CN115954102A - 一种人工关节假体周围感染诊断模型及诊断系统 - Google Patents
一种人工关节假体周围感染诊断模型及诊断系统 Download PDFInfo
- Publication number
- CN115954102A CN115954102A CN202310241609.7A CN202310241609A CN115954102A CN 115954102 A CN115954102 A CN 115954102A CN 202310241609 A CN202310241609 A CN 202310241609A CN 115954102 A CN115954102 A CN 115954102A
- Authority
- CN
- China
- Prior art keywords
- infection
- diagnosis
- model
- joint prosthesis
- artificial joint
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 93
- 238000003745 diagnosis Methods 0.000 title claims abstract description 73
- 230000002093 peripheral effect Effects 0.000 title abstract description 4
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 210000000440 neutrophil Anatomy 0.000 claims description 13
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 10
- 102100032752 C-reactive protein Human genes 0.000 claims description 10
- 208000031729 Bacteremia Diseases 0.000 claims description 9
- 238000004062 sedimentation Methods 0.000 claims description 9
- 108010049003 Fibrinogen Proteins 0.000 claims description 8
- 102000008946 Fibrinogen Human genes 0.000 claims description 8
- 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 8
- 102000004889 Interleukin-6 Human genes 0.000 claims description 8
- 108090001005 Interleukin-6 Proteins 0.000 claims description 8
- 208000033809 Suppuration Diseases 0.000 claims description 8
- 210000000988 bone and bone Anatomy 0.000 claims description 8
- 229940012952 fibrinogen Drugs 0.000 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 229940100601 interleukin-6 Drugs 0.000 claims description 8
- 208000003623 Hypoalbuminemia Diseases 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 7
- 210000000416 exudates and transudate Anatomy 0.000 claims description 7
- 239000005556 hormone Substances 0.000 claims description 7
- 229940125698 hormone suppressant Drugs 0.000 claims description 7
- 229960003444 immunosuppressant agent Drugs 0.000 claims description 7
- 230000001861 immunosuppressant effect Effects 0.000 claims description 7
- 239000003018 immunosuppressive agent Substances 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000000391 smoking effect Effects 0.000 claims description 7
- 102000006395 Globulins Human genes 0.000 claims description 6
- 108010044091 Globulins Proteins 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 238000010827 pathological analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 2
- 238000011282 treatment Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000013399 early diagnosis Methods 0.000 abstract description 3
- 238000004393 prognosis Methods 0.000 abstract description 3
- 238000003759 clinical diagnosis Methods 0.000 abstract 1
