心血管疾病患病概率筛查的一级预防方法技术

本发明专利技术涉及一种心血管疾病患病概率筛查的一级预防方法，是一种基于机器学习聚类和贝叶斯定理判断患心血管疾病风险概率的方法，采集心血管疾病检查数据，筛选挖掘出19个预测因子，然后从所有检查数据中提取19个预测因子指标数据，设定多个分类类别总数，分别进行聚类分析计算，获得有效的分类组合类别，获得的有效分类组合类别合并构成心血管疾病风险预测模型，同时用贝叶斯定理计算每个分类中单个类别的预测准确概率，用于进行心血管疾病患病概率预判。达到心血管疾病预测有序、高效、准确、标准化、可普及的目的，降低心血管疾病的发病率，实现健康老龄化，同时减少医疗费用，缓解医疗资源紧张。疗资源紧张。疗资源紧张。

【技术实现步骤摘要】
心血管疾病患病概率筛查的一级预防方法


[0001]本专利技术涉及一种疾病风险预测技术，特别涉及一种心血管疾病患病概率筛查的一级预防方法。

技术介绍

[0002]心血管疾病(CVD)是当今世界威胁人类健康的最严重疾病之一，它给社会带来了很大的经济负担。近年来，由于心血管疾病的死亡率持续攀升，心脏病已成为最关键的医学话题之一。临床医生经常使用血管造影来诊断心血管疾病。在诊断技术、医生和其他资源稀少的欠发达国家，这种诊断过程既耗时又昂贵，因为它需要检查许多变量。预测有助于早期发现疾病和最有效的治疗。因此，建立高质量的疾病预测模型对心血管疾病的防治具有重要意义。
[0003]CVD是一种高度可避免的健康状况，当在动脉粥样硬化过程的早期阶段被诊断时，可以通过多种生活方式的改变和精确的药物治疗和管理来预防、延迟甚至很好地控制。在这一背景下，为了减轻心血管疾病的负担，需要更好地早期识别高风险个体，这一新需求被强调为第一优先事项，从而允许更有效的干预，获得更多的无疾病年。目前，心血管疾病的一级预防任务主要落在社区，但由于我国医疗资源欠缺且不均衡，心血管疾病的早期诊断存在一定的困难。
[0004]目前所有临床实践中预防心血管疾病的指南都建议评估总的心血管疾病风险，因为动脉粥样硬化通常是多种风险因素的产物，近年来，这些指南已演变为关注疾病的绝对风险，而不是相对风险。临床医生的心血管病风险评估工具必须能够快速、准确地评估单个患者的绝对心血管病风险，或对相关人群中的高危患者进行机会主义筛查。筛查是指在没有症状的个体中识别未识别的疾病或疾病风险。除了没有预先确定的策略(例如，当个人因其他原因咨询全科医生时)进行的机会主义筛查外，还可以使用工具进行系统筛查，即在普通人群或目标亚人群中集中组织的战略筛查，例如有心血管疾病家族史或家族性高脂血症的受试者。因此，对于心血管疾病的一级预防的重要举措之一便是筛查。
[0005]心血管疾病的风险预测以及复发事件，传统上是基于血液检测、实验室测量或问卷调查得出的临床风险因素进行的，如血清胆固醇、低密度脂蛋白、家族史、血压、血糖等，且这些风险预测的方法均基于传统的统计学方法，如运用最常见的Framingham评分使用的Cox模型。一系列特征或风险因素被整合到风险评分中，这是当前风险预测的黄金标准。例如，GRACE评分建立在年龄、收缩压、入院时心跳骤停和初始血清肌酐浓度等风险因素的基础上，以预测急性冠脉综合征(ACS)患者的严重复发事件。另一方面，其他评分，如REACH评分和SMART评分，根据年龄、吸烟状况、糖尿病、病史或颈动脉超声检查结果预测已确诊CVD患者的复发心血管事件。然而，这些临床风险因素仅能识别冠心病患者中有复发事件风险的子集。
[0006]许多最近的研究通过增加临床风险因素集来解决预测性能的局限性，例如通过成像数据或已建立的分子生物标记物。心脏磁共振(MR)和冠脉CT血管造影(CCTA)等成像技术
是无创和常见的诊断工具。从图像中提取的特征，例如通过图像分割，可以直接用作表型或其他风险因素，以预测偶发性心血管疾病或复发事件。但是，成像成本高昂，因此可用性有限。
[0007]CVD影响健康有多个变量，如血压过高、胆固醇升高、脉搏不规则等，使得诊断CVD具有挑战性。因此，运用传统的心血管疾病风险预测模型进行心血管疾病的筛查存在缺乏精准性、医疗耗费大的缺点，在我国医疗资源匮乏的环境下，无法减轻心血管疾病的负担。
[0008]人工智能(AI)是指基于机器的数据处理，模拟人类的思维过程，以达到超越人类的学习效率。它能挖掘出密集的数据，并能够对复杂数据进行分类。机器学习(Machine learning，ML)是人工智能的一个分支学科，它扩展了传统统计学的范围，因为它能够识别多个变量之间的非线性关系和高阶交互作用。它分为监督学习和非监督学习。深度学习(Deep learning，DL)是一种强大的ML方法，它对大型数据集的计算能力较传统监督学习有进一步的提高，对复杂数据能做出有效的决策。人工智能可用于早期识别和治疗疾病。ML在医学诊断中的应用越来越多。这可能部分归因于改进了疾病的分类和识别，提供了数据以帮助医疗专业人员发现和诊断疾病，维持了人类健康，并降低了死亡率。在确定疾病发生的可能性时，通常使用ML分类方法。AI首先要求输入数据，且输入的数据需为结构化数据，可表示为特征向量。特征是指输入数据的可量化属性，然后将特征组成特征向量，用以在数学上表示输入数据，随后通过ML算法进行计算处理。在不使用DL的传统监督学习研究中，数据特征是人工标注的，用于测量数据的特定相关属性。目前大多数心脏病检测和预测主要是在由共享属性组成的公共数据集上进行的，造成建立的模型在临床应用中出现准确性低而无法应用于临床。在算法上，预测心血管风险的算法有朴素贝叶斯、决策树、随机森林、支持向量机(SVM)、逻辑回归、k个最近邻法(kNN)，另外还有深度学习(主要是神经网络)，以及最新的遗传算法(GA)。神经网络算法和遗传算法多用于具有图像数据的数据训练，而用于心血管疾病筛查时通常没有图像数据；基于贝叶斯定理的朴素贝叶斯分类器是一种概率统计分类器，“朴素”一词表示特征或属性之间的条件独立性。所有的预测属性都是从访谈环节中识别出来的，然后在朴素贝叶斯分类器中使用，以产生用于医学分析的有价值的知识。有研究表明朴素贝叶斯算法计算时间短，性能好，但朴素贝叶斯算法需要大量的记录才能获得较好的结果。与监督ML相比，无监督ML的研究相对较少。与监督ML相比，无监督ML不训练模型来预测来自输入数据的标签。它量化输入数据中的自然模式，而不知道感兴趣的标签。解析这些模式可揭示复杂数据的基础结构，有助于识别相关的子组。聚类分析是一种无监督技术，通常用于从复杂输入数据中识别子组。
[0009]分层凝聚聚类是一种流行的聚类方法，用于识别彼此相似的数据组。它首先确定相似的小集群，然后通过以“自下而上的方式”合并小集群顺序创建更大的集群。分层聚类结果通常用树状图和热图表示，这可以帮助提供高维数据的视觉解释。这种方法的一个例子有：使用大量临床变量的分层聚类确定AF的新型临床表型。作为分层聚类的替代方案有k均值聚类(k
‑
means)，它是识别数据中预先指定的数量k个聚类，使得属于给定聚类的每个数据点比所有其他聚类质心更接近该聚类的质心。例如，在上述MADIT
‑
CRT试验分析中，使用k均值聚类来鉴定4种不同的心力衰竭表型组。
[0010]总之，传统心血管风险模型无法解决心血管疾病一级预防有效实施，目前运用人工智能算法建立的风险预测模型临床应用差，现有通过有病理基础支撑的单一要素，如血
脂(胆固醇、甘油三酯)判断患心血管疾病风险概率的方法，而忽略病理基础还不明确的指标要素，不考虑不同要素间的相互影响，也导致无法运用来进行心血管疾病一级预防(早期预防)。

