一种脓毒症呼吸衰竭概率预测方法技术

本发明专利技术涉及人工智能和数据处理技术领域，公开一种构建脓毒症呼吸衰竭概率预测模型的方法，包括：根据目标人群的临床特征数据，构建脓毒症呼吸衰竭概率预测模型，以预测测试者发生脓毒症呼吸衰竭的概率；脓毒症呼吸衰竭概率预测模型基于改进型

【技术实现步骤摘要】
一种脓毒症呼吸衰竭概率预测方法、系统、设备及介质


[0001]本专利技术涉及人工智能和数据处理
，尤其涉及一种脓毒症呼吸衰竭概率预测方法
、
系统
、
设备及介质
。

技术介绍

[0002]脓毒症是由宿主对感染的反应失调引起的危及生命的器官功能障碍
。
脓毒症的发病率和死亡率非常高
。
肺部
、
腹部和泌尿生殖系统是最常见的三个脓毒症感染部位，而肺部的功能障碍会引发呼吸衰竭，必须及时处理，否则出现呼吸衰竭的脓毒症患者极容易有生命危险
。
脓毒症发病机理相关研究尚未得到科学验证，并且目前尚未有很好的检测和治疗方法，因此需要早期识别和诊断，以防止转变为脓毒性休克，脓毒性休克的死亡率为
40
％以上
。
[0003]目前，脓毒症被定义为伴随
SIRS
和器官功能障碍的细菌感染引起的机体失调反应
。
而全身炎症反应综合征
(SIRS)
标准
(
心率
>90
次
/
分钟；呼吸频率
>20
次
/
分钟；体温
>38.3℃
或
<36℃
；精神状态改变；非糖尿病患者血糖
>7.7mmol/L
；白细胞计数
<4000/r/>μ
L
或
>12000/
μ
L)
作为一种识别脓毒症的方法被教授给医生并被广泛用于脓毒症识别
。
但据研究发现，仅有4％的医生完全正确地知道
SIRS
的所有标准细则；
75
％以上的医生则将发热
、
心动过速和呼吸过速作为
SIRS
标准，对确切的指标阈值了解更少；许多医生在
SIRS
标准中错误地列出了器官功能障碍的标志，包括低血压
、
少尿
、
乳酸升高和缺氧等
。
[0004]所以，目前亟需一种能够辅助医生快速且准确预测脓毒症呼吸衰竭概率的方法
。

技术实现思路

[0005]本专利技术提供一种脓毒症呼吸衰竭概率预测方法
、
系统
、
设备及介质，用以解决现有技术难以准确识别脓毒症的缺陷，辅助医生更好地为患者制作治疗方案
。
[0006]本专利技术提供一种构建脓毒症呼吸衰竭概率预测模型的方法，包括：
[0007]获取目标人群的临床特征数据；
[0008]根据所述目标人群的临床特征数据，构建脓毒症呼吸衰竭概率预测模型，以预测测试者发生脓毒症呼吸衰竭的概率；
[0009]其中，所述脓毒症呼吸衰竭概率预测模型基于改进型
XGBoost
算法训练得到
。
[0010]在本专利技术中，所述目标人群是发生脓毒症的患者
。
优选地，所述目标人群是仅出现呼吸衰竭而不出现心力衰竭
、
肾衰竭和肝衰竭的脓毒症患者
。
[0011]根据本专利技术提供的构建脓毒症呼吸衰竭概率预测模型的方法，所述脓毒症呼吸衰竭概率预测模型基于改进型
XGBoost
算法训练得到，包括：
[0012]构建最优
XGBoost
目标函数；
[0013]利用所述最优
XGBoost
目标函数训练得到初始脓毒症呼吸衰竭概率预测模型；
[0014]结合树结构和贪婪算法，对所述初始脓毒症呼吸衰竭概率预测模型进行优化，得到最终脓毒症呼吸衰竭概率预测模型
。
[0015]根据本专利技术提供的构建脓毒症呼吸衰竭概率预测模型的方法，所述构建最优
XGBoost
目标函数，包括：
[0016]构建初始
XGBoost
目标函数，所述初始
XGBoost
目标函数包括损失函数项和正则化项；
[0017]基于所述初始
XGBoost
目标函数，对损失函数项进行二阶泰勒展开和去除常数项处理，得到优化
XGBoost
目标函数；
[0018]基于所述优化
XGBoost
目标函数，对正则化项进行拆分和去除常数项处理，得到最优
XGBoost
目标函数
。
[0019]根据本专利技术提供的构建脓毒症呼吸衰竭概率预测模型的方法，所述初始
XGBoost
目标函数的表达式为：
[0020][0021]其中，所述
Obj
表示初始
XGBoost
目标函数，所述为损失函数项，所述
Ω
(fk)
为正则化项，所述
i
表示第
i
个样本，
xi
表示第
i
个样本对应的输入数据值，
t
表示第
t
课树，
k
表示第
k
棵树，
yi
表示第
i
个样本
xi
对应的真实值，表示第
i
个样本
xi
的预测值，其中所述
∑
k
Ω
(fk)
表示
k
棵树的复杂程度
。
[0022]根据本专利技术提供的构建脓毒症呼吸衰竭概率预测模型的方法，所述基于所述初始
XGBoost
目标函数，对损失函数项进行二阶泰勒展开和去除常数项处理，得到优化
XGBoost
目标函数，具体为：
[0023]基于所述初始
XGBoost
目标函数，设
L(x)
＝
L(yi
，
x)
为损失函数，分别对
L(yi
，
x)
在
x0
处和处进行二阶泰勒展开和去除常数项处理，得到优化
XGBoost
目标函数；
[0024]其中，所述优化
XGBoost
目标函数的表达式为：
[0025][0026]其中，所述
Obj
(t)
表示优化
XGBoost
目标函数，
t
表示第
t
课树，
f
t
(xi)
表示第
t
棵树对样本
i
的预测值，其中
g
i
表示样本
i
的真实值与前
t
‑1棵决策树对样本...

【技术保护点】

【技术特征摘要】
1.
一种构建脓毒症呼吸衰竭概率预测模型的方法，其特征在于，包括：获取目标人群的临床特征数据；根据所述目标人群的临床特征数据，构建脓毒症呼吸衰竭概率预测模型，以预测测试者发生脓毒症呼吸衰竭的概率；其中，所述脓毒症呼吸衰竭概率预测模型基于改进型
XGBoost
算法训练得到；并且所述目标人群是已发生脓毒症的患者
。2.
根据权利要求1所述的脓毒症呼吸衰竭概率预测方法，其特征在于，所述构建脓毒症呼吸衰竭概率预测模型，包括：构建最优
XGBoost
目标函数；利用所述最优
XGBoost
目标函数训练得到初始脓毒症呼吸衰竭概率预测模型；结合树结构和贪婪算法，对所述初始脓毒症呼吸衰竭概率预测模型进行优化，得到最终脓毒症呼吸衰竭概率预测模型
。3.
根据权利要求2所述的脓毒症呼吸衰竭概率预测方法，其特征在于，所述构建最优
XGBoost
目标函数，包括：构建初始
XGBoost
目标函数，所述初始
XGBoost
目标函数包括损失函数项和正则化项；基于所述初始
XGBoost
目标函数，对损失函数项进行二阶泰勒展开和去除常数项处理，得到优化
XGBoost
目标函数；基于所述优化
XGBoost
目标函数，对正则化项进行拆分和去除常数项处理，得到最优
XGBoost
目标函数
。4.
根据权利要求3所述的脓毒症呼吸衰竭概率预测方法，其特征在于，所述初始
XGBoost
目标函数的表达式为：其中，所述
Obj
表示初始
XGBoost
目标函数，所述为损失函数项，所述
Ω
(fk)
为正则化项，所述
i
表示第
i
个样本，所述
k
表示第
k
棵树，
xi
表示第
i
个样本的输入数据，所述
yi
表示第
i
个样本
xi
的真实值，所述表示第
i
个样本
xi
的预测值，所述
∑
k
Ω
(fk)
表示
k
棵树的复杂程度
。5.
根据权利要求4所述的脓毒症呼吸衰竭概率预测方法，其特征在于，所述基于所述初始
XGBoost
目标函数，对损失函数项进行二阶泰勒展开和去除常数项处理，得到优化
XGBoost
目标函数，具体为：基于所述初始
XGBoost
目标函数，设
L(x)
＝
L(yi
，
x)
，分别对
L(yi
，
x)
在
x0
处和处进行二阶泰勒展开和去除常数项处理，得到优化
XGBoost
目标函数；其中，所述优化
XGBoost
目标函数的表达式为：其中，所述
Obj
(t)
表示优化
XGBoost
目标函数，所述
f
t
(xi)
...

【专利技术属性】
技术研发人员：刘秀云，王雨晴，孙宇林，明东，翁欣，胡成功，张树军，张文正，卢晋，
申请(专利权)人：天津大学，
类型：发明
国别省市：