- 208000035965 Postoperative Complications Diseases 0.000 description 19
- 206010058046 Post procedural complication Diseases 0.000 description 16
- 208000037147 Hypercalcaemia Diseases 0.000 description 8
- 230000000148 hypercalcaemia Effects 0.000 description 8
- 208000030915 hypercalcemia disease Diseases 0.000 description 8
- 238000001356 surgical procedure Methods 0.000 description 8
- 206010052428 Wound Diseases 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 210000001624 hip Anatomy 0.000 description 5
- 210000003127 knee Anatomy 0.000 description 5
- 210000000265 leukocyte Anatomy 0.000 description 4
- 210000004698 lymphocyte Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 208000012659 Joint disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 3
- 210000001179 synovial fluid Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000029663 wound healing Effects 0.000 description 3
- 206010002091 Anaesthesia Diseases 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 208000034767 Hypoproteinaemia Diseases 0.000 description 2
- 206010023204 Joint dislocation Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 108010048233 Procalcitonin Proteins 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 230000037005 anaesthesia Effects 0.000 description 2
- 208000007502 anemia Diseases 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000009089 cytolysis Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 102000018146 globin Human genes 0.000 description 2
- 108060003196 globin Proteins 0.000 description 2
- 210000004394 hip joint Anatomy 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000002757 inflammatory effect Effects 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 201000002364 leukopenia Diseases 0.000 description 2
- 231100001022 leukopenia Toxicity 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 206010060968 Arthritis infective Diseases 0.000 description 1
- 208000036487 Arthropathies Diseases 0.000 description 1
- 206010005940 Bone and joint infections Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010031252 Osteomyelitis Diseases 0.000 description 1
- 102000018568 alpha-Defensin Human genes 0.000 description 1
- 108050007802 alpha-defensin Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011882 arthroplasty Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000539 dimer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 108010000849 leukocyte esterase Proteins 0.000 description 1
- 231100000053 low toxicity Toxicity 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 244000039328 opportunistic pathogen Species 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000010882 preoperative diagnosis Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Prostheses (AREA)
Abstract
本发明公开了一种人工关节假体周围感染诊断模型，所述人工关节假体周围感染诊断模型包括1个元学习器和6个底层学习器；所述元学习器集成6个底层学习器；该人工关节假体周围感染诊断模型运用集成型机器学习算法，综合多个子模型优势以提升模型性能，进而提高PJI诊断的精准度。本发明所述人工关节假体周围感染诊断模型可以显著提高PJI早期诊断的效能，改善临床诊疗现状，为PJI的精确诊断和预后预测提供了新的方案；可以在各级医院中大规模开展及使用，模型中的诊断指标均为易获取的常规指标，对各级医院尤其是基层医院PJI误诊率的降低具有极为重要的作用。
Description
技术领域
本发明涉及计算机软件技术领域，具体地，涉及一种人工关节假体周围感染诊断模型及诊断系统。
背景技术
人工关节置换术（total joint arthroplasty，TJA）是治疗终末期关节病的重要手段。
PJI的准确诊断是获得良好疗效的基础，其早期精确诊断较为困难主要是因为PJI与关节假体无菌性松动（aseptic prosthesis loosening，APL）的症状相似，缺乏特异性诊断指标。尤其是感染时间大于6周的慢性PJI和机会致病菌感染导致的低毒PJI，并不表现出明显的局部感染症状，也常不伴假体周围积脓。现有研究报导，PJI极易漏诊，有高达20%按照APL诊断和治疗的患者最终被证明罹患低级别PJI。诊断错误导致手术及治疗方式选择的错误，最终导致感染无法控制、反复多次翻修手术，对患者、家庭及社会带来了沉重的打击。因此，亟需探究术前早期、准确诊断PJI的新方法，对于指导手术方案、减少误诊误治、改善PJI诊治现状具有极为重要的临床和社会意义。
PJI的诊断缺乏可以作为“金标准”的单一指标。为了尽可能准确地诊断PJI，包括肌肉骨骼感染学会（MSIS）、美国传染病学会（IDSA）、国际共识会议（ICM）和欧洲骨关节感染学会（EBJIS）在内的不同组织机构，汇集了骨科专家的知识并制定了若干诊断标准。
目前，经典指南中纳入的PJI早期诊断指标分为以下几大类：（1）临床表现：包括是否存在窦道和假体暴露、术中发现假体周围脓液等；（2）既往史：近期菌血症、前次手术伤口愈合问题等病史；（3）血液检查：包括红细胞沉降率 (ESR) 、 C 反应蛋白 (CRP)、d-二聚体等；（4）关节滑液检查：包括滑液白细胞计数、中性粒细胞百分比、白细胞酯酶、α-防御素等；（5）影像学检查：包括三相骨扫描、白细胞闪烁扫描等；（6）微生物学、组织学检查：关节穿刺滑液/病变组织培养、术中快速（冰冻）病理等。
机器学习（machine learning，ML）是人工智能的一个领域，能提供数据分析方法来自动优化基于算法的模型的预测性能。ML技术的预测模型为精确诊断、预后预测等的临床问题提供了新的方案。近年来，已有一些研究利用机器学习算法解决PJI相关问题。
发明内容
本发明的目的是为了克服现有技术的上述不足，提供一种人工关节假体周围感染诊断模型及诊断系统。
本发明的第一目的是提供一种人工关节假体周围感染诊断模型。
本发明的第二目的是提供上述人工关节假体周围感染诊断模型在构建人工关节假体周围感染诊断系统中的应用。
为了实现上述目的，本发明是通过以下方案予以实现的：
一种人工关节假体周围感染诊断模型，所述人工关节假体周围感染诊断模型包括1个元学习器和6个底层学习器；所述元学习器集成6个底层学习器；所述人工关节假体感染诊断模型以患者的21项指标作为输入参数分别输入每个底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并从元学习器中获取输出结果，即预测结果；
所述元学习器为加权投票的集成学习模型ELWV；
所述6个底层学习器包括弹性网络、线性支持向量机、核支持向量机、额外树、轻型梯度提升机和多层感知机；
所述21项指标具体为：关节类型（髋关节/膝关节）、伤口渗液情况、关节局部皮温升高、窦道或假体暴露情况、前次置换距入院时间、初次置换后激素或免疫抑制剂使用情况、吸烟史、感染前3个月内菌血症病史、低白蛋白血症、球蛋白值、纤维蛋白原值、C-反应蛋白值、空腹血糖指数、白球比、血沉值、白介素-6值、中性粒细胞百分比、CT积液情况、X线透亮带/骨质破坏情况、假体周围化脓、快速病理诊断感染。
优选地，所述人工关节假体周围感染诊断模型为区分假体周围感染患者和关节假体无菌性松动患者的诊断模型。
优选地，所述底层学习器为基于机器学习训练的底层学习器，所述基于机器学习训练的底层学习器的具体训练方法为：将所述21项指标分别输入每个底层学习器中，得到对应的输出结果，并将患者是否患有假体周围感染输入人工关节假体周围感染诊断模型中进行校验，人工关节假体周围感染诊断模型根据诊断的准确性、敏感性和特异性进行自动优化，得到基于机器学习训练的底层学习器。
进一步优选地，所述患者为假体周围感染患者和/或关节假体无菌性松动患者。
更一步优选地，所述21项指标输入底层学习器的具体方法为：关节类型输入值为1或2，其中1代表髋关节，2代表膝关节；前次置换距入院时间，球蛋白值，纤维蛋白原值，C-反应蛋白值，空腹血糖指数，白球比，血沉值，白介素-6值，中性粒细胞百分比则输入具体的数值；其余指标均为是/否的二分类变量。
本发明还请求保护上述人工关节假体周围感染诊断模型在构建人工关节假体周围感染诊断系统中的应用。
一种人工关节假体周围感染诊断模型的构建方法，包括以下步骤：
S1.构建人工关节假体周围感染诊断模型的基础模型，包括一个元学习器集成6～8个底层学习器；
所述元学习器为加权投票的集成学习模型ELWV；
所述底层学习器包括2个线性模型：弹性网络和线性支持向量机和6个非线性模型：核支持向量机、决策树、随机森林、额外树、轻型剃度提升机和多层感知机；
S2.采集关节置换术后并发症患者的病历历史数据，构建得到关节置换术后并发症患者数据集；
S3.基于步骤S2构建的关节置换术后并发症患者数据集，得到包含每一患者用于构建人工关节假体周围感染诊断模型的46项指标的关节置换术后并发症患者数据集，即修剪后的关节置换术后并发症患者数据集；
