CN110634571A - 肝移植术后预后预测系统 - Google Patents
肝移植术后预后预测系统 Download PDFInfo
- Publication number
- CN110634571A CN110634571A CN201910893456.8A CN201910893456A CN110634571A CN 110634571 A CN110634571 A CN 110634571A CN 201910893456 A CN201910893456 A CN 201910893456A CN 110634571 A CN110634571 A CN 110634571A
- Authority
- CN
- China
- Prior art keywords
- module
- liver transplantation
- data
- clinical data
- prognosis
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能技术以及智慧医疗技术领域,为了解决现有技术中采用一个或多个影响因素的假设前提上进行研究导致研究结果不准确的问题,提供了一种肝移植术后预后预测系统,包括数据采集模块,用于获取临床数据;数据库,用于存储临床数据,临床数据包括患者的基本信息、临床指标、术中处理措施以及肝移植术后预后情况;因素统计模块,用于对临床数据进行统计检验并得出显著性较强的影响因子;相关性分析模块,用于对影响因子与肝移植术后预后情况的相关性进行分析并检验,得到与肝移植术后预后情况存在显著统计相关性的危险因素。本发明应用在对患者肝移植术后预后情况的预测中。
Description
技术领域
本发明涉及人工智能技术以及智慧医疗技术领域,具体为一种肝移植术后预后预测系统。
背景技术
肝移植手术,是指通过手术植入一个健康的肝脏到患者体内,使终末期肝病患者肝功能得到良好恢复的一种外科治疗手段。肝移植是目前公认的治疗终末期肝病的最有效措施。经过超过50年的发展,肝移植患者术后存活时间不断延长,并发症的发生率亦有所降低。然而,尽管肝移植受体术后的生存率、生存质量有所提高,但肝移植手术后并发症多而且复杂,如胆道并发症是肝移植术后的严重并发症,发病率高达10-30%,是影响肝移植病人长期生存的重要原因,直接关系到患者的预后,部分严重的患者甚至还需要再次进行肝移植。这样一来,不仅降低了患者的康复效率,还会降低供体肝脏的有效利用率。因此,鉴于目前器官短缺和需求量巨大的矛盾,如何提高肝移植手术成功率,更加有效的利用供体肝脏已经成为亟待解决的问题。
现目前,为了提高肝移植手术的成功率,已经对肝脏缺血再灌注损伤、手术技巧、围手术期管理、免疫抑制治疗进行了广泛研究,包括调整凝血功能、减少手中失血等。然而,由于患者肝移植术后预后的术中影响因素较多,而现有的研究中,由于采用的研究思路多是在“假设因素A为患者肝移植术后预后的术中影响因素”或“假设因素A、B、C等为患者肝移植术后预后的术中影响因素”的一个或多个影响因素的假设前提上进行研究,而且,在对于一些危险因素进行筛查时也可能会受到种种限制,如安全因素的限制,这样一来,也就没能对肝移植手术过程中可能导致术后预后不良的相关临床指标和危险因素进行全面的分析研究。因此,如何完成对肝移植手术过程中可能导致术后预后不良的相关临床指标和危险因素进行全面分析也就成为了提高肝移植手术成功效率的研究方向。
发明内容
本发明意在提供一种肝移植术后预后预测系统,以解决现有技术中采用一个或多个影响因素的假设前提上进行研究导致研究结果不准确的问题。
本发明提供基础方案是:肝移植术后预后预测系统,包括数据采集模块,用于获取临床数据;
数据库,用于存储临床数据,临床数据包括患者的基本信息、临床指标、术中处理措施以及肝移植术后预后情况;
因素统计模块,用于对临床数据进行统计检验并得出显著性较强的影响因子;
相关性分析模块,用于对影响因子与肝移植术后预后情况的相关性进行分析并检验,得到与肝移植术后预后情况存在显著统计相关性的危险因素。
基础方案的工作原理及有益效果是:与现有的研究方法相比较,本方案中,1.作为分析基础的数据是采集到的现有的临床数据,取代现有技术中,假定影响因素后再对某一个或几个因素进行研究的方式,节约了研究成本,同时也对临床数据进行了充分利用;2.本方案中采用现目前所有采集到的临床数据进行分析,从现有的数据中分析得出影响因素,取代了现有研究中由于假定因素有限导致分析结果不全面的问题,通过对所有数据同时进行统计分析,从而保证了分析得出的影响因素以及危险因素的全面性,提高了分析结果的准确性。
