CN114613517A - 一种预后预测方法及装置、电子设备、存储介质 - Google Patents

一种预后预测方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN114613517A
CN114613517A CN202210300112.3A CN202210300112A CN114613517A CN 114613517 A CN114613517 A CN 114613517A CN 202210300112 A CN202210300112 A CN 202210300112A CN 114613517 A CN114613517 A CN 114613517A
Authority
CN
China
Prior art keywords
prognosis
prediction
clinical
index
characteristic data
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
Application number
CN202210300112.3A
Other languages
English (en)
Inventor
陈燕宏
李雪
赖楷
李颖
桂水清
文莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Second Peoples Hospital
Original Assignee
Shenzhen Second Peoples Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Second Peoples Hospital filed Critical Shenzhen Second Peoples Hospital
Priority to CN202210300112.3A priority Critical patent/CN114613517A/zh
Publication of CN114613517A publication Critical patent/CN114613517A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本申请提供了一种预后预测方法及装置、电子设备、存储介质，该方法包括：将指定疾病对应的患者预后数据输入训练好的预测模型中，得到预后不良的发生概率。其中，预测模型的训练步骤包括：获取指定疾病对应的病例样本数据，病例样本数据中包括多个临床特征数据和临床特征数据对应的预后结果，临床特征数据中包括多种第一临床指标对应的特征数据，预后结果包括预后正常或者预后不良。根据病例样本数据，从多种第一临床指标中筛选出与指定疾病相关的预后预测指标，从而基于预后预测指标构建预测模型，并利用预后预测指标对应的特征数据和预后结果对预测模型进行训练，实现了结合不同患者的实际患病情况进行准确的预后预测。

Description

一种预后预测方法及装置、电子设备、存储介质
技术领域
本发明涉及技术领域，具体涉及一种预后预测方法及装置、电子设备、存储介质。
背景技术
随着耐药细菌的广泛传播，耐药细菌已经成为严重的公共卫生威胁，且感染耐药细菌的患者更容易面临预后情况较差的问题。现有方式中，通常会针对特定耐药细菌分析影响患者预后情况的危险因素，从而为感染耐药细菌的患者提供诊治、疾病严重程度及预后评估的理论依据，但这种方式仍未能结合不同患者的实际患病情况进行准确的预后预测，不利于为患者提供可改善预后效果的早期干预治疗。
发明内容
本申请提供一种预后预测方法及装置、电子设备、存储介质，其主要目的在于实现更加准确的预后预测。
为实现上述目的，本申请实施例提供了一种预后预测方法，所述方法包括：
获取指定疾病对应的患者预后数据；
将所述患者预后数据输入训练好的预测模型中，得到预后不良的发生概率；
其中，所述预测模型的训练步骤包括：
获取所述指定疾病对应的病例样本数据，所述病例样本数据中包括多个临床特征数据和所述临床特征数据对应的预后结果，所述临床特征数据中包括多种第一临床指标对应的特征数据，所述预后结果包括预后正常或者预后不良；
根据所述病例样本数据，从所述多种第一临床指标中筛选出与所述指定疾病相关的预后预测指标；
基于所述预后预测指标构建预测模型；
利用所述预后预测指标对应的特征数据和预后结果对所述预测模型进行训练，得到训练好的预测模型。
为实现上述目的，本申请实施例还提出了一种预后预测装置，所述装置包括：
获取模块，用于获取指定疾病对应的患者预后数据；
预测模块，用于将所述患者预后数据输入训练好的预测模型中，得到预后不良的发生概率；
