心力衰竭合并肾功能不全患者的人工智能预后评估系统技术方案

本发明专利技术公开了一种心力衰竭合并肾功能不全患者的人工智能预后评估系统，涉及生物检测技术领域，所述评估系统包括与主控模块通信连接的数据分析模块、显示模块、调取模块、存储模块以及用于输入患者入院后共12项预后特征的输入模块。本发明专利技术所提供的预后评估系统系相比所有队列的其他临床特征、客观风险标记和公布的综合评分具有更高的准确性和稳健性。的综合评分具有更高的准确性和稳健性。的综合评分具有更高的准确性和稳健性。

【技术实现步骤摘要】
心力衰竭合并肾功能不全患者的人工智能预后评估系统


[0001]本专利技术涉及生物检测技术
，更具体的是涉及一种心力衰竭合并肾功能不全患者的人工智能预后评估系统。

技术介绍

[0002]尽管随着循证治疗的实施，短期结果有所改善，但大多数心力衰竭(HF)患者最终仍进展到晚期，心衰患者的肾功能不全(RD)通常与死亡率和再入院风险增加相关，大约40％
‑
50％的晚期心力衰竭(AHF)患者患有慢性RD，形成了导致不良结局的恶性循环，原因是缺乏可靠的工具来预测未来的风险。
[0003]人工智能(AI)已经得出了许多单一风险标记和多参数综合评分，帮助医生得出全面的预后评估，为决策提供信息，尽管许多模型显示出在不久的将来被广泛纳入的潜力，但在临床应用时，有几个重要的考虑因素和限制经常被忽视，首先，大多数预后工具不是来自AHF和RD患者群体，再者，风险评分在住院或心血管事件方面表现良好，但在死亡率方面表现较差，使得评估系统的准确性和稳健性差。
[0004]因此，提出一种心力衰竭合并肾功能不全患者的人工智能预后评估系统来解决上述问题很有必要。

