CN116013522A - 一种用于带状疱疹后遗神经痛的预测方法及系统 - Google Patents

Abstract

本发明公开了一种用于带状疱疹后遗神经痛的预测方法及系统，所述方法包括：获取带状疱疹患者的电子病历信息及对应的神经痛发作结果；对患者病历信息进行筛选预处理，筛选出所需特征向量；将特征向量作为模型输入、后遗神经痛发作结果作为模型输出，训练并构建预测模型I和预测模型II；采集新患者的病历数据，结合预测模型I和预测模型II进行判定，并将判定有神经痛发作风险的患者推送给医生。系统包括病历数据采集模块、筛选预处理模块、后遗神经痛发作结果采集模块、带状疱疹患者病例库、预测模型构建模块和风险预测模块。本发明避免了根据主观判断来制定急性期医疗方案的问题，提高了预测的科学性和准确性，其标准性和可重复性高。

Description

一种用于带状疱疹后遗神经痛的预测方法及系统

技术领域

本发明涉及带状疱疹技术领域，具体涉及一种用于带状疱疹后遗神经痛的预测方法及系统。

背景技术

带状疱疹是由水痘-带状疱疹病毒感染引起的一种以沿神经分布的群集疱疹和神经痛为特征的病毒性皮肤病。神经痛为本病的重要特征，一部分患者疱疹消退后仍然存在被侵犯部位神经痛，可能持续数月甚至数年，称为带状疱疹后遗神经痛。年龄越大越容易发生带状疱疹后神经痛，70岁以上带状疱疹患者约有75％会发展为带状疱疹后遗神经痛。常规医疗方法难以奏效，患者长期遭受中重度疼痛的折磨，不仅情绪低落抑郁，而且生活质量低下。

根据主观判断来制定急性期医疗方案，这种仅依靠医生结合患者情况做出预测的模式，科学性和准确性欠佳，标准性和可重复性较低，容易使患者错过最佳治疗时机。

发明内容

为了解决上述所存在的技术问题，采用实时跟进患者病情发展走势，自动对风险较高的患者做出提前预测，及时排出险情，降低患者痛苦，为此，本发明提供了一种用于带状疱疹后遗神经痛的预测方法及系统。

所采用的技术方案如下：

一方面，本发明提供了一种用于带状疱疹后遗神经痛的预测方法，获取带状疱疹患者的电子病历信息及对应的神经痛发作结果；对患者病历信息进行筛选预处理，筛选出特征向量；将筛选出的特征向量作为模型输入、后遗神经痛发作结果作为模型输出，训练并构建基于支持向量机的带状疱疹后遗神经痛发作的预测模型I；基于所获取的带状疱疹患者的电子病历信息及对应的神经痛发作结果，训练并构建基于神经网络的预测模型II；采集新患者的病历数据，结合预测模型I和预测模型II进行判定，并将判定为神经痛发作风险的患者推送给医生。

进一步地，结合预测模型I和预测模型II对患者进行后遗神经痛发作风险的判定方法是：若预测模型I和预测模型II都判定患者存在神经痛发作风险，则判定患者的后遗神经痛风险为高危；若预测模型I和预测模型II中的其一判定患者存在神经痛发作风险，则判定患者的后遗神经痛风险为中危；若预测模型I和预测模型II都判定患者无后遗神经痛发作风险，则判定患者的后遗神经痛风险为低危。

优选地，获取带状疱疹患者的电子病历信息及对应的神经痛发作结果包括：获取性别、年龄、出疹时间、就诊时间、治疗方式、前驱症状、NRS疼痛评分、疼痛部位、是否伴有神经病理性疼痛、皮损面积、既往或伴随疾病和过往用药，同时采集患者皮损3个月之后的后遗疼痛程度和疼痛持续时间，专家结合所采集的患者病历信息判别后遗神经痛发作与否，得到患者的神经痛发作结果。

