CN111968748A - 一种糖尿病并发症预测模型的建模方法 - Google Patents

Abstract

本发明提供了一种糖尿病并发症预测模型的建模方法，包括如下步骤：S10数据采集，采集医院糖尿病并发症数据；S20数据处理，将所述并发症数据进行预处理获得建模数据；S30将所述建模数据利用SPSS软件进行数据离散化处理获得特征数据；以及S40使用70％的所述特征数据对机器学习模型进行训练，使用30％的所述特征数据对所述机器学习模型进行测试，获得所述糖尿病并发症预测模型。本发明的一种糖尿病并发症预测模型的建模方法，使用大量现有的国内糖尿病患者的电子病历数据建立糖尿病并发症预测模型，可提高国内糖尿病患者的并发症的预测效果，将所述糖尿病并发症预测模型应用于糖尿病并发症预测可针对高危人群采取恰当措施，辅助医生诊疗。

Description

一种糖尿病并发症预测模型的建模方法

技术领域

本发明涉及糖尿病并发症预测技术领域，具体涉及一种糖尿病并发症预测模型的建模方法。

背景技术

糖尿病为一种终身性代谢性疾病，并且慢性高血糖是其主要特征。糖尿病由多种病因引起。当人体的血糖长期处于过高状态时，人体的血管会受损甚至危及心、肾、眼睛、脚和脑等部位，经世界卫生组织调查得出，糖尿病的并发症有超过100种，是现在所有已知的疾病中并发症最多的一种。因糖尿病死亡的患者中，有一半以上死于心脑血管病变，死于糖尿病肾病的患者也有近10％。由临床数据表明，有近35％的患者在糖尿病发病十年后，或多或少患上一种及以上糖尿病并发症，而且这种并发症很难用药物进行根治。

在中国，成年人中有一半以上有着糖尿病患病风险，而且年轻人的患病风险也越来越高。糖尿病已与恶性肿瘤、心脑血管疾病并称三大对人类健康造成威胁的慢性病，它们对患者的生活造成了严重的威胁，也使得我国需要使用大量的医疗资源去预防与治疗它们。时至今日，对疾病发生的风险进行模型预测已成为当今世界各国的热点研究课题之一。虽然国外对糖尿病并发症发生风险的模型预测已经有了相对较深的研究，但由于种族特异性，不同地域的人的生活习惯、人文习俗、经济状态以及医疗水平等方面的差异，所以需要开发一种糖尿病并发症模型预测系统，并使之更符合中国人的人群特点。

发明内容

为了解决上述问题，本发明提供一种糖尿病并发症预测模型的建模方法，使用大量现有的国内糖尿病患者的电子病历数据建立糖尿病并发症预测模型，可提高国内糖尿病患者的并发症的预测效果，将所述糖尿病并发症预测模型应用于糖尿病并发症预测可针对高危人群采取恰当措施，辅助医生诊疗，降低糖尿病并发症的发病率。

为了实现以上目的，本发明采取的一种技术方案是：

一种糖尿病并发症预测模型的建模方法，包括如下步骤：S10数据采集，采集医院糖尿病并发症数据，整合后将唯一患者号与所述并发症数据一一对应；S20数据处理，将所述并发症数据进行预处理获得建模数据，所述数据预处理包括去除空值、归一化、缺失值处理、异常值处理以及离散化；S30特征数据获取，将所述建模数据利用SPSS软件进行数据离散化处理转化为特征数据；以及S40模型建立，使用70％的所述特征数据对机器学习模型进行训练，使用30％的所述特征数据对所述机器学习模型进行测试，获得所述糖尿病并发症预测模型。

进一步地，所述并发症数据包括患者的体温数据、血淋巴细胞、空腹血糖以及判定结果。

进一步地，所述步骤S10利用Microsoft Excel中的look up和If函数对体温单、病案首页、检验报告中的数据进行整合，筛选出所述糖尿病并发症数据并将所述并发症数据与患者号一一对应。

进一步地，所述S20包括：S21去除空值，将所述并发症数据剔除无用数据；S22归一化，将所述步骤S21获得的数据整理成标准样式：删除重复项，同一患者同一检查的多次检查结果取均值后获得归一化数据；S23缺失值处理，将所述归一化数据中缺省率大于50％的数据删除，后对剩余的所述归一化数据进行中位数填补以及均值填补；以及S24异常值处理，将缺失值处理后的数据利用Minitab软件剔除异常范围大于0.5％的值，获得所述建模数据。

进一步地，所述机器学习模型为Logistic回归模型、支持向量机模型、XGBoost模型或随机森林模型中的一个。

本发明的上述技术方案相比现有技术具有以下优点：

本发明的一种糖尿病并发症预测模型的建模方法，使用大量现有的国内糖尿病患者的电子病历数据建立糖尿病并发症预测模型，可提高国内糖尿病患者的并发症的预测效果，将所述糖尿病并发症预测模型应用于糖尿病并发症预测可针对高危人群采取恰当措施，辅助医生诊疗，降低糖尿病并发症的发病率。

