CN113520319A - 一种基于逻辑回归的癫痫事件风险管理方法和系统 - Google Patents
一种基于逻辑回归的癫痫事件风险管理方法和系统 Download PDFInfo
- Publication number
- CN113520319A CN113520319A CN202110787085.2A CN202110787085A CN113520319A CN 113520319 A CN113520319 A CN 113520319A CN 202110787085 A CN202110787085 A CN 202110787085A CN 113520319 A CN113520319 A CN 113520319A
- Authority
- CN
- China
- Prior art keywords
- risk
- epileptic
- probability
- logistic regression
- epileptic event
- 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
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 124
- 238000007477 logistic regression Methods 0.000 title claims abstract description 56
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000013058 risk prediction model Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 33
- 208000024891 symptom Diseases 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 206010028372 Muscular weakness Diseases 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 208000011580 syndromic disease Diseases 0.000 claims description 11
- 208000010428 Muscle Weakness Diseases 0.000 claims description 10
- 208000012902 Nervous system disease Diseases 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 208000025966 Neurological disease Diseases 0.000 claims description 5
- 208000002091 Febrile Seizures Diseases 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 206010003497 Asphyxia Diseases 0.000 claims description 3
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 claims description 3
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 claims description 3
- 206010003805 Autism Diseases 0.000 claims description 3
- 208000020706 Autistic disease Diseases 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 208000014912 Central Nervous System Infections Diseases 0.000 claims description 3
- 206010010356 Congenital anomaly Diseases 0.000 claims description 3
- 206010019196 Head injury Diseases 0.000 claims description 3
- 208000001145 Metabolic Syndrome Diseases 0.000 claims description 3
- 208000019695 Migraine disease Diseases 0.000 claims description 3
- 208000028017 Psychotic disease Diseases 0.000 claims description 3
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 claims description 3
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 208000029028 brain injury Diseases 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 208000035231 inattentive type attention deficit hyperactivity disease Diseases 0.000 claims description 3
- 206010027599 migraine Diseases 0.000 claims description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 2