进一步地，采用基于套索模型对患者病历信息进行筛选预处理，所建立的代价函数如下：

其中x为样本输入变量，y为样本输出变量，λ为惩罚项系数，取值10e-6～1，w为输入变量系数，T为转置，N为输入的样本数量；

采用坐标下降法拟合代价函数，使用交叉验证方法选择合适的λ，最终求得w，保留w不为0的特征向量。

进一步地，构建基于支持向量机的带状疱疹后遗神经痛发作的预测模型I的具体方法是：

将保留的特征向量作为模型输入，将后遗神经痛发作结果作为模型输出；

采用非线性支持向量机进行训练，构造并求解以下最优化问题：

0≤α_i≤C，i＝1，2，...，N

其中x_i为模型输入向量，y_i为模型输出变量，K(x_i,y_i)为核函数，选用高斯核函数通过网格搜索和交叉验证法确定最优超参数γ和C，并应用序列最小优化算法求得最优解

应用最优解计算并构造出以下决策函数，得到预测模型I：

进一步地，构建基于神经网络的带状疱疹后遗神经痛发作的预测模型II的具体方法是：

将获取的带状疱疹患者的电子病历信息作为模型输入；

设置隐藏层为1-3层，设置神经元数量为5-10，选用ReLU修正线性单元ReLU(x)＝max(0，x)作为隐藏层的激活函数；

将后遗神经痛发作结果作为模型输出；

选用sigmoid函数作为输出层的激活函数，输出结果为0-1之间；

确定神经网络结构后，输入层的初始权值使用He初始值，即标准差为的高斯分布；

采用随机梯度下降法SGD优化参数，将学习速率设置为0.1，衰减率设置为0.001；

将训练数据输入至神经网络中，选择AUC指标最好的组合作为最终的神经网络结构，得到预测模型II。

另一方面，本发明还提供了一种用于带状疱疹后遗神经痛的预测系统，其与医院电子病历系统连接，所述预测系统包括：

病历数据采集模块，用于自动识别所述医院电子病历系统中的带状疱疹患者，并对患者的病历数据进行提取和结构化；

筛选预处理模块，接收所述病历数据采集模块所采集到的患者病历信息，并对接收到的患者病历信息进行筛选预处理，筛选出所需特征向量；

后遗神经痛发作结果采集模块，针对所采集到的带状疱疹患者的病历数据，通过专家判定患者是否存在后遗神经痛；

带状疱疹患者病例库，存储若干名带状疱疹患者及相对应的后遗神经痛判定结果；

预测模型构建模块，选取所述带状疱疹患者病例库中的病例数据作为训练样本，训练并构建基于支持向量机的带状疱疹后遗神经痛的预测模型I和基于神经网络的带状疱疹后遗神经痛的预测模型II；

风险预测模块，自动采集所述医院电子病历系统中的新住院或新就诊的带状疱疹患者的病历数据，结合所述预测模型I和预测模型II对其后遗神经痛的风险进行预测，并将预测结果推送给医生。

进一步地，所述预测系统中还设有模型更新模块，其定期向所述预测模型构建模块传输所述带状疱疹患者病例库中的新患者病历数据，所述预测模型构建模块定期启动对所构建的预测模型I和预测模型II进行更新。

进一步地，所述后遗神经痛发作结果采集模块包括：

院内采集模块，用于自动识别带状疱疹患者3个月后的再住院或就诊记录，并采集与神经痛相关的病历信息；

患者采集模块，其通过微信小程序记录患者上报的神经痛发作情况，或者自动推送患者随访问卷，采集患者完成的随访记录；

医生判别模块，通过将所述院内采集模块和患者采集模块所采集到的患者神经痛发作信息推送至医生终端，通过相关专家审阅后对患者是否发生后遗神经痛给出最终判别，并存储到所述带状疱疹患者病例库。

本发明技术方案具有如下优点：

A.本发明通过将所采集到的带状疱疹患者的电子病历信息作为训练样本数据，构建基于支持向量机和神经网络的用于判断患者后遗神经痛发作的预测模型I和预测模型II，通过两预测模型对输入的新患者病历数据分别做出预测，并结合两预测结果对患者是否存在后遗神经痛发作风险及其风险高低作出准确判断，可以通过网络平台将判定为中高风险的患者推送给医生，使医生对这类患者给予关注，及时进行针对性治疗，进而可以减少后续患者的痛苦。

