【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种慢性肾病进展风险预测方法、装置、设备及存储介质。
技术介绍
1、慢性肾脏疾病(ckd，chronic kidney diseae)是一种进行性疾病，其表现为持续至少三个月的肾脏损害或者肾功能下降。根据一项全球疾病负担研究报告中的内容，全世界有近120万人死于ckd，并且，每7个成年人中就有一个以上患有ckd。近年来已有大量文献强调ckd的进展会带来如高死亡率、终末期肾病、矿物质骨病等严重的并发症，尽管ckd的发病率逐年增加且ckd引起的esrd(end atage renal disease，终末期肾病)等疾病的死亡率极高，但由于ckd复杂的潜在背景、隐匿的临床表现，以及不可逆的临床过程，通常直到它已经进展到末期时才被发现，这使得ckd的治疗效果然不够理想。贫血、高血压、高尿酸血症、代谢性酸中毒、水肿等临床因素与ckd进展相关。传统的诊断ckd的方法需要专家咨询和多次检查，通常基于医生的知识和经验，因此很容易出现诊断错误和诊断结果不准确的情况，尤其是对于一些医疗条件有限的农村地区来说，其复杂的诊断过程不仅给医务人员带来了额外的负担，还会延误治疗患者的最佳时间。在此背景下，应用机器学习等智能技术提高ckd分层诊疗的性能和效率，对于保障人们的健康具有重要的现实意义。目前，人工智能已经广泛应用于肾脏病领域，预测疾病进展和治疗建议是人工智能在肾脏病临床实践中最重要的两项应用，许多研究都考虑了基于机器学习的慢性肾病预测方案。
2、在现有的技术中，根据肾脏疾病改善全球结局(kdigo)指南(2
技术实现思路
1、本专利技术的主要目的在于解决现有技术中慢性肾病进展风险预测方法预测的结果不准确的技术问题。
2、本专利技术第一方面提供了一种慢性肾病进展风险预测方法，包括：
3、基于慢性肾病患者的历史病历信息训练得到进展预测模型；
4、获取待预测患者的样本数据，将所述样本数据输入所述进展预测模型中进行风险预测，得到风险评分；
5、调用机器学习解释性工具对所述进展预测模型和得到的所述风险评分进行评估，得到所述样本数据中各评估指标对所述风险评分的贡献值；
6、根据所述风险评分和各所述评估指标对所述风险评分的贡献值生成慢性肾病进展风险预测结果。
7、可选地，在本专利技术第一方面的第一种实现方式中，所述基于慢性肾病患者的历史病历信息训练得到进展预测模型包括：
8、获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本；
9、基于若干深度学习算法构建多个初始模型，根据所述训练样本对各所述初始模型进行训练，得到多个训练完毕的候选模型；
10、基于所述训练样本对各所述候选模型的预测效果进行评估筛选，选择预测效果最优的候选模型作为进展预测模型。
11、可选地，在本专利技术第一方面的第二种实现方式中，在所述获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本之前，还包括：
12、调用正则化特征稀疏算法和随机森林的特征递归消除算法构建多个初始分类模型；
13、将所述历史病历信息输入所述初始分类模型，调用网格巡优算法对所述初始分类模型进行最佳超参数调节，选取受试者工作特征曲线下方面积得分最高的初始分类模型作为特征筛选模型；
14、根据所述特征筛选模型进对医学特征进行重要性排序，得到医学特征序列；
15、筛选所述医学特征序列中重要性权重大于预设阈值的医学特征组合，得到评估指标。
16、可选地，在本专利技术第一方面的第三种实现方式中，所述获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本包括：
17、从医院电子病历平台采集经病理证实的慢性肾病患者的电子病历数据；
18、对所述电子病历数据进行医学特征提取，得到医学特征和对应的医学特征值，并对所述医学特征和对应的医学特征值进行数据预处理；
19、对数据预处理后的所述医学特征和对应的医学特征值进行肾功能下降等级标注和危险预后分类，得到训练样本。
20、可选地，在本专利技术第一方面的第四种实现方式中，所述基于所述训练样本对各所述候选模型的预测效果进行评估筛选，选择预测效果最优的候选模型作为进展预测模型包括：
