[发明专利]患者长期预后定量预测和干预系统及方法

说明书

本发明公开了一种患者长期预后定量预测和干预方法，包括：录入新增患者信息以更新数据库；利用训练数据库选择危险因素；将COX危险分级和LCA危险分级结合得到患者的综合危险分级，并确定患者的危险评分计算方法；计算患者的综合危险分级和危险评分，在患者出院时，医生根据综合分级和危险评分进行干预。本发明还提供了一种患者长期预后定量预测和干预系统。本发明的有益效果：变量选取充分考虑了估计的随机性，模型更可靠，采用LCA危险分级对COX危险分级作校正和补充，使分级更侧重患者本身特征，分级方法更可靠，有效克服在长期内患者发生不良事件的可靠性较差的影响，并有针对性地对患者进行出院教育和医生干预，有效降低患者出院后面临的危险。

技术领域

本发明涉及一种患者长期预后定量预测和干预系统及方法。

背景技术

病人在出院后依然面临着危险。研究指出，在美国大约有20％的病人会在出院后的30天内再入院，中国心力衰竭患者1年内的再入院或死亡率达 34.3％。病人出院时缺乏有效的干预措施以及出院后缺乏连续系统的护理是发生不良事件一个主要根源。因而，研究病人出院后的危险因素并采取系统的干预措施是很必要的。

现有的关于病人出院后危险的研究，局限于建立预测模型，且主要是关于死亡的短期预测模型。采用这种方法的缺陷在于：(1)一般使用传统的 logistic回归模型逐步法来选择危险因素，一旦一个变量在某一步被剔除，有可能没有机会再次进入模型，因而变量选取的好坏与剔除变量的准则和允许变量进入的准则有关，有可能会遗漏重要的变量，导致该方法选择模型不稳定；(2)利用病人出院后是否发生不良事件的实际观测值来建立模型，前提假设是所有观测到的不良事件都是合理的，而在长期模型中，这种假设本身有很大的局限性，相比于短期，患者在长期是否发生不良事件具有更大的不确定性，很有可能出院时身体状况比较好的患者发生了不良事件，而出院时身体状况不佳的患者没有发生不良事件。仅根据观测到的结局事件建立模型，没有考虑到在长期发生不良事件本身的不确定性，导致所建模型有可能无法抓住数据的本质特征。

发明内容

为解决上述问题，本发明的目的在于提供一种患者长期预后定量预测和干预系统及方法，变量选取充分考虑了估计的不确定性，使建立的模型更加可靠，采用基于人工智能的无监督的机器学习LCA危险分级对传统的基于 COX回归模型的危险分级作校正和补充，使得危险分级更加侧重患者本身的特征，分级方法更可靠，有效克服了在长期内患者发生不良事件的不确定性的影响。在患者出院时，能更有针对性地对患者进行出院教育和医生干预，有效降低患者出院后面临的危险。

本发明提供了一种患者长期预后定量预测和干预方法，该方法包括以下步骤：

步骤1，将新患者信息补充到数据库以更新数据库；

步骤2，利用训练数据库，通过COX回归模型和马尔可夫链蒙特卡洛模拟方法得到影响结局变量的危险因素；

步骤3，利用训练数据库和步骤2得到的危险因素，采用基于无监督机器学习方法的LCA危险分级对基于COX回归模型的危险分级进行校正和补充，得到综合危险分级，并确定危险评分计算方法；

步骤4，根据步骤3确定的危险分级和危险评分算法，计算患者的危险分级和危险评分，将患者按照发生不良事件的危险大小划分为高危、中危、低危，在患者出院时，医生根据患者的危险分级和危险评分进行干预。

作为本发明进一步的改进，步骤2包括：

步骤21，从训练数据库中确定备选变量、结局事件和预测期限；

步骤22，采用COX回归模型从备选变量中初筛变量：