- 239000008103 glucose Substances 0.000 claims description 2
- 206010015037 epilepsy Diseases 0.000 abstract description 37
- 230000036541 health Effects 0.000 abstract description 8
- 230000003449 preventive effect Effects 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000004140 cleaning Methods 0.000 abstract description 3
- 238000013517 stratification Methods 0.000 abstract description 3
- 206010010904 Convulsion Diseases 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 208000020016 psychiatric disease Diseases 0.000 description 4
- 230000036461 convulsion Effects 0.000 description 3
- 206010016284 febrile convulsion Diseases 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 239000001961 anticonvulsive agent Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036473 myasthenia Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000024658 Epilepsy syndrome Diseases 0.000 description 1
- 208000002877 Epileptic Syndromes Diseases 0.000 description 1
- 208000003078 Generalized Epilepsy Diseases 0.000 description 1
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 208000037158 Partial Epilepsies Diseases 0.000 description 1
- 206010061334 Partial seizures Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003556 anti-epileptic effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 201000007186 focal epilepsy Diseases 0.000 description 1
- 208000028326 generalized seizure Diseases 0.000 description 1
- 201000001993 idiopathic generalized epilepsy Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Neurology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Neurosurgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例提供一种基于逻辑回归的癫痫事件风险管理方法和系统,获取癫痫相关临床检测数据,清洗数据,分类数据;计算检测数据所有指标的卡方值,筛选特征指标;基于逻辑回归使用特征指标筛选数据构建小儿癫痫疾病风险预测模型;基于预测风险概率实现小儿癫痫风险分层,提供个性化健康管理预防措施。针对小儿癫痫的主要影响因素进行分析,采用Logistic回归模型使得多种危险因素和小儿癫痫的发生之间确定为一种定量关系,通过多种危险因素的水平来预测个体未来小儿癫痫的风险概率,并对风险划分分层提供个性化健康管理预防措施。
Description
技术领域
本发明实施例涉及医疗健康管理技术领域,尤其涉及一种基于逻辑回归的癫痫事件风险管理方法和系统。
背景技术
癫痫是一种脑部慢性非传染性疾病,是世界上最早确认的病症之一,影响到全球大约5000万人。据统计全球每年大约有500万人被诊断为癫痫。癫痫事件的特点是反复发作,当发作时身体某一部位或整个身体短暂非自主性抽搐(即部分性发作或全身性发作),有时伴有意识丧失和尿便失禁。特别是小儿癫痫,小儿时期是生长发育的黄金阶段,在这个阶段,尚未完全成熟的大脑容易受到外界因素的干扰,而癫痫往往好发于儿童期,并且许多癫痫发作和癫痫综合征类型仅仅发生在儿童期。
存在一次发作类似事件并不意味着患有癫痫症(世界上高达10%的人一生中会有一次发作类似事件)。癫痫通常是指两次或两次以上的无端发作。癫痫在卫生保健、幼儿保护以及恢复正常活动能力等方面具有重大经济影响。据统计将近25%的癫痫病例可以得到早期预防,因此构建一种小儿癫痫事件风险的医疗辅助决策模型,过早识别癫痫风险并及时介入医疗健康管理措施,从而保护潜在风险人群具有重要意义。
发明内容
本发明实施例提供一种基于逻辑回归的癫痫事件风险管理方法和系统,癫痫疾病的风险预测决策方法原理简单,易于实现,可以辅助相关人员通过检测或测量体征数据后,给出相应决策及预防措施。
第一方面,本发明实施例提供一种基于逻辑回归的癫痫事件风险管理方法,包括:
步骤S1、基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;
