CN110120264A - 一种哮喘的预后评估方法及装置 - Google Patents

Abstract

本发明实施例提供一种哮喘的预后评估方法及装置，涉及数据处理技术领域，该方法包括：提取患者的多个评估特征的特征值，然后将患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定患者对应的N个类别，每个分类子模型对应一个预后评估年限，患者对应的类别包括哮喘复发和哮喘不复发，N为大于0的整数。之后再根据患者对应的N个类别确定患者在N个分类子模型对应的预后评估年限中的评估结果。采用非线性分类模型对哮喘的预后情况进行评估，充分考虑非线性影响因素对哮喘预后评估的影响，故相较于传统的回归分析模型来说，评估的准确性更高。

Description

一种哮喘的预后评估方法及装置

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种哮喘的预后评估方法及装置。

背景技术

小儿哮喘(infantile asthma)是小儿常见的肺部疾患，是一种表现反复发作性咳嗽，喘鸣和呼吸困难，并伴有气道高反应性的可逆性、梗阻性呼吸道疾病。哮喘是一种严重危害儿童身体健康的常见慢性呼吸道疾病，其发病率高，常表现为反复发作的慢性病程，严重影响了患儿的学习、生活及活动，影响儿童的生长发育。不少哮喘患儿由于治疗不及时或治疗不当最终发展为成人哮喘而迁延不愈，肺功能受损，部分患儿甚至完全丧失体力活动能力。严重哮喘发作，若未得到及时有效治疗，可以致命。

通常情况下反复发病患儿经规范治疗后发作次数逐渐减少，症状自行缓解，大部可完全缓解，预后良好，但是仍然有部分患儿病情反复发作持续终生。儿童哮喘的转归，一方面可能与体质、生长发育有关，另一方面与家族遗传、环境因素、医疗状况有关。目前主要采用传统的统计方法对哮喘进行预后评估，比如多变量分析、线性回归、逻辑回归、套索回归等常见的回归分析模型，但是回归分析模型在处理非线性关系时表现不佳，而影响哮喘预后评估的因素中包括很多非线性因素，从而使得哮喘预后评估的准确性较低。

发明内容

本发明实施例提供一种哮喘的预后评估方法及装置，基于全面获得的患者的评估特征对哮喘进行预后评估，提高哮喘预后评估的准确性。

一方面，本申请实施例提供了一种哮喘的预后评估方法，包括：

提取患者的多个评估特征的特征值；

将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；

根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。

可选地，所述每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，包括：

获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；

对所述训练样本进行交叉验证，确定模型框架；

基于所述模型框架对所述训练样本进行训练，确定分类子模型。

可选地，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：

支持向量机模型、随机森林模型、神经网络模型。

可选地，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；

所述将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，包括：

将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。

可选地，所述多个评估特征包括下述特征任意组合：

性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否有过敏性疾病、既往哮喘发作住院次数、既往呼吸道感染次数、既往使用抗生素天数、过去4周内哮喘发作次数、过去4周内呼吸道感染次数、过去4周内因哮喘发作住院次数、过去4周内使用抗生素天数、过去4周内使用口服激素天数、过去4周内使用支气管扩张剂天数、过去4周内白天出现哮喘次数、过去4周内因哮喘活动受限次数、过去4周内因哮喘使用缓解药物次数、过去4周内因哮喘出现夜间醒来或夜间咳嗽次数、一秒用力呼气容积FEV1实际值、FEV1预计值、FEV1实际值与FEV1预计值的比值、FEV1/最大肺活量VC MAX实际值、FEV1/VC MAX预计值、FEV1/VC MAX实际值与FEV1/VCMAX预计值的比值、用力呼气流量FEF 25-75实际值、FEF 25-75预计值、FEF 25-75实际值与FEF 25-75预计值的比值、FEF 75实际值、FEF 75预计值、FEF 75实际值与FEF 75预计值的比值、呼气流量峰速PEF实际值、PEF预计值、PEF实际值与PEF预计值的比值。

