一种鼻咽癌放疗后张口困难预警方法、装置、设备及介质

本发明涉及张口困难预警，特别涉及一种鼻咽癌放疗后张口困难预警方法、装置、设备及介质。

背景技术：

1、目前鼻咽癌的治疗方式通常为放射治疗，但放疗对放射区组织器官的损害广泛而持久，张口困难是鼻咽癌放疗后的一种晚期放射性损伤，是放射性颞颌关节和咀嚼肌纤维化的结果，发生率高达50%以上，尤其放疗后1个月和19个月后的张口困难发生率为27.5%和65%；主要由于放射疗法导致患者颞颌关节及咬肌发生退行性变和纤维化，继而引起肌肉萎缩、关节僵硬，出现张口时颞颌关节发紧、疼痛，甚至可出现牙关紧闭、言语困难、吞咽障碍、恶病质等，严重影响患者的生存质量。因此，如何降低放疗后张口困难的发生，提高鼻咽癌幸存者的生活质量也更加受到重视。

2、当前，患者的张口困难发生风险预测主要是根据医师和物理师的临床经验，例如按照鼻咽癌分期和放疗计划等将患者分为高危及低危患者，但是目前该技术仍存在缺点：医务人员在预测时，主要根据患者一系列医学检查结果、自身医疗知识和积累的临床经验，对病人是否可能发生张口困难进行预判。然而由于人为不可抗因素，一定程度上会产生错误估计。未能准确预测患者张口困难的发生，指导临床精准治疗。

3、综上，如何在患者放疗后，提前准确预测患者鼻咽癌放疗后是否出现实现张口困难现象是本领域有待解决的技术问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种鼻咽癌放疗后张口困难预警方法、装置、设备及介质，能够在患者放疗后，提前准确预测患者鼻咽癌放疗后是否出现实现张口困难现象。其具体方案如下：

2、第一方面，本技术公开了一种鼻咽癌放疗后张口困难预警方法，包括：

3、获取鼻咽癌患者的包含患者基本信息、放疗信息和放疗后张口是否困难的张口结果的医疗数据；

4、基于数据关联程度大小对所述医疗数据进行数据剔除处理，以得到满足预设数据关联程度条件的目标医疗数据；

5、将所述目标医疗数据输入至初始张口困难预警模型，以便通过rf-svm预警模型、logistic回归模型、bp神经网络模型和基于stacking构建的所述初始张口困难预警模型分别学习所述目标医疗数据中的目标基本信息、目标放疗信息与目标张口结果之间的关联信息，以得到训练后张口困难预警模型；

6、利用测试数据集分别对训练后rf-svm预警模型、训练后logistic回归模型、训练后bp神经网络模型和训练后stacking构建的训练后张口困难预警模型进行模型测试，以筛选出张口结果测试正确率最高值对应的训练后张口困难预警模型作为目标张口困难预警模型；

7、将待预测患者医疗数据输入至所述目标张口困难预警模型，以便通过所述目标张口困难预警模型输出相应的张口困难或张口不困难的预测分类结果。

8、可选的，所述获取鼻咽癌患者的包含患者基本信息、放疗信息和放疗后张口是否困难的张口结果的医疗数据，包括：

9、从鼻咽癌放疗治疗过程中记载的患者信息记录系统中导出包含鼻咽癌患者的性别、年龄、婚姻状况、文化程度、收入信息、医保类型的患者基本信息、包含鼻咽癌是否复发、鼻咽癌转移部位信息、放疗剂量、放疗次数、放疗过程的不同部位射线照射剂量、照射面积、是否存在放疗后期炎症信息的放疗信息、放疗后张口是否困难的张口结果的医疗数据。

10、可选的，所述基于数据关联程度大小对所述医疗数据进行数据剔除处理，以得到满足预设数据关联程度条件的目标医疗数据，包括：

11、将所述医疗数据分别作为自变量，并基于所有所述自变量构建包含自变量总数量k的回归模型，然后分别去掉一个所述自变量，以基于所述回归模型的构建方式得到k个包含k-1自变量的目标回归模型；

12、检测各所述目标回归模型的残差平方和的变化量，并将所述变化量最小的目标回归模型去掉的自变量作为待去除自变量，并将所述待去除自变量从所有目标回归模型中去除，然后执行所述检测各所述目标回归模型的残差平方和的变化量的步骤，直至达到预设停止条件，输出当前目标回归模型中的所有目标自变量；

13、将所述目标自变量表示的医疗数据作为目标医疗数据。

14、可选的，所述将所述目标自变量表示的医疗数据作为目标医疗数据之后，还包括：

15、将结构化后的所述目标医疗数据进行不同病种的打分，以分别得到各病种的危机值；

16、分别判断各所述危机值是否超过预警值，以得到各所述危机值的预警判断结果；

17、将所述预警判断结果中与超过所述预警值对应的目标医疗数据划分为高危预警数据组；

18、将所述预警判断结果中与不超过所述预警值对应的目标医疗数据划分为低危不预警数据组。

19、可选的，所述鼻咽癌放疗后张口困难预警方法，还包括：

20、将所述高危预警数据组、所述低危不预警数据组按照训练数据集和测试数据集的预设划分比例进行数据集划分，以分别得到用于训练初始张口困难预警模型的训练数据集和用于测试训练后线性核函数张口困难预警模型的测试数据集。

21、可选的，所述将所述目标医疗数据输入至初始张口困难预警模型，以便通过rf-svm预警模型、logistic回归模型、bp神经网络模型和基于stacking构建的所述初始张口困难预警模型分别学习所述目标医疗数据中的目标基本信息、目标放疗信息与目标张口结果之间的关联信息，以得到训练后张口困难预警模型，包括：

22、将所述训练数据集中的目标医疗数据输入初始张口困难预警模型，以便通过各所述rf-svm预警模型、logistic回归模型、bp神经网络模型和基于stacking构建的所述初始张口困难预警模型，分别学习所述目标医疗数据中的目标基本信息、目标放疗信息与目标张口结果之间的关联信息并优化模型参数和惩罚因子，以得到基于训练后rf-svm预警模型、训练后logistic回归模型、训练后bp神经网络模型和训练后stacking构建的训练后张口困难预警模型。

23、可选的，所述利用测试数据集分别对训练后rf-svm预警模型、训练后logistic回归模型、训练后bp神经网络模型和训练后stacking构建的训练后张口困难预警模型进行模型测试，以筛选出张口结果测试正确率最高值对应的训练后张口困难预警模型作为目标张口困难预警模型，包括：

24、通过svm.tune函数获取训练后rf-svm预警模型、训练后logistic回归模型、训练后bp神经网络模型和训练后stacking构建的训练后张口困难预警模型中的所述模型参数和所述惩罚因子，并对所有所述模型参数和所述优化因子进行参数组合，并利用所述测试数据集分别验证训练后张口困难预警模型中各参数组合中的错误偏差，以选择错误偏差最小的对应的参数组合作为优化后模型参数组合；

25、将包含所述优化后模型参数组合的所述训练后张口困难预警模型作为目标张口困难预警模型。

26、第二方面，本技术公开了一种鼻咽癌放疗后张口困难预警装置，包括：

27、数据获取模块，用于获取鼻咽癌患者的包含患者基本信息、放疗信息和放疗后张口是否困难的张口结果的医疗数据；

28、数据处理模块，用于基于数据关联程度大小对所述医疗数据进行数据剔除处理，以得到满足预设数据关联程度条件的目标医疗数据；

29、模型训练模块，用于将所述目标医疗数据输入至初始张口困难预警模型，以便通过rf-svm预警模型、logistic回归模型、bp神经网络模型和基于stacking构建的所述初始张口困难预警模型分别学习所述目标医疗数据中的目标基本信息、目标放疗信息与目标张口结果之间的关联信息，以得到训练后张口困难预警模型；

30、模型测试模块，用于利用测试数据集分别对训练后rf-svm预警模型、训练后logistic回归模型、训练后bp神经网络模型和训练后stacking构建的训练后张口困难预警模型进行模型测试，以筛选出张口结果测试正确率最高值对应的训练后张口困难预警模型作为目标张口困难预警模型；

31、结果预测模块，用于将待预测患者医疗数据输入至所述目标张口困难预警模型，以便通过所述目标张口困难预警模型输出相应的张口困难或张口不困难的预测分类结果。

32、第三方面，本技术公开了一种电子设备，包括：

33、存储器，用于保存计算机程序；

34、处理器，用于执行所述计算机程序，以实现前述公开的鼻咽癌放疗后张口困难预警方法的步骤。

35、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的鼻咽癌放疗后张口困难预警方法的步骤。

36、可见，本技术公开了一种鼻咽癌放疗后张口困难预警方法，包括：获取鼻咽癌患者的包含患者基本信息、放疗信息和放疗后张口是否困难的张口结果的医疗数据；基于数据关联程度大小对所述医疗数据进行数据剔除处理，以得到满足预设数据关联程度条件的目标医疗数据；将所述目标医疗数据输入至初始张口困难预警模型，以便通过rf-svm预警模型、logistic回归模型、bp神经网络模型和基于stacking构建的所述初始张口困难预警模型分别学习所述目标医疗数据中的目标基本信息、目标放疗信息与目标张口结果之间的关联信息，以得到训练后张口困难预警模型；利用测试数据集分别对训练后rf-svm预警模型、训练后logistic回归模型、训练后bp神经网络模型和训练后stacking构建的训练后张口困难预警模型进行模型测试，以筛选出张口结果测试正确率最高值对应的训练后张口困难预警模型作为目标张口困难预警模型；将待预测患者医疗数据输入至所述目标张口困难预警模型，以便通过所述目标张口困难预警模型输出相应的张口困难或张口不困难的预测分类结果。由此可见，通过直接获取历史鼻咽癌患者放射治疗时的医疗数据，并且对医疗数据按照数据关联程度大小进行数据剔除处理，得到目标医疗数据，以利用该目标医疗数据对四种初始模型进行训练，得到训练后模型，并且利用训练数据能够从四种训练后模型筛选出测试性能最优模型作为目标张口困难预警模型，使其能够通过在将患者前期的鼻咽癌放射治疗过程收集的待预测患者医疗数据，直接预测后期的是否发生张口困难的情况，在预测时无需额外获取患者数据信息，提高预测的准确率，并能够在早期实现对临床预防张口困难的发生。