CN116705326A - 一种终末期肾病疗效评估与并发症风险预测系统 - Google Patents
一种终末期肾病疗效评估与并发症风险预测系统 Download PDFInfo
- Publication number
- CN116705326A CN116705326A CN202310801116.4A CN202310801116A CN116705326A CN 116705326 A CN116705326 A CN 116705326A CN 202310801116 A CN202310801116 A CN 202310801116A CN 116705326 A CN116705326 A CN 116705326A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- complications
- risk prediction
- training
- 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
- 208000020832 chronic kidney disease Diseases 0.000 title claims abstract description 39
- 230000000694 effects Effects 0.000 title claims abstract description 39
- 201000000523 end stage renal failure Diseases 0.000 title claims abstract description 37
- 208000028208 end stage renal disease Diseases 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004393 prognosis Methods 0.000 claims abstract description 41
- 238000000502 dialysis Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000013058 risk prediction model Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000011282 treatment Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000007774 longterm Effects 0.000 claims abstract description 13
- 238000002790 cross-validation Methods 0.000 claims abstract description 11
- 238000002360 preparation method Methods 0.000 claims abstract description 11
- 238000001631 haemodialysis Methods 0.000 claims abstract description 7
- 230000000322 hemodialysis Effects 0.000 claims abstract description 7
- 230000003187 abdominal effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 26
- 238000011161 development Methods 0.000 claims description 11
- 230000036772 blood pressure Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 208000002720 Malnutrition Diseases 0.000 claims description 6
- 208000007502 anemia Diseases 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000001071 malnutrition Effects 0.000 claims description 6
- 235000000824 malnutrition Nutrition 0.000 claims description 6
- 208000015380 nutritional deficiency disease Diseases 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013517 stratification Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000012896 Statistical algorithm Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 4
- 230000002792 vascular Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010241 blood sampling Methods 0.000 description 4
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 3
- 238000004820 blood count Methods 0.000 description 3
- 239000004202 carbamide Substances 0.000 description 3
- 208000017169 kidney disease Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012014 optical coherence tomography Methods 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000034906 Medical device complication Diseases 0.000 description 1
- 102000007562 Serum Albumin Human genes 0.000 description 1
- 108010071390 Serum Albumin Proteins 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004410 intraocular pressure Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000009256 replacement therapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000000108 ultra-filtration Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H50/30—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种终末期肾病疗效评估与并发症风险预测系统，包括：数据输入准备模块，用于获取并预处理血液透析和腹部透析患者的眼部检查数据和元数据；模型训练评估模块，用于使用机器学习算法及经典统计回归来训练模型，使用交叉验证方法并结合模型的准确率来选择模型；预测结果输出模块，用于分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应分类结果与预测概率。采用本发明提供的实施例，在治疗前、治疗过程以及长期随访中，对终末期患者治疗情况及长期预后做出全面评估。
Description
技术领域
本发明涉及医疗数据处理技术领域，尤其涉及一种终末期肾病疗效评估与并发症风险预测系统。
背景技术
随着人口老龄化和高血压、糖尿病等发病率的逐年上升，患慢性肾脏病(CKD)并进展到终末期肾病(ESRD)的患者也日益增加。对终末期肾病患者来说，包括血液透析和腹膜透析在内的肾脏替代治疗是必不可少的，透析治疗能够替代肾脏的部分排泄功能，在临床上应用广泛。然而透析疗效的不充分以及并发症(如低血压、心血管不良事件等)的发生是导致透析失败以及患者生存率低下的主要原因。因此，准确且便捷的评估患者的透析疗效及预测并发症的发生有着重要的临床意义。
目前终末期肾病患者检查手段有如下缺点：1.监测频率低，无法满足诊疗要求：我国现行要求为每3个月1次采血监测，有条件应每月1次，但在实际情况中，囿于技术和医疗水平所限，很多地区半年左右才监测1次，远远达不到要求；2.有创操作，患者依从性差：目前，对于透析患者的疗效评估包括尿素清除率、血红蛋白及血清白蛋白水平等指标监测都依靠有创性静脉采血抽取一定量的血液，有感染、血栓和传播血源性传染病可能。对于本身免疫功能低下的透析患者来说，频繁的有创检查操作加重了患者本身的感染风险；3.评估不够全面，时效性不足：目前的评估主要集中于透析中的血流动力学监测及透析后的单次充分性评估，患者就诊时进行的常规血常规、生化检查等需要半小时到1天的时间才能出具报告，可供评估信息不足，无法做到在透析前或者患者就诊时及时、个性化的调整透析方案。4.主观性强，效率低：对终末期肾病患者的评估由医务人员根据经验对其进行透析目标制定及风险分层，准确率取决于其专业知识水平，诊断的主观性较强。另外，由于医疗资源的不足，单个医生工作量过大易发生漏诊误诊。总的来说，目前终末期肾病患者检查包括血液检查等多为侵入性操作、耗时长、费用高昂，且无法及时评估患者的全身情况。
发明内容
本发明实施例提供一种终末期肾病疗效评估与并发症风险预测系统，利用简便且无创获取的眼部检查信息，在治疗前、治疗过程以及长期随访中，对终末期患者治疗情况及长期预后做出全面评估。
为实现上述目的，本申请实施例的一种终末期肾病疗效评估与并发症风险预测系统，包括：
数据输入准备模块，用于获取并预处理血液透析和腹部透析患者的眼部检查数据和元数据；所述元数据包括患者病历信息、疗效评估指标、并发症及预后标准数据；
所述数据输入准备模块包括图像处理单元和元数据处理单元；所述图像处理单元用于根据所述眼部检查数据采用的检查类型对所述眼部检查数据中的眼部检查图像进行标准化处理；所述元数据处理单元，用于根据格式化数据类型对所述元数据进行清洗处理与统一格式化；
模型训练评估模块，用于使用机器学习算法及经典统计回归来训练模型，使用交叉验证方法并结合模型的准确性来选择模型；
模型训练评估模块包括特征选择单元、模型训练单元、模型评估选择单元和模型调整单元；
所述特征选择单元用于从眼部检查数据、元数据和多模态数据选取模型的输入特征变量；所述多模态数据是关于眼部检查数据和元数据的组合数据；
所述模型训练单元用于结合所述输入特征变量使用机器学习算法或者统计进行模型训练；
所述模型评估选择单元用于根据模型的准确率AUC值，对训练后的模型进行筛选；
所述模型调整单元用于根据疗效评估目标和并发症风险预测目标分别对筛选后的模型，采用该模型所用的特征和算法，调整相关变量参数，在全部开发数据集上训练最终的模型，得到疗效评估模型、并发症及预后风险预测模型；
预测结果输出模块，用于分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应预测概率及分类结果。
在一种可能的实现方式中，所述根据所述眼部检查数据采用的检查类型对所述眼部检查数据进行清洗处理与格式化，具体包括：
提取所述眼部检查数据的图像特征；
对格式化的所述眼部检查数据进行重复数据的排除、缺失值和异常值处理、分类变量再编码、数据转换；
若所述眼部检查数据采用的检查类型为眼底照相，所述图像特征满足位置处于预设坐标范围且无遮挡、亮度大于预设照相阈值、分辨率大于预设分辨阈值，保留所述眼部检查数据；
若所述眼部检查数据采用的检查类型为眼底光学相干血管成像，所述图像特征满足图像信号强度大于预设强度阈值，保留所述眼部检查数据。
在一种可能的实现方式中，所述从眼部检查数据、元数据和多模态数据选取模型的输入特征变量，具体包括：
使用Lasso或者前向逐步回归方法从眼部检查数据、元数据和多模态数据选取模型输入特征变量。
在一种可能的实现方式中，所述输入特征变量的选取条件包括：符合临床指标、变量缺失率小于预设阈值、变量方差不等于0、相关性指标大于阈值的两个变量择一保留。
在一种可能的实现方式中，所述结合所述输入特征变量使用机器学习算法或经典统计算法进行模型训练，具体包括：
结合所述输入特征变量使用机器学习算法，或Logistic回归模型进行模型训练。
在一种可能的实现方式中，所述根据模型的准确率AUC值，对训练后的模型进行筛选，具体包括：
将所述输入的患者眼部检查数据和元数据，采取交叉验证的方法，根据患者随机划分为样本量相等的10或者5折，每次把9或者4折的数据作为训练集和1折作为验证集；
根据所述训练集和所述验证集交叉验证不同模型的ROC曲线及AUC值进行选择。
在一种可能的实现方式中，所述根据疗效评估目标和并发症风险预测目标分别对筛选后的模型采用该模型所用的特征和算法，调整相关变量参数，在全部开发数据集上训练最终的模型，得到疗效评估模型、并发症及预后风险预测模型，具体包括：
对于筛选后的模型，采用该模型所用的特征和算法，调整透析充分和血压控制的相关变量参数，在全部开发数据集上训练，调整透析充分和血压控制的相关变量参数，得到疗效评估模型；
对于筛选后的模型，采用该模型所用的特征和算法，调整短期贫血、营养不良、长期心血管并发症的相关变量参数，在全部开发数据集上训练，得到并发症及预后风险预测模型；
对于所述疗效评估模型与所述并发症及预后风险预测模型，进行外部验证集的测试，以分别评估泛化能力。
在一种可能的实现方式中，分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应预测概率及分类结果，具体包括：
通过所述疗效评估模型、所述并发症及预后风险预测模型输出血压控制情况判断、透析充分性判断、贫血状态判断、营养不良状态判断、短期和长远期并发症的概率值、二分类结果和风险分层结果。
相比于现有技术，本发明实施例提供的一种终末期肾病疗效评估与并发症风险预测系统，通过无创获取的眼部检查数据和患者元数据，在系统内建立基于眼部信息的人工智能模型(疗效评估模型、并发症及预后风险预测模型)来评估终末期肾病透析疗效和预测终末期肾病透析并发症及预后风险。疗效评估模型针对终末期肾病患者多种疗效指标进行预测，无需有创采血化验等，也不受限于使用者的个人知识经验。并发症及预后风险预测模型通过眼部信息结合肾病专科格式化信息对多时期、多系统并发症以及长期的预后进行预测，而且准确率更高。
附图说明
图1是本发明一实施例提供的一种终末期肾病疗效评估与并发症风险预测系统的结构示意图；
图2是本发明一实施例提供的一种终末期肾病疗效评估与并发症风险预测系统的运行流程图。
具体实施方式
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，所描述的实施例仅仅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。
目前终末期肾病患者检查包括血液检查等多为侵入性操作、耗时长、费用高昂，且无法及时评估患者的全身情况。而眼底的血管结构、灌注情况与全身状态密切相关，前期研究显示血液透析前后相关眼科指标都有显著的变化，并且与全身指标，如血压、尿素氮、体重的变化等相关，腹膜透析的患者的相应眼科指标也有显著改变。眼科检查无创、快捷，眼底光学相干断层血管成像能实时、直观地观察到眼底的血流信号，输入的眼部信息通过机器学习模型运算后可以对就诊的透析患者进行疗效评估和并发症的预测。
以下实施例在针对现有终末期肾病患者的透析疗效评估及并发症风险预测不足的情况下，提出基于眼部信息的终末期肾病疗效评估模型及并发症和预后风险预测模型，构建一种终末期肾病疗效评估与并发症风险预测系统。
请参见图1，本申请实施例提供一种终末期肾病疗效评估与并发症风险预测系统，包括：数据输入准备模块1、模型训练评估模块2和预测结果输出模块3。
数据输入准备模块1，用于获取并预处理血液透析和腹部透析患者的眼部检查数据和元数据；所述元数据包括患者病历信息、疗效评估指标、并发症及预后标准数据。
所述数据输入准备模块1包括图像处理单元10和元数据处理单元11；所述图像处理单元10用于根据所述眼部检查数据采用的检查类型对所述眼部检查数据中的眼部检查图像进行标准化处理；所述元数据处理单元11，用于根据格式化数据类型对所述元数据进行清洗处理与统一格式化；
模型训练评估模块2，用于使用机器学习算法及经典统计回归来训练模型，使用交叉验证方法并结合模型的准确性来选择模型。
模型训练评估模块2包括特征选择单元20、模型训练单元21、模型评估选择单元22和模型调整单元23。
所述特征选择单元20用于从眼部检查数据、元数据和多模态数据选取模型的输入特征变量；所述多模态数据是关于眼部检查数据和元数据的组合数据；
所述模型训练单元21用于结合所述输入特征变量使用机器学习算法或者统计算法进行模型训练。
所述模型评估选择单元22用于根据模型的准确率AUC值，对训练后的模型进行筛选。
所述模型调整单元23用于根据疗效评估目标和并发症风险预测目标分别对筛选后的模型，采用该模型所用的特征和算法，调整相关变量参数，在全部开发数据集上训练最终的模型，得到疗效评估模型、并发症及预后风险预测模型。
预测结果输出模块3，用于分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应预测概率及分类结果。
本实施例针对终末期肾病的透析疗效评估、多种并发症及预后风险预测，开发基于眼部信息的系列机器学习模型为核心的人工智能系统，输入相应的眼部数据(联合或不联合肾病专科检查结果)即可在治疗前、治疗过程以及长期随访中对患者情况作出全面评估，有助于减少患者的有创检查项目、制定有效随访计划，为治疗方案的选择、及时调整以及随访方案制定提供客观决策依据。其中疗效评估模型可针对终末期肾病患者多个指标进行评估及分类预测，包括但不限于：血压、体重、BMI、全血细胞计数(白细胞计数、红细胞计数、血小板等)、血红蛋白、营养指标(白蛋白、血脂等)、电解质指标以及透析充分性评估(尿素清除率、尿素下降率、β2-MG清除率)等。并发症风险预测模型包括心血管系统并发症、血管通路并发症、骨骼肌肉系统并发症及神经系统并发症等。
请参见图2，所述数据输入准备模块1在系统中负责数据准备和图像处理工作。
数据准备：分别抽取并整合血液透析和腹部透析患者眼部检查数据和元数据，其中元数据包括患者基本信息及终末期肾病的检查数据(潜在输入特征)、疗效评估指标和并发症及预后的标准数据(标签格式，输出格式)。
图像处理工作由图像处理单元10完成。
示例性地，在图像处理单元10中，所述根据所述眼部检查数据采用的检查类型对所述眼部检查数据进行清洗处理与格式化，具体包括：
提取所述眼部检查数据的图像特征；
对格式化的所述眼部检查数据进行重复数据的排除、缺失值和异常值处理、分类变量再编码、数据转换；
若所述眼部检查数据采用的检查类型为眼底照相，所述图像特征满足位置处于预设坐标范围且无遮挡、亮度大于预设照相阈值、分辨率大于预设分辨阈值，保留所述眼部检查数据；
若所述眼部检查数据采用的检查类型为眼底光学相干血管成像，所述图像特征满足图像信号强度大于预设强度阈值，保留所述眼部检查数据。
图像处理单元10根据不同的检查类型对图像进行质量评估，以眼底为例，提取眼底图像的全局图像特征：亮度、对比度、完整度；及局部特征：清晰度、梯度及局部血管密度、分布等。数据的清洗处理包括对格式化数据进行重复数据的排除、缺失值和异常值处理、分类变量再编码、数据转换等。对于不符合质量标准的图像及数据进行剔除。最后，对于图像进行预处理和图像分析得到格式化的眼部检查数据。
作为无侵入性的眼科检查对患者没有损伤，方便快捷，可依托于便携式装备，如手持式裂隙灯、智能手机眼底摄影、OCT手持成像，在偏远地区及家中也可以进行，方便快捷。眼科信息可以即时获得、分析并诊断，时效性强，可在透析前或者患者就诊时根据眼部相关信息及时、个性化的调整透析方案。
请参见图2，模型训练评估模块2负责使用机器学习算法及经典统计回归来训练模型，使用交叉验证方法并结合模型的准确性来选择模型。
示例性地，在特征选择单元20中，所述从眼部检查数据、元数据和多模态数据选取模型的输入特征变量，具体包括：
使用Lasso或者前向逐步回归方法从眼部检查数据、元数据和多模态数据选取模型输入特征变量。
示例性地，在特征选择单元20中，所述输入特征变量的选取条件包括：符合临床指标、变量缺失率小于预设阈值、变量方差不等于0、相关性指标大于阈值的两个变量择一保留。
示例性地，在模型训练单元21中，所述结合所述输入特征变量使用机器学习算法或经典统计算法进行模型训练，具体包括：
结合所述输入特征变量使用机器学习算法，或Logistic回归模型进行模型训练。
示例性地，在模型评估选择单元22中，所述根据模型的准确率AUC值，对训练后的模型进行筛选，具体包括：
将所述输入的患者眼部检查数据和元数据，采取交叉验证的方法，根据患者随机划分为样本量相等的10或者5折，每次把9或者4折的数据作为训练集和1折作为验证集；
根据所述训练集和所述验证集交叉验证不同模型的ROC曲线及AUC值进行选择。
示例性地，在模型调整单元23中，所述根据疗效评估目标和并发症风险预测目标分别对筛选后的模型内部进行不同的变量条件调整选择，得到疗效评估模型、并发症及预后风险预测模型，具体包括：
对于筛选后的模型，采用该模型所用的特征和算法，调整透析充分和血压控制的相关变量参数，在全部开发数据集上训练，得到疗效评估模型；
对筛选后的模型，采用该模型所用的特征和算法，调整短期贫血、营养不良、长期心血管并发症的相关变量参数，在全部开发数据集上训练，得到并发症及预后风险预测模型。
对于所述疗效评估模型与所述并发症及预后风险预测模型，进行外部验证集的测试，以分别评估泛化能力。
示例性地，分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应预测概率及分类结果，具体包括：
通过所述疗效评估模型、所述并发症及预后风险预测模型输出血压控制情况判断、透析充分性判断、贫血状态判断、营养不良状态判断、短期和长远期并发症的概率数值、二分类结果和风险分层结果。
需要说明的，所述疗效评估模型、所述并发症及预后风险预测模型的直接输出形式都是概率值，在实际应用中，可以根据需要，设定概率阈值对所述疗效评估模型、所述并发症及预后风险预测模型输出的概率值进行划分，分为二分类或者多分类(风险分层)。
所述疗效评估模型、所述并发症及预后风险预测模型的使用者不需要经过专业眼科相关培训，也不依赖于使用者的个人专业知识和诊疗经验，只需要输入相关信息，模型即可给出评估及预测，结果客观可重复，有利于统一临床诊疗标准。此外，两个模型所覆盖的指标多、并发症谱系广，囊括多种终末期肾病患者疗效评价指标及多系统并发症发生风险，覆盖终末期肾病的治疗全周期，提供一种全面的临床决策支持系统。
上述实施例的应用场景为患者在透析治疗前以及未进行抽血化验的情况下,进行无创眼科检查(包括眼底彩照、眼压、光学相干断层血管扫描成像等)，将数据进行清洗处理后，上传到部署有该疗效评估模型和并发症及预后风险预测模型的云端服务器，输入该智能诊疗模型中，实时对客户端输入的患者数据进行推断，获得输出结果包括透析疗效评估与并发症发生的概率，并根据输出结果触发透析治疗前的治疗时间与超滤量等透析方案调整建议、治疗过程中的疗效动态评估、风险分层结果及个性化随访计划建议。将模型输出结果以及治疗建议传回到医护应用端，通过审核后医嘱与随访计划自动分发到患者客户端,并进行随访数据收集与回传。
相比于现有技术，本发明实施例提供的一种终末期肾病疗效评估与并发症风险预测系统，通过无创获取的眼部检查数据和患者元数据，在系统内建立基于眼部信息的人工智能模型(疗效评估模型、并发症及预后风险预测模型)来评估终末期肾病透析疗效和预测终末期肾病透析并发症及预后风险。疗效评估模型针对终末期肾病患者多种疗效指标进行预测，无需有创采血化验等，也不受限于使用者的个人知识经验。并发症及预后风险预测模型通过眼部信息结合肾病专科格式化信息对多时期、多系统并发症以及长期的预后进行预测，而且准确率更高。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种终末期肾病疗效评估与并发症风险预测系统，其特征在于，包括：
数据输入准备模块，用于获取并预处理血液透析和腹部透析患者的眼部检查数据和元数据；所述元数据包括患者病历信息、疗效评估指标、并发症及预后标准数据；
所述数据输入准备模块包括图像处理单元和元数据处理单元；所述图像处理单元用于根据所述眼部检查数据采用的检查类型对所述眼部检查数据中的眼部检查图像进行标准化处理；所述元数据处理单元，用于根据格式化数据类型对所述元数据进行清洗处理与统一格式化；
模型训练评估模块，用于使用机器学习算法及经典统计回归或者统计来训练模型，使用交叉验证方法并结合模型的准确性来选择模型；
模型训练评估模块包括特征选择单元、模型训练单元、模型评估选择单元和模型调整单元；
所述特征选择单元用于分别从眼部检查数据、元数据和多模态数据选取模型的输入特征变量；所述多模态数据是关于眼部检查数据和元数据的组合数据；
所述模型训练单元用于结合所述输入特征变量使用机器学习算法或者统计算法进行模型训练；
所述模型评估选择单元用于根据模型的准确率AUC值，对训练后的模型进行筛选；
所述模型调整单元用于根据疗效评估目标和并发症风险预测目标分别对筛选后的模型，采用该模型所用的特征和算法，调整相关变量参数，在全部开发数据集上训练最终的模型，得到疗效评估模型、并发症及预后风险预测模型；
预测结果输出模块，用于分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应预测概率及分类结果。
