CN117524500A - 一种糖皮质激素诱导股骨头坏死的风险预警系统及装置 - Google Patents

一种糖皮质激素诱导股骨头坏死的风险预警系统及装置 Download PDF

Info

Publication number
CN117524500A
CN117524500A CN202311588243.7A CN202311588243A CN117524500A CN 117524500 A CN117524500 A CN 117524500A CN 202311588243 A CN202311588243 A CN 202311588243A CN 117524500 A CN117524500 A CN 117524500A
Authority
CN
China
Prior art keywords
glucocorticoid
model
risk
index
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
CN202311588243.7A
Other languages
English (en)
Inventor
高福强
孙伟
瞿润东
马金辉
周宇
陈娜
李子荣
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.)
China Japan Friendship Hospital
Original Assignee
China Japan Friendship 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 China Japan Friendship Hospital filed Critical China Japan Friendship Hospital
Priority to CN202311588243.7A priority Critical patent/CN117524500A/zh
Publication of CN117524500A publication Critical patent/CN117524500A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/70—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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种糖皮质激素诱导股骨头坏死的风险预警系统及装置，涉及计算机辅助诊断技术领域，风险预警系统主要包括第一数据接收模块、第一数据处理模块及结果生成模块；所述第一数据接收模块，用于接收患者的关键影响因子指标；所述第一数据处理模块，包括第一模型单元和第一预测单元：所述第一模型单元，用于存储Nomogram模型；所述第一预测单元，调用所述Nomogram模型，基于关键影响因子指标，预测得到该患者的预后风险概率；所述结果生成模块，用于将预后风险概率外发。本方案可直观、准确、快速地预测高危人群的糖皮质激素诱导股骨头坏死风险。