B.本发明所提供的系统可以实现自动采集患者信息，并按照设定标准对患者作出快速预测，不受医生主观判断影响，可以更科学地作出准确预测，标准性和可重复性程度高，还可以根据预测模型的应用情况作出预测模型的实时更新，避免了使患者错过最佳治疗时机。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是本发明所提供的预测方法流程图；

图2是本发明所提供的预测系统构成图；

图3是图2中的预测模型构建模块中的组成图；

图4是图2中的后遗神经痛发作结果采集模块中的组成图。

具体实施方式

下面将结合附图对本发明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。基于本发明的实施例，本领域普通技术人员在没有做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。

如图1所示，本发明提供了一种用于带状疱疹后遗神经痛的预测方法，其具体方法包括：

【S01】获取带状疱疹患者的电子病历信息及对应的神经痛发作结果。

根据相关研究以及医生的临床经验，采集过往带状疱疹患者与后遗神经痛关联的病历信息，包括性别、年龄、出疹时间、就诊时间、治疗方式、前驱症状、NRS疼痛评分、疼痛部位、是否伴有神经病理性疼痛、皮损面积、既往或伴随疾病、既往用药，具体信息如下：

采集患者皮损3个月之后的后遗疼痛程度和疼痛持续时间，由专家人工判别后遗神经痛是否发作。

【S02】对患者病历信息进行筛选预处理，筛选出特征向量

【S021】对【S01】中采集到的变量进行预处理，生成特征向量：

对于取值为“是/否”的二分类变量(伴有神经病理性疼痛等)，用1和0赋值；对于其他取值的二分类变量以及所有多分类变量(治疗方式、疼痛部位等)，用独热编码赋值；对于连续变量(年龄、出疹时间等)，采用最大最小标准化方法处理，其转换函数为

【S022】基于套索模型对特征向量进行筛选

套索模型是在线性回归的目标函数后面加了L1正则化，可以将不重要变量的系数收缩到0，从而实现特征选择。具体目标是求得一个系数向量w，使下方代价函数最小：

其中x为样本输入变量，y为样本输出变量，λ为惩罚项系数，w为输入变量系数，N为样本输入变量数量，T为转置。设置λ在10e-6和1之间取值，用坐标下降法拟合模型，使用交叉验证来选择合适的λ，最终求得w。w不为0的特征，即为要保留的特征向量，比如通过上述计算得到保留的特征向量：性别、年龄、NRS疼痛评分、皮损面积、出现皮疹到就诊时间、皮损面积、糖尿病、最近6个月用过糖皮质激素或是免疫抑制类药物。

【S03】将特征向量作为模型输入、后遗神经痛发作结果作为模型输出，训练并构建基于支持向量机的带状疱疹后遗神经痛发作的预测模型I。

【S031】构建基于支持向量机的后遗神经痛发作预测模型I。

支持向量机是一种二分类模型，它的目的是建立一个最优决策平面，使得该平面两侧距离平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。

将【S022】中保留的特征向量作为预测模型I的输入，将后遗神经痛发作与否作为预测模型I的输出，采用非线性SVM模型进行训练，构造并求解以下最优化问题：

0≤α_i≤C，i＝1，2，...，N

其中x_i为模型输入向量，y_i为模型输出变量，K(x_i,y_i)为核函数，选用高斯核函数通过网格搜索和交叉验证法确定最优超参数γ和C，并应用序列最小优化算法求得最优解