训练模块，用于获取所述指定疾病对应的病例样本数据，所述病例样本数据中包括多个临床特征数据和所述临床特征数据对应的预后结果，所述临床特征数据中包括多种第一临床指标对应的特征数据，所述预后结果包括预后正常或者预后不良；根据所述病例样本数据，从所述多种第一临床指标中筛选出与所述指定疾病相关的预后预测指标；基于所述预后预测指标构建预测模型；利用所述预后预测指标对应的特征数据和预后结果对所述预测模型进行训练，得到训练好的预测模型。
为实现上述目的，本申请实施例还提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有程序，所述程序被所述处理器执行时实现前述方法的步骤。
为实现上述目的，本申请提供了一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述方法的步骤。
本申请提出的预后预测方法及装置、电子设备、存储介质，可以获取指定疾病对应的病例样本数据，病例样本数据中包括多个临床特征数据及其预后结果(比如预后正常或预后不良)，而临床特征数据中包括多种第一临床指标对应的特征数据。根据病例样本数据，从多种第一临床指标中筛选出指定疾病相关的预后预测指标，从而基于预后预测指标构建预测模型，并利用预后预测指标对应的特征数据和预后结果对预测模型进行训练。实际应用中，直接将指定疾病对应的患者预后数据输入训练好的预测模型中，即可得到预后不良的发生概率，能够结合不同患者的实际患病情况进行准确的预后预测，有利于为患者提供可改善预后效果的早期干预治疗。
附图说明
图1是本申请实施例所应用的一种电子设备的结构框图；
图2是本申请实施例提供的一种预后预测方法的流程示意图；
图3是图2中步骤S210的一种具体流程示意图；
图4是本申请实施例中一种预测模型对应的拟合趋势示意图；
图5是本申请实施例所应用的一种预后预测装置的结构框图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
随着耐药细菌的广泛传播，耐药细菌已经成为严重的公共卫生威胁，且感染耐药细菌的患者更容易面临预后情况较差的问题。现有方式中，通常会针对特定耐药细菌分析影响患者预后情况的危险因素，从而为感染耐药细菌的患者提供诊治、疾病严重程度及预后评估的理论依据，但这种方式仍未能结合不同患者的实际患病情况进行准确的预后预测，不利于为患者提供可改善预后效果的早期干预治疗。
为了解决上述问题，本申请提供一种预后预测方法，应用于一种电子设备。参照图1所示，图1是本申请实施例所应用的一种电子设备的结构框图。
在本申请实施例中，电子设备可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
该电子设备包括：存储器11、处理器12、网络接口13及数据总线14。
存储器11包括至少一种类型的可读存储介质，至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子设备的内部存储单元，例如该电子设备的硬盘。在另一些实施例中，可读存储介质也可以是电子设备的外部存储器，例如电子设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，存储器11的可读存储介质通常用于存储安装于电子设备的预后预测程序、多种样本集及预先训练好的模型等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行预后预测程序等。
网络接口13可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子设备与其他电子设备之间建立通信连接。
数据总线14用于实现这些组件之间的连接通信。
图1仅示出了具有组件11-14的电子设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
下面对本申请实施例公开的一种预后预测方法进行具体说明。
如图2所示，图2是本申请实施例提供的一种预后预测方法的流程示意图。基于图1所示的电子设备，处理器12执行存储器11中存储的程序时实现如下步骤S200至步骤S260。
步骤S200：获取指定疾病对应的病例样本数据。
在本申请实施例中，病例样本数据中包括多个临床特征数据和临床特征数据对应的预后结果，临床特征数据中包括多种第一临床指标对应的特征数据，预后结果包括预后正常或者预后不良。
其中，临床指标与指定疾病相关，且临床指标可以包括但不限于以下至少一种：患者信息(比如年龄、性别、基础疾病和感染源等)、生化指标(比如血常规、肝肾功能、凝血功能、血气分析指标、心肌损伤指标等)、临床治疗方案、急性生理与慢性健康评分(APACHEII)、序灌器官衰竭评分(SOFA评分)和查尔森指数合并症评分(Charlson ComorbidityIndex，CCI评分)。
其中，预后结果可以由人为评定，不做限定，比如，患者在指定时间内存活为预后正常，患者在指定时间内死亡为预后不良；或者，患者在指定时间内未出现指定疾病的危险症状为预后正常，患者在指定时间内出现危险症状为预后不良。指定时间由人为指定，一些实现方式中，指定时间可以是28天，亦不构成限定。