优选方案一:作为基础方案的优选,还包括有数据修正模块,用于对采集到的临床数据进行整理和修正,因素统计模块对修正后的临床数据进行分析。有益效果:考虑到现在用于检查身体各项指标的设备仪器的准确率并不能够做到完全正确,偶尔还会因为受到一些外界因素的影响导致检查出的数据有明显错误,因此本方案中还设置有修正模块对临床数据进行整理和修正,在发现采集到的临床数据有明显错误的时候,可通过修正模块对该临床数据进行修正,从而保证了临床数据的准确性,也就提高了分析结果的准确性。
优选方案二:作为优选方案一的优选,还包括格式转化模块,用于将采集到的临床数据转化为可分析格式,数据库存储转化后的临床数据。有益效果:格式转化模块的设置能够将采集到的临床数据转化为数据可分析的格式,便于对临床数据的分析。
优选方案三:作为基础方案的优选,还包括有模型构建模块,用于根据临床数据构建风险预测模型。有益效果:本方案中,还设置有模型构建模块构建风险预测模型,在构建出风险预测模型后,医护人员根据患者的临床数据使用风险预测模型后也就能够预测出患者可能会出现的预后情况,也就能够提前进行预防,从而提高患者的康复效率。
优选方案四:作为优选方案三的优选,还包括有模型评价模块,用于对构建出的风险预测模型进行评价并得到评价结果,模型构建模块根据评价结果对已生成的风险预测模型进行修正。有益效果:本方案中通过设置的模型评价对已构建的风险预测模型进行评价后,模型构建模块还对已经构建的风险预测模型进行修正,从而保证构建出的风险预测模型预测结果的准确性。
优选方案五:作为优选方案四的优选,模型评价模块用于对构建的风险预测模型的灵敏度指标进行评价。有益效果:灵敏度作为评价模型性能的指标,表示模型正确预测的部分所占比例,灵敏度越大表示分类算法对真阳性样本分类越准确;本方案中通过对风险预测模型的灵敏度进行评价,有利于提高风险预测模型的灵敏度,从而提高预测结果的正确性。
优选方案六:作为优选方案三或优选方案四的优选,模型评价模块用于对构建的风险预测模型的特异性指标进行评价。有益效果:特异性作为评价模型性能的指标,特异性越大表示分类算法对真阴性样本分类越准确,本方案中通过对风险预测模型的特异性度进行评价,有助于提高预测结果的正确性。
优选方案七:作为优选方案一的优选,数据修正模块还用于对采集到的临床数据中缺失值进行填补。有益效果:考虑到采集到的临床数据中会出现缺失值,而缺失值的存在会造成一些可能有用的信息丢失,而且缺失值的存在也就意味着会有包含空值的数据存在,而这些数据会导致数据的挖掘过程陷入混乱,导致不可靠的输出,也就导致风险预测模型预测的结果准确性降低,因此本方案中,还利用数据修正模块对缺失值进行填补,从而提高风险预测模型预测结果的准确性。
优选方案八:作为优选方案三的优选,模型构建模块采用深度神经网络与随机森林算法结合的方式构建风险预测模型。有益效果:考虑到在肝移植术中的三个期,即病肝期、无肝期、新肝期中,由于术中各类操作发生频次的不均匀、较多参数的缺失以及大量稀疏的指征参数会导致深度神经网络有时几乎无法学习,此时采用随机森林较为合适,而随机森林是通过集成学习的思想将多棵决策树集成的一种算法,其基本单元决策树在处理缺失值方面非常合适,决策树通过调整信息增益的计算式,可以很好的兼容存在较多缺失值的样本,因此本方案中采用深度神经网络与随机森林算法结合的方式进行风险预测模型的构建能够有效提高样本的利用率。
优选方案九:作为基础方案的优选,数据库中还存储有数据筛选标准,数据采集模块根据数据筛选标准进行临床数据的采集。有益效果:本方案中,通过设置数据排除标准对采集的临床数据进行筛选,从而保证了分析的临床数据的有效性,进而提高分析结果的有效性。
附图说明
图1为本发明肝移植术后预后预测系统实施例一的示意图;
图2为神经网络模型的示意图;
图3为本发明肝移植术后预后预测系统构建的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
基本如附图1所示:肝移植术后预后预测系统,包括数据采集模块,用于获取临床数据;
数据库,用于存储临床数据,并建立数据集,临床数据包括患者的基本信息、临床指标、术中处理措施以及肝移植术后预后情况;在采集临床数据的过程中,为了保证采集到的临床数据的有效性,数据库中存储有数据筛选标准,数据采集模块根据设定的数据筛选标准采集临床数据;
