[发明专利]血液透析中低血压事件的预测模型的构建方法

说明书

本发明专利涉及血液透析的临床监测领域，具体涉及血液透析中低血压事件预测模型的构建方法，包括以下步骤：步骤(1)：在患者进行血液透析过程中固定时间间隔采集所有相关患者主客观参数。步骤(2)：采集患者的透析中低血压事件发生情况。步骤(3)：通过大于等于1∶1数量级进行训练集及验证集的划分。步骤(4)：通过多种机器学习的方法：如神经网络、深度神经网络、卷积神经网络对各因素进行分层分析并通过梯度下降算法为各个因素的权重进行分配。步骤(5)：使用Tensor Flow产生数据模型并进行验证。本发明通过人工智能预测血液透析中低血压的发生，AUC可达0.93，敏感度和特异度均可达86％以上，为进一步人工智能辅助提前干预并改善预后奠定基础。

技术领域：

本发明专利涉及血液透析的临床监测领域，具体涉及血液透析中低血压事件预测模型的构建方法

背景技术：

肾脏替代治疗(Renal Replacement Therapy，RRT)是尿毒症患者长期维持生命的医疗手段。其治疗过程中存在着各种并发症，其中最为常见且严重的是血液透析中低血压(Intradialytic hypotension，IDH)，影响到尿毒症患者的长期预后。然而，由于迄今为止全球肾脏病领域对IDH的定义/诊断标准缺乏共识、以及IDH的发生具有实时性及个体差异、影响因素众多且权重不一，导致目前预测及个体化干预血液透析中低血压十分困难。

针对以上问题，专利发明者进行了调研后，已于在华山医院北院血液净化中心建立了结构化血液透析信息数据库，测试通过并正式开始收集机器学习的数据，旨在评估通过多种机器学习方法如：神经网络、深度神经网络、卷积神经网络方法建立的模型能否解决血液透析中IDH预测的问题。

发明内容：

本发明提供了血液透析中低血压事件的预测模型的构建方法，在本发明中，患者血液透析期间进行了持续的监测，收集了包括糖尿病病史、年龄、透析龄、透前干体重、目标超滤率、目标超滤率/干体重、透析间期体重增长、透析间期体重增长/干体重、透前收缩压、透前舒张压、透前平均动脉压、透前心率、透析液电导度、血流量、超滤率、传统血透机其/人工测量或有创/无创感应/穿戴设备获得的收缩压、舒张压、平均动脉压、心率、心律、呼吸频率、氧饱和度、感应设备或血液透析机自带/选配感应器监测获得的动态红细胞压积作为输入数据，是否发生IDH事件作为终点事件。IDH的主流诊断标准见表1。

发明的主要目标是评估输入数据与终点事件之间的关系。在前期的工作中，申请者已于在华山医院北院血液净化中心建立了结构化血液透析信息数据库，测试通过并正式开始收集机器学习的数据，将此后3个月的数据作为预实验数据库，其中按时间将前80％的数据作为训练集，后20％作为验证集，验证集数据不参与训练。共收集32064和8016组数据分别进入训练集和验证集。

发明人通过结构化血液透析信息数据库将训练集和验证集的数据根据8组常用的IDH定义(表1)在训练集机器学习后得出的预测结果的受试者工作特征曲线(ReceiverOperating Characteristic Curve，ROC曲线)均提示较大的曲线下面积(Area UnderCurve，AUC)，其中最近期权威文献提出的透析前SBP≥160mmHg且透析中最低SBP＜100mmHg/透析前SBP＜159mmHg且透析中最低SBP＜90mmHg的诊断标准其AUC可达到0.931142，敏感度和特异度均可达到86.6％。验证集验证的结果提示与训练集结果相比，敏感性和特异性仅略有改变，总体上大致相当，预测效能基本一致，说明此模型适用于未知数据。此外，经过干预的数据并未单独列出进行分析，预测结果仍较为理想，提示此模型适用于干预后的数据。根据表1中其他诊断标准作为IDH终点事件的预测项AUC均超过0.86，敏感性特异性最低达到0.77，在验证集中的结果总体大致相当。

表1 血液透析中低血压的诊断标准

注：PSBP：透析前舒张压；Nadir：透析中SBP谷值；Fall：透析中SBP下降绝对值