[发明专利]一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法

说明书

本发明公开了一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法，包括：选取术前和术后体格指标已知的患儿，将患儿的营养不良状态作为因变量，以中心化的体格指标、左室射血分数、手术年龄和住院天数作为自变量，建立拟合随机森林、支持向量机、GBM、XGboost、人工神经网络和逻辑回归模型，采用五折交叉验证结合Grid‑Search方法寻找最优化参数，并经softvoting算法进行集成。模型对预测结果差的患儿推送干预建议，通过聚类技术将患儿按照基线指标进行聚类。对各个聚类中的预测结果差的患儿和预测结果好的患儿进行匹配，将预测结果好的患儿的部分指标结合知识库进行推送，实现智能干预。

技术领域

本发明涉及智能医疗技术领域，尤其是一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法。

背景技术

先天性心脏病是新生儿最常见的先天性缺陷，也是婴幼儿最常见的死亡原因。研究显示，近三分之一的患者在婴儿期需要手术治疗，且在术后仍有27％-85％的患儿表现出营养不良。营养不良可导致患儿免疫受损，认知能力下降，脑功能障碍和神经发育障碍，增加术后发病率和死亡率，对患儿的中远期产生显著不良影响。基于此，美国心脏协会和美国儿科学会建议应对先心病患儿整个儿童时期的发育结果进行系统的监视、评估和管理，以促进早期发现营养不良并优化长期结果。先心病患儿营养不良的原因是多方面的，以往调查发现，多方面的心脏损伤、较低的能量摄入、高代谢水平、手术的年龄、喂养因素以及吸收障碍是患儿术后营养不良的重要因素。因此，需要从多因素、多维度对患儿发育进行系统的监测，精准的预测和早期干预可减少营养不良的风险。以往研究中，临床医生和研究人员多是基于患儿的一般人口学特征、家庭社会特征，疾病特征及营养摄入等指标对患儿的营养不良的预测建立线性模型(例如logistic回归)，但由于线性模型在自变量与因变量之间存在非线性影响时效果不佳，导致目前的模型无法实现精准的非线性预测。

机器学习是一种交叉人工智能和统计学习研究的科学方法，是一种通过调查大量信息来发现未知关系或模式的方法。相比经典的线性统计模型，机器学习模型在处理分类问题方面表现出了优越性。同时，机器学习在健康和医学研究领域很受欢迎。随机森林，支持向量机和人工神经网络已被应用于急性阑尾炎，糖尿病等疾病的研究中。

目前，现有技术中暂无有效的先心病患儿手术后远期营养不良的预测模型以及干预工具，没有方便临床医生使用的软件工具，并且现有技术存在以下问题：

第一，临床上没有相关研究针对做过先心病手术的患儿的营养不良预测模型。已有的研究仅是针对先心病患儿的营养不良状况所展开的；

第二，目前仅有的一些研究先心病患儿营养不良的相关因素研究也仅仅提到了可能的相关因素，没有具体的临床指标来帮助临床医生评估患儿在术后继续发生营养不良的可能性；

第三，目前的研究均没有提供用于计算先心病手术患儿远期营养不良的工具，这样不利于模型在临床上的应用和推广；

第四，已有的针对先心病患儿的营养不良干预建议，是普适性的，并没有针对患儿的个体情况提供个性化的干预建议。

因此，急需要提出一种逻辑简单、准确可靠的用于先心病手术患儿术后远期营养不良的预测模型及构建方法，以实现精准预测患儿远期营养不良的目标，为临床营养干预提供重要的指导意义。

发明内容

针对上述问题，本发明的目的在于提供一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法，本发明采用的技术方案如下：

一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法，包括以下步骤：

选取术前体格指标和术后体格指标已知的患儿，并随机分为建模组和测试组；

获取患儿的前体格指标、手术诊断、左室射血分数、手术年龄、住院天数、喂养信息，将手术诊断和喂养信息转换成哑变量，并对体格指标、左室射血分数、手术年龄和住院天数进行中心化处理；