[发明专利]基于回归分析的压力性损伤风险预测模型校正方法

说明书

本发明涉及一种基于回归分析的压力性损伤风险预测模型校正方法，所述方法包括：对病历数据进行筛选获取至少一个验证集和至少一个训练集；基于验证集内病历数据的显著属性将验证集划分为多个分类验证集；通过分类验证集验证由训练集建立的至少一个压力性损伤风险预测模型的方式获取针对该分类验证集的无关风险变量；基于无关风险变量构建校正表，并将该校正表更新至压力性损伤风险预测模型中。本发明通过以上方法能够获取针对该分类验证集的无关风险变量，进而能够在利用压力性损伤风险预测模型进行风险预测时，屏蔽无关风险变量带来的影响。

技术领域

本发明涉及医疗数据处理技术领域，具体涉及一种基于回归分析的压力性损伤风险预测模型校正方法。

背景技术

压力性损伤(Pressure Injury,PI)是感觉及活动障碍、慢性病和老年患者的严重并发症之一。具体地，压力性损伤是指由压力或压力联合剪切力导致的皮肤和/或皮下组织的局部损伤，通常位于骨隆突处，但也可能与医疗器械或其他物体有关，多发生于长期卧床的患者。压力性损伤严重影响患者的生活质量，而且延长住院时间、加重病情、增加家庭和社会经济负担，消耗大量医疗资源，甚至导致患者死亡。目前，预防压力性损伤是最经济有效的手段已成为全球共识。

风险预测是压力性损伤预防的首要措施，风险预测结果的准确与否将直接影响预防措施的选择和预防效果。

例如，公开号为CN112185570A的中国专利文献公开一种压力性损伤动态预警系统，由中央处理器作为数据分析处理核心，由数据采集模块、数据分析模块、预警提示模块和数据库构成。数据采集模块采集患者的实时动态体征信息。数据分析模块对采集的患者动态体征信息数据进行分析。预警提示模块根据分析结果进行对应性的预警操作。数据库储存采集到的患者动态体征信息数据以及作为分析样本经过人工收集、调查、实践所获得的数据。该专利文献提供的压力性损伤动态预警系统以采集的患者动态体征信息作为变量，输入列线图模型中进行分析，采用Cox回归模型与Logistic回归模型。该专利文献提出通过实时动态变化的体征信息，比如温度、湿度、压力、血压、血氧、心率等，以最大化获得更全面更精确的患者体征信息，从而提高判断时对各种变量的综合判断能力，提升结果的精确性。但是该专利文献没有考虑到，当考虑的风险变量较多时，即温度、湿度、压力、血压、血氧、心率等，各个风险变量之间存在交互作用或者非交互作用。事实上，面对不同情况的患者，风险变量不同，而且大部分患者的情况存在复合的情况，例如，ICU科室病人可能同时存在骨折的情况，而对于复合情况，当考虑的风险变量较多时，无法确定哪些风险变量起主要作用，哪些风险变量不起作用。而且，如果两个风险变量彼此互为因果关系的情况下，Logistic回归模型由于是非线性回归模型，两个风险变量带来的影响会被重复计算，进而无法正确地评价风险变量对压力性损伤的“贡献程度”。更重要的是，利用Cox回归模型与Logistic回归模型进行计算时，没有考虑到最大化全面地获取风险变量，必然会包括针对不同类型病人所特定的压力性损伤变量，例如，针对骨折患者和普通非骨折患者，手术时长对于骨折患者是比较重要的风险变量，但对于普通非骨折患者，手术时长可能是无关联的风险变量，即该专利文献提供的压力性损伤风险预测的技术方案无法抵御其他无关风险变量的能力，存在稳定性较差的问题。

此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。

发明内容

针对现有技术之不足，本发明提供一种基于回归分析的压力性损伤风险预测模型校正方法，所述方法包括：

对病历数据进行筛选获取至少一个验证集和至少一个训练集；

基于验证集内病历数据的显著属性将验证集划分为多个分类验证集；其步骤包括：采用卡方检验对各风险变量进行分析，并找到对压力性损伤有显著影响的风险变量。显著属性指的是对压力性损伤有显著影响的风险变量。