应用最优解计算并构造出以下决策函数，得到预测模型I：

【S04】将获取的带状疱疹患者的电子病历信息及对应的神经痛发作结果，训练并构建基于神经网络的预测模型II

预测模型II采用神经网络模型，输入层为【S01】中采集的病历资料，比如设置维度为1x25；隐藏层起到增加神经网络对非线性函数的拟合能力，但隐藏层太复杂可能会带来过拟合的问题，所以将隐藏层设置为1-3层，优选为3层，神经元数量设置为5-10，优选为7，选用ReLU修正线性单元ReLU(x)＝max(0，x)作为隐藏层的激活函数；输出层为后遗神经痛发作结果，维度优选为1x1，选用sigmoid函数作为输出层的激活函数，输出结果范围为0-1之间。

神经网络的结构确定后，输入层的初始权值使用He初始值，即标准差为的高斯分布；采用随机梯度下降法SGD优化参数，将学习速率设置为0.1，衰减率设置为0.001；将训练数据输入至神经网络中，经训练后，选择AUC指标的神经网络结构作为最终的预测模型II。

【S05】采集新患者的病历数据，结合预测模型I和预测模型II进行判定，并将判定有神经痛发作风险的患者推送给医生。

结合预测模型I和预测模型II对患者进行后遗神经痛发作风险的判定方法是：若预测模型I和预测模型II都判定患者存在神经痛发作风险，则判定患者的后遗神经痛风险为高危；若预测模型I和预测模型II中的其一判定患者存在神经痛发作风险，则判定患者的后遗神经痛风险为中危；若预测模型I和预测模型II都判定患者无后遗神经痛发作风险，则判定患者的后遗神经痛风险为低危。此时，系统将会将判定为中危和高危的患者信息发送给医生终端，并提醒医生给予关注。

如图2所示，本发明还提供了一种用于带状疱疹后遗神经痛的预测系统，其与医院电子病历系统连接，预测系统包括：病历数据采集模块、筛选预处理模块、后遗神经痛发作结果采集模块、带状疱疹患者病例库、预测模型构建模块和风险预测模块。

病历数据采集模块用于自动识别医院电子病历系统中的带状疱疹患者，并对患者的病历数据进行提取和结构化处理，病历数据采集模块与医院电子病历系统连接或内嵌于医院电子病历系统中，当有新入院或新就诊的带状疱疹患者，该模块会自动识别并标记此类患者，同时应用ETL技术采集患者病历数据。对于住院中的带状疱疹患者，该模块每天定时采集患者最新的病历数据，对于过往病例的病历记录，该模块一次性完成相关病历数据的采集和处理。

筛选预处理模块接收所述病历数据采集模块所采集到的患者病历信息，并对接收到的患者病历信息进行筛选预处理，筛选出所需特征向量。

后遗神经痛发作结果采集模块针对所采集到的带状疱疹患者的病历数据，通过专家判定患者是否存在后遗神经痛；此模块通过采集患者的再住院或再就诊记录、人工随访或者微信小程序自行填报等方式，采集患者带状疱疹后遗神经痛的发作情况，再交由专家判定患者是否有后遗神经痛；

具体地，后遗神经痛发作结果采集模块包括院内采集模块、患者采集模块和医生判别模块，如图4所示。其中的院内采集模块用于自动识别带状疱疹患者3个月后的再住院或就诊记录，并采集与神经痛相关的病历信息；患者采集模块通过微信小程序记录患者上报的神经痛发作情况，如果患者在离院3个月内未主动上报任何信息，系统会自动推送随访问卷，提醒患者完成随访。医生判别模块通过将院内采集模块和患者采集模块所采集到的患者神经痛发作信息推送至医生终端，通过相关专家审阅后对患者是否发生后遗神经痛给出最终判别，并存储到带状疱疹患者病例库。

带状疱疹患者病例库存储有若干名带状疱疹患者及相对应的后遗神经痛判定结果；预测模型构建模块选取带状疱疹患者病例库中的病例数据作为训练样本，应用Python语言及其开源的机器学习和人工神经网络库，训练并构建后遗神经痛的预测模型I和预测模型II。本发明中构建了两种预测模型，分别是预测模型I和预测模型II，如图3所示，其中的预测模型I是基于支持向量机的带状疱疹后遗神经痛发作的预测模型，预测模型II是基于神经网络的带状疱疹后遗神经痛发作的预测模型，具体的构建方法如前述。若经两预测模型分别预测出的患者具有后遗神经痛发作风险，则评价患者为高危患者，若二者中的其一预测模型预测出患者具有后遗神经痛发作风险，则评价患者为中危患者，否者，则评价患者为低危患者。

