的，所述预后分类指标还包括：是否感染坏死；所述预后预测模型还包括：感染坏死预测模型；所述感染坏死预测模型的训练方法包括：获取训练集样本的人体基础体征数据及分类标签，所述标签包括感染坏死、未感染坏死；对所述训练集样本的人体基础体征数据进行特征提取，得到特征提取后的人体基础体征数据特征；利用所述人体基础体征数据特征构建模型，得到构建好的感染坏死预测模型；可选的，所述预后分类指标还包括：住院时长分级；可选的，所述预后预测模型还包括：住院时长预测模...

【专利技术属性】
技术研发人员：张晟瑜，陈洋，舒慧君，芦波，赖雅敏，李佳宁，吴东，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：