CN112949685B - 一种基于提升树模型的主动脉夹层手术风险预测方法 - Google Patents

Abstract

本发明公开了一种基于提升树模型的主动脉夹层手术风险预测方法，步骤1：数据预处理；将手术记录中数据遗失的部分进行补全，形成包含有手术记录的数据库；步骤2：数据挖掘；基于决策树模型对数据库中的数据进行处理；步骤3：结果分析；对数据挖掘的处理结果进行分析，以评估数据挖掘算法的有效性；步骤4：知识应用；将模型应用于当前主动脉夹层外科手术对应的数据，以预测当前手术的风险。本发明的模型对主动脉夹层手术后的死亡风险预测具有100％的准确率，相比其他预测方法准确性更高，预测结果能给出主动脉夹层外科手术术后死亡的关键因素，能为未来医生、患者提供决策依据，并有利于医疗政策制定者充分利用安排医疗资源。

Description

一种基于提升树模型的主动脉夹层手术风险预测方法

技术领域

本发明涉及一种基于提升树模型的主动脉夹层手术风险预测方法。

背景技术

随着技术的发展和进步，各种医疗数据被收集形成一个数据库，该数据库中的记录存在不同的格式和类型，因此，应用这些数据存在较大的难度。为了分析这些数据，需要采用不同的算法。

大部分数据来自于患者的手术方案，包括谈话，检测数据，手术结果，用药信息等，存在以下特征：

(1)多样性；包括各种数据形式，如数据和图像等；

(2)不完整型；很多数据存在不完善或缺失；

(3)时序性；几乎所有的数据都是按照时间线产生的；

(4)高维性；如血常规、尿常规检测等往往产生许多子项目；

因此，有必要对现有的数据进行深度分析，以评估影响手术风险的各因素，为医生、患者和医疗政策制定者提供更加直观的决策依据。

因此，有必要设计一种新的主动脉夹层手术风险预测方法。

发明内容

本发明所要解决的技术问题是提供一种基于提升树模型的主动脉夹层手术风险预测方法易于实施，预测准确率高。

发明的技术解决方案如下：

一种基于提升树模型的主动脉夹层手术风险预测方法，包括以下步骤：

步骤1：数据预处理；

将手术记录中数据遗失的部分进行补全，形成包含有手术记录的数据库；

步骤2：数据挖掘；

基于决策树模型对数据库中的数据进行处理；

步骤3：结果分析；

对数据挖掘的处理结果进行分析，以评估数据挖掘算法的有效性；

步骤4：知识应用；

将模型应用于当前手术对应的数据，以预测当前手术的风险。

步骤1中，数据遗失分为完全随机消失(MCAR)，随机消失(MAR)，非随机消失(MNAR)；

术前等待时间WTBO的补全：采用统一时间段的剩余时间的平均值来补充消失的数据，

ti是其他案例的WTBO值，N是同一时间段的案例数。

步骤2中，数据挖掘包括特征提取，关联性分析和重要性分析；

预测依据融和判定来实现：提升树的的输出为Y＝{y₁,y₂,...,y_N},每一个模型的权值为W＝{w₁,w₂,...,w_N},融合判断值z的公式为：

其中N为基本模型的数量；最终的预测标签Label_i是基于融合判断值来确定的：

其中i为预测案例的ID号。本发明中，N取3，y1，...yN分别是LightGBM,XGBoost,和CatBoost的输出。

thershhold是阈值；没有固定阈值，根据算法训练得到，取值范围为[0.5，1]。

步骤3中，结果分析包括唯一价值分析(Unique value analysis)、特征相关分析(Feature correlation analysis)、特征重要性分析(Feature importance analysis)和早期死亡(术后30天)预测(Early Death prediction)分析。

有益效果：

本发明公开了一种基于提升树模型的主动脉夹层手术风险预测方法，步骤1：数据预处理；将手术记录中数据遗失的部分进行补全，形成包含有手术记录的数据库；步骤2：数据挖掘；基于决策树模型对数据库中的数据进行处理；步骤3：结果分析；对数据挖掘的处理结果进行分析，以评估数据挖掘算法的有效性；步骤4：知识应用；将模型应用于当前主动脉夹层外科手术对应的数据，以预测当前手术的风险。本发明的模型对主动脉夹层手术后的死亡风险预测具有100％的准确率，相比其他预测方法(如LightGBM,XGBoost orCatBoost)准确性更高，预测结果能给出主动脉夹层外科手术术后死亡的关键因素，能为未来医生、患者提供决策依据，并有利于医疗政策制定者充分利用安排医疗资源。

