[发明专利]一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置

说明书

本发明公开了一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；预测装置的工作过程为：接收待测的临床特征数据，并对该进行缺失值填充处理；对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；分别利用训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型对相关性检测处理后的临床特征数据进行计算，获得4个预测概率；对4个预测概率进行加权求和，获得利用心血管不良事件预测模型预测的概率值。

技术领域

本发明属于医学人工智能领域，具体涉及一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置。

背景技术

随着机器学习在统计学领域取得的巨大发展，基于机器学习方法在医疗数据上也被广泛运用。

在冠心病领域，经皮冠状动脉介入治疗(percutaneous coronary intervention，PCI)是目前最有效的治疗手段之一。在开通闭塞血管、改善心功能的治疗作用外，PCI也常伴随着支架内再狭窄、再发心肌梗死等远期并发症的可能性。预测PCI术后的主要心血管不良事件(major adverse cardiovascular events，MACE)也成为了临床研究的一个重要方向。其中，MACE主要包括心肌梗死、支架内血栓、卒中、靶病变血运重建、靶血管血运重建和冠状动脉旁路移植(CABG)。

对术后MACE事件的危险程度分类不仅有助于评估手术者术后施PCI的必要性，亦为患者提供一个了解自身在接受PCI后潜在的获益及面临的风险的途径。目前已经发表的预测PCI术后死亡、术后MACE、术后再入院、死亡和MACE复合终点的风险评分都是基于logistics回归模型或COX回归模型。

纵然logistics回归模型或COX回归模型作为线性模型有着应用便捷、危险评分计算简单的优点，但是真实世界中人体各特征参数与其遭遇的临床事件之间关系复杂度必然远超过简单的线性关系。因此用线性模型的简单拟合可能使预测结果最终与实际偏离较大，线性模型对数据挖掘的有限能力也使其无法充分利用到大规模人群数据。

在上述的背景下，机器学习作为学习能力更强的工具比传统线性模型更吸引人的注意。机器学习研究目标在于寻找各种学习算法，以使得计算机从数据中产生模型，从而面对新的数据时提供相应的判断，而选择更具针对性的模型、改善模型对新数据的适应性是提升判断准确度的重要途径。

在数十年的发展过程中机器学习出现了包括线性模型、树模型等各种学习算法，不同的学习算法对于不同预测的适应性各异，而在心血管不良事件的临床研究中尚未有很多的学习算法应用经验。

发明内容

本发明的目的是提供一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置。该预测装置中载有训练好的心血管不良事件预测模型，能够在输入的体征数据中筛选出影响MACE的重要特征，并且能够基于该些重要特征，更准确地预测得到MACE的概率。

为实现上述发明目的，本发明提供以下技术方案：

一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，

所述计算机存储器中存有心血管不良事件预测模型，其包括训练好的XGboost模型、LightGBM模型、SVM模型以及NN模型和每个模型对应的权重值；

所述计算机处理器执行所述计算机程序时实现以下步骤：

接收待测的临床特征数据，并对该进行缺失值填充处理；

对缺失值填充处理后的临床特征数据进行相关性检测，去除具有交叉关系的临床特征数据；