所述46项指标具体为：关节置换术后并发症患者的体温、年龄、体型、关节类型（髋关节/膝关节）、性别、WHO年龄、前次置换距入院时间、窦道或假体暴露情况、局部皮温升高、麻醉ASA分级、伤口渗液情况、炎症性关节病史、年龄校正Charlson合并症指数、症状发生距入院时间、初次置换后伤口愈合问题、吸烟史、除初次有创性操作次数、初次置换后激素或免疫抑制剂使用情况、感染前3个月内菌血症病史、糖尿病史、酗酒史、过敏史、球蛋白值、低白蛋白血症、纤维蛋白原值、空腹血糖指数、血红蛋白值、中性粒细胞百分比、C-反应蛋白值、中性粒与淋巴细胞比值、血沉值、淋巴细胞计数值、白介素-6值、血小板计数、白球比、中性粒细胞计数值、降钙素原值、白细胞计数值、贫血分度、低蛋白血症病史、假体周围化脓、CT积液情况、X线透亮带/骨质破坏情况、X线关节间隙增宽情况、CT骨溶解情况、快速病理提示感染；
S4.确定步骤S3中的修剪过的关节置换术后并发症患者数据集中的假体周围感染患者，剩余患者依照标准判断归类是否为假体周围感染患者，构建假体周围感染数据集并得到假体周围感染患者与关节假体无菌性松动患者的分布比例；
所述标准为：关节置换术后局部炎症征象合并术中化脓或关节置换术后随访证实的假体周围患者；
S5.基于步骤S3得到的修剪过的关节置换术后并发症患者数据集对步骤S1中所述底层学习器进行训练，获得46项指标的重要性排名和训练后的底层学习器，并删除46项指标中重要性≤1%的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标，得到包含21项指标的关节置换术后并发症患者数据集，即二次修剪后的的关节置换术后并发症患者数据集；
所述21项指标具体为：关节类型（髋关节/膝关节）、伤口渗液情况、关节局部皮温升高、窦道或假体暴露情况、前次置换距入院时间、初次置换后激素或免疫抑制剂使用情况、吸烟史、感染前3个月内菌血症病史、低白蛋白血症、球蛋白值、纤维蛋白原值、C-反应蛋白值、空腹血糖指数、白球比、血沉值、白介素-6值、中性粒细胞百分比、CT积液情况、X线透亮带/骨质破坏情况、假体周围化脓、快速病理诊断感染；
S6.得到人工关节假体周围感染诊断模型，即一个元学习器集成6～8个基于机器学习训练的底层学习器。
优选地，步骤S2中所述采集关节置换术后并发症患者的病历历史数据后，还需去除病历历史数据中因骨恶性肿瘤、需巨型假体植入、单纯假体磨损、关节脱位或生物力学对线不良而接受关节置换术造成术后并发症的患者的病历历史数据。
优选地，步骤S4中所述确定步骤S3中的修剪过的关节置换术后并发症患者数据集中的假体周围感染患者的具体方法为：使用MSIS 2011（肌肉与骨骼感染协会2011年指南）和International Consensus Meeting 2018（ICM 2018，国际共识会议2018年指南）的主要标准确定步骤S3中的修剪过的关节置换术后并发症患者数据集中的假体周围感染患者。
优选地，步骤S5中所述对底层学习器进行训练的具体方法为：将步骤S3得到的修剪后的关节置换术后并发症患者数据集随机分成5个大小相似的子集，训练每个底层学习器。
更优选地，所述5个大小相似的子集中，每个子集中的假体周围感染患者与关节假体无菌性松动患者的分布比例与步骤S4得到的分布比例相同。
更优选地，所述训练每个底层学习器的具体方法为：将5个子集中的其中一个子集作为测试集，其余4个子集作为训练集，将四个训练集分别训练每个底层学习器，迭代运行，直至5个子集均充当过训练集，结束训练。
优选地，步骤S6中得到人工关节假体周围感染模型后还对模型进行训练，筛选底层学习器。
优选地，步骤S6所述得到人工关节假体周围感染模型，包括一个元学习器集成6个基于机器学习训练的底层学习器；
所述6个基于机器学习训练的底层学习器为：弹性网络、线性支持向量机、核支持向量机、额外树、轻型梯度提升机和多层感知机。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种人工关节假体周围感染诊断模型，所述人工关节假体周围感染诊断模型包括1个元学习器和6个底层学习器；所述元学习器集成6个底层学习器；可以显著提高PJI早期诊断的效能，为PJI的精确诊断和预后预测提供了新的方案；该人工关节假体周围感染诊断模型可以在各级医院中大规模开展及使用，模型中的诊断指标均为易获取的常规指标，对各级医院尤其是基层医院PJI误诊率的降低具有极为重要的作用。
附图说明
图1为46项指标的重要性百分比图；
图2为底层学习器的训练示意图；
图3为人工关节假体周围感染诊断模型的示意图。
具体实施方式
下面结合说明书附图及具体实施例对本发明作出进一步地详细阐述，所述实施例只用于解释本发明，并非用于限定本发明的范围。下述实施例中所使用的试验方法如无特殊说明，均为常规方法；所使用的材料、试剂等，如无特殊说明，为可从商业途径得到的试剂和材料。
实施例1 人工关节假体周围感染诊断模型的构建
1、人工关节假体周围感染诊断模型的构建
（1）构建人工关节假体周围感染诊断模型的基础模型，包括一个元学习器集成8个底层学习器。
其中加权投票的集成学习模型（ELWV）作为元学习器，底层学习器包括2个线性模型：弹性网络和线性支持向量机和6个非线性模型：核支持向量机、决策树、随机森林、额外树、轻型剃度提升机和多层感知机。
（2）经机构委员会同意后，将中山大学附属第一医院临床电子记录系统中1995～2021年间782例关节置换术后并发症患者的病历历史数据，去除病历历史数据中因骨恶性肿瘤、需巨型假体植入、单纯假体磨损、关节脱位或生物力学对线不良而接受关节置换术造成术后并发症的患者的病历历史数据，得到关节置换术后并发症患者数据集。
（3）基于步骤（2）构建的关节置换术后并发症患者数据集，录入各个患者的病历历史数据中的300多条参数，将缺少MSIS 2011（肌肉与骨骼感染协会2011年指南）、ICM 2018（国际共识会议2018年指南）或EBJIS 2020（欧洲骨与关节感染学会2020年指南）经典标准术前诊断参数的患者剔除，并且咨询本机构的顾客教授委员会，借助专家意见以对参数指标进行初次修剪，最终得到199名患者的病历历史数据和46项指标，46项指标用于构建人工关节假体周围感染诊断模型的输入参数，得到修剪后的关节置换术后并发症患者数据集。
