一种心脏手术相关急性肾损伤预测方法、装置及介质

本发明涉及计算机辅助诊断，尤其是涉及一种心脏手术相关急性肾损伤预测方法、装置及介质。

背景技术：

1、心脏手术相关急性肾损伤的病理生理机制极其复杂，受到术前、术中和术后多种因素的影响。基于手术期各种因素构建心脏手术相关急性肾损伤风险预测模型，可以帮助临床医生尽早识别高危人群并采取干预措施，从而有效预防心脏手术相关急性肾损伤的发生。目前提出的心脏手术相关急性肾损伤风险预测模型大部分是应用逻辑回归分析危险因素与急性肾损伤发生的相关性，并根据相关性对各类危险因素进行赋值评分，例如临床评分(clinic score)、mehta评分(mehta score)以及简化肾脏指数评分(simplified renalindex score)。这些急性肾损伤预测模型的auc值基本都低于0.7，并且在进行外部验证时表现较差，说明其外推到其它数据库进行预测的准确性较低。造成预测模型效能不高的主要原因是逻辑回归要求变量之间相互独立，而实际上疾病的各种危险因素是相互联系且相互影响的。此外，逻辑回归对患者数据的完整性要求较高，但在临床实践中，一方面大部分数据都有多重共线性和高维性的特征，另一方面并不是所有患者都能够且适合完成预测模型中的所有检验。而变量的共线性和不完整性均会导致逻辑回归的统计结果出现偏差。因此，构建更准确高效的心脏手术相关急性肾损伤预测模型一直是亟待解决的研究难题。贝叶斯网络(bayesian networks,bns)因其概率推理的精密性和网状图形结构的直观性，被越来越广泛地用于解决医学问题。通过机器学习算法，贝叶斯网络可以从临床大数据中提取有潜在临床价值的变量，从而发现隐藏在数据中的概率依赖关系，为系统识别发病危险因素集和实现精准诊断提供科学依据。然而，预测模型识别结果的准确性极大程度上取决于输入数据与预测结果之间的强关联性，目前已有的心脏手术相关急性肾损伤预测模型的输入变量对应的预测结果精度低，难以实现应用。

技术实现思路

1、本发明的目的是为了提供一种心脏手术相关急性肾损伤预测方法、装置及介质，高效、准确的识别心脏手术相关急性肾损伤风险。

2、本发明的目的可以通过以下技术方案来实现：

3、一种心脏手术相关急性肾损伤预测方法，包括以下步骤：

4、s1，获取心脏手术相关急性肾损伤事件发生前选定时间节点的第一预测变量数据；

5、s2，建立第一预测变量与心脏手术相关急性肾损伤发生的关联，根据二者的关联性筛选出第二预测变量数据；

6、s3，以第二预测变量数据作为贝叶斯网络模型的输入，对心脏手术相关急性肾损伤发生率进行预测；

7、s4，基于心脏手术相关急性肾损伤发生率预测结果，实现心脏手术相关急性肾损伤发生的风险分级预测。

8、所述第一预测变量包括术前变量、术中变量和术后变量，其中，第一预测变量中的数值型变量以数值形式存储，非数值型变量按照预设规则被赋值为数值形式存储。

9、所述术前变量包括年龄、性别、bmi、合并高血压、合并copd、合并糖尿病、合并心肌梗死、合并不稳定心绞痛、既往手术史、既往蛋白尿、nyha心功能分级、冠脉造影史、冠脉造影时间、冠脉造影剂剂量、心脏左室射血分数、血肌酐、肾小球滤过率、血尿酸、随机血糖、血清白蛋白、红细胞数、血红蛋白、红细胞压积、血小板数、白细胞数、中性粒细胞数、淋巴细胞数、单核细胞数、中淋血小板比、中淋比。

10、所述术中变量包括手术类型、超滤量、体外循环、体外循环时间、主动脉阻断时间、输注少浆血、输注浆血。

11、所述术后变量包括apache ii评分、欧洲评分、红细胞数、红蛋白、红细胞压积、血小板数、白细胞数、中性粒细胞数、淋巴细胞数、单核细胞数、中淋血小板比、中淋比。

12、所述步骤s2中采用glasso回归建立第一预测变量与心脏手术相关急性肾损伤发生的关联。

13、所述步骤s2中，若第一预测变量为单一时间点收集的数据，则通过传统逻辑回归模型建立其与心脏手术相关急性肾损伤发生的关联；若第一预测变量为多个时间点收集的数据，则通过广义线性模型构建其与心脏手术相关急性肾损伤发生的关联。