本发明的基于提升树模型的主动脉夹层手术风险预测方法，通过数据挖掘和融合算法等，能实现手术风险的预测，从而为医生、患者和医疗政策制定者做出决策提供技术支持和参考。

附图说明

图1为医疗数据挖掘流程图；

图2为特征提取流程图；

图3为融合算法流程图；

图4为唯一值分析示意图(横坐标为唯一值，纵坐标为频率)；

图5为特征相关分析示意图；

图6为手术后30天死亡率正相关示意图；

图7为手术后30天死亡率负相关示意图；

图8为特征重要性分析示意图；

图9为累积特征重要性示意图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

决策树算法是一种传统的机器学习算法.

该算法的核心思路在于基于训练集的输入特征，建立一组树来评判判定条件；每一个叶节点存储一个类别，多个无叶节点组成的集合可以包含多个类别。决策的过程在于基于不同的特征值将样本分入一个类别；构件一个决策树的关键点在于处于某一个节点时如何决定下一个分支的方向；分裂属性的类别在于将所有的子集都尽可能的从属于同一个类别。因此，决策树的核心问题在于如何选择根节点的特征值。根据输出变量的连续性或分裂特性，决策树可以分为分类树或回归树。

构建决策树的步骤如下：

步骤1：设置所有数据作为根节点；

步骤2：根据特征值选择的规则，选择一个输入特征使得能减少数据的杂志作为数据的分支并生成多个子节点；

步骤3：判断每一个子节点，如果预设停止条件满足，继续第四步，否则返回步骤2；

步骤4：设定该节点为叶节点，如果输出值为非连续值，该输出值很大可能性就是该节点的输出结果，如果输出值是连续值，平均值，最大值或中间值可以作为该节点的输出结果。

在总体算法中，决策树可以在初学者使用。套袋法和加强法是两种组合的学习算法；这2种方法的主要区别在于组合弱学习器上；套袋法通常通过并联多个弱学习机来组成强学习机，而且每一个弱的学习机都是独立的。后者在于将多个弱学习机串联，在各弱学习机之间存在强的依赖性。

首先，基础的学习机是针对初始的训练集，依据基础学习机的性能，训练样本的权重会不断改变；因此，错误的训练样本将会在后续的学习机中得到更多的重视。下一个学习机针对是调整后的样本集，算法通过不断的迭代，最终可以得到更强的学习机。

本发明还涉及XGBoost，LightGBM，CatBoost算法；

XGBoost是一种梯度提升积分学习算法；LightGBM是指高影响的梯度提升决策树算法；CatBoost也是一种在梯度提升决策树框架下的改进执行算法；XGBoost，LightGBM，CatBoost是现有模型和算法。

本发明构建了一个如图1所示的总体的数据挖掘流程，包括以下5个部分：

1.问题定义：

经过与临床专家充分沟通，需要分析问题并定义需求。确定数据挖掘的目标以及模型中的数据挖掘方法的标准是非常必要的。

2.数据预处理

临床诊断和手术数据构成原始的医疗数据库；但是，原始的数据中包含大量的原始的数据结构，其中一部分是模糊的，不完整的或者多余的；因此，需要对这些数据进行预处理。

3，数据挖掘

包括选择数据模型，确定训练和实验程序，建立模型并评估模型的精确性。常用的数据挖掘算法包括人工神经网络，粗糙集，决策树，遗传算法，邻近算法，规则归纳算法等等。挖掘规则用来评价测试效率。

4.结果分析

针对数据挖掘的知识和规则，有必要评价其正确度和解析能力；在医疗领域，有必要评估知识挖掘是否有价值，以及数据挖掘算法的有效性。

5.知识应用

有必要制定一个具体的执行计划，并且导向其推论，以及使得临床诊断和手术以及病情预告得以实施；同时，通过知识应用能持续的改善算法和推论。

数据预处理

对医疗数据进行前期的规范化处理。数据遗失的情况也是普遍存在的。

数据遗失的情况包括三种情况：完全随机消失(MCAR)，随机消失(MAR)，非随机消失(MNAR)。MCAR表示消失不依赖于其他变量；MAR意味着消失依赖于其他变量；MNAR表示消失的数据不依赖于不完全的变量本身。因此存在单变量删除和任意删除；前者是指数据消失至于同一个因数有关，后者表示数据消失由多个因数造成。