附图说明

下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其有益效果显而易见。

图1所示为本发明一实施例的一种糖尿病并发症预测模型的建模方法流程图。

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。

本实施例提供了一种糖尿病并发症预测模型的建模方法，如图1所示，包括如下步骤：S10数据采集，采集医院糖尿病并发症数据，整合后将唯一患者号与所述并发症数据一一对应。S20数据处理，将所述并发症数据进行预处理获得建模数据，所述数据预处理包括去除空值、归一化、缺失值处理、异常值处理以及离散化。S30特征数据获取，将所述建模数据利用SPSS软件进行数据离散化处理转化为特征数据。以及S40模型建立，使用70％的所述特征数据对机器学习模型进行训练，使用30％的所述特征数据对所述机器学习模型进行测试，获得所述糖尿病并发症预测模型。

所述步骤S10利用Microsoft Excel中的look up和If函数对体温单、病案首页、检验报告中的数据进行整合，筛选出所述糖尿病并发症数据并将所述并发症数据与患者号一一对应。所述并发症数据包括患者的体温数据、血淋巴细胞、空腹血糖以及判定结果。所述并发症数据数据集包含体温单、病案首页、检验报告等记录了患者号、体温值以及各项检测指标，以及包括了体温，血淋巴细胞，空腹血血糖等在内的多项检查结果。由患者的唯一患者号(ID)将三个表中的检测数据进行一一对应，并列出表格中各项监测指标的正常值范围。因为所述并发症数据被划分为体温单，病案首页，检验报告等多个表格，所以要依据其中信息筛选出患有糖尿病并发症的患者记录，然后对应患者号(ID)进行整理分类。而后从整理好的各条目数据中提取出相关指标，并获得其具体数据。最后利用Microsoft Excel中的look up和If函数等对体温单，病案首页，检验报告等表格中的检查数据进行整合。

所述S20由于所述并发症数据被分为许多不同的表格，且每个表格都或多或少都有缺失值、异常值和空值等噪声数据，因此为了控制数据的准确性与完整性，使结果的精度得到保证，我们须要对所述并发症数据进行数据预处理，对异常数据进行删改。本文所做的数据预处理流程如下。S21去除空值，将所述并发症数据剔除无用数据，在经过整合的数据中还有很多指标名称不符合需要提取的要求，亦或是指标中的数据为空值，故要将其剔除，例如生物、脑脊液、呕吐物、透析液、胸水、咽拭子、阴道分泌物、引流液、“此结果已复查！”、“结果已复查！！！”、“结果已复查！”、“已电告！”、“建议随访！”、“标本溶血！”、“建议连续监测！”、0.5h、0h、0小时、1h、2h、2小时、3h、4h、4小时、5h、8h、随机时间、“.”等。

S22归一化，将所述步骤S21获得的数据整理成标准样式：删除重复项，同一患者同一检查的多次检查结果取均值后获得归一化数据。

S23缺失值处理，将所述归一化数据中缺省率大于50％的数据删除，后对剩余的所述归一化数据进行中位数填补以及均值填补。将所述归一化数据中缺失过多会使分析过程的问题大大增多，可能会使分析结果发生偏倚，使结果的准确度降低。故首先需要删除指标中数据缺省率大于50％的数据，而后对数据分别进行中位数填补和均值填补。

S24异常值处理，将缺失值处理后的数据利用Minitab软件剔除异常范围大于0.5％的值，获得所述建模数据。经过预处理后得到的数据集部分截图如表1所示。

表1部分预处理后数据集

将处理后的所述并发症数据分为12类数据，分别为DATA1、DATA2、DATA3、DATA4、DATA5、DATA6、DATA7、DATA8、DATA9、DATA10、DATA11以及DATA12，数据集名称见表2。

表2数据集说明

将经整合后获得76个糖尿病大血管病变指标，40个糖尿病肾病指标和40个糖尿病视网膜病变指标利用SPSS软件进行数据离散化。将指标数据在正常值的范围内的数据取值为1，在正常值的范围外的取值为0。部分正常值范围见表3。

表3部分正常值范围

最终获得指标：腋温、口温、耳温、尿颜色、血清糖类抗原CA72-4、血清神经元特异性烯醇化酶测定、尿白蛋白、全血血红蛋白、抗凝血抗凝血酶原时间、抗凝血纤维蛋白原、血清铁蛋白、空腹血血糖、全血血细胞比容、全血血小板计数、全血中性粒细胞百分比等。然后用python语言分别编写出四种模型的代码和属性重要度的函数。

