一种出血性脑卒中临床智能预测方法

本发明属于机器学习，具体涉及一种出血性脑卒中临床智能预测方法。

背景技术：

1、出血性脑卒中是脑出血的一种类型，它是指非外伤性脑实质内血管破裂引起的出血，占全部脑卒中的20％-30％，在急性期病死率达到30％-40％，该病高发病率、高死亡率、高致残率的特点给病人及家属的生活带来了较大的影响。随着诊疗水平不断提高，出血性脑卒中死亡率明显下降，但患者仍伴有运动、语言、认知等方面的障碍，严重影响日常工作、生活，临床需实施有效护理干预。因此，将影像学特征、患者临床信息和诊疗方案整合起来，用于预测和优化出血性脑卒中患者的预后和临床决策，对于提高患者的生存率和生活质量非常重要。

2、血肿扩大是出血性脑卒中后死亡和预后不良的决定因素。出血性脑卒中后，血液会渗漏到脑组织种，导致血肿形成。随着血肿的扩张，颅内压可能急剧增加，危害脑组织甚至是神经功能。因而监测和控制血肿扩张对于出血性脑卒中患者的预后至关重要。脑出血的神经功能结果与神经纤维的机械性破坏和脑出血引起的继发性脑损伤有关。当邻近脑实质内血肿的脑组织含水量增加时，就会出现血肿周围水肿。它会进一步加重神经系统损伤，导致患者的症状恶化，并且血肿周围水肿的快速增长可能导致严重的颅内高压。总之，针对血肿扩张和血肿周围水肿的发生及发展这两个重要事件，进行早期识别和预测具有重要意义。

技术实现思路

1、为解决上述现有技术存在的技术问题，本发明提出了一种出血性脑卒中临床智能预测方法。

2、本发明为实现上述发明目的，采取的技术方案如下：一种出血性脑卒中临床智能预测方法，包括以下步骤：s1、时间-血肿扩张风险评定模型建立；s2、时间-血肿扩张风险评定模型求解；s3、1l1正则化逻辑回归模型建立与求解；s4、基于最优随机森林模型建立与求解；s5、对模型预测结果进行比较，得出最优结果。

3、进一步的作为本发明的优选技术方案，所述s1包括以下步骤：是否发生血肿扩张根据血肿体积前后变化得到，即xi代表后续检查的血肿体积比x1代表首次检查的血肿体积增加不小于6ml或是两者之间的相对体积增加不小于33％可知发生了血肿扩张事件，具体公式如公式(1)所示：

4、

5、其中ti和t0分别表示后续影像检查时间和入院首次检查时间点；tp和tq分别表示血肿扩张发生的时间和患者入院检查时间，而σ代表这两者之间的时间差。

6、进一步的作为本发明的优选技术方案，所述s2包括以下步骤：根据s1中模型求解得出患者发病后48小时内是否发生了血肿扩张事件以及其发生的时间；只统计在发病后48小时内发生了血肿扩张的事件，其余患者在发病后48小时内没有发生血肿扩张。

7、进一步的作为本发明的优选技术方案，所述s3包括以下步骤：l1正则化逻辑回归的损失函数由两部分组成：逻辑回归的损失项和l1正则化项，其数学公式具体如下所示：

8、逻辑回归的预测函数：

9、

10、其中：

11、逻辑回归的损失项：

12、

13、其中l(θ)是损失函数，m是样本数量，y(i)是第i个样本为正类的概率，θ是模型参数；

14、l1正则化使用参数权重的绝对值之和作为正则化项；l1正则化的数学形式如下所示：

15、

16、其中，r(w)是正则化项，w是模型的权重，n是权重的数量，λ是正则化系数，控制正则化的强度。

17、进一步的作为本发明的优选技术方案，所述s4包括以下步骤：使用主成分分析对特征变量进行降维，将多个指标转换为少数几个主成分；主成分分析pca的计算步骤：假设有n个样本，p个指标，则可构成大小为n*p的样本矩阵x:

18、

19、首先对其进行标准化处理：按列计算均值和标准差计算得标准化数据原始样本矩阵经过标准化变为：

20、

21、计算标准化样本的协方差矩阵：

22、

23、其中

24、计算r的特征值和特征向量：

25、特征值：λ1≥λ2≥…≥λp≥0(r是半正定矩阵，且)

26、特征向量：计算主成分贡献率以及累计贡献率：

27、

28、得出主成分，根据上述计算过程，对贡献率进行从高到低排序，得出特征排序；通过主成分分析pca计算每个特征对模型的贡献排名，观察发现取前10个特征较合适；

29、经过主成分分析降维后，使用基于随机森林模型进行预测，使用训练集进行参数选择，得到最优随机森林模型，并且使用十折交叉验证方法来检验模型的效果；十折交叉验证指的是将数据集划分成了10个小数据集，并轮流将其中9份数据用作训练，另外一份数据则用来验证，最后，10次效果的均值作为最终的模型精度，经过上述调参后的模型求解时，预测的结果基本准确，因而选择基于最优随机森林模型来预测。

30、本发明所述的一种出血性脑卒中临床智能预测方法，采用以上技术方案与现有技术相比，具有以下技术效果：

31、(1)本发明方法用于预测和优化出血性脑卒中患者的预后和临床决策，对于提高患者的生存率和生活质量非常重要。

32、(2)本发明方法结合患者个人信息、治疗方案和预后等数据，构建一定的智能预测模型，有助于最大程度地提高治疗效果，减轻患者的症状，并改善预后，以及帮助医生明确导致预后不良的危险因素，为临床实践带来显著的进步。

技术特征：

1.一种出血性脑卒中临床智能预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的出血性脑卒中临床智能预测方法，其特征在于，所述s1包括以下步骤：是否发生血肿扩张根据血肿体积前后变化得到，即xi代表后续检查的血肿体积比x1代表首次检查的血肿体积增加不小于6ml或是两者之间的相对体积增加不小于33％可知发生了血肿扩张事件，具体公式如公式(1)所示：

3.根据权利要求2所述的出血性脑卒中临床智能预测方法，其特征在于，所述s2包括以下步骤：根据s1中模型求解得出患者发病后48小时内是否发生了血肿扩张事件以及其发生的时间；只统计在发病后48小时内发生了血肿扩张的事件，其余患者在发病后48小时内没有发生血肿扩张。

4.根据权利要求3所述的出血性脑卒中临床智能预测方法，其特征在于，所述s3包括以下步骤：l1正则化逻辑回归的损失函数由两部分组成：逻辑回归的损失项和l1正则化项，其数学公式具体如下所示：

5.根据权利要求4所述的出血性脑卒中临床智能预测方法，其特征在于，所述s4包括以下步骤：使用主成分分析对特征变量进行降维，将多个指标转换为少数几个主成分；主成分分析pca的计算步骤：假设有n个样本，p个指标，则可构成大小为n*p的样本矩阵x:

技术总结本发明属于机器学习技术领域，具体涉及一种出血性脑卒中临床智能预测方法。本发明包括以下步骤：S1、时间‑血肿扩张风险评定模型建立；S2、时间‑血肿扩张风险评定模型求解；S3、1L1正则化逻辑回归模型建立与求解；S4、基于最优随机森林模型建立与求解；S5、对模型预测结果进行比较，得出最优结果。本发明方法用于预测和优化出血性脑卒中患者的预后和临床决策，对于提高患者的生存率和生活质量非常重要。本发明方法结合患者个人信息、治疗方案和预后等数据，构建一定的智能预测模型，有助于最大程度地提高治疗效果，减轻患者的症状，并改善预后，以及帮助医生明确导致预后不良的危险因素，为临床实践带来显著的进步。技术研发人员：陈希希,支宝,陈志强,张金宝,程实受保护的技术使用者：南通大学技术研发日：技术公布日：2024/6/13