风险预测模块自动采集医院电子病历系统中的新住院或新就诊的带状疱疹患者的病历数据，经构建的两预测模型分别对其后遗神经痛风险进行预测，并将预测结果通过院内数据平台和微信小程序推送给医生。对于新入院或就诊带状疱疹患者，系统会自动采集患者的病历数据并输入至带状疱疹后遗神经痛发作预测模型，如果预测结果为高危和中危，系统会通过医生终端重点提示医生关注。对于住院中的患者，系统每日自动采集新住院或新就诊的带状疱疹患者的病历数据，应用两预测模型对其后遗神经痛的风险进行预测，会定期采集最新的病历信息并更新预测结果，如果结果发生改变，会立即通知医生关注。

本发明还在预测系统中设有模型更新模块，其定期向预测模型构建模块传输带状疱疹患者病例库中的新患者病历数据，预测模型构建模块定期启动对所构建的预测模型进行更新。比如，预测系统会定期汇总近期病例的实际神经痛发作结果，用以验证当前模型的预测效果。如果对近期病例的预测准确性较之前病例有所下降，系统会将近期病例作为新增样本，自动启动新一轮模型训练流程，完成模型更新。

比如在训练基于支持向量机的预测模型I时，从样本中随机选择462个病例作为训练样本以及100个病例用于交叉验证。应用网格搜索和10-fold交叉验证法选取了最优超参数γ＝0.1和C＝10。预测模型I采用AUC判别预测效果，一般来说AUC>0.85说明效果很好，预测模型I的AUC为0.883，表明预测模型I具有良好的后遗神经痛预测效果。

本发明未述及之处均适用于现有技术。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明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。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (9)

1.一种用于带状疱疹后遗神经痛的预测方法，其特征在于，获取带状疱疹患者的电子病历信息及对应的神经痛发作结果；对患者病历信息进行筛选预处理，筛选出特征向量；将筛选出的特征向量作为模型输入、后遗神经痛发作结果作为模型输出，训练并构建基于支持向量机的带状疱疹后遗神经痛发作的预测模型I；基于所获取的带状疱疹患者的电子病历信息及对应的神经痛发作结果，训练并构建基于神经网络的预测模型II；采集新患者的病历数据，结合预测模型I和预测模型II进行判定，并将判定为神经痛发作风险的患者推送给医生。

2.根据权利要求1所述的用于带状疱疹后遗神经痛的预测方法，其特征在于，结合预测模型I和预测模型II对患者进行后遗神经痛发作风险的判定方法是：若预测模型I和预测模型II都判定患者存在神经痛发作风险，则判定患者的后遗神经痛风险为高危；若预测模型I和预测模型II中的其一判定患者存在神经痛发作风险，则判定患者的后遗神经痛风险为中危；若预测模型I和预测模型II都判定患者无后遗神经痛发作风险，则判定患者的后遗神经痛风险为低危。

3.根据权利要求1所述的用于带状疱疹后遗神经痛的预测方法，其特征在于，获取带状疱疹患者的电子病历信息及对应的神经痛发作结果包括：获取性别、年龄、出疹时间、就诊时间、治疗方式、前驱症状、NRS疼痛评分、疼痛部位、是否伴有神经病理性疼痛、皮损面积、既往或伴随疾病和过往用药，同时采集患者皮损3个月之后的后遗疼痛程度和疼痛持续时间，专家结合所采集的患者病历信息判别后遗神经痛发作与否，得到患者的神经痛发作结果。

