一种肾移植术后肺部感染风险的联合预测方法技术

本发明专利技术公开了一种肾移植术后肺部感染风险的联合预测方法，包括以下步骤：S1、将临床数据集进行量化；S2、设计手术前静态数据的特征提取网络，提取手术前静态数据的特征；S3、设计手术后动态数据序列的特征提取网络，提取手术后动态数据序列的特征；S4、将步骤S3得到的特征和步骤S4得到的特征进行融合；S5、用线性分类器将步骤S5得到的融合特征进行二分类计算，由分类结果反演得到是否感染的智能预测结果。本发明专利技术可应用于提前预测肾移植术病人在手术后各时间节点肺部感染风险发生情况，为肾移植术后的诊疗方案提供临床辅助决策支持。术后的诊疗方案提供临床辅助决策支持。术后的诊疗方案提供临床辅助决策支持。

【技术实现步骤摘要】
一种肾移植术后肺部感染风险的联合预测方法


[0001]本专利技术属于肾移植术后的感染风险预测领域，涉及一种基于数据驱动的肾移植术后肺部感染的预测方法。

技术介绍

[0002]肾移植术作为目前最有效治疗终末期肾脏疾病的手段，被广泛的运用于救治终末期肾功能衰竭者，帮助移植受者延长寿命，提高生活质量。但是，目前临床上仍然无法完全避免一些术后并发症的发生，排异反应和术后感染等。
[0003]肾移植术后的细菌感染常常会使移植受者住院时间延长，肌酐清除率下降，因此使肾移植患者需进行再次手术的风险上升。术后感染在临床上被认为是肾移植术后一年内的第一致死原因，其中肺炎和重症肺炎也是肾移植后最常见的致命感染性疾病之一。由于术后免疫力低下，卡氏肺囊虫极易感染肾移植受者，导致重症肺炎，使得移植受者移植失败甚至死亡。国内也有学者报道，肾移植术后感染病死率较高，而且感染的病原菌耐药性也会非常严重，临床治疗较为困难。据公开报道，在肾移植术后出现的死亡病例中，死于肺部感染的移植受者约占70％，有此可见术后肺部感染的先期预防控制，对降低移植受者手术后生存率在临床上显得至关重要。
[0004]引起术后肺部感染的原因一方面是所处环境，另一方面则取决于术后免疫抑制剂的使用和移植受者机体状态。肾移植受者术后必须长期使用大剂量免疫抑制剂来防止排异反应的发生。临床使用的免疫抑制剂(如他克莫司等)作用机理各有不同，移植受者机体存在比如性别、年龄、体重和基因多态性(如CYP3A4、CYP3A5、ABCB1)等方面差异，可能会产生不同的治疗效果和引起多样性的不良反应。虽然使用免疫抑制剂能够显著提高手术成功率、移植肾的存活率，但由此引发的肺部感染却是影响术后生存率的重要因素。导致肾移植术后肺部感染的因素非常复杂。如果能够科学有效地预测肾移植术后的肺部感染，临床医生便可以有效地为患者制定个性化的手术方案，这对于临床上肺部感染的防治，提高肾移植受者存活率具有重要意义。
[0005]在研究肾移植术后肺部感染的预测方法时，大多数现有方法首先使用统计学方法分析肺部感染的主要因素，然后使用这些因素来预测是否感染。现有方法之间的主要区别在于挖掘肺部感染的风险因素，使用不同的统计分析方法来挖掘肺部感染的风险因素，然后使用这些高风险因素通过分类器(如逻辑回归)进行预测。Hu等人还利用logistic回归分析肾移植术后严重肺部感染的风险和预后因素。它采用单因素分析和多元逐步逻辑回归分析来寻找风险因素。半参数COX回归模型(即比例风险回归)，逻辑回归和灰色关联分析(GRA)也是肺部感染的高危因素的挖掘中广泛使用的模型。目前的这些经典模型主要还是基于统计分析来进行预测，不具备数据特征学习能力，也不能有效地将术前数据和术后数据协同融合，限制了预测系统的性能提升，导致预测结果不够准确。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一可应用于提前预测肾移植术病人在手术后各时间节点肺部感染风险发生情况，为肾移植术后的诊疗方案提供临床辅助决策支持的肾移植术后肺部感染风险的联合预测方法。
[0007]本专利技术的目的是通过以下技术方案来实现的：一种肾移植术后肺部感染风险的联合预测方法，包括以下步骤：
[0008]S1、将临床数据集进行量化；
[0009]S2、设计手术前静态数据的特征提取网络，提取手术前静态数据的特征；
[0010]S3、设计手术后动态数据序列的特征提取网络，提取手术后动态数据序列的特征；
[0011]S4、将步骤S3得到的特征和步骤S4得到的特征进行融合；
[0012]S5、用线性分类器将步骤S5得到的融合特征进行二分类计算，由分类结果反演得到是否感染的智能预测结果。
[0013]所述步骤S1具体实现方法如下：假定给定的临床数据集S有M个病例，每个病例包含N个可能的肺部感染候选因素，且含N个可能的肺部感染候选因素，且表示实数域；将原数据集S如式(1)所示量化成S
norm
∈[
‑
1，1]N
×
M
：
[0014][0015]其中，S
norm
表示是原数据集矩阵经过量化以后得到的数据矩阵，和S
r
分别代表数据矩阵S
norm
和S中的第r个行向量，而和则分别表示原矩阵S中第r个行向量中风险因素的最大值和最小值，表示向量S
r
中所有元素的均值，r＝{0,1,
…
,N
‑
1}；
[0016]将原数据集中每个样本的数据分为手术前静态数据和术后动态数据序列共两部分，这两类数据分别标记为X
static
和X
dynamic
。
[0017]所述步骤S2具体实现方法如下：手术前静态数据特征提取网络总体结构为一个多层感知机网络；此特征提取网络包括三层神经元全连接结构：输入层神经元、隐藏层神经元和输出层神经元；其中，m0表示输入层神经元数量，m1和m2分别表示隐藏层和输出层的神经元数量；W1和W2分别表示输入层
→
隐藏层
→
输出层神经元的连接构成的权值矩阵；f1和b1分别表示隐藏层神经元的激活函数和偏置向量，b2则分别表示输出层的偏置向量；F
static
表示特征提取网络得到的静态特征，根据各层神经元的全连接模式，权值矩阵W1和W2分别满足条件和手术前静态数据的特征提取网络的输出由式(2)计算得到：
[0018]F
static
＝W2*f1(W1*x+b1)+b2ꢀꢀ
(2)
[0019]其中，x表示已量化后的手术前静态数据，符号“*”表示矩阵与向量相乘，f1(
…
)为一个标准的ReLu()激活函数。
[0020]所述步骤S3具体实现方法如下：手术后动态数据序列的特征提取网络总体结构模型为一个门控循环神经网络，此特征提取网络为标准的单层单向GRU；具体结构包括一个更新门和一个重置门，更新门和重置门分别都包含权重矩阵W
z
和W
r
以及偏置b
z
和b
r
；输入的术后动态数据X
dynamic
为n个时间节点检查数据构成的数据序列，表示为X
dynamic
＝{X1，...，X
n
}；每个时间节点数据都是一个向量；
[0021]具体而言，动态特征提取网络按照下列式公式计算得到最终的动态特征：
[0022]z
t
＝σ(W
z
*[X
t
，h
t
‑1]+b
z
)
ꢀꢀ
(3)
[0023]r
t
＝σ(W
r
*[X
t
，h
t
‑1]+b
r
)
ꢀꢀ
...