数据修正模块,用于对采集到的临床数据进行整理和修正;数据修正模块还用于对采集到的临床数据中缺失值进行填补,具体的,本方案,数据修正模块采用LOWESS局部拟合插值算法对缺失数据<10%的行或列进行填补,以保证数据的全面性;对异常数据采用人工修正的方式进行数据的修正;
格式转化模块,用于将采集到的临床数据转化为可分析格式,数据库存储转化后的临床数据;
因素统计模块,用于对修正后的临床数据进行统计检验并得出显著性较强的影响因子;
相关性分析模块,用于对影响因子与肝移植术后预后情况的相关性进行分析并检验,得到与肝移植术后预后情况存在显著统计相关性的危险因素;
模型构建模块,用于根据临床数据构建风险预测模型;
模型评价模块,用于对构建出的风险预测模型进行评价并得到评价结果,模型构建模块根据评价结果对已生成的风险预测模型进行修正;评价模型性能的指标有很多,目前应用最广泛的有准确度、灵敏度、特异性以及马修相关系数等,本申请中,模型评价模块用于对构建的风险预测模型的灵敏性以及特异性进行评价,灵敏性以及特异性定义如下:
灵敏度:
其中,TP为真阳性,表示阳性样本经过正确分类之后被判为了阳性;
TN为真阴性,表示阴性样本经过正确分类之后被判为了阴性;
FP为假阳性,表示阴性样本经过错误分类之后被判为了阳性;
FN为假阴性,表示阳性样本经过错误分类之后被判为了阴性;
这样一来,灵敏度也就是表示分类为阳性的数据中算法对真阳性样本分类的准确度,灵敏度越大表示分类算法对真阳性样本分类越准确,即被正确预测的部分所占比例;
而特异性表示在分类为阴性的数据中算法对阴阳样本分类的准确度,特异性越大表示分类算法对真阴性样本分类越准确。
优先的,本实施例中还可以采用准确性对构建出的风险预测模型进行评价,具体的,准确性定义如下:
说明:神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Nuearl Newtokr)s,是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。神经网络模型由网络拓扑节点特点和学习规则来表示。神经网络对人们的巨大吸引力主要在下列几点:1.并行分布处理;2.高度鲁棒性和容错能力;3.分布存储及学习能力;4.能充分逼近复杂的非线性关系。如图2所示,从左至右,数列的圆圈层依次为输入层、中间层和输出层。
具体实施过程如下:如图3所示,首先,利用数据采集模块根据数据筛选标准进行临床数据的采集,临床数据包括患者的基本信息、临床指标、术中处理措施以及肝移植术后预后情况,如患者的基础信息可以包括患者的住院时间、体重指数、术前诊断、术前合并症、术前Child分级评分和血型;临床指标可以包括血糖、乳酸、PH值、凝血指标、纤维蛋白原浓度、肝功能、肾功能,术中处理措施可以包括手术方式、麻醉方式、麻醉药物、机械通气方式、缺血时间、手术时间;液体、血管活性药物输注种类和总量,乌司他丁、糖皮质激素使用总量,为了提高临床数据的全面性,临床数据还包括体温、尿量、心率、血压、中心静脉压、肺动脉楔压、心排量、心指数、外周血管阻力、混合静脉氧饱和度、外周血管阻力、分别在肝移植手术中病肝期、无肝期、新肝期不同时期的数值和ICU滞留时间术后并发症。
本实施中,数据筛选标准包括病例纳入标准和病例排除标准,具体的,病例纳入标准可以为自2010年1月1日至2019年12月31日,年龄范围在16岁到70岁之间(包括16岁以及70岁)的全部在某医院接受肝移植手术的病人的病例资料;病例排除标准为排除有以下情况的病人的病例资料:MELD评分<10分;怀孕或哺乳期的妇女;伴全身器官严重疾病,如糖尿病、高血压等;既往有肝脏手术史,其中,MELD评分指的是采用终末期肝病模型得到的评分,终末期肝病模型(Model for end-stage liver disease,MELD)标准制定以来,因其可对终末期肝病短期、中期死亡率进行有效的预测,并因其评价指标获得简单、客观、易于计算而在肝病诊治中广为应用,计算公式为:R=0.378ln[胆红素(mg/dl)]+1.12ln(INR)+0.95ln[肌酐(mg/dl)]+0.64(病因:胆汁性或酒精性0,其他1)。其R值越高,其风险越大,生存率越低。后为计算方便,公式被改良为R=3.8ln[胆红素(mg/dl)]+11.2ln(INR)+9.6ln[肌酐(mg/dl)]+6.4(病因:胆汁性或酒精性0,其他1)。
在数据采集模块完成临床数据的采集后,数据库对采集到的临床数据进行存储;采集时,数据采集模块可以通过与医院的EMR、HIS、LIS、PACS/RIS系统通信,并从EMR、HIS、LIS、PACS/RIS系统中根据数据筛选标准提出满足条件的临床数据。