步骤S2、计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;
步骤S3、基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;
步骤S4、基于所述风险概率进行癫痫事件风险分层管理。
作为优选的,所述步骤S1中,所述身体状态指标包括性别、当前年龄、首次出现症状年龄、身高、体重、血糖、血压、双侧抽搐指标或摇晃指标、高热惊厥史、身体僵硬、症状偏侧化、肌力减弱或肌无力、自动症、神经系统疾病史、精神病史、综合症、脑电图结果;所述神经系统病史包括出生性窒息、先天性或后天性脑损伤、头部外伤、中枢神经系统感染、偏头痛;所述精神病史包括自闭症、注意力缺陷障碍;所述综合征为遗传或代谢综合症。
作为优选的,所述步骤S1具体包括:
步骤S11、根据癫痫事件临床检测数据筛选出与癫痫患者分类相关性符合预设标准的身体状态指标;
步骤S12、将各所述身体状态指标由定性变量转化为数值型变量,并进行异常值处理、缺失值处理和重复值删除处理;
步骤S13、对各所述身体状态指标添加用于进行癫痫事件的分类标签。
作为优选的,所述步骤S2中,计算所有所述身体状态指标的卡方值,具体包括:
上式中,k表示身体状态指标类别,k取值范围是k∈{1,2,...,nk},nk表示指标总数,表示k的卡方值,i表示身体状态指标的属性类别,i∈{1,2,...,mk},mk表示指标k的属性类别总数,j表示检测数据的分类类别,j∈{0,1};Akij表示指标类别为k属性值为i且属于第j类癫痫患者的实际人数;Akij表示指标类别为k属性值为i且属于第j类癫痫患者的人数。
作为优选的,所述步骤S2中,基于所述卡方值确定对应身体状态指标的概率值,具体包括:
将所有所述身体状态指标对应的卡方值代入卡方分布标准表,确定每个卡方值对应身体状态指标的概率值。
作为优选的,所述步骤S3具体包括:
步骤S31、令第n条检测数据发生癫痫事件的概率看做pn,则分类标签为1的特征指标发生癫痫事件的概率为:
上式中,x1,x2,...,xn为对应的特征指标数据;wT为通过损失函数训练得到的最佳系数;
分类标签为0的特征指标发生癫痫事件的概率为:
逻辑回归模型表达式为:
令各所述特征指标相互独立,根据最大似然函数确定输入对应特征指标数据后发生癫痫事件的概率为:
计算最小化负对数似然函数对N个样本取平均即得到损失函数:
在0-1分布的基础上取对数后再取负数,将损失函数与0-1分布的分布律对应,根据梯度下降法确定所述损失函数的最小值,得到通过损失函数训练得到的最佳系数wT。
作为优选的,所述步骤S4具体包括:
将发生癫痫事件的概率p<8%的人群划分为低危风险人群;
将发生癫痫事件的概率8%≤p≤20%的人群划分为中危风险人群;
将发生癫痫事件的概率p>20的人群划分为高危风险人群;
针对不同风险指定不同的管理策略。
第二方面,本发明实施例提供一种基于逻辑回归的癫痫事件风险管理系统,包括:
指标检测模块,基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;
指标提取模块,计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;
风险概率分析模块,基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;
风险管理模块,基于所述风险概率进行癫痫事件风险分层管理。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例所述基于逻辑回归的癫痫事件风险管理方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述基于逻辑回归的癫痫事件风险管理方法的步骤。
本发明实施例提供的一种基于逻辑回归的癫痫事件风险管理方法和系统,在早期预测儿童癫痫风险预防癫痫误诊以及造成不必要的抗癫痫药治疗等方面有着积极意义,主要通过双侧抽搐或摇晃、身体僵硬、症状偏侧化、肌力减弱或肌无力、自动症、精神病史、综合症、脑电图等危险因素建立多元logistic回归模型,实现癫痫风险等级和风险指数评估,并针对不同风险分层和单个危险因素水平给出相应提示和建议,进而实现小儿癫痫的早筛判别。可以辅助相关人员通过检测或测量体征数据后,给出相应决策及预防措施。此外模型通过逻辑回归算法,能够通过后期不断补充的大量数据训练回归模型,增强数据分析的可靠性,校准模型的准确性,为小儿癫痫风险早期识别及干预产生积极影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于逻辑回归的癫痫事件风险管理方法流程框图;
图2为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
癫痫通常是指两次或两次以上的无端发作。癫痫在卫生保健、幼儿保护以及恢复正常活动能力等方面具有重大经济影响。据统计将近25%的癫痫病例可以得到早期预防,因此构建一种小儿癫痫事件风险的医疗辅助决策模型,过早识别癫痫风险并及时介入医疗健康管理措施,从而保护潜在风险人群具有重要意义。
因此,本发明实施例提供一种基于逻辑回归的癫痫事件风险管理方法和系统,针对小儿癫痫疾病的风险预测决策方法原理简单,易于实现,可以辅助相关人员通过检测或测量体征数据后,给出相应决策及预防措施。此外模型通过逻辑回归算法,能够通过后期不断补充的大量数据训练回归模型,增强数据分析的可靠性,校准模型的准确性,为小儿癫痫风险早期识别及干预产生积极影响。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供一种基于逻辑回归的癫痫事件风险管理方法,包括:
步骤S1、基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;
