1.一种基于机器学习算法的华法林抗凝质量和不良反应预测模型的构建方法，其特征在于包括如下步骤：
2.根据权利要求1所述的方法，其特征在于步骤(1)中，所述患者临床数据获取的方法包括：
3.根据权利要求1所述的方法，其特征在于步骤(1)中，所述基因型检测的方法包括:dna抽提/pcr扩增/基因测序，对cyp2c9*3(i359l，a>c)rs1057910和vkorc1(g-1639a)rs9923231位点信息进行检测分型；所述基因型对华法林抗凝质量和不良反应的影响中包括：精准治疗组以基因检测推荐剂量为初始剂量，根据国际华法林药物基因组学联盟制订的华法林剂量预测算法计算华法林推荐剂量，随访中根据inr目标范围调整用药剂量；常规治疗组根据临床医师经验给予初始剂量，详细记录患者随访期间inr值，根据inr数值调整用药剂量。
4.根据权利要求1所述的方法，其特征在于步骤(2)中，所使用的机器学习构建算法包括随机森林、逻辑回归、线性判别式、支持向量机和人工神经网络；其中自变量的选择包括：cyp2c9与vkorc1两个基因型、性别、年龄、身高、体重、华法林剂量、合并用药情况、吸烟史和饮酒史；因变量包括量化的华法林抗凝质量和不良反应。
5.根据权利要求1所述的方法，其特征在于步骤(2)中，所述数据清洗和转换包括以下具体步骤：先对自变量和因变量进行重编码，分析连续变量的数据分布类型，对不符合正态分布的数据进行转换便于逻辑回归模型构建，将字符型分类变量转换为数值型分类变量，结果变量统一转换为二分类变量。
6.根据权利要求1所述的方法，其特征在于步骤(2)中，所述拆分数据集包括：在使用rstudio在r语言中加载caret包，使用caret包中的createdatapartition函数，设置输出变量，将数据集以输出变量为准按7：3的比例随机划分训练集和测试集。
7.根据权利要求1所述的方法，其特征在于步骤(2)中，所述算法选择包括：对所使用的机器学习构建算法根据数据的类型进行模型的性能评估，选择最优性能的算法模型输出结果；模型的性能评估包含roc、灵敏度、特异度、准确度和kappa值五种评估指标；所述变量筛选包括：使用boruta包中的boruta函数进行变量筛选，使用getselectedattributes函数获取被boruta函数确认的输入变量，并使用经测试集评估的最优算法构建新的优化模型，并进一步评价最优模型的性能。
8.根据权利要求1所述的方法，其特征在于步骤(2)中，所述测试集模型评估包括使用predict函数分别评估五种算法使用训练集数据训练的模型在测试集中的性能，并使用proc包中的roc函数分别计算5种算法构建模型的roc曲线下面积，并绘制roc曲线，使用resamples函数对五个模型的敏感性、特异性、auc、准确度和kappa值进行综合比较，绘制包含95％置信区间的点图，根据roc曲线下面积和准确度，kappa值最高；优选地，基于最优算法和变量集构建的模型表达式为formulamodel_rf＝adr～cyp2c9+vkorc1+cha2ds2_vasc+hasbled+hypertension+drink+dose+height+age+smoke，进一步在r中使用randomforest函数，使用训练集数据，设置参数importance＝t输出权重,迭代次数iter＝5,随机森林数量ntree＝2000，进行模型构建。
9.根据权利要求1所述的方法，其特征在于步骤(3)中，面向用户以在线网站的方式通过模型输出华法林抗凝质量和不良反应的预测结果；进一步的，使用在r studio中使用shiny将最优算法构建的模型部署在在线网站上，形成面向患者和医护人员的应用界面，便于输出模型的预测结果。
10.一种基于机器学习算法的华法林抗凝质量和不良反应预测方法的应用装置，其特征在于它包括按照权利要求1的方法依次设置的患者个人临床数据和基因检测数据的输入模块，模型加载与后台数据传递模块，结果输出模块包括抗凝质量预测结果和不良反应预测结果的输出模块。