2.如权利要求1所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述根据所述眼部检查数据采用的检查类型对所述眼部检查数据进行清洗处理与格式化，具体包括：
提取所述眼部检查数据的图像特征；
对格式化的所述眼部检查数据进行重复数据的排除、缺失值和异常值处理、分类变量再编码、数据转换；
若所述眼部检查数据采用的检查类型为眼底照相，所述图像特征满足位置处于预设坐标范围且无遮挡、亮度大于预设照相阈值、分辨率大于预设分辨阈值，保留所述眼部检查数据；
若所述眼部检查数据采用的检查类型为眼底光学相干血管成像，所述图像特征满足图像信号强度大于预设强度阈值，保留所述眼部检查数据。
3.如权利要求1所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述从眼部检查数据、元数据和多模态数据选取模型的输入特征变量，具体包括：
使用Lasso或者前向逐步回归方法从眼部检查数据、元数据和多模态数据选取模型输入特征变量。
4.如权利要求3所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述输入特征变量的选取条件包括：符合临床指标、变量缺失率小于预设阈值、变量方差不等于0、相关性指标大于阈值的两个变量择一保留。
5.如权利要求1所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述结合所述输入特征变量使用机器学习算法或经典统计算法进行模型训练，具体包括：
结合所述输入特征变量使用机器学习算法，或Logistic回归模型进行模型训练。
6.如权利要求1所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述根据模型的准确率AUC值，对训练后的模型进行筛选，具体包括：
将所述输入的患者眼部检查数据和元数据，采取交叉验证的方法，根据患者随机划分为样本量相等的10或者5折，每次把9或者4折的数据作为训练集和1折作为验证集；
根据所述训练集和所述验证集交叉验证不同模型的ROC曲线及AUC值进行选择。
7.如权利要求1所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述根据疗效评估目标和并发症风险预测目标分别对筛选后的模型，采用该模型所用的特征和算法，调整相关变量参数，在全部开发数据集上训练最终的模型，得到疗效评估模型、并发症及预后风险预测模型，具体包括：
对于筛选后的模型，采用该模型所用的特征和算法，调整透析充分和血压控制的相关变量参数，在全部开发数据集上训练，得到疗效评估模型；
对于筛选后的模型，采用该模型所用的特征和算法，调整短期贫血、营养不良、长期心血管并发症的相关变量参数，在全部开发数据集上训练，得到并发症及预后风险预测模型；
对于所述疗效评估模型与所述并发症及预后风险预测模型，进行外部验证集的测试，以分别评估泛化能力。
8.如权利要求1所述终末期肾病疗效评估与并发症风险预测系统，其特征在于，所述分别通过所述疗效评估模型、所述并发症及预后风险预测模型输出相应预测概率及分类结果，具体包括：
通过所述疗效评估模型、所述并发症及预后风险预测模型输出血压控制情况判断、透析充分性判断、贫血状态判断、营养不良状态判断、短期和长远期并发症的概率值、二分类结果和风险分层结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310801116.4A CN116705326A (zh) | 2023-06-30 | 2023-06-30 | 一种终末期肾病疗效评估与并发症风险预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310801116.4A CN116705326A (zh) | 2023-06-30 | 2023-06-30 | 一种终末期肾病疗效评估与并发症风险预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116705326A true CN116705326A (zh) | 2023-09-05 |
Family
ID=87831157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310801116.4A Pending CN116705326A (zh) | 2023-06-30 | 2023-06-30 | 一种终末期肾病疗效评估与并发症风险预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705326A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116936106A (zh) * | 2023-09-18 | 2023-10-24 | 天津医科大学第二医院 | 一种透析中危险事件风险的评估方法和系统 |
| CN117373584A (zh) * | 2023-12-08 | 2024-01-09 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
-
2023
- 2023-06-30 CN CN202310801116.4A patent/CN116705326A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116936106A (zh) * | 2023-09-18 | 2023-10-24 | 天津医科大学第二医院 | 一种透析中危险事件风险的评估方法和系统 |
| CN116936106B (zh) * | 2023-09-18 | 2023-12-22 | 天津医科大学第二医院 | 一种透析中危险事件风险的评估方法和系统 |
| CN117373584A (zh) * | 2023-12-08 | 2024-01-09 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
| CN117373584B (zh) * | 2023-12-08 | 2024-03-12 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ting et al. | Deep learning in ophthalmology: the technical and clinical considerations | |
| AU2014271202B2 (en) | A system and method for remote medical diagnosis | |
| CN116705326A (zh) | 一种终末期肾病疗效评估与并发症风险预测系统 | |
| US11197608B2 (en) | Eye disease diagnosis method and system using artificial intelligence | |
| CN110875092B (zh) | 一种基于远程眼底筛查的健康大数据服务方法和系统 | |
| CN108553079A (zh) | 基于眼底图像的病变识别系统 | |
| Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
| CN109815965B (zh) | 一种图像过滤方法、装置及存储介质 | |
| Abdel-Ghafar et al. | Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy | |
| CN109948719A (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
| CN109998477A (zh) | 一种高度近视白内障手术预后智能预判系统 | |
| Nasir et al. | Deep DR: detection of diabetic retinopathy using a convolutional neural network | |
| Hu et al. | ACCV: automatic classification algorithm of cataract video based on deep learning | |
| CN112201336A (zh) | 一种基于ai诊断的远程会诊系统和方法 | |
| Kumar et al. | Automated detection of eye related diseases using digital image processing | |
| CN111402184B (zh) | 一种实现远程眼底筛查和健康服务的方法和系统 | |
| Camara et al. | A comprehensive review of methods and equipment for aiding automatic glaucoma tracking | |
| CN109350009A (zh) | 一种基于人脸的健康监控手机 | |
| CN113273959B (zh) | 一种便携式糖尿病视网膜病变诊疗仪 | |
| CN111435612A (zh) | 一种移动医疗个性化健康服务的方法和系统 | |
| Bhatt et al. | Fuzzy logic system for diabetic eye morbidity prediction | |
| CN113854957A (zh) | 一种基于眼部图像的人工智能屈光度精准测量方法 | |
| Aswathy | Diabetic Retinopathy Detection Using Semantic Segmentation And Optic Disc Localization | |
| CN115836838A (zh) | 一种屈光度精准评估的方法及应用 | |
| Hakeem et al. | Inception V3 and CNN Approach to Classify Diabetic Retinopathy Disease |
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 |