技术实现思路

[0005](一)解决的技术问题
[0006]本专利技术的目的在于：为了解决现有评估系统准确性和稳健性差的问题，本专利技术提供一种心力衰竭合并肾功能不全患者的人工智能预后评估系统。
[0007](二)技术方案
[0008]本专利技术为了实现上述目的具体采用以下技术方案：
[0009]心力衰竭合并肾功能不全患者的人工智能预后评估系统，所述评估系统包括与主控模块通信连接的数据分析模块、显示模块、调取模块、存储模块以及用于输入患者入院后共12项预后特征的输入模块；
[0010]所述主控模块与输入模块单向通信连接，用于接收输入模块输入的信息，并反馈给数据分析模块；
[0011]所述数据分析模块与主控模块双向通信连接，所述数据分析模块包括Survival
‑
GBM分析模块和Survive
‑
XgBoost分析模块，所述Survival
‑
GBM分析模块用于分析得到一项具体的数值型风险评分，所述Survive
‑
XgBoost分析模块依据数值型风险评分将风险等级划分为高危、中危或低危，并生成风险等级图表；
[0012]所述数据分析模块还包括Kaplan
‑
Meier分析模块以及Shapley Additive分析模块，所述Kaplan
‑
Meier分析模块中还设置有ggplot R分析模块；
[0013]所述Kaplan
‑
Meier分析模块基于风险等级来分析患者的未来每个时间段的生存率及置信区间，所述ggplot R分析模块将生存率及置信区间进一步可视化为K
‑
M曲线和柱
状图；
[0014]所述Shapley Additive分析模块用于分析12项预后特征对风险评分的影响，以生成Shapley图表；
[0015]所述调取模块与主控模块单向通信连接，用于调取风险等级图表、K
‑
M曲线、柱状图或Shapley图表；
[0016]所述显示模块与主控模块单向通信连接，用于显示调取模块调取的风险等级图表、K
‑
M曲线、柱状图或Shapley图表，并显示在显示屏上；
[0017]所述存储模块与主控模块双向通信连接，用于存储数据分析模块分析得到的每个患者的数据。
[0018]进一步地，所述12项预后特征为：年龄、冠心病合并症、心律失常合并症、慢性肾脏病分期、左室射血分数、血肌酐、肾小球滤过率、淋巴细胞百分率、红细胞平均血红蛋白浓度、每博心输出量、血肌钙蛋白I浓度、总胆红素。
[0019]进一步地，所述评估系统进行评估的过程如下：
[0020]步骤A:将患者的12项预后特征通过输入模块进行输入，由主控模块将结果反馈至数据分析模块进行分析：
[0021]步骤B：基于步骤A输入的患者12项预后特征，由数据分析模块中的Survival
‑
GBM分析模块将输入模块输入的12项预后特征进行分析，得到一项具体的数值型风险评分，由Survive
‑
XgBoost分析模块将数值型风险评分进行分析后，将其划分为高危、中危或低危的风险等级，并生成风险等级图表；
[0022]步骤C：基于步骤B得到的风险等级，由Kaplan
‑
Meier分析模块来分析患者未来每个时间段的生存率及置信区间，由ggplot R分析模块将此结果进一步可视化为K
‑
M曲线和柱状图，通过Shapley Additive分析模块来分析12项预后特征的变化对风险评分的影响，生成Shapley图表；
[0023]步骤D：基于步骤C和步骤B生成的数据结果，医生通过调取模块调取风险等级图表、K
‑
M曲线、柱状图或Shapley图表，主控模块将调取模块调取的内容显示在显示屏上，同时患者还能够选择未来任意一个感兴趣时间点，医生通过调取模块来调取该时间点的生存率及置信区间的柱状图。
[0024]进一步地，所述评估系统的构建方法包括以下步骤：
[0025]步骤1、根据数据源建立随访队列数据；
[0026]步骤2、对步骤1中的随访队列数据预处理，得到第二数据集；
[0027]步骤3、鉴定步骤2的第二数据集中潜在预后特征，筛选出标准的潜在的生存特征，生成共识预后特征模型；
[0028]步骤4、构建生存评估系统。
[0029]进一步地，所述步骤2中利用链式方程的多重填补方法对随访队列数据具有随机缺失假设的变量进行了填补，生成五个初始数据集，并使用中位数进一步聚合为一个数据集，进一步对异常值进行识别，并与临床医师合作进行专业判断，进行删除或保留处理。
[0030]进一步地，所述步骤2中经过预处理后第二数据集总共纳入了在患者入院后最初的24小时内的95个候选变量，包括人口学特征、合并症、生理指标、实验室参数、影像和超声心动图数据、治疗和临床管理数据。
[0031]进一步地，所述步骤3中采用单因素Cox比例风险回归和单因素Log
‑
rank检验基于95个候选变量筛选与潜在生存预后相关的共识特征，以两个检验中未调整的P值均<0.05为标准，筛选出48种潜在的生存特征。
[0032]进一步地，所述步骤4中构建生存评估系统的具体步骤为：
[0033]步骤41、将12个ML学习器组成的大型串联式网络框架对步骤3中鉴定的48种潜在生存特征使用过滤器和包装器的混合特征选择方式进行模型拟合特征工程；
[0034]步骤42、对于每个ML学习器，采用过滤器方法根据相关性调整回归生存分数对潜在生存特征进行降序排序；
[0035]步骤43、采用与交叉验证相结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.心力衰竭合并肾功能不全患者的人工智能预后评估系统，其特征在于，所述评估系统包括与主控模块通信连接的数据分析模块、显示模块、调取模块、存储模块以及用于输入患者入院后共12项预后特征的输入模块；所述主控模块与输入模块单向通信连接，用于接收输入模块输入的信息，并反馈给数据分析模块；所述数据分析模块与主控模块双向通信连接，所述数据分析模块包括Survival
‑
GBM分析模块和Survive
‑
XgBoost分析模块，所述Survival
‑
GBM分析模块用于分析得到一项具体的数值型风险评分，所述Survive
‑
XgBoost分析模块依据数值型风险评分将风险等级划分为高危、中危或低危，并生成风险等级图表；所述数据分析模块还包括Kaplan
‑
Meier分析模块以及Shapley Additive分析模块，所述Kaplan
‑
Meier分析模块中还设置有ggplot R分析模块；所述Kaplan
‑
Meier分析模块基于风险等级来分析患者的未来每个时间段的生存率及置信区间，所述ggplot R分析模块将生存率及置信区间进一步可视化为K
‑
M曲线和柱状图；所述Shapley Additive分析模块用于分析12项预后特征对风险评分的影响，以生成Shapley图表；所述调取模块与主控模块单向通信连接，用于调取风险等级图表、K
‑
M曲线、柱状图或Shapley图表；所述显示模块与主控模块单向通信连接，用于显示调取模块调取的风险等级图表、K
‑
M曲线、柱状图或Shapley图表，并显示在显示屏上；所述存储模块与主控模块双向通信连接，用于存储数据分析模块分析得到的每个患者的数据。2.根据权利要求1所述的心力衰竭合并肾功能不全患者的人工智能预后评估系统，其特征在于：所述12项预后特征为：年龄、冠心病合并症、心律失常合并症、慢性肾脏病分期、左室射血分数、血肌酐、肾小球滤过率、淋巴细胞百分率、红细胞平均血红蛋白浓度、每博心输出量、血肌钙蛋白I浓度和总胆红素。3.根据权利要求1所述的心力衰竭合并肾功能不全患者的人工智能预后评估系统，其特征在于：所述评估系统进行评估的过程如下：步骤A：将患者的12项预后特征通过输入模块进行输入，由主控模块将结果反馈至数据分析模块进行分析：步骤B：基于步骤A输入的患者的12项预后特征，由数据分析模块中的Survival
‑
GBM分析模块将输入模块输入的12项预后特征进行分析，得到一项具体的数值型风险评分，由Survive
‑
XgBoost分析模块将数值型风险评分进行分析后，将其划分为高危、中危或低危的风险等级，并生成风险等级图表；步骤C：基于步骤B得到的风险等级，由Kaplan
‑
Meier分析模块来分析患者未来每个时间段的生存率及置信区间，由ggplot R分析模块将此结果进一步可视化为K
‑
M曲线和柱状图，通过Shapley Additive分析模块来分析12项预后特征的变化对风险评分的影响，生成Shapley图表；步骤D：基于步骤C和步骤B生成的数据结果，医生通过调取模块调取风险等级图表、K
‑
M曲线、柱状图或Shapley图表，主控模块将调取模块调取的内容显示在显示屏上，同时患者
还能够选择未来任意一个感兴趣时间点，医生通过调取模块来调取该时间点的生存率及置信区间的柱状图。4.根据权利要求1所述的心力衰竭合并肾功能不全患者的人工智能预后评估系统，其特征在于：所述评估系...

【专利技术属性】
技术研发人员：唐俊楠，张金盈，张格，仝壮，王泽禹，孙钊威，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：