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】
本专利技术涉及中医药,尤其是慢性肾脏病中西医慢病管理效果预测模型构建方法及装置。
技术介绍
1、慢性肾脏病(ckd)是全球公共卫生问题,大数据和人工智能(ai)辅助对肾脏疾病的研究,从而改善肾脏病学的临床实践,帮助肾病患者更好地管理疾病目前ai技术已经在肾病领域崭露头角,越来越多地应用于肾脏研究,如预测疾病发生方面,主要涉及住院患者发生急性肾损伤(aki)、糖尿病患者发生糖尿病肾病等;诊断方面,主要涉及从活检样本图像中识别糖尿病肾病、从超声图像或视网膜图像筛选ckd患者、从磁共振(mri)或计算机断层扫描(ct)影像识别肾细胞癌、实时监测动静脉内瘘的功能障碍等;预后预测方面,主要包括ckd、糖尿病肾病、iga肾病患者发生透析,以及透析患者发生死亡、肾移植患者生存率等的预测;治疗管理方面,包括血透患者贫血管理、腹透患者腹膜透析方案制定、血透患者透析肝素剂量的应用、肾移植患者他克莫司剂量的应用等;其他方面的预测,如预测血液透析动静脉内瘘失败、肾移植后的急性排斥、急性腹膜炎的致病微生物,以及血液透析(hd)患者甲状旁腺激素(ipth)水平等。
2、采用系统评价的方法,系统检索和梳理目前基于ai技术构建ckd非透析患者疾病进展预测模型的研究证据,发现现有的ckd预测模型研究存在以下的缺点:
3、(1)影响因素的收集缺乏全面性
4、预测因子方面,大部分研究收集的预测因子主要为人口学资料、血尿检查结果、病史、组织学检查和口服西药等。除此以外,很多其他方面的因素(中医方面:如口服中药汤剂、中成药、中药灌肠、
5、(2)有待形成ai预测模型样本量计算指南
6、ai在处理包含大量特征的大数据集的能力上优于传统的统计方法,但ai构建模型需要足够的数据进行训练,防止模型出错,从而导致有偏差的输出,同时小的训练集在模型训练的过程中容易产生过拟合,对于复杂的模型更是如此。传统的回归分析中,每个特征(或变量)与事件(或结果)比为10比1通常可以确保足够大的样本量,但这对于更复杂的模型通常是不够的。对于ai算法,没有普遍认可的样本量计算指南,但一般来说,模型越复杂,特征和参数越多,训练数据集就需要越大。因此,形成样本量计算指南是未来工作中有待进一步完善。
7、(3)缺乏有效的内外部验证
8、模型验证方面,大部分研究使用分割样本的方法进行内部验证,原始数据集通常被随机分为训练集和验证集,然而这种方法只是创建了两个相似但较小的数据集,在统计上效率低,方法上薄弱,因为除了偶然的差异之外,时间或地点上不存在差异。同时小的数据集使用分割样本的方法实际上增加了偏倚风险,而对于大数据集,也没有实际的获益。
9、(4)模型结果缺乏可解释性
10、模型表现方面,大部分研究开发的预测模型的性能很高,因此利用ai构建ckd预测模型是可行的。通过各机器学习构建的预测模型的性能比较,可以发现人工神经网络、随机森林、xgboost为主的ai算法的准确率较高。虽然这些模型的性能很高,但其结果往往无法解释,特别是有的研究纳入的预测因子达到上百个,无法知道该算法是通过哪些预测因子进行风险预测的,这也就导致难以在临床实践中使用和推广,这也是为什么大部分研究进行了预测模型的开发但却不能将结果可视化的呈现,如基于web的临床决策系统或计算器。
11、(5)临床实践证据有限
12、ai模型为个性化预测ckd患者的预后提供了一种可靠准确的方法。ai算法的使用可以帮助临床医生发现早期肾功能进展的高危患者,以使他们及时接受治疗和管理。但实际临床中,将ai开发的预测模型应用于临床实践的非常少,因此运用于临床实践的证据还非常有限。
技术实现思路
1、本专利技术提供了ckd中西医慢病管理效果预测模型构建方法及装置,能有效提升传统的预测参与慢病管理的ckd患病人群疾病进展风险的准确性。
2、第一方面,本申请提供了ckd中西医慢病管理效果预测模型构建方法,包括:
3、数据获取模块,获取病例数据,构建包含中西医病例信息的病例数据集;
4、模型构建模块,根据所述病例数据集,构建基于决策树的ckd中西医慢病管理效果预测模型,通过ckd中西医慢病管理效果预测模型对是否发生终点事件进行预测;ckd中西医慢病管理效果预测模型包括多个不同年度的决策树模型;所述决策树模型以该年度均衡化后的样本数据作为训练集对决策树模型进行训练,以未经均衡化处理的测试集对经过训练的决策树模型进行测试,得到该年度决策树模型的主要变量,通过所述主要变量判断样本数据是否发生终点事件;
5、模型评估模块,通过预设方式评估所述ckd中西医慢病管理效果预测模型的效果。
