一种对比剂肾病患病风险的预测方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及医学诊断技术领域，公开了一种对比剂肾病患病风险的预测方法、装置、设备及介质，其中，方法包括获取待预测患者注射对比剂前的临床指标数据集；将注射对比剂前的临床指标数据集输入至预训练的对比剂肾病患病风险的预测模型中，输出第一预测结果；基于第一预测结果确定待预测对象注射对比剂后患对比剂肾病的概率。本发明专利技术通过这样的方式不仅避免了由于确诊时损伤已经发生而错过最佳治疗时机的情况，还可以在注射对比剂前对注射对比剂后的患病风险进行预测，从而可以根据预测结果制定相应的检查治疗方案，进而达到对比剂肾病的早期预防和治疗。的早期预防和治疗。的早期预防和治疗。

【技术实现步骤摘要】
一种对比剂肾病患病风险的预测方法、装置、设备及介质


[0001]本专利技术涉及医学诊断
，具体涉及一种对比剂肾病患病风险的预测方法、装置、设备及介质。

技术介绍

[0002]对比剂肾病(contrast
‑
induced nephropathy，简称CIN)，又称对比剂急性肾损伤(post contrast acute kidney injury，简称PC
‑
AKI)，是血管内应用碘对比剂后最重要的并发症之一，也是医源性肾功能衰竭的常见病因之一。随着增强CT检查的数量逐年增加，静脉注射对比剂用量显著增多，从而造成CIN的发病率升高，不仅对患者的临床预后不利，而且增加患者的医疗费用和住院时间，增加了医疗的支出和成本。
[0003]相关技术中，将血清肌酐(serum creatinine,SCr)作为诊断CIN的主要临床指标，但是，这种方式只能在注射对比剂48h
‑
72h后，根据SCr的检测结果才能进行诊断。可是，这种诊断方式在确诊时肾损害已经发生，因此，临床常规观察就可能会延误最佳治疗时机。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种对比剂肾病患病风险的预测方法、装置、设备及介质，以解决在注射碘对比剂后，无法及时判断是否存在肾损伤的问题。
[0005]第一方面，本专利技术提供了一种对比剂肾病患病风险的预测方法，方法包括：
[0006]获取待预测对象注射对比剂前的临床指标数据集；将注射对比剂前的临床指标数据集输入至对比剂肾病患病风险的预测模型中，输出第一预测结果；基于第一预测结果确定待预测对象注射对比剂后患对比剂肾病的概率。
[0007]本实施例提供的对比剂肾病患病风险的预测方法，通过对比剂肾病患病风险的预测模型对注射对比剂前的临床指标数据集进行预测，得到第一预测结果，从而根据第一预测结果预测待预测对象在注射对比剂后患对比剂肾病的概率。本专利技术中，对比剂肾病患病风险的预测模型可以根据注射对比剂前待预测对象的临床指标数据，预测出待预测对象在注射对比剂之后患对比剂肾病的概率。通过这样的方式不仅避免了由于确诊时损伤已经发生而错过最佳治疗时机的情况，还可以在注射对比剂前对注射对比剂后的患病风险进行预测，从而可以根据预测结果指定相应的检查治疗方案，进而达到对比剂肾病的早期预防和治疗。
[0008]在一种可选的实施方式中，在获取注射对比剂前的临床指标数据集之前，方法还包括：
[0009]获取训练数据集，训练数据集中包括注射对比剂前的历史临床指标数据集和注射对比剂后的检测结果；将历史临床指标数据集输入至预构建的对比剂肾病患病风险的预测模型中，得到第二预测结果；利用第二预测结果和检测结果对预构建的对比剂肾病患病风险的预测模型进行训练，直至第二预测结果和检测结果之间的损失值满足预设条件时，得到对比剂肾病患病风险的预测模型。
[0010]本实施例通过将历史临床数据作为训练数据集，可以使对比剂肾病患病风险的预测模型在训练过程中提取到更多真实数据的特征，从而提高对比剂肾病患病风险的预测模型的准确度。而且，本实施例中采用的加权交叉熵损失函数能够有效用于多类别的分类任务，且能够有效的反映对比剂肾病患病风险的预测模型对数据的拟合程度，从而使最终训练好的对比剂肾病患病风险的预测模型具有更高的准确性。
[0011]在一种可选的实施方式中，在得到对比剂肾病患病风险的预测模型之后，方法还包括：
[0012]将历史临床指标数据集输入至对比剂肾病患病风险的预测模型中，得到第三预测结果，历史临床指标数据集中包括至少两个指标数据；基于第三预测结果和检测结果，确定第一损失值；将目标指标数据从历史临床指标数据集中剔除，并将剔除目标指标数据后的历史临床指标数据集输入至对比剂肾病患病风险的预测模型中，得到第四预测结果，目标指标数据为历史临床指标数据集中的任一指标数据；基于第四预测结果和检测结果，确定第二损失值；基于第一损失值和第二损失值确定目标指标数据对应的重要性权重；当得到历史临床指标数据集中每一个指标数据分别对应的重要性权重后，基于所有的重要性权重对历史临床指标数据集中的指标数据进行重要性排序。
[0013]本实施例通过上述方式，不仅可以基于待预测对象在注射对比剂前的指标数据集预测待预测对象在注射对比剂后是否会出现对比剂肾病，还可以确定出会提高患者出现对比剂肾病风险的重要指标，从而根据确定出的重要指标指导临床采取相应的措施，从而达到对比剂肾病的早期预防和治疗。
[0014]在一种可选的实施方式中，将注射对比剂前的临床指标数据集输入至对比剂肾病患病风险的预测模型中，输出第一预测结果，方法包括：
