一种血液透析低血压并发症的辅助诊断方法与流程

1.本技术涉及医疗信息的技术领域，具体涉及一种血液透析低血压并发症的辅助诊断方法，能高效率高质量地实现纳米压印的全自动化生产。


背景技术：

2.血液透析是急慢性肾功能衰竭患者肾脏替代治疗方式之一。它通过将体内血液引流至体外，经一个由无数根空心纤维组成的透析器中，血液与含机体浓度相似的电解质溶液(透析液)在一根根空心纤维内外，通过弥散、超滤、吸附和对流原理进行物质交换，清除体内的代谢废物、维持电解质和酸碱平衡；同时清除体内过多的水分，并将经过净化的血液回输的整个过程称为血液透析。
3.血液透析的短期目标是纠正体液和电解质失衡并去除毒素，对于肾衰竭患者的治疗长期目标是使患者的功能状态、舒适感和血压达到最佳水平，预防尿毒症并发症并改善生存率。为了保障血液透析的执行质量和患者的治疗质量，患者需要定时到医院透析室或者其他透析中心机构，通过血液透析维持体液和电解质平衡，并将血压控制在正常范围内。
4.血液透析因为是重要的肾替代治疗方案，是患者赖以生存的重要方式。而血液透析过程往往伴随着多种并发症的发生。


技术实现要素：

5.为了解决上述问题，辅助透析医师和护士处理病情，做好低血压发生的准备，本发明提出了一种血液透析低血压并发症的辅助诊断方法，该方法包括，
6.采集第一类患者的数据，预处理第一类患者的数据，形成第一样本集。
7.预处理第一样本集，建立低血压预测模型。
8.其中，第一样本集随机划分为模型训练集、验证集和测试集。
9.处理第一样本集，使用逻辑回归模型、支持向量机模型、高斯混合模型、随机森林模型、决策树模型、神经网络模型中的一种或多种。
10.在进一步的实施例中，第一类患者的数据包括第一类患者的指标检测数据和透析记录数据。
11.预处理第一类患者的数据，形成第一样本集。包括
12.第一遍历第一类患者的数据，筛选第一类患者的数据的敏感字段，清除敏感字段。
13.第二遍历第一类患者的数据，筛选第一类患者的数据的缺失值字段，采用患者历史均值补缺该缺失值字段。
14.对上述第一类患者的数据进行正则化处理，形成第一样本集。
15.在进一步的实施例中，预处理第一类患者数据还包括，
16.将每个第一类患者的id作为区分该第一类患者的数据的唯一标示，根据id，将透析记录数据按时间排列形成序列化数据。
17.在进一步的实施例中，处理第一样本集，建立低血压预测模型，包括，
18.标注预处理的第一样本集，获取概率、特征向量和参数权重，其中概率的取值范围为[0,1]。
[0019]
建立概率对特征向量的s型函数，并确定损失函数。
[0020]
使用第一样本集训练s型函数，得到最佳参数权重。
[0021]
在进一步的实施例中，使用以上分类器为基分类器的boost模型，获得最佳参数权重θ。
[0022]
在进一步的实施例中，处理第一样本集，建立低血压预测模型，包括，
[0023]
标注预处理的第一样本集，获取概率和特征向量，其中概率的取值范围为[0,1]。
[0024]
使用第一样本集训练分割超平面函数，获取最佳参数，使超平面判别概率为0和概率为1的界限。
[0025]
在进一步的实施例中，处理第一样本集，建立低血压预测模型，包括，
[0026]
对第一样本集设定基分类器、训练轮数以及样本初始权重分布。
[0027]
根据基分类器的每轮误差率更新权重分布以及计算基分类器的系数。
[0028]
在最后一轮训练结束后，得到最终分类器。
[0029]
在进一步的实施例中，该方法进一步包括，获取第二类患者的数据，输入模型，输出低血压发生预测结果。
[0030]
在进一步的实施例中，获取第二类患者的数据，进一步包括，
[0031]
获取第二类患者的非透析记录数据。
[0032]
与第一样本集中的第一类患者的非透析记录数据组成数据集。
[0033]
在进一步的实施例中，输出低血压发生预测结果，进一步包括，
[0034]
对数据集的数据进行正则化处理。
[0035]
对数据集的对应患者进行聚类，生成的n个聚类，其中，n为大于0的正整数。
[0036]
选择第二类患者所在的第t个聚类，计算该聚类的低血压发生概率，其中，0＞t≥n。
[0037]
输出预测结果。
[0038]
本发明提供了一种基于高斯混合模型(gaussian mixed model，gmm)、(logistic regression)、支持向量机模型(support vector machine)、adaboost、随机森林、神经网络等算法的辅助诊断方法。本发明基于机器学习算法，可协助透析医师判断透析过程中低血压发生的可能性，以此来减轻医师繁重的人工工作并提高血透中心血液透析效率。
附图说明
[0039]
图1为一个实施例中血液透析低血压并发症的辅助诊断方法流程图；
[0040]
图2为一个实施例中低血压预测流程图；
[0041]
图3为一个实施例中患者数据采集流程图；
[0042]
图4为一个实施例中第二类患者低血压风险评估流程图；
[0043]
图5为一个实施例中逻辑回归模型流程图；
[0044]
图6为一个实施例中计算机设备内部结构图。
具体实施方式
[0045]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0046]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。本发明的说明书和权利要求书以及附图中的术语“第一”“第二”“第三”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应当理解，这样描述的对象在适当情况下可以互换。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排它的包含。本发明所提到的方向用语，例如：上、下、左、右、前、后、内、外、侧面等，仅是参考附图的方向。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。此外，本发明在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其它工艺的应用和/或其它材料的使用。
[0047]
本发明提出了一种血液透析低血压并发症的辅助诊断方法，如图1-图5所示，该方法包括以下几个步骤，
[0048]
s1、采集第一类患者的数据，预处理第一类患者的数据，形成第一样本集。
[0049]
在本步骤中，第一类患者指的是长期透析患者，主要是对经由专业透析医师标注的血液透析记录数据进行预处理得到样本总集。
[0050]
进一步地，s11、采集第一类患者的数据，包括采集长期透析患者的指标检测数据和透析记录数据，其中，指标检测数据，包括身体状况数据，生化检查数据等。
[0051]
优选地，对长期透析患者进行指标检测，如年龄、身高、体重、肾功能、血常规、电解质、心肺功能等，获得长期透析患者的指标检测数据。采集长期透析患者的透析记录数据，包括透析频次、单次透析时间、透前体重、透后体重、kt/v、urr变化情况、血管通路类型、历史并发症、感染记录数据、透析液浓度、抗凝方式和剂量等。
[0052]
s12、第一遍历第一类患者的数据，筛选第一类患者的数据的敏感字段，清除敏感字段。具体地，第一次遍历上述数据，对长期透析患者的指标检测数据和透析记录数据涉及个人信息的敏感字段进行抹去，如姓名、电话、家庭住址等。
[0053]
s13、第二遍历第一类患者的数据，筛选第一类患者的数据的缺失值字段，采用患者历史均值补缺该缺失值字段。具体地，第二次遍历上述数据，如有缺失值，则采用长期透析患者对于该字段值的历史均值填补缺失的模型输入数据。
[0054]
s15、对上述第一类患者的数据进行正则化处理，形成第一样本集。其中，第一样本集随机划分为模型训练集、验证集和测试集。优选地，将预处理好的第一样本集按7:1:2的比例随机划分为模型训练集、验证集和测试集。
[0055]
在一个实施例中，在步骤s13第二遍历第一类患者的数据之后，还需要步骤s14、将每个第一类患者的id作为区分该第一类患者的数据的唯一标示，根据该id，将第一类患者的透析记录数据按时间排列形成序列化数据。
[0056]
s2、预处理所述第一样本集，建立低血压预测模型。
[0057]
在本步骤中，预处理第一样本集，建立低血压预测的机器学习模型，使用了逻辑回归模型、支持向量机模型、高斯混合模型、随机森林模型、决策树模型、神经网络模型中的一种或多种。
[0058]
在一个实施例中，建立逻辑回归模型作为分类器。该模型对于处理二元分类问题有非常好的效果。包括以下步骤：
[0059]
s211、标注预处理的第一样本集，获取概率、特征向量和参数权重，其中概率的取值范围为[0,1]。
[0060]
具体地，对预处理好的第一样本集进行标注得到发生概率y，特征向量x以及参数权重θ，其中，y的取值范围为[0,1]、x的医学含义为指标的正则化后的向量表示。
[0061]
s212、建立概率对特征向量的s型函数(sigmoid function)，并确定损失函数。
[0062]
s213、使用第一样本集训练s型函数，得到最佳参数权重。
[0063]
对步骤s212的s型函数按照7:1:2的比例随机划分的模型训练集、验证集和测试集进行训练，得到最佳参数θ。
[0064]
优选地，考虑到低血压发生的样本数量占第一样本集较少，而出现的数据不平衡问题，可以通过调整数据的权重来解决，同时也可以用以该分类器为基分类器的boost模型，从而获得最佳参数权重θ。
[0065]
s214，输出低血压发生预测结果。
[0066]
在一个实施例中，建立支持向量机模型的分类器。包括以下步骤：
[0067]
s221、标注预处理的第一样本集，获取概率和特征向量，其中概率的取值范围为[0,1]。
[0068]
具体地，对预处理好的第一样本集进行标注，获得到发生概率y和特征向量x，则在svm中的分割超平面有：
[0069]wt
x+b＝0
[0070]
其中，y的取值范围为[0,1]、x的医学含义为指标的正则化后的向量表示，w和x都是n维列向量，x为平面上的点，w为平面上的法向量，决定了超平面的方向，b是一个实数，代表超平面到原点的距离。
[0071]
s222、使用第一样本集训练分割超平面函数，获取最佳参数，使超平面判别概率为0和概率为1的界限。
[0072]
具体地，对步骤s221的分割超平面函数按照7:1:2的比例随机划分的模型训练集、验证集和测试集进行训练，得到最佳参数w、b，使得该超平面能够清晰判别y＝0和y＝1的界限。
[0073]
在一个实施例中，建立adaboost分类器。包括以下步骤：
[0074]
s231、对第一样本集设定基分类器、训练轮数以及样本初始权重分布。
[0075]
具体地，对第一样本集设定基分类器f，训练轮数m和样本初始权重分布d；
[0076]
s232、根据基分类器的每轮误差率更新权重分布以及计算基分类器的系数。
[0077]
具体地，根据基分类器的每轮误差率e更新权重分布d，并计算基分类器f的系数α。
[0078]
s233、在最后一轮训练结束后，得到最终分类器。
[0079]
具体地，在第m轮训练结束后，得到最终分类器f。
[0080][0081]
在一个实施例中，辅助诊断方法还包括步骤s3、获取第二类患者的数据，输入所述模型，输出低血压发生预测结果。
[0082]
在本步骤中，第二类患者为新入患者，获取新入患者的数据，并根据该数据预测新入患者的低血压发生概率。
[0083]
优选地，对第二类患者建立高斯混合模型以判断低血压发生概率。包含如下步骤：
[0084]
s31、获取第二类患者的非透析记录数据。
[0085]
具体地，获得新入患者的身体状况数据、生化检查数据等非透析记录的指标检测数据un。
[0086]
s32、与第一样本集中的第一类患者的指标检测数据组成数据集。
[0087]
具体地，将步骤s31获得第二类患者的非透析记录数据un与第一类患者的指标检测数据uc，合并成数据集u1，该数据集u1不包括患者的透析记录数据。
[0088]
s33、对数据集u1的数据进行正则化处理。
[0089]
s34、对数据集的对应患者进行聚类，生成的n个聚类，其中，n为大于0的正整数。
[0090]
优选地，使用高斯混合模型对数据集u1进行聚类，获得生成的n个聚类，分别是c1，c2，...，cn，其中，n为大于0的正整数。
[0091]
s34、选择第二类患者所在的第t个聚类，计算该聚类的低血压发生概率，其中，0＞t≥n。
[0092]
具体地，选择第二类患者所在的聚类ct，计算聚类ct的低血压发生概率分布f(x)，其中，0＞t≥n。
[0093]
s35、输出预测结果。
[0094]
具体地，依据第二类患者的数据，输出该患者的低血压发生概率。
[0095]
优选地，上述方法可用于长期透析患者的低血压风险评估。
[0096]
在一个实施例中，数据集u1为第二类患者的检测数据和第一类患者的检测数据合并形成的第二样本集。
[0097]
在一个实施例中，第一类患者和第二类患者的数据可以同时采集，将第一类患者的指标检测数据和透析记录数据形成第一样本集，将第一类患者的指标检测数据和第二类患者的指标检测数据形成第二样本集。指标检测数据包括但不限于年龄、身高、体重、肾功能、血常规、电解质、心肺功能等。透析记录数据包括但不限于透析频次、单次透析时间、透前体重、透后体重、kt/v、urr变化情况、血管通路类型、历史并发症、感染记录数据、透析液浓度、抗凝方式和剂量等。
[0098]
应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0099]
在一个实施例中，还提供了一种计算机设备，该计算机设备可以是数据管理服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的数据源终端通过网络连接通信，以接收数据源终端上传的数据。该计算机程序被处理器执行时以实现血液透析低血压并发症的辅助诊断方法。
[0100]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0101]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述血液透析低血压并发症的辅助诊断方法。
[0102]
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0103]
本发明提供了一种基于gmm、逻辑回归、支持向量机、adaboost、随机森林、神经网络等算法的辅助诊断方法。本发明基于机器学习算法，可协助透析医师判断透析过程中低血压发生的可能性，以此来减轻医师繁重的人工工作并提高血透中心血液透析效率。
[0104]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。