有两种方法处理数据消失，删除具有数据消失的记录或对缺失数据进行补充。

术前等待时间(WTBO)是一个时变参数，采用统一时间段的剩余时间的平均值来补充消失的数据，

ti是其他案例的WTBO值，N是同一时间段的案例数。

对于血小板输注量和红细胞输注量，需要采用其他的数据补全方法。

采用聚集方法进行数据补全。首先，需要将多个案例进行聚类；采用同一类的平均值代替对应的消失的数据。具体过程参见算法1。

数据挖掘

特征提取

如图2，特征提取是数据挖掘的第一步，用于紧盯原始数据中的精确特征，该特征能最大程度的应用在模型或算法中。

从统计来看，在机器学习的过程中，存在一组最优数量的特征值来描述明显的危险。因此，需要找出哪些特征才是必须的，具体依据数据集的情况以及工作的复杂性；具体步骤如下:

1)太多的特征会导致模型的维度过多以及复杂性增大；因此需要尽可能少的特征；

2)不相关的特征会导致模型训练的方向误导；通过减少误导数据，可以改善模型的精确性和质量。

3)减少特征后，算法的复杂性得到改善，也可以提高训练速度。

4)通过特征分析和选择，模型的直观性和数据的可视化性能能得到改善。

特征提取的流程如图2；首先进行数值分析，如果每一个特征只有一个唯一值，那么该特征可以删除，因为对预测不会有贡献；第二，分析不同的特征的关联性，从而删除一些冗余的特征；最终，估计各特征的重要性，最终完成特征的旋转。

关联性(相关性)分析

医疗数据中，有些数据与其他数据是关联的；有些数据依赖于其他数据，或是另一个数据的原因；相关性有利于从一个因素估计另一个因素。因此，建模过程中，关联性是需要重点注意的。

总的来说，具有三种因素关联类型。

1)正向关联；一个因素的增加会导致另一个因素的增加；两者是同步的且线性相关的。

2)负相关:一个因素的增加会导致另一个因素的减少，反之亦然，2个特征之间是负影响的。

3)不相关：两个特征之间没有任何相关性。

相关系数公式：

其中，M为特征的维度数，r的区间为[-1,1]。基于相关性分析从而确定需要选择的参数。参数值越接近1，表示两个因素越相关。选择相关性最大的参数而忽略相关性小的参数。

重要性分析

采用3种方法确定重要性：

1)增益；在模型树中，增益显示了某一因素的贡献；数值越高表明重要性越高。

2)覆盖：它指的是与这个特征相关的观测数量.

3)频率：它是该特性在模型树中出现的相对次数的百分比。.

其中，增益是最重要的评价方法。公式如下：

其中，

是指左侧的子树枝的分值,

是指右侧的子树枝的分值；

是指预测树中非分裂的部分的分值，γ是增加一个叶节点的引入成本。

融合判定

预测依据增长树的融合判断来实施，包括LightGBM,XGBoost,和CatBoost,如图3所示。增长树(即提升树)的输出为Y＝{y₁,y₂,...,y_N},每一个模型的权值为W＝{w₁,w₂,...,w_N},融合判断的公式为：

其中N为基本模型的数量。最终的预测标签是基于融合判断值来确定的：

其中i为预测案例的ID号。

实验结果和分析：

试验中，采用的CPU为Intel(R)Core i7-6500X CPU@2.5GHz，算法仿真采用PyCharm 2018.1.5.

使用的数据库包括来自某医院的206例A型主动脉夹层患者；这些患者均执行了全弓置换术同期冰冻象鼻支架置入术，其中195个案例来自2014年-2018年，11个案例来自于2020年1月到3月。基于上述数据，通过训练找出影响术后30天死亡的关键因素，进而获得风险预估模型。

唯一值分析(Unique value analysis)

通过唯一值分析，若能发现一个特征具有一个唯一值，因此，该特征就可以从模型中删除，因为它对模型没有任何贡献，唯一值的直方图参见图4。

特征相关性分析(Feature correlation analysis)：

基于关联系数可以建立关联矩阵，参见图5，关联系数代表了两个特征之间的关联性。不同的颜色代表关联系数值的大小，有图5可知，特征之间的关联值并不高。在数据收集阶段，有些特征被删除了，如欧洲评分(European score)；

