一种肺部术后并发症风险值预测方法、装置、设备及介质

本发明属于人工智能，涉及一种术后风险值预测领域，尤其涉及一种肺部术后并发症风险值预测方法、装置、设备及介质。

背景技术：

1、肺部术后肺部并发症是指手术后出现肺部异常和功能障碍的情况，对患者的健康和康复产生负面影响，可能导致心血管系统和免疫系统问题，延长住院时间并增加医疗费用。随着人口的发展和围手术期医学的进步，胸外科多病患者的数量不断增加。然而，胸外科术后肺部并发症(ppcs)发生率仍高达30.0%到50.0%，对患者预后有显著影响。为了能够早期发现术后肺部并发症的危险因素，识别高危人群，并采取相应的干预措施以预防和减少术后肺部并发症的发生，术后肺部并发症风险预测模型应运而生。通过预测模型的使用，可以实现患者的精准、分层管理,有效预防和减少术后肺部并发症的发生，提高手术病人的治疗效果和康复质量。现有的肺部术后并发症预测方法主要采用统计学方法建立风险预测模型，使用如logistic回归和cox回归来分析独立的影响因素，并根据回归系数建立模型。

2、申请号为202110967700.8的发明专利申请就公开了一种肺癌切除术后持续漏气风险预测模型构建系统，其包括：数据采集模块，与中央控制模块连接，用于采集各个医院胸外科病例及其相关数据，病例相关数据中包括多个临床及生理指标数据；数据处理模块，与中央控制模块连接，用于对采集的相应病例及其相关数据进行处理；中央控制模块，与数据采集模块、数据处理模块、分类提取模块、筛选模块、特征提取模块、模型构建模块以及评估模块连接，用于对数据进行处理，利用单片机或控制器控制各个模块正常工作；模型构建模块，与中央控制模块连接，用于基于处理后的数据以及特征提取结果进行肺癌切除术后pal风险预测模型的构建；所述基于处理后的数据以及特征提取结果进行肺癌切除术后pal风险预测模型的构建包括：根据多重共线性检验结果、特征提取结果和单因素及多因素logistic回归筛选结果进行变量筛选；绘制nomogram图，绘制特征曲线，根据约登指数确定分类临界值；并将处理的病例数据按照2:1的比例划分为训练集和内部验证集；利用ann、rf进行肺癌切除术后pal风险预测模型的构建；并利用训练集对构建的模型进行训练；基于内部验证集随机拆分样本和十字交叉验证对训练好的模型进行内部验证；利用其他中心数据集作为外部验证集，进行模型的外部验证；评估模块，与中央控制模块连接，用于通过区分度和校准度计算进行模型效果评估；所述评估模块通过区分度和校准度计算进行模型效果评估包括：采用c-index、准确度、敏感度、特异度、阳性似然比、阴性似然比、阳性预测值、阴性预测值描述区分度；通过绘制校准曲线、hosmer-lemeshow拟合优度检验和计算brier得分量化评估模型的校准度。

3、现有技术中心，肺部术后并发症的神经网络预测需要人工进行复杂的分析，其原因在于肺部术后并发症数据通常是表格形式数据，其中包含了离散和连续变量的混合，而神经网络对于异构表格数据的建模能力欠缺，从而影响模型性能；此外，现有大多数预测模型仅纳入局部手术数据，并未对当天季节因素的影响进行全面考虑，从而导致预测模型的数据来源不全面，无法充分反映肺部术后并发症的发生风险。

技术实现思路

1、本发明的目的在于：为了解决现有预测模型中的神经网络对异构表格建模能力欠缺从而影响模型性能、以及预测模型的数据来源不全面致使无法充分反应肺部术后并发症发生风险的问题，提供一种肺部术后并发症风险值预测方法、装置、设备及介质。

2、本发明为了实现上述目的具体采用以下技术方案：

3、一种肺部术后并发症风险值预测方法，包括以下步骤：

4、步骤s1，获取样本数据；

5、获取肺部术后样本数据，并对肺部术后样本数据是否发生并发症进行标定，形成标签数据；

6、步骤s2，构建风险值预测模型；

7、构建风险值预测模型，风险值预测模型包括xgboost树模块、lstm模块和nmode模块；

8、步骤s3，训练风险值预测模型；

9、采用步骤s1的样本数据对步骤s2构建的风险值预测模型进行训练；

10、步骤s4，风险值实时预测；

11、获取实时的术后数据，并输入风险值预测模型，风险值预测模型输出预测的风险值。

12、进一步地，步骤s1中，肺部术后样本数据包括年龄群、性别编号、患者手术日期、当日气压、气压高于均值、当日气温、气温高于均值、每日湿度、湿度高于均值、日照、日照高于平均值、aqi、pm2.5、pm10、so2、co、no2、o3_8h、aqi分级2.5分级、10分级、so2高于平均值、co高于平均值、no2高于危险值、o3高于危险值、monthandseason、季节编号、住院时间、高血压、心血管疾病、copd肺气肿、糖尿病、肿瘤史、合并疾病其它、吸烟史、是否仍吸烟、肺功能情况、mvv情况、弥散功能情况、bmi分类、开胸还是微创、手术分钟、切除范围编号、留置根数。

13、更进一步地，采用smote算法对肺部术后样本数据进行数据预处理，smote算法具体为：

14、基于每个样本的k个最近邻样本，随机选择n个邻近点，并通过插值生成介于0和1之间的阈值来合成数据；输入为数据集x，输出为采样后的数据集，大小为(n/100)*t；

15、其中，t表示待处理的样本数量，n表示采样比例，k表示最近邻样本数。

16、进一步地，步骤s2中，xgboost树模块根据样本数据并输出样本对应的权重，具体为：

17、步骤s2-1-1，构建了包括n棵决策树的xgboost树模块，用于对样本数据进行拟合，并计算每个特征在每棵决策树中的分裂增益；

18、步骤s2-1-2，通过分析每个特征在每棵决策树中的分裂增益，得到每个特征的分数；

19、步骤s2-1-3，将分数低于阈值的样本舍弃，保留分数高于阈值的样本，并输出样本的权重。

20、更进一步地，步骤s2中，lstm模块包括多个采用前向传播的lstm子模块a、多个采用反向传播的lstm子模块a`，样本数据以及由xgboost树模块输出的该样本的权重作为lstm子模块a、lstm子模块a`的输入，lstm子模块a、lstm子模块a`的输出与对应的样本数据进行跳跃连接后作为lstm模块的输出。

21、更进一步地，lstm子模块a、lstm子模块a`均增加有窥探孔结构并使用coupled忘记机制。

22、进一步地，步骤s2中，nmode模块的神经常微分方程为：

23、

24、其中，表示nmode模块的输入，表示数据x在lstm模块的输出，表示nmode模块在时间 t 的状态。

25、一种肺部术后并发症风险值预测系统，包括：

26、样本数据获取模块，用于获取肺部术后样本数据，并对肺部术后样本数据是否发生并发症进行标定，形成标签数据；

27、风险值预测模型构建模块，用于构建风险值预测模型，风险值预测模型包括xgboost树模块、lstm模块和nmode模块；

28、风险值预测模型训练模块，用于采用样本数据获取模块的样本数据对风险值预测模型构建模块构建的风险值预测模型进行训练；

29、风险值实时预测模块，用于获取实时的术后数据，并输入风险值预测模型，风险值预测模型输出预测的风险值。

30、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。

31、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。

32、本发明的有益效果如下：

33、1、本发明中，采用xgboost树结构对数据进行编码，并提取了特征的重要性，再使用改进的lstm对数据中的相关特征依赖性进行分析，并提取出经过处理的特征，最后利用神经常微分方程的记忆与学习能力，分析提取的特征，并给出最终的预测结果。本方法能够解决现有预测模型中的神经网络对异构表格建模能力欠缺从而影响模型性能、以及预测模型的数据来源不全面致使无法充分反应肺部术后并发症发生风险的问题，可对肺部手术术后并发症风险值进行准确的预测，为临床医生提供重要的参考依据。

34、2、本发明提出了一种新的神经网络模型，将树模型和神经网络模型相结合，并改进了lstm网络和nmode模块来预测术后并发症通过与其他模型在数据集上进行比较，证明了该模型具有优秀的性能，可作为一种术前评估工具，指导患者在围手术期的治疗，更有效地预防术后肺部并发症的发生，为医生提供帮助。

35、3、本发明已完成训练的模型具备快速检测和预测的能力，支持批量操作，并可随设备扩展而提升速度。这种模型能够节省初级筛查所需的人力和物力资源，从而使医生能够将工作集中于更高层次的诊断和处置方案设计；此外，该模型还能够无人值守地对未完全分析的积压性数据进行自动处理。