一种基于关键酶融合指标EHI的先兆子痫风险预测模型

本发明涉及先兆子痫风险评估，尤其是涉及一种基于关键酶融合指标ehi的先兆子痫风险预测模型。

背景技术：

1、先兆子痫顾名思义指有子痫的征兆，在医学中又称为子痫前期，指妊娠20周后，出现收缩压≥140mmhg和(或)舒张压≥90mmhg，伴有尿蛋白≥0.3g/24h，或随机尿蛋白(+)，或虽无蛋白尿，但合并以下任意一项症状时即被确诊为先兆子痫：1)血小板减少；2)肝功能损害；3)肾功能损害；4)肺水肿；5)新发生的中枢神经系统异常或视觉障碍等症状。先兆子痫发生后，如不能及时采取有效的干预治疗措施，会进一步发生为重度子痫前期，出现昏迷和抽搐，并发肾功能衰竭、心力衰竭、肺水肿、颅内出血、胎盘早剥等子痫症状威胁孕妇和胎儿生命安全。

2、先兆子痫(pe)的发病率持续上升，据《新英格兰医学杂质》的报道，全球范围内有2％-4％的妊娠会并发先兆子痫，是除产后出血以外最常见的孕产妇死亡原因。除此之外，先兆子痫还会对胎儿和新生儿的近期及长远健康产生影响，是目前产科领域亟待解决的科学难题之一。

3、

4、先兆子痫是一个累积多器官功能障碍的妊娠疾病，临床表现复杂，先兆子痫一旦发生，无有效治疗手段，除非终止妊娠。所以，预防和治疗使先兆子痫不发生或尽量推后，对于减少子痫前期对母婴的危害极其重要。目前，先兆子痫的预测为基于尿蛋白的预测方法，预测效果不佳、存在漏诊、可解释性不全面、对于尿蛋白阴性但有先兆子痫其他并发症的患者存在诊断不明确现象，不利于先兆子痫的识别和治疗。这些不利因素大大限制了临床检测判断先兆子痫概率在医学筛查中的应用。

技术实现思路

1、本发明的目的是提供一种基于关键酶融合指标ehi的先兆子痫风险预测模型，以解决目前先兆子痫预测方法预测效果不佳、存在漏诊、可解释性不全面、对于尿蛋白阴性但有先兆子痫其他并发症的患者存在诊断不明确，严重影响先兆子痫识别和治疗的问题。

2、为实现上述目的，本发明提供一种基于关键酶融合指标ehi的先兆子痫风险预测模型，所述预测模型为机器学习预测模型，基于待筛查者的ehi打分与先兆子痫ehi风险分类阈值确定待筛查者的先兆子痫患病风险，基于随机森林模型输出待筛查者先兆子痫患病预测概率。

3、优选的，所述待筛查者的ehi打分计算公式为：其中ldh为乳酸脱氢酶，alp为碱性磷酸酶，amy为淀粉酶，u-pro为尿蛋白。

4、优选的，先兆子痫ehi风险分类阈值为：ehi小于2，定为“较低风险”，ehi大于等于2且小于3，定为“低风险”，ehi大于等于3且小于10，定为“中风险”，ehi大于10，定为“高风险”。

5、一种如上所述的基于关键酶融合指标ehi的先兆子痫风险预测模型的建立方法，具体步骤如下：

6、s1、从医院获取人群样本的血生化和尿常规检测结果；

7、s2、利用步骤s1中获得的检测结果中的ldh、alp、amy、u-pro数据计算ehi并确立先兆子痫ehi风险分类阈值；

8、s3、将步骤s1和s2获得的ldh、alp、amy、u-pro和ehi数据输入随机森林模型训练，得到机器学习预测模型并保存；

9、s4、将待测样本输入ehi打分计算公式和s3获得的机器学习预测模型，根据先兆子痫ehi风险分类阈值和机器学习预测结果判定先兆子痫患病风险及概率。

10、优选的，所述步骤s1中的人群样本包括健康妊娠人群样本和确诊先兆子痫的患者样本。

11、优选的，所述步骤s2中确立先兆子痫ehi风险分类阈值的方法为：

12、s21、根据ehi打分计算公式计算出每个样本的ehi打分；

13、s22、将每个样本的ehi打分以间距为1划分区间，统计样本的ehi打分分布情况；使用每类样本在每一区间内的数量除以该区间内两类样本的总数量得到该类样本在该ehi区间内的概率；

