[发明专利]基于集成学习的川崎病风险评估模型的构建方法及系统

说明书

本发明提供了一种基于集成学习的川崎病风险评估模型的构建方法及系统，先从样本数据集中提取可用于建模及模型评估的有效样本，然后从构建样本数据的特征集中筛选出符合现场医疗辅助诊断应用的至少10项特征，分别采用随机森林、Boosting、线性模型和神经网络算法构建川崎病患病风险预测基础模型及分类阀域t；采用朴素贝叶斯算法进行整合根据二类后验概率的比较结果评估川崎病风险的风险大小。本发明的方法有效的解决了大多数分类器过拟合的问题，扬长避短，使评估模型更为精准。

技术领域

本申请涉及医疗评估技术领域，具体来说涉及一种基于集成学习的川崎病风险评估模型的构建方法及构建系统。

背景技术

川崎病(Kawasaki disease，KD)，又称皮肤黏膜淋巴结综合征，是一种以全身血管炎为主要病变的急性发热出疹性小儿疾病。其中，冠状动脉是最易受累部位。最主要的并发症是冠状动脉病变，如果不能进行及时诊断和治疗，会对心血管系统造成严重损伤，目前已成为小儿后天获得性心脏病最常见的病因之一，也是成年后缺血性心脏病发生的危险因素。因此早期诊断，早期治疗，减少心血管并发症的发生具有重要的临床意义。

根据2017年美国心脏病协会(AHA)制定的川崎病诊断标准，川崎病主要表现为持续性发热5天以上，还包括：(1)两眼结膜出现充血症状，但未出现渗出物；(2)口唇发红，出现杨梅舌，口腔和咽部黏膜存在弥漫性充血症状；(3)皮肤出现多形性红斑和皮疹；部分患儿可出现卡介苗接种处红肿，是一种特异性表现；(4)四肢末端发生变化；若手足存在硬性肿胀，掌跖和指端充血，则为急性期；若指端甲床皮肤移行部位膜状蜕皮，则为恢复期；肛门周围也多见脱皮症状；(5)急性期表现为非化脓性颈部淋巴结肿大，普遍为单侧，直径在1.5cm以上等临床症状。以上，若患者发热≥5天，且以上主要条件中≥4项者确诊为川崎病。含有上述若发热≥5天，主要临床表现不足4项，但在超声心动图或者血管造影发现有冠状动脉病变者，也诊断为川崎病。依据上述诊断标准，患者确诊川崎病需要发热≥5天，且需要等待临床症状出现，容易使患儿错过最佳治疗时间。同时，川崎病的临床症状表现复杂多样，发病初期临床症状不明显，容易出现误诊，漏诊，在一定程度上增加了小儿川崎病的诊断难度。因此，研发灵敏度高，特异性强的诊断方式成为川崎病诊疗的中急需满足的需求。

基于医疗数据建模的川崎病患病风险评估模型可以辅助评估患者患病情况，大大降低川崎病的误诊率和漏诊率，并且能使患者发病早期就得以确诊，协助医生进行有效的预防、干预和治疗，为患者达到最佳治疗效果提供帮助。本发明因此而来。

发明内容

本申请旨在提供一种基于集成学习的川崎病风险评估模型的构建方法，以解决现有技术中的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于集成学习的川崎病风险评估模型的构建方法，其特征在于：所述方法包括以下步骤：

(1)数据样本选择步骤：从样本数据集中提取可用于建模及模型评估的有效样本；

(2)特征筛选步骤：从构建样本数据的特征集中筛选出符合现场医疗辅助诊断应用的至少10项特征；

(3)构建步骤：采用随机森林、Boosting、线性模型和神经网络算法构建川崎病患病风险预测基础模型及分类阀域t；

(4)构造新数据集步骤：根据(3)得到的川崎病患病风险预测基础模型，及分类阀域t，进行新数据集的构造；

(5)整合步骤：通过四个川崎病患病风险预测基础模型对新数据集采用朴素贝叶斯算法进行验证，获得分类的先验概率，以及对每种模型的预测情况进行匹配，获得二分类的后验概率；根据二类后验概率的比较结果评估川崎病风险的风险大小，即获得基于集成学习的川崎病风险评估模型。

本发明采用集成学习的方法进行川崎病风险评估模型的构建，所谓集成学习是指使用一系列基础机器学习模型进行学习，并使用某种规则把各个学习结果进行整合从而达到提升学习效果的目的一种机器学习方法。