一些可选的实施方式中，获取病例样本数据可以采用以下至少一种数据源渠道：1、通过电子设备人为录入及整理数据；2、预先确定指定疾病的疾病信息(比如疾病名称关键词和疾病编码等)，直接利用大数据查询引擎(比如hive和Spark引擎等)从现有的医疗系统查询出符合疾病信息的病例样本数据；3、先从上述医疗系统采集患者就诊信息，再从患者就诊信息按需筛选出指定疾病的病例样本数据，而患者就诊信息包括个人健康档案、处方和检查报告等医疗数据。其中，医疗系统可以包括但不限于医院数据库系统、卫生服务机构数据库系统和医疗健康服务云平台等，医疗服务健康云平台可以采用医疗云(Medicalcloud)，医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。
在本申请实施例中，指定疾病可以是人为设定，具体可适用于患者住院时间较长、住院费用较多且预后情况较差的疾病类型，对此不做具体限定。以下主要以指定疾病为感染耐碳青霉烯肺炎克雷伯杆菌等耐药细菌的情况进行说明。
步骤S210：根据病例样本数据，从多种第一临床指标中筛选出与指定疾病相关的预后预测指标。
一种可选的实施方式中，可以根据专家经验筛选相关的预后预测指标。另一种可选的实施方式，请参阅图3，图3是图2中步骤S210的一种具体流程示意图，如图3所示，步骤S210具体可以包括以下步骤S211至S215。
步骤S211：根据病例样本数据，对每种第一临床指标进行单因素统计分析，得到第一临床指标的第一分析结果。
其中，单因素统计分析是指在一个时间点上针对一种第一临床指标进行分析，第一分析结果可以包括但不限于显著性值(即p值)、比值比(Odds Ratio，OR)和森林图中至少一种。
可选的，若第一分析结果包括显著性值，显著性值用于判断相应的第一临床指标对预后预测的影响是否显著。则，步骤S211具体可以包括以下步骤：
首先，将病例样本数据分为第一比例的正常组和第二比例的异常组，正常组包括预后结果为预后正常的临床特征数据，异常组包括预后结果为预后不良的临床特征数据，第一比例和第二比例之和为1。
之后，针对每种第一临床指标，从正常组中取第一临床指标对应的所有特征数据作为第一临床指标的第一特征数据，并根据第一特征数据生成第一临床指标对应的第一比较值。从异常组中取第一临床指标对应的所有特征数据作为第一临床指标的第二特征数据，并根据第二特征数据生成第一临床指标对应的第二比较值。
最后，根据第一比较值和第二比较值进行检验分析，得到第一临床指标的显著性值，从而基于单因素的显著性水平分析进行临床指标的初步筛选。具体来说，可以采用SPSS或SAS等软件进行检验分析，不做限定。
示例性的，下表1为部分感染耐碳青霉烯肺炎克雷伯杆菌患者的病例样本数据的特征分析表。如表1所示，以血红蛋白这一临床指标为例，血红蛋白对应的第一比较值为94，第二比较值为88.5，而显著性值为0.038。
表1部分病例样本数据的特征分析表
Figure BDA0003565287630000071
Figure BDA0003565287630000081
进一步的，一种可选的实施方式中，根据第一特征数据生成第一临床指标对应的第一比较值，包括：
若第一特征数据满足正态分布，根据第一特征数据计算第一均值和第一标准差，并根据第一均值和第一标准差计算得到第一比较值。可选的，第一比较值＝第一均值±第一标准差。以表1中的白蛋白为例，针对白蛋白对应的正常组计算出第一均值31.7，第一标准差为4.9，则白蛋白对应的第一比较值为31.7±4.9。此时，相应的，组间比较可以采用独立样本T检验分析。
若第一特征数据不满足正态分布，从第一特征数据中取中位数(比如四分间距)作为第一比较值，比如表1中，针对总胆红素对应的正常组，直接将中位数12.8确定为总胆红素对应的第一比较值。此时，相应的，组间比较可以采用Mann-Whitney U检验分析。
与生成第一比较值类似，根据第二特征数据生成第一临床指标对应的第二比较值，包括：
若第二特征数据满足正态分布，根据第二特征数据计算第二均值和第二标准差，并根据第二均值和第二标准差计算得到第二比较值。若第二特征数据不满足正态分布，从第二特征数据中取中位数作为第二比较值。
实际应用中，通过Shapiro-Wilk(SW)检验或Kolmogorov-Smirnov(KS)检验等正态检验方式，可检验特征数据是否满足正态分布，使得用于计算显著性的第一比较值和第二比较值满足更精准的统计特性。
步骤S212：从多个第一临床指标中获取第一分析结果满足第一统计条件的第二临床指标。
