[发明专利]一种基于机器学习的GDM预测方法

说明书

本发明公开了一种基于机器学习的GDM预测方法，所述基于机器学习的GDM预测方法包括：S1：获取孕妇的相关样本数据；S2：对所述相关样本数据进行预处理，得到预处理后的相关样本数据；S3：根据所述预处理后的相关样本数据，利用随机森林算法，构建GDM预测模型；S4：利用所述GDM预测模型对测试集数据进行分析，得到分析结果；S5：判断所述分析结果是否满足预设条件，若是，进入步骤S6，否则，返回步骤S1；S6：利用所述GDM预测模型对待检测孕妇的相关数据进行分析，得到预测结果。本发明能够解决现有的GDM预测模型准确率较低、预测效果较差的问题。

技术领域

本发明涉及医疗预测技术领域，具体涉及一种基于机器学习的GDM预测方法。

背景技术

妊娠糖尿病(GDM)是孕妇在怀孕期间首次出现高血糖的情况，GDM对孕妇和胎儿都有严重危害，容易导致孕妇发生妊娠高血压病、感染、产后出血、早产等并发症。胎儿易发生畸形、缺氧，严重者可导致宫内死亡。

常规的GDM检测在孕妇妊娠24-28周进行口服75g葡萄糖糖耐量试验。随着机器学习技术的成熟，近年来机器学习在GDM预测上也有了广泛的应用，许多研究采用LR(逻辑回归)、SVM(支持向量机)、KNN(K近邻)、DNN(深度神经网络)、随机森林等机器学习的方法进行预测，但所用的指标相对局限，主要集中在年龄、BMI、既往病史以及生活习惯等基础指标，或者是TG(甘油三酯)、TC(总胆固醇)、凝血功能、炎性因子等生化指标。

现有的GDM预测研究，大多的AUC值较低(低于0.85)，模型效果较差；并且部分研究所用的数据量非常小(500以下)，即使能达到较高的评估分数，但由于数据量小、且未经过独立验证，因此其模型的评估不具有说服力。此外，还有一部分效果较好的模型，采用了大量的指标进行预测，成本较高。

基于血常规的机器学习方法，其数据获取难度较大，成本较高。

部分机器学习方法所采用的指标还包含了糖尿病家族史、既往GDM、既往高血压等调查，这些指标往往具有不确定、不准确的特点。

此外，大部分预测GDM的方法所用到的指标包含了需要侵入性获取的指标，这些指标的获取往往需要专门的设备和专业的操作人员，成本较高，采集难度较大。

发明内容

本发明的目的在于提供一种基于机器学习的GDM预测方法，以解决现有的GDM预测模型准确率较低、预测效果较差的问题，以及现有GDM预测模型依赖侵入性指标，在采集过程中会给孕妇带来生理上的不适，且采集成本较高，难度较大。

本发明解决上述技术问题的技术方案如下：

本发明提供一种基于机器学习的GDM预测方法，所述基于机器学习的GDM预测方法包括：

S1：获取孕妇的相关样本数据；

S2：对所述相关样本数据进行预处理，得到预处理后的相关样本数据；

S3：根据所述预处理后的相关样本数据，利用随机森林算法，构建GDM预测模型；

S4：利用所述GDM预测模型对测试集数据进行分析，得到分析结果；

S5：判断所述分析结果是否满足预设条件，若是，进入步骤S6，否则，返回步骤S1；

S6：利用所述GDM预测模型对待检测孕妇的相关数据进行分析，得到预测结果。

可选择地，所述步骤S1中，所述孕妇的相关样本数据包括孕妇的体成分数据及其基本信息。

可选择地，所述步骤S2包括：

S21：对所述相关样本数据进行数据标准化处理，得到诊疗数据；

S22：利用Lasso回归对所述诊疗数据进行筛选，得到筛选后的指标数据；