[发明专利]一种基于双机器学习的血液透析治疗方案分析方法及系统

说明书

本发明公开了基于双机器学习的血液透析分析方法，其特征在于，该方法包括以下步骤：对汇总的血透中心的训练样本进行预处理；对预处理后的训练样本采用Hot‑Deck方法进行填补，对变量缺失百分比超过α的训练样本予以删除，对变量缺失百分比不超过α的训练样本进行变量填充，得到填充后的训练样本；对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选，并对筛选出的两组训练样本进行合并，得到最终的训练样本；将最终的训练样本载入多元线性回归模型，不断迭代，得到最终预测模型；本发明结合人工智能中的机器学习和血液透析初诊方案的预测模型，从而减轻血透室临床医生负担，提高血透中心血液透析效率。

技术领域

本发明涉及智能分析领域，具体涉及一种基于双机器人学习的血液透析治疗方案分析方法及系统。

背景技术

人工智能正在经历爆炸式增长，对多个行业影响的同时，也正对医疗健康行业的革新带来了冲击。“AI+医疗”成为热门领域，在学术界，医疗界和管理界都引起了极大的关注。但目前还没有较为成熟的方案实现临床医生经验建立血液透析复诊方案以及血液透析初诊方案的预测模型。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于双机器人学习的血液透析治疗方案分析方法，该方法可以解决血透室临床医生负担重、血透中心血液透析效率低的问题，还提供一种基于双机器人学习的血液透析治疗方案分析系统。

技术方案：本发明所述的基于双机器学习的血液透析治疗方案分析方法，该方法包括以下步骤：

(1)对汇总的血透中心的训练样本进行预处理，所述预处理包括对训练样本进行脱敏、清洗以及分类；

(2)对预处理后的训练样本采用Hot-Deck方法进行填补，对变量缺失百分比超过α的训练样本予以删除，对变量缺失百分比不超过α的训练样本进行变量填充，得到填充后的训练样本；

(3)对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选，并对筛选出的两组训练样本进行合并，得到最终的训练样本；

(4)将最终的训练样本载入多元线性回归模型，不断迭代，得到最终预测模型；

(5)载入测试样本，得到用于复诊的指标值和复诊方案。

优选的，所述步骤(2)中，对变量缺失百分比不超过α的训练样本进行变量填充包括：

采用关联分析法寻找与缺失所述变量的训练样本最相似的其他训练样本，并将其他训练样本中的所述变量填补到所述缺失所述变量的训练样本中。

优选的，所述分类包括高危人群样本和正常复诊人群样本，所述正常复诊人群样本包括为稳定样本和波动样本。

优选的，所述步骤(3)中，重要特征即训练样本中相关度高的变量，所述相关度高为关联系数的绝对值在0.5到1之间。

优选的，所述步骤(4)中，最终预测模型的评估指标为基于拟合优度检验、受试者工作特征曲线、曲线下面积准确率、灵敏度和特异度。

另一方面，本发明还提供一种基于双机器学习的血液透析治疗方案分析系统，包括：

训练样本预处理模块，用于对汇总的血透中心的训练样本进行预处理，所述预处理包括对训练样本进行脱敏、清洗以及分类；

变量填补模块，用于对预处理后的训练样本采用Hot-Deck方法进行填补，对变量缺失百分比超过α的训练样本予以删除，对变量缺失百分比不超过α的训练样本进行变量填充，得到填充后的训练样本；

特征筛选模块，用于对所述填充后的训练样本分别采用Lasso稀疏约束和RandomForest随机森林进行重要特征筛选，并对筛选出的两组训练样本进行合并，得到最终的训练样本；