14、s23、根据步骤s22获得的概率对相同趋势的多个区间进行合并，得出先兆子痫ehi风险分类阈值。

15、优选的，所述步骤s23中对多区间进行合并的原则为：使落在每个合并区间内的样本总数量均衡。

16、优选的，所述步骤s3中的随机森林模型建立方法如下：

17、s31、将先兆子痫患者的标签定为1，将健康妊娠人群的标签定为0，将样本的ldh、alp、amy、u-pro指标和ehi打分作为特征；

18、s32、将样本均分为训练集和测试集，比例为4:1；

19、s33、将训练集输入随机森林模型中进行训练，得到随机森林模型。

20、一种如上所述的基于关键酶融合指标ehi的先兆子痫风险预测模型在先兆子痫患病风险和患病概率评估中的应用。

21、一种如上所述的基于关键酶融合指标ehi的先兆子痫风险预测模型的使用方法，所述方法为：

22、s71、将待测样本数据输入建立的基于关键酶融合指标ehi的先兆子痫风险预测模型后，根据ehi打分计算公式计算出ehi打分；

23、s72、根据先兆子痫ehi风险分类阈值输出对应的先兆子痫患病风险；

24、s73、将步骤s71中的酶/蛋白指标和ehi打分结果载入训练好的预测模型中，获得患先兆子痫的预测概率。

25、本发明提供的先兆子痫风险预测模型是基于液体活检技术的关键酶融合指标ehi的先兆子痫风险预测模型，利用ldh、alp、amy、u-pro 4种关键酶/蛋白指标经过数学公式运算后得到ehi(enzyme hybrid index)数值，通过将ldh、alp、amy、u-pro 4种关键酶/蛋白指标输入随机森林模型来预测患先兆子痫的概率。

26、因此，本发明提供的一种基于关键酶融合指标ehi的先兆子痫风险预测模型，与现有技术相比，具有如下有益效果：

27、(1)本发明提供的先兆子痫风险预测模型使用了统计学和随机森林两种方法，创造性地简化了先兆子痫筛查预警的模式，结果预测准确性高、可解释性强，效果稳定，便于医务工作者使用；

28、(2)应用本发明提供的先兆子痫风险预测模型可以有效提高先兆子痫筛查的准确性和普及性，有效降低/避免漏诊、诊断不明确的现象，对于先兆子痫的筛查具有较高的实用价值。

29、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于关键酶融合指标ehi的先兆子痫风险预测模型，其特征在于：所述预测模型为机器学习预测模型，基于待筛查者的ehi打分与先兆子痫ehi风险分类阈值确定待筛查者的先兆子痫患病风险，基于随机森林模型输出待筛查者先兆子痫患病预测概率。

2.根据权利要求1所述的一种基于关键酶融合指标ehi的先兆子痫风险预测模型，其特征在于，所述待筛查者的ehi打分计算公式为：其中ldh为乳酸脱氢酶，alp为碱性磷酸酶，amy为淀粉酶，u-pro为尿蛋白。

3.根据权利要求1所述的一种基于关键酶融合指标ehi的先兆子痫风险预测模型，其特征在于，先兆子痫ehi风险分类阈值为：ehi小于2，定为“较低风险”，ehi大于等于2且小于3，定为“低风险”，ehi大于等于3且小于10，定为“中风险”，ehi大于10，定为“高风险”。

4.一种如权利要求1-3任一项所述的基于关键酶融合指标ehi的先兆子痫风险预测模型的建立方法，其特征在于，具体步骤如下：

5.根据权利要求4所述的一种基于关键酶融合指标ehi的先兆子痫风险预测模型的建立方法，其特征在于：所述步骤s1中的人群样本包括健康妊娠人群样本和确诊先兆子痫的患者样本。

6.根据权利要求4所述的一种基于关键酶融合指标ehi的先兆子痫风险预测模型的建立方法，其特征在于，所述步骤s2中确立先兆子痫ehi风险分类阈值的方法为：

7.根据权利要求6所述的一种基于关键酶融合指标ehi的先兆子痫风险预测模型的建立方法，其特征在于，所述步骤s23中对多区间进行合并的原则为：使落在每个合并区间内的样本总数量均衡。

8.根据权利要求4所述的一种基于关键酶融合指标ehi的先兆子痫风险预测模型的建立方法，其特征在于，所述步骤s3中的随机森林模型建立方法如下：

9.一种如权利要求1-3任一项所述的基于关键酶融合指标ehi的先兆子痫风险预测模型在先兆子痫患病风险和患病概率评估中的应用。

10.一种如权利要求1-3任一项所述的基于关键酶融合指标ehi的先兆子痫风险预测模型的使用方法，其特征在于，所述方法为：

技术总结
本发明公开了一种基于关键酶融合指标EHI的先兆子痫风险预测模型，属于先兆子痫风险评估技术领域。本发明提供的一种基于关键酶融合指标EHI的先兆子痫风险预测模型，使用了统计学和随机森林两种方法，创造性地简化了先兆子痫筛查预警的模式，结果预测准确性高、可解释性强，效果稳定，便于医务工作者使用；可以有效提高先兆子痫筛查的准确性和普及性，有效降低/避免漏诊、诊断不明确的现象，对于先兆子痫的筛查具有较高的实用价值。

技术研发人员：左永春,郭玉婷,刘明,夏书琴,梁雨朝
受保护的技术使用者：内蒙古大学
技术研发日：
技术公布日：2024/3/24