一种改进ARIMA-GRNN模型与诺莫图的临床输血量预测及分析方法

本发明涉及一种深度神经网络，是一种改进arima-grnn模型与诺莫图的网络，属于时间序列预测领域。

背景技术：

1、血液对于维系人的生命至关重要，据相关统计数据显示，568毫升的血液可以挽救三条人命。对于患者，血液的供给必须及时、迅速，否则就会造成患者死亡。然而，捐献血液有效期最长只有42天。因此，维持充足、安全的血液供应是非常重要的，尤其是当灾难或重大疾病爆发时。为了保证医院或血液中心对不同类型的血型储备充足，及时挽救患者生命，同时，又避免血液储备失衡造成个别血型血液失效而带来的浪费，开展临床输血量的研究，建立预测模型，及时和准确地预测未来一段时间内不同血型的临床用血量，对于合理采集和储备不同类型的临床用血显得尤为必要。

2、20世纪80年代以来，人工神经网络迅速兴起，成为了人工智能领域的重要研究热点。神经网络由于计算和处理非线性系统能力较强，已被广泛应用在计算机、生物、医学等领域，尤其是近年来兴起的深度学习算法。自上世纪求和自回归移动平均模型被提出后，arima模型就常出现在各种预测方法中。pereira建立了arima模型，对临床红细胞用量进行了预测，并对采血计划的制定提出了一定的指导意见。silva等人提出了改进的arima模型，并应用于医院所需的血液数据预测中，提高了采血中心的工作效率。近几年来，预测研究在粮食生产、电子商务、金融方面也有研究与进展。huang等人针对电子商务产品评论与评分的相关性问题，建立了arima模型，预测产品销售趋势，确定其销售前景的模型，并以此进行误差和灵敏度分析、聚类分析，对产品进行评价。由此可见，此类网络在预测中表现出的良好的效果。

3、随着深度学习的发展，逐渐有学者将深度神经网络应用于各个领域的预测当中，并出现了一系列的变体结构和优化模型。其中，grnn神经网络是径向基神经网络的一种，它是由rnn网络变体结构演变而来，具有很强的非线性映射能力和学习速度，在各个学科和工程领域得到了广泛应用。bendu等人使用grnn模型对乙醇燃料hcci发动机的性能和排放参数进行了评估，结果表明输出参数误差在2％之内。kerbouche等人研究了grnn算法用于光伏板功率预测的可靠性，结果表明grnn可以在气象数据临时变化的情况下预测实际的瞬时功率。由此可见，grnn模型对不用领域来说均有较好的预测效果。

4、由于现实中很多问题通常是复杂的，需要根据相应的理论基础和应用，将不同模型融合，产生较理想的效果。bai等人采用acpso-grnn模型，以轴承衰退期的相空间重构指数为基础，预测轴承剩余寿命。zhang等人提出将grnn模型与小波变换和广义自回归条件异方差(generalized autoregressive con-ditional heteroskedasticity,garch)模型融合，对西班牙电力市场价格进行预测，取得了较好的预测效果。liu等人分别建立灰色模型(gery models,gm)、arima模型、gm(1,1)-arima组合模型、变权组合模型，对某省病毒性甲型肝炎发病数进行预测，研究表明组合模型拟合及预测效果优于单一模型，且变权组合模型为最优预测模型。ji等人引入arima-cnn-lstm模型对碳期货价格进行预测，表明该模型比单一模型具有更好的预测精度。受上述融合模型的启发，同时结合血液预测数据特点，本发明将arima与grnn模型进行融合，并对模型内部进行优化，构建arima-grnn融合模型，用于临床输血量的预测。

5、nomogram图是一种图形计算装置，是一种二维图，常用于对数学函数或方程进行近似的图形计算。由于nomogram图能将复杂的回归方程转变为可视化的图形，增强预测结果的可读性、方便对患者进行评估，因此nomogram图在医学研究和临床实践中得到了广泛应用。han等人利用nomogram图，对疾病的筛查、诊断进行了预估；shan等人使用nomogram图和cox回归模型，开展了患者术后恢复和生存概率预测研究；zhou等人使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,lasso)回归模型，对相关特征进行了选择，同时应用多变量logistic回归分析构建了所选特征的预测模型，预测了covid-19发展态势，并可识别有患严重疾病风险的患者。受上述研究启发，结合医疗机构的用血量与科室、病人疾病种类及病人特点等因素密切相关，因此有必要对主次影响因素进行筛选，鉴于在血液预测领域还未有学者利用nomogram图进行预测，本发明考虑利用logistic回归模型，采用r语言绘制nomogram图，研究输血量的影响因素及主次关系，为临床用血提供参考。

技术实现思路

1、为了保证医院或血液中心在血液保质期内有充足的血液储备、避免血荒，及时挽救患者生命，本文基于哈尔滨市某医疗机构近10年的临床输血数据，开展临床输血量预测及相关影响因素的研究。本文基于求和自回归滑动平均模型(autoregressive integratedmoving average model,arima)与广义回归神经网络(generalized regression neuralnetwork,grnn)，建立适合医疗机构的输血量预测arima-grnn模型，根据医疗机构的用血量数据在训练过程中获取模型的最优参数，并基于logistic模型利用r语言绘制诺莫图(nomogram)，量化分析各因子对临床输血量的影响。

2、本发明的一种改进arima-grnn模型与诺莫图的临床输血量预测及分析方法，所述方法包括：

3、s1、数据预处理：

4、实验所用数据来源于哈尔滨市某医疗机构2010年～2020年期间采集的a型、b型、ab型和o型四种血型临床红细胞用血量数据。由132个月的月用血量数据构成数据集，每种血型选取前122个月(2010年1月到2020年2月)的临床用血量数据为训练集，最后10个月(2020年3月到2020年12月)临床用血量数据为测试集，训练集与测试集比例约为12:1。

5、为了更好的应用本发明提出的arima-grnn模型进行训练和测试，本发明采用smote方法对数据进行填充。

6、s2、构建arima-grnn模型：

7、通过国内外研究以及数据的分析发现，临床用血量的数据同时具有线性与非线性特征，用单一模型通常不能很好的描绘这种复合特征。由综述分析发现，arima模型在线性预测上有很大的优势，其残差可能具有非线性特征，因此可利用grnn神经网络较好的非线性逼近性能，并可对arima模型的残差进行非线性预测，结合两种模型的优势，本发明构建arima-grnn血液预测模型，并对grnn模型的光滑因子进行优化。

8、s3、利用构建好的改进arima-grnn模型对数据集进行训练。

9、arima模型在线性预测上有很大的优势，其残差可能具有非线性特征，因此可利用grnn神经网络较好的非线性逼近性能，并可对arima模型的残差进行非线性预测，结合两种模型的优势，构建arima-grnn血液预测模型，并对grnn模型的光滑因子进行优化。

10、s4、构建logistic模型，绘制nomogram图对临床输血量影响因素进行分析。

11、为了分析age、sex、hot、hgb、month、season、dept对临床输血rbc用量的影响关系，采用logistic模型，绘制a型、b型、ab型以及o型四种血型临床输血量的nomogram图，研究输血量的影响因素及主次关系。

12、本发明的有益效果，本发明基于求和自回归滑动平均模型(autoregressiveintegrated moving average model,arima)与广义回归神经网络(generalizedregression neural network,grnn)，建立适合医疗机构的输血量预测arima-grnn模型，根据医疗机构的用血量数据在训练过程中获取模型的最优参数，并基于logistic模型利用r语言绘制诺莫图(nomogram)，量化分析各因子对临床输血量的影响。研究表明，本发明提出的arima-grnn模型可以很准确预测未来一段时间医疗机构的用血量，预测误差小于10u。根据绘制的nomogram图可知，患者的血红蛋白数量(hemoglobin,hgb)和科室(department,dept)是不同血型输血量影响最为重要的因素。由此可见，本文建立的血液预测模型具有较好的预测效果，可为医疗机构不同科室及血站的血液储备提供数据参考。