CN107194137B - 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 - Google Patents
一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 Download PDFInfo
- Publication number
- CN107194137B CN107194137B CN201610065745.5A CN201610065745A CN107194137B CN 107194137 B CN107194137 B CN 107194137B CN 201610065745 A CN201610065745 A CN 201610065745A CN 107194137 B CN107194137 B CN 107194137B
- Authority
- CN
- China
- Prior art keywords
- feature
- necrotizing enterocolitis
- data
- training
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000004995 necrotizing enterocolitis Diseases 0.000 title claims abstract description 85
- 206010051606 Necrotising colitis Diseases 0.000 title claims abstract description 76
- 201000006195 perinatal necrotizing enterocolitis Diseases 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 11
- 230000000968 intestinal effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 208000005646 Pneumoperitoneum Diseases 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000000440 neutrophil Anatomy 0.000 claims description 6
- 206010003445 Ascites Diseases 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 208000004998 Abdominal Pain Diseases 0.000 claims description 3
- 206010000097 Abdominal tenderness Diseases 0.000 claims description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 3
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 claims description 3
- 210000003815 abdominal wall Anatomy 0.000 claims description 3
- 210000002255 anal canal Anatomy 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 230000036471 bradycardia Effects 0.000 claims description 3
- 208000006218 bradycardia Diseases 0.000 claims description 3
- 208000035861 hematochezia Diseases 0.000 claims description 3
- 208000003243 intestinal obstruction Diseases 0.000 claims description 3
- 210000000265 leukocyte Anatomy 0.000 claims description 3
- 208000004235 neutropenia Diseases 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 230000008719 thickening Effects 0.000 claims description 3
- 206010043554 thrombocytopenia Diseases 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 206010061218 Inflammation Diseases 0.000 claims description 2
- 208000020560 abdominal swelling Diseases 0.000 claims description 2
- 238000002845 discoloration Methods 0.000 claims description 2
- 230000004054 inflammatory process Effects 0.000 claims description 2
- 230000002956 necrotizing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011282 treatment Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract description 2
- 238000011369 optimal treatment Methods 0.000 abstract description 2
- 230000009897 systematic effect Effects 0.000 abstract description 2
- 201000002120 neuroendocrine carcinoma Diseases 0.000 description 9
- 230000000750 progressive effect Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 208000010227 enterocolitis Diseases 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000001338 necrotic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000000436 anus Anatomy 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000018773 low birth weight Diseases 0.000 description 1
- 231100000533 low birth weight Toxicity 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法，其包括以下步骤:数据样本选择、特征筛选、重要特征选择、模型建立，预测结果打分。本发明将坏死性小肠结肠炎相关数据进行系统的分析、建模，并给出模型预测的评价方法，通过该模型能够基于坏死性小肠结肠炎数据，对病人坏死性小肠结肠炎进行有效的辅助诊断，使在发病前期进行有效的的预防干预和治疗，为达到最佳治疗效果提供依据。
Description
技术领域
本发明涉及医学预测技术领域，具体地说，涉及一种基于医疗数据建模的坏死性小肠结肠炎预测方法。
背景技术
坏死性小肠结肠炎(Necrotizing Enterocolitis,NEC)为婴儿出生第一周威胁低出生体重新生儿的常见疾病。在新生儿重症护理报告中有1％～5％的发病频率。数据显示：7％的出生体重小于一公斤的新生儿患有确定性坏死性小肠结肠炎。坏死性小肠结肠炎的两种发病方式：医疗性坏死性小肠结肠炎(Medical NEC)又叫非进展性坏死性小肠结肠炎(Non-progressive NEC)；外科坏死性小肠结肠炎(Surgical NEC)又叫进展性坏死性小肠结肠炎(Progressive NEC)。坏死性小肠结肠炎患者总体死亡率在15％～30％，在进展性坏死性小肠结肠炎中死亡率要更高。
目前,医疗性坏死性小肠结肠炎与外科性小肠结肠炎分类预测模型的诊断需要放射检查，目前存在的基于数据的分类模型，多为线性模型，典型代表为线性判别分析方法。
但是，上述方法采用模型过于简单，不能有效发现重要特征集合，提高模型性能和准确度。
基于医疗数据的坏死性小肠结肠炎分类模型有助于对病人坏死性小肠结肠炎进行有效的辅助诊断，使在发病前期进行有效的预防干预和治疗，为达到最佳治疗效果提供依据。
发明内容
为解决以上问题，本发明提供的一种基于医疗数据的坏死性小肠结肠炎分类预测方法，其具体的技术方案如下：
一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法，其包括以下步骤：
步骤1：数据样本选择；从数据集中抽取可供建模的有效数据；
步骤2：特征筛选；从数据集中初步筛除方差较小特征，筛除相关性较大特征；
步骤3：重要特征选取；按以下步骤进行：
(3.1)利用随机森林方法计算特征集合中的每一个特征的重要性得分；
(3.2)结合序列后向选择算法：将数据集分割为训练集和测试集，从全部特征集合s开始，使用全部特征s对应训练集，使用SVM回归模型拟合，并计算相应测试集的AUC值，从特征集合s中，去掉特征重要性得分最低的特征，使用余下特征集合对应训练集训练SVM回归模型，计算相应测试集的AUC值，重复该过程，直至特征集合s中没有特征，选择出具有最佳表现的特征集合作为最优的特征子集optimalset；
步骤4：坏死性肠结炎分类模型构建与评价，其步骤如下：
(4.1)使用随机划分的方式，将optimalset对应数据集optimaldataset分割为训练集Xtrain和测试集Xtest；
(4.2)使用SVM回归方法在训练集上拟合Xtrain数据集，使用径向基核作为核函数，建模过程使用十折交叉验证选取模型参数；
(4.3)使用训练出的回归模型对Xtest中数据进行预测，计算出的预测值为坏死性肠结肠炎分类得分；
步骤5：坏死性肠结肠炎分类结果的概率化打分：
(5.1)将最优数据集optimaldataset划分为训练集、测试集、验证集三部分；
(5.2)使用训练集结合SVM回归方法建立坏死性肠结肠炎分类模型，使用测试集计算不同概率化打分对应阈值，预测验证集的概率化打分；
(5.3)结合验证集概率化打分，选定概率化得分80分以上病人为坏死性肠结肠炎需要手术概率较大人群，基于选定的阈值，验证模型表现。
进一步，步骤(3.2)中，按如下步骤进行：
A.将数据集分割为训练集和测试集，使用特征重要性计算过程中得到的特征重要性得分，对特征按照得分高低进行重要性排序；
B.根据全部特征s对应训练集，使用SVM回归模型拟合，并计算相应测试集的AUC值；
C.从特征集合中，去掉得分最低的特征，使用余下特征集合对应训练集训练SVM回归模型，并计算相应测试集的AUC值；
D.重复步骤C，直至特征集合为空；
E.根据上述步骤，得到对应最优AUC值的特征集合optimalset，进一步得到其对应的最优数据集合optimaldataset；
F.根据以上过程得到的最优特征集合optimalset，根据对应数据集训练得到最优模型。
进一步，步骤1中需要处理的数据集，为包含以下方面信息的数据集：历史性因素、体检参数、病史参数、放射检查结果、临床实验数据。
进一步，步骤1中原始数据集包含以下特征：
(1)历史性因素：喂养不耐受、窒息/心动过缓、血氧饱和度下降、眼观便血，
(2)体检参数：腹部肿胀、毛细血管再充盈时间大于2秒、腹壁色变、腹部压痛、腹水，
(3)病史参数：病人符合坏死性肠结肠炎定义当天是否戴呼吸机、病人符合坏死性肠结肠炎定义当天是否吃升压药，
(4)放射检查结果：肠壁积气、肛门静脉积气、肠梗阻、肛管扩张、气液面、肠壁增厚、气腹，
(5)临床实验数据：白细胞浓度、中性粒细胞浓度、中性粒细胞减少、绝对中性粒细胞计数、带状核浓度、带状核计数、血小板数、碳酸氢盐浓度、pH值、pH站、腹痛、血小板减少症、酸液过多症。
本发明所提供的一种基于医疗数据的坏死性小肠结肠炎分类预测方法，具有以下优点：
本发明使用与坏死性小肠结肠炎相关的医疗数据进行系统的分析、建模，并给出模型评价方法，通过该模型能够基于医疗数据对坏死性小肠结肠炎病人进行有效的辅助诊断，对坏死性小肠结肠炎进行有效预测和判断，使在发病前期进行有效的的预防干预和治疗，为达到最佳治疗效果提供依据。
附图说明
图1为本发明一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法的工作流示意图；
图2为本发明利用医疗数据坏死性小肠结肠炎建模最优特征选择结果；
图3为本发明特征选择坏死性小肠结肠炎分类预测模型ROC曲线。
具体实施方式
下面结合附图及本发明的实施例对本发明的一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法作进一步详细的说明。
本发明主要基于电子病历中的医疗数据进行建模，使用数据中蕴含的信息对病人患有的坏死性小肠结肠炎进行分类预测，并将预测结果进行概率化描述。该发明包括针对医疗数据进行建模的数据处理流程和进行坏死性小肠结肠炎分类预测、分析、概率化等重要方法和结果。该发明结合了医疗数据和数据挖掘方法，是医疗数据与大数据分析方法结合的一种创新，该发明在一定程度上填补了国内医疗数据研究的空白，在利用医疗数据进行坏死性小肠结肠炎分类预测分析方面具有创新性。
该发明使用医疗数据来源于医院数据库中收集的小儿电子病历信息，数据中主要信息包括历史性因素、体检参数、病史参数、放射检查结果、临床实验数据以及患者坏死性小肠结肠炎类别。如图1所示，基于医疗数据的坏死性小肠结肠炎分类预测方法具体步骤如下：
1.样本选择
原始数据集为dataset1，气腹病人以及数据不完整病人被从数据集中移出，此时数据集为dataset2。
2.特征筛选
对于dataset2，进行特征筛选，计算每个特征对应特征值的方差，去掉方差接近0的特征，去掉气液面等三个特征,此时数据集为dataset3。
3.重要特征选取
重要特征选取包括两个方面：计算特征重要性，最优特征子集选取。首先，利用随机森林对数据集合中的每一个特征计算其特征重要性得分。
本发明中，特征重要性的确定，基于发明采用数据集和随机森林算法，该算法原理为构建包含多颗决策树的随机森林，每颗决策树都有分类或回归的功能，组合每棵树的预测结果生成最终的预测结果。特征重要性的计算主要通过对某一特征对应的特征值进行重新排列，放入决策树中，若预测的准确率降低，就说明该特征重要，统计特征在每棵树中的重要性，就生成该特征的重要性得分。
通过随机森林在拟合数据，可以计算特征的重要性得分，特征的重要性得分为实数，数值越大表明该特征越重要。根据随机森林的特征重要性得分，可以用来选取最优特征子集。具体步骤如下：
1)将dataset3分割为训练集Xtrain和测试集Xtest，比例为2：1。
2)使用数据集dataset3拟合随机森林，得到特征重要性得分。
3)将特征集合中的特征按照特征重要性得分大小，降序排列，得到一个有序特征列表s。
4)使用SVM回归算法，拟合训练集，拟合过程使用十折交叉验证方式进行模型选取，算法使用核函数为径向基核。利用在训练集上选取模型对测试集Xtest进行预测，并计算预测结果的AUC值。根据全部特征s对应数据集，使用随机森林训练模型，并计算相应的AUC值。
5)根据s，从Xtrain和Xtest中去掉得分最低的特征。
6)重复步骤4)、5)，直至s为空。
7)根据上述步骤，得到对应最优AUC值的特征子集，该特征子集对应数据集合为optimaldataset。
4.坏死性小肠结肠炎分类模型构建与评价
1)将optimaldataset分割为训练集Xtrain和测试集Xtest，比例为2：1。
2)在Xtrain上使用SVM回归方法进行建模，建模选择核函数为径向基核，调节参数为sigma、C，通过重复十次的十折交叉验证进行，模型评估，选取最优模型。
3)利用在训练集上选择的最优模型，根据测试集，计算对应病人的分类得分。
4)根据测试集的分类得分与相应类别标签，画出ROC曲线，并计算对应AUC值，AUC值的大小就是衡量模型应用于未知数据时的性能。
5.对预测结果进行概率化打分
根据建立的SVM回归模型，可以得到对于病人坏死性小肠结肠炎的分类得分。将数据集划分为3部分：训练集、测试集、验证集，其中训练集用于生成预测模型，测试集用于构建预测分类得分的分布，验证集用于验证概率化打分效果。实验具体步骤如下：
1)将最优数据集optimaldataset划分为3部分：训练集、测试集、验证集。比例为2：1：1。
2)使用训练集和SVM回归方法建立小肠结肠炎的回归预测模型，对测试集中每个病人预测其分类得分。
3)将坏死性小肠结肠炎分类得分按照升序排列，当分类得分大于某一值是，计算类别S的记录在大于该值的记录中所占比例。假设，存在阈值p，分类得分大于p的人群中坏死性小肠结肠炎类别为S的人数比例大于80％，此时，得到分类得分大于p的患者有80％以上的概率患有S型坏死性小肠结肠炎，其患有S型坏死性小肠结肠炎的概率为80％以上。
4)对验证集进行坏死性小肠结肠炎分类预测，计算相应的分类得分。对于大于80分病人，预测其坏死性小肠结肠炎为S型，小于80分病人，预测其坏死性小肠结肠炎为M型。
概率化打分计算具体过程：根据测试集中坏死性小肠结肠炎分类得分，计算一系列的阈值p1、p2、p3…、p10，对应打分为10、20、30、…、100，对于验证集中的病人，计算其坏死性小肠结肠炎分类得分，该得分必定落在某个区间[pi,p(i+1)]，根据坏死性小肠结肠炎分类得分值和pi、p(i+1)对应概率化打分，可通过线性计算出S型坏死性小肠结肠炎得分值。
实施例1：
为了验证本发明的一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法的有效性，本实施例选取时间范围为2003.11-2011.6电子病历中的587个病人数据。坏死性小肠结肠炎的两种发病方式：医疗性坏死性小肠结肠炎(Medical NEC)又叫非进展性坏死性小肠结肠炎(Non-progressive NEC)，简称为M型；外科坏死性小肠结肠炎(Surgical NEC)又叫进展性坏死性小肠结肠炎(Progressive NEC)，简称为S型。
1、数据处理
根据本发明采用数据集具有形式为：每行表示为一个病人的信息，每列表示其一方面信息，如ID，体检信息，坏死性小肠结肠炎类别等，数据集格式如表格1。体检特征包括以下特征，历史性因素：喂养不耐受、窒息/心动过缓、血氧饱和度下降、眼观便血，体检参数：腹部肿胀、毛细血管再充盈时间大于2秒、腹壁色变、腹部压痛、腹水，病史参数：病人符合坏死性肠结炎定义当天是否戴呼吸机、病人符合坏死性肠结炎定义当天是否吃升压药，放射检查结果：肠壁积气、肛门静脉积气、肠梗阻、肛管扩张、气液面、肠壁增厚、气腹，临床实验数据：白细胞浓度、中性粒细胞浓度、中性粒细胞减少、绝对中性粒细胞计数、带状核浓度、带状核计数、血小板数、碳酸氢盐浓度、pH值、pH站、腹痛、血小板减少症、酸液过多症。原始数据集包含587个病人数据，29个特征，其中67个病人患有气腹，36个病人数据不完整，气腹病人以及数据不完整病人被从数据集中移出，最终剩余484个病人数据。之后计算每个特征对应特征值的方差，去掉方差接近0的特征，根据计算去掉了气液面等三个特征，如表格2所示。
通过数据样本选择和特征筛选，最终生成数据集包含的484行，26列特征。
表1
| ID | 气液面 | 气腹 | 腹水 |
| 4 | 0 | 0 | 0 |
| 23 | 1 | 0 | 0 |
| … | … | … | … |
| 方差 | 0.0242 | 0 | 0 |
表2
2、重要特征选取
得到对应最优AUC值的最优的特征集合对应的AUC值如图2所示，图2中，每一个点代表一个特征集合，根据对应的AUC值，找到最优特征集合optimalset。本实例中，当选取前15个特征时，测试集对应AUC值最高，对特征的打分结果如下表3所示。
表3
3、采用测试集对模型进行评价
根据模型对测试集Xtest进行预测，得到坏死性小肠结肠炎的分类得分，根据测试集的分类得分与相应类别标签，画出ROC曲线，计算对应AUC值，对模型性能进行评价。评价结果如图3所示。
4、对预测结果进行概率化打分
验证集结果如表4所示，本实验中，验证集包括121人。
表4
附注：关于分类问题一些指标解释，对于二分类问题，定义两个类别分别为正类和负类，正类中的每一个对象称为正实例，负类中的每一个对象称为负实例。通常，我们将我们感兴趣的类别认为是正类，比如在预测S型坏死性小肠结肠炎时，S型坏死性小肠结肠炎为正类；而预测M型坏死性小肠结肠炎时，M型坏死性小肠结肠炎为正类。使用分类模型对测试样本进行预测，会有四种情况，如果一个实例是正类并被预测为真正类(True positive，TP)，如果实例是负类被预测为正类，称之为假正类(False postive,FP)。相应的，如果实例是负类被预测成负类，称之为真负类(True negative,TN),正实例被预测成负类则为假负类(False negative,FN)。
TP：正实例预测为正类数目；
FN：正实例预测为负类数目；
FP：负实例预测为正类的数目；
TN：负实例预测为负类的数目；
敏感性(sensitivity)：正类中正确预测为正类的实例比例，即TP/(TP+FN)
特异性(specificity)：负类中被正确预测为负类的实例比例，即TN/(TN+FP)
阳性预测值(Positive Predictive Value,PPV)：预测为正类的实例中，正实例占的比例，即TP/(TP+FP)。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。
Claims (4)
1.一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法，其特征在于：其包括以下步骤：
步骤1：数据样本选择；从数据集中抽取可供建模的有效数据；
步骤2：特征筛选；从数据集中初步筛除方差较小特征，筛除相关性较大特征；
步骤3：重要特征选取；按以下步骤进行：
(3.1)利用随机森林方法计算特征集合中的每一个特征的特征重要性得分；
(3.2)结合序列后向选择算法：将数据集分割为训练集和测试集，从全部特征集合s开始，使用全部特征s对应训练集，使用SVM回归模型拟合，并计算相应测试集的AUC值，从特征集合s中，去掉特征重要性得分最低的特征，使用余下特征集合对应训练集训练SVM回归模型，计算相应测试集的AUC值，重复该过程，直至特征集合s中没有特征，选择出具有最佳表现的特征集合作为最优的特征子集optimalset；
步骤4：坏死性肠结炎分类模型构建与评价，其步骤如下：
(4.1)使用随机划分的方式，将optimalset对应数据集optimaldataset分割为训练集Xtrain和测试集Xtest；
(4.2)使用SVM回归方法在训练集上拟合Xtrain数据集，使用径向基核作为核函数，建模过程使用十折交叉验证选取模型参数；
(4.3)使用训练出的回归模型对Xtest中数据进行预测，计算出的预测值为坏死性肠结肠炎分类得分；
步骤5：坏死性肠结肠炎分类结果的概率化打分：
(5.1)将最优数据集optimaldataset划分为训练集、测试集、验证集三部分；
(5.2)使用训练集结合SVM回归方法建立坏死性肠结肠炎分类模型，使用测试集计算不同概率化打分对应阈值，预测验证集的概率化打分；
(5.3)结合验证集概率化打分，选定概率化得分80分以上病人为坏死性肠结肠炎需要手术概率较大人群，基于选定的阈值，验证模型表现。
2.根据权利要求1所述的一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法，其特征在于：步骤(3.2)中，按如下步骤进行：
A.将数据集分割为训练集和测试集，使用特征重要性计算过程中得到的特征重要性得分，对特征按照得分高低进行重要性排序；
B.根据全部特征s对应训练集，使用SVM回归模型拟合，并计算相应测试集的AUC值；
C.从特征集合中，去掉得分最低的特征，使用余下特征集合对应训练集训练SVM回归模型，并计算相应测试集的AUC值；
D.重复步骤C，直至特征集合为空；
E.根据上述步骤，得到对应最优AUC值的特征集合optimalset，进一步得到其对应的最优数据集合optimaldataset；
F.根据以上过程得到的最优特征集合optimalset，根据对应数据集训练得到最优模型。
3.根据权利要求1所述的一种基于医疗数据的坏死性小肠结肠炎分类预测方法，其特征在于：步骤1中需要处理的数据集，为包含以下方面信息的数据集：历史性因素、体检参数、病史参数、放射检查结果、临床实验数据。
4.根据权利要求3所述的一种基于医疗数据的坏死性小肠结肠炎分类预测方法，其特征在于：步骤1中原始数据集包含以下特征：
(1)历史性因素：喂养不耐受、窒息/心动过缓、血氧饱和度下降、眼观便血，(2)体检参数：腹部肿胀、毛细血管再充盈时间大于2秒、腹壁色变、腹部压痛、腹水，(3)病史参数：病人符合坏死性肠结肠炎定义当天是否戴呼吸机、病人符合坏死性肠结肠炎定义当天是否吃升压药，(4)放射检查结果：肠壁积气、肛门静脉积气、肠梗阻、肛管扩张、气液面、肠壁增厚、气腹，(5)临床实验数据：白细胞浓度、中性粒细胞浓度、中性粒细胞减少、绝对中性粒细胞计数、带状核浓度、带状核计数、血小板数、碳酸氢盐浓度、pH值、pH站、腹痛、血小板减少症、酸液过多症。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610065745.5A CN107194137B (zh) | 2016-01-31 | 2016-01-31 | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610065745.5A CN107194137B (zh) | 2016-01-31 | 2016-01-31 | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194137A CN107194137A (zh) | 2017-09-22 |
| CN107194137B true CN107194137B (zh) | 2023-05-23 |
Family
ID=59870560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610065745.5A Active CN107194137B (zh) | 2016-01-31 | 2016-01-31 | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194137B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109065171B (zh) * | 2018-11-05 | 2022-02-08 | 道之精准医学科技(上海)有限公司 | 基于集成学习的川崎病风险评估模型的构建方法及系统 |
| CN109616205A (zh) * | 2018-12-04 | 2019-04-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN109670976B (zh) * | 2018-12-18 | 2021-02-26 | 泰康保险集团股份有限公司 | 特征因子确定方法及设备 |
| CN112101397B (zh) * | 2019-06-18 | 2024-09-20 | 北京京东振世信息技术有限公司 | 一种预测图书重量区间的方法和装置 |
| CN112164448B (zh) * | 2020-09-25 | 2021-06-22 | 上海市胸科医院 | 免疫治疗疗效预测模型训练方法、预测系统及方法和介质 |
| CN114898863B (zh) * | 2022-04-02 | 2023-02-14 | 浙江大学 | 一种新生儿坏死性小肠结肠炎手术干预时机辅助识别系统 |
| CN115132355B (zh) * | 2022-07-13 | 2024-05-03 | 山东大学齐鲁医院 | 一种炎症性肠病的智能数据辅助诊断系统 |
| CN118136050B (zh) * | 2024-02-26 | 2024-08-20 | 安徽中科昊音智能科技有限公司 | 一种设备故障声音识别方法、设备及存储介质 |
| CN118447242A (zh) * | 2024-04-24 | 2024-08-06 | 首都儿科研究所附属儿童医院 | 一种肠壁积气的识别方法、系统和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1695057A (zh) * | 2002-09-12 | 2005-11-09 | 摩诺根公司 | 基于细胞的疾病检测和鉴别 |
| CN102113034A (zh) * | 2008-05-12 | 2011-06-29 | 阿列森斯有限公司 | 监测、预测和处理临床发作 |
| CN103502473A (zh) * | 2011-03-01 | 2014-01-08 | 耶鲁大学 | 胃肠胰神经内分泌肿瘤(gep-nen)的预测 |
| CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
| CN104933277A (zh) * | 2014-03-20 | 2015-09-23 | 大连医科大学附属第二医院 | 基于代谢组学数据建立分析预测糖尿病认知功能障碍平台的方法 |
| CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070015971A1 (en) * | 2003-05-14 | 2007-01-18 | Atignal Shankara R A | Disease predictions |
-
2016
- 2016-01-31 CN CN201610065745.5A patent/CN107194137B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1695057A (zh) * | 2002-09-12 | 2005-11-09 | 摩诺根公司 | 基于细胞的疾病检测和鉴别 |
| CN102113034A (zh) * | 2008-05-12 | 2011-06-29 | 阿列森斯有限公司 | 监测、预测和处理临床发作 |
| CN103502473A (zh) * | 2011-03-01 | 2014-01-08 | 耶鲁大学 | 胃肠胰神经内分泌肿瘤(gep-nen)的预测 |
| CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
| CN104933277A (zh) * | 2014-03-20 | 2015-09-23 | 大连医科大学附属第二医院 | 基于代谢组学数据建立分析预测糖尿病认知功能障碍平台的方法 |
| CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| SVM-RFE算法在数据分析中的应用;卢运梅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090815;正文第10-40页 * |
| 基于支持向量机的药物诱导磷脂质病预测模型;解扬，张会，杨胜勇;《化学研究与应用》;20110615;正文第696-701页 * |
| 基于随机森林的跨膜螺旋接触预测与卷曲螺旋寡聚体状态预测;王晓锋;《中国优秀博士学位论文全文数据库》;20140815;正文第22-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107194137A (zh) | 2017-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194137B (zh) | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 | |
| Einav et al. | Screening and selection: The case of mammograms | |
| CN107194138B (zh) | 一种基于体检数据建模的空腹血糖预测方法 | |
| RU2007124523A (ru) | Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров | |
| Yun et al. | Prediction of critical care outcome for adult patients presenting to emergency department using initial triage information: an XGBoost algorithm analysis | |
| CN115424741B (zh) | 基于因果发现的药物不良反应信号发现方法及系统 | |
| Dev et al. | Artificial bee colony optimized deep neural network model for handling imbalanced stroke data: ABC-DNN for prediction of stroke | |
| CN116543867A (zh) | 基于预测模型指导t2dm患者mtm模式的方法及装置 | |
| Jiang et al. | An aided diagnosis model of sub-health based on rough set and fuzzy mathematics: A case of TCM | |
| Rajamohana et al. | Machine learning techniques for healthcare applications: early autism detection using ensemble approach and breast cancer prediction using SMO and IBK | |