具体的,所述身体状态指标包括性别、当前年龄、首次出现症状年龄、身高、体重、血糖、血压、双侧抽搐指标或摇晃指标、高热惊厥史、身体僵硬、症状偏侧化、肌力减弱或肌无力、自动症、神经系统疾病史、精神病史、综合症、脑电图结果;所述神经系统病史包括出生性窒息、先天性或后天性脑损伤、头部外伤、中枢神经系统感染、偏头痛;所述精神病史包括自闭症、注意力缺陷障碍;所述综合征为遗传或代谢综合症。步骤S1具体包括:
步骤S11、根据癫痫事件临床检测数据筛选出与癫痫患者分类相关性符合预设标准的身体状态指标;
步骤S12、将各所述身体状态指标由定性变量转化为数值型变量,并进行异常值处理、缺失值处理和重复值删除处理;由于获取的检测数据存在噪声,对构建预测模型产生负面作用,因此实现数据清洗显得极为重要。数据清洗主要包括定性变量转化为数值型变量、异常值处理、缺失值处理、重复值删除等;
步骤S13、对各所述身体状态指标添加用于进行癫痫事件的分类标签;以定性变量转化为数值型变量为例,采集上述指标中涉及指标值应为数值类型,因此非数值类型指标应转换为离散型数值指标,如性别(男1、女0)、双侧抽搐或摇晃(是1、否0),高热惊厥史(是1、否0),身体僵硬(是1、否0),症状偏侧化(是1、否0),肌力减弱或肌无力(是1、否0),自动症(是1、否0),神经系统疾病史(是1、否0),精神病史(是1、否0),综合症(是1、否0),脑电图结果(正常0、广义癫痫1、局部癫痫1、特定异常1)等。清洗后的检测数据,格式完整、内容准确、可读性较强。最后针对检测数据关联的诊断数据为检测数据添加分类标签。分类标签是逻辑回归预测模型训练的目标,比如标签1,表示诊断为小儿癫痫患者;标签0,表示诊断为小儿正常。最后构建出可供预测模型正常使用的数据集。。
步骤S2、计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;
筛选关键特征指标,剔除冗余且贡献度低的指标,对降低模型运算复杂度,提高预测准确率具有重要影响。
计算所有所述身体状态指标的卡方值,具体包括:
上式中,k表示身体状态指标类别,k取值范围是k∈{1,2,...,nk},nk表示指标总数,表示k的卡方值,i表示身体状态指标的属性类别,i∈{1,2,...,mk},mk表示指标k的属性类别总数,j表示检测数据的分类类别,j∈{0,1};Akij表示指标类别为k属性值为i且属于第j类癫痫患者的实际人数;Akij表示指标类别为k属性值为i且属于第j类癫痫患者的人数。
如果检测指标对小儿癫痫分类没有影响,则计算得到的卡方结果值会非常小。将上述所有指标的卡方值代入卡方标准表,即可得到当前指标的概率P值,如果P值小于0.05,则该指标被筛选为特征指标。例如双侧抽搐或摇晃指标的卡方值为11.5时对应的P值小于0.05,则拒绝双侧抽搐或摇晃对确认小儿患癫痫疾病没有影响这个假设,即双侧抽搐或摇晃对确认小儿癫痫具有影响。根据最终卡方检验分析结果可知性别(p=0.03)、年龄(第一次出现症状时)(p=0.042)、双侧抽搐或摇晃(p=0.003)、身体僵硬(p=0.0127)、症状偏侧化(p=0.0113)、肌力减弱或肌无力(p=0.037)、自动症(p=0.045)、神经系统疾病史(p=0.032)、精神病史(p=0.0163)、综合症(p=0.039)、脑电图结果(p=0.046)与小儿癫痫疾病具有显著相关性。因此,初步特征指标具体指性别、年龄(第一次出现症状时)、双侧抽搐或摇晃、身体僵硬、症状偏侧化、肌力减弱或肌无力、自动症、神经系统疾病史、精神病史、综合症、脑电图结果等。
步骤S3、基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;
具体的,建立所述逻辑回归模型的方法为,在线性回归基础上通过Sigmoid函数将结果映射到(0,1)之间,从而得到预测小儿癫痫患病风险事件的概率的逻辑回归模型。其中Sigmoid函数是一种阶跃函数(step function)。逻辑回归具有如下特点:(1)因变量只能是0-1的二项分布;(2)模型的损失函数是最大似然估计,即当给定数据时,对指标变量中的每一个参数进行偏微分后,再让偏微分式子等于0,从而求出参数的估计值;(3)虽然因变量只能是0-1的二项分布,但由于使用的损失函数是最大似然估计,故本质上是在计算因变量为0或因变量为1的概率;(4)由于第(3)点,故可以将预0-1分类变量的任务转换为一种预测变量为1概率的模型。
所述步骤S3具体包括:
步骤S31、令第n条检测数据发生癫痫事件的概率看做pn,则分类标签为1的特征指标发生癫痫事件的概率为:
上式中,x1,x2,...,xn为对应的特征指标数据;wT为通过损失函数训练得到的最佳系数;当z趋近正无穷时,概率pn趋近于1,当z趋近负无穷时,pn趋近于0。
分类标签为0(即yn=0)的特征指标发生癫痫事件的概率为:
逻辑回归模型表达式为:
令各所述特征指标相互独立,根据最大似然函数确定输入对应特征指标数据后发生癫痫事件的概率为:
对上述似然函数两边取对数,则转换为:
取对数不影响原函数的单调性,而且会显著区别概率间的差异,能够更好的区分各样本的类别。
左右两侧乘以-1,转为最小化负对数似然函数:
计算最小化负对数似然函数对N个样本取平均即得到损失函数:
由此通过在0-1分布的基础上取对数然后再取负数,将该损失函数与0-1分布的分布律对应起来。具体求解过程中函数的最小值可以利用梯度下降法求解。具体地,可以针对取对数后的结果,求相应变量的偏导数并逐级迭代,最终迭代至收敛即可,得出wT即通过损失函数训练得到的最佳系数。最终小儿癫痫逻辑回归风险概率预测模型为:
步骤S4、基于所述风险概率进行癫痫事件风险分层管理。
将发生癫痫事件的概率p<8%的人群划分为低危风险人群;
将发生癫痫事件的概率8%≤p≤20%的人群划分为中危风险人群;
将发生癫痫事件的概率p>20的人群划分为高危风险人群;
针对不同风险指定不同的管理策略。
根据筛选后的特征指标数据,建立的小儿癫痫风险概率预测模型能够准确识别风险大小。为更好地区别风险程度大小以及有针对性的提供风险预防措施,特地对风险依据概率值范围实现分层划分(如低危<8%、中危8%-20%、高危>20%)。
预防措施因危险分层不同而有所区别,因此更能有效较好的干预风险,实现精细健康管理。针对小儿癫痫疾病的风险预测决策方法原理简单,易于实现,可以辅助相关人员通过检测或测量体征数据后,给出相应决策及预防措施。此外模型通过逻辑回归算法,能够通过后期不断补充的大量数据训练回归模型,增强数据分析的可靠性,校准模型的准确性,为小儿癫痫风险早期识别及干预产生积极影响。
本发明实施例还提供一种基于逻辑回归的癫痫事件风险管理系统,基于上述各实施例中的基于逻辑回归的癫痫事件风险管理方法,包括:
指标检测模块,基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;
指标提取模块,计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;
风险概率分析模块,基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;
风险管理模块,基于所述风险概率进行癫痫事件风险分层管理。
可以理解的是,本发明提供的一种基于逻辑回归的癫痫事件风险管理系统与前述各实施例提供的基于逻辑回归的癫痫事件风险管理方法相对应,基于逻辑回归的癫痫事件风险管理系统的相关技术特征可参考基于逻辑回归的癫痫事件风险管理方法的相关技术特征,在此不再赘述。
图2为本发明实施例提供的电子设备的实体结构示意图,参照图2,本发明实施例还提供了一种电子设备,该电子设备可以包括:处理器(processor)201、通信接口(Communications Interface202、存储器(memory)203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令,以执行如上述各实施例所述基于逻辑回归的癫痫事件风险管理方法的步骤。例如包括:步骤S1、基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;步骤S2、计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;步骤S3、基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;步骤S4、基于所述风险概率进行癫痫事件风险分层管理。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述基于逻辑回归的癫痫事件风险管理方法的步骤。例如包括:步骤S1、基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;步骤S2、计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;步骤S3、基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;步骤S4、基于所述风险概率进行癫痫事件风险分层管理。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种基于逻辑回归的癫痫事件风险管理方法和系统,在早期预测儿童癫痫风险预防癫痫误诊以及造成不必要的抗癫痫药治疗等方面有着积极意义,主要通过双侧抽搐或摇晃、身体僵硬、症状偏侧化、肌力减弱或肌无力、自动症、精神病史、综合症、脑电图等危险因素建立多元logistic回归模型,实现癫痫风险等级和风险指数评估,并针对不同风险分层和单个危险因素水平给出相应提示和建议,进而实现小儿癫痫的早筛判别。可以辅助相关人员通过检测或测量体征数据后,给出相应决策及预防措施。此外模型通过逻辑回归算法,能够通过后期不断补充的大量数据训练回归模型,增强数据分析的可靠性,校准模型的准确性,为小儿癫痫风险早期识别及干预产生积极影响。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
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、系统、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。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、嵌入式计算机或者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,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种基于逻辑回归的癫痫事件风险管理方法,其特征在于,包括:
步骤S1、基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;
步骤S2、计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;
步骤S3、基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;
步骤S4、基于所述风险概率进行癫痫事件风险分层管理。
2.根据权利要求1所述的基于逻辑回归的癫痫事件风险管理方法,其特征在于,所述步骤S1中,所述身体状态指标包括性别、当前年龄、首次出现症状年龄、身高、体重、血糖、血压、双侧抽搐指标或摇晃指标、高热惊厥史、身体僵硬、症状偏侧化、肌力减弱或肌无力、自动症、神经系统疾病史、精神病史、综合症、脑电图结果;所述神经系统病史包括出生性窒息、先天性或后天性脑损伤、头部外伤、中枢神经系统感染、偏头痛;所述精神病史包括自闭症、注意力缺陷障碍;所述综合征为遗传或代谢综合症。
3.根据权利要求1所述的基于逻辑回归的癫痫事件风险管理方法,其特征在于,所述步骤S1具体包括:
步骤S11、根据癫痫事件临床检测数据筛选出与癫痫患者分类相关性符合预设标准的身体状态指标;
步骤S12、将各所述身体状态指标由定性变量转化为数值型变量,并进行异常值处理、缺失值处理和重复值删除处理;
步骤S13、对各所述身体状态指标添加用于进行癫痫事件的分类标签。
5.根据权利要求1所述的基于逻辑回归的癫痫事件风险管理方法,其特征在于,所述步骤S2中,基于所述卡方值确定对应身体状态指标的概率值,具体包括:
将所有所述身体状态指标对应的卡方值代入卡方分布标准表,确定每个卡方值对应身体状态指标的概率值。
6.根据权利要求4所述的基于逻辑回归的癫痫事件风险管理方法,其特征在于,所述步骤S3具体包括:
步骤S31、令第n条检测数据发生癫痫事件的概率看做pn,则分类标签为1的特征指标发生癫痫事件的概率为:
上式中,x1,x2,...,xn为对应的特征指标数据;wT为通过损失函数训练得到的最佳系数;
分类标签为0的特征指标发生癫痫事件的概率为:
逻辑回归模型表达式为:
令各所述特征指标相互独立,根据最大似然函数确定输入对应特征指标数据后发生癫痫事件的概率为:
计算最小化负对数似然函数对N个样本取平均即得到损失函数:
在0-1分布的基础上取对数后再取负数,将损失函数与0-1分布的分布律对应,根据梯度下降法确定所述损失函数的最小值,得到通过损失函数训练得到的最佳系数wT。
7.根据权利要求1所述的基于逻辑回归的癫痫事件风险管理方法,其特征在于,所述步骤S4具体包括:
将发生癫痫事件的概率p<8%的人群划分为低危风险人群;
将发生癫痫事件的概率8%≤p≤20%的人群划分为中危风险人群;
将发生癫痫事件的概率p>20的人群划分为高危风险人群;
针对不同风险指定不同的管理策略。
8.一种基于逻辑回归的癫痫事件风险管理系统,其特征在于,包括:
指标检测模块,基于癫痫事件临床检测检测数据,确定与癫痫患者分类相关的身体状态指标;
指标提取模块,计算所有所述身体状态指标的卡方值,基于所述卡方值确定对应身体状态指标的概率值;若判断所述概率值小于预设概率阈值,则将对应的身体状态指标筛选为特征指标;
风险概率分析模块,基于所述特征指标构建基于逻辑回归的癫痫事件风险预测模型,所述癫痫事件风险预测模型用于基于所述特征指标预测癫痫事件的风险概率;
风险管理模块,基于所述风险概率进行癫痫事件风险分层管理。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于逻辑回归的癫痫事件风险管理方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于逻辑回归的癫痫事件风险管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787085.2A CN113520319A (zh) | 2021-07-12 | 2021-07-12 | 一种基于逻辑回归的癫痫事件风险管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787085.2A CN113520319A (zh) | 2021-07-12 | 2021-07-12 | 一种基于逻辑回归的癫痫事件风险管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113520319A true CN113520319A (zh) | 2021-10-22 |
Family
ID=78127602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110787085.2A Pending CN113520319A (zh) | 2021-07-12 | 2021-07-12 | 一种基于逻辑回归的癫痫事件风险管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113520319A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238460A (zh) * | 2023-09-18 | 2023-12-15 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的病情监测方法和系统 |
CN117238485A (zh) * | 2023-11-14 | 2023-12-15 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110729052A (zh) * | 2019-09-10 | 2020-01-24 | 合肥工业大学 | 老年健康数据知识分析方法和系统 |
CN111899887A (zh) * | 2020-07-15 | 2020-11-06 | 常州工学院 | 老年人群老年痴呆病风险预测方法 |
CN111968746A (zh) * | 2020-07-21 | 2020-11-20 | 华中科技大学协和深圳医院 | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 |
CN112185549A (zh) * | 2020-09-29 | 2021-01-05 | 郑州轻工业大学 | 基于临床表型和逻辑回归分析的食管鳞癌风险预测方法 |
CN113040711A (zh) * | 2021-03-03 | 2021-06-29 | 吾征智能技术(北京)有限公司 | 一种脑卒中发病风险预测系统、设备、存储介质 |
-
2021
- 2021-07-12 CN CN202110787085.2A patent/CN113520319A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110729052A (zh) * | 2019-09-10 | 2020-01-24 | 合肥工业大学 | 老年健康数据知识分析方法和系统 |
CN111899887A (zh) * | 2020-07-15 | 2020-11-06 | 常州工学院 | 老年人群老年痴呆病风险预测方法 |
CN111968746A (zh) * | 2020-07-21 | 2020-11-20 | 华中科技大学协和深圳医院 | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 |
CN112185549A (zh) * | 2020-09-29 | 2021-01-05 | 郑州轻工业大学 | 基于临床表型和逻辑回归分析的食管鳞癌风险预测方法 |
CN113040711A (zh) * | 2021-03-03 | 2021-06-29 | 吾征智能技术(北京)有限公司 | 一种脑卒中发病风险预测系统、设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
杨游云,周健: "《深入理解XGBoost 高效机器学习算法与进阶》", 北京:机械工业出版社, , pages: 178 - 183 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238460A (zh) * | 2023-09-18 | 2023-12-15 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的病情监测方法和系统 |
CN117238485A (zh) * | 2023-11-14 | 2023-12-15 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
CN117238485B (zh) * | 2023-11-14 | 2024-01-30 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Length of stay prediction for ICU patients using individualized single classification algorithm | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
CN113520319A (zh) | 一种基于逻辑回归的癫痫事件风险管理方法和系统 | |
CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
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 | |
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 | |
CN111951965A (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
Zhang et al. | Identifying diabetic macular edema and other retinal diseases by optical coherence tomography image and multiscale deep learning | |
Sharanyaa et al. | Hybrid machine learning techniques for heart disease prediction | |
Reddy et al. | Discovering optimal algorithm to predict diabetic retinopathy using novel assessment methods | |
KR20210112041A (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
WO2024027438A1 (zh) | 一种基于个性化状态空间进展模型的疾病辅助决策系统 | |
CN108597615A (zh) | 一种轻度认知障碍患者痴呆转化的筛选参考方法 | |
Saraei et al. | A different traditional approach for automatic comparative machine learning in multimodality COVID-19 severity recognition | |
Alasaady et al. | A proposed approach for diabetes diagnosis using neuro-fuzzy technique | |
CN111292852A (zh) | 基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统 | |
US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation | |
Christopher et al. | Knowledge-based systems and interestingness measures: Analysis with clinical datasets | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN112205965B (zh) | 基于时间窗口切割的健康风险关键事件检测方法及系统 | |
Suneetha et al. | Fine tuning bert based approach for cardiovascular disease diagnosis | |
CN114724701A (zh) | 基于叠加集成算法和自动编码器的无创通气疗效预测系统 | |
Umut et al. | Prediction of sepsis disease by Artificial Neural Networks |
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 |