CN108847289A - 上尿路损害风险预测方法、装置与计算机可读存储介质 - Google Patents
上尿路损害风险预测方法、装置与计算机可读存储介质 Download PDFInfo
- Publication number
- CN108847289A CN108847289A CN201810842990.1A CN201810842990A CN108847289A CN 108847289 A CN108847289 A CN 108847289A CN 201810842990 A CN201810842990 A CN 201810842990A CN 108847289 A CN108847289 A CN 108847289A
- Authority
- CN
- China
- Prior art keywords
- urinary tract
- model
- damage
- prediction
- decision
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明公开了一种上尿路损害风险预测方法、装置与计算机可读存储介质,该方法依据神经源性膀胱患者的医疗数据,分别建立logistic回归模型和决策树模型,并根据logistic回归模型对应的第一预测概率和ROC曲线以及决策树模型对应的第二预测概率和ROC曲线,建立神经源性膀胱上尿路损害风险预测模型;根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值与所述神经源性膀胱上尿路损害风险预测模型,获得待预测目标的神经源性膀胱上尿路损害的风险预测结果。该方法基于logistic回归模型和决策树模型,建立神经源性膀胱上尿路损害风险预测模型以进行神经源性膀胱上尿路损害风险预测,有效降低了神经源性膀胱上尿路损害风险预测的难度,提高分析效率高和预测准确度。
Description
技术领域
本发明涉及上尿路损害风险预测技术领域,具体涉及一种上尿路损害风险预测方法、装置与计算机可读存储介质。
背景技术
神经源性膀胱是临床常见的疾病,它不仅会因尿失禁、尿潴留等下尿路症状给患者日常生活带来不便,而且会出现肾盂肾炎、肾积水、膀胱输尿管返流等上尿路并发症,造成上尿路损害,进而导致肾功能衰竭、甚至死亡。
研究表明,人口学特征、病程、损伤程度、尿动力学指标、膀胱管理方式、泌尿系统并发症等多种因素可能与神经源性膀胱上尿路损害的发生有关。这些相关因素的变化或特征在一定程度上能预测上尿路损害的风险或可能,因此,以这些相关因素的变化来进行神经源性膀胱上尿路损害风险的预测成为本领域的研究重点。但是,目前大部分研究者都通过文献的结果、指南的指引来粗略判断神经源性膀胱患者上尿路损害的风险;而通过文献的结果、指南的指引来判断神经源性膀胱患者上尿路损害的风险存在如下缺陷:由于神经源性膀胱上尿路损害的发生原因及机制相当复杂,预测上尿路损害的发生风险的难度较大、分析效率低、估计准确度低。
发明内容
本发明的目的是提供一种上尿路损害风险预测方法、装置与计算机可读存储介质,通过结合数据挖掘技术,建立神经源性膀胱上尿路损害风险预测模型,有效降低了神经源性膀胱上尿路损害风险预测的难度,提高分析效率高和预测准确度。
为解决以上技术问题,本发明实施例提供一种上尿路损害风险预测方法,包括:
将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;
对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;
对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;
以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;
以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;
从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;
根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。
优选地,所述对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率,具体包括:
以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型;
采用似然比检验法对所述logistic回归模型进行检验;
获取检验后的所述logistic回归模型的预测概率,作为所述第一预测概率。
优选地,所述对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率,具体包括:
以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用分类回归树法进行分类回归树分析,建立所述决策树模型;
以灵敏度、特异度、阳性预测价值、阴性预测价值和准确度作为所述决策树模型中内部验证的预测价值,采用Kappa一致性分析对所述决策树模型的预测概率进行检验,并对所述决策树模型进行交叉验证;
获得验证后的所述决策树模型的预测概率,作为所述第二预测概率。
优选地,基于统计软件SPSS version 20.0,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型。
优选地,基于软件MedCalc Version17.8.6,采用分类回归树法进行分类回归树分析,建立所述决策树模型。
本发明实施例还提供了一种上尿路损害风险预测装置,包括:
影响因子获取模块,用于将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;
第一模型建立模块,用于对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;
第二模型建立模块,用于对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;
第一ROC曲线构建模块,用于以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;
第二ROC曲线构建模块,用于以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;
预测模型建立模块,用于从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;
分析预测模块,用于根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。
优选地,所述第一模型建立模块,包括:
回归分析单元,用于以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型;
第一校验单元,用于采用似然比检验法对所述logistic回归模型进行检验;
第一预测概率获取单元,用于获取检验后的所述logistic回归模型的预测概率,作为所述第一预测概率。
优选地,所述第二模型建立模块,包括:
分类回归树分析单元,用于以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用分类回归树法进行分类回归树分析,建立所述决策树模型;
第二校验单元,用于以灵敏度、特异度、阳性预测价值、阴性预测价值和准确度作为所述决策树模型中内部验证的预测价值,采用Kappa一致性分析对所述决策树模型的预测概率进行检验,并对所述决策树模型进行交叉验证;
第二预测概率获取单元,用于获得验证后的所述决策树模型的预测概率,作为所述第二预测概率。
本发明实施例还提供了一种上尿路损害风险预测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的上尿路损害风险预测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的上尿路损害风险预测方法。
相对于现有技术,本发明提供的一种上尿路损害风险预测方法的有益效果在于:将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。所述方法通过结合数据挖掘技术,基于logistic回归模型和决策树模型,建立神经源性膀胱上尿路损害风险预测模型以进行神经源性膀胱上尿路损害风险预测,有效降低了神经源性膀胱上尿路损害风险预测的难度,提高分析效率高和预测准确度。
附图说明
图1是本发明实施例提供的一种上尿路损害风险预测方法的流程图;
图2是图1中所述logistic回归模型和所述决策树模型的ROC曲线图;
图3是本发明实施例提供的一种上尿路损害风险预测装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其是本发明实施例提供的一种上尿路损害风险预测方法的流程图;所述上尿路损害风险预测方法,包括:
S1:将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;
S2:对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;
S3:对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;
S4:以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;
S5:以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;
S6:从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;
S7:根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。
在本实施例中,从医疗平台上采集112例神经源性膀胱患者的医疗数据,包括:一般资料、病情资料、尿动力学检查和泌尿系影像学检查资料,并将112例神经源性膀胱患者中的合并上尿路损害(upper urinary tract damage,UUTD)的神经源性膀胱患者设为病例组,将112例神经源性膀胱患者中的未合并上尿路损害者设为对照组。并分别对病例组的医疗数据以及对照组的医疗数据分别进行数据筛选和特征提取,获取上尿路损害对应的影响因子。通过步骤S2到S5,得到所述logistic回归模型的第一预测概率为73.2%,ROC(受试者工作特征)曲线下面积0.842(95%可信区间:0.761~0.904);所述决策树模型第二预测概率为84.8%,ROC曲线下面积为0.909(95%可信区间:0.839~0.955),具体如图2所示。通过对比分析,可以得到所述决策树模型的预测准确度和ROC曲线下面积均高于所述logistic回归模型,因此,在本实施例中,优选所述决策树模型建立所述神经源性膀胱上尿路损害风险预测模型,将待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值依次输入到所述神经源性膀胱上尿路损害风险预测模型,即可获得神经源性膀胱上尿路损害的风险预测结果。
上述方法基于数据挖掘技术,对logistic回归模型和决策树模型的预测结果进行比较分析,并选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型以进行神经源性膀胱上尿路损害风险预测,能够有效降低了神经源性膀胱上尿路损害风险预测的难度,提高分析效率高和预测准确度。
在所述上尿路损害风险预测方法的应用方面,可以将建立好的神经源性膀胱上尿路损害风险预测模型,采用信息技术,构建应用APP,方面普通人群通过手机、平板等智能终端下载包括神经源性膀胱上尿路损害风险预测模型的应用APP进行神经源性膀胱上尿路损害的风险预测;使得神经源性膀胱上尿路损害的风险预测的流程更加简便,预测结果更加直观,方便临床应用,因此,所述上尿路损害风险预测方法具有广泛的应用前景。
在一种可选的实施例中,S2:对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率,具体包括:
以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型;
采用似然比检验法对所述logistic回归模型进行检验;
获取检验后的所述logistic回归模型的预测概率,作为所述第一预测概率。
在一种可选的实施例中,S3:对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率,具体包括:
以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用分类回归树法进行分类回归树分析,建立所述决策树模型;
以灵敏度、特异度、阳性预测价值、阴性预测价值和准确度作为所述决策树模型中内部验证的预测价值,采用Kappa一致性分析对所述决策树模型的预测概率进行检验,并对所述决策树模型进行交叉验证;
获得验证后的所述决策树模型的预测概率,作为所述第二预测概率。
在一种可选的实施例中,基于统计软件SPSS version 20.0,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型。
在一种可选的实施例中,基于软件MedCalc Version17.8.6,采用分类回归树法进行分类回归树分析,建立所述决策树模型。
请参阅图3,其是本发明实施例提供的一种上尿路损害风险预测装置的示意图,所述上尿路损害风险预测装置,包括:
影响因子获取模1,用于将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;
第一模型建立模块2,用于对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;
第二模型建立模块3,用于对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;
第一ROC曲线构建模块4,用于以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;
第二ROC曲线构建模块5,用于以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;
预测模型建立模块6,用于从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;
分析预测模块7,用于根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。
在本实施例中,从医疗平台上采集112例神经源性膀胱患者的医疗数据,包括:一般资料、病情资料、尿动力学检查和泌尿系影像学检查资料,并将112例神经源性膀胱患者中的合并上尿路损害(upper urinary tract damage,UUTD)的神经源性膀胱患者设为病例组,将112例神经源性膀胱患者中的未合并上尿路损害者设为对照组。并分别对病例组的医疗数据以及对照组的医疗数据分别进行数据筛选和特征提取,获取上尿路损害对应的影响因子。通过步骤S2到S5,得到所述logistic回归模型的第一预测概率为73.2%,ROC(受试者工作特征)曲线下面积0.842(95%可信区间:0.761~0.904);所述决策树模型第二预测概率为84.8%,ROC曲线下面积为0.909(95%可信区间:0.839~0.955),具体如图2所示。通过对比分析,可以得到所述决策树模型的预测准确度和ROC曲线下面积均高于所述logistic回归模型,因此,在本实施例中,优选所述决策树模型建立所述神经源性膀胱上尿路损害风险预测模型以进行后续的神经源性膀胱上尿路损害风险预测。
上述装置基于数据挖掘技术,对logistic回归模型和决策树模型的预测结果进行比较分析,并选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型以进行神经源性膀胱上尿路损害风险预测,能够有效降低了神经源性膀胱上尿路损害风险预测的难度,提高分析效率高和预测准确度。
在一种可选的实施例中,所述第一模型建立模块2,包括:
回归分析单元,用于以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型;
第一校验单元,用于采用似然比检验法对所述logistic回归模型进行检验;
第一预测概率获取单元,用于获取检验后的所述logistic回归模型的预测概率,作为所述第一预测概率。
在一种可选的实施例中,所述第二模型建立模块3,包括:
分类回归树分析单元,用于以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用分类回归树法进行分类回归树分析,建立所述决策树模型;
第二校验单元,用于以灵敏度、特异度、阳性预测价值、阴性预测价值和准确度作为所述决策树模型中内部验证的预测价值,采用Kappa一致性分析对所述决策树模型的预测概率进行检验,并对所述决策树模型进行交叉验证;
第二预测概率获取单元,用于获得验证后的所述决策树模型的预测概率,作为所述第二预测概率。
在一种可选的实施例中,所述回归分析单元,用于基于统计软件SPSS version20.0,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型。
在一种可选的实施例中,所述分类回归树分析单元,用于基于软件MedCalcVersion17.8.6,采用分类回归树法进行分类回归树分析,建立所述决策树模型。
本发明实施例还提供了一种上尿路损害风险预测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的上尿路损害风险预测方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述上尿路损害风险预测装置中的执行过程。例如,所述计算机程序可以被分割成如图3所示的上尿路损害风险预测装置的功能模块。
所述上尿路损害风险预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述上尿路损害风险预测装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是上尿路损害风险预测装置的示例,并不构成对上尿路损害风险预测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述上尿路损害风险预测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述上尿路损害风险预测装置的控制中心,利用各种接口和线路连接整个上尿路损害风险预测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述上尿路损害风险预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述上尿路损害风险预测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的上尿路损害风险预测方法。
相对于现有技术,本发明提供的一种上尿路损害风险预测方法的有益效果在于:将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。所述方法通过结合数据挖掘技术,基于logistic回归模型和决策树模型,建立神经源性膀胱上尿路损害风险预测模型以进行神经源性膀胱上尿路损害风险预测,有效降低了神经源性膀胱上尿路损害风险预测的难度,提高分析效率高和预测准确度。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种上尿路损害风险预测方法,其特征在于,包括:
将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;
对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;
对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;
以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;
以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;
从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;
根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。
2.如权利要求1所述的上尿路损害风险预测方法,其特征在于,所述对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率,具体包括:
以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型;
采用似然比检验法对所述logistic回归模型进行检验;
获取检验后的所述logistic回归模型的预测概率,作为所述第一预测概率。
3.如权利要求1所述的上尿路损害风险预测方法,其特征在于,所述对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率,具体包括:
以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用分类回归树法进行分类回归树分析,建立所述决策树模型;
以灵敏度、特异度、阳性预测价值、阴性预测价值和准确度作为所述决策树模型中内部验证的预测价值,采用Kappa一致性分析对所述决策树模型的预测概率进行检验,并对所述决策树模型进行交叉验证;
获得验证后的所述决策树模型的预测概率,作为所述第二预测概率。
4.如权利要求2所述的上尿路损害风险预测方法,其特征在于,基于统计软件SPSSversion 20.0,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型。
5.如权利要求3所述的上尿路损害风险预测方法,其特征在于,基于软件MedCalcVersion17.8.6,采用分类回归树法进行分类回归树分析,建立所述决策树模型。
6.一种上尿路损害风险预测装置,其特征在于,包括:
影响因子获取模块,用于将预先采集的神经源性膀胱患者的医疗数据进行数据筛选和特征提取,获取上尿路损害对应的影响因子,所述影响因子包括:是否发生上尿路损害、性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标;
第一模型建立模块,用于对所述影响因子进行回归分析,建立logistic回归模型并获得所述logistic回归模型对应的第一预测概率;
第二模型建立模块,用于对所述影响因子进行分类回归树分析,建立决策树模型并获得所述决策树模型对应的第二预测概率;
第一ROC曲线构建模块,用于以所述第一预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述logistic回归模型对应的ROC曲线;
第二ROC曲线构建模块,用于以所述第二预测概率为分析变量,所述影响因子中的是否发生上尿路损害为分类变量,构建所述决策树模型对应的ROC曲线;
预测模型建立模块,用于从所述logistic回归模型对应的ROC曲线、所述决策树模型对应的ROC曲线中选取预测准确度以及下面积较高的ROC曲线对应的模型,建立神经源性膀胱上尿路损害风险预测模型;
分析预测模块,用于根据待预测目标的性别、尿道功能、最大膀胱压力值、最大腹压值以及所述神经源性膀胱上尿路损害风险预测模型,获得所述待预测目标的神经源性膀胱上尿路损害的风险预测结果。
7.如权利要求6所述的上尿路损害风险预测装置,其特征在于,所述第一模型建立模块,包括:
回归分析单元,用于以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用偏最大似然估计前进法进行回归分析,建立所述logistic回归模型;
第一校验单元,用于采用似然比检验法对所述logistic回归模型进行检验;
第一预测概率获取单元,用于获取检验后的所述logistic回归模型的预测概率,作为所述第一预测概率。
8.如权利要求1所述的上尿路损害风险预测装置,其特征在于,所述第二模型建立模块,包括:
分类回归树分析单元,用于以是否发生上尿路损害为因变量,以性别、年龄、泌尿系感染病史、膀胱管理方式、保守治疗方法、尿流动力学指标为自变量,采用分类回归树法进行分类回归树分析,建立所述决策树模型;
第二校验单元,用于以灵敏度、特异度、阳性预测价值、阴性预测价值和准确度作为所述决策树模型中内部验证的预测价值,采用Kappa一致性分析对所述决策树模型的预测概率进行检验,并对所述决策树模型进行交叉验证;
第二预测概率获取单元,用于获得验证后的所述决策树模型的预测概率,作为所述第二预测概率。
9.一种上尿路损害风险预测装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的上尿路损害风险预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的上尿路损害风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810842990.1A CN108847289A (zh) | 2018-07-27 | 2018-07-27 | 上尿路损害风险预测方法、装置与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810842990.1A CN108847289A (zh) | 2018-07-27 | 2018-07-27 | 上尿路损害风险预测方法、装置与计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108847289A true CN108847289A (zh) | 2018-11-20 |
Family
ID=64192421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810842990.1A Pending CN108847289A (zh) | 2018-07-27 | 2018-07-27 | 上尿路损害风险预测方法、装置与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108847289A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109817328A (zh) * | 2018-12-29 | 2019-05-28 | 上海依智医疗技术有限公司 | 一种判别哮喘的方法及装置 |
CN110706822A (zh) * | 2019-09-20 | 2020-01-17 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
CN110742611A (zh) * | 2019-10-23 | 2020-02-04 | 复旦大学附属儿科医院 | 一种结合临床多指标的预测算法 |
CN111710423A (zh) * | 2020-06-17 | 2020-09-25 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于回归模型测定心境障碍发病风险概率的方法 |
