CN117672495B - 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 - Google Patents

基于人工智能的房颤合并冠心病患者远期死亡率预测方法 Download PDF

Info

Publication number
CN117672495B
CN117672495B CN202311632657.5A CN202311632657A CN117672495B CN 117672495 B CN117672495 B CN 117672495B CN 202311632657 A CN202311632657 A CN 202311632657A CN 117672495 B CN117672495 B CN 117672495B
Authority
CN
China
Prior art keywords
information
index
disease
variable
patient
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.)
Active
Application number
CN202311632657.5A
Other languages
English (en)
Other versions
CN117672495A (zh
Inventor
董敏
邹彤
汪芳
杨杰孚
史继筠
侯皓天
裴作为
陈浩
刘俊鹏
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.)
Beijing Hospital
Original Assignee
Beijing 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 Beijing Hospital filed Critical Beijing Hospital
Priority to CN202311632657.5A priority Critical patent/CN117672495B/zh
Publication of CN117672495A publication Critical patent/CN117672495A/zh
Application granted granted Critical
Publication of CN117672495B publication Critical patent/CN117672495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种基于人工智能的房颤合并冠心病患者远期死亡预测方法,包括:获取待预测患者的历史病历资料,从历史病历资料中筛选出与房颤合并冠心病相关的有效病历资料及患者基础信息;根据有效病历资料,结合患者基础信息,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,以及基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息;根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,采用预先构建的死亡率预测模型进行处理,获得至少一个周期的死亡率预测结果。上述方法实现了人工智能方式对房颤合并冠心病患者远期死亡的预测,准确率较高,避免了人工预测的不准确性。

Description

基于人工智能的房颤合并冠心病患者远期死亡率预测方法
技术领域
本发明涉及智能医疗预测技术,尤其涉及一种基于人工智能的房颤合并冠心病患者远期死亡率预测系统及方法。
背景技术
现有技术中提供一种房颤消融术后晚期复发风险预测的设备,其包括:获取接受房颤消融手术患者的心电数据;基于心电数据判断患者是否经历超早期复发,所述超早期复发是指患者术后7天内出现房颤;计算经历超早期复发患者的房颤负荷,所述房颤负荷是指房颤发作总时长占监测总时长的百分比;基于患者是否经历超早期复发、房颤负荷和分类阈值的关系输出晚期复发风险结果,所述晚期复发是指患者术后90天后出现房颤,当患者未经历超早期复发,输出晚期复发风险低的结果;当患者经历超早期复发且房颤负荷大于分类阈值,输出患者晚期复发风险高的结果;当患者经历超早期复发且房颤负荷小于或等于分类阈值,输出晚期复发风险低的结果。
上述依据的是心电数据,其数据筛选方式较单一,同时,监测心电数据跟操作人有很大的关系,为此,针对房颤合并冠心病患者,业内人士开始采用机器学习方法对房颤合并冠心病患者进行生存分析,去识别潜在危险因素。
为此,如何基于人工智能方式对房颤合并冠心病的远期死亡率进行预测成为本申请解决的技术问题。
发明内容
(一)要解决的技术问题
针对现有技术的不足,本发明实施例提供一种基于人工智能的房颤合并冠心病患者死亡率预测系统及方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种基于人工智能的房颤合并冠心病患者死亡率预测方法,包括:
S10、获取待预测患者的历史病历资料,从历史病历资料中筛选出与房颤合并冠心病相关的有效病历资料及患者基础信息;
S20、根据有效病历资料及患者基础信息,对所述有效病历资料的数据进行预处理,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,以及基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息;
S30、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,采用预先构建的死亡率预测模型进行处理,获得至少一个周期的死亡率预测结果;
所述死亡率预测模型是基于指定时间段内临床患者的真实病历信息预先训练的预测模型。
可选地,所述S10包括:
获取待预测患者历史病历资料中的住院信息、门诊信息、检测信息和药物使用记录信息;
从住院信息、门诊信息、检测信息和药物使用记录信息筛选与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息;将与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息作为有效病历资料;
从历史病历资料中识别患者基础信息;
所述患者基础信息包括:年龄、性别、从事职业。
可选地,所述S20包括:
从当前时间点的最近时间段的住院信息、门诊信息、检测信息和药物使用信息中确认下述每一变量的基线数据;
所有变量包括:D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、陈旧性心肌梗死病史变量、心功能分级变量、左室射血分数变量、静息心率变量、他汀治疗信息、钙离子拮抗剂治疗信息;
根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息。
可选地,所述S20中的根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,包括:
根据公式1.1,获取待预测患者的综合生理健康指数x生理指数
公式1.1:
x生理指数=-normal(xD-二聚体)+penalty(xD-二聚体)+normal(x白蛋白)
+penalty(x白蛋白)+normal(x血红蛋白)+penalty(x血红蛋白)
+normal(x肾滤过率)+penalty(x肾滤过率)
其中,xi表示第i项变量的基线数据,i表示待预测患者的D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量;
min(Xi)表示第i项变量的最小值,max(Xi)表示第i项变量的最大值;每一变量的最小值和最大值均为预先确定的数值;
|·|表示绝对值符号,penalty(xj)表示对xj的惩罚,xj表示第j项变量的基线数据,j表示待预测患者的D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、射血分数变量;right和left均为各变量的医学指标端点值。
可选地,所述S20还包括:
根据公式1.2,获取待预测患者的心功能指数x心功能指数
公式1.2:
x心功能指数=x心肌梗死+x心功能分级-0.01*x射血分数+penalty(x射血分数)
根据公式1.3,获取待预测患者的获益药信息x获益用药
公式1.3:
其中,x心功能指数表示心功能指数的综合得分,x心肌梗死表示陈旧性心肌梗死病史变量的特征取值,x心功能分级表示心功能分级变量的取值,x射血分数表示左室射血分数变量的取值;
x获益用药表示使用获益药物的综合得分,x他汀治疗表示他汀治疗信息,x钙离子剂表示钙离子拮抗剂治疗信息。
可选地,所述S20中的基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息,包括:
根据公式1.4,获取待预测患者的既往疾病事件信息x疾病指数
公式1.4:
根据历史病历资料的基线数据中不良心脑血管记录的次数,获取不良心脑血管事件信息;
其中,x疾病指数表示既往疾病指数的综合得分,x高血压表示高血压特征,x慢性肾脏病表示慢性肾脏病特征,x共病种类表示共病种类特征。
可选地,所述S30包括:
根据公式1.5,获取待预测患者至少一个周期的死亡率预测结果Score和Death_Rate;
公式1.5:
Death_Rate=normal(e-α·Score)
其中,
ω生理指数、ω心功能指数、ω年龄、ω疾病指数、ω获益用药、ω静息心率、ω不良事件均为已知数;normal表示对Death_Rate进行正则化,α为正则化参数。
可选地,所述S10之前,所述方法还包括:构建所述死亡率预测模型并训练所述死亡率预测模型;
所述构建所述死亡率预测模型,包括:
A1、基于指定时间段内多个临床患者的真实病历信息,对每一临床患者所有的真实病历信息进行筛选,获取有效病历信息和患者基础信息;
A2、对每一临床患者的有效病历信息进行预处理,生成各临床患者的综合生理健康指数、心功能指数、疾病指数和获益药信息,以及不良心脑血管事件信息和既往疾病事件信息;
A3、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,训练死亡率预测模型,获得该死亡率预测模型的权重参数,获得已知权重参数的死亡率预测模型。
可选地,死亡率预测模型为:Death_Rate=normal(e-α·Score)
其中,
X心功能指数=X心肌梗死+X心功能分级-0.01*X射血分数
+penalty(X射血分数)
X生理指数=-normal(XD-二聚体)+penalty(XD-二聚体)+
normal(X白蛋白)+penalty(X白蛋白)+normal(X血红蛋白)+
penalty(X血红蛋白)+normal(X肾滤过率)+penalty(X肾滤过率);
其中,
normal(Xi)表示对特征Xi的归一化结果,Xi根据i的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率这四个特征中的一个;min(Xi)表示该特征的最小值,max(Xi)表示该特征的最大值;
|·|表示绝对值符号,penalty(Xj)表示对特征Xj的惩罚,Xj根据j的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率,X射血分数这五个特征中的一个;right和left表示归一化后的医学指标端点值;
其中,X心功能指数表示心功能指数的综合得分,X心肌梗死表示陈旧性心肌梗死病变量的特征取值,X心功能分级表示心功能分级变量的取值,X射血分数表示左室射血分数变量的取值;X疾病指数表示既往疾病指数的综合得分,X高血压表示高血压特征,X慢性肾脏病表示慢性肾脏病特征,X共病种类表示共病种类特征;X获益用药表示使用获益药物的综合得分,X他汀治疗表示他汀治疗的反馈特征取值,X钙离子剂表示钙离子拮抗剂治疗的反馈特征取值。
第二方面,本发明实施例还提供一种基于人工智能的房颤合并冠心病患者死亡率预测系统,包括:
存储器和处理器,所述存储器中存储计算机程序,所述处理器执行所述计算机程序时执行上述第一方面任一所述的一种基于人工智能的房颤合并冠心病患者死亡率预测方法。
(三)有益效果
本发明的方法通过获取有效的病历资料进行数据处理,进而能够自动化准确预测房颤合并冠心病患者的死亡率,方便医院的医生操作,同时便于患者查看,给各个操作者提供数据依据和准确的预测结果。本发明中各个模型的计算均是经过真实数据验证,较高的提高了患者的使用体验,且保证了数据的准确性。
附图说明
图1为本发明一实施例提供的基于人工智能的房颤合并冠心病患者死亡率预测方法的流程示意图;
图2为死亡率预测模型中使用的变量的相关性测试示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本实施例中的肾小球滤过率和肾过滤率表示的是一个含义,在部分实施例中采用的是肾过滤率,部分实施例中擦用的是肾小球滤过率。
实施例一
如图1所示,图1示出了本发明一实施例提供的一种基于人工智能的房颤合并冠心病患者死亡率预测方法的流程示意图,本发明的方法的执行主体为计算机设备,本实施例的方法可包括下述的步骤:
S10、获取待预测房颤合并冠心病患者的历史病历资料,从历史病历资料中筛选出与房颤合并冠心病相关的有效病历资料及患者基础信息。
本实施例中可以直接获取待预测患者的基线数据,进而在计算机设备展示的操作界面中输入基线数据,使得该计算机设备直接获取基线数据。此方式便于医护人员基于熟悉的方式确定基线数据进而在合适的参数变量中输入。
若是待预测患者不熟悉操作界面的变量时,可输入患者标识,进而计算机设备可以基于患者的历史病历资料获取对应患者的基线数据。
举例来说,可获取待分析患者历史病历资料中的住院信息、门诊信息、检测信息和药物使用记录信息;从住院信息、门诊信息、检测信息和药物使用记录信息筛选与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息;将与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息作为有效病历资料(通常取该时间段内可获取的第一次检查资料和用药信息作为基线数据);此外,可从历史病历资料中识别患者基础信息。本实施例中,患者基础信息可包括:年龄、性别、从事职业。
以确诊房颤合并冠心病之日作为起始时间点,以该名患者随访结束作为结束时间点,将起始时间点至结束时间点的这段时间作为房颤合并冠心病相关的有效时间段。
S20、根据有效病历资料及患者基础信息,对所述有效病历资料的数据进行预处理,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,以及基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息。
可理解的是,从所述最近时间段的住院信息、门诊信息、检测信息和药物使用信息中确认下述每一变量的基线数据;
根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息。
这里的基线数据可理解为经由医院医生确诊该名患者为房颤合并冠心病后所采集的第一次检查资料、用药信息及基础信息等数据。
本实施例中使用的所有变量可包括:D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、陈旧性心肌梗死病变量、心功能分级变量、左室射血分数变量、静息心率变量、他汀治疗信息、钙离子拮抗剂治疗信息。
在其他实施例中,还可使用多于上述变量的其他变量,经试验验证,其他变量对预测结果无影响或者影响很小,为此,本实施例中使用上述的变量进行处理,可不考虑其他变量。
S30、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,采用预先构建的死亡率预测模型进行处理,获得至少一个周期的死亡率预测结果。
举例来说,可以预测五年的死亡率预测结果,七年的死亡率预测结果或者十年的死亡率预测结果,设计界面可显示死亡率预测结果。例如设计一种医护人员基于基线数据输入相关变量,得到的死亡率预测结果。也就是说,本实施例中的一个周期可为五年或七年、十年等。
本实施例中的死亡率预测模型是基于指定时间段内临床患者的真实病历信息预先训练的预测模型。
为更好的上述步骤S20和步骤S30的操作过程,下面对上述步骤进行说明:
S20中的根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,可包括:
根据公式1.1,获取待预测患者的综合生理健康指数x生理指数
公式1.1:
x生理指数=-normal(xD-二聚体)+penalty(xD-二聚体)+normal(x白蛋白)
+penalty(x白蛋白)+normal(x血红蛋白)+penalty(x血红蛋白)
+normal(x肾滤过率)+penalty(x肾滤过率)
其中,xi表示第i项变量的基线值,i表示待预测房颤合并冠心病患者的变量信息,如D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量;
min(Xi)表示第i项变量的最小值,max(Xi)表示第i项变量的最大值;每一变量的最小值和最大值均为预先确定的数值。
本实施中,X表示包括训练阶段所有样本x的高维度向量,i表示第i项变量,如D-二聚体变量、白蛋白变量、血红蛋白变量或估测肾小球滤过率变量。本实施例中,min(Xi)表示训练阶段第i项变量所有样本中样本值的最小值,max(Xi)表示训练阶段第i项变量所有样本中样本值的最大值。基于训练阶段每一项变量的所有样本,可获取每一项变量的最大值和最小值。例如,i为D-二聚体变量,max(Xi)为6575,min(Xi)为8;i为白蛋白变量,max(Xi)为47,min(Xi)为22;i为血红蛋白变量,max(Xi)为178,min(Xi)为59;i为估测肾小球滤过率变量,max(Xi)为121,min(Xi)为6。本实施例中暂不考虑各项变量的单位。
在其他实施例中,每一项变量的最大值和最小值可以是预先根据医学指标/医学经验确定的。
|·|表示绝对值符号,penalty(xj)表示对xj的惩罚,xj表示第j项变量的基线值,j表示待预测房颤合并冠心病患者的变量信息,如D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、射血分数变量;right和left均为各变量的医学指标端点值。例如,right表示归一化后的正常范围的右端点,left表示归一化后的正常范围的左端点。
进一步地,根据公式1.2,获取待预测患者的心功能指数x心功能指数
公式1.2:
x心功能指数=x心肌梗死+x心功能分级-0.01*x射血分数+penalty(x射血分数)
根据公式1.3,获取待预测患者的获益药信息x获益用药
公式1.3:
其中,x心功能指数表示心功能指数的综合得分,x心肌梗死表示陈旧性心肌梗死病变量的特征取值,x心功能分级表示心功能分级变量的取值,x射血分数表示左室射血分数变量的取值;
x获益用药表示使用获益药物变量,x他汀治疗表示他汀治疗信息,x钙离子剂表示钙离子拮抗剂信息。
根据公式1.4,获取待预测患者的既往疾病事件信息x疾病指数
公式1.4:
根据历史病历资料的基线数据中不良心脑血管记录的次数,获取不良心脑血管事件信息;
其中,x疾病指数表示既往疾病指数特征,x高血压表示高血压特征,x慢性肾脏病表示慢性肾脏病特征,x共病种类表示共病种类特征。
根据公式1.5,获取待预测的房颤合并冠心病患者至少一个周期的死亡率预测结果Score和Death_Rate;
公式1.5:
Death_Rate=normal(e-α·Score)
其中,
ω生理指数、ω心功能指数、ω年龄、ω疾病指数、ω获益用药、ω静息心率、ω不良事件均为已知数;normal表示对Death_Rate进行正则化,α为正则化参数。
本实施例的方法可通过获取有效的病历资料进行数据处理,进而能够自动化准确预测房颤合并冠心病患者的死亡率,其经过真实数据验证,较高地提高了患者的使用体验,且保证了数据的准确性。
实施例二
在实际应用中,基于上述实施例一所述的方法是具体对患者的应用过程,而在实际应用之前即步骤S10之前,可预先构建所述死亡率预测模型并训练所述死亡率预测模型。
本实施例中构建所述死亡率预测模型,包括:
A1、基于指定时间段内多个临床患者的真实病历信息,对每一临床患者所有的真实病历信息进行筛选,获取有效病历信息和患者基础信息;
A2、对每一临床患者的有效病历信息进行预处理,生成各临床患者的综合生理健康指数、心功能指数、疾病指数和获益药信息,以及不良心脑血管事件信息和既往疾病事件信息;
A3、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,训练死亡率预测模型,获得该死亡率预测模型的权重参数,获得已知权重参数的死亡率预测模型。
本实施例中,死亡率预测模型为:
Death_Rate=normal(e-α·Score)
其中,
X心功能指数=X心肌梗死+X心功能分级-0.01*X射血分数
+penalty(X射血分数)
X生理指数=-normal(XD-二聚体)+penalty(XD-二聚体)+
normal(X白蛋白)+penalty(X白蛋白)+normal(X血红蛋白)+
penalty(X血红蛋白)+normal(X肾滤过率)+penalty(X肾滤过率);
其中,
normal(Xi)表示对特征Xi的归一化结果,Xi根据i的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率这四个特征中的一个。min(Xi)表示第i项特征(对应上述的变量)的最小值,max(Xi)表示第i项特征(对应上述的变量)的最大值;
|·|表示绝对值符号,penalty(Xj)表示对特征Xj的惩罚,Xj根据j的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率,X射血分数这五个特征中的一个;right和left表示归一化后的医学指标端点值;
其中,X心功能指数表示心功能指数的综合得分,X心肌梗死表示陈旧性心肌梗死病变量的特征取值,X心功能分级表示心功能分级变量的取值,X射血分数表示左室射血分数变量的取值;X疾病指数表示既往疾病指数的综合得分,X高血压表示高血压特征,X慢性肾脏病表示慢性肾脏病特征,X共病种类表示共病种类特征;X获益用药表示使用获益药物的综合得分,X他汀治疗表示他汀治疗特征取值,X钙离子剂表示钙离子拮抗剂治疗特征取值。
为更好的理解上述训练的过程,下面对构建和训练的过程进行进一步详细的说明。本实施例的死亡率预测模型的训练过程可说明如下:
本实施例中训练死亡率预测模型,选择关键特征,本实施例中选择16个关键特征,在实际处理中利用特征工程的方式生成衍生变量,然后捕获各个衍生变量的非线性关系,生成最终的死亡率预测模型。
举例来说,特征筛选是数据预处理相当重要的步骤,筛选出特征的好坏决定了模型性能的上限。然而,只使用特征工程中的一种筛选方法往往具有局限性,它只能考虑单一指标,缺乏说服力。本实施例提出了一种综合筛选方法,通过加权求和的方式得到了特征的综合得分。鉴于Lasso回归可以处理特征间的关联性,利用决策树特征重要性分数可以捕捉非线性关系,而互信息则度量特征与目标之间的互相关联,保证了互补性与一致性信息,如公式1.6所示。
公式1.6:
其中,·表示乘法,scoretotle(i)是第i个特征的总分;scorelasso(i)是lasso回归方法第i的特征的得分;scoredt(i)是基于决策树特征重要性方法的第i个特征得分;scoremi(i)是互信息方法第i个特征的得分。ωlasso,ωdt,ωmi,ωmixed分别是lasso回归权重,决策树特征重要性权重,互信息权重以及混合权重,经过试验,四个权重的值分别为0.3,0.25,0.25,0.2。公式1.6中第四项是Lasso得分和随机森林得分之间的交互项,被互信息得分调节。当互信息得分接近0时,这个交互项会更有影响。通过公式1.6计算特征得分,对特征得分降序排列,筛选出得分最高的前16个特征,用于后续的模型训练,这16个特征如表1中文变量。
表1:
注:正相关:死亡率随着取值的增大而增高;负相关:死亡率随着取值的减少而增高。
如图2所示,其解释正相关、负相关的信息,在同一个坐标轴下,对这六个变量作了归一化;之后用逻辑回归算法,归一化特征值作横轴,死亡率作纵轴,得到了六条图线,图2中图线趋势向上的就表示该变量的值与死亡率是正相关的,取值越大,死亡率越高;图2中图线趋势向下的就表示该变量的值与死亡率是负相关的,取值越大,死亡率越低。
在生成死亡率预测模型之后,需要对死亡率预测模型的参数进行训练,获得各参数的信息,下面对参数训练过程进行说明。
综合生理健康指数
鉴于D-二聚体,白蛋白,血红蛋白,估测肾小球滤过率这四个特征与综合生理健康程度有关,考虑把这四个特征通过特征工程的方式整合到一起,形成一个解释性更好的衍生变量,即综合生理健康程度,整合过程需要进行归一化和惩罚两个处理。具体地,归一化和惩罚可以由如下公式2.2和公式2.3来定义。
需要注意的是D-二聚体的值越高,患者的情况可能越严重,而其余三个指标是越高,患者的情况可能更轻微,所以特征合并时,应对D-二聚体这一特征取负值,保证综合生理健康程度越高,患者情况越乐观,具体可见公式(2.4)。
归一化:所有样本的D-二聚体,白蛋白,血红蛋白,估测肾小球滤过率的特征分别用XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率表示,都是维度为样本总数(大于等于318的样本数)的向量。
上述四个特征的归一化公式如公式2.2所示。
公式2.2:
normal(Xi)表示对特征Xi的归一化结果,Xi根据i的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率这四个特征中的一个。min(Xi)表示该特征的最小值,max(Xi)表示该特征的最大值;通过计算,四个特征的取值都归一化到了0到1区间,解决了数量级不匹配问题。
惩罚:由于这四个指标来源于不同患者的检测数值,可能落在正常范围内,也可能不在正常范围内。在不正常范围内的数值,应该能体现患者的异常情况,为此,对处在异常范围内的特征值作了惩罚,即减掉综合生理健康程度一定的值。特征Xi的惩罚公式如公式2.3所示,需要注意的是,由于特征已经被归一化了,所以正常范围也应该被归一化,且正常范围归一化应该在特征归一化之前。
公式2.3:
其中,|·|表示绝对值符号,penalty(Xi)表示对特征Xi的惩罚,right表示归一化后的正常范围的右端点,left表示归一化后的正常范围的左端点,正常范围即参照实际医学实验指标。本实施例中把经过归一化的特征加上惩罚,得到综合生理健康程度,见公式2.4。
公式2.4:
X生理指数=-normal(XD-二聚体)+penalty(XD-二聚体)+normal(X白蛋白)
+penalty(X白蛋白)+normal(X血红蛋白)+penalty(X血红蛋白)
+normal(X肾滤过率)+penalty(X肾滤过率)
心功能综合评估指数
鉴于陈旧性心肌梗死病,心功能分级,左室射血分数这三个特征与心功能综合健康程度有关,考虑把这三个特征通过特征工程的方式整合到一起,形成一个解释性更好的衍生变量,即心功能综合评估指数。由于陈旧性心肌梗死病,心功能分级这两个特征是离散的,且左室射血分数虽然是连续的,但本身就处于0到100的区间,因此不需要归一化,只需要缩小100倍。整合过程只需要对左室射血分数加惩罚,惩罚公式参考公式(2.3)。具体地,心功能综合健康程度可以由如下公式2.5来定义。
需要注意的是,陈旧性心肌梗死病特征取0表示否,1表示是,也就是该特征值越大,病人的情况可能越严重;心功能分级也是值越大,表示患者情况可能越严重;左室射血分数则是值越大,表示患者情况越乐观。因此,把左室射血分数取负值,保证心功能综合健康程度越低,患者情况越乐观,在总公式时用减法。
公式2.5
X心功能指数=X心肌梗死+X心功能分级-0.01*X射血分数+penalty(X射血分数)
其中,X心功能指数表示心功能指数的综合得分,X心肌梗死表示陈旧性心肌梗死病特征,X心功能分级表示心功能分级特征,X射血分数表示左室射血分数特征。
1.既往疾病指数
鉴于高血压,慢性肾脏病,肿瘤病史,共病种类这四个特征都描述了患者的既往病史,考虑把这四个特征通过特征工程的方式整合到一起,形成一个解释性更好的衍生变量,即既往疾病指数。由于这四个特征都是离散的,因此不需要归一化。整合过程只需要加权求和即可。具体地,既往疾病指数可以由如下公式2.6来定义。需要注意的是,这四个特征都是越大,说明患者的预计死亡率越高,因此都使用的是加法,保证疾病指数特征值越大,患者预计生存期越短,在总公式时用减法。
公式2.6:
其中,X疾病指数表示既往疾病指数的综合得分,X高血压表示高血压特征,X慢性肾脏病表示慢性肾脏病特征,X共病种类表示共病种类特征。
使用获益药物
鉴于他汀治疗,钙离子拮抗剂这两个特征与使用获益药物相关,考虑把这两个特征通过特征工程的方式整合到一起,形成一个解释性更好的衍生变量,即使用获益药物。由于这两个特征是离散的,因此不需要归一化。整合过程只需要对他汀治疗,钙离子拮抗剂加权求和。具体地,使用获益药物可以由如下公式2.7来定义。需要注意的是,这两个特征都是越高说明患者情况越乐观,因此都做加法。
公式2.7:
其中,X获益用药表示使用获益药物的综合的人,X他汀治疗表示他汀治疗特征,X钙离子剂表示钙离子拮抗剂治疗特征。
本实施例中用综合生理健康程度,心功能综合健康程度,年龄,主要不良心脑血管事件,静息心率,既往疾病指数,使用获益药物这七个特征训练模型,同时,通过决策树特征重要性得分得到了七个特征的重要性权重并排序输出。重要性权重被归一化到0到1之间,它反映了该特征在生存期预测任务上的重要程度,权重越高,说明该特征越重要,这七个特征的重要性权重按从大到小列举如下。ω生理指数=0.3533,ω心功能指数=0.2292,ω年龄=0.1812,ω疾病指数=0.1661,ω获益用药=0.1358,ω静息心率=0.1258,ω不良事件=0.1065。
接着,本实施例中构建一个复杂的评分系统,此评分系统会为患者的健康状况提供一个评分,其中分数越高表示病人越安全。该系统的合理性在于使用随机森林的特征重要性作为权重,确保了重要的特征在评分中占有更大的权重;并且对某些特征使用非线性变换,可以更好地描述特征与输出之间的关系;同时通过自然常数的次幂保证分数的取值为正数且得到更大的分数数据范围。
需要注意的是,为了保证Score越大,病人越安全,需要把心功能综合评估指数,年龄,主要不良心脑血管事件这三个负相关的特征前加负号,该公式能反映分数和病人健康程度的正相关性。具体的,评分系统公式如公式2.8所示,其中,·表示乘法。Score越大,患者的预期生存期就越长,死亡率就越低。
公式2.8:
Score与死亡率是一个负相关的关系,但一定不是严格负比例函数;通过试验,给出死亡率的近似计算公式,如公式2.9所示。
公式2.9:
Death_Rate=normal(e-α·Score)
其中,·表示乘法,normal表示对Death_Rate按照式(2.2)进行正则化,保证死亡率在0到1之间且数据范围更大;Score是式(2.8)计算的得分;α是一个需要根据数据调整的正数参数,用于控制Score和死亡率之间的转换关系的陡峭程度。当Score增加时,Risk_Score会减少,但它们之间的关系会受到α的影响,可以通过调整这个参数来使模型更加敏感或麻木,经过迭代α的取值做试验,结果表示,α取2.1时效果较好。
实施例三
本发明实施例还提供一种基于人工智能的房颤合并冠心病患者死亡率预测系统,所述预测系统包括:存储器和处理器,所述存储器中存储指令,所述处理器执行所述存储器中存储的指令,并具体执行上述任意实施例所述的预测方法的步骤。
具体地,S10、获取待预测患者的历史病历资料,从历史病历资料中筛选出与房颤合并冠心病相关的有效病历资料及患者基础信息;
例如,获取待预测患者历史病历资料中的住院信息、门诊信息、检测信息和药物使用记录信息;从住院信息、门诊信息、检测信息和药物使用记录信息筛选与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息;将与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息作为有效病历资料;从历史病历资料中识别患者基础信息;所述患者基础信息包括:年龄、性别、从事职业。
S20、根据有效病历资料及患者基础信息,对所述有效病历资料的数据进行预处理,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,以及基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息;
S30、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,采用预先构建的死亡率预测模型进行处理,获得至少一个周期的死亡率预测结果;
所述死亡率预测模型是基于指定时间段内临床患者的真实病历信息预先训练的预测模型。
本实施例中,步骤S20包括:
从当前时间点的最近时间段的住院信息、门诊信息、检测信息和药物使用信息中确认下述每一变量的基线数据;
所有变量包括:D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、陈旧性心肌梗死病史变量、心功能分级变量、左室射血分数变量、静息心率变量、他汀治疗信息、钙离子拮抗剂治疗信息;
根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息。
另外,所述S20中的根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,包括:
根据公式1.1,获取待预测患者的综合生理健康指数x生理指数
公式1.1:
x生理指数=-normal(xD-二聚体)+penalty(xD-二聚体)+normal(x白蛋白)
+penalty(x白蛋白)+normal(x血红蛋白)+penalty(x血红蛋白)
+normal(x肾滤过率)+penalty(x肾滤过率)
其中,xi表示第i项变量的基线数据,i表示待预测患者的D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量;
min(Xi)表示第i项变量的最小值,max(Xi)表示第i项变量的最大值;每一变量的最小值和最大值均为预先确定的数值;
|·|表示绝对值符号,penalty(xj)表示对xj的惩罚,xj表示第j项变量的基线数据,j表示待预测患者的D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、射血分数变量;right和left均为各变量的医学指标端点值。
进一步地,所述S20还包括:
根据公式1.2,获取待预测患者的心功能指数x心功能指数
公式1.2:
x心功能指数=x心肌梗死+x心功能分级-0.01*x射血分数+penalty(x射血分数)
根据公式1.3,获取待预测患者的获益药信息x获益用药
公式1.3:
其中,x心功能指数表示心功能指数的综合得分,x心肌梗死表示陈旧性心肌梗死病史变量的特征取值,x心功能分级表示心功能分级变量的取值,x射血分数表示左室射血分数变量的取值;
x获益用药表示使用获益药物的综合得分,x他汀治疗表示他汀治疗信息,x钙离子剂表示钙离子拮抗剂治疗信息。
此外,所述S20中的基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息,包括:
根据公式1.4,获取待预测患者的既往疾病事件信息x疾病指数
公式1.4:
根据历史病历资料的基线数据中不良心脑血管记录的次数,获取不良心脑血管事件信息;
其中,x疾病指数表示既往疾病指数的综合得分,x高血压表示高血压特征,x慢性肾脏病表示慢性肾脏病特征,x共病种类表示共病种类特征。
另外,前述步骤S30包括:
根据公式1.5,获取待预测患者至少一个周期的死亡率预测结果Score和Death_Rate;
公式1.5:
Death_Rate=normal(e-α·Score)
其中,
ω生理指数、ω心功能指数、ω年龄、ω疾病指数、ω获益用药、ω静息心率、ω不良事件均为已知数;normal表示对Death_Rate进行正则化,α为正则化参数。
在具体实现过程中,所述S10之前,所述方法还包括:构建所述死亡率预测模型并训练所述死亡率预测模型;
所述构建所述死亡率预测模型,包括:
A1、基于指定时间段内多个临床患者的真实病历信息,对每一临床患者所有的真实病历信息进行筛选,获取有效病历信息和患者基础信息;
A2、对每一临床患者的有效病历信息进行预处理,生成各临床患者的综合生理健康指数、心功能指数、疾病指数和获益药信息,以及不良心脑血管事件信息和既往疾病事件信息;
A3、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,训练死亡率预测模型,获得该死亡率预测模型的权重参数,获得已知权重参数的死亡率预测模型。
死亡率预测模型为:Death_Rate=normal(e-α·Score)
其中,
X心功能指数=X心肌梗死+X心功能分级-0.01*X射血分数
+penalty(X射血分数)
X生理指数=-normal(XD-二聚体)+penalty(XD-二聚体)+
normal(X白蛋白)+penalty(X白蛋白)+normal(X血红蛋白)+
penalty(X血红蛋白)+normal(X肾滤过率)+penalty(X肾滤过率);
其中,
normal(Xi)表示对特征Xi的归一化结果,Xi根据i的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率这四个特征中的一个;min(Xi)表示该特征的最小值,max(Xi)表示该特征的最大值;
|·|表示绝对值符号,penalty(Xj)表示对特征Xj的惩罚,Xj根据j的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率,X射血分数这五个特征中的一个;right和left表示归一化后的医学指标端点值;
其中,X心功能指数表示心功能指数的综合得分,X心肌梗死表示陈旧性心肌梗死病变量的特征取值,X心功能分级表示心功能分级变量的取值,X射血分数表示左室射血分数变量的取值;X疾病指数表示既往疾病指数的综合得分,X高血压表示高血压特征,X慢性肾脏病表示慢性肾脏病特征,X共病种类表示共病种类特征;X获益用药表示使用获益药物的综合得分,X他汀治疗表示他汀治疗的反馈特征取值,X钙离子剂表示钙离子拮抗剂治疗的反馈特征取值。
本实施例的系统通过获取有效的病历资料进行数据处理,进而能够自动化准确预测房颤合并冠心病患者的死亡率,方便医院的医生操作,同时便于患者查看,给各个操作者提供数据依据和准确的预测结果。本发明中各个模型的计算均是经过真实数据验证,较高的提高了患者的使用体验,且保证了数据的准确性。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。

Claims (5)

1.一种基于人工智能的房颤合并冠心病患者远期死亡率预测方法,其特征在于,包括:
S10、获取待预测患者的历史病历资料,从历史病历资料中筛选出与房颤合并冠心病相关的有效病历资料及患者基础信息;
S20、根据有效病历资料及患者基础信息,对所述有效病历资料的数据进行预处理,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,以及基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息;
S30、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,采用预先构建的死亡率预测模型进行处理,获得至少一个周期的死亡率预测结果;
所述死亡率预测模型是基于指定时间段内临床患者的真实病历信息预先训练的预测模型;
所述S20包括:
从当前时间点的最近时间段的住院信息、门诊信息、检测信息和药物使用信息中确认下述每一变量的基线数据;
所有变量包括:D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、陈旧性心肌梗死病史变量、心功能分级变量、左室射血分数变量、静息心率变量、他汀治疗信息、钙离子拮抗剂治疗信息;
根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息;
所述的根据每一变量的基线数据,生成综合生理健康指数、心功能指数、疾病指数和获益药信息,包括:
根据公式1.1,获取待预测患者的综合生理健康指数x生理指数;
公式1.1:
x生理指数=-normal(xD-二聚体)+penalty(xD-二聚体)+normal(x白蛋白)+penalty(x白蛋白)+normal(x血红蛋白)+penalty(x血红蛋白)+normal(x肾滤过率)+penalty(x肾滤过率)
其中,xi表示第i项变量的基线数据,i表示待预测患者的D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量;
min(Xi)表示第i项变量的最小值,max(Xi)表示第i项变量的最大值;每一变量的最小值和最大值均为预先确定的数值;
|·|表示绝对值符号,penalty(xj)表示对xj的惩罚,xj表示第j项变量的基线数据,j表示待预测患者的D-二聚体变量、白蛋白变量、血红蛋白变量、估测肾小球滤过率变量、射血分数变量;right和left均为各变量的医学指标端点值;
所述S20还包括:
根据公式1.2,获取待预测患者的心功能指数x心功能指数
公式1.2:
x心功能指数=x心肌梗死+x心功能分级-0.01*x射血分数+penalty(x射血分数)
根据公式1.3,获取待预测患者的获益药信息x获益用药
其中,x心功能指数表示心功能指数的综合得分,x心肌梗死表示陈旧性心肌梗死病史变量的特征取值,x心功能分级表示心功能分级变量的取值,x射血分数表示左室射血分数变量的取值;
x获益用药表示使用获益药物的综合得分,x他汀治疗表示他汀治疗信息,x钙离子剂表示钙离子拮抗剂治疗信息;
所述S20中的基于历史病历资料,获取不良心脑血管事件信息和既往疾病事件信息,包括:
根据公式1.4,获取待预测患者的既往疾病事件信息x疾病指数
公式1.4:
根据历史病历资料的基线数据中不良心脑血管记录的次数,获取不良心脑血管事件信息;
其中,x疾病指数表示既往疾病指数的综合得分,x高血压表示高血压特征,x慢性肾脏病表示慢性肾脏病特征,x肿瘤病史表示肿瘤病史特征,x共病种类表示共病种类特征;
所述S30包括:
根据公式1.5,获取待预测患者至少一个周期的死亡率预测结果Score和Death_Rate;
公式1.5:
Death_Rate=normal(e-α·Score)
其中,ω生理指数、ω心功能指数、ω年龄、ω疾病指数、ω获益用药、ω静息心率、ω不良事件均为已知数;normal表示对Death_Rate进行正则化,α为正则化参数。
2.根据权利要求1所述的方法,其特征在于,所述S10包括:
获取待预测患者历史病历资料中的住院信息、门诊信息、检测信息和药物使用记录信息;
从住院信息、门诊信息、检测信息和药物使用记录信息筛选与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息;将与房颤合并冠心病相关的有效时间段的住院信息、门诊信息、检测信息和药物使用记录信息作为有效病历资料;
从历史病历资料中识别患者基础信息;
所述患者基础信息包括:年龄、性别、从事职业。
3.根据权利要求1所述的方法,其特征在于,所述S10之前,所述方法还包括:构建所述死亡率预测模型并训练所述死亡率预测模型;
所述构建所述死亡率预测模型,包括:
A1、基于指定时间段内多个临床患者的真实病历信息,对每一临床患者所有的真实病历信息进行筛选,获取有效病历信息和患者基础信息;
A2、对每一临床患者的有效病历信息进行预处理,生成各临床患者的综合生理健康指数、心功能指数、疾病指数和获益药信息,以及不良心脑血管事件信息和既往疾病事件信息;
A3、根据综合生理健康指数、心功能指数、疾病指数、获益药信息、不良心脑血管事件信息和既往疾病事件信息,训练死亡率预测模型,获得该死亡率预测模型的权重参数,获得已知权重参数的死亡率预测模型。
4.根据权利要求3所述的方法,其特征在于,
死亡率预测模型为:Death_Rate=normal(e-α·Score)
其中,
X心功能指数=X心肌梗死+X心功能分级-0.01*X射血分数+penalty(X射血分数)
X生理指数=-normal(XD-二聚体)+penalty(XD-二聚体)+normal(X白蛋白)+penalty(X白蛋白)+normal(X血红蛋白)+penalty(X血红蛋白)+normal(X肾滤过率)+penalty(X肾滤过率);
其中,
normal(Xi)表示对特征Xi的归一化结果,Xi根据i的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率这四个特征中的一个;min(Xi)表示该特征的最小值,max(Xi)表示该特征的最大值;
|·|表示绝对值符号,penalty(Xj)表示对特征Xj的惩罚,Xj根据j的取值不同,表示XD-二聚体,X白蛋白,X血红蛋白,X肾滤过率,X射血分数这五个特征中的一个;right和left表示归一化后的医学指标端点值;
其中,X心功能指数表示心功能指数的综合得分,X心肌梗死表示陈旧性心肌梗死病变量的特征取值,X心功能分级表示心功能分级变量的取值,X射血分数表示左室射血分数变量的取值;X疾病指数表示既往疾病指数的综合得分,X高血压表示高血压特征,X慢性肾脏病表示慢性肾脏病特征,X共病种类表示共病种类特征;X获益用药表示使用获益药物的综合得分,X他汀治疗表示他汀治疗的反馈特征取值,X钙离子剂表示钙离子拮抗剂治疗的反馈特征取值。
5.一种基于人工智能的房颤合并冠心病患者死亡率预测系统,其特征在于,包括:
存储器和处理器,所述存储器中存储计算机程序,所述处理器执行所述计算机程序时执行上述权利要求1至4任一所述的一种基于人工智能的房颤合并冠心病患者死亡率预测方法。
CN202311632657.5A 2023-11-30 2023-11-30 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 Active CN117672495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311632657.5A CN117672495B (zh) 2023-11-30 2023-11-30 基于人工智能的房颤合并冠心病患者远期死亡率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311632657.5A CN117672495B (zh) 2023-11-30 2023-11-30 基于人工智能的房颤合并冠心病患者远期死亡率预测方法

Publications (2)

Publication Number Publication Date
CN117672495A CN117672495A (zh) 2024-03-08
CN117672495B true CN117672495B (zh) 2024-05-14

Family

ID=90076362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311632657.5A Active CN117672495B (zh) 2023-11-30 2023-11-30 基于人工智能的房颤合并冠心病患者远期死亡率预测方法

Country Status (1)

Country Link
CN (1) CN117672495B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013189822A1 (en) * 2012-06-21 2013-12-27 Luric Datenbank Gbr Methods for determining the risk of mortality in patients with cardiovascular disease
CN110289096A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于深度学习的icu院内死亡率预测方法
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
RU2734993C1 (ru) * 2019-09-11 2020-10-27 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний" (НИИ КПССЗ) Способ оценки риска госпитальной летальности у больных с острым коронарным синдромом после чрескожного коронарного вмешательства
CN112270994A (zh) * 2020-10-14 2021-01-26 中国医学科学院阜外医院 一种风险预测模型的构建方法、设备、终端及存储介质
CN113128654A (zh) * 2021-05-06 2021-07-16 中山大学 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN113205880A (zh) * 2021-04-30 2021-08-03 广东省人民医院 基于LogitBoost的心脏疾病预后预测方法及装置
CN113921135A (zh) * 2021-09-06 2022-01-11 首都医科大学附属北京安贞医院 一种适用于急性主动脉夹层手术死亡风险评估的系统
CN115862793A (zh) * 2023-02-27 2023-03-28 北京康博众联电子科技有限公司 心血管医疗数据分析的装置和方法、计算机存储介质
CN116230222A (zh) * 2022-12-12 2023-06-06 华东医院 对冠心病住院患者死亡概率预测的方法
CN116403714A (zh) * 2023-04-07 2023-07-07 大连市中心医院 脑卒中end风险预测模型建立方法、装置、end风险预测系统、电子设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011000874A1 (en) * 2009-07-01 2011-01-06 INSERM (Institut National de la Santé et de la Recherche Médicale) Methods for predicting cardiovascular mortality risk

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013189822A1 (en) * 2012-06-21 2013-12-27 Luric Datenbank Gbr Methods for determining the risk of mortality in patients with cardiovascular disease
CN110289096A (zh) * 2019-06-28 2019-09-27 电子科技大学 一种基于深度学习的icu院内死亡率预测方法
RU2734993C1 (ru) * 2019-09-11 2020-10-27 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний" (НИИ КПССЗ) Способ оценки риска госпитальной летальности у больных с острым коронарным синдромом после чрескожного коронарного вмешательства
CN110827993A (zh) * 2019-11-21 2020-02-21 北京航空航天大学 基于集成学习的早期死亡风险评估模型建立方法及装置
CN112270994A (zh) * 2020-10-14 2021-01-26 中国医学科学院阜外医院 一种风险预测模型的构建方法、设备、终端及存储介质
CN113205880A (zh) * 2021-04-30 2021-08-03 广东省人民医院 基于LogitBoost的心脏疾病预后预测方法及装置
CN113128654A (zh) * 2021-05-06 2021-07-16 中山大学 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN113921135A (zh) * 2021-09-06 2022-01-11 首都医科大学附属北京安贞医院 一种适用于急性主动脉夹层手术死亡风险评估的系统
CN116230222A (zh) * 2022-12-12 2023-06-06 华东医院 对冠心病住院患者死亡概率预测的方法
CN115862793A (zh) * 2023-02-27 2023-03-28 北京康博众联电子科技有限公司 心血管医疗数据分析的装置和方法、计算机存储介质
CN116403714A (zh) * 2023-04-07 2023-07-07 大连市中心医院 脑卒中end风险预测模型建立方法、装置、end风险预测系统、电子设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"冠心病合并心房颤动患者的治疗及临床结局分析";董敏 等;《中国心血管病研究》;20210331;第19卷(第3期);208-213 *

Also Published As

Publication number Publication date
CN117672495A (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
US10039485B2 (en) Method and system for assessing mental state
JP5436563B2 (ja) 専門知識及び応用複雑性科学を用いた、リスクの評価ならびに診断のための医療データの自動管理方法
US8793144B2 (en) Treatment effect prediction system, a treatment effect prediction method, and a computer program product thereof
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
CN116490929A (zh) 用于执行医学的实验室值分析的计算机实现的方法和设备
CN112183572A (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
Mandava MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning
CN117672495B (zh) 基于人工智能的房颤合并冠心病患者远期死亡率预测方法
KR101744800B1 (ko) 의료 정보 제공 시스템
CN107423536A (zh) 基于移动社保数据和云端数据分析的数据处理系统
CN109192306A (zh) 一种糖尿病的判断装置、设备及计算机可读存储介质
CN116052882A (zh) 基于机器学习的嗜铬细胞瘤术后高血压并发症预测系统
Tang et al. A neural network to pulmonary embolism aided diagnosis with a feature selection approach
Chaddad et al. Deep survival analysis with clinical variables for covid-19
CN113488170A (zh) 急性前葡萄膜炎复发风险预测模型构建方法及相关设备
JP2022551325A (ja) 診断ツール
Garcia-Rios et al. Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2
Susanto et al. How well do AI-enabled decision support systems perform in clinical settings?
Castaldello et al. A model-based support for diagnosing von Willebrand disease
JP5782039B2 (ja) 情報システムのためのデータ入力を助ける方法およびシステム
WO2017205733A1 (en) Decision support system for cns drug development
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
Goyal et al. Design and Analysis of Improved Machine Learning Model for Heart Disease Prediction
Devi et al. ResNet Repeat Vector Optimized Output Layer based Brain Stroke Prediction
Koltunov et al. Research and methodological approach to diagnostic prediction for use in body area sensory networks for medical purpose

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
GR01 Patent grant
GR01 Patent grant