14、所述步骤s4包括以下步骤：

15、s41，计算全人群心脏手术相关急性肾损伤的发生率r0，作为对照组；

16、s42，根据步骤s3计算待预测对象在已知第二预测变量状态下的心脏手术相关急性肾损伤的发生率r1；

17、s43，将待预测对象心脏手术相关急性肾损伤发生率除以全人群心脏手术相关急性肾损伤发生率，得到相对危险度；

18、s44，根据相对危险度进行风险分级，所述风险分级结果包括低危组、中危组、高危组和极高危组。

19、一种心脏手术相关急性肾损伤预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述所述的方法。

20、一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法。

21、与现有技术相比，本发明具有以下有益效果：

22、第一，本发明采用了贝叶斯网络模型机器学习算法，立足于临床的可操作性，将连续性变量转变为分类变量，简化了临床医生对于连续性临床指标计算的复杂流程，从而通过简单计算即可动态评估未来心脏手术相关急性肾损伤的发生风险，操作简单，预测效率高。

23、第二，贝叶斯网络预测模型的可视性网络可以辅助临床医生分析哪些变量与心脏手术相关急性肾损伤的发生直接相关，哪些变量是通过直接变量间接地与心脏手术相关急性肾损伤相联系，从而有助于临床医生判断不同指标对疾病的影响。

24、第三，贝叶斯网络预测模型对缺失数据的容忍度高，无需知晓全部变量的状态才能进行预测，临床医生可以基于已知的变量在术前、术中和术后任意阶段动态地对心脏手术相关急性肾损伤发生风险进行预测。

25、第四，本发明预测模型操作简单，选取的变量数据获取容易，且经过筛选后的变量与预测结果之间存在高度关联性，使得预测结果准确性高，尤其适用于临床医生在对急性肾损伤高风险患者心脏手术前的预测和预警，能够对患者是否发生急性肾损伤时间进行早期预警，从而避免肾毒性药物使用和优化体外循环时间和术中输血等临床操作，避免重要器官功能不全的发生，改善患者预后并且节约医疗资源。

技术特征：

1.一种心脏手术相关急性肾损伤预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述第一预测变量包括术前变量、术中变量和术后变量，其中，第一预测变量中的数值型变量以数值形式存储，非数值型变量按照预设规则被赋值为数值形式存储。

3.根据权利要求2所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述术前变量包括年龄、性别、bmi、合并高血压、合并copd、合并糖尿病、合并心肌梗死、合并不稳定心绞痛、既往手术史、既往蛋白尿、nyha心功能分级、冠脉造影史、冠脉造影时间、冠脉造影剂剂量、心脏左室射血分数、血肌酐、肾小球滤过率、血尿酸、随机血糖、血清白蛋白、红细胞数、血红蛋白、红细胞压积、血小板数、白细胞数、中性粒细胞数、淋巴细胞数、单核细胞数、中淋血小板比、中淋比。

4.根据权利要求2所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述术中变量包括手术类型、超滤量、体外循环、体外循环时间、主动脉阻断时间、输注少浆血、输注浆血。

5.根据权利要求2所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述术后变量包括apache ii评分、欧洲评分、红细胞数、红蛋白、红细胞压积、血小板数、白细胞数、中性粒细胞数、淋巴细胞数、单核细胞数、中淋血小板比、中淋比。

6.根据权利要求1所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述步骤s2中采用glasso回归建立第一预测变量与心脏手术相关急性肾损伤发生的关联。

7.根据权利要求1所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述步骤s2中，若第一预测变量为单一时间点收集的数据，则通过传统逻辑回归模型建立其与心脏手术相关急性肾损伤发生的关联；若第一预测变量为多个时间点收集的数据，则通过广义线性模型构建其与心脏手术相关急性肾损伤发生的关联。

8.根据权利要求1所述的一种心脏手术相关急性肾损伤预测方法，其特征在于，所述步骤s4包括以下步骤：

9.一种心脏手术相关急性肾损伤预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。

10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。

技术总结本发明涉及一种心脏手术相关急性肾损伤预测方法、装置及介质，其中方法包括以下步骤：获取心脏手术相关急性肾损伤事件发生前选定时间节点的第一预测变量数据；建立第一预测变量与心脏手术相关急性肾损伤发生的关联，根据二者的关联性筛选出第二预测变量数据；以第二预测变量数据作为贝叶斯网络模型的输入，对心脏手术相关急性肾损伤发生率进行预测；基于心脏手术相关急性肾损伤发生率预测结果，实现心脏手术相关急性肾损伤发生的风险分级预测。与现有技术相比，本发明具有等优点。技术研发人员：李阳,许佳瑞,方艺,姜物华,谢烨卿,沈波,滕杰,丁小强受保护的技术使用者：复旦大学附属中山医院技术研发日：技术公布日：2024/9/17