一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法

本发明涉及一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，用于早期判断心脏术后病人发生急性肾损伤的风险。

背景技术：

1、急性肾损伤(aki)以肾功能的突然下降为特征，是一种常见并且具有高死亡率的疾病，早期aki的准确诊断能够及时干预治疗，防止aki恶化。然而，作为识别aki最常见的诊断标准，kdigo指南中aki尿量诊断标准需要在至少6小时内尿量，而肌酐诊断标准需要至少48h，也就是说，aki最快的诊断时间是6h。对于无法在6h内实现诊断的aki患者，可能错过进行透析的最佳窗口时间，从而导致重症率和死亡率的增高。因此，对于无法在6h内诊断aki的患者，迫切需要开发新的策略，识别aki的高风险人群并做好积极的应对措施，帮助实现aki的早期诊断、早期治疗，将其对患者的不利影响降到最低。

技术实现思路

1、本发明要解决的技术问题是：某些患者无法根据kdigo指南中的aki诊断标准在6h内诊断aki。

2、为了解决上述问题，本发明的一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，其特征在于，包括以下步骤：

3、步骤1、选取危急重症监护数据库中若干名进行心脏手术的患者，排除其中不符合入组标准的患者；

4、步骤2、对步骤1选出的患者进行诊断，判断每个患者是否发生aki；并筛选出步骤1选出的患者的多个变量；

5、步骤3、基于步骤1选出的患者以及步骤2筛选出的变量和aki诊断结果构建训练集和测试集；

6、步骤4、对训练集的所有患者的所有变量进行多因素cox回归分析，构建多因素cox回归模型，从所有变量出筛选出n个对心脏术后患者是否发生aki影响最大的因素，n≥3；

7、步骤5、使用gbm机器学习的方法对n个因素进行重要性的分析，从n个因素中选出患者进行心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平作为最为最重要的两个因素；

8、步骤6、将患者进行心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平的值作为xgboost机器学习模型的输入，相应患者是否发生了aki作为xgboost机器学习模型的输出标签，进行xgboost机器学习模型的训练，重新构建了在6h内用于判断心脏术后患者发生aki风险的xgboost机器学习模型。

9、优选地，步骤1中，排除危急重症监护数据库中入院时间小于24小时、年龄<18或>89、患有终末期肾脏病、在诊断aki后的48小时内进行过透析、在窗口期死亡和缺失过多临床信息的患者。

10、优选地，步骤2中，根据kdigo指南对步骤1选出的患者进行诊断。

11、优选地，步骤2中，对于筛选出变量的缺失值，通过micelinearregression的方法进行填补。

12、优选地，所述步骤6之后还包括：

13、步骤7、在验证集上对步骤6所获得的xgboost机器学习模型进行验证。

14、本发明的另一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法所构建的xgboost机器学习模型的应用，其特征在于，将实时获得的患者的心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平输入通过上述方法所构建的xgboost机器学习模型中，由xgboost机器学习模型预测当前患者发生心脏术后aki的风险。

15、本发明的另一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的系统，用于在6h内判断心脏术后病人发生急性肾损伤的风险，其特征在于，包括：

16、数据采集单元，用于获取患者进行心脏手术后6h内的尿量以及患者既往7天内最高肌酐水平；

17、采用上述方法构建的xgboost机器学习模型，用于基于数据采集单元获得的患者进行心脏手术后6h内的尿量以及患者既往7天内最高肌酐水平，对当前患者发生心脏术后aki的风险进行预测。

18、本发明通过xgboost机器学习的方法构建风险预测模型，实现在早期(即在6h内)判断心脏术后病人发生急性肾损伤的风险，具有如下有益效果：

19、1)能够做到对心脏术后患者发生aki风险的早期判断，从而能够及时采取预防和治疗措施，避免病情进一步恶化。对于患者进行早期风险评估，可以更好地掌握病情发展趋势，制定科学的治疗方案，提高治疗效果和患者生存率，减轻患者的痛苦和家庭的经济负担。

20、2)只需要得到2个变量，即心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平，就可以迅速实现对患者发生aki风险的判断，操作方便简单，结果时效性高。

技术特征：

1.一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，其特征在于，步骤1中，排除危急重症监护数据库中入院时间小于24小时、年龄<18或>89、患有终末期肾脏病、在诊断aki后的48小时内进行过透析、在窗口期死亡和缺失过多临床信息的患者。

3.如权利要求1所述的一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，其特征在于，步骤2中，根据kdigo指南对步骤1选出的患者进行诊断。

4.如权利要求1所述的一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，其特征在于，步骤2中，对于筛选出变量的缺失值，通过micelinearregression的方法进行填补。

5.如权利要求1所述的一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法，其特征在于，所述步骤6之后还包括：

6.一种用于早期判断心脏术后急性肾损伤风险的xgboost机器学习模型构建方法所构建的xgboost机器学习模型的应用，其特征在于，将实时获得的患者的心脏手术后的6h内的尿量以及患者既往7天内最高肌酐水平输入通过权利要求1所构建的xgboost机器学习模型中，由xgboost机器学习模型预测当前患者发生心脏术后aki的风险。

7.一种用于早期判断心脏术后急性肾损伤风险的系统，用于在6h内判断心脏术后病人发生急性肾损伤的风险，其特征在于，包括：

技术总结
本发明的一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法。本发明的另一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法所构建的XGBoost机器学习模型的应用。本发明的另一个技术方案是提供了一种用于早期判断心脏术后急性肾损伤风险的系统，其特征在于，包括：数据采集单元，用于获取患者进行心脏手术后6h内的尿量以及患者既往7天内最高肌酐水平；XGBoost机器学习模型。本发明通过XGBoost机器学习的方法构建风险预测模型，实现在早期(即在6h内)判断心脏术后病人发生急性肾损伤的风险。

技术研发人员：王誉霖,沈子妍,章晓燕
受保护的技术使用者：复旦大学附属中山医院
技术研发日：
技术公布日：2024/1/15