考虑到采集的临床数据可能会存在有误差或缺失,因此,在对临床数据进行统计分析前,还利用数据修正模块对采集到的临床数据进行修正,本实施例中,需要修正的临床数据包括缺失值和异常数据,对缺失值的修正采用LOWESS局部拟合插值算法对缺失数据<10%的行或列进行填补,对于异常数据的修正则采用人工修正的方式。
在完成数据修正后,为了便于对临床数据进行分析,在进行统计分析前,格式转化模块将修正后的临床数据转化为可分析格式,如DataFrame,并使用Python和SQL建立研究数据库,完成数据采集。
在完成临床数据的采集后,由因素统计模块对修正后的临床数据进行统计检验并得出显著性较强的影响因子;再由相关性分析模块对影响因子与肝移植术后预后情况的相关性进行分析并检验,从而得到与肝移植术后预后情况存在显著统计相关性的危险因素;在上述过程中,在对临床数据进行影响因子的统计分析时,对单因素进行统计分析,包括探索数据分布性质以及数字特征,在统计出影响因子后,计量资料报告形式采用均数±标准差,并先进行正态性检验,对服从正态分布的两组资料采用student t检验进行组间比较;非正态性分布资料报告形式采用中位数(四分位数),并采用wilcox秩和检验进行组间比较,计数资料报告形式则采用频数(百分比),组间比较采用X2检验进行比较,然后在得出显著性较强的影响因子后,对得到的显著性较强的影响因子采用pearson correlation方法进行单因素相关性分析进行,并用fisher检验进行相关性检验;在上述过程中,若结果为P值<X,R2值<Y时,X可为0.5,则判定该影响因子为与肝移植术后预后情况存在显著统计相关性的危险因素。
说明:检验过程中采用的student t检验、wilcox秩和检验预计X2检验和fisher检验均为统计分析中常用的验证方法,P值(P value)就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率,R2值为决定系数,用来衡量模型预测能力好坏(真实和预测的相关程度百分比),属于现有技术,本实施例中不再进行详细描述。
在确定显著性较强的影响因子以及与肝移植术后预后情况存在显著统计相关性的危险因素后,模型构建模块采用多层深度神经网络模型建立肝移植术后预后不良的风险预测模型,具体的,在构建模型的过程中,与肝移植术后预后情况存在显著统计相关性的危险因素作为输入层变量节点,如图2中X1、X2、X3、…Xn,中间层数则根据统计结果中统计出的显著性较强的影响因子数量确定,如统计出的影响因子为N个,则风险预测模型中有N个中间层,使用线性整流函数(Rectified Linear Unit,ReLU)和累积误差逆传播算法(accumulated error backpropagation),输出层则为肝移植术后结局分类指标,包含主要结局和次要结局,如图2中O1…Oj。
上述建模过程中,主要结局判定标准为:预后主要结局即治愈或死亡;一般资料将术后早期死亡时间定为手术结束后24小时内(即术后第1天)。
死亡率:访视术后24小时内与肝移植术后相关的死亡事件。对于单个患者来说,为死亡,即术后24小时内与肝移植术后相关的死亡。
全因死亡率:访视24小时内的所有死亡事件。对于单个患者来说,为全因死亡,即术后24小时内任何原因导致的死亡。
次要结局判定标准则为:排斥反应:肝穿刺活检术确诊;
感染:具有相应临床表现,细菌培养有致病菌;
胆道并发症:具有临床表现,有影像学诊断依据;
血管并发症:具有临床表现,有影像学诊断依据;
腹腔内出血:具有临床表现,引流管内有凝血块形成或引流管内出血量半小时达200ml,腹腔穿刺出布凝固性液体,床旁B超确诊;
肝移植相关性肾衰竭:对于术前肾功能正常者,术后血肌酐(Cr)≥132μmol/L和(或)血尿素氮(BUN)≥18mol/L;对于术前肾功能异常者,术后Cr和(或)血尿素氮≥50%以上,可诊断为肝移植相关性肾衰竭;
神经精神系统并发症:临床症状主要表现为焦虑、躁狂、幻觉、睡眠障碍、抑郁、震颤、认知障碍等,出现两种或两种以上的精神症状,需排除脑桥中央髓鞘溶解症。
在构建过程中,还利用boost自助法将数据库中的数据集分为训练集与测试集,并采用交叉验证方法给出Q统计量用于判断模型的鲁棒性,其中鲁棒性意味着聚类结果不应受到模型中存在的数据扰动、噪声及离群点的太大影响。
实施例二
与实施例一不同之处在于,本实施例中,模型构建模块采用深度神经网络与随机森林算法结合的方式构建风险预测模型。