一种实现方式中，第一统计条件为：第二临床指标的显著性值小于预设的显著性值，预设的显著性值由人为设定及调整，比如0.05，不做具体限定。仍以上表1为例进行说明，假设预设的显著性值为0.05，则可以从表1中确定出的第二临床指标指包括：平均动脉压、血小板计数、白蛋白、总胆红素、凝血酶原时间、国际标准化比值、活化部分凝血活酶原时间、乳酸、肌红蛋白、肌酸激酶同工酶、慢性肾功能不全、SOFA评分和APACHE II评分。
其他实现方式中，第一统计条件也可以包括为第一分析结果中不同参数类型所设定的取值或取值范围，以筛选出对预后预测具备统计学意义的临床指标。
步骤S213：从病例样本数据中获取所有第二临床指标对应的目标样本数据。
步骤S214：对目标样本数据进行多因素回归分析，得到每种第二临床指标的第二分析结果。
其中，多因素回归分析是指针对多种第二临床指标的特征数据进行回归分析，第二分析结果可以包括但不限于显著性值(即p值)、比值比和森林图中至少一种。
步骤S215：取第二分析结果满足第二统计条件的第二临床指标作为与指定疾病相关的预后预测指标。
一种实现方式中，第二统计条件为：预后预测指标的显著性值小于预设的显著性值。其他实现方式中，第二统计条件也可以包括为第二分析结果中不同参数类型所设定的取值或取值范围，进一步保证筛选得到的预后临床指标具有统计学意义。
步骤S220：基于预后预测指标构建预测模型。
步骤S230：利用预后预测指标对应的特征数据和预后结果对预测模型进行训练，得到训练好的预测模型。
一种可选的实施方式中，步骤S230具体可以包括以下步骤：
将预后预测指标对应的特征数据输入预测模型中，得到预测结果。基于此，根据预测结果和预后预测指标对应的预后结果，对预测模型的参数信息进行调整，得到训练好的预测模型，参数信息中包括N个模型参数，N≥2且N为正整数。
一种实现方式中，预后预测指标的数量为N-1个，则预测模型为：
Figure BDA0003565287630000101
y表示预测结果，a0表示第一个模型参数，ai表示第i+1个模型参数，xi表示第i个预后预测指标对应的特征数据。
示例性的，仍以上述表1为例，若通过步骤S211至S215，将乳酸和APACHE II评分确定为预后预测指标，则构建预测模型y＝a0+a1x1+a2x2，x1为乳酸对应的特征数据，x2为APACHE II评分对应的特征数据。进而，通过步骤S230获得训练好的预测模型，即y＝1.035x1+0.204x2-7.086。
在训练好预测模型之后，即可通过下述步骤S240和S250，利用预测模型实现对指定疾病的预后预测。
步骤S240:获取指定疾病对应的患者预后数据。
在本申请实施例中，患者预后数据可以包括根据预后预测指标对待观察患者采集的特征数据。
步骤S250：将患者预后数据输入训练好的预测模型中，得到预后不良的发生概率。
一种可选的实施方式中，若预后预测指标包括至少两个目标预测指标，则步骤S250至少包括以下步骤：将患者预后数据输入预测模型中。通过预测模型计算每种目标预测指标对应的评分值，并将所有目标预测指标对应的评分值相加，得到相加结果。通过预测模型将相加结果转换为预后不良的发生概率。
示例性的，预后预测指标中包括乳酸和APACHE II评分，若乳酸水平属于0mmol/L～18mmol/L，则通过预测模型计算得到的第一因子分值(即乳酸对应的评分值)属于0～70分。若APACHE II评分属于0～45分，则通过预测模型计算得到的第二因子分值(即APACHEII评分对应的评分值)属于0～100分。基于此，通过预测模型将相加结果转换至0～160分的分值范围中，进而转换为预后不良的发生概率，可以理解，预测模型的计算及转换处理均与其参数信息相关。
一种可选的实施方式中，若预后预测指标包括至少两个目标预测指标，则还可以包括以下步骤：
根据病例样本数据，生成每种目标预测指标对应的接受者操作特征曲线(Receiver Operating Characteristic Curve，ROC曲线)，此时，目标预测指标对应的ROC曲线表示单独基于该目标预测指标进行预后预测所相关的ROC曲线。根据每种目标预测指标对应的ROC曲线，生成目标预测指标对应的统计信息。将统计信息满足第三统计条件的目标预测指标确定为与指定疾病相关的独立危险指标。
其中，生成ROC曲线的方式可采用现有手段，不做赘述。统计信息可以包括但不限于发生预后不良的最佳截点、ROC曲线下面积、P值和时间变化信息等，时间变化信息通过重复测量方差分析获得。判断目标预测指标的统计信息是否满足第三统计条件，包括但不限于以下方式：
根据病例样本数据，生成预测模型对应的ROC曲线，并将预测模型对应的ROC曲线分别与不同目标预测指标对应的ROC曲线进行比较，得到比较结果，若比较结果满足预设比较条件，则判定该目标预测指标的统计信息满足第三统计条件，若比较结果不满足预设比较条件，则判定该目标预测指标的统计信息不满足第三统计条件。可选的，比较结果包括但不限于p值，则相应的预设比较条件为p值＜预设的显著性值(比如0.0.5)，即具有统计学差异。