【技术保护点】

【技术特征摘要】
1.一种肾移植术后肺部感染风险的联合预测方法，其特征在于，包括以下步骤：S1、将临床数据集进行量化；S2、设计手术前静态数据的特征提取网络，提取手术前静态数据的特征；S3、设计手术后动态数据序列的特征提取网络，提取手术后动态数据序列的特征；S4、将步骤S3得到的特征和步骤S4得到的特征进行融合；S5、用线性分类器将步骤S5得到的融合特征进行二分类计算，由分类结果反演得到是否感染的智能预测结果。2.根据权利要求1所述的肾移植术后肺部感染风险的联合预测方法，其特征在于，所述步骤S1具体实现方法如下：假定给定的临床数据集S有M个病例，每个病例包含N个可能的肺部感染候选因素，且部感染候选因素，且表示实数域；将原数据集S如式(1)所示量化成S
norm
∈[
‑
1，1]
N
×
M
：其中，S
norm
表示是原数据集矩阵经过量化以后得到的数据矩阵，和S
r
分别代表数据矩阵S
norm
和S中的第r个行向量，而和则分别表示原矩阵S中第r个行向量中风险因素的最大值和最小值，表示向量S
r
中所有元素的均值，r＝{0,1,
…
,N
‑
1}；将原数据集中每个样本的数据分为手术前静态数据和术后动态数据序列共两部分，这两类数据分别标记为X
static
和X
dynamic
。3.根据权利要求1所述的肾移植术后肺部感染风险的联合预测方法，其特征在于，所述步骤S2具体实现方法如下：手术前静态数据特征提取网络总体结构为一个多层感知机网络；此特征提取网络包括三层神经元全连接结构：输入层神经元、隐藏层神经元和输出层神经元；其中，m0表示输入层神经元数量，m1和m2分别表示隐藏层和输出层的神经元数量；W1和W2分别表示输入层
→
隐藏层
→
输出层神经元的连接构成的权值矩阵；f1和b1分别表示隐藏层神经元的激活函数和偏置向量，b2则分别表示输出层的偏置向量；F
static
表示特征提取网络得到的静态特征，根据各层神经元的全连接模式，权值矩阵W1和W2分别满足条件和手术前静态数据的特征提取网络的输出由式(2)计算得到：F
static
＝W2*f1(W1*x+b1)+b2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，x表示已量化后的手术前静态数据，符号“*”表示矩阵与向量相乘，f1(
…
)为一个标准的ReLu()激活函数。4.根据权利要求1所述的肾移植术后肺部感染风险的联合预测方法，其特征在于，所述步骤S3具体实现方法如下：手术后动态数据序列的特征提取网络总体结构模型为一个门控循环神经网络，此特征提取网络为标准的单层单向GRU；具体结构包括一个更新门和一个重置门，更新门和重置门分别都包含权重矩阵W
z
和W
r
以及偏置b
z
和b
r
；输入的术后动态数据X

【专利技术属性】
技术研发人员：纪禄平，陈波，杨纤雪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：