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医学领域,尤其涉及一种基于超声及机器学习的二尖瓣修复难度评估方法和系统。
技术介绍
1、二尖瓣病变是最常见的心脏瓣膜病之一,退行性病变是二尖瓣病变的首要病因。随着人口老龄化的加剧,需要接受心脏瓣膜手术治疗的患者数量逐年攀升,退行性病变比例也在不断升高。目前心脏瓣膜病相关国际指南推荐二尖瓣修复手术作为退行性二尖瓣病变的首选治疗措施,同时部分研究报道了其在风湿性二尖瓣病变应用中取得了满意的长期随访结果。
2、二尖瓣病变尤其是风湿性心脏病病变复杂,修复手术难度高,二次手术比例高,对于术者经验要求高,而经验丰富的二尖瓣修复术者数量不足,以上因素均限制了二尖瓣修复的广泛开展。因此,建立心脏瓣膜病手术复杂性评分系统,准确评估病变复杂程度及手术难度,对于指导外科医师选择最佳手术方案,评估心脏中心医疗质量,提升临床诊疗水平意义重大。
3、随着退行性二尖瓣病变发病率升高,二尖瓣修复手术例数增加,外科医生重视程度提高,logistic回归等研究方法的成熟和应用,国内外基于大型二尖瓣修复手术患者数据库,已建立了多个二尖瓣修复手术难度评分系统,例如mount sinai评分等,但是仍存在着区分度、准确度、适用性欠佳、主观性强等问题。
4、所以,如何能够提供一种区分度高、适应性好、评价角度客观的修复难度评估方法称为亟待解决的问题。
技术实现思路
1、本专利技术提供一种基于超声及机器学习的二尖瓣修复难度评估方法和系统,用以解决现有技术中二尖瓣修复手术评分系
2、为了实现上述目的,本专利技术技术方案提供了一种基于超声及机器学习的二尖瓣修复难度评估方法,包括:根据收集的成功样本和失败样本获取变量指标数据;所述变量指标数据包括:年龄、瓣环收缩末期左右及前后径及舒张末期左右径、a2区病变、反流束宽度、左房容积、左室射血分数、左室舒张末期容积、4+级反流分级、肺动脉收缩压、a2区及p2区瓣叶高度、缩流颈宽度;根据成功样本和所述失败样本之间的相关系数确定若干临床特征;采用单因素方差分析从所述成功样本和所述失败样本中筛选得到差异特征;根据临床特征、所述变量指标数据和所述差异特征构建修复难度评估模型,根据模型输出的roc曲线及此曲线下的面积量确定所述修复难度评估模型的准确度。
3、作为上述技术方案的优选,较佳的,在所述获取变量指标数据之前,包括:
4、收集已完成二尖瓣修复患者的临床数据及术前超声数据;根据临床数据及超声数据确定成功样本和失败样本,其中,所述失败样本为,二尖瓣修复手术失败而行瓣膜置换术、出院前复查超声心动图提示二尖瓣中度及以上反流,剩余样本为所述成功样本。
5、作为上述技术方案的优选,较佳的,所述根据所述成功样本和所述失败样本之间的相关系数确定若干临床特征,包括,若相关系数大于0.9,则将此临床特征作为构建所述修复难度评估模型的自变量。
6、作为上述技术方案的优选,较佳的,采用单因素方差分析从所述成功样本和所述失败样本中筛选得到差异特征,包括:以已完成二尖瓣修复患者二尖瓣修复是否失败作为因变量,使用单因素方差分析得到所述差异特征。
7、作为上述技术方案的优选,较佳的,在得道所述差异特征之后,还包括,对所述变量指标数据采用l1特征选择算法,从结果中筛选经验证后仍然具有非零系数的临床特征数据用于构建所述修复难度评估模型。
8、作为上述技术方案的优选,较佳的,从结果中筛选经验证后仍然具有非零系数的临床特征数据用于构建所述修复难度评估模型,包括:采用损失函数最小策略,计算所述变量指标数据中每个特征的模型函数;当损失函数最小时,得到各所述变量指标数据的权重和偏置常数,从而各所述特征所对应的最优模型函数,从而得到所述修复难度评估模型。
9、本专利技术还提供基于超声及机器学习的二尖瓣修复难度评估系统,包括:提取模组,用于从收集的成功样本和失败样本提取变量指标数据;所述变量指标数据包括:年龄、瓣环收缩末期左右及前后径及舒张末期左右径、a2区病变、反流束宽度、左房容积、左室射血分数、左室舒张末期容积、4+级反流分级、肺动脉收缩压、a2区及p2区瓣叶高度、缩流颈宽度;特征模组,用于根据所述成功样本和所述失败样本之间的相关系数确定若干临床特征,若相关系数大于0.9,则将此临床特征作为构建所述修复难度评估模型的自变量;筛选模组,用于采用单因素方差分析从所述成功样本和所述失败样本中筛选得到差异特征;模型建立模组,用于根据所述特征模组得到的所述临床特征、所述提取模组得到的变量指标数据和从所述筛选模组筛选得到的所述差异特征构建修复难度评估模型,根据模型输出的roc曲线及此曲线下的面积量确定所述修复难度评估模型的准确度。