6、在一些实施方式中,模型构建模块根据所述病例数据集,构建ckd中西医慢病管理效果预测模型,包括:
7、使用有放回抽样,根据所述病例数据集创建测试集以及均衡化的训练集;
8、构建基于决策树的ckd中西医慢病管理效果预测模型,通过训练集进行训练,完成ckd中西医慢病管理效果预测模型的构建。
9、在一些实施方式中,所述构建基于决策树的ckd中西医慢病管理效果预测模型,包括:
10、确定作为根节点的最佳特征,所述最佳特征用于将所述病例数据集划分为尽可能多的不同类别;
11、将所述病例数据集划分为若干子集,确定每个所述子集中的最佳特征,生成决策树的分支;
12、通过剪枝操作缩小所述决策树的规模;
13、将训练集的实例通过所述决策树的分支,确定该实例的类别,完成决策树模型的构建;所述类别为是否发生终点事件。
14、在一些实施方式中,ckd中西医慢病管理效果预测模型包括第一年度决策树模型、第二年度决策树模型、第三年度决策树模型以及第四年度决策树模型;
15、所述第一年度决策树模型将第一年均衡化后的样本数据作为训练集并使用决策树模型进行训练;第二年度决策树模型将第二年均衡化后的样本数据作为训练集并使用决策树模型进行训练;第三年度决策树模型将第三年均衡化后的样本数据作为训练集并使用决策树模型进行训练;第四年决策树模型将第四年均衡化后的样本数据作为训练集并使用决策树模型进行训练。
16、在一些实施方式中,第一年度决策树模型的主要变量包括以下的一项或多项:egfr、urea、hb、中医辨证总得分、倦怠乏力、性别、运动认知题目评分、pro;
17、第二年度决策树模型的主要变量包括以下的一项或多项:egfr、urea、alb、年龄、伤肾药物认知题目评分本文档来自技高网...
【技术保护点】
1.慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,本方法包括:
2.根据权利要求1所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,根据所述病例数据集,构建CKD中西医慢病管理效果预测模型,包括:
3.根据权利要求2所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,所述构建基于决策树的CKD中西医慢病管理效果预测模型,包括:
4.根据权利要求3所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,CKD中西医慢病管理效果预测模型包括第一年度决策树模型、第二年度决策树模型、第三年度决策树模型以及第四年度决策树模型;
5.根据权利要求4所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,第一年度决策树模型的主要变量包括以下的一项或多项:eGFR、Urea、Hb、中医辨证总得分、倦怠乏力、性别、运动认知题目评分、PRO;
6.根据权利要求5所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,获取病例数据,构建包含中西医病例信息的病例数据集,包括:
...【技术特征摘要】
1.慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,本方法包括:
2.根据权利要求1所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,根据所述病例数据集,构建ckd中西医慢病管理效果预测模型,包括:
3.根据权利要求2所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,所述构建基于决策树的ckd中西医慢病管理效果预测模型,包括:
4.根据权利要求3所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,ckd中西医慢病管理效果预测模型包括第一年度决策树模型、第二年度决策树模型、第三年度决策树模型以及第四年度决策树模型;
5.根据权利要求4所述的慢性肾脏病中西医慢病管理效果预测模型构建方法,其特征在于,第一年度决策树模型的主要变量包括以下的一项或多项:egfr、urea、hb、中医辨证总得分、...
【专利技术属性】
技术研发人员:吴一帆,张显龙,陈惠芬,傅立哲,唐芳,刘旭生,卢富华,张敏,古月瑜,许苑,张腊,吕莹,
申请(专利权)人:广东省中医院广州中医药大学第二附属医院,广州中医药大学第二临床医学院,广东省中医药科学院,
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。