示例性的，若预测模型对应的ROC曲线与乳酸对应的ROC曲线之间的比较结果满足预设比较条件，说明利用预测模型进行预后预测的效果优于乳酸。而，若预测模型对应的ROC曲线与APACHE II评分对应的ROC曲线之间的比较结果不满足预设比较条件，即不具有统计学差异，则说明利用预测模型进行预后预测的效果并未优于APACHE II评分。此时，判定APACHE II评分为与指定疾病相关的独立危险指标。
为了更好地理解本申请实施例中预测模型的实际效果，以下结合步骤S240和S250的实验结果进行描述。
请参阅图4，图4是本申请实施例中一种预测模型对应的拟合趋势示意图。如图4所示，坐标纵轴表示患者预后数据对应的预后不良的实际概率，坐标横轴表示利用预测模型对患者预后数据进行预后预测后得到的预测概率，基于此，生成用于评估预测模型准确性的拟合趋势线40。可见，该拟合趋势线40较为接近图示的标准拟合直线41，C-index为0.897，95％CI为0.821-0.972，这表示预测概率与实际概率之间的一致性较好，预测模型的预测效果较优。
可见，实施上述方法实施例，能够结合不同患者的实际患病情况进行准确的预后预测，有利于为患者提供可改善预后效果的早期干预治疗。
本申请实施例还提供一种预后预测装置。请参阅图5，图5是本申请实施例所应用的一种预后预测装置的结构框图。如图5所示，该预后预测装置500包括获取模块510、预测模块520和训练模块530，其中：
获取模块510，用于获取指定疾病对应的患者预后数据；
预测模块520，用于将患者预后数据输入训练好的预测模型中，得到预后不良的发生概率；
训练模块530，用于获取指定疾病对应的病例样本数据，病例样本数据中包括多个临床特征数据和临床特征数据对应的预后结果，临床特征数据中包括多种第一临床指标对应的特征数据，预后结果包括预后正常或者预后不良；根据病例样本数据，从多种第一临床指标中筛选出与指定疾病相关的预后预测指标；基于预后预测指标构建预测模型；利用预后预测指标对应的特征数据和预后结果对预测模型进行训练，得到训练好的预测模型。
需要说明的是，本实施例的具体实现过程可参见上述方法实施例的具体实现过程，亦不再赘述。
本申请实施例还提供了一种电子设备，该电子设备包括存储器和处理器，存储器上存储有程序，程序被处理器执行时实现上述预后预测方法。
本申请实施例还提供了一种存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述预后预测方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上参照附图说明了本申请的优选实施例，并非因此局限本申请的权利范围。本领域技术人员不脱离本申请的范围和实质内所作的任何修改、等同替换和改进，均应在本申请的权利范围之内。

Claims (10)

1.一种预后预测方法，其特征在于，所述方法包括：
获取指定疾病对应的患者预后数据；
将所述患者预后数据输入训练好的预测模型中，得到预后不良的发生概率；
其中，所述预测模型的训练步骤包括：
获取所述指定疾病对应的病例样本数据，所述病例样本数据中包括多个临床特征数据和所述临床特征数据对应的预后结果，所述临床特征数据中包括多种第一临床指标对应的特征数据，所述预后结果包括预后正常或者预后不良；
根据所述病例样本数据，从所述多种第一临床指标中筛选出与所述指定疾病相关的预后预测指标；
基于所述预后预测指标构建预测模型；
利用所述预后预测指标对应的特征数据和预后结果对所述预测模型进行训练，得到训练好的预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述病例样本数据，从所述多种第一临床指标中筛选出与所述指定疾病相关的预后预测指标，包括：
根据所述病例样本数据，对每种所述第一临床指标进行单因素统计分析，得到所述第一临床指标的第一分析结果；
从所述多个第一临床指标中获取第一分析结果满足第一统计条件的第二临床指标，并从所述病例样本数据中获取所有所述第二临床指标对应的目标样本数据；
对所述目标样本数据进行多因素回归分析，得到每种所述第二临床指标的第二分析结果；
取第二分析结果满足第二统计条件的第二临床指标作为与所述指定疾病相关的预后预测指标。
3.根据权利要求2所述的方法，其特征在于，所述利用所述预后预测指标对应的特征数据和预后结果对所述预测模型进行训练，得到训练好的预测模型，包括：
将所述预后预测指标对应的特征数据输入所述预测模型中，得到预测结果；
根据所述预测结果和所述预后预测指标对应的预后结果，对所述预测模型的参数信息进行调整，得到训练好的预测模型，所述参数信息中包括N个模型参数，N≥2且N为正整数；
其中，所述预测模型为：
Figure FDA0003565287620000021
y表示所述预测结果，a0表示第一个模型参数，ai表示第i+1个模型参数，xi表示第i个预后预测指标对应的特征数据。