[0015]将注射对比剂前的临床指标数据集输入至对比剂肾病患病风险的预测模型中，得到与每一个预设类别分别对应的预测值；从所有的预测值中筛选出最大值，将最大值及最大值所属预设类别确定为第一预测结果。
[0016]本实施例通过从模型预测的所有预测值中筛选出最大值，并将最大值及最大值所属预设类别作为最终的预测结果，可以提高预测结果的准确性。
[0017]第二方面，本专利技术提供了一种对比剂肾病患病风险的预测模型，模型包括：
[0018]输入模块，编码模块，解码模块，分类输出模块；输入模块，用于将待预测对象的临床指标数据集输入至编码器中，临床指标数据集中包括至少两个指标数据；编码模块包括嵌入层和线性层，嵌入层用于将临床指标数据集中属于类别型的第一指标数据映射为第一向量，线性层用于将临床指标数据集中属于连续型的第二数据映射为第二向量；解码模块包括全连接层，全连接层用于对第一向量和第二向量进行回归处理，生成预测结果；分类输出模块，用于基于所有的预测结果，确定待预测对象注射对比剂后患所述对比剂肾病的概率。
[0019]本实施例中的对比剂肾病患病风险的预测模型，可以直接基于待预测对象注射对比剂之前的注射对比剂前的临床指标数据集，预测出待预测对象在注射对比剂之后的患病风险。该模型不仅可以提高对比剂肾病的诊断效率，还可以基于预测结果及时给予待预测对象相应的治疗，以有效预防和治疗对比剂肾病。
[0020]第三方面，本专利技术提供了一种对比剂肾病患病风险的预测装置，其特征在于，装置
包括：
[0021]第一获取模块，用于获取待预测对象注射对比剂前的临床指标数据集；第一预测模块，用于将注射对比剂前的临床指标数据集输入至对比剂肾病患病风险的预测模型中，输出第一预测结果；第一确定模块，用于基于第一预测结果确定待预测对象注射对比剂后患对比剂肾病的概率。
[0022]在一种可选的实施方式中，在第一获取模块之前，装置还包括：
[0023]第二获取模块，用于获取训练数据集，训练数据集中包括注射对比剂前的历史临床指标数据集和注射对比剂后的检测结果；第二预测模块，用于将历史临床指标数据集输入至预构建的对比剂肾病患病风险的预测模型中，得到第二预测结果；训练模块，用于利用第二预测结果和检测结果对预构建的对比剂肾病患病风险的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对比剂肾病患病风险的预测方法，其特征在于，所述方法包括：获取待预测对象注射对比剂前的临床指标数据集；将所述注射对比剂前的临床指标数据集输入至对比剂肾病患病风险的预测模型中，输出第一预测结果；基于所述第一预测结果确定所述待预测对象注射对比剂后患所述对比剂肾病的概率。2.根据权利要求1所述的方法，其特征在于，在所述获取待预测对象注射对比剂前的临床指标数据集之前，所述方法还包括：获取训练数据集，所述训练数据集中包括注射对比剂前的历史临床指标数据集和注射对比剂后的检测结果；将所述历史临床指标数据集输入至预构建的对比剂肾病患病风险的预测模型中，得到第二预测结果；利用所述第二预测结果和所述检测结果对所述预构建的对比剂肾病患病风险的预测模型进行训练，直至所述第二预测结果和所述检测结果之间的损失值满足预设条件时，得到所述对比剂肾病患病风险的预测模型。3.根据权利要求2所述的方法，其特征在于，在所述得到所述对比剂肾病患病风险的预测模型之后，所述方法还包括：将所述历史临床指标数据集输入至所述对比剂肾病患病风险的预测模型中，得到第三预测结果，所述历史临床指标数据集中包括至少两个指标数据；基于所述第三预测结果和所述检测结果，确定第一损失值；将目标指标数据从所述历史临床指标数据集中剔除，并将剔除所述目标指标数据后的历史临床指标数据集输入至所述对比剂肾病患病风险的预测模型中，得到第四预测结果，所述目标指标数据为所述历史临床指标数据集中的任一指标数据；基于所述第四预测结果和所述检测结果，确定第二损失值；基于所述第一损失值和所述第二损失值确定所述目标指标数据对应的重要性权重；当得到所述历史临床指标数据集中每一个指标数据分别对应的所述重要性权重后，基于所有的所述重要性权重对所述历史临床指标数据集中的指标数据进行重要性排序。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述将所述注射对比剂前的临床指标数据集输入至对比剂肾病患病风险的预测模型中，输出第一预测结果，所述方法包括：将所述注射对比剂前的临床指标数据集输入至所述对比剂肾病患病风险的预测模型中，得到与每一个预设类别分别对应的预测值；从所有的所述预测值中筛选出最大值，将所述最大值及最大值所属预设类别确定为所述第一预测结果。5.一种对比剂肾病患病风险的预测模型，其特征在于，所述预测模型包括：输入模块，编码模块，解码模块，分类输出模块；所述输入模块，用于将待预测对象的临床指标数据集输入至编码器中，所述临床指标数据集中包括至少两个指标数据；所述编码模块包括嵌入层和线性层，所述嵌入层用于将所述临床指标数据集中属于类别型的第一指标数据映射为第一向量，所述线性层用于将所述临床指标数据集中属于连续
型的第二数据映射为第二向量；...

【专利技术属性】
技术研发人员：张晓东，王霄英，赵凯，罗健，张保翠，吴静云，
申请(专利权)人：北京大学第一医院，
类型：发明
国别省市：