【技术实现步骤摘要】
本专利技术属于产前诊断，具体涉及基于机器学习的复发性流产风险预测系统和方法。
技术介绍
1、复发性流产(recurrent spontaneous abortion，rsa)是妇产科最常见的妊娠并发症之一。复发性流产的发病率约为2％，患者确诊时往往经历了多次流产，不仅给患者及其家庭带来严重的经济负担，而且严重威胁患者的身心健康。目前已知的复发性流产主要病因包括染色体或基因异常、解剖结构异常、自身免疫性疾病、血栓前状态、感染因素等，但是仍有近40％的复发性流产的具体原因和发病机制尚不明确。在临床诊治上，复发性流产的病因复杂且缺乏特异性临床表现，对于复发性流产患者的病因筛查涉及染色体核型分析等多项个性化检验检查项目，在确诊之前难以进行有效的病因分析和早期干预。
2、年龄、身高、体重、吸烟史、饮酒史等属于入院患者的基本个人信息，空腹血糖、血压、叶酸、同型半胱氨酸、铁蛋白、维生素d、维生素b12以及甲功7项等是孕前优生和围产期女性的常规检验项目，如能基于上述信息和指标预测潜在的复发性流产风险具有重要的临床辅助价值。已有研究表明，年龄、吸烟史、饮酒史、叶酸、同型半胱氨酸、维生素d、促甲状腺素、甲状腺过氧化物酶抗体、甲状腺球蛋白抗体等因素与复发性流产具有一定的相关性，但是仍然缺乏有效的方式将其用于复发性流产辅助诊疗。
3、现有关于复发性流产的研究主要是对部分指标进行统计学分析，以判断其与复发性流产的相关性，但是基于单一指标或少量指标进行复发性流产风险预测的临床可靠性和准确性难以保障，而且统计学分析属于静态方法，分类规
技术实现思路
1、本专利技术提出了基于年龄、身高、体重、吸烟史、饮酒史、空腹血糖、血压、叶酸、同型半胱氨酸、铁蛋白、维生素d、维生素b12、促甲状腺素、游离t3、游离t4、总甲状腺素、总三碘甲状腺原氨酸、甲状腺过氧化物酶抗体、甲状腺球蛋白抗体共计19项特征预测复发性流产的系统和方法。
2、本专利技术具体采用以下技术方案：
3、第一方面，本专利技术提供一种基于机器学习的复发性流产风险预测系统，该系统包括数据输入模块、数据预处理模块、模型训练模块、风险预测模块。
4、数据输入模块：
5、用于接收病例数据，病例数据包括年龄、身高、体重、吸烟史、饮酒史、空腹血糖、血压、叶酸、同型半胱氨酸、铁蛋白、维生素d、维生素b12、促甲状腺素、游离t3、游离t4、总甲状腺素、总三碘甲状腺原氨酸、甲状腺过氧化物酶抗体、甲状腺球蛋白抗体。如果该数据用于模型训练，则需包括“是否为复发性流产患者”。
6、数据预处理模块：
7、根据临床经验和数据特征进行数据预处理，预处理手段采用缺失值处理、离散化处理、独热编码、标准化处理、主成分分析中的一种以上。
8、模型训练模块：
9、基于预处理之后的数据训练机器学习模型，本专利技术采用的机器学习模型包括但不限于支持向量机和人工神经网络。然后从选择的机器学习模型中选取分类准确度最高的模型作为风险预测模型。
10、风险预测模块：
11、预处理之后的数据经训练好的风险预测模型输出复发性流产发生概率，根据临床医师所设阈值预测该病例是否属于复发性流产高风险人群。
12、第二方面，本专利技术提供了基于机器学习的复发性流产风险预测方法，该方法包括以下步骤：
13、步骤1：训练基于机器学习的复发性流产风险预测模型。
14、该步骤具体包括以下内容：
15、步骤1.1：收集复发性流产患者和对照组病例。
16、步骤1.2：收集复发性流产患者和对照组病例的病例数据，包括年龄、身高、体重、吸烟史、饮酒史、空腹血糖、血压、叶酸、同型半胱氨酸、铁蛋白、维生素d、维生素b12、促甲状腺素、游离t3、游离t4、总甲状腺素、总三碘甲状腺原氨酸、甲状腺过氧化物酶抗体、甲状腺球蛋白抗体共计19项特征。所有病例数据均选取复发性流产患者发生首次自然流产前一年内采集的数据。
17、步骤1.3：根据临床经验和数据特征进行数据预处理，预处理手段包括缺失值处理、离散化处理、独热编码、标准化处理、主成分分析(pca降维)等，根据数据特征可以采用上述手段中的一种或多种。
18、步骤1.4：利用预处理后的数据训练机器学习模型，本专利技术采用的机器学习模型包括但不限于支持向量机和人工神经网络。然后从选择的机器学习模型中选取当前分类准确度最高的模型作为风险预测模型。
19、步骤1.5：当前模型训练完成后，如有新的训练样本输入，各机器学习模型仍可持续进行演进更新，并选取更新后分类准确度最高的模型作为新的风险预测模型。
