[发明专利]一种重症患者预后的预测方法

说明书

一种重症患者预后的预测方法，本发明提供一种基于集成学习的方法预测危重患者预后的方法，属于重症患者预后评估领域。所述方法包括：通过结构化语言纳入患者和医院相关数据；基于随机森林筛选出特征变量，通过正则化逻辑回归、K最近邻、支持向量机、随机森林、极限梯度提升和深度神经网络算法构建预测模型；通过不同方法的预测概率通过极限梯度提升算法进行集成学习最终预测出重症患者死亡与否，并进一步计算出其发生的概率。本发明尽量的利用了患者数据和医院的特征信息，进行个体化的预测重症患者的预后，削弱某一模型导致的预测偏倚，增加预测的准确性。

技术领域

一种重症患者预后预测的方法，特别是一种基于多种机器学习方法集成学习后的重症患者预后预测方法。

背景技术

危重患者通常存在危及生命的器官或系统功能障碍，尽早评估并给予积极救治对挽救患者生命至关重要。危重患者病情复杂，变化迅速；因此仅通过主观经验来评估患者的死亡风险是比较困难的。目前临床上通过一些评分系统来反映危重患者病情的严重程度，对死亡的预测具有一定的价值，包括简化急性生理评分模型、急性生理与慢性健康状况评分模型、死亡概率模型等。

这些模型都是基于逻辑回归方法建立的且存在一些缺点，包括①模型要求预测变量和相应结果之间呈线性关系。尽管分数多项式可用来拟合非线性关系，但这需要建模者能识别出预测变量的有效表示形式，从而使得模型具有最佳的预测性能；②共享性的存在，将导致LR模型中回归系数的估计不稳定,使得模型系数不再具有可解释性。③逻辑模型对多元共线性数据、缺失数据和非平衡数据敏感难以实现高阶交互作用。④外部验证发现现有的模型性能不够理想。比如当这些模型用于开发以外的数据时，死亡率会被高估。

鉴于上述缺陷，本发明创作者经过长时间的研究和时间终于获得了本发明。

发明内容

本发明的目的是：提供一种基于各个医院的重症患者历史数据构建预测死亡率的方法，该方法基于K最近邻、支持向量机、随机森林、极限梯度提升、深度神经网络算法相结合的集成学习模型，通过提取大数据中的重症患者的特征属性，从而预测重症患者预后，并以进一步计算其发生的概率。

本发明的技术方法是：一种基于重症患者大数据的预后概率计算方法，包括以下步骤：

步骤S1：纳入可能影响重症患者预后的数据，其中包括：患者的基本信息、进入重症监护室的生命体征和实验室检查结果、所处医院和重症监护室的床位数。

步骤S2：基于随机森林算法进行特征变量筛选并记录出特征变量数据集1。

步骤S3：通过正则化逻辑回归、K最近邻、支持向量机、随机森林、极限梯度提升、深度神经网络算法依次对数据集1构建6种不同的预测模型。

步骤S4：基于不同算法的6种预测模型分别对历史数据的重症患者计算预测概率，基于后者再次构建集成学习的极限梯度提升模型得出最终的预测模型。

本发明提供的一种基于统计学方法和机器学习方法集成学习的重症患者的预后预测方法，首先进行特征变量筛选，然后依次基于不同方法构建预测模型，最后通过极限梯度提升进行再次学习得到最终的预测模型。

与现有技术先比，本技术更好地利用了原始的真实数据，减少某种模型偏倚带来的预测失误，更加精准的预测病情复杂的重症患者的预后。

附图说明

为了更清楚地说明本发明各实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为本发明基于重症患者大数据的预后预测框架图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。