血脂异常评估模型构建方法技术

本发明专利技术涉及血脂异常评估技术领域，具体涉及血脂异常评估模型构建方法

【技术实现步骤摘要】
血脂异常评估模型构建方法、膳食食疗及健康管理系统


[0001]本专利技术涉及血脂异常评估
，具体涉及血脂异常评估模型构建方法
、
膳食食疗及健康管理系统
。

技术介绍

[0002]依据
《
中国血脂管理指南
(2023
年
)》
和
《
中国成人血脂异常防治指南
(2016
年修订版
)》
，血脂异常人群定义为包含以下一项或多项的人群：
[0003]总胆固醇
≥5.2mmol/L
，低密度脂蛋白胆固醇
≥3.4mmol/L
，甘油三酯
≥1.7mmol/L
，高密度脂蛋白胆固醇
<1.0mmol/L
，非高密度脂蛋白胆固醇
≥4.1mmol/L
，和
/
或正在服用降脂药物
。
[0005]需要开展更深入的研究和制定更为有效提高知晓率
、
治疗率和控制率的策略
。
同时，由于这些危险因素升高大部分隐匿发生，常常在检出时已经导致血管病变，甚至已经造成心肌梗死
、
脑卒中等严重事件
。
虽然亚临床动脉粥样硬化病变普遍存在，但血管损伤和治疗并没有作为预防的重点
。
越来越多的证据表明，维持血管健康是预防
CVD
和退行性疾病的重要基础
。
因此，一方面加强预防高血压
、
血脂异常
、
糖尿病
、
肥胖和吸烟等零级预防为主策略是重中之重，另一方面，也应加强心血管健康状态的评估和早期病理变化消除的防治研究
。
目前已有的血脂异常相关解决方案仅仅聚焦于评估模型构建，或仅仅以健康管理为重点，或仅仅偏于食疗运动调理，从而导致治疗方案不精准，缺少将血脂异常评估模型
、
膳食食疗及健康管理有机整合的体系
。
本专利技术旨在构建一种血脂异常评估模型
、
健康管理系统和膳食食疗有机整合的体系，以解决现有的血脂异常评估存在的技术问题
。