一方面，本申请实施例提供了一种哮喘的预后评估装置，包括：

提取模块，用于提取患者的多个评估特征的特征值；

处理模块，用于将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；

评估模块，用于根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。

可选地，所述处理模块具体用于：

获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；

对所述训练样本进行交叉验证，确定模型框架；

基于所述模型框架对所述训练样本进行训练，确定分类子模型。

可选地，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：

支持向量机模型、随机森林模型、神经网络模型。

可选地，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；

所述处理模块具体用于：

将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。

可选地，所述多个评估特征包括下述特征任意组合：

性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否有过敏性疾病、既往哮喘发作住院次数、既往呼吸道感染次数、既往使用抗生素天数、过去4周内哮喘发作次数、过去4周内呼吸道感染次数、过去4周内因哮喘发作住院次数、过去4周内使用抗生素天数、过去4周内使用口服激素天数、过去4周内使用支气管扩张剂天数、过去4周内白天出现哮喘次数、过去4周内因哮喘活动受限次数、过去4周内因哮喘使用缓解药物次数、过去4周内因哮喘出现夜间醒来或夜间咳嗽次数、一秒用力呼气容积FEV1实际值、FEV1预计值、FEV1实际值与FEV1预计值的比值、FEV1/最大肺活量VC MAX实际值、FEV1/VC MAX预计值、FEV1/VC MAX实际值与FEV1/VCMAX预计值的比值、用力呼气流量FEF 25-75实际值、FEF 25-75预计值、FEF 25-75实际值与FEF 25-75预计值的比值、FEF 75实际值、FEF 75预计值、FEF 75实际值与FEF 75预计值的比值、呼气流量峰速PEF实际值、PEF预计值、PEF实际值与PEF预计值的比值。

一方面，本申请实施例提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行哮喘的预后评估方法的步骤。

一方面，本申请实施例提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行哮喘的预后评估方法的步骤。

本申请实施例中，提取患者的多个评估特征的特征值，然后将患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定患者对应的N个类别，每个分类子模型对应一个预后评估年限，患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数。之后再根据患者对应的N个类别确定患者在N个分类子模型对应的预后评估年限中的评估结果。本发明实施例中，采用非线性分类模型对哮喘的预后情况进行评估，充分考虑非线性影响因素对哮喘预后评估的影响，故相较于传统的回归分析模型来说，评估的准确性更高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种哮喘的预后评估方法的流程示意图；

图2为本申请实施例提供的一种哮喘的预后评估方法的流程示意图；

图3为本申请实施例提供的一种哮喘的预后评估装置的结构示意图；

图4为本申请实施例提供的一种终端设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示例性的示出了本申请实施例提供的一种哮喘的预后评估方法的流程，该流程可以由哮喘的预后评估装置执行，包括以下步骤：

步骤S101，提取患者的多个评估特征的特征值。

可选地，评估特征可以包括临床指标特征和实验室指标特征，临床指标特征可以从患者的就诊信息中获取。临床指标特征包括：性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否有过敏性疾病、既往哮喘发作住院次数、既往呼吸道感染次数、既往使用抗生素天数、过去4周内哮喘发作次数、过去4周内呼吸道感染次数、过去4周内因哮喘发作住院次数、过去4周内使用抗生素天数、过去4周内使用口服激素天数、过去4周内使用支气管扩张剂天数、过去4周内白天出现哮喘次数、过去4周内因哮喘活动受限次数、过去4周内因哮喘使用缓解药物次数、过去4周内因哮喘出现夜间醒来或夜间咳嗽次数。

实验室指标特征包括：一秒用力呼气容积FEV1实际值、FEV1预计值、FEV1实际值与FEV1预计值的比值、FEV1/最大肺活量VC MAX实际值、FEV1/VC MAX预计值、FEV1/VC MAX实际值与FEV1/VC MAX预计值的比值、用力呼气流量FEF 25-75实际值、FEF 25-75预计值、FEF25-75实际值与FEF 25-75预计值的比值、FEF 75实际值、FEF 75预计值、FEF 75实际值与FEF 75预计值的比值、呼气流量峰速PEF实际值、PEF预计值、PEF实际值与PEF预计值的比值。多个评估特征可以是临床指标特征和实验室指标特征中的特征的任意组合。