从图6可以看出，与手术后30天死亡呈正相关的参数超过10个，如输浓缩红细胞(RBC)、输血浆(即术中血浆)和体外循环时间(即总转流时间)等；这就意味着，这些正相关特征数字增大，则术后死亡的风险也增大。

另外，如图7，另一些特征与术后30天死亡呈负相关，如停循环肛温，停循环鼻咽温和不同手术方式。

特征重要性分析(Feature importance analysis)

特征重要性分析用于特征的选择，图8展示了10个最重要的特征，这些特征对术后早期死亡影响巨大。

主动脉A型夹层一经发生，需要立即急诊外科手术治疗，如果不行手术修复，手术等待时间延长，每小时死亡率增加1％。手术等待时间是非常重要的一个参数，该等待时间在图8中也是重要参数之一。

累积特征重要性的曲线参见图9，特征越多，则累积重要性的值越高，特征累积到13个时，累积特征重要性的值达到了0.99，因此，累积特征也可以用作风险预测。其余的特征对预测没有贡献，因此可以排除。

早期(术后30天)死亡风险预测

采用训练后的模型对主动脉夹层术后死亡风险预测，在2020年1-3月期间，对收治的11例患者进行了主动脉夹层外科手术，数据显示，由于受新冠疫情影响，术前平均等待时间增加了4-20小时。

实验中，使用146个病例用于训练，另外的60个病例用于测试，测试集中，49个病例来自2014到2018年，11个病例是在2020年的新冠疫情期间。

预测准确率参见表2，在预测术后早期死亡率方面，融合算法可以达到100％的准确率，这比采用LightGBM,XGBoost or CatBoost预测的准确率更高。

表2:预测准确率

应用该模型能成功预测死亡风险，因此，该模型能有效帮助医生、患者提供决策依据，并有利于医疗政策制定者充分利用安排医疗资源。

结论：

本发明着眼于主动脉夹层外科手术风险预测，设计了数据挖掘步骤，该步骤包括问题定义，数据预处理，通知挖掘，结果分析和知识应用。通过特征分析和选择，以及模型的训练，最终能达到100％的预测准确率。

结果表明，主动脉夹层外科手术中的某些关键因素能为规范手术计划和提前规避手术风险提供可靠理论基础，有利于帮助医生、患者提供决策依据。

Claims (3)

1.一种基于提升树模型的主动脉夹层手术风险预测方法，其特征在于，包括以下步骤：

步骤1：数据预处理；

将手术记录中数据遗失的部分进行补全，形成包含有手术记录的数据库；

步骤2：数据挖掘；

基于决策树模型对数据库中的数据进行处理；

步骤3：结果分析；

对数据挖掘的处理结果进行分析，以评估数据挖掘算法的有效性；步骤3中，结果分析包括唯一值分析、特征相关性分析、特征重要性分析和早期死亡预测分析；

唯一值分析：

通过唯一值分析，若能发现一个特征具有一个唯一值，因此，该特征就可以从模型中删除，因为它对模型没有任何贡献；

特征相关性分析：

基于关联系数建立关联矩阵，关联系数代表了两个特征之间的关联性；不同的颜色代表关联系数值的大小；

特征重要性分析：

特征重要性分析用于特征的选择；

主动脉A型夹层一经发生，需要立即急诊外科手术治疗，如果不行手术修复，手术等待时间延长，每小时死亡率增加1％；

早期死亡预测分析：

采用训练后的模型对主动脉夹层术后死亡风险预测；

步骤4：知识应用；

将模型应用于当前手术对应的数据，以预测当前手术的风险。

2.根据权利要求1所述的基于提升树模型的主动脉夹层手术风险预测方法，其特征在于，步骤1中，数据遗失分为完全随机消失(MCAR)，随机消失(MAR)，非随机消失(MNAR)；

术前等待时间WTBO的补全：采用统一时间段的剩余时间的平均值来补充消失的数据，

ti是其他案例的WTBO值，N是同一时间段的案例数。

3.根据权利要求1所述的基于提升树模型的主动脉夹层手术风险预测方法，其特征在于，步骤2中，数据挖掘包括特征提取，关联性分析和重要性分析；

预测依据融和判定来实现：提升树的输出为Y＝{y₁,y₂,...,y_N},每一个模型的权值为W＝{w₁,w₂,...,w_N},融合判断值z的公式为：

其中N为基本模型的数量；最终的预测标签Label_i是基于融合判断值来确定的：

其中i为预测案例的ID号。

Images