技术实现思路

[0006]本专利技术的目的是提出一种血脂异常评估模型构建方法
、
膳食食疗及健康管理系统，旨在解决现有技术缺少将血脂异常评估模型
、
将康管理
、
膳食食疗整合为整体方案的技术问题
。
[0007]为实现上述目的，本专利技术提出一种血脂异常评估模型构建方法，包括如下步骤：
[0008]S1
：准备数据集：收集血脂异常患者的数据，从血脂异常患者的数据中剔除重复数据
、
有异常值数据
、
缺失与血脂异常有关的样本，形成数据集，利用血脂异常专业知识和文献分析对所述数据集中血脂异常相关变量进行筛选，形成特征集；
[0009]S2
：划分特征集：将所述特征集划分为训练集和测试集；
[0010]S3
：特征筛选：采用过滤式特征选择方法对训练集进行过滤，以是否发生心血管事件为目标变量，利用单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择符合预设条件的特征作为血脂异常评估模型的输入特征；
[0011]S4
：模型构建：利用多因素逻辑回归模型拟合所述训练集且构建血脂异常评估模型；
[0012]其中，所述血脂异常评估模型的自变量为过滤式特征选择方法筛选的特征集，所
述特征集包括：年龄
、
性别
、
体质指数
、
非高密度脂蛋白胆固醇
、
高密度脂蛋白胆固醇
、
甘油三酯
、
收缩压
、
胰岛素抵抗指数
、
高脂血症病史
、
高血压病史
、
糖尿病史
、
心脑血管疾病史
、
慢性肾功能不全史
、
用药史
、
早发心血管病家族史
、
饮食评分
、
运动评分
、
是否吸烟
、
是否饮酒
、
是否存在颈动脉斑块或狭窄
、PWV
以及中医评估评分；
[0013]S5
：模型优化：迭代若干次，每次从所述训练集中随机抽取五分之一的数据，利用多因素逻辑回归模型进行拟合；迭代结束后，取若干次回归模型参数的平均数，设定为血脂异常评估模型的最优参数；
[0014]S6
：模型评估和验证：使用所述测试集来评估模型的性能，评价指标为心血管事件的区分度和校准度，区分度利用
ROC
曲线分析，校准度利用
Calibration
校正曲线分析；
[0015]S7
：模型应用：将训练完成的血脂异常评估模型应用于新的血脂异常患者的数据中，可用于预测血脂异常患者未来再次发生心血管事件的风险
。
[0016]作为本专利技术的进一步改进：在步骤
S3
中，所述心血管事件为与血脂异常关系密切的不良事件，主要包括心源性死亡
、
急性心肌梗死
、
冠状动脉再通或重建术
(PTCA、PCI、CABG)
以及缺血性脑卒中
。
[0017]作为本专利技术的进一步改进：在步骤
S3
中，单因素逻辑回归方法计算公式如下：
[0018][0019]其中，
p
是目标变量的概率，此处为心血管事件的发生概率；
x
是单个特征值，模型的参数包括截距项
β0和特征系数
β1。
[0020]作为本专利技术的进一步改进：在步骤
S4
之前，将特征集的连续特征进行预处理，连续特征包括年龄
、
体质指数
、
腰围
、
总胆固醇
、
低密度脂蛋白胆固醇
、
高密度脂蛋白胆固醇
、
甘油三酯
、
非高密度脂蛋白胆固醇
、
收缩压
、
舒张压
、
空腹血糖
、
胰岛素抵抗指数
、
估计肾小球滤过率
、PWV
和
ABI
，连续特征采用最小
‑
最大标准化方法进行标准化处理，最小
‑
最大标准化处理公式为：
[0021][0022]其中，
x
new
是标准化后的观察值，
x
是观察值，
min(x)
是最小值，
max(x)
是最大值
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种血脂异常评估模型构建方法，其特征在于，包括如下步骤：
S1
：准备数据集：收集血脂异常患者的数据，从血脂异常患者的数据中剔除重复数据
、
有异常值数据
、
缺失与血脂异常有关的样本，形成数据集，利用血脂异常专业知识和文献分析对所述数据集中血脂异常相关变量进行筛选，形成特征集；
S2
：划分特征集：将所述特征集划分为训练集和测试集；
S3
：特征筛选：采用过滤式特征选择方法对训练集进行过滤，以是否发生心血管事件为目标变量，利用单因素逻辑回归方法计算每一个特征与目标变量之间的相关性，选择符合预设条件的特征作为血脂异常评估模型的输入特征；
S4
：模型构建：利用多因素逻辑回归模型拟合所述训练集且构建血脂异常评估模型，所述血脂异常评估模型的自变量为过滤式特征选择方法筛选的特征集；
S5
：模型优化：迭代若干次，每次从所述训练集中随机抽取五分之一的数据，利用多因素逻辑回归模型进行拟合；迭代结束后，取若干次回归模型参数的平均数，设定为血脂异常评估模型的最优参数；
S6
：模型评估和验证：使用所述测试集来评估模型的性能，评价指标为心血管事件的区分度和校准度，区分度利用
ROC
曲线分析，校准度利用
Calibration
校正曲线分析；
S7
：模型应用：将训练完成的血脂异常评估模型应用于新的血脂异常患者的数据中，可用于预测血脂异常患者未来再次发生心血管事件的风险
。2.
根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤
S3
中，所述心血管事件为与血脂异常关系密切的不良事件，包括心源性死亡
、
急性心肌梗死
、
冠状动脉再通或重建术
(PTCA、PCI、CABG)
以及缺血性脑卒中
。3.
根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤
S3
中，单因素逻辑回归方法计算公式如下：其中，
p
是目标变量的概率，此处为心血管事件的发生概率；
x
是单个特征值，模型的参数包括截距项
β0和特征系数
β1。4.
根据权利要求1所述的血脂异常评估模型构建方法，其特征在于，在步骤
S4
之前，将特征集的连续特征进行预处理，连续特征包括年龄
、
体质指数
、
腰围
、
总胆固醇
、
低密度脂蛋白胆固醇
、
高密度脂蛋白胆固醇
、
甘油三酯
、
非高密度脂蛋白胆固醇
、
收缩压
、
舒张压
、
空腹血糖
、
胰岛素抵抗指数
、
估计肾小球滤过率
、PWV
...

【专利技术属性】
技术研发人员：汪菲，马攀，董剩勇，章欣，孙菁，韩冰清，
申请(专利权)人：中国人民解放军总医院第二医学中心，
类型：发明
国别省市：