CN114611919A (zh) * | 2022-03-09 | 2022-06-10 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种不合格产品的风险评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理系统 |
CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
-
2018
- 2018-07-27 CN CN201810842990.1A patent/CN108847289A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895596A (zh) * | 2016-12-19 | 2018-04-10 | 平安科技(深圳)有限公司 | 风险预测方法及系统 |
CN107358047A (zh) * | 2017-07-13 | 2017-11-17 | 刘峰 | 糖尿病患者评估及管理系统 |
CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
Non-Patent Citations (1)
Title |
---|
方蘅英 等: "神经源性膀胱上尿路损害风险评估工具的研制", 《中华护理杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109817328A (zh) * | 2018-12-29 | 2019-05-28 | 上海依智医疗技术有限公司 | 一种判别哮喘的方法及装置 |
CN110706822A (zh) * | 2019-09-20 | 2020-01-17 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
CN110706822B (zh) * | 2019-09-20 | 2024-02-02 | 上海派拉软件股份有限公司 | 基于逻辑回归模型和决策树模型的健康管理方法 |
CN110742611A (zh) * | 2019-10-23 | 2020-02-04 | 复旦大学附属儿科医院 | 一种结合临床多指标的预测算法 |
CN110742611B (zh) * | 2019-10-23 | 2023-04-14 | 复旦大学附属儿科医院 | 一种结合临床多指标的预测算法 |
CN111710423A (zh) * | 2020-06-17 | 2020-09-25 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于回归模型测定心境障碍发病风险概率的方法 |
CN114611919A (zh) * | 2022-03-09 | 2022-06-10 | 广东产品质量监督检验研究院(国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室) | 一种不合格产品的风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108847289A (zh) | 上尿路损害风险预测方法、装置与计算机可读存储介质 | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
CN108351862A (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
US20190180379A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
CN108364233A (zh) | 一种保单风险评估方法、装置、终端设备及存储介质 | |
CN109523412A (zh) | 智能核保方法、装置、计算机设备及计算机可读存储介质 | |
US20160358290A1 (en) | Health severity score predictive model | |
CN108416190A (zh) | 基于深度学习的肿瘤早期筛查方法、装置、设备及介质 | |
CN109598302B (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
CN109934723A (zh) | 一种医保欺诈行为识别方法、装置及设备 | |
CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
CN116389316A (zh) | 电力光通信网络故障感知方法、装置、设备及存储介质 | |
US11893854B2 (en) | Detection of possible problem gambling behaviour | |
CN109584086A (zh) | 基于预测模型预测住院合理性的方法及相关产品 | |
Nguyen et al. | An evaluation of randomized machine learning methods for redundant data: Predicting short and medium-term suicide risk from administrative records and risk assessments | |
CN113678147A (zh) | 搜索方法以及信息处理系统 | |
CN110097940A (zh) | 一种体检项目推荐方法及相关产品 | |
US20230022030A1 (en) | Systems and methods for processing images for image matching | |
Twarish Alhamazani et al. | Implementation of machine learning models for the prevention of kidney diseases (CKD) or their derivatives | |
CN113707263B (zh) | 基于群体划分的药物有效性评价方法、装置及计算机设备 | |
CN112382395B (zh) | 基于机器学习的一体化建模系统 | |
WO2021256784A1 (ko) | 환자의 성별에 따른 치매 위험 인자를 이용한 치매 예측 방법 및 장치 | |
CN117476110B (zh) | 基于人工智能的多尺度生物标记物发现系统 | |
KR102496026B1 (ko) | 예측 데이터를 이용한 전립선암 치료 계획 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |