一种基于TIGIT靶点的脓毒症风险预测方法和系统

本发明涉及脓毒症预测，尤其涉及一种基于tigit靶点的脓毒症风险预测方法和系统。

背景技术：

1、脓毒症为机体在面对感染时由于反应失调导致的危及生命的器官功能障碍，其严重程度可以粗分为脓毒症、严重脓毒症和脓毒性休克。脓毒症的发病原因通常与各种类型的创伤、感染有关，如肺炎、腹膜炎、泌尿系统感染等。当机体感染后，细菌及毒素等成分进入身体，激活炎症反应细胞，产生大量炎性介质，引起局部或全身炎症反应。如果炎症反应加剧并造成免疫功能深度抑制，则可能导致脓毒症的发生。

2、时至今日，脓毒症依然是危重患者最主要的致死性病因之一，因此脓毒症的预测对于早期识别和及时治疗至关重要。精确的预测可以帮助医生在病情恶化前采取干预措施，从而降低患者的死亡率和并发症风险。近年来，随着医学研究的进步，大样本、多中心的临床随机对照研究为脓毒症的治疗提供了更多的循证医学证据。另外，随着大数据和人工智能技术的快速发展，也为脓毒症的预测和诊断迎来了重大突破。

3、但是，诊断脓毒症时的生物标志物种类众多，其中tigit的表达水平与脓毒症或感染性休克的严重程度呈正相关，是诊断脓毒症的金指标。若仅仅使用tigit作为诊断脓毒症的唯一指标会使得诊断偏差过大，若与其他生物标志物共同进行脓毒症的预测，又会面临如何设置tigit与其他生物标志物的权重关系，最大化体现出其在脓毒症预测时的重要作用，降低了预测准确性。

4、现有技术中还可能存在通过一个初始预测概率作为使用哪个分类模型进行下一步精准预测的依据，但是使用不准确的初始预测概率作为分类的判断依据又会进一步降低最终预测结果的准确性。

5、因此，亟需一种基于tigit靶点的脓毒症风险预测方法和系统，能够提高脓毒症的预测精确度。

技术实现思路

1、为了解决上述技术问题，本发明一方面提供了一种基于tigit靶点的脓毒症风险预测方法，所述预测方法包括如下步骤：

2、获取预测脓毒症的初始样本数据；

3、将所述初始样本数据输入脓毒症第一预测模型，获得脓毒症初始患病概率；

4、根据所述脓毒症初始患病概率和预设的概率阈值进行比较，确定预测脓毒症患病概率的方法，包括以下情况：

5、若脓毒症初始患病概率高于预设的概率阈值，且tigit大于含量阈值，则为高患病概率，并将高患病概率样本数据输入脓毒症高概率预测模型，获得脓毒症患病概率；

6、其他情况，则为低患病概率，并将低患病概率样本数据输入脓毒症低概率预测模型，获得脓毒症患病概率；

7、根据脓毒症初始患病概率和脓毒症患病概率，通过权重分析法确定最终的脓毒症预测结果。

8、进一步地，所述预测脓毒症的初始样本数据包括c-反应蛋白、降钙素原、乳酸、白细胞计数、血小板计数、序贯器官衰竭评分、白细胞介素6、白细胞介素3、内毒素、外毒素、凝血酶原时间、凝血活酶时间、d-二聚体、血肌酐、尿量、总胆红素、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶。

9、进一步地，所述高患病概率样本数据包括c-反应蛋白、降钙素原、乳酸、白细胞计数、血小板计数、序贯器官衰竭评分、白细胞介素6、白细胞介素3、tigit。

10、进一步地，所述低患病概率样本数据包括tigit、c-反应蛋白、内毒素、外毒素、凝血酶原时间、凝血活酶时间、d-二聚体、血肌酐、尿量、总胆红素、丙氨酸氨基转移酶、天门冬氨酸氨基转移酶。