Description

一种糖皮质激素诱导股骨头坏死的风险预警系统及装置
技术领域
本发明涉及计算机辅助诊断技术领域，尤其是涉及一种糖皮质激素诱导股骨头坏死的风险预警系统及装置。
背景技术
目前，糖皮质激素诱导的股骨头坏死(即Osteonecrosis of femoral head,ONFH)是最常见的非创伤性股骨头坏死类型，发生在接受糖皮质激素冲击治疗或长期激素治疗后，如感染性疾病(如传染性非典型肺炎)、类风湿疾病(如类风湿关节炎和系统性红斑狼疮)和其他疾病(如肾移植)。
糖皮质激素诱导的股骨头坏死常见于年轻患者。如果不进行有效治疗，约60%~80%的股骨头坏死病例会在5年内发展为股骨头塌陷，并在股骨头塌陷后的3年内需要进行人工关节置换。由于年轻患者活动量大，往往会造成人工关节磨损严重，从而导致预后较差。因此，对股骨头坏死的早期诊断和个性化治疗就显得尤为重要。其中，如何根据患者自身情况，准确预警患者股骨头坏死风险，进而推迟或避免人工关节置换，使患者能尽可能长时间地保留自身关节，以维持生活质量，已成为业内一大课题。
发明内容
本发明的目的在于提供一种糖皮质激素诱导股骨头坏死的风险预警系统及装置，以解决现有技术中存在的至少一种上述技术问题。
第一方面，为解决上述技术问题，本发明提供了一种糖皮质激素诱导股骨头坏死的风险预警系统，包括第一数据接收模块、第一数据处理模块及结果生成模块；
所述第一数据接收模块，用于接收患者的重度吸烟指标、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径及血脂异常指标；
所述第一数据处理模块，包括第一模型单元和第一预测单元：
所述第一模型单元，用于存储Nomogram模型；
所述第一预测单元，调用所述Nomogram模型，输入重度吸烟指标、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径及血脂异常指标，预测得到该患者的预后风险概率；
所述结果生成模块，用于将预后风险概率外发。
通过上述系统，将重度吸烟指标（Heavy smoke）、糖皮质激素总剂量（Totalglucocorticoid dosage）、糖皮质激素使用持续时间（Duration of glucocorticoiduse）、糖皮质激素给药途径（Administration route of glucocorticoid）及血脂异常指标（Dyslipidemia）作为输入数据，通过Nomogram模型预测得到糖皮质激素诱导股骨头坏死的风险，可直观、快速、准确地对股骨头坏死进行预警。
在一种可行的实施方式中，所述Nomogram模型的构建方法包括：
步骤a1、采集糖皮质激素诱导股骨头坏死的高危人群数据，具体变量包括：影像学指标、性别、年龄、职业、文化程度、原发病、身体质量指数、合并疾病、重度吸烟指标、酗酒指标、血脂异常指标、凝血功能异常指标、VAS评分、Harris评分、糖皮质激素应用种类、糖皮质激素应用剂型、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径、糖皮质激素个人最大日剂量和糖皮质激素个人日平均剂量等；
所述糖皮质激素应用种类包括地塞米松、强的松、氢化可的松及甲基强的松龙，各种糖皮质激素的剂量换算标准为：地塞米松0.75mg=强的松5mg=氢化可的松20mg=甲基强的松龙4mg；
所述重度吸烟指标的判定方法包括：将每天吸烟的标准包数（20支/包）乘以吸烟年数，得到吸烟指数；当吸烟指数大于等于20包年时，定义为重度吸烟；
所述血脂异常指标的判定标准包括：总胆固醇(TC)水平≥6.2mmol/L和/或低密度脂蛋白胆固醇(LDL-C)水平≥4.1mmol/L和/或甘油三酯(TGs)水平≥2.3mmol/L和/或高密度脂蛋白胆固醇(HDL-C)水平<1.00mmol/L;
步骤a2、将所述高危人群数据随机分为训练集和验证集；对训练集中各变量进行单因素Logistic回归分析，得到独立风险因素；再通过多因素Logistic回归分析，得到糖皮质激素诱导股骨头坏死的关键影响因子；基于所述关键影响因子，绘制Nomogram模型；通过所述训练集训练所述Nomogram模型；通过所述验证集验证所述Nomogram模型；
步骤a3、通过一致性指数（即C指数）评估Nomogram模型的预测风险概率的准确性；
步骤a4、通过重采样方法（即bootstrap验证法）对预后风险概率进行校准，以减少过拟合偏差，得到校准曲线；
步骤a5、通过决策曲线分析（即DCA），评估Nomogram模型的临床收益是否大于等于第一预设阈值：若是，则保留当前Nomogram模型；若否，则迭代执行步骤a2；所述临床收益包括疾病完全缓解周期或疾病部分缓解周期或疾病稳定周期。
通过上述方法，可以得到预测结果较好的Nomogram模型。
在一种可行的实施方式中，所述步骤a1中，对高危人群数据中服从正态分布的连续变量，数据描述采用均值±标准差的方式；对于服从非正态分布的变量，数据描述采用中位数±四分位数范围的方式；
对于组间比较：正态分布数据采用单因素方差分析；非正态分布数据采用非参数检验；计数数据采用卡方检验。
通过上述方法，可以有效地对高危人群数据进行统计分析，以便于进行后序处理。
在一种可行的实施方式中，所述风险预警系统还包括人工智能分系统（即AI）,所述人工智能分系统包括第二数据接收模块及第二数据处理模块；
所述第二数据接收模块，用于接收该患者的髋关节MRI图像；
所述第二数据处理模块，包括预处理单元、第二模型单元及第二预测单元：
所述预处理单元，将各髋关节MRI图像按照尺寸及像素强度进行标准化处理，并将各髋关节MRI图像的平均像素强度及其标准差进行归一化处理，得到图像像素数组；
所述第二模型单元，存储有神经网络模型（即CNN），基于图像像素数组，得到股骨头坏死预测结果；
所述第二预测单元，基于股骨头坏死预测结果，输出AI预测因子至所述第一模型单元的Nomogram模型中。
通过上述系统，将人工智能预测作为Nomogram模型的候选预测因子，构建出了基于深度学习的神经网络模型与及基于多变量回归模型的Nomogram模型相融合的AI-Nomogram模型，进一步提升了所述风险预警系统的预测准确性。
在一种可行的实施方式中，所述神经网络模型的构建方法包括：
步骤b1、调取图像存档及通讯系统（PACS）中股骨头坏死的高危人群及确诊人群的髋关节MRI图像；将所述髋关节MRI图像预处理为图像像素数组，并将诊断结果作为相应的标签；将所述图像像素数组随机分配至训练集、测试集及验证集；通过所述训练集训练所述神经网络模型；通过所述测试集测试所述神经网络模型；通过所述验证集验证所述神经网络模型；
步骤b2、通过受试者工作特征曲线（ROC）及曲线下面积（AUC）,评估神经网络模型预测结果的发生概率；
步骤b3、通过若干骨科医生对所述髋关节MRI图像进行主观预测，预测标准包括5级：第1级表示0%概率发展成ONFH；第2级表示25%概率发展成ONFH;第3级表示50%概率发展成ONFH;第4级表示75%概率发展成ONFH；第5级表示100%概率发展成ONFH；
步骤b4、通过重采样方法（即bootstrap验证法），对神经网络模型进行校准；
步骤b5、通过受试者工作特征曲线（ROC），比较神经网络模型预测及主观预测之间的差异：若所述差异小于等于第二预设阈值，则保留当前神经网络模型；若所述差异大于第二预设阈值，则迭代执行步骤b1。
通过上述步骤，可以训练出满足预测要求的神经网络模型。
第二方面，基于相同的发明构思，本申请还提供了一种糖皮质激素诱导股骨头坏死的风险预警装置，包括处理器、存储器及总线，所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以实现如上所述的糖皮质激素诱导股骨头坏死的风险预警系统，所述总线连接各功能部件用于传送信息。
采用上述技术方案，本发明具有如下有益效果：
本发明提供的一种糖皮质激素诱导股骨头坏死的风险预警系统及装置，通过数据分析选择糖皮质激素诱导股骨头坏死的关键影响因子，构建出Nomogram模型，可直观、准确、快速地预测高危人群的糖皮质激素诱导股骨头坏死风险。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述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为本发明实施例提供的一种糖皮质激素诱导股骨头坏死的风险预警系统图；
图2为本发明实施例提供的Nomogram模型的构建方法流程图；
图3为本发明实施例提供的Nomogram模型；
图4为本发明实施例提供的训练集校准曲线图；
图5为本发明实施例提供的验证集校准曲线图；
图6为本发明实施例提供的DCA曲线对比图；
图7为本发明实施例提供的另一种糖皮质激素诱导股骨头坏死的风险预警系统图；
图8为本发明实施例提供的神经网络模型的构建方法流程图。
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。基于本发明中的实施例，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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合具体的实施方式对本发明做进一步的解释说明。
还需要说明的是，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而这些设置方式之间均是可以相互结合或者相互关联使用的。
实施例一：
如图1所示，本实施例提供了一种糖皮质激素诱导股骨头坏死的风险预警系统，包括第一数据接收模块、第一数据处理模块及结果生成模块；
所述第一数据接收模块，用于接收患者的重度吸烟指标、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径及血脂异常指标；
所述第一数据处理模块，包括第一模型单元和第一预测单元：
所述第一模型单元，存储有Nomogram模型；所述Nomogram模型属于现有技术，是一种建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而表达出各个变量之间相互关系的预测模型；Nomogram模型的基本原理是通过构建多因素回归模型（例如Cox回归、Logistic回归等），根据模型中各个影响因素对结局变量的贡献程度（即回归系数的大小），给每个影响因素的每个取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局变量发生概率之间的函数转换关系，计算出各结局变量的预测值；Nomogram模型将复杂的回归方程，转变为可视化的图形，使预测结果更具有可读性；
所述第一预测单元，调用所述Nomogram模型，输入重度吸烟指标、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径及血脂异常指标，预测得到该患者的预后风险概率；
所述结果生成模块，用于将预后风险概率外发。
通过上述系统，将重度吸烟指标（Heavy smoke）、糖皮质激素总剂量（Totalglucocorticoid dosage）、糖皮质激素使用持续时间（Duration of glucocorticoiduse）、糖皮质激素给药途径（Administration route of glucocorticoid）及血脂异常指标（Dyslipidemia）作为输入数据，通过Nomogram模型预测得到糖皮质激素诱导股骨头坏死的风险，可直观、快速、准确地对股骨头坏死进行预警。
进一步地，如图2所示，所述Nomogram模型的构建方法包括：
步骤a1、采集糖皮质激素诱导股骨头坏死的高危人群数据，具体变量包括：影像学指标、性别、年龄、职业、文化程度、原发病、身体质量指数、合并疾病、重度吸烟指标、酗酒指标、血脂异常指标、凝血功能异常指标、VAS评分、Harris评分、糖皮质激素应用种类、糖皮质激素应用剂型、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径、糖皮质激素个人最大日剂量和糖皮质激素个人日平均剂量等；
高危人群的具体纳入标准包括：年龄18~65岁之间；不限性别；
高危人群的具体排除标准包括：原发疾病较重人群；已确诊股骨头坏死人群；妊娠及哺乳期妇女；其他不适合数据采样人群；
所述糖皮质激素应用种类包括地塞米松、强的松、氢化可的松及甲基强的松龙，各种糖皮质激素的剂量换算标准为：地塞米松0.75mg=强的松5mg=氢化可的松20mg=甲基强的松龙4mg；
所述重度吸烟指标的判定方法包括：将每天吸烟的标准包数（20支/包）乘以吸烟年数，得到吸烟指数；当吸烟指数大于等于20包年时，定义为重度吸烟；
所述血脂异常指标的判定方法包括：总胆固醇(TC)水平≥6.2 mmol/L和/或低密度脂蛋白胆固醇(LDL-C)水平≥4.1mmol/L和/或甘油三酯(TGs)水平≥2.3mmol/L和/或高密度脂蛋白胆固醇(HDL-C)水平<1.00mmol/L;
步骤a2、将所述高危人群数据（共150例）随机分为训练集（105例）和验证集（45例）；
利用SPSS 26.0版本和/或R 4.2.3版本软件，对训练集中各变量进行单因素Logistic回归分析，得到独立风险因素；
再通过多因素Logistic回归分析，得到糖皮质激素诱导股骨头坏死的关键影响因子，包括重度吸烟指标（选择“否”时，模型分值为0；选择“是”时，模型分值为25）、糖皮质激素给药途径（选择“口服”时，模型分值为0；选择“静脉注射或静脉注射+口服”时，模型分值为20）、糖皮质激素使用持续时间（小于4周时，模型分值为0；大于3个月时，模型分值为35）、糖皮质激素总剂量（选择“1”时，模型分值为0；选择“4.5”时，模型分值为100）及血脂异常指标（选择“否”时，模型分值为0；选择“是”时，模型分值为35）；
基于所述关键影响因子，通过R 4.2.3中的rms软件包绘制Nomogram模型，如图3所示；
通过所述训练集训练所述Nomogram模型；
通过所述验证集验证所述Nomogram模型；
步骤a3、通过一致性指数（即C指数）评估Nomogram模型的预测风险概率的准确性；其中，C指数为0.5，表示模型无预测效果；C指数越接近1，预测效果越好；
步骤a4、通过重采样方法（即bootstrap验证法，使用1000个样本）对预后风险概率进行校准，以减少过拟合偏差，分别得到训练集（105例）和验证集（45例）的校准曲线，如图4~5所示；
步骤a5、通过决策曲线分析（即DCA），评估Nomogram模型的临床收益是否大于等于第一预设阈值：若是，则保留当前Nomogram模型；若否，则迭代执行步骤a2；
所述临床收益包括疾病完全缓解周期或疾病部分缓解周期或疾病稳定周期；
所述决策曲线分析属于现有技术，是一种评估备选模型临床收益的方法，具体通过量化不同高风险阈值概率下的净收益，来估计备选模型的临床收益；
特别地，如图6所示，可对四种情况下的DCA曲线进行对比：其中，粗黑线代表Nomogram模型预测曲线，粗灰线代表糖皮质激素总剂量预测曲线，细灰线代表所有治疗方案曲线，细黑线代表不治疗曲线；Nomogram模型预测曲线的临床收益始终处于最上方，表示相比其他三种情况，Nomogram模型预测曲线的临床收益始终最大；
通过上述方法，可以得到预测结果较好的Nomogram模型。
进一步地，所述步骤a1中，对高危人群数据中服从正态分布的连续变量，数据描述采用均值±标准差的方式；对于服从非正态分布的变量，数据描述采用中位数±四分位数范围的方式；
对于组间比较：正态分布数据采用单因素方差分析；非正态分布数据采用非参数检验；计数数据采用卡方检验；所述单因素方差分析属于现有技术，是一种用于完全随机设计的，在多个样本均数之间进行比较的方法；所述非参数检验属于现有技术，是一种在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法；所述卡方检验属于现有技术，是一种统计样本实际观测值与理论推断值之间偏离程度的检验方法。
通过上述方法，可以有效地对高危人群数据进行统计分析，以便于进行后序处理。
实施例二：
如图7所示，本实施例在实施例一的基础上，还包括人工智能分系统（即AI）,所述人工智能分系统包括第二数据接收模块及第二数据处理模块；
所述第二数据接收模块，用于接收该患者的髋关节MRI图像；
所述第二数据处理模块，包括预处理单元、第二模型单元及第二预测单元：
所述预处理单元，将各髋关节MRI图像按照尺寸及像素强度进行标准化处理，并将各髋关节MRI图像的平均像素强度及其标准差进行归一化处理，得到图像像素数组；
所述第二模型单元，存储有神经网络模型（即CNN），基于图像像素数组，得到股骨头坏死预测结果；
所述第二预测单元，基于股骨头坏死预测结果，输出AI预测因子至所述第一模型单元的Nomogram模型中。
通过上述系统，将人工智能预测作为Nomogram模型的候选预测因子，构建出了基于深度学习的神经网络模型与及基于多变量回归模型的Nomogram模型相融合的AI-Nomogram模型，进一步提升了所述风险预警系统的预测准确性。
进一步地，如图8所示，所述神经网络模型的构建方法包括：
步骤b1、调取图像存档及通讯系统（PACS）中股骨头坏死的高危人群及确诊人群的髋关节MRI图像；
将所述髋关节MRI图像预处理为图像像素数组，并将诊断结果作为相应的标签，具体包括将各髋关节MRI图像按照尺寸（120x120像素）及像素强度进行标准化处理，并将各髋关节MRI图像的平均像素强度及其标准差进行归一化处理，得到图像像素数组；
将所述图像像素数组随机分配至训练集、测试集及验证集；通过所述训练集训练所述神经网络模型；通过所述测试集测试所述神经网络模型；通过所述验证集验证所述神经网络模型；
步骤b2、通过受试者工作特征曲线（ROC）及曲线下面积（AUC）,评估神经网络模型预测结果的发生概率；所述受试者工作特征曲线属于现有技术，是一种用于评价、比较诊断性实验效果是否有应用价值的方法，其纵坐标为真阳性率（TPR灵敏度），横坐标为假阳性率（1-特异度FPR）；所述曲线下面积属于现有技术，是指ROC曲线下与坐标轴围成的面积，由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间；AUC越接近1.0，检测方法真实性越高; AUC等于0.5时，则检测方法真实性最低，无应用价值；
步骤b3、通过若干骨科医生对所述髋关节MRI图像进行主观预测，预测标准包括5级：第1级表示0%概率发展成ONFH；第2级表示25%概率发展成ONFH;第3级表示50%概率发展成ONFH;第4级表示75%概率发展成ONFH；第5级表示100%概率发展成ONFH；
步骤b4、通过重采样方法（即bootstrap验证法），对神经网络模型进行校准；
步骤b5、通过受试者工作特征曲线（ROC），比较神经网络模型预测及主观预测之间的差异：若所述差异小于等于第二预设阈值，则保留当前神经网络模型；若所述差异大于第二预设阈值，则迭代执行步骤b1。
通过上述步骤，可以训练出满足预测要求的神经网络模型。
实施例三：
本实施例提供了一种糖皮质激素诱导股骨头坏死的风险预警装置，包括处理器、存储器及总线，所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以实现如上所述的糖皮质激素诱导股骨头坏死的风险预警系统，所述总线连接各功能部件用于传送信息。
本方案在又一种实施方式下，可以通过设备的方式来实现，该设备可以包括执行上述各个实施方式中一个或几个步骤的相应模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
处理器执行上文所描述的各个方法和处理。例如，本方案中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其它实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。
该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器，这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。
总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，ExtendedIndustry Standard Component)总线等，总线可以分为地址总线、数据总线、控制总线等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种糖皮质激素诱导股骨头坏死的风险预警系统，其特征在于，包括第一数据接收模块、第一数据处理模块及结果生成模块；
所述第一数据接收模块，用于接收患者的重度吸烟指标、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径及血脂异常指标；
所述第一数据处理模块，包括第一模型单元和第一预测单元：
所述第一模型单元，用于存储Nomogram模型；
所述第一预测单元，调用所述Nomogram模型，输入重度吸烟指标、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径及血脂异常指标，预测得到该患者的预后风险概率；
所述结果生成模块，用于将预后风险概率外发。
2.根据权利要求1所述的风险预警系统，其特征在于，所述Nomogram模型的构建方法包括：
步骤a1、采集糖皮质激素诱导股骨头坏死的高危人群数据，具体变量包括：影像学指标、性别、年龄、职业、文化程度、原发病、身体质量指数、合并疾病、重度吸烟指标、酗酒指标、血脂异常指标、凝血功能异常指标、VAS评分、Harris评分、糖皮质激素应用种类、糖皮质激素应用剂型、糖皮质激素总剂量、糖皮质激素使用持续时间、糖皮质激素给药途径、糖皮质激素个人最大日剂量和糖皮质激素个人日平均剂量；
步骤a2、将所述高危人群数据随机分为训练集和验证集；对训练集中各变量进行单因素Logistic回归分析，得到独立风险因素；再通过多因素Logistic回归分析，得到糖皮质激素诱导股骨头坏死的关键影响因子；基于所述关键影响因子，绘制Nomogram模型；通过所述训练集训练所述Nomogram模型；通过所述验证集验证所述Nomogram模型；
步骤a3、通过一致性指数评估Nomogram模型的预测风险概率的准确性；
步骤a4、通过重采样方法对预后风险概率进行校准，得到校准曲线；
步骤a5、通过决策曲线分析，评估Nomogram模型的临床收益是否大于等于第一预设阈值：若是，则保留当前Nomogram模型；若否，则迭代执行步骤a2。
3.根据权利要求2所述的风险预警系统，其特征在于，所述糖皮质激素包括地塞米松、强的松、氢化可的松及甲基强的松龙，剂量换算标准为：地塞米松0.75mg=强的松5mg=氢化可的松20mg=甲基强的松龙4mg。
4.根据权利要求2所述的风险预警系统，其特征在于，所述重度吸烟指标的判定方法包括：将每天吸烟的标准包数乘以吸烟年数，得到吸烟指数；当吸烟指数大于等于20包年时，定义为重度吸烟。
5.根据权利要求2所述的风险预警系统，其特征在于，所述血脂异常指标的判定标准包括：总胆固醇水平≥6.2mmol/L和/或低密度脂蛋白胆固醇水平≥4.1mmol/L和/或甘油三酯水平≥2.3mmol/L和/或高密度脂蛋白胆固醇水平<1.0mmol/L。
6.根据权利要求2所述的风险预警系统，其特征在于，所述步骤a1中，对高危人群数据中服从正态分布的连续变量，数据描述采用均值±标准差的方式；对于服从非正态分布的变量，数据描述采用中位数±四分位数范围的方式。
7.根据权利要求2所述的风险预警系统，其特征在于，所述步骤a1中，对于高危人群数据的组间比较方法包括：正态分布数据采用单因素方差分析；非正态分布数据采用非参数检验；计数数据采用卡方检验。
8.根据权利要求1所述的风险预警系统，其特征在于，还包括人工智能分系统,所述人工智能分系统包括第二数据接收模块及第二数据处理模块；
所述第二数据接收模块，用于接收该患者的髋关节MRI图像；
所述第二数据处理模块，包括预处理单元、第二模型单元及第二预测单元：
所述预处理单元，将各髋关节MRI图像按照尺寸及像素强度进行标准化处理，并将各髋关节MRI图像的平均像素强度及其标准差进行归一化处理，得到图像像素数组；
所述第二模型单元，存储有神经网络模型，基于图像像素数组，得到股骨头坏死预测结果；
所述第二预测单元，基于股骨头坏死预测结果，输出AI预测因子至所述第一模型单元的Nomogram模型中。
9.根据权利要求8所述的风险预警系统，其特征在于，所述神经网络模型的构建方法包括：
步骤b1、调取图像存档及通讯系统中股骨头坏死的高危人群及确诊人群的髋关节MRI图像；将所述髋关节MRI图像预处理为图像像素数组，并将诊断结果作为相应的标签；将所述图像像素数组随机分配至训练集、测试集及验证集；通过所述训练集训练所述神经网络模型；通过所述测试集测试所述神经网络模型；通过所述验证集验证所述神经网络模型；
步骤b2、通过受试者工作特征曲线及曲线下面积,评估神经网络模型预测结果的发生概率；
步骤b3、通过若干骨科医生对所述髋关节MRI图像进行主观预测；
步骤b4、通过重采样方法，对神经网络模型进行校准；
步骤b5、通过受试者工作特征曲线，比较神经网络模型预测及主观预测之间的差异：若所述差异小于等于第二预设阈值，则保留当前神经网络模型；若所述差异大于第二预设阈值，则迭代执行步骤b1。
10.一种糖皮质激素诱导股骨头坏死的风险预警装置，其特征在于，包括处理器、存储器及总线，所述存储器存储由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以实现如权利要求1~9中任一所述的风险预警系统，所述总线连接各功能部件用于传送信息。
CN202311588243.7A 2023-11-27 2023-11-27 一种糖皮质激素诱导股骨头坏死的风险预警系统及装置 Pending CN117524500A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311588243.7A CN117524500A (zh) 2023-11-27 2023-11-27 一种糖皮质激素诱导股骨头坏死的风险预警系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311588243.7A CN117524500A (zh) 2023-11-27 2023-11-27 一种糖皮质激素诱导股骨头坏死的风险预警系统及装置

Publications (1)

Publication Number Publication Date
CN117524500A true CN117524500A (zh) 2024-02-06

Family

ID=89745341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311588243.7A Pending CN117524500A (zh) 2023-11-27 2023-11-27 一种糖皮质激素诱导股骨头坏死的风险预警系统及装置

Country Status (1)

Country Link
CN (1) CN117524500A (zh)

Similar Documents

Publication Publication Date Title
Bhaskaranand et al. The value of automated diabetic retinopathy screening with the EyeArt system: a study of more than 100,000 consecutive encounters from people with diabetes
Park et al. Key principles of clinical validation, device approval, and insurance coverage decisions of artificial intelligence
Ambler et al. Simplifying a prognostic model: a simulation study based on clinical data
JP7170145B2 (ja) 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法
US11640852B2 (en) System for laboratory values automated analysis and risk notification in intensive care unit
WO2014175542A1 (ko) 생체 나이 예측 장치 및 방법
CN111862020A (zh) 一种眼前节生理年龄预测方法、装置、服务器及存储介质
CN110675942A (zh) 医学影像图像诊断分配方法、装置、终端及存储介质
CN114343585A (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
Nisha et al. A novel method to improve inter-clinician variation in the diagnosis of retinopathy of prematurity using machine learning
CN117524500A (zh) 一种糖皮质激素诱导股骨头坏死的风险预警系统及装置
CN116453645A (zh) 一种基于临床用药的反馈方法及系统
CN112233816A (zh) 健康监测方法、装置及计算机可读介质
CN116682565A (zh) 一种数字化医疗信息在线监测方法、终端及介质
CN112331283A (zh) 健康监测方法、装置及计算机可读介质
CN116936117A (zh) 基于ai分析模型的慢性病大数据识别和分析处理方法
US20230210441A1 (en) Brain image analysis apparatus, control method, and computer readable medium
CN115019924A (zh) 应用人工智能健康机器人的健康数据采集和分析方法
CN115602328B (zh) 急性白血病的预警方法及装置
JP2021068336A (ja) 受精卵の画像診断システム、受精卵の画像診断プログラム及び受精卵の画像診断用識別器の作成方法。
CN110706812A (zh) 医学指标时序预测方法、装置、介质及电子设备
Garcia-Rios et al. Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2
Liu et al. Preparing for the bedside—optimizing a postpartum depression risk prediction model for clinical implementation in a health system
RU2813480C1 (ru) Способ обработки изображений магнитно-резонансной томографии для формирования обучающих данных
CN117218096A (zh) 一种异常检测方法、装置、设备及存储介质

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