所述机器学习模型为Logistic回归模型、支持向量机模型、XGBoost模型或随机森林模型中的一个。分别用四种模型代码依次读取DATA1到DATA12的数据，进行训练和测试。四种代码运行各种数据完后，分别输出各数据中的属性的重要度，画出每个数据对应模型的ROC曲线，测试ROC曲线，并在图中表示出平均的AUC值。最后对各个属性重要度的高低进行排序，比较各个属性对模型预测功能的影响力。

Logistic回归模型是一种广义的线性回归分析模型，它最常用于数据挖掘，经济或疾病的预测等领域。以糖尿病并发症分析为例，选择两组人群，一组是患有糖尿病并发症组，一组是不患有糖尿病并发症组，两组人群一定具有不同的检查指标。因此因变量就为是否患有糖尿病并发症，值为“是”或“否”，自变量就可以包括性别，血糖，尿糖与尿蛋白等。自变量既可以是连续值，也可以是离散值。然后通过logistic回归模型分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是糖尿病并发症的危险因素。同时根据该权值可以通过危险因素预测一个人是否患有糖尿病并发症。

支持向量机(SVM)模型是一种广义的线性分类器。它根据监督学习的方法对数据进行分类。学习样本的最大边缘超平面是其决策边界。支持向量机利用铰链损失函数来计算经验风险，并在求解系统中加入正则化项来优化结构风险。它是一个具有粗糙性和稀疏性的分类器。

XGBoost是一种集成学习算法，是一种大规模并行引导树模型。最基本的引导树称为回归树，也称为CART。回归树是基于多个因素的属性输入并分配给每个叶节点，每个叶节点对应一个预测实数得分。一般情况下，只有一棵回归树不能准确地预测数据，因此将用多元回归树对同一问题进行分类。

Breiman在2001年提出了随机森林。使用引导重采样技术，通过对K个样本进行随机采样，从原始训练样本集n中生成一个新的训练样本集，然后根据自助样本集生成K个分类树。形成一个随机森林。新数据的分类结果由分类树投票的分数确定。其实质是改进决策树算法，将多个决策树组合在一起。

在ROC曲线中，纵轴为真阳性率(True positive rate)，横轴为假阳性率(Falsepositive rate)，ROC曲线下面积即AUC值若小于0.5则说明模型的预测结果与真实情况不符，若在0.5与0.7之间则说明模型的预测精准度较低。若在0.7到0.9之间则说明模型的预测精准度一般。若大于0.9则说明模型的预测精准度较高。根据代码运算结果获得的AUC值如下表4，表5显示。不管是进行离散值的数据还是进行连续值的数据，XGBoost模型的效果均为最优，随机森林模型略微差于XGBoost模型，Logistic回归模型效果略优于支持向量机模型，而支持向量机模型的效果略差。

表4连续值数据对应AUC值

表5离散值数据对应AUC值

使用coef_函数得到40个属性中排在前20的属性重要度，如表6所示。

表6属性重要度

使用coef_函数得到40个属性中排在前20的属性重要度，如表7所示。

表7属性重要度

以上所述仅为本发明的示例性实施例，并非因此限制本发明专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种糖尿病并发症预测模型的建模方法，其特征在于，包括如下步骤：

S10数据采集，采集医院糖尿病并发症数据，整合后将唯一患者号与所述并发症数据一一对应；

S20数据处理，将所述并发症数据进行预处理获得建模数据，所述数据预处理包括去除空值、归一化、缺失值处理、异常值处理以及离散化；

S30特征数据获取，将所述建模数据利用SPSS软件进行数据离散化处理转化为特征数据；以及

S40模型建立，使用70％的所述特征数据对机器学习模型进行训练，使用30％的所述特征数据对所述机器学习模型进行测试，获得所述糖尿病并发症预测模型。

2.根据权利要求1所述的糖尿病并发症预测模型的建模方法，其特征在于，所述并发症数据包括患者的体温数据、血淋巴细胞、空腹血糖以及判定结果。

3.根据权利要求2所述的糖尿病并发症预测模型的建模方法，其特征在于，所述步骤S10利用Microsoft Excel中的look up和If函数对体温单、病案首页、检验报告中的数据进行整合，筛选出所述糖尿病并发症数据并将所述并发症数据与患者号一一对应。

4.根据权利要求3所述的糖尿病并发症预测模型的建模方法，其特征在于，所述S20包括：

S21去除空值，将所述并发症数据剔除无用数据；

S22归一化，将所述步骤S21获得的数据整理成标准样式：删除重复项，同一患者同一检查的多次检查结果取均值后获得归一化数据；

S23缺失值处理，将所述归一化数据中缺省率大于50％的数据删除，后对剩余的所述归一化数据进行中位数填补以及均值填补；以及

S24异常值处理，将缺失值处理后的数据利用Minitab软件剔除异常范围大于0.5％的值，获得所述建模数据。

5.根据权利要求4所述的糖尿病并发症预测模型的建模方法，其特征在于，所述机器学习模型为Logistic回归模型、支持向量机模型、XGBoost模型或随机森林模型中的一个。

Images