[发明专利]儿童社区获得性肺炎病原学类型预测方法、装置、终端及介质

说明书

本申请提供儿童社区获得性肺炎病原学类型预测方法、装置、终端及介质，旨在利用医院临床数据，对儿童社区获得性肺炎(childhood community‑acquired pneumonia,CAP)患者的特征数据和诊疗数据进行模型训练分析，根据提取的临床数据建立病原体预测的多分类机器学习模型，对不同的分析结果匹配不同的感染源集分类，即对病毒、支原体、细菌及百日咳感染源进行分类，并将这一模型通过接口调用的方式与相应的产品页面结合，从而将病原感染源预测信息恰当、高效地传递给医生用户，以利用机器学习实现智能分诊，针对不同病原合理用药。通过构建这样的一整套病原预测系统，可以给予年资较浅的临床医生更多的临床诊疗支持，减少抗生素滥用的发生，提高合理用药管理。

技术领域

本申请涉及人工智能技术领域，特别是涉及儿童社区获得性肺炎病原学类型预测方法、装置、终端及介质。

背景技术

儿童社区获得性肺炎(childhood community-acquired pneumonia,CAP)是一种高发且严重的儿科疾病，威胁儿童健康和生命。据统计，全世界有超过95％的儿童患肺炎，并且在部分发展中国家有99％的儿童肺炎患者继发死亡。

不同地区和人群病原谱分布具有显著差异性，在广谱抗生素的使用过程中，细菌的耐药性不断增加，且多重耐药也呈上升趋势。例如：肺炎链球菌和其他病原体之间对大环内酯类药物的耐药性增加，导致疾病负担增加，人口结构发生变化，合并症的患病率更高。因此，鉴定不同感染源的肺炎对于减少抗生素滥用有很重要的临床意义，同时有助于个体化治疗策略的开展，从而达到有效管理、合理用药的目的。

然，过往的研究多集中于具体某类病原体相关的风险因素分析，有少数研究针对不同病原体建立预测模型。其中有一部分研究将临床特征纳入研究变量，那些未将临床特征纳入的研究，则需要检测临床上不常规使用的额外的生物标志物，这在临床应用场景中难以实现。而在利用临床特征预测病原的研究中，模型表现一般，AUC基本在0.9以下，不仅如此，在这些模型中，大多数只能将病原区分为病毒或细菌，还未出现过尝试多种病原分类的智能模型，进一步限制了其在临床上的推广和使用；而且，现有技术中的建模大多基于常规的统计学方法，模型建立不够高效和精准。

申请内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供儿童社区获得性肺炎病原学类型预测方法、装置、终端及介质，用于解决现有技术中的模型建立不够高效和精准的问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种儿童社区获得性肺炎病原学类型预测方法，包括：构建儿童社区获得性肺炎数据集，据以构建儿童社区获得性肺炎病原学类型预测模型；训练所述病原学类型预测模型并进行准确性测试，并根据准确性测试结果选取最优预测模型；将所述最优预测模型适配于医疗应用端中的临床辅助决策系统，并在待诊患者符合预设触发条件时，利用所述最优预测模型对所述待诊患者进行诊断，并输出至少包括儿童社区获得性肺炎类型信息的预测结果。

于本申请的第一方面的一些实施例中，所述儿童社区获得性肺炎病原学类型预测模型的构建方式包括：根据预设条件选取样本人群并采集源数据；从所述源数据中抽取病例组和对照组并进行预处理；基于预处理后的数据，为每一类型病原体选取对应的入模特征变量并构建对应的病原学类型预测模型。