根据数据本身的特性,考虑到在肝移植术中的三个期,即病肝期、无肝期、新肝期,由于术中各类操作发生频次的不均匀、较多参数的缺失以及大量稀疏的指征参数会导致多层深度神经网络模型有时几乎无法学习,因此本实施例中采用多层深度神经网络模型和随机森林结合的方式,建立肝移植术后预后不良的风险预测模型,来进行机器学习的训练;具体的,上述过程均在Python中实现,数据库建设采用SQL。计算服务器平台采用参数不低于CPU E7-8878,Memory 128Gb DDR3的配置。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.肝移植术后预后预测系统,其特征在于:包括数据采集模块,用于获取临床数据;
数据库,用于存储所述临床数据,所述临床数据包括患者的基本信息、临床指标、术中处理措施以及肝移植术后预后情况;
因素统计模块,用于对临床数据进行统计检验并得出显著性较强的影响因子;
相关性分析模块,用于对影响因子与肝移植术后预后情况的相关性进行分析并检验,得到与肝移植术后预后情况存在显著统计相关性的危险因素。
2.根据权利要求1所述的肝移植术后预后预测系统,其特征在于:还包括有数据修正模块,用于对采集到的临床数据进行整理和修正,所述因素统计模块对修正后的临床数据进行分析。
3.根据权利要求2所述的肝移植术后预后预测系统,其特征在于:还包括格式转化模块,用于将采集到的临床数据转化为可分析格式,所述数据库存储转化后的临床数据。
4.根据权利要求1所述的肝移植术后预后预测系统,其特征在于:还包括有模型构建模块,用于根据临床数据构建风险预测模型。
5.根据权利要求4所述的肝移植术后预后预测系统,其特征在于:还包括有模型评价模块,用于对构建出的风险预测模型进行评价并得到评价结果,所述模型构建模块根据评价结果对已生成的风险预测模型进行修正。
6.根据权利要求5所述的肝移植术后预后预测系统,其特征在于:所述模型评价模块用于对构建的风险预测模型的灵敏度指标进行评价。
7.根据权利要求4或5所述的肝移植术后预后预测系统,其特征在于:所述模型评价模块用于对构建的风险预测模型的特异性指标进行评价。
8.根据权利要求2所述的肝移植术后预后预测系统,其特征在于:所述数据修正模块还用于对采集到的临床数据中缺失值进行填补。
9.根据权利要求4所述的肝移植术后预后预测系统,其特征在于:所述模型构建模块采用深度神经网络与随机森林算法结合的方式构建风险预测模型。
10.根据权利要求1所述的肝移植术后预后预测系统,其特征在于:所述数据库中还存储有数据筛选标准,所述数据采集模块根据所述数据筛选标准进行临床数据的采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893456.8A CN110634571A (zh) | 2019-09-20 | 2019-09-20 | 肝移植术后预后预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893456.8A CN110634571A (zh) | 2019-09-20 | 2019-09-20 | 肝移植术后预后预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110634571A true CN110634571A (zh) | 2019-12-31 |
Family
ID=68972031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910893456.8A Pending CN110634571A (zh) | 2019-09-20 | 2019-09-20 | 肝移植术后预后预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634571A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554402A (zh) * | 2020-04-24 | 2020-08-18 | 山东省立医院 | 基于机器学习的原发性肝癌术后复发风险预测方法及系统 |
CN112635057A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 基于临床表型和lasso的食管鳞癌预后指数模型构建方法 |
CN113140318A (zh) * | 2021-05-10 | 2021-07-20 | 中国人民解放军总医院第三医学中心 | 一种基于深度学习的肝移植术后肺部感染风险预测方法 |