46条指标包括：关节置换术后并发症患者的体温、年龄、体型、关节类型（髋关节/膝关节）、性别、WHO年龄、前次置换距入院时间、窦道或假体暴露情况、局部皮温升高、麻醉ASA分级、伤口渗液情况、炎症性关节病史、年龄校正Charlson合并症指数、症状发生距入院时间、初次置换后伤口愈合问题、吸烟史、除初次有创性操作次数、初次置换后激素或免疫抑制剂使用情况、感染前3个月内菌血症病史、糖尿病史、酗酒史、过敏史、球蛋白值、低白蛋白血症、纤维蛋白原值、空腹血糖指数、血红蛋白值、中性粒细胞百分比、C-反应蛋白值、中性粒与淋巴细胞比值、血沉值、淋巴细胞计数值、白介素-6值、血小板计数、白球比、中性粒细胞计数值、降钙素原值、白细胞计数值、贫血分度、低蛋白血症病史、假体周围化脓、CT积液情况、X线透亮带/骨质破坏情况、X线关节间隙增宽情况、CT骨溶解情况、快速病理提示感染。
（4）使用MSIS 2011和ICM 2018的主要标准在步骤（3）得到的修剪后的关节置换术后并发症患者数据集中确定假体周围感染（PJI）患者，剩余患者同时满足以下标准则同样归类为PJI患者：①初次就诊时存在MSIS 2011次要标准＜4条；②初次就诊时已接受抗生素治疗，但在初次就诊后6个月内出现PJI再次入院；③初次就诊时6个月内无任何PJI危险因素，如侵入性手术、菌血症体征等。
将接受一期假体翻修并在术中发现松动部位且术后一年内同一关节未发生感染的患者归类为关节假体无菌性松动（APL）患者。
对于数据集中未能确定类别的患者，应当提交至3名至少具有5年从业经验的关节外科医生，综合其意见做出最终归类。
并且得到关节置换术后并发症患者数据集中的假体周围感染患者与关节假体无菌性松动患者的分布比例，即PJI患者：APL患者=78：121。
（5）将步骤（3）得到的修剪后的关节置换术后并发症患者数据集随机分成5个大小相似的子集，每个子集的PJI患者与APL患者的分布比例同步骤（4）中的分布比例一致，将5个子集中的其中一个子集作为测试集，其余4个子集作为训练集，将四个训练集中的患者的46项输入参数分别输入步骤（1）中所述的每个底层学习器中，训练步骤（1）中每个底层学习器，迭代运行，直至5个子集均充当过训练集，结束训练。训练示意图如图2所示。
得到基于机器学习训练的底层学习器和46项指标的重要性排名（图1），其中图1中不同的颜色表示特征的不同类别，特征按照类别中的重要性排序。
并且基于图1的重要性排名删除46项指标中重要性≤1%的指标，同时将剩余指标通过特征相关性矩阵筛选，剔除具有高相关性的指标，得到包含21项指标的关节置换术后并发症患者数据集，即二次修剪后的的关节置换术后并发症患者数据集。
21项指标包括：关节类型（髋关节/膝关节）、伤口渗液情况、关节局部皮温升高、窦道或假体暴露情况、前次置换距入院时间、初次置换后激素或免疫抑制剂使用情况、吸烟史、感染前3个月内菌血症病史、低白蛋白血症、球蛋白值、纤维蛋白原值、C-反应蛋白值、空腹血糖指数、白球比、血沉值、白介素-6值、中性粒细胞百分比、CT积液情况、X线透亮带/骨质破坏情况、假体周围化脓、快速病理诊断感染。
（6）得到初步的人工关节假体周围感染诊断模型，包括一个元学习器集成8个基于机器学习训练的底层学习器。
并对诊断模型进行二次训练，二次训练的方法参照步骤（5），与步骤（5）的区别在于将46项指标替换为21项指标，得到人工关节假体周围感染诊断模型，包括一个元学习器集成6个基于机器学习训练的底层学习器。
6个基于机器学习训练的底层学习器为：ElasticNet（EN）、Linear SupportVector Machine（LSVM）、Kernel Support Vector Machine（KSVM）、Extra Tree（ET）、LightGradient Boosting Machine（LGBM）和Multilayer Perceptron（MLP）。
人工关节假体周围感染诊断模型的示意图如图3所示，该诊断模型具有两极结构，以弹性网络（EN）、线性支持向量机（LSVM）、内核支持向量机（KSVM）、额外树（ET）、光梯度提升机（LGBM）和多层感知器（MLB）作为基础分类器，以加权投票的集成学习（ELWV）作为元分类器。训练和测试过程中的数据流分别用实线和虚线表示。
2、人工关节假体周围感染诊断模型的使用
将患者的病历历史数据中的21项指标作为输入数据，分别输入人工关节假体周围感染模型的每个底层学习器中，将每个底层学习器输出的结果输入元学习器中，并从元学习器获取输出结果，即诊断结果。
所述21项指标输入底层学习器的具体方法为参照表1。
表1 21项指标的输入方法
3、人工关节假体周围感染诊断模型的结果判读
人工关节假体周围感染诊断模型输出结果为1判读为患者假体周围感染，输出结果为0判读为患者未发生假体周围感染。
实施例2 人工关节假体周围感染诊断模型的性能评估
1、实验方法
基于实施例1构建得到人工关节假体周围感染诊断模型，对选定的底层学习器、元学习器和经典标准（包括MSIS 2011、ICM 2018和EBJS 2021）预测PJI的性能指标进行评估，使用配对t检验比较最终人工关节假体周围感染诊断模型和经典标准的性能，总体统计水平确定为P＜0.05。
2、实验结果
评估结果如表2所示。
表2 评估结果
| 方法 | 准确率 | MCC | 精确率 | 召回率/灵敏度 | F1分数 | 特异度 | AUC |
| EN | 0.940 (±0.049) | 0.876 (±0.100) | 0.973 (±0.060) | 0.873 (±0.087) | 0.919 (±0.065) | 0.983 (±0.037) | 0.962 (±0.036) |
| LSVM | 0.940 (±0.055) | 0.874 (±0.114) | 0.936 (±0.077) | 0.911 (±0.071) | 0.923 (±0.068) | 0.959 (±0.051) | 0.958 (±0.045) |
| KSVM | 0.940 (±0.037) | 0.876 (±0.076) | 0.972 (±0.038) | 0.873 (±0.087) | 0.918 (±0.053) | 0.984 (±0.022)* | 0.961 (±0.045) |
| ET | 0.945 (±0.049) | 0.885 (±0.100) | 0.958 (±0.060) | 0.898 (±0.087)* | 0.926 (±0.065) | 0.975 (±0.037) | 0.965 (±0.036) |
