[发明专利]一种构建OHSS分度分型预测模型的方法

权利要求书

1.一种构建OHSS分度分型预测模型的方法，包括以下步骤：

S1、获取已有病例作为样本集，将样本集的数据分割为输入量和输出量，输入量包括患者的生理指标和用药方案，输出量包括患者实际发生的OHSS的时机和OHSS的程度；OHSS的时机包括早发和晚发，OHSS的程度包括未发生、轻中度和重度；对样本集进行数据预处理和数据编码操作，再依据分度和分型问题分别对数据进行特征筛选工作，得到训练数据；

S2、选取机器学习模型建立OHSS分度预测模型和OHSS分型预测模型；

S3、用S1获得的训练数据分别对OHSS分度预测模型和OHSS分型预测模型进行训练，以交叉熵损失函数最小作为OHSS分度预测模型或OHSS分型预测模型的优化目标；获得训练后的OHSS分度预测模型和训练后的OHSS分型预测模型；

S4、获得测试样本，该测试样本包括待预测OHSS发生概率的患者的生理指标和用药方案，以患者的生理指标和用药方案作为输入量输入OHSS分度预测模型，计算得到该患者发生OHSS的程度，若OHSS分度预测模型的结果为未发生，则不再做OHSS分型预测；若OHSS分度预测模型的结果为轻中度或重度，则输入OHSS分型预测模型进行分型预测，输出分型预测结果。

2.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于：S1中，OHSS分度预测模型的输入量包括但不限于OHSS病史、年龄、BMI、AFC、AMH、超促排卵方案、超促排卵用药16项、超促排卵用药总量、扳机用药3项、扳机日E2、获卵个数，血常规中的中性粒细胞计数、单核细胞计数、血小板计数、红细胞压积、白细胞计数等。

3.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于：S1中，OHSS分型预测模型的输入量包括但不限于年龄、BMI，超促排卵方案、超促排卵用药总量、超促排卵用药总天数，血常规中的中性粒细胞计数、平均RBC体积、红细胞压积、血小板计数、平均血红蛋白浓度、平均血红蛋白含量、嗜酸/碱细胞计数，扳机用药中HCG用量、获卵个数等。

4.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于：，S2中OHSS分度预测模型的机器学习模型包括Catboost模型、LightGBM模型和XGboost模型集合；OHSS分型预测模型的机器学习模型包括Catboost模型、LightGBM模型和XGboost模型集合。

5.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于：OHSS分度预测模型输出未发生、轻中度和重度的发生概率，每个样本数据进行3次计算，每次计算、Catboost模型、LightGBM模型和XGboost模型都输出3个值：不发生OHSS、发生轻中度OHSS、发生重度OHSS的概率，3个概率和为1，取3个模型对应的类别概率值的平均值作为该类别的最终概率值。

6.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于： OHSS分型预测模型输出早发型和晚发型的发生概率，每个样本数据进行3次计算，每次计算、Catboost模型、LightGBM模型和XGboost模型都输出2个值：早发型OHSS、晚发型OHSS的概率，2个概率和为1，取3个模型对应的类别概率值的平均值作为该类别的最终概率值。

7.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于：分度预测模型训练时，采用过采样法和网格搜索寻优法进行训练，分型预测模型训练时，采用网格搜索寻优法进行训练，以此来增加模型训练的均衡性和精度。

8.如权利要求1所述的构建OHSS分度分型预测模型的方法，其特征在于：分度预测模型和分型预测模型训练过程中，分度预测模型的每种机器学习模型分别给出各自对输入量的重要性排序结果，以所有机器学习模型的特征重要性顺序求平均，获得最终的特征重要性排序；和、或分型预测模型的每种机器学习模型分别给出各自对输入量的重要性排序结果，以所有机器学习模型的特征重要性顺序求平均，获得最终的特征重要性排序。