CN113380368A (zh) * | 2021-06-22 | 2021-09-10 | 四川省人民医院 | 一种用于肾移植受者的术后监测装置 |
CN113436740A (zh) * | 2021-07-03 | 2021-09-24 | 北京大学第三医院(北京大学第三临床医学院) | 术后不良结局风险的预测模型的构建方法 |
CN113723674A (zh) * | 2021-08-18 | 2021-11-30 | 卫宁健康科技集团股份有限公司 | 一种基于大数据相关性的医疗风险预测方法 |
CN114242234A (zh) * | 2021-12-15 | 2022-03-25 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
CN115775630A (zh) * | 2023-02-10 | 2023-03-10 | 北京海思瑞格科技有限公司 | 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法 |
WO2023129110A3 (en) * | 2021-12-31 | 2023-08-24 | Atatürk Üni̇versi̇tesi̇ Bi̇li̇msel Araştirma Projeleri̇ Bi̇ri̇mi̇ | Decision support system and method for liver transplant patients |
CN116864136A (zh) * | 2023-09-05 | 2023-10-10 | 惠民县人民医院 | 一种用于胃十二指肠溃疡急性穿孔的术后穿孔愈合模型 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN101068936A (zh) * | 2004-11-22 | 2007-11-07 | 惠氏公司 | 用于实体瘤预后及治疗的方法和系统 |
CN104200060A (zh) * | 2014-07-30 | 2014-12-10 | 福建医科大学附属第一医院 | 预测巨大肝癌患者术后近期复发转移概率的模型及方法 |
CN104769131A (zh) * | 2012-09-21 | 2015-07-08 | 英特盖根公司 | 用于在肝细胞癌中预后整体存活和无复发存活的方法 |
CN105319364A (zh) * | 2015-10-28 | 2016-02-10 | 中山大学附属肿瘤医院 | 用于预测小肝癌复发的联合诊断标记 |
CN105868576A (zh) * | 2016-05-19 | 2016-08-17 | 温州医科大学 | 预测巨大肝癌患者术后近期复发转移概率数学模型及方法 |
CN106407689A (zh) * | 2016-09-27 | 2017-02-15 | 牟合(上海)生物科技有限公司 | 一种基于基因表达谱的胃癌预后标志物筛选及分类方法 |
CN107305596A (zh) * | 2016-04-15 | 2017-10-31 | 中国科学院上海生命科学研究院 | 肝门部胆管癌患者预后预测模型 |
CN107885973A (zh) * | 2017-11-20 | 2018-04-06 | 沈阳柏敖生信生物科技有限公司 | 一种dna修复基因在大肠癌中的临床研究方法 |
CN108091396A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种心脏病智能预测和心脏保健信息推荐系统及其方法 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN109801680A (zh) * | 2018-12-03 | 2019-05-24 | 广州中医药大学(广州中医药研究院) | 基于tcga数据库的肿瘤转移复发预测方法及系统 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
CN109902421A (zh) * | 2019-03-08 | 2019-06-18 | 山东大学齐鲁医院 | 一种宫颈癌预后评估方法、系统、存储介质及计算机设备 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