4.根据权利要求1所述的用于带状疱疹后遗神经痛的预测方法，其特征在于，采用基于套索模型对患者病历信息进行筛选预处理，所建立的代价函数如下：

其中x为样本输入变量，y为样本输出变量，λ为惩罚项系数，取值10e-6～1，w为输入变量系数，T为转置，N为输入的样本数量；

采用坐标下降法拟合代价函数，使用交叉验证方法选择合适的λ，最终求得w，保留w不为0的特征向量。

5.根据权利要求4所述的用于带状疱疹后遗神经痛的预测方法，其特征在于，构建基于支持向量机的带状疱疹后遗神经痛发作的预测模型I的具体方法是：

将保留的特征向量作为模型输入，将后遗神经痛发作结果作为模型输出；

采用非线性支持向量机进行训练，构造并求解以下最优化问题：

0≤α_i≤C，i＝1，2，...，N

其中x_i为模型输入向量，y_i为模型输出变量，K(x_i,y_i)为核函数，选用高斯核函数

通过网格搜索和交叉验证法确定最优超参数γ和C，并应用序列最小优化算法求得最优解

应用最优解计算

并构造出以下决策函数，得到预测模型I：

6.根据权利要求4所述的用于带状疱疹后遗神经痛的预测方法，其特征在于，构建基于神经网络的带状疱疹后遗神经痛发作的预测模型II的具体方法是：

将获取的带状疱疹患者的电子病历信息作为模型输入；

设置隐藏层为1-3层，设置神经元数量为5-10，选用ReLU修正线性单元ReLU(x)＝max(0，x)作为隐藏层的激活函数；

将后遗神经痛发作结果作为模型输出；

选用sigmoid函数

作为输出层的激活函数，输出结果为0-1之间；

确定神经网络结构后，输入层的初始权值使用He初始值，即标准差为

的高斯分布；

采用随机梯度下降法SGD优化参数，将学习速率设置为0.1，衰减率设置为0.001；

将训练数据输入至神经网络中，选择AUC指标最好的组合作为最终的神经网络结构，得到预测模型II。

7.一种用于带状疱疹后遗神经痛的预测系统，其与医院电子病历系统连接，其特征在于，所述预测系统包括：

病历数据采集模块，用于自动识别所述医院电子病历系统中的带状疱疹患者，并对患者的病历数据进行提取和结构化；

筛选预处理模块，接收所述病历数据采集模块所采集到的患者病历信息，并对接收到的患者病历信息进行筛选预处理，筛选出所需特征向量；

后遗神经痛发作结果采集模块，针对所采集到的带状疱疹患者的病历数据，通过专家判定患者是否存在后遗神经痛；

带状疱疹患者病例库，存储若干名带状疱疹患者及相对应的后遗神经痛判定结果；

预测模型构建模块，选取所述带状疱疹患者病例库中的病例数据作为训练样本，训练并构建基于支持向量机的带状疱疹后遗神经痛的预测模型I和基于神经网络的带状疱疹后遗神经痛的预测模型II；

风险预测模块，自动采集所述医院电子病历系统中的新住院或新就诊的带状疱疹患者的病历数据，结合所述预测模型I和预测模型II对其后遗神经痛的风险进行预测，并将预测结果推送给医生。

8.根据权利要求7所述的用于带状疱疹后遗神经痛的预测系统，其特征在于，所述预测系统中还设有模型更新模块，其定期向所述预测模型构建模块传输所述带状疱疹患者病例库中的新患者病历数据，所述预测模型构建模块定期启动对所构建的预测模型I和预测模型II进行更新。

9.根据权利要求7所述的用于带状疱疹后遗神经痛的预测系统，其特征在于，所述后遗神经痛发作结果采集模块包括：

院内采集模块，用于自动识别带状疱疹患者3个月后的再住院或就诊记录，并采集与神经痛相关的病历信息；

患者采集模块，其通过微信小程序记录患者上报的神经痛发作情况，或者自动推送患者随访问卷，采集患者完成的随访记录；

医生判别模块，通过将所述院内采集模块和患者采集模块所采集到的患者神经痛发作信息推送至医生终端，通过相关专家审阅后对患者是否发生后遗神经痛给出最终判别，并存储到所述带状疱疹患者病例库。

Images