技术实现思路

[0011]针对传统心血管风险模型无法解决心血管疾病一级预防有效实施，同时目前运用人工智能算法建立的风险预测模型临床本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心血管疾病患病概率筛查的一级预防方法，其特征在于，采集心血管疾病检查数据，筛选挖掘出19个预测因子，19个预测因子为：总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、肌酸激酶、葡萄糖、CKMB同工酶、糖化血红蛋白、D二聚体、纤维蛋白原、肌酐、尿素氮、尿酸、肾小球滤过率、血红蛋白、血钠、血钾、肌红蛋白、肌钙蛋白；然后从所有检查数据中提取19个预测因子指标数据，设定多个分类类别总数，分别进行聚类分析计算，获得有效的分类组合类别，获得的有效分类组合类别合并构成心血管疾病风险预测模型，同时用贝叶斯定理计算每个分类中单个类别的预测准确概率，用于进行心血管疾病患病概率预判。2.根据权利要求1所述心血管疾病患病概率筛查的一级预防方法，其特征在于，所述筛选挖掘出19个预测因子的具体方法：提取近期心血管疾病检查数据，在数据中筛查出与冠心病病症相关的患者，作为确诊患有心血管疾病患者，并追述所有检查数据患者最早期检验数据，获得关联的完整检验数据；获得关联的完整检验数据与确诊患者指标数据结合，挖掘预测因子：所有的患者数据进行数据简化、数据清理和数据综合后从多个要素中进行筛选，并且通过模型训练和验证后选取19个要素用于预测心血管疾病。3.根据权利要求1或2所述心血管疾病患病概率筛查的一级预防方法，其特征...

【专利技术属性】
技术研发人员：胡英，朱福，高靖，谢连红，谷新胜，高磊，
申请(专利权)人：上海市徐汇区中心医院，
类型：发明
国别省市：