-
2019
- 2019-09-20 CN CN201910893456.8A patent/CN110634571A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101068936A (zh) * | 2004-11-22 | 2007-11-07 | 惠氏公司 | 用于实体瘤预后及治疗的方法和系统 |
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN104769131A (zh) * | 2012-09-21 | 2015-07-08 | 英特盖根公司 | 用于在肝细胞癌中预后整体存活和无复发存活的方法 |
CN104200060A (zh) * | 2014-07-30 | 2014-12-10 | 福建医科大学附属第一医院 | 预测巨大肝癌患者术后近期复发转移概率的模型及方法 |
CN105319364A (zh) * | 2015-10-28 | 2016-02-10 | 中山大学附属肿瘤医院 | 用于预测小肝癌复发的联合诊断标记 |
CN107305596A (zh) * | 2016-04-15 | 2017-10-31 | 中国科学院上海生命科学研究院 | 肝门部胆管癌患者预后预测模型 |
CN105868576A (zh) * | 2016-05-19 | 2016-08-17 | 温州医科大学 | 预测巨大肝癌患者术后近期复发转移概率数学模型及方法 |
CN106407689A (zh) * | 2016-09-27 | 2017-02-15 | 牟合(上海)生物科技有限公司 | 一种基于基因表达谱的胃癌预后标志物筛选及分类方法 |
CN107885973A (zh) * | 2017-11-20 | 2018-04-06 | 沈阳柏敖生信生物科技有限公司 | 一种dna修复基因在大肠癌中的临床研究方法 |
CN108091396A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种心脏病智能预测和心脏保健信息推荐系统及其方法 |
CN108742513A (zh) * | 2018-02-09 | 2018-11-06 | 上海长江科技发展有限公司 | 脑卒中患者康复预测方法及系统 |
CN109801680A (zh) * | 2018-12-03 | 2019-05-24 | 广州中医药大学(广州中医药研究院) | 基于tcga数据库的肿瘤转移复发预测方法及系统 |
CN109902421A (zh) * | 2019-03-08 | 2019-06-18 | 山东大学齐鲁医院 | 一种宫颈癌预后评估方法、系统、存储介质及计算机设备 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554402A (zh) * | 2020-04-24 | 2020-08-18 | 山东省立医院 | 基于机器学习的原发性肝癌术后复发风险预测方法及系统 |
CN112635057A (zh) * | 2020-12-17 | 2021-04-09 | 郑州轻工业大学 | 基于临床表型和lasso的食管鳞癌预后指数模型构建方法 |
CN112635057B (zh) * | 2020-12-17 | 2021-10-29 | 郑州轻工业大学 | 基于临床表型和lasso的食管鳞癌预后指数模型构建方法 |
CN113140318A (zh) * | 2021-05-10 | 2021-07-20 | 中国人民解放军总医院第三医学中心 | 一种基于深度学习的肝移植术后肺部感染风险预测方法 |
CN113380368A (zh) * | 2021-06-22 | 2021-09-10 | 四川省人民医院 | 一种用于肾移植受者的术后监测装置 |
CN113436740A (zh) * | 2021-07-03 | 2021-09-24 | 北京大学第三医院(北京大学第三临床医学院) | 术后不良结局风险的预测模型的构建方法 |
CN113723674A (zh) * | 2021-08-18 | 2021-11-30 | 卫宁健康科技集团股份有限公司 | 一种基于大数据相关性的医疗风险预测方法 |
CN114242234A (zh) * | 2021-12-15 | 2022-03-25 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
