[发明专利]一种基于机器学习的术后急性肾损伤智能预测方法及装置

说明书

本发明提供一种基于机器学习的术后急性肾损伤智能预测方法及装置，所述方法包括：获取待测患者的围手术期数据；根据围手术期数据，得到待测患者的术后急性肾损伤预测结果；其中，将围手术期数据输入预测模型得到待测患者的术后急性肾损伤预测结果；预测模型包括若干个预测子模型，若干个预测子模型分别采用不同的机器学习网络构建得到；待测患者的术后急性肾损伤预测结果，根据训练好的若干个预测子模型的模型权重及预测值计算得到；预测模型的训练包括：分别确定训练集中各样本数据在每个预测子模型上的数据权重，根据数据权重对各预测子模型进行训练。本发明能够有效保证术后AKI预测结果的准确性、全面性和稳定性。

技术领域

本发明涉及手术并发症早期预测技术领域，尤其涉及一种基于机器学习的术后急性肾损伤智能预测方法及装置。

背景技术

围手术期并发症和死亡率是迫切需要关注的公共卫生问题，其中急性肾损伤(Acute Kidney Injury，AKI)是术后常见的并发症之一，且该并发症的漏诊率较高。部分AKI患者肾功能恢复不佳，需依赖肾脏替代治疗(Renal Replacement Therapy，RRT)，AKI可显著增高院内病死率和增加医疗资源的消耗。尽管许多因素如患者的病史、合并疾病等无法改变，但一些围手术期危险因素如术中血压、麻醉浓度等可实时调整，若能在术前识别术后AKI发病的高风险，并在围手术期对患者的肾功能及时给予必要的保护措施，可改善其预后。虽然围手术期变量和术后结局之间的关系已经在人群水平上用logistic回归等方法得到了证实，但使用实时生理参数来动态预测每个病人的围手术期结局的研究仍是空白。长期以来习惯使用标准预测模型，如logistic回归、线性回归等模型来识别和监测不良结局的危险因素，但这些统计方法的预测能力及临床应用有限，预测的准确度和稳定性较差，且无法保证预测结果的全面性。以心脏手术后AKI为例，国内外先后建立了多个心脏术后AKI预测模型，如Cleveland、Mehta和SRI，但通过对心脏手术患者的临场分析，这些预测模型均不能很好的预测患者心脏术后AKI。因此，有必要提供一种基于机器学习的术后急性肾损伤智能预测方法及装置，以实现在术前准确预测术后AKI发病的风险。

发明内容

本发明提供一种基于机器学习的术后急性肾损伤智能预测方法及装置，用以解决现有技术中预测准确性、全面性和稳定性较差的缺陷，实现术后AKI发病的准确预测。

本发明提供一种基于机器学习的术后急性肾损伤智能预测方法，包括：

获取待测患者的围手术期数据；

根据所述围手术期数据，得到所述待测患者的术后急性肾损伤预测结果；其中，将所述围手术期数据输入预测模型得到所述待测患者的术后急性肾损伤预测结果；

其中，所述预测模型包括若干个预测子模型，若干个所述预测子模型分别采用不同的机器学习网络构建得到；所述待测患者的术后急性肾损伤预测结果，根据训练好的若干个所述预测子模型的模型权重及预测值计算得到；

所述预测模型的训练包括：分别确定训练集中各样本数据在每个所述预测子模型上的数据权重，根据所述数据权重对各所述预测子模型进行训练。

根据本发明提供的一种基于机器学习的术后急性肾损伤智能预测方法，确定训练集中各样本数据在每个所述预测子模型上的数据权重，包括：

在所述预测模型的训练过程中，根据所述训练集中各样本数据在前一个所述预测子模型上的数据权重、前一个所述预测子模型的模型权重以及前一个所述预测子模型对所述训练集中各样本数据的预测值，确定所述训练集中各样本数据在当前所述预测子模型上的数据权重；其中，在所述预测模型的训练过程中，依次对若干个所述预测子模型进行训练。

根据本发明提供的一种基于机器学习的术后急性肾损伤智能预测方法，所述预测子模型的模型权重的确定包括：