[发明专利]基于集成学习算法的脓毒症预后预测方法

说明书

本发明属于数据挖掘领域技术领域，具体涉及基于集成学习算法的脓毒症预后预测方法。包括如下步骤：S1，数据获取：获取患者电子数据资料，并提取有效特征变量；S2，数据预处理：采用四分位数划分进行数据离散化及z‑score标准化方法；S3，特征选取：采用Spearman相关性系数进行特征选择，计算各个特征对目标研究对象的相关系数；S4，预测模型训练：将数据输入到构建的预测模型中，并根据训练结果不断调节参数，使模型达到最优性能；S5，评估模型：利用测试集对训练好的模型做测试并进行评估。本发明具有科学可靠、准确率高、模型性能好、特异性和敏感度高、能够避免模型过拟合现象的特点。

技术领域

本发明属于数据挖掘领域技术领域，具体涉及基于集成学习算法的脓毒症预后预测方法。

背景技术

脓毒症在临床上是一种具有发展迅速、病死率高、高花费特点的因感染引起的全身炎症反应综合征，其目前成为危重病人死亡的主要原因之一。全世界每年近3000万患者经历脓毒症，有600万患者死亡。如果能及早发现并预测脓毒症患者病情，患者可以得到适当的治疗，死亡率可以大大降低。因此，对脓毒症病情发展趋势的评估及预测成为了当前医学研究的热点之一。目前对脓毒症患者的病情评估多采用简化急性生理评分(simplifiedacute physiology scoreⅡ，SAPSⅡ)、急性生理与慢性健康状况评分(Acute physiologyand chronic health evaluationⅡ，APACHEII)以及序惯器官功能衰竭估计评分(Sequential Organ Failure Assessment，SOFA)系统等。然而，这些评分系统大多过程较为繁杂且临床预测准确率、特异性及敏感度不高，这不符合临床及时诊断和科学决策的要求。而利用传统的回归模型对脓毒症的预后预测的研究文献较多，但是它们大多表现不突出，如诊断及预后预测的准确率不高，特异性、敏感度也不高等等。随着大数据的积累和数据处理技术的发展，在脓毒症的诊断或预测中机器学习-集成学习算法表现出很强的模型预测性能及预测准确率，相关的文献和发明专利都有陆续出现。

例如，申请号为CN202010068293.2的中国发明专利所述的一种基于机器学习的脓毒症早期预测方法，该方法包含以下步骤：(1)利用电子病历记录提取患者入ICU后24小时内的临床数据，包括人口统计学(如年龄，性别)、生命体征变量(如心率、收缩压)以及实验室测量指标(如肌酐、血小板计数)等多个变量；(2)对数据进行预处理；(3)输入到改进的深度森林算法模型中进行训练；(4)训练调优后，输出病人的患病概率。同时算法模型还可以对其特征变量进行排序，输出对早期预测脓毒症有重要影响的预警因子；(5)将需要预测的病人的对应变量输入到训练好的模型中，则可对此病患进行脓毒症的早期预测。该方法具有一定的优点，但也存在不足之处，特征选取按照变量扩展进行选取，不具有科学性；选取10维左右特征不具有代表性；预测的准确率可能不高或者模型综合性能不佳；没有注意模型过拟合现象的出现等。因此，该方法在诊断或者预后方面有待进一步提高。

鉴于现有的方法在诊断脓毒症及预后预测上不具有较高的准确率和较好的模型性能，以及特征选择和数据预处理上的缺陷，因此提出一种新的方法有效解决这些问题十分必要。

发明内容

本发明是为了克服现有技术中，现有在诊断脓毒症及预后预测上具有较差的准确率和较差的模型性能，以及特征选择和数据预处理存在缺陷的问题，提供了一种科学可靠、准确率高、模型性能好、特异性和敏感度高、数据预处理能够避免模型过拟合现象的基于集成学习算法的脓毒症预后预测方法。

为了达到上述发明目的，本发明采用以下技术方案：

基于集成学习算法的脓毒症预后预测方法，包括以下步骤：

S1，数据获取：获取患者入院24小时后的急诊科室或者ICU病房的患者临床电子数据资料，并提取有效特征变量以及做目标标记；