一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法技术

本发明专利技术的一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法。本发明专利技术的另一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法所构建的XGBoost机器学习模型的应用。本发明专利技术的另一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的系统，其特征在于，包括：数据采集单元，用于获取患者进行心脏手术后6h内的尿量以及患者既往7天内最高肌酐水平；XGBoost机器学习模型。本发明专利技术通过XGBoost机器学习的方法构建风险预测模型，实现在早期(即在6h内)判断心脏术后病人发生急性肾损伤的风险。险。险。

【技术实现步骤摘要】
一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法


[0001]本专利技术涉及一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法，用于早期判断心脏术后病人发生急性肾损伤的风险。

技术介绍

[0002]急性肾损伤(AKI)以肾功能的突然下降为特征，是一种常见并且具有高死亡率的疾病，早期AKI的准确诊断能够及时干预治疗，防止AKI恶化。然而，作为识别AKI最常见的诊断标准，KDIGO指南中AKI尿量诊断标准需要在至少6小时内尿量，而肌酐诊断标准需要至少48h，也就是说，AKI最快的诊断时间是6h。对于无法在6h内实现诊断的AKI患者，可能错过进行透析的最佳窗口时间，从而导致重症率和死亡率的增高。因此，对于无法在6h内诊断AKI的患者，迫切需要开发新的策略，识别AKI的高风险人群并做好积极的应对措施，帮助实现AKI的早期诊断、早期治疗，将其对患者的不利影响降到最低。

技术实现思路

[0003]本专利技术要解决的技术问题是：某些患者无法根据KDIGO指南中的AKI诊断标准在6h内诊断AKI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法，其特征在于，包括以下步骤：步骤1、选取危急重症监护数据库中若干名进行心脏手术的患者，排除其中不符合入组标准的患者；步骤2、对步骤1选出的患者进行诊断，判断每个患者是否发生AKI；并筛选出步骤1选出的患者的多个变量；步骤3、基于步骤1选出的患者以及步骤2筛选出的变量和AKI诊断结果构建训练集和测试集；步骤4、对训练集的所有患者的所有变量进行多因素Cox回归分析，构建多因素Cox回归模型，从所有变量出筛选出N个对心脏术后患者是否发生AKI影响最大的因素，N≥3；步骤5、使用GBM机器学习的方法对N个因素进行重要性的分析，从N个因素中选出患者进行心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平作为最为最重要的两个因素；步骤6、将患者进行心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平的值作为XGBoost机器学习模型的输入，相应患者是否发生了AKI作为XGBoost机器学习模型的输出标签，进行XGBoost机器学习模型的训练，重新构建了在6h内用于判断心脏术后患者发生AKI风险的XGBoost机器学习模型。2.如权利要求1所述的一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法，其特征在于，步骤1中，排除危急重症监护数据库中入院时间小于24小时、年龄<18或>89、患有终末期肾脏病、在诊断AKI后的48小时内进行过透析、在窗口期死亡和缺失过多临床信息的患者。...

【专利技术属性】
技术研发人员：王誉霖，沈子妍，章晓燕，
申请(专利权)人：复旦大学附属中山医院，
类型：发明
国别省市：