【技术实现步骤摘要】
一种慢性心力衰竭患者PRO预后风险模型及构建方法
[0001]本专利技术涉及机器学习和数据处理
,具体为一种慢性心力衰竭患者PRO预后风险模型及构建方法。
技术介绍
[0002]慢性心力衰竭是各种心血管疾病的终末阶段,尽管近年来心衰治疗取得很大的进展,但其再住院率、死亡率仍居高不下,这与疾病预后不良和院外管理“断崖式”下降密切相关。因此,建立科学的心衰患者院外评估体系/系统,实时评估患者病情,持续对患者进行全病程、全方位、多领域、多维度的预后评估,对于采取个性化的干预措施,改善患者预后具有重要意义。
[0003]目前,临床上多采用人口统计学数据、临床症状及体征、实验室化验、影像学检查及生物标志物等评估患者预后。此类资料虽可反映患者的状态,但预测效能有限,较少涉及患者心理、社会、治疗等领域的健康状态,且常忽略了患者自身对于疾病的感受和观点。而且现有类似的量表大多均来源于国外,缺乏跨文化调试,无法直接应用于我国国人的健康评估。因此,制定适用于我国国人的PRO测量工具对于评估患者健康状况、了解患者健康期望、制定患者管理方案至关重要。
[0004]此外,临床虽已开发了多种类型的风险预测模型,用以捕获患者总体风险,量化患者生存前景,但多惯用传统的统计模型,该类方法设定简单、解释性好,但预测能力有限,当数据结构复杂,不满足这些模型条件假定时,效果并不理想。而随着人类对疾病研究的加深,各种不同类型的数据陆续出现,数据结构的复杂性,使线性预测模型不得不因其局限性逐渐退出,与此同时大数据时代的发展使机器学习技术受 ...
【技术保护点】
【技术特征摘要】
1.一种慢性心力衰竭患者PRO预后风险模型的构建方法,其特征在于,包括以下步骤:S1:研制慢性心力衰竭患者PRO测量工具,建立随访队列;S2:数据预处理;包括异常值识别、缺失值填补、类别比例不均衡问题的处理和特征筛选;S3:根据预处理后的数据构建预测模型,得到慢性心力衰竭患者PRO预后风险模型。2.根据权利要求1所述的慢性心力衰竭患者PRO预后风险模型的构建方法,其特征在于:所述步骤S1具体包括以下步骤:S11、慢性心力衰竭患者PRO测量工具研制按照国际PRO测量工具研制规范,从生理领域、心理领域、社会领域和治疗领域出发,查阅国内外相关问卷及文献,结合专家意见与患者访谈的形式,形成初量表框架;根据严格的纳入排除标准,招募105名慢性心衰患者和50名健康人进行预调查,采用经典测量理论和项目反应理论,对条目进行初步筛选和调整,形成初量表;在365例患者,100例健康人群中进行大规模调查,并修改,形成终量表,即慢性心力衰竭患者PRO测量工具;S12、随访队列构建顺序纳入2年内,三所三级甲等医院符合纳入和排除标准的患者;住院期间,收集患者的一般资料和PRO信息,患者出院后1个月、3个月和之后每6个月通过电话进行随访,随访内容为患者终点事件及发生时间。3.根据权利要求1所述的慢性心力衰竭患者PRO预后风险模型的构建方法,其特征在于:所述步骤S2具体包括以下步骤:S21、异常值识别:对原始数据集中的异常值进行识别,并与临床医师合作进行专业判断,进行删除或保留处理;S22、缺失值填补:对缺失比例大于30%的分类变量进行删除,对缺失比例不大于30%的分类变量采用missForest函数进行填补;S23、类别比例不均衡问题的处理:使用SMOTE算法对数据不均衡问题进行处理;S23、特征筛选:从患者的一般资料和PRO信息两个角度进行特征变量的收集,由于PRO测量工具部分的变量比较重要,且变量数目少,因此特征筛选工作仅对患者一般资料的变量进行;具体为,将患者一般资料的特征变量输入XGBoost模型中,进行特征重要性排序,并结合临床专家建议,选择排序靠前的16个变量与PRO测量工具中的4个变量作为最终的变量筛选结果,用于纳入最终的预测模型。4.根据权利要求1所述的慢性心力衰竭患者PRO预后风险模型的构建方法,其特征在于,所述步骤S3预测模型构建的具体过程为:将进行预处理后的数据输入logistic回归、随机森林模型RF、极限梯度增强学习机XGBoost、轻梯度提升机LightGBM、朴素贝叶斯NB和多层感知学习机MLP模型中,通过以下3个阶段构建预测模型,
①
以患者一般资料为自变量构建预测模型;
②
以患者一般资料+慢性心力衰竭患者报告结局测量工具CHF
‑...
【专利技术属性】
技术研发人员:田晶,张岩波,闫晶晶,韩清华,王磊,杨弘,胡晓娟,杜宇涛,韩港飞,
申请(专利权)人:山西医科大学第一医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。