System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及生物,具体涉及一种预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型及建立方法。
技术介绍
1、体外循环(cardiopulmonary bypass,cpb)的心脏瓣膜置换术(heart valvereplacement,hvr)手术患者术后急性胃肠道损伤(acute gastrointestinal injury,agi)发病率约为5%,是心脏术后严重的并发症之一,术后死亡率极高。agi通常会导致各种胃肠道并发症(gastrointestinal complications,gic),如胃肠道出血、肠梗阻、缺血性肠损伤等,研究表面70-80%的体外循环心脏术后患者可发生胃肠道相关并发症,如腹泻、腹胀、排便困难、胃肠道出血。agi评分系统常用于icu患者,agi评分越高,死亡率越高。一项多中心、前瞻性、观察性研究发现,在icu住院的第一周,每天评估agi评分,可以动态反映胃肠道功能障碍的变化。心脏手术患者在术后前3天出现胃肠道功能障碍(即最大agi分级≥2),其发病率的增加具有统计学意义。
2、由于发病时缺乏特异性的体征和症状,gic的诊断通常会延迟,而且一旦发生会导致致命的结果。因此,危险因素的早期识别和诊断对于降低agi的发病率非常重要。目前,评估胃肠功能的指南包括胃肠道功能衰竭(gastrointestinal failure,gif)评分、急性胃肠道损伤(agi)评分和欧洲心脏手术风险评估系统(euroscore)ii。然而,这些评分方法只用于预测患者的死亡率、发病率和生活质量,而不用于
3、近期的研究表明,机器学习(machine learning,ml)方法在各种疾病中具有优越的预测能力。列线图依赖于用户友好的数字界面、更高的准确性和更容易理解的预后,以帮助更好的临床决策。例如,专利技术专利cn110097928b公开了一种基于肠道菌群预测组织微量元素含量的预测方法和预测模型,无需穿刺或抽血,不会对受试者产生额外的伤害,导致不可避免的医疗事故。专利技术专利cn111863250b公开了一种早期乳腺癌的联合诊断模型及系统,所述联合诊断模型包括参数cfdna差异甲基化区域标志物、超声检查和钼靶x线检查,该联合诊断模型采用lasso法构建,能够有效的判断乳腺癌患者。但是,现有技术中并没有研制出心脏瓣膜置换术后急性胃肠功能损伤发生概率的模型。
4、针对上述技术问题,本专利技术一种心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型,所述的模型利用患者围手术期实验室检查、影像资料和术中数据,通过机器学习方法来准确预测心脏瓣膜置换术后agi发生概率,降低心脏瓣膜置换术后由于急性胃肠功能损伤而导致的死亡率。
技术实现思路
1、本专利技术的首要目的是提供一种预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,所述的建立方法包括如下步骤:
2、(1)收集接受体外循环下心脏瓣膜置换术的心脏瓣膜疾病患者的变量;
3、(2)将步骤(1)的患者根据术后7天内最高agi分级将患者分为2组:agi 0和agi 1为非agi组,agi≥2为agi组;
4、(3)将非agi组和agi组患者的变量纳入机器学习方法lasso回归和随机森林模型中,从agi组的变量中识别具有潜在危险的变量,并识别所述具有潜在危险变量的重要性,筛选出危险变量;
5、(4)采用十倍交叉验证和内部设置测试集验证来验证步骤(3)筛选出危险变量的可靠性;
6、(5)构建二元logistic回归模型,将步骤(4)得到的危险变量以单变量和多变量形式纳入二元logistic回归模型,对危险变量进行分析,选择p<0.05的危险变量作为建模变量;
7、(6)利用步骤(5)得到的建模变量建立列线图模型;对建模变量与agi之间的线性相关性进行限制性立方样条分析;
8、(7)在步骤(6)所述的列线图模型建立后,使用内部验证组和外部验证组对模型进行验证。
9、优选的,步骤(3)所述的lasso回归通过弹性网络算法中的广义线性模型来处理多重共线性。
10、优选的,步骤(3)所述的rf实现基于其平均基尼系数降低参数的变量的选择,rf以对数步长围绕其默认值进行优化。
11、优选的,步骤(5)得到的建模变量为年龄、ctr、nyha、cpb时间、术中rbc输注、术后第1天的lvef和术后第1天的血清肌酐水平。
12、优选的,步骤(7)所述的外部验证采用列线图模型进行。
13、优选的,步骤(7)所述的内部验证为应用bootstrap方法重复抽样1000次。
14、本专利技术的第二目的是提供通过所述的方法建立的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型。
15、本专利技术的第三目的是提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时使所述的模型实现以下步骤,包括:
16、(1)采集和/或输入接受体外循环下心脏瓣膜置换术患者的变量数据;
17、(2)将变量数据代入模型进行计算,得到心脏瓣膜置换术后急性胃肠功能是否损伤的判断结论;
18、(3)输出心脏瓣膜置换术后急性胃肠功能是否损伤的判断结论。
19、本专利技术的第四目的是提供一种计算机可读存储介质,其上存储有所述的计算机程序。
20、本专利技术的有益效果是:本专利技术提供了一种预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型及其建立方法,所述的列线图模型筛选出了年龄、ctr、nyha、cpb时间、术中rbc输注、术后第1天的lvef和术后第1天的血清肌酐水平7个危险因素,将这7个危险因素建立列线图模型。得到的模型组内验证敏感性为79.1%,特异性为87.2%,auc为0.893(95%ci 0.873-0.911)。组外验证roc曲线的auc为0.913(95%ci,0.851-0.955),灵敏度为91.30%,特异性为85.19%,校准、dca和cic曲线表明模型的准确度在拟合范围内,说明本专利技术所述的列线图模型具有很好的预测能力。
本文档来自技高网...【技术保护点】
1.一种预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,所述的建立方法包括如下步骤:
2.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(3)所述的LASSO回归通过弹性网络算法中的广义线性模型来处理多重共线性。
3.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(3)所述的随机森林实现基于其平均基尼系数降低参数的变量的选择,RF以对数步长围绕其默认值进行优化。
4.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(5)得到的建模变量为年龄、CTR、NYHA、CPB时间、术中RBC输注、术后第1天的LVEF和术后第1天的血清肌酐水平。
5.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(7)所述的外部验证采用列线图模型进行。
6.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损
7.通过权利要求1-6任一项所述的方法建立的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时使权利要求7所述的模型实现以下步骤,包括:
9.一种计算机可读存储介质,其上存储有如权利要求8所述的计算机程序。
...【技术特征摘要】
1.一种预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,所述的建立方法包括如下步骤:
2.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(3)所述的lasso回归通过弹性网络算法中的广义线性模型来处理多重共线性。
3.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(3)所述的随机森林实现基于其平均基尼系数降低参数的变量的选择,rf以对数步长围绕其默认值进行优化。
4.如权利要求1所述的预测心脏瓣膜置换术后急性胃肠功能损伤发生概率的列线图模型建立方法,其特征在于,步骤(5)得到的建模变量为年龄、ctr、nyha、cpb时间、术中rbc输注、术后第1天的lvef和术后...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。