4.根据权利要求2所述的方法，其特征在于，所述第一分析结果包括显著性值；所述根据所述病例样本数据，对每种所述第一临床指标进行单因素统计分析，得到所述第一临床指标的第一分析结果，包括：
将所述病例样本数据分为第一比例的正常组和第二比例的异常组，所述正常组包括预后结果为预后正常的临床特征数据，所述异常组包括预后结果为预后不良的临床特征数据；
针对每种所述第一临床指标，从所述正常组中取所述第一临床指标对应的所有特征数据作为所述第一临床指标的第一特征数据，并根据所述第一特征数据生成所述第一临床指标对应的第一比较值；
针对每种所述第一临床指标，从所述异常组中取所述第一临床指标对应的所有特征数据作为所述第一临床指标的第二特征数据，并根据所述第二特征数据生成所述第一临床指标对应的第二比较值；
根据所述第一比较值和所述第二比较值进行检验分析，得到所述第一临床指标的显著性值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一特征数据生成所述第一临床指标对应的第一比较值，包括：
若所述第一特征数据满足正态分布，根据所述第一特征数据计算第一均值和第一标准差，并根据所述第一均值和所述第一标准差计算得到第一比较值；
若所述第一特征数据不满足正态分布，从所述第一特征数据中取中位数作为第一比较值；
所述根据所述第二特征数据生成所述第一临床指标对应的第二比较值，包括：
若所述第二特征数据满足正态分布，根据所述第二特征数据计算第二均值和第二标准差，并根据所述第二均值和所述第二标准差计算得到第二比较值；
若所述第二特征数据不满足正态分布，从所述第二特征数据中取中位数作为第二比较值。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述预后预测指标包括至少两个目标预测指标；所述方法还包括：
根据所述病例样本数据，利用所述预测模型生成每种所述目标预测指标对应的ROC曲线；
根据每种所述目标预测指标对应的ROC曲线，生成所述目标预测指标对应的统计信息；
将统计信息满足第三统计条件的目标预测指标确定为与所述指定疾病相关的独立危险指标。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述预后预测指标包括至少两个目标预测指标；将所述患者预后数据输入所述预测模型中，得到预后不良的发生概率，包括：
将所述患者预后数据输入所述预测模型中；
通过所述预测模型计算每种所述目标预测指标对应的评分值，并将所有所述目标预测指标对应的评分值相加，得到相加结果；
通过所述预测模型将所述相加结果转换为预后不良的发生概率。
8.一种预后预测装置，其特征在于，所述装置包括：
获取模块，用于获取指定疾病对应的患者预后数据；
预测模块，用于将所述患者预后数据输入训练好的预测模型中，得到预后不良的发生概率；
训练模块，用于获取所述指定疾病对应的病例样本数据，所述病例样本数据中包括多个临床特征数据和所述临床特征数据对应的预后结果，所述临床特征数据中包括多种第一临床指标对应的特征数据，所述预后结果包括预后正常或者预后不良；根据所述病例样本数据，从所述多种第一临床指标中筛选出与所述指定疾病相关的预后预测指标；基于所述预后预测指标构建预测模型；利用所述预后预测指标对应的特征数据和预后结果对所述预测模型进行训练，得到训练好的预测模型。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述预后预测方法的步骤。
10.一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述预后预测方法的步骤。
CN202210300112.3A 2022-03-25 2022-03-25 一种预后预测方法及装置、电子设备、存储介质 Pending CN114613517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300112.3A CN114613517A (zh) 2022-03-25 2022-03-25 一种预后预测方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300112.3A CN114613517A (zh) 2022-03-25 2022-03-25 一种预后预测方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN114613517A true CN114613517A (zh) 2022-06-10

Family