10、作为上述技术方案的优选,较佳的,在所述采集模组之前,包括:收集分类模组,用于收集已完成二尖瓣修复患者的临床数据及术前超声数据,还用于根据临床数据及术前超声数据确定成功样本和失败样本,其中,所述失败样本为,二尖瓣修复手术失败而行瓣膜置换术、出院前复查超声心动图提示二尖瓣中度及以上反流,剩余样本为所述成功样本。
11、作为上述技术方案的优选,较佳的,筛选模组,还用于以已完成二尖瓣修复患者二尖瓣修复是否失败作为因变量,使用单因素方差分析得到所述差异特征。
12、作为上述技术方案的优选,较佳的,筛选模组,还用于,对所述变量指标数据采用l1特征选择算法,从结果中筛选经验证后仍然具有非零系数的临床特征数据用于构建所述修复难度评估模型。
13、本专利技术技术方案提供了一种基于超声及机器学习的二尖瓣修复难度评估方法和系统。根据收集的成功样本和失败样本获取变量指标数据;根据成功样本和失败样本之间的相关系数确定若干临床特征;采用单因素方差分析从成功样本和失败样本中筛选得到差异特征;根据临床特征、变量指标数据和差异特征构建修复难度评估模型,根据模型输出的roc曲线及此曲线下的面积量确定所述修复难度评估模型的准确度。
14、本专利技术的优点是选用特定的连续变量指标和分类变量指标通过线形支持向量机分类器建立二尖瓣修复手术难度评估系统,该手术难度评估模型在临床工作中可以精准识别复杂病例,进行患者手术难度分层,针对性制定诊疗方案,选择适合外科医生;同时,有助于监测各心脏中心医疗质量,为相关医疗方案提供帮助。
本文档来自技高网...【技术保护点】
1.一种基于超声及机器学习的二尖瓣修复难度评估方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述获取变量指标数据之前,包括:
3.根据权利要求1所述的方法,其特征在于,包括:所述根据所述成功样本和所述失败样本之间的相关系数确定若干临床特征,包括,
4.根据权利要求1所述的方法,其特征在于,所述采用单因素方差分析从所述成功样本和所述失败样本中筛选得到差异特征,包括:
5.根据权利要求4所述的方法,其特征在于,还包括,在得道所述差异特征之后,还包括,采用L1特征选择算法对所述临床特征进行特征筛选,包括:
6.根据权利要求5所述的方法,其特征在于,所述从结果中筛选经验证后仍然具有非零系数的临床特征数据用于构建所述修复难度评估模型,包括:
7.采用1-6任一项方法的基于超声及机器学习的二尖瓣修复难度评估系统,其特征在于,包括:
8.根据权利要求7所述的系统,其特征在于,在所述提取模组之前,包括:
9.根据权利要求7所述的系统,其特征在于,所述筛选模组,还用于以已
10.根据权利要求9所述的系统,其特征在于,还包括,所述筛选模组,还用于,对所述变量指标数据采用L1特征选择算法,从结果中筛选经验证后仍然具有非零系数的临床特征数据用于构建所述修复难度评估模型。
...【技术特征摘要】
1.一种基于超声及机器学习的二尖瓣修复难度评估方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述获取变量指标数据之前,包括:
3.根据权利要求1所述的方法,其特征在于,包括:所述根据所述成功样本和所述失败样本之间的相关系数确定若干临床特征,包括,
4.根据权利要求1所述的方法,其特征在于,所述采用单因素方差分析从所述成功样本和所述失败样本中筛选得到差异特征,包括:
5.根据权利要求4所述的方法,其特征在于,还包括,在得道所述差异特征之后,还包括,采用l1特征选择算法对所述临床特征进行特征筛选,包括:
6.根据权利要求5所述的方法,其特征在于,所述...
【专利技术属性】
技术研发人员:朱坤,刘盛,徐航,郑珊珊,仲肇基,孙海宁,
申请(专利权)人:中国医学科学院阜外医院,
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。