| LGBM | 0.950 (±0.047)* | 0.897 (±0.095)* | 0.975 (±0.056)* | 0.898 (±0.094)* | 0.933 (±0.063)* | 0.983 (±0.037) | 0.960 (±0.037) |
| MLP | 0.945 (±0.054) | 0.888 (±0.109) | 0.965 (±0.079) | 0.898 (±0.094)* | 0.927 (±0.070) | 0.975 (±0.056) | 0.968 (±0.028)* |
| ELWV | 0.945 (±0.054)* | 0.887 (±0.111)* | 0.973 (±0.060) | 0.886 (±0.102)* | 0.925 (±0.072)* | 0.983 (±0.037) | 0.968 (±0.029) |
| MSIS2011 | 0.789 (±0.060) | 0.583 (±0.145) | 1.000 (±0.000) | 0.462 (±0.152) | 0.620 (±0.145) | 1.000 (±0.000) | - |
| Pvalue* | 0.008* | 0.013* | 0.374 | 0.006* | 0.014* | 0.374 | - |
| ICM2018 | 0.794 (±0.044) | 0.868 (±0.046) | 0.983 (±0.037) | 0.838 (±0.081) | 0.902 (±0.041) | 0.991 (±0.020) | - |
| Pvalue* | 0.013* | 0.771 | 0.788 | 0.451 | 0.612 | 0.735 | - |
| EBJIS2021 | 0.734 (±0.081) | 0.887 (±0.037) | 0.985 (±0.034) | 0.868 (±0.063) | 0.921 (±0.032) | 0.989 (±0.025) | - |
| Pvalue* | 0.006* | 0.999 | 0.756 | 0.698 | 0.901 | 0.815 | - |
评估结果以平均值±标准差的形式表示；带*号的表示存在着显著差异。
根据评估结果可以看出，在底层学习器中，LGBM在准确度、MCC、精度、召回率、灵敏度和F1分数优于所有的底层学习器。
元学习器ELWV在AUC（0.968±0.029）方面表现良好，敏感度为0.886（±0.102），特异度为0.983（±0.0637）。
最终人工关节假体周围感染诊断模型的性能与经典标准（MSIS 2011、ICM 2018和 EBJIS 2021）进行了比较。人工关节假体周围感染诊断模型在准确性、MCC、召回率/灵敏度和F1分数上显示出显著改进，并在其他指标中显示出非劣效性。
实施例3 人工关节假体周围感染诊断模型的应用
利用本发明实施例1构建得到的人工关节假体周围感染诊断模型。
将患者的21项指标录入人工关节假体周围感染诊断模型中。21项指标包括：关节类型（髋关节/膝关节）、伤口渗液情况、关节局部皮温升高、窦道或假体暴露情况、前次置换距入院时间、初次置换后激素或免疫抑制剂使用情况、吸烟史、感染前3个月内菌血症病史、低白蛋白血症、球蛋白值、纤维蛋白原值、C-反应蛋白值、空腹血糖指数、白球比、血沉值、白介素-6值、中性粒细胞百分比、CT积液情况、X线透亮带/骨质破坏情况、假体周围化脓、快速病理诊断感染。
所述21项指标输入底层学习器的具体方法参照表1。
对人工关节假体周围感染诊断模型的输出结果进行判读，对该患者进行术后随访1年，最终判断其是否为假体周围感染患者，并将结果录入人工关节假体周围感染诊断模型中，与人工关节假体周围感染诊断模型的输出结果进行比较。
当患者为假体周围感染患者时，向人工关节假体周围感染诊断模型中输入1；反之输入2。人工关节假体周围感染诊断模型根据诊断的准确性、敏感性和特异性进行自动优化。
实施例4 人工关节假体周围感染的诊断系统
一种人工关节假体周围感染的诊断系统，包括获取单元、存储单元和处理单元。
所述存储单元存储有可被处理单元执行的程序指令；
所述处理单元包含实施例1构建的人工关节假体周围感染诊断模型。
当所述程序指令被处理单元执行时，获取单元获取得到的数据输入人工关节假体周围感染诊断模型中，获得假体周围感染结果。
最后所应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，对于本领域的普通技术人员来说，在上述说明及思路的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种人工关节假体周围感染诊断模型，其特征在于，所述人工关节假体周围感染诊断模型包括1个元学习器和6个底层学习器；所述元学习器集成6个底层学习器；所述人工关节假体感染诊断模型以患者的21项指标作为输入参数分别输入每个底层学习器，将每个底层学习器输出的结果输入顶层的元学习器中，并从元学习器中获取输出结果，即预测结果；
所述元学习器为加权投票的集成学习模型ELWV；
所述6个底层学习器包括弹性网络、线性支持向量机、核支持向量机、额外树、轻型梯度提升机和多层感知机；
所述21项指标具体为：关节类型、伤口渗液情况、关节局部皮温升高、窦道或假体暴露情况、前次置换距入院时间、初次置换后激素或免疫抑制剂使用情况、吸烟史、感染前3个月内菌血症病史、低白蛋白血症、球蛋白值、纤维蛋白原值、C-反应蛋白值、空腹血糖指数、白球比、血沉值、白介素-6值、中性粒细胞百分比、CT积液情况、X线透亮带/骨质破坏情况、假体周围化脓、快速病理诊断感染。
2.根据权利要求1所述的人工关节假体周围感染诊断模型，其特征在于，所述人工关节假体周围感染诊断模型为区分假体周围感染患者和关节假体无菌性松动患者的诊断模型。
3.根据权利要求1所述的人工关节假体周围感染诊断模型，其特征在于，所述底层学习器为基于机器学习训练的底层学习器，所述基于机器学习训练的底层学习器的具体训练方法为：将所述21项指标分别输入每个底层学习器中，得到对应的输出结果，并将患者是否患有假体周围感染输入人工关节假体周围感染诊断模型中进行校验，人工关节假体周围感染诊断模型根据诊断的准确性、敏感性和特异性进行自动优化，得到基于机器学习训练的底层学习器。
4.根据权利要求3所述的人工关节假体周围感染诊断模型，其特征在于，所述患者为假体周围感染患者和/或关节假体无菌性松动患者。