| Bhattarai et al. | Can big data and machine learning improve our understanding of acute respiratory distress syndrome? | |
| CN117711626A (zh) | 一种基于多维度因素的抑郁情绪评测方法 | |
| CN112071439B (zh) | 药物副作用关系预测方法、系统、计算机设备和存储介质 | |
| Xao et al. | Fasting blood glucose change prediction model based on medical examination data and data mining techniques | |
| Bolat et al. | A comprehensive comparison of machine learning algorithms on diagnosing asthma disease and COPD | |
| Saab et al. | Comparison of machine learning algorithms for classifying adverse-event related 30-day hospital readmissions: potential implications for patient safety | |
| Panda et al. | Role of Predictive Modeling in Healthcare Research: A Scoping Review | |
| Lucy Lawrence | Predicting stunting status among children under five years: The case study of Tanzania | |
| CN117095832B (zh) | 一种动物疫病传染风险的建模方法及系统 | |
| Tsumoto et al. | From hospital Big Data to clinical process: a granular computing approach | |
| CN114386530B (zh) | 基于深度学习的溃疡性结肠炎免疫分型的分类方法和系统 | |
| Sivasankar et al. | Diagnosing appendicitis using backpropagation neural network and bayesian based classifier | |
| CN118136270B (zh) | 一种基于数据分析慢病健康监测与预警系统与方法 | |
| Nugroho et al. | A New Method for Classifying Intracerebral Hemorrhage (ICH) Based on Diffusion Weighted–Magnetic Resonance Imaging (DW-MRI) | |
| Yasri et al. | A Comparison of supervised learning techniques for predicting the mortality of patients with altered state of consciousness |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180116 Address after: 100089 room 602, fangzheng International Building, No. 52 North Fourth Ring Road, Haidian District, Beijing Applicant after: Beijing welline Pangu Technology Co.,Ltd. Address before: The city of Yanan city of Qingdao province Shandong three road 266000 No. 128 Building No. 4 702 Applicant before: QINGDAO RUIBANG INFORMATION TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241014 Address after: Room 211, 2nd Floor, Building A, Building 11, Qingdao Software Park, No. 288 Ningxia Road, Shinan District, Qingdao City, Shandong Province, 266000 Patentee after: Qingdao Wanlingyun Information Technology Co.,Ltd. Country or region after: China Address before: Room 602, Fangzheng International Building, No. 52 North Fourth Ring West Road, Haidian District, Beijing, 100089 Patentee before: Beijing welline Pangu Technology Co.,Ltd. Country or region before: China |