急性主动脉夹层疾病的输血预测方法、系统、设备及介质

本发明涉及医疗，特别是涉及一种急性主动脉夹层疾病的输血预测方法、系统、设备及介质。

背景技术：

1、急性主动脉夹层疾病是心血管疾病中最为凶险的疾病之一，其死亡率在65％-70％左右，因此早期的外科急诊手术治疗是必要的。由于主动脉夹层手术是需要更换夹层累及的大血管，因此术中需要的血制品种类和数量较大，一般输血率为40％-90％。在临床上，手术中大量输血并没有较好的指导方案，一般主刀医生会根据个人经验来提前申请血制品，这会导致一些不必要的血制品浪费。短期内需要准备大量的血制品对于医院输血科及血库都是不小的考验，如果准备过多会造成血制品的浪费，如果准备过少则会导致手术用血不够，严重的甚至能够影响手术安全及效果。此外，输血治疗是一把双刃剑，过度输血会导致患者术后呼吸、循环和神经系统并发症。主动脉夹层手术用血量大，影响输血的因素多，目前暂无能够预测该类手术输血的模型。

技术实现思路

1、本发明的目的是提供一种急性主动脉夹层疾病的输血预测方法、系统、设备及介质，以实现准确预测急性主动脉夹层疾病患者术中或术后是否需要输血以及输血量。

2、为实现上述目的，本发明提供了如下方案：

3、一种急性主动脉夹层疾病的输血预测方法，所述输血预测方法包括：

4、建立历史患者数据集；所述历史患者数据集包括：历史患者的临床资料和历史患者的输血决策；所述临床资料包括：术前资料和术中资料；所述术前资料包括：性别、年龄、身高、体重、术前是否贫血、血红蛋白数值、术前主动脉夹层累积范围和术前基础疾病；所述术中资料包括：手术方式、手术时间和体外循环时间；所述输血决策包括：是否输血和输血量；

5、根据所述历史患者的临床资料确定历史患者的输血相关特征；

6、采用机器学习算法，根据所述历史患者的输血相关特征和所述历史患者的输血决策，训练输血预测模型；所述输血预测模型包括：输血分类模型和输血量预测模型；所述输血分类模型用于预测是否输血；所述输血量预测模型用于预测输血量；

7、获取待测患者的临床资料，并利用所述输血预测模型，根据所述待测患者的临床资料，预测得到待测患者的输血决策。

8、可选地，所述历史患者数据集还包括：历史患者的预后情况；所述预后情况包括：术后是否贫血、术后引流量、机械通气时间和住院天数；所述输血预测方法还包括：

9、获取待测患者的预后情况；

10、采用倾向得分匹配算法，根据所述待测患者的预后情况和所述历史患者数据集，确定待测患者的输血误差；

11、将所述待测患者的输血误差反馈至所述输血预测模型，以对所述输血预测模型进行修正。

12、可选地，所述输血预测方法还包括：

13、根据所述待测患者的临床资料、所述待测患者的输血决策和所述待测患者的预后情况更新所述历史患者数据集，以对所述输血预测模型进行更新。

14、可选地，根据所述历史患者的临床资料确定历史患者的输血相关特征，具体包括：

15、对所述历史患者的临床资料进行特征抽取，得到历史患者的原始特征；

16、采用特征分析方法对所述历史患者的原始特征进行重要性和相关性分析，得到历史患者的输血相关特征；所述输血相关特征为与所述输血决策的相关程度大于第一设定值且与其他原始特征的相关程度小于第二设定值的若干个原始特征。

17、可选地，所述特征分析方法包括：person相关性分析、卡方检验、方差分析和随机森林中的至少一项。

18、可选地，采用机器学习算法，根据所述历史患者的输血相关特征和所述历史患者的输血决策，训练输血预测模型，具体包括：

19、将所述历史患者的输血相关特征和所述历史患者的输血决策确定为训练数据集，并将所述训练数据集按照设定比例划分为开发集和测试集；

20、采用机器学习算法，并结合交叉验证方法和超参数优化算法，根据所述开发集训练初步预测模型；

21、根据所述测试集对所述初步预测模型的预测效果进行测试，得到测试结果；所述测试结果包括：ruc曲线、pr曲线、auc和误差平方和中的至少一项；

22、若所述测试结果不满足设定要求，则对所述机器学习算法进行调整，并重新训练初步预测模型；

23、若所述测试结果满足设定要求，则将所述初步预测模型确定为输血预测模型。

24、可选地，所述机器学习算法包括：xgboost、bayesian和deep learning中的至少一项；所述超参数优化算法包括：hyperopt。

25、一种急性主动脉夹层疾病的输血预测系统，所述输血预测系统包括：

26、数据抽取模块，用于建立历史患者数据集；所述历史患者数据集包括：历史患者的临床资料和历史患者的输血决策；所述临床资料包括：术前资料和术中资料；所述术前资料包括：性别、年龄、身高、体重、术前是否贫血、血红蛋白数值、术前主动脉夹层累积范围和术前基础疾病；所述术中资料包括：手术方式、手术时间和体外循环时间；所述输血决策包括：是否输血和输血量；

27、特征工程模块，用于根据所述历史患者的临床资料确定历史患者的输血相关特征；

28、模型构建模块，用于采用机器学习算法，根据所述历史患者的输血相关特征和所述历史患者的输血决策，训练输血预测模型；所述输血预测模型包括：输血分类模型和输血量预测模型；所述输血分类模型用于预测是否输血；所述输血量预测模型用于预测输血量；

29、个体应用模块，用于获取待测患者的临床资料，并利用所述输血预测模型，根据所述待测患者的临床资料，预测得到待测患者的输血决策。

30、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的急性主动脉夹层疾病的输血预测方法。

31、一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的急性主动脉夹层疾病的输血预测方法。

32、根据本发明提供的具体实施例，本发明公开了以下技术效果：

33、本发明提供的急性主动脉夹层疾病的输血预测方法，通过建立历史患者数据集，从中确定对输血决策影响较大的输血相关特征，并根据输血相关特征和对应的输血决策，采用机器学习算法训练输血预测模型，从而能够根据待测患者的临床资料，准确预测待测患者术中或术后是否需要输血以及输血量。因此，采用本发明提供的急性主动脉夹层疾病的输血预测方法能够为主刀医生提供更加准确的输血预测，以辅助其决策，从而减少不必要的血制品资源浪费，尽可能救治更多的患者，保证了治疗过程的有效性和安全性。

技术特征：

1.一种急性主动脉夹层疾病的输血预测方法，其特征在于，所述输血预测方法包括：

2.根据权利要求1所述的急性主动脉夹层疾病的输血预测方法，其特征在于，所述历史患者数据集还包括：历史患者的预后情况；所述预后情况包括：术后是否贫血、术后引流量、机械通气时间和住院天数；所述输血预测方法还包括：

3.根据权利要求2所述的急性主动脉夹层疾病的输血预测方法，其特征在于，所述输血预测方法还包括：

4.根据权利要求1所述的急性主动脉夹层疾病的输血预测方法，其特征在于，根据所述历史患者的临床资料确定历史患者的输血相关特征，具体包括：

5.根据权利要求4所述的急性主动脉夹层疾病的输血预测方法，其特征在于，所述特征分析方法包括：person相关性分析、卡方检验、方差分析和随机森林中的至少一项。

6.根据权利要求1所述的急性主动脉夹层疾病的输血预测方法，其特征在于，采用机器学习算法，根据所述历史患者的输血相关特征和所述历史患者的输血决策，训练输血预测模型，具体包括：

7.根据权利要求6所述的急性主动脉夹层疾病的输血预测方法，其特征在于，所述机器学习算法包括：xgboost、 bayesian和deep learning中的至少一项；所述超参数优化算法包括：hyperopt。

8.一种急性主动脉夹层疾病的输血预测系统，其特征在于，所述输血预测系统包括：

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的急性主动脉夹层疾病的输血预测方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的急性主动脉夹层疾病的输血预测方法。

技术总结
本发明公开一种急性主动脉夹层疾病的输血预测方法、系统、设备及介质，涉及医疗技术领域。该方法包括：建立历史患者数据集；历史患者数据集包括：历史患者的临床资料和历史患者的输血决策；根据历史患者的临床资料确定历史患者的输血相关特征；采用机器学习算法，根据历史患者的输血相关特征和历史患者的输血决策，训练输血预测模型；输血预测模型包括：输血分类模型和输血量预测模型；输血分类模型用于预测是否输血；输血量预测模型用于预测输血量；获取待测患者的临床资料，并利用输血预测模型，根据待测患者的临床资料，预测得到待测患者的输血决策。本发明能够实现准确预测急性主动脉夹层疾病患者术中或术后是否需要输血以及输血量。

技术研发人员：刘顺,黄凌晨,郭宏伟,闫军
受保护的技术使用者：中国医学科学院阜外医院
技术研发日：
技术公布日：2024/1/16