11、进一步地，训练所述脓毒症低概率预测模型的方法为：

12、获取低患病概率样本历史数据，所述历史数据包括多组低患病概率样本数据和每组低患病概率样本数据所对应的脓毒症患病概率；

13、使用所述低患病概率样本历史数据对脓毒症低概率预测模型进行训练，直到满足训练结束条件。

14、进一步地，使用所述低患病概率样本历史数据对脓毒症低概率预测模型进行训练，包括以下步骤：

15、通过对所述低患病概率样本历史数据进行标准化处理，获得训练数据集；

16、利用所述训练数据集训练脓毒症低概率预测模型，直到满足相应的训练结束条件，获得脓毒症低概率初始预测模型；

17、根据特征梯度计算方法，算得所述训练数据集中各生物标志物对脓毒症低概率初始预测模型的贡献度；

18、基于特征重要性评估规则，对所述贡献度进行评估，重新构建训练数据集；

19、使用重新构建的训练数据集，对脓毒症低概率初始预测模型进行训练，直到满足相应的训练结束条件，得到最终的脓毒症低概率预测模型。

20、进一步地，基于特征重要性评估规则，对所述贡献度进行评估，重新构建训练数据集具体为：

21、将所述贡献度按照从大到小的顺序排序；

22、选择排名前n个贡献度对应的生物标志物的训练数据，重新构建训练数据集。

23、进一步地，各生物标志物对脓毒症低概率初始预测模型的贡献度的计算公式为：

24、；

25、式中，ψj表示第j种生物标志物的贡献度，s表示不包括第j种生物标志物的特征子集，|s|表示集合s中的元素数量，|n|表示生物标志物的种类总数，f(s)表示脓毒症低概率初始预测模型在特征子集s上的预测结果，f(s∪{j})表示脓毒症低概率初始预测模型在特征子集s上加入第j种生物标志物的特征子集后的预测结果。

26、本发明的另一方面还提供一种基于tigit靶点的脓毒症风险预测系统，用于执行上述任一项所述的一种基于tigit靶点的脓毒症风险预测方法，所述预测系统包括：

27、初始样本数据获取模块，用于获取预测脓毒症的初始样本数据；

28、毒症初始患病概率预测模块，与所述初始样本数据获取模块相连，通过将所述初始样本数据输入脓毒症第一预测模型，获得脓毒症初始患病概率；

29、脓毒症患病概率预测模块，与所述脓毒症初始患病概率预测模块相连，用于根据所述脓毒症初始患病概率和预设的概率阈值进行比较，确定预测脓毒症患病概率的方法，包括以下情况：

30、若脓毒症初始患病概率高于预设的概率阈值，且tigit大于含量阈值，则为高患病概率，并将高患病概率样本数据输入脓毒症高概率预测模型，获得脓毒症患病概率；

31、其他情况，则为低患病概率，并将低患病概率样本数据输入脓毒症低概率预测模型，获得脓毒症患病概率；

32、输出模块，与所述脓毒症患病概率预测模块连接，用于根据脓毒症初始患病概率和脓毒症患病概率，通过权重分析法确定最终的脓毒症预测结果。

33、本发明实施例具有以下技术效果：

34、本技术提供的基于tigit靶点的脓毒症风险预测方法，将预测过程分为三个阶段：

35、第一阶段，先在不使用tigit作为初始样本数据的情况下，获得粗估的脓毒症初始患病概率，避免其他生物标志物弱化其在诊断过程中重要性的问题；

36、第二阶段，根据脓毒症初始患病概率和tigit含量共同判定使用脓毒症高/低概率预测模型获得脓毒症患病概率，不仅能充分tigit诊断脓毒症的重要程度，还能克服仅使用准确度不高的脓毒症初始患病概率作为判断依据的不准确性，进一步提高最终预测结果的准确性；

37、第三阶段，根据脓毒症初始患病概率和脓毒症患病概率，通过权重分析法确定最终的脓毒症预测结果，由此得到的最终预测结果，既考虑了不同种类的样本数据对预测结果的影响，又能够兼顾高、低患病概率的样本数据根据不同预测模型获得的针对性更佳的脓毒症患病概率，从整体上提高了脓毒症的预测结果。