[发明专利]一种基于机器学习的重症序贯性脏器衰竭评分方法及系统

说明书

本发明公开了一种基于机器学习的重症序贯性脏器衰竭评分方法及系统，包括了临床指标筛选出25个重要影响指标；再利用公开重症数据库进行相关数据提取；之后对提取的数据，建立了一个基于决策树模型的组合模型进行模型训练；再利用算法进行指标筛选，最终通过算法分枝选择结合临床经验知识，保留8大器官系统的13个重要指标；此后划分指标数值区间，建立评估分数体系；最终对方法有效性进行验证，证明新评分方法的有效性。本发明最关键的突破在于定性定量的建立了一个13指标的8大系统评分方法，其有效性达到0.82，远高于SOFA评分。

技术领域

本发明属于医学评分技术领域，尤其是涉及一种基于机器学习的重症序贯性脏器衰竭评分方法及系统。

背景技术

危重疾病严重程度评分是根据疾病的一些重要症状、体征和生理参数等进行夹权或赋值，从而量化评价危重疾病严重程度的一种方法。定量性评估疾病的严重程度，预测疾病或病人死亡的危险性，能够帮助临床医生对个体病人的治疗做出决定。此外，其也能再评价治疗措施、资源利用、质量控制、ICU周转和使用率、医疗费用、病愈后生活质量、残疾状况以及领导决策等方面有诸多应用。

目前常用的危重疾病严重程度评分包括急性生理功能和慢性健康状况评分系统II、III，简称APACHEII、III；昏迷程度评分，简称GCS；多脏器功能性障碍评分，简称MODSScore；全身性感染相关性器官功能衰竭评分，简称SOFA以及简明急性生理功能评分，简称SAPS。

如公开号为CN109524124A的中国发明文献公开了一种重症评分系统，包括：用于采集每个评分项目的参数的数据值的采集模块；用于自动根据采集参数的最差值计算评分的自动计算评分模块；可以提供多种重症医疗评分，包括ApacheII、SOFA、VTE、营养评分。以ApacheII评分为例，其可用于在选定的时间范围内，自动选取每个参数对应的最差值计算评分；用于向用户显示选择时间段内评分项目的每个参数值变化趋势和评分值的分数范围的图形显示模块；用于供用户输入GCS评分记录的GCS 评分记录模块。

目前，SOFA评分是临床最常用的评估分数之一，其目的是描述多器官功能障碍综合征(multiple organ dysfunction syndrome，MODS)的发生、发展及评价发病率。其对6个器官系统进行0-4分的分数评估，每日记录最差值，分数越高，预后越差。它采用的变量均为持续变量，具有客观、简单、容易获取及可靠的特点，对所评价的器官功能有特异性。此外，其能区分单个器官功能障碍或衰竭的程度，这样可使评分能广泛应用，并促进不同来源病人之间的比较。

但是，SOFA评分也存在一些不足和缺点。其最早提出于1994年，虽经过多年的发展和完善，但大体的改进不多，针对其计算繁复等特点，日后还形成了qSOFA等改进评分方法。更重要的是，由于其缺少感染指标以及人口统计学指标，不能有效的对感染系统以及个人特点进行评估，且部分评估指标也已无法满足目前临床应用的需求。

发明内容

为了克服目前SOFA评分计算繁复、且缺乏感染系统指标以及人口统计学指标的不足和缺点，本发明提供了一种基于机器学习的重症序贯性脏器衰竭评分方法及系统，在保证评估有效性的同时，有利于临床的全面评估，且也具有客观、简单、易获取等性质。

一种基于机器学习的重症序贯性脏器衰竭评分方法，包括以下步骤：

(1)根据医生的经验筛选出初步的临床指标；

(2)选择公开的重症数据库，对样本中与筛选出的临床指标相关的数据进行提取和清洗，剔除缺失指标较多的部分样本；

(3)构建基于决策树模型的多算法模型，通过多个算法的加权平均作为模型的最终输出；

(4)筛选算法指标，输入步骤(2)处理后的样本数据，在基于决策树模型的特征重要性排序功能下，通过算法对临床指标进行重要性特征排序，保留13个算法筛选指标；