20、步骤2：通过医院电子病历系统获取病例数据，包括年龄、身高、体重、吸烟史、饮酒史、空腹血糖、血压、叶酸、同型半胱氨酸、铁蛋白、维生素d、维生素b12、促甲状腺素、游离t3、游离t4、总甲状腺素、总三碘甲状腺原氨酸、甲状腺过氧化物酶抗体、甲状腺球蛋白抗体。
21、步骤3：将数据进行预处理后输入训练好的风险预测模型。
22、数据预处理方法与步骤1.3中采用的数据预处理方法保持一致，每种方法的相关参数也保持一致。
23、步骤4：根据风险预测模型的输出结果判断复发性流产的发生风险。
24、训练好的风险预测模型可以根据输入的预处理数据输出该病例的复发性流产发生概率，根据临床医师所设阈值预测该病例是否属于复发性流产高风险人群。
25、本专利技术的有益效果为：
26、本专利技术致力于在复发性流产发生之前对可能的患者进行早期干预，本专利技术所建风险预测系统仅需患者个人基本信息和孕前/围产期常规检验项目即可有效提示复发性流产高危风险人群，便于临床应用实施。应用本风险预测系统，临床医师可以评估孕前/围产期检查妇女的复发性流产发生风险，从而为进一步的个性化检查和早期干预提供参考。
本文档来自技高网...【技术保护点】
1.基于机器学习的复发性流产风险预测系统，其特征在于，包括数据输入模块、数据预处理模块、模型训练模块、风险预测模块；
2.根据权利要求1所述的基于机器学习的复发性流产风险预测系统，其特征在于，若数据输入模块中的病例数据用于模型训练，则需包括“是否为复发性流产患者”。
3.根据权利要求1所述的基于机器学习的复发性流产风险预测系统，其特征在于，数据预处理模块中，预处理手段采用缺失值处理、离散化处理、独热编码、标准化处理、主成分分析中的一种以上。
4.根据权利要求1所述的基于机器学习的复发性流产风险预测系统，其特征在于，模型训练模块中，机器学习模型包括支持向量机和人工神经网络，然后从选择的机器学习模型中选取当前分类准确度最高的模型作为风险预测模型。
5.基于机器学习的复发性流产风险预测方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的基于机器学习的复发性流产风险预测方法，其特征在于，步骤1具体包括以下内容：
7.根据权利要求6所述的基于机器学习的复发性流产风险预测方法，其特征在于，步骤1.2中，病例数据选取
8.根据权利要求6所述的基于机器学习的复发性流产风险预测方法，其特征在于，步骤1.3中，预处理手段采用缺失值处理、离散化处理、独热编码、标准化处理、主成分分析中的一种以上。
9.根据权利要求6所述的基于机器学习的复发性流产风险预测方法，其特征在于，步骤1.4中，机器学习模型包括支持向量机和人工神经网络，然后从选择的机器学习模型中选取当前分类准确度最高的模型作为风险预测模型。
10.根据权利要求5所述的基于机器学习的复发性流产风险预测方法，其特征在于，步骤3中的数据预处理方法与步骤1.3中采用的数据预处理方法保持一致，每种方法的相关参数也保持一致。
...【技术特征摘要】
1.基于机器学习的复发性流产风险预测系统，其特征在于，包括数据输入模块、数据预处理模块、模型训练模块、风险预测模块；
2.根据权利要求1所述的基于机器学习的复发性流产风险预测系统，其特征在于，若数据输入模块中的病例数据用于模型训练，则需包括“是否为复发性流产患者”。
3.根据权利要求1所述的基于机器学习的复发性流产风险预测系统，其特征在于，数据预处理模块中，预处理手段采用缺失值处理、离散化处理、独热编码、标准化处理、主成分分析中的一种以上。
4.根据权利要求1所述的基于机器学习的复发性流产风险预测系统，其特征在于，模型训练模块中，机器学习模型包括支持向量机和人工神经网络，然后从选择的机器学习模型中选取当前分类准确度最高的模型作为风险预测模型。
5.基于机器学习的复发性流产风险预测方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的基于机器学习...
【专利技术属性】
技术研发人员：王金铭，郝义彬，廖世秀，王莉，路曼，郭正隆，任严新，
申请(专利权)人：河南省人民医院，
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。