示例性地，设定多个评估特征为性别、年龄、身高、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏。从患者小王的就诊信息中，提取多个评估特征的特征值为：

性别：男；年龄：10岁；身高：138cm；第一次出现喘息发作时的年龄:7岁；确诊为哮喘前喘息发作次数：3次；在既往哮喘发作中出现气急/呼吸困难次数3次；在既往哮喘发作中吸氧治疗次数：1次；在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数：0次；哮喘是否存在诱发因素：无；对支气管扩张剂的治疗是否有反应：有；是否有湿疹/奶癣/特应性皮炎：无；是否有过敏性鼻炎：无；食物或药物过敏：无。

步骤S102，将患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定患者对应的N个类别。

将患者的多个评估特征的特征值输入非线性分类模型之前，需要对多个评估特征的特征值进一步进行处理，以实现数据统一规范化。例如，对于性别项，男为1，女为0。对于是否存在诱发因素/对支气管扩张剂的治疗是否有反应/是否有湿疹/奶癣/特应性皮炎/是否有过敏性鼻炎等几项，有为1，没有设为0。对于年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数等评估特征，可以按照训练样本集中对应项的平均值η和标准差σ，将[η-3σ,η+3σ]的值线性归一化到[0,1]间。小于η-3σ的项计作0，大于η-3σ的项计作1。如果有缺少的项，可以记为0。通过上述方法就可以将评估特征的特征值归一化处理，实现了数据的统一，并减小了数据计算量。

非线性分类模型包括N个分类子模型，每个分类子模型对应一个预后评估年限，患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数。

具体实施中，预后评估年限可以根据实际情况进行设定，比如需要评估患者在1年后哮喘的复发情况时，可以将预后评估年限设置为1年。非线性分类模型中的N个分类子模型可以分开训练，针对任意一个分类子模型，先设定该分类子模型对应的预后评估年限，然后采集多个患者的评估特征以及患者在预后评估年限对应的类别作为训练样本进行训练。

在一种可能的实施方式中，可以先对训练样本进行交叉验证，确定模型框架，基于模型框架对所述训练样本进行训练，确定分类子模型。

其中，交叉验证包括五折交叉验证、十折交叉验证等。示例性地，采用五折交叉验证建模时，将训练样本随机分为5等份，分别将每一份都单独作为测试集，其余4份作为训练集进行建模，重复5次，从5次建模的结果中挑选出性能最好的模型框架。之后再基于模型框架对所述训练样本进行训练，确定分类子模型，从而提高分类子模型的准确性。

步骤S103，根据患者对应的N个类别确定患者在N个分类子模型对应的预后评估年限中的评估结果。

具体地，每个分类子模型对应一个预后评估年限，每个分类子模型输出的患者的类别对应患者在预后评估年限中的评估结果，示例性地，分类子模型A对应的预后评估年限为1年，若分类子模型A输出患者对应的类别为哮喘复发，则可以确定患者的预后评估结果为1年后哮喘会复发。

本申请实施例中，通过获取临床指标特征和实验室指标特征中多个维度的特征训练非线性分类模型，数据维度较多，不需要采用统计学方法对缺失的数据进行填补，从而保证了非线性分类模型的性能，同时提高了哮喘预后评估的准确性。采用非线性分类模型对哮喘的预后情况进行评估，充分考虑非线性影响因素对哮喘预后评估的影响，故相较于传统的回归分析模型来说，评估的准确性更高。

