[发明专利]院内致命性消化道再出血预测关键指标的智能筛选方法

权利要求书

1.一种院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，包括如下步骤：

步骤S1，根据纳入排除标准，从数据库中提取消化道出血患者的指标数据并计算结局标识；

步骤S2，对所述指标数据进行数据清洗以处理异常值，去除多余的指标和缺失值严重无法进行分析的指标，并进行数据补差，补充缺失值；

步骤S3，根据依据临床实际情况设置的离散标准对所述指标数据进行离散化处理；

步骤S4，将离散后的指标数据作为条件属性，将所述结局标识作为决策属性，由所述条件属性和所述决策属性共同构成智能筛选算法的决策表；

步骤S5，将所述条件属性和决策属性输入到筛选算法模型中，计算适应度，迭代至适应度不再增加，则记录下保留的指标数据，将保留的指标数据再次输入到筛选算法模型中，重复本步骤直至指标数据不再减少，得到筛选出的关键指标数据。

步骤S6，将筛选得到的关键指标输入到预测模型中，并通过预测模型对患者结局进行预测。

2.如权利要求1所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，在所述步骤S1中，所述指标数据包括：生命体征、血气分析、血常规、凝血和生化；所述结局标识为是否发生院内致命性再出血，1表示发生，0表示未发生。

3.如权利要求1所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，在所述步骤S2中，采用基于随机森林的多重插补法进行数据补差。

4.如权利要求1所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，在所述步骤S4中，将离散后的指标数据作为条件属性，结局标识作为决策属性，构建粗糙集决策表，

设R为论域U上的等价关系，称(U，R)为近似空间，假设如果X能够表示成若干个R-基本知识的并集，则称X是R可定义的，也称X是R的精确集；否则，X是R不可定义的，也称X是R的粗糙集；

设(U，R)为近似空间，集合

分别为X的R下近似集和R上近似集，进一步，与X有关的几个集合为：

X的R边界域：X的R正域：POS_R(X)＝RX；

X的R负域：

集合X的近似精度：

集合X的粗糙度：β_R(X)＝1-α_R(X)。

5.如权利要求1所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，在所述步骤S5中，所述筛选算法模型采用智能筛选算法模型。

6.如权利要求5所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，所述智能筛选算法模型集合遗传算法、元胞自动机和粗糙集理论。

7.如权利要求6所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，智能筛选算法的决策模型将不同属性集之间的灰色关联度和依赖度的传统定义进行有机结合，

消化道出血知识系统可表示为一个四元组：S＝{U,A,F,D}，F为对象的属性值

其中，U＝{x₁,x₂,…,x_n}为患者集合；A＝(a₁,a₂,…,a_m)表示消化道出血患者的临床相关指标；D表示院内致命性消化道再出血的决策选项；p表示决策属性(列)与条件属性(列)的关联程度，p的确定，通过灰色关联度计算确定，γ_i表示相应的灰色关联度。

8.如权利要求1所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，在所述步骤S5之后还包括如下步骤：

根据筛选出的关键指标，利用机器学习算法对消化道出血患者是否会发生院内致命性消化道再出血进行预测；

通过混淆矩阵来评价算法的预测精度；

利用ROC曲线和AUC评价模型的效能。

9.如权利要求8所述的院内致命性消化道再出血预测关键指标的智能筛选方法，其特征在于，所述机器学习算法包括：逻辑回归、支持向量机、朴素贝叶斯和Adaboost算法。