ID=81866063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300112.3A Pending CN114613517A (zh) 2022-03-25 2022-03-25 一种预后预测方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN114613517A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240854A (zh) * 2022-07-29 2022-10-25 中国医学科学院北京协和医院 一种胰腺炎预后数据的处理方法及其系统
CN116798646A (zh) * 2023-08-17 2023-09-22 四川互慧软件有限公司 基于聚类算法的蛇伤预后预测方法、装置及电子设备
CN117153380A (zh) * 2023-11-01 2023-12-01 北京大学第一医院 非心脏手术患者术后急性肾损伤的预测方法、系统和设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240854A (zh) * 2022-07-29 2022-10-25 中国医学科学院北京协和医院 一种胰腺炎预后数据的处理方法及其系统
CN115240854B (zh) * 2022-07-29 2023-10-03 中国医学科学院北京协和医院 一种胰腺炎预后数据的处理方法及其系统
CN116798646A (zh) * 2023-08-17 2023-09-22 四川互慧软件有限公司 基于聚类算法的蛇伤预后预测方法、装置及电子设备
CN116798646B (zh) * 2023-08-17 2023-11-24 四川互慧软件有限公司 基于聚类算法的蛇伤预后预测方法、装置及电子设备
CN117153380A (zh) * 2023-11-01 2023-12-01 北京大学第一医院 非心脏手术患者术后急性肾损伤的预测方法、系统和设备
CN117153380B (zh) * 2023-11-01 2024-02-06 北京大学第一医院 非心脏手术患者术后急性肾损伤的预测方法、系统和设备

Similar Documents

Publication Publication Date Title
Shankar-Hari et al. Epidemiology of sepsis and septic shock in critical care units: comparison between sepsis-2 and sepsis-3 populations using a national critical care database
Leisman et al. Development and reporting of prediction models: guidance for authors from editors of respiratory, sleep, and critical care journals
Mao et al. Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency department, general ward and ICU
CN114613517A (zh) 一种预后预测方法及装置、电子设备、存储介质
Salciccioli et al. The association between the neutrophil-to-lymphocyte ratio and mortality in critical illness: an observational cohort study
Nguyen et al. Predicting all‐cause readmissions using electronic health record data from the entire hospitalization: model development and comparison
Hao et al. Early prediction of level-of-care requirements in patients with COVID-19
Silke et al. An improved medical admissions risk system using multivariable fractional polynomial logistic regression modelling
Park et al. Serum lactate upon emergency department arrival as a predictor of 30-day in-hospital mortality in an unselected population
Lin et al. Development and validation of a risk prediction model for end-stage renal disease in patients with type 2 diabetes
Montomoli et al. Machine learning using the extreme gradient boosting (XGBoost) algorithm predicts 5-day delta of SOFA score at ICU admission in COVID-19 patients
CN114724716A (zh) 进展为2型糖尿病的风险预测的方法、模型训练及装置
Doctoroff et al. Predicting patients at risk for prolonged hospital stays
Lin et al. Development and validation of a prognostic nomogram to predict recurrence in high-risk gastrointestinal stromal tumour: a retrospective analysis of two independent cohorts
AU2021283365A1 (en) Electronic health record (EHR)-based classifier for acute respiratory distress syndrome (ARDS) subtyping
Weber et al. International comparisons of harmonized laboratory value trajectories to predict severe covid-19: Leveraging the 4ce collaborative across 342 hospitals and 6 countries: A retrospective cohort study
Hu et al. Explainable machine-learning model for prediction of in-hospital mortality in septic patients requiring intensive care unit readmission
He et al. The development and validation of simplified machine learning algorithms to predict prognosis of hospitalized patients with COVID-19: multicenter, retrospective study
Wang et al. A time-series feature-based recursive classification model to optimize treatment strategies for improving outcomes and resource allocations of COVID-19 patients
Inaguma et al. Increasing tendency of urine protein is a risk factor for rapid eGFR decline in patients with CKD: A machine learning-based prediction model by using a big database
Yan et al. Impact of intraoperative data on risk prediction for mortality after intra-abdominal surgery
Heffernan et al. Association between urine output and mortality in critically ill patients: a machine learning approach
WO2018148581A1 (en) Therapeutic intervention methods, devices, and systems
González et al. Cognitive screening with functional assessment improves diagnostic accuracy and attenuates bias
Duflos et al. Hospitalization for acute heart failure: the in-hospital care pathway predicts one-year readmission

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