可选地，在上述实施例中，N个分类子模型为以下任意一种模型或以下任意多种模型的组合：支持向量机模型、随机森林模型、神经网络模型。

具体地，支持向量机模型是建立在统计学习理论的结构风险最小化原则之上的一种分析方法，其主要思想是针对二分类问题在高维空间中寻找一个最佳超平面作为两类的分割，以保证最小的分类错误率。在训练支持向量机模型时，首先对训练样本进行归一化处理，以消除因数据绝对值差异导致的权重偏移。然后选择核函数进行建模，核函数包括多项式核函数、高斯核函数、sigmoid核函数等。之后再采用五折交叉验证法(5-fold cross-validation)，将现有的训练样本分为5等份，每一份都单独作为测试集，其余4份作为训练集进行建模，重复5次，从5次建模的结果中选择性能最好的模型框架，对于支持向量机模型来说，模型框架指参数惩罚因子(C)和核函数参数(g)。然后基于选择的参数惩罚因子(C)和核函数参数(g)，采用训练样本进行训练，得到支持向量机模型。

随机森林模型是决策树与套袋方法(Bagging)相结合的模型，具体实施中，在模型训练时，有放回地随机选择若干特征构造决策树。在这个过程中，样本的选择是随机的，特征的选择也是随机的，这意味着总的训练集中有些样本可能多次出现在一棵树的训练集中，也可能从未出现在任何一棵树的训练集中。其主要步骤如下：首先，对于训练样本中的连续数据，比如身高、体重等，采用二分法对连续属性离散化。然后采用五折交叉验证法(5-fold cross-validation)，将现有的训练样本分为5等份，每一份都单独作为测试集，其余4份作为训练集进行建模，重复5次，从5次建模的结果中选择性能最好的模型框架，对于随机森林模型来说，模型框架指随机森林深度。应用boostrap重采样技术从m个训练样本中随机抽取n个样本集，并由此构建n棵决策树。对每棵决策树生长过程中，每一个节点从所有特征中随机抽取F个特征作为当前节点分裂的子集，决策树深度为预先采用五折交叉验证法选择的深度。在构建决策树时通常采用最小均方误差作为分裂的评判标准，以此选择最好的分裂方式。将n棵决策树组成最终的随机森林模型。

神经网络模型采用了多级神经元链接的方式，每个神经元都有输入连接和输出连接，每一个连接都有权重，模拟了大脑中突触和神经递质的行为。同时引入输入函数和激活函数来模拟神经元信息传递机制。利用监督学习的方法，通过反向传播算法和梯度下降技术等手段不断调整每一个链接的权重，实现学习功能。在训练神经网络模型时，首先提取患者的多个评估特征的特征值，对提取的特征值进行降维处理，确定与哮喘预后关联度高的特征向量，降低神经网络过拟合的可能性。然后采用十折交叉验证法(10-fold cross-validation)，将现有的训练样本分为10等份，每一份都单独作为测试集，其余9份作为训练集进行建模，重复10次，从10次建模的结果中选择性能最好的模型框架，对于神经网络模型来说，模型框架指神经网络模型的层数和每层神经元数量。之后再采用监督学习的方法训练神经网络中各个链接的权重，获得神经网络模型。

为了更好的解释本发明实施例，下面结合具体的实施场景描述本发明实施例提供的一种哮喘的预后评估方法，设定N为3，3个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，支持向量机模型对应的预后评估年限为1年，随机森林模型对应的预后评估年限为2年，神经网络模型对应的预后评估年限为3年，如图2所示，该方法包括以下步骤：

步骤S201，提取患者的多个评估特征的特征值。

多个评估特征为临床指标特征和实验室指标特征中所有的特征。

步骤S202，将患者的多个评估特征的特征值输入非线性分类模型中的支持向量机模型，确定患者对应的第一类别。

第一类别对应患者1年后哮喘是否复发的评估结果，当第一类别为哮喘复发时，对应患者1年后哮喘是否复发的评估结果为哮喘复发。当第一类别为哮喘不复发时，对应患者1年后哮喘是否复发的评估结果为哮喘不复发。

步骤S203，将患者的多个评估特征的特征值输入非线性分类模型中的随机森林模型，确定患者对应的第二类别。

第二类别对应患者2年后哮喘是否复发的评估结果，当第二类别为哮喘复发时，对应患者2年后哮喘是否复发的评估结果为哮喘复发。当第二类别为哮喘不复发时，对应患者2年后哮喘是否复发的评估结果为哮喘不复发。

步骤S204，将患者的多个评估特征的特征值输入非线性分类模型中的神经网络模型，确定所述患者对应的第三类别。

第三类别对应患者3年后哮喘是否复发的评估结果。当第三类别为哮喘复发时，对应患者3年后哮喘是否复发的评估结果为哮喘复发。当第三类别为哮喘不复发时，对应患者3年后哮喘是否复发的评估结果为哮喘不复发。

步骤S205，根据患者对应的三个类别确定患者在3个分类子模型对应的预后评估年限中的评估结果。

结合三个分类子模型输出的三个类别可以同时得到患者在1年后、2年后、3年后哮喘是否复发的评估结果。

本申请实施例中，通过获取临床指标特征和实验室指标特征中多个维度的特征训练非线性分类模型，数据维度较多，不需要采用统计学方法对缺失的数据进行填补，从而保证了非线性分类模型的性能，同时提高了哮喘预后评估的准确性。采用非线性分类模型对哮喘的预后情况进行评估，充分考虑非线性影响因素对哮喘预后评估的影响，故相较于传统的回归分析模型来说，评估的准确性更高。

基于相同的技术构思，本发明实施例提供了一种哮喘的预后评估装置，如图3所示，该装置300包括：

提取模块301，用于提取患者的多个评估特征的特征值；

处理模块302，用于将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；

评估模块303，用于根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。

可选地，所述处理模块302具体用于：

获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；

对所述训练样本进行交叉验证，确定模型框架；

基于所述模型框架对所述训练样本进行训练，确定分类子模型。

可选地，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：

支持向量机模型、随机森林模型、神经网络模型。

可选地，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；

所述处理模块302具体用于：

将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。

可选地，所述多个评估特征包括下述特征任意组合：

性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否有过敏性疾病、既往哮喘发作住院次数、既往呼吸道感染次数、既往使用抗生素天数、过去4周内哮喘发作次数、过去4周内呼吸道感染次数、过去4周内因哮喘发作住院次数、过去4周内使用抗生素天数、过去4周内使用口服激素天数、过去4周内使用支气管扩张剂天数、过去4周内白天出现哮喘次数、过去4周内因哮喘活动受限次数、过去4周内因哮喘使用缓解药物次数、过去4周内因哮喘出现夜间醒来或夜间咳嗽次数、一秒用力呼气容积FEV1实际值、FEV1预计值、FEV1实际值与FEV1预计值的比值、FEV1/最大肺活量VC MAX实际值、FEV1/VC MAX预计值、FEV1/VC MAX实际值与FEV1/VCMAX预计值的比值、用力呼气流量FEF 25-75实际值、FEF 25-75预计值、FEF 25-75实际值与FEF 25-75预计值的比值、FEF 75实际值、FEF 75预计值、FEF 75实际值与FEF 75预计值的比值、呼气流量峰速PEF实际值、PEF预计值、PEF实际值与PEF预计值的比值。

基于相同的技术构思，本申请实施例提供了一种终端设备，如图4所示，包括至少一个处理器401，以及与至少一个处理器连接的存储器402，本申请实施例中不限定处理器401与存储器402之间的具体连接介质，图4中处理器401和存储器402之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。

在本申请实施例中，存储器402存储有可被至少一个处理器401执行的指令，至少一个处理器401通过执行存储器402存储的指令，可以执行哮喘的预后评估方法中所包括的步骤。

其中，处理器401是终端设备的控制中心，可以利用各种接口和线路连接终端设备的各个部分，通过运行或执行存储在存储器402内的指令以及调用存储在存储器402内的数据，从而对哮喘进行预后评估。可选的，处理器401可包括一个或多个处理单元，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。在一些实施例中，处理器401和存储器402可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器401可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器402可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器402是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器402还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

基于同一发明构思，本申请实施例提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行哮喘的预后评估方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种哮喘的预后评估方法，其特征在于，包括：

提取患者的多个评估特征的特征值；

将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；

根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。

2.如权利要求1所述的方法，其特征在于，所述每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，包括：

获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；

对所述训练样本进行交叉验证，确定模型框架；

基于所述模型框架对所述训练样本进行训练，确定分类子模型。

3.如权利要求1所述的方法，其特征在于，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：

支持向量机模型、随机森林模型、神经网络模型。

4.如权利要求3所述的方法，其特征在于，所述N为3，所述N个分类子模型分别为支持向量机模型、随机森林模型、神经网络模型，所述支持向量机模型对应的预后评估年限为1年，所述随机森林模型对应的预后评估年限为2年，所述神经网络模型对应的预后评估年限为3年；

所述将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，包括：

将所述患者的多个评估特征的特征值输入所述支持向量机模型，确定所述患者对应的第一类别，所述第一类别对应所述患者1年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述随机森林模型，确定所述患者对应的第二类别，所述第二类别对应所述患者2年后哮喘是否复发的评估结果；

将所述患者的多个评估特征的特征值输入所述神经网络模型，确定所述患者对应的第三类别，所述第三类别对应所述患者3年后哮喘是否复发的评估结果。

5.如权利要求1至4任一所述的方法，其特征在于，所述多个评估特征包括下述特征任意组合：

性别、年龄、体重、身高、标准体重BMI、第一次出现喘息发作时的年龄、确诊为哮喘前喘息发作次数、在既往哮喘发作中出现气急/呼吸困难次数、在既往哮喘发作中吸氧治疗次数、在既往哮喘发作中需要气管插管/辅助呼吸机治疗次数、哮喘是否存在诱发因素、对支气管扩张剂的治疗是否有反应、是否有湿疹/奶癣/特应性皮炎、是否有过敏性鼻炎、食物或药物过敏、母亲是否有过敏性疾病、父亲是否有过敏性疾病、既往哮喘发作住院次数、既往呼吸道感染次数、既往使用抗生素天数、过去4周内哮喘发作次数、过去4周内呼吸道感染次数、过去4周内因哮喘发作住院次数、过去4周内使用抗生素天数、过去4周内使用口服激素天数、过去4周内使用支气管扩张剂天数、过去4周内白天出现哮喘次数、过去4周内因哮喘活动受限次数、过去4周内因哮喘使用缓解药物次数、过去4周内因哮喘出现夜间醒来或夜间咳嗽次数、一秒用力呼气容积FEV1实际值、FEV1预计值、FEV1实际值与FEV1预计值的比值、FEV1/最大肺活量VC MAX实际值、FEV1/VC MAX预计值、FEV1/VC MAX实际值与FEV1/VCMAX预计值的比值、用力呼气流量FEF25-75实际值、FEF25-75预计值、FEF25-75实际值与FEF25-75预计值的比值、FEF75实际值、FEF75预计值、FEF75实际值与FEF75预计值的比值、呼气流量峰速PEF实际值、PEF预计值、PEF实际值与PEF预计值的比值。

6.一种哮喘的预后评估装置，其特征在于，包括：

提取模块，用于提取患者的多个评估特征的特征值；

处理模块，用于将所述患者的多个评估特征的特征值分别输入非线性分类模型的N个分类子模型，确定所述患者对应的N个类别，每个分类子模型对应一个预后评估年限，所述患者对应的类别包括哮喘复发和哮喘不复发，每个分类子模型是以多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别为训练样本训练获得的，N为大于0的整数；

评估模块，用于根据所述患者对应的N个类别确定所述患者在所述N个分类子模型对应的预后评估年限中的评估结果。

7.如权利要求6所述的装置，其特征在于，所述处理模块具体用于：

获取训练样本，所述训练样本包括多个患者的评估特征的特征值以及所述多个患者在预后评估年限对应的类别；

对所述训练样本进行交叉验证，确定模型框架；

基于所述模型框架对所述训练样本进行训练，确定分类子模型。

8.如权利要求6所述的装置，其特征在于，所述N个分类子模型为以下任意一种模型或以下任意多种模型的组合：

支持向量机模型、随机森林模型、神经网络模型。

9.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一权利要求所述方法的步骤。

10.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～5任一所述方法的步骤。