CN114242234B (zh) * | 2021-12-15 | 2023-06-30 | 四川大学 | 基于聚合神经网络的tavr术后并发症风险值预测方法 |
WO2023129110A3 (en) * | 2021-12-31 | 2023-08-24 | Atatürk Üni̇versi̇tesi̇ Bi̇li̇msel Araştirma Projeleri̇ Bi̇ri̇mi̇ | Decision support system and method for liver transplant patients |
CN115775630A (zh) * | 2023-02-10 | 2023-03-10 | 北京海思瑞格科技有限公司 | 一种术前基于睡眠阶段数据的术后肺部并发症概率预测方法 |
CN116864136A (zh) * | 2023-09-05 | 2023-10-10 | 惠民县人民医院 | 一种用于胃十二指肠溃疡急性穿孔的术后穿孔愈合模型 |
CN116864136B (zh) * | 2023-09-05 | 2023-12-12 | 惠民县人民医院 | 一种用于胃十二指肠溃疡急性穿孔的术后穿孔愈合模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634571A (zh) | 肝移植术后预后预测系统 | |
CN109920508B (zh) | 处方审核方法及系统 | |
CN106845147B (zh) | 医学经验总结模型的建立方法、装置 | |
CN109785976A (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
CN109872819A (zh) | 一种基于重症监护检测项的急性肾损伤发病概率预测系统 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN103189883A (zh) | 医学评分系统及方法 | |
CN116631562B (zh) | 一种生成电子病历出院记录的方法、装置及电子设备 | |
KR20120107750A (ko) | 엔트로피 러프 근사화 기술에 기반한 감별진단을 위한 주요 파라미터 추출방법 및 이를 이용한 통합 임상 의사결정 지원 시스템 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
Chumuang et al. | An efficiency random forest algorithm for classification of patients with kidney dysfunction | |
CN110812241A (zh) | 基于时序聚类的用药提醒方法及相关设备 | |
CN107145715A (zh) | 一种基于推举算法的临床医学智能判别装置 | |
CN115295151A (zh) | 脓毒症预测系统、预测模型构建方法及系统、试剂盒 | |
Vilas-Boas et al. | Hourly prediction of organ failure and outcome in intensive care based on data mining techniques | |
CN116861252A (zh) | 一种基于平衡功能异常的跌倒评估模型的构建方法 | |
CN113066547B (zh) | 一种基于常规无创参数的ards早期动态预警方法与系统 | |
CN114898859A (zh) | 急性主动脉夹层院内预后预测系统 | |
CN111524564A (zh) | 一种肺炎临床辅助监测方法及系统 | |
CN116978553B (zh) | 一种基于多维因素的非计划性拔管风险预测方法及系统 | |
CN116627946B (zh) | 一种糖尿病足数据模型的建立方法及系统 | |
TWI848789B (zh) | 建立用於預測罹患糖尿病腎病變風險之模型以及基於模型預測糖尿病腎病變的方法 | |
CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
CN117894478B (zh) | 一种肿瘤重症医学科重症信息化智能化管理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |