【技术实现步骤摘要】
本专利技术涉及机器学习、生物医学领域，具体公开了一种基于机器学习分析胡蜂蛰伤病人临床测量指标预测蜇伤评价属于轻症或重症的方法。
技术介绍
1、胡蜂蛰伤后病人出现局部和系统中毒症状，因为胡蜂的尾刺连有毒腺，蛰人时可将蜂毒注入人体皮内，尤其是被群胡蜂蛰伤后症状往往比较严重，除皮肤红肿外，还可出现头晕目眩、恶心呕吐、面部浮肿、呼吸困难、烦躁不安等症状，甚至可出现昏迷和休克。胡蜂蛰伤主要发生在我国山区夏秋季，起病急，病情进展迅速，通过病人各项检查指标来判断其胡蜂蛰伤严重性，对研究其病临床特点和为进一步规范化重症胡蜂蛰伤治疗提供依据就显得十分重要。
2、近年来，随着机器学习的兴起，为判断预测症状的解决提供了新的思路。机器学习作为新时代人工智能领域的必然产物，其算法拥有强大的学习能力，结合机器学习学习血检指标等特征，能准确判断症状严重性，辅助医生判断，提高医疗效率。
3、xbgoost(extreme gradient boosting)极致梯度提升算法，是一种基于gbdt的算法，具有高效、灵活和轻便的特点，在数据挖掘、推荐系统等领域得到广泛的应用，在预测胡蜂蛰伤严重性的过程中具有快速和准确性高的效果。
技术实现思路
1、现有技术中，未发现有将机器学习算法应用于预测胡蜂蛰伤轻重症预测的方法。本专利技术收集包含了胡蜂蜇伤轻重症相关的特征数据集，包括血常规，肝功，肾功和酶检验数据，并且具备专业医生提供的轻重症标签。
2、使用此数据集进行特征提取，利用xgboos
3、xgboost是一种基于梯度提升的决策树算法，擅长处理结构复杂、维度高的数据，因此对胡蜂蜇伤导致的轻重症的预测是切实可行的。
4、在模型训练完之后，本专利技术使用典型的评估指标roc和auc来衡量模型的预测性能，以确保其能够在实际应用中提供准确、可靠的预测结果。
5、针对缺少就临床测量值与胡蜂蛰伤轻重症的相关性研究问题，以及现有症状判断方法存在的预测性能不足的问题，提供一种基于xbgoost框架的胡蜂蛰伤轻重症预测方法，本方法采集每个病人的血常规、肝功、肾功以及心肌酶的关联特征的量值，将其作为每个病人的一个特征集；然后再利用特征集来训练模型得到预测模型，进而实际预测时，输入病人对应的特征数据后得到对应的症状预测值。本方法具有预测精度高、速度快的特点。
6、本专利技术的基于xbgoost框架的胡蜂蛰伤轻重症预测方法，包括如下步骤：
7、步骤一：获临床检测胡蜂蛰伤数据集形成原始数据集；
8、所述临床检测数据包括：
9、a、血常规临床测量指标：白细胞(10^9/l)、中性粒细胞比率(％)、淋巴细胞比率(％)、幼稚粒细胞百分比(％)、中性粒细胞计数(109/l)、淋巴细胞计数(10^9/l)、幼稚粒细胞计数(10^9/l)、红细胞(10^12/l)、红细胞分布宽度cv、红细胞分布宽度sd、血小板(10^9/l)、血小板分布宽度(fl)、大血小板比率(％)；
10、b、肝功临床测量指标：谷丙转氨酶(u/l)、谷草转氨酶(u/l)、总胆红素umol/l、直接胆红素umol/l，
11、c、肾功临床测量指标：肌酐umol/l、尿素mmol/l、尿酸umol/l、β 2微球蛋白mg/l；
12、以及d、心肌酶临床测量指标：乳酸脱氢酶u/l、肌酸激酶u/l、肌酸激酶同工酶u/l、高敏肌钙蛋白ing/m1、肌红蛋白ng/ml。
13、而在实际情况中，胡蜂蛰伤患者的重症比例并不高，所以为了解决数据不平衡的问题，本专利技术采用smote算法对数据集进行了重采样处理：smote(synthetic minorityover-sampling technique)用于处理不平衡数据，它通过合成新的少数类样本来平衡数据集。这种方法通过合成新的少数类样本，可以增加少数类样本的数量，从而平衡数据集。它可以有效地提高模型对少数类的学习能力，并改善模型的性能。
14、对数据进行特征提取和训练，包括以下步骤：
15、(1)将所述原始数据集拆分为测试集与训练集，用于训练机器学习二分类模型(即xbgoost模型)；
16、(2)由临床医师根据蜇伤病人的临床症状，评估严重程度：
17、①轻度：螫伤皮损数一般小于10处，仅出现局部过敏反应，无器官功能受累表现。
18、②重度：螫伤皮损数一般在10～30处之间；过敏反应分级i～iv级或至少2个系统器官受累，序贯器官衰竭评分(sofa)≥2分；早期出现肉眼酱油色或茶色尿。
19、把临床检测数据的量值与严重程度关联。
20、(3)将胡蜂蛰伤患者特征数据量值输入xbgoost模型，预测对应的症状严重性预测值。
21、本专利技术的目的是得到由胡蜂蛰伤临床测量指标判断症状轻重的预测值。具体实现时，本专利技术：首先，收集一个包含相关特征和目标变量的数据集，利用每个病人的血常规、肝功、肾功以及心肌酶的关联特征的量值，将这些量值作为每个病人的一个特征集，专业医生提供轻重症标签，目标变量表示症状的严重程度，可以分为不同级别(轻症和重症)；定义xgboost模型，设置xgboost模型的参数，然后将xgboost模型拟合到训练数据上，在训练过程中，模型将迭代地构建决策树以最小化指定的损失函数；接下来，使用训练好的模型对测试数据进行预测，绘制roc曲线；进而在实际预测时，输入病人对应的特征数据后得到对应的症状预测值。
22、xbgoost属于梯度提升算法，通过组合多个弱学习器(决策树)来创建一个强大的预测模型。xgboost算法采用提升(boosting)方法，逐步添加弱学习器以提高模型性能。每个弱学习器都被训练用来纠正前面弱学习器的错误。xgboost的主要思想是通过迭代地添加弱学习器来最小化损失函数。
23、本专利技术的有益效果包括：
24、本专利技术依据病人的血常规、肝功、肾功以及心肌酶临床化验指标提取特征数据来训练机器学习的二分类预测模型，解决了就病人胡蜂蛰伤化验数据迅速预判胡蜂蛰伤病人是滞会发展为重症的问题。同时本专利技术基于xbgoost机器学习算法进行二分类，不论是小样本数据还是大样本数据，均可以有效地进行处理，为后续医生进行临床诊断得到可靠性高参考基础。
本文档来自技高网...【技术保护点】
1.一种基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其特征在于：以胡蜂蛰伤患者的特征数据为输入，采用预测模型预测患者属于轻症或重症，并输出对应的轻/重症的预测值，用于辅助医生临床诊断；
2.根据权利要求1所述的基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其特征是步骤一中，对于临床检测数据中的不完整数据进行数据填充。
3.根据权利要求1所述的基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其特征是步骤一中，所述临床检测数据包括：
4.根据权利要求1所述的基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其特征是所述步骤二中，步骤包括：
【技术特征摘要】
1.一种基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其特征在于：以胡蜂蛰伤患者的特征数据为输入，采用预测模型预测患者属于轻症或重症，并输出对应的轻/重症的预测值，用于辅助医生临床诊断；
2.根据权利要求1所述的基于临床化验指标预判胡蜂蛰伤病人轻症或重症的方法，其特征是步骤一中...
【专利技术属性】
技术研发人员：柳冰冰，吴晨，赫正方，刘辉，刘学军，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：
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。