5.权利要求1～4任一所述人工关节假体周围感染诊断模型在构建人工关节假体周围感染诊断系统中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310241609.7A CN115954102A (zh) | 2023-03-14 | 2023-03-14 | 一种人工关节假体周围感染诊断模型及诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310241609.7A CN115954102A (zh) | 2023-03-14 | 2023-03-14 | 一种人工关节假体周围感染诊断模型及诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115954102A true CN115954102A (zh) | 2023-04-11 |
Family
ID=87286347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310241609.7A Pending CN115954102A (zh) | 2023-03-14 | 2023-03-14 | 一种人工关节假体周围感染诊断模型及诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115954102A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203253A (zh) * | 2023-04-27 | 2023-06-02 | 北京科卫临床诊断试剂有限公司 | 用于白细胞介素浓度检测的ai分析系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201806692U (zh) * | 2009-12-31 | 2011-04-27 | 中国人民解放军空军总医院 | 一种用于诊断恶性黑素细胞肿瘤的多光谱皮肤镜图像自动分析仪器 |
| CN106295148A (zh) * | 2016-08-01 | 2017-01-04 | 苏翀 | 基于随机森林算法的乙肝代偿期肝硬化筛查模型建立方法 |
| CN110097975A (zh) * | 2019-04-28 | 2019-08-06 | 湖南省蓝蜻蜓网络科技有限公司 | 一种基于多模型融合的医院感染智能诊断方法及系统 |
| CN112001477A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于深度学习的目标检测YOLOv3的模型优化算法 |
| CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
| CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
| CN113782186A (zh) * | 2021-09-08 | 2021-12-10 | 四川大学华西医院 | 一种辅助诊断衰弱的系统 |
| CN115099331A (zh) * | 2022-06-21 | 2022-09-23 | 河南省人民医院 | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 |
| CN115424073A (zh) * | 2022-09-06 | 2022-12-02 | 四川大学华西医院 | 利用x线图像诊断假体周围关节感染和无菌性失败的系统 |
-
2023
- 2023-03-14 CN CN202310241609.7A patent/CN115954102A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201806692U (zh) * | 2009-12-31 | 2011-04-27 | 中国人民解放军空军总医院 | 一种用于诊断恶性黑素细胞肿瘤的多光谱皮肤镜图像自动分析仪器 |
| CN106295148A (zh) * | 2016-08-01 | 2017-01-04 | 苏翀 | 基于随机森林算法的乙肝代偿期肝硬化筛查模型建立方法 |
| CN110097975A (zh) * | 2019-04-28 | 2019-08-06 | 湖南省蓝蜻蜓网络科技有限公司 | 一种基于多模型融合的医院感染智能诊断方法及系统 |
| CN112001477A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于深度学习的目标检测YOLOv3的模型优化算法 |
| CN112117006A (zh) * | 2020-09-23 | 2020-12-22 | 重庆医科大学 | 基于集成学习的2型糖尿病肾脏疾病患病风险评估系统 |
| CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
| CN113782186A (zh) * | 2021-09-08 | 2021-12-10 | 四川大学华西医院 | 一种辅助诊断衰弱的系统 |
| CN115099331A (zh) * | 2022-06-21 | 2022-09-23 | 河南省人民医院 | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 |
| CN115424073A (zh) * | 2022-09-06 | 2022-12-02 | 四川大学华西医院 | 利用x线图像诊断假体周围关节感染和无菌性失败的系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐驰: "人工关节置换术后假体周围感染的预防、治疗和预测的系列研究", 《中国博士学位论文全文数据库医药卫生科技辑》, pages 066 - 101 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203253A (zh) * | 2023-04-27 | 2023-06-02 | 北京科卫临床诊断试剂有限公司 | 用于白细胞介素浓度检测的ai分析系统及方法 |