21、将所述训练样本输入各所述候选模型中，使用网格寻优算法对各所述候选模型进行最佳超参数调节；
22、计算各候选模型的受试者工作特征曲线下方面积；
23、根据所述各候选模型的受试者工作特征曲线下方面积选择预测效果最优的候选模型作为进展预测模型。
24、可选地，在本专利技术第一方面的第五种实现方式中，其特征在于，所述评估指标包括：
25、年龄、血肌酐、n端骨钙素、血红蛋白、25羟基维生素d、总蛋白、谷丙转氨酶、载脂蛋白e、甲状腺素、糖类抗原199、平均红细胞血红蛋白浓度、不饱和铁结合力、血同型半胱氨酸、白蛋白、大血小板比例、总胆红素、肌酸激酶同工酶、红细胞分布宽度、igg抗体、平均红细胞体积、叶酸、钠、尿素氮、血浆蛋白、神经元烯醇化酶、血清总补体活性、中性粒细胞计数、总胆汁酸、氯、糖化白蛋白、低密度脂蛋白胆固醇、非高密度脂蛋胆固醇。
26、可选地，在本专利技术第一方面的第六种实现方式中，在所述根据所述风险评分和各所述评估指标对所述风险评分的贡献值生成慢性肾病进展风险预测结果之后，还包括：
27、根据所述评估指标对所述风险评分的贡献值对所述评估指标的重要性权重进行更新。
28、可选地，在本专利技术第一方面的第七种实现方式中，所述对所述医学特征和对应的医学特征值进行数据预处理包括：
29、对所述医学特征进行标准化处理，统一代码并将分类值变成独热编码；
30、对所述医学特征值归一化处理；
31、采用聚类算法检测归一化处理后的所述医学特征值的异常值，剔除极端离群值后判定数据权重及均衡性，用随机采样法对训练样本进行平衡，并用随机森林算法对缺失的数据进行填充。
32、本专利技术本文档来自技高网...
【技术保护点】
1.一种慢性肾病进展风险预测方法，其特征在于，包括：
2.根据权利要求1所述的慢性肾病进展风险预测方法，其特征在于，所述基于慢性肾病患者的历史病历信息训练得到进展预测模型包括：
3.根据权利要求2所述的慢性肾病进展风险预测方法，其特征在于，在所述获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本之前，还包括：
4.根据权利要求3所述的慢性肾病进展风险预测方法，其特征在于，所述获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本包括：
5.根据权利要求3所述的慢性肾病进展风险预测方法，其特征在于，所述基于所述训练样本对各所述候选模型的预测效果进行评估筛选，选择预测效果最优的候选模型作为进展预测模型包括：
6.根据权利要求1-5中任一项所述的慢性肾病进展风险预测方法，其特征在于，所述评估指标包括：
7.根据权利要求6所述的慢性肾病进展风险预测方法，其特征在于，在所述根据所述风险评分和各所述评估指标对所述风险评分的贡献值生成慢性肾病进展风险预测结果之后，
8.一种慢性肾病进展风险预测装置，其特征在于，所述慢性肾病进展风险预测装置包括：
9.一种慢性肾病进展风险预测设备，其特征在于，所述慢性肾病进展风险预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述慢性肾病进展风险预测方法的步骤。
...【技术特征摘要】
1.一种慢性肾病进展风险预测方法，其特征在于，包括：
2.根据权利要求1所述的慢性肾病进展风险预测方法，其特征在于，所述基于慢性肾病患者的历史病历信息训练得到进展预测模型包括：
3.根据权利要求2所述的慢性肾病进展风险预测方法，其特征在于，在所述获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本之前，还包括：
4.根据权利要求3所述的慢性肾病进展风险预测方法，其特征在于，所述获取慢性肾病患者的历史病历信息，基于所述历史病历信息和对应的诊断结果，生成训练样本包括：
5.根据权利要求3所述的慢性肾病进展风险预测方法，其特征在于，所述基于所述训练样本对各所述候选模型的预测效果进行评估筛选，选择预测效果最优的候选模型作为进展预测...
【专利技术属性】
技术研发人员：宋娜娜，陆雨菲，朱博文，李阳，赵栓，张伟东，张健，杨炎，陈威泽，颜芷昕，陈安南，孙滢雪，方艺，丁小强，
申请(专利权)人：复旦大学附属中山医院，
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。