[发明专利]胸痛患者的病症诊断方法及机器可读存储介质

权利要求书

1.一种胸痛患者的病症诊断方法，其特征在于，该方法包括：

针对所述胸痛患者，获取胸痛诊断模型所需的当前特征变量；以及

根据所述当前特征变量以及所述胸痛诊断模型，判断所述胸痛患者是否患有急性冠脉综合征或主动脉夹层。

2.根据权利要求1所述的胸痛患者的病症诊断方法，其特征在于，所述胸痛诊断模型通过以下方式获得：

确定所述胸痛诊断模型所需的特征变量；

获取所述胸痛诊断模型所需的特征变量的历史数据和胸痛的历史检测结果；以及

基于机器学习方法，根据所述胸痛诊断模型所需的特征变量的历史数据和所述胸痛的历史检测结果，建立所述胸痛诊断模型。

3.根据权利要求2所述的胸痛患者的病症诊断方法，其特征在于，所述确定所述胸痛诊断模型所需的特征变量包括：

获取与胸痛相关的变量；

对所述与胸痛相关的变量进行归一化；

通过递归特征消除法对归一化后的变量进行筛选得到第一筛选变量；以及

利用所述第一筛选变量作为所述胸痛诊断模型所需的特征变量。

4.根据权利要求2所述的胸痛患者的病症诊断方法，其特征在于，所述确定所述胸痛诊断模型所需的特征变量包括：

通过随机森林算法的指标MeanDecreaseAccuracy和MeanDecreaseGini分别对所述与胸痛相关的变量的重要性进行筛选排序，得到第一重要性顺序序列和第二重要性顺序序列；

从重要性最高开始，从所述第一重要性序列和所述第二重要性序列中分别取出大于预设数值且相同数量的变量作为第二筛选变量和第三筛选变量，使所述第二筛选变量和所述第三筛选变量相同；

将所述第二筛选变量或所述第三筛选变量作为所述胸痛诊断模型所需的特征变量。

5.根据权利要求2-4中任意一项权利要求所述的胸痛患者的病症诊断方法，其特征在于，所述胸痛诊断模型所需的特征变量包括以下人体指标：

血浆D-二聚体测定、肌钙蛋白T、肌酸激酶、肌酸激酶同工酶定量测定、天冬氨酸氨基转移酶、尿素、血小板计数、葡萄糖、肌酐、血清白蛋白、总蛋白、直接胆红素以及钠。

6.根据权利要求3或4所述的胸痛患者的病症诊断方法，其特征在于，所述与胸痛相关的变量选自包含以下人体指标的群组：

性别、年龄、尿素、中性粒细胞、γ-谷氨酰基转移酶、淋巴细胞、肌酐、单核细胞、葡萄糖、嗜酸性粒细胞、血清尿酸、嗜碱性粒细胞、肌酸激酶、白细胞计数、乳酸脱氢酶、红细胞计数、钙、血红蛋白测定、钠、红细胞比积测定、钾、平均红细胞体积、氯化物、血小板计数、无机磷、平均红细胞血红蛋白量、镁、平均红细胞血红蛋白浓度、肌钙蛋白T、红细胞体积分布宽度测定CV、脑利钠肽前体、平均血小板体积测定、肌酸激酶同工酶定量测定、丙氨酸氨基转移酶、血浆凝血酶原时间测定、天冬氨酸氨基转移酶、血浆纤维蛋白原测定、总蛋白、血浆凝血酶原活动度测定、血清白蛋白、国际标准化比值、总胆红素、凝血酶时间测定、直接胆红素、血浆D-二聚体测定以及碱性磷酸酶。

7.根据权利要求3所述的胸痛患者的病症诊断方法，其特征在于，在所述获取与胸痛相关的变量之后，该方法还包括：

使用多重插补方法对所述与胸痛相关的变量进行缺失值填补。

8.根据权利要求2所述的胸痛患者的病症诊断方法，其特征在于，所述机器学习算法包括：

逻辑回归算法、随机森林算法以及SVM算法中的至少一者。

9.根据权利要求4所述的胸痛患者的病症诊断方法，其特征在于，该方法还包括：

获取与胸痛的诊断结果有显著相关性的变量；

检验所述胸痛诊断模型所需的特征变量是否为所述与胸痛的诊断结果有显著相关性的变量。

10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-8中任意一项所述的胸痛患者的病症诊断方法。