| CN116203253B (zh) * | 2023-04-27 | 2023-07-11 | 北京科卫临床诊断试剂有限公司 | 用于白细胞介素浓度检测的ai分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
| US20200315518A1 (en) | Apparatus for processing data for predicting dementia through machine learning, method thereof, and recording medium storing the same | |
| CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
| Boeke et al. | Toward robust anxiety biomarkers: a machine learning approach in a large-scale sample | |
| US20090062624A1 (en) | Methods and systems of delivering a probability of a medical condition | |
| JP2018067303A (ja) | 診断支援方法、プログラム、及び装置 | |
| WO2016097886A1 (en) | Differential medical diagnosis apparatus adapted in order to determine an optimal sequence of diagnostic tests for identifying a pathology by adopting diagnostic appropriateness criteria | |
| CN111553478B (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
| 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 | |
| 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 | |
| CN115954102A (zh) | 一种人工关节假体周围感染诊断模型及诊断系统 | |
| Keleş et al. | Classification of brain volumetric data to determine Alzheimer’s disease using artificial bee colony algorithm as feature selector | |
| Pedersen et al. | Deep learning detects and visualizes bleeding events in electronic health records | |
| Jalamangala Shivananjaiah et al. | Predicting near-term glaucoma progression: an artificial intelligence approach using clinical free-text notes and data from electronic health records | |
| CN116682565B (zh) | 一种数字化医疗信息在线监测方法、终端及介质 | |
| Samet et al. | Predicting and staging chronic kidney disease using optimized random forest algorithm | |
| Windriyani et al. | Expert system for detecting mental disorder with Forward Chaining method | |
| Song et al. | Noninvasive machine learning screening model for dacryocystitis based on ocular surface indicators | |
| Chakraborty et al. | Blending knowledge in deep recurrent networks for adverse event prediction at hospital discharge | |
| Li et al. | Ensemble learning-assisted prediction of prolonged hospital length of stay after spine correction surgery: a multi-center cohort study | |
| CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
| Silva et al. | A multi-cohort study on prediction of acute brain dysfunction states using selective state space models | |
| TWI803893B (zh) | 敗血症之人工智慧輔助醫療診斷方法及其系統 | |
| Susanto et al. | How Well Do AI-Enabled Decision Support Systems Perform in Clinical Settings? | |
| AU2019100889A4 (en) | System and method to find minimum diagnostics required for prescriptions and minimum medicines required to cure patient symptoms |
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 |