申请/专利权人：浙江大学

申请日：2024-04-19

公开（公告）日：2024-07-05

公开（公告）号：CN118299054A

主分类号：G16H50/30

分类号：G16H50/30;G16H50/70;G06F18/15;G06F18/2113;G06F18/214;G06F18/21;G06F18/2431;G06N5/01

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开一种基于机器学习的危重症患者急性肾损伤发生预警系统，包括数据获取与整合模块、特征筛选与确定模块、最优预测模型筛选与确定模块、风险预测结果输出模块、模型可解释性分析模块；数据获取与整合模块采集患者进入ICU时的基线特征并做预处理；特征筛选与确定模块内嵌基线特征分析、单因素逻辑回归分析、皮尔森斯皮尔曼相关性分析和特征重要度排序四个子模块；最优预测模型筛选与确定模块包括最优变量数目确定和最优模型确定2个子模块，用于明确每种机器学习模型达到最佳预测效能所需的最少变量数目；模型可解释性分析模块基于SHAP框架解释每位患者发生AKI的风险及关键特征的贡献度。本发明能够更早期且准确地评估患者AKI的发生风险。

主权项：1.一种基于机器学习的危重症患者急性肾损伤发生预警系统，其特征在于，该系统包括数据获取与整合模块、特征筛选与确定模块、最优预测模型筛选与确定模块、风险预测结果输出模块和模型可解释性分析模块；所述数据获取与整合模块获取进入ICU时患者的基线特征，并对基线特征依次进行数据标签标注、数据清洗、缺失值评估和归一化；所述特征筛选与确定模块筛选机器学习模型构建所需的关键特征变量，具体包括基线特征分析子模块、单因素逻辑回归分析子模块、皮尔森斯皮尔曼相关性分析子模块、特征重要度排序子模块；其中：所述基线特征分析子模块采用T检验或Wilcoxon秩和检验针对阳性病例组与阴性对照组进行统计学分析，根据筛选标准筛选得到具有显著性差异的基线特征变量；所述单因素逻辑回归分析子模块针对输出的有显著性差异的基线特征变量，以入住ICU期间是否发生AKI为结局指标，利用单因素逻辑回归算法，筛选得到候选变量；所述皮尔森斯皮尔曼相关性分析子模块针对所述候选变量，判断变量数据是否为满足正态分布的连续数据，若为是，则采用皮尔森相关性分析，计算变量之间的相关性；若为否，则采用斯皮尔曼相关性分析，计算变量之间的相关性；并将相关性分析结果呈现给用户，根据临床意义的重要性和指标ROC曲线下面积筛选确定最佳特征入组，最终得到关键特征；所述特征重要度排序子模块基于重要度排序算法对所述关键特征变量进行重要度排序；所述最优预测模型筛选与确定模块通过十折交叉验证，依据ROC曲线面积与预测准确度确定最优预测模型，包括2个子模块，即最优变量数目确定子模块和最优模型确定子模块，其中：所述最优变量数目确定子模块用于明确每种机器学习模型达到最佳预测效能所需的最少变量数目，具体为：按照重要度由高到低将关键特征变量逐步添加到机器学习模型中，通过ROC曲线面积和预测准确度两个不同维度指标，确定每个机器学习模型所需关键特征变量的最少数目；所述最优模型确定子模块内嵌多种机器学习算法，通过比较所构建模型的ROC曲线面积和预测准确度确定最佳预测模型；所述风险预测结果输出模块将所述最优预测模型所包含的关键特征变量输入构建的最优预测模型，输出危重症患者发生急性肾损伤的风险概率；所述模型可解释性分析模块利用SHAP框架解释每位危重症患者计算得到的AKI风险概率，分析关键特征变量的重要度与贡献度值。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于机器学习的危重症患者急性肾损伤发生预警系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD