一种干眼症患者数据统计系统

技术领域

本发明涉及到干眼症患者数据统计技术领域，尤其涉及一种干眼症患者数据统计系统。

背景技术

干眼为多因素引起的慢性眼表疾病，是由泪液的质、量及动力学异常导致的泪膜不稳定或眼表微环境失衡，可伴有眼表炎性反应、组织损伤及神经异常，造成眼部多种不适症状和(或)视功能障碍；根据流行病学调查研究方法、地域、诊断标准不同，干眼患病率变化较大，约6.5％-39.2％,其中睑板腺功能障碍在40岁以上人群的患病率高达38％-68％，在亚洲的发病率是46.2％-69.3％，远高于西方的3.5％-19.9％。当前的研究表明，在我国干眼病患者的患病率在21％-30％，相当于每5人中就有一人患有干眼，而在国外，以美国为例，约有1,640万美国人(占美国成年人口的6.8％)被诊断出患有干眼(DED)。另外，有600万人(占美国成年人口的2.5％)可能患有干眼但未被确诊，在成年美国人的疾病总花费中，干眼占9.3％；与男性相比，女性的干眼患病率更高，并且随着年龄的增长而增加；其次需要注意的是经济负担的增长，就医的成本，包含直接的医疗费用，间接费用，包含生活质量的下降以及工作效率的降低，也使干眼为患者增加了巨大的经济负但；一项美国卫生经济学分析显示，一名美国干眼症患者的平均每年直接费用为783美元，进而估算整个美国医疗保健系统为干眼的花费总数为38.4亿美元。

由于干眼的病因是多因素的，因此通过单一的因素对干眼进行观察研究有一定的局限性，且我国的最新干眼专家共识首次把干眼作为慢性疾病进行管理，因此寻找干眼的背后的主要致病因素，对干眼的治疗至关重要。因此，与干眼相关的病因辨识对诊断有积极作用，且能分析病理生理学，促进治疗，提高公众教育的水平，以期望改善全身及眼部的健康。目前，观察性研究和基于人群的横断面流行病学研究已经报道了与干眼相关的各种不可改变的，可改变的，环境和医学的相关因素；干眼的危险因素可分类为一致、可能和不确定三种；年龄、性别、睑板腺功能障碍(MGD)、结缔组织疾病、Sjogren综合征、雄激素缺乏症、计算机使用、隐形眼镜佩戴、雌激素替代疗法和药物使用(例如抗组胺药，抗抑郁药和抗焦虑药)是持续的危险因素。

目前，国内外的干眼研究已经确定了干眼的相关因素，但是通过建立干眼的模型研究来评估新个体干眼风险的研究较少。

发明内容

本发明的目的就在于为了解决上述问题而提供一种干眼症患者数据统计系统。

本发明通过以下技术方案来实现上述目的：

一种干眼症患者数据统计系统，该统计系统包括以下构建步骤：

步骤1：患者临床资料数据模型的构建

采集分析所有患者的症状、体征、调查问卷、一般临床资料以及各项干眼检查结果，并将数据建模；

步骤2：干眼数据模型的构建

使用套索选择的因素，从数据库中构建调查加权多元logistic回归模型；

步骤3：开发基于点的干眼评分系统

通过将调查加权回归模型中的因子系数乘以10并四舍五入为最接近的整数，可以开发出一种基于点的评分系统，通过将准确描述个人的因素的总分相加，可以确定训练集中每个个人的总分，并使用ROC曲线来评估其性能；

步骤4：干眼相关因素的神经网络分析

通过训练集，创建与干眼相关危险因素的相关矩阵；计算两个变量之间的加权Pearson相关系数；接下来，通过将图形参数设置为“glasso”并将布局设置为“spring”来绘制网络图；通过网络模型，把相关的干眼危险因素之间的相关性进行梳理和分析；

步骤5：分析危险因素之间的相关性及干眼的个性化预测

依据影响干眼的相关因素，通过统计系统对干眼病症进行进准的分析预测，以方便干眼的个性化诊疗。

进一步的，所述步骤1中所搜集的患者资料需符合以下标准：①研究对象及验证对象的临床资料完整、相关结局转归明确；②所有患者年龄已满18周岁，能够正常表述自身感观；③所有患者均选取本院为其固定就诊医院；④确保所有患者入院后基于同等医疗条件下完成干眼诊断。

进一步的，所述步骤1在实施过程中为避免混入易混因素，通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息，应排除以下患者：①纳入研究组后患方主动要求终止观察；②患者及家属拒绝配合完善必要检查，导致重要临床资料缺失。

进一步的，所述步骤1中依据2020年发布的干眼专家共识所确定的干眼诊断标准为：①患者主诉有眼部干涩感、异物感、烧灼感、疲劳感、不适感、眼红、视力波动等主观症状之一，中国干眼问卷量表≥7分或眼表疾病指数(ocular surface disease index，OSDI≥13分；同时，患者FBUT≤5s或NIBUT<10s或SchirmerⅠ试验(无麻醉)≤5mm/5min；②患者有干眼相关症状，中国干眼问卷量表≥7分或OSDI≥13分；同时，患者FBUT>5s且≤10s或NIBUT为10-12s，SchirmerⅠ试验(无麻醉)>5mm/5min且≤10mm/5min，则须采用荧光素钠染色法检查角结膜，染色阳性(≥5个点)；分级标准为：轻度：裂隙灯显微镜下检查无明显眼表损伤体征(角膜荧光素染色点<5个)，BU在2s及以上；中度：裂隙灯显微镜下检查角膜损伤范围不超过2个象限和(或)角膜荧光素染色点≥5个且<30个，BUT在2s及以上；重度：裂隙灯显微镜检查角膜损伤范围2个象限和角膜荧光染色点≥30个，BUT<2s；角膜荧光素染点融合成粗点、片状或伴有丝状物；Schirmer试验结果为0，即可认为是重度干眼。

进一步的，所述步骤2中在构建logistic回归模型时依照研究对象的结局转归不同(继发/未继发干眼症)，进行单因素分析；将单因素分析后有统计学意义的变量，纳入多因素Logistic回归模型，采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程；依照组成logistics方程的影响因素，将后续搜集验证对象的相关变量代入其中以验证其准确率。

进一步的，所述步骤4中采用神经网络模型分析研究对象术后3个月后继发干眼症与玻璃体切割术各项潜在影响因素的关系，基于Neural Networks的Multilayerperceptron模块建立神经网络模型；神经网络模型采用多层感知器神经网络设置，网络自动优化决定隐含层的层数和网络神经元数，其中人工神经网络具体构建过程为：①首先提取干眼的潜在影响因素和治疗方案作为输入层向量；②其次建立神经网络模型，包括三个层次：两侧为输入及输出层，及其位于中间的隐藏层，隐藏层可以是多个层的组合结构；③最后进行正反向传播网络训练；正向传播：输入特征信息自输入层进入神经网络，经过若干个隐藏层，最后到输出层输出预测结果；反向传播：使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整，通过比较输出信息和期望信息得到误差信息，利用链式求导法则将误差信息逐层向前传播得到各层误差信息，根据各层误差信息来调整各层权重和偏置。

进一步的，该统计系统应用Excel 2016建立数据库，由两位研究者分别录入样本资料并汇总，以完成数据核查与逻辑纠错；其中的数据处理基于SPSS21.0软件包完成，设定双侧P＜0.05为差异具有统计学意义；对于计量资料进行Kolmogorov-Smirnov检验：符合正态分布的计量资料以均数±标准差(Mean±SD/SEM)表示，两组间比较采用独立样本t检验，多组间比较采用单因素方差分析、两两比较采用SNK法；不服从正态分布的计量资料以中位数(median,M)及四分位数(Q25,Q75)表示，两组间及多组间比较采用秩和检验；其中Logistics回归部分：首先将计数资料进行定性赋值量化、计量资料则直接使用，采用逐步回归分析方法剔除变量进行建模，观察各个变量对改变模型整体拟合优度是否存在统计学差异，使用Waldχ2检验对Logistic回归方程及回归系数进行假设检验，得出相应变量的偏回归系数(B)、标准误(S.E.)、Wald统计量、p值(Sig)，构建多因素logistics回归方程；人工神经网络部分：提取研究对象作为训练组，提取验证对象作为测试组，使用MATLAB 2012软件完成人工神经网络训练，并用经训练网络模型进行验证测试，网络类型为Feed-forwardbackprop，训练函数为trainlm，学习函数为learngdm，误差性能函数为mse，使用tansig函数完成各层传递，训练次数设为1000。

进一步的，在统计的最后，以Logistics回归部分以及人工神经网络部分的预测情况为检验变量，以验证对象的实际预后结局为状态变量，以1-特异性为横坐标，以敏感度为纵坐标，绘制受试者工作特征曲线(Receiver operating characteristic curve,ROC曲线)，计算曲线下面积(Area Under Curve,AUC)及95％CI；依据数据结果拟合双正态模型，利用最大似然法估计相应参数，得出平滑ROC曲线。通过ROC曲线对两种评判体系进行整体检验，以进一步明确各项影响因素对于结局的影响价值。

进一步的，该系统在构建过程中是采用前瞻性研究方法，应用健康检查问卷和营养调查问卷，并且把数据变为变量，使用机器学习算法和套索正则化从数据库中生成一个具有干眼相关危险因素的可视化模型。

本发明的有益效果在于：

1、本发明通过干眼门诊诊疗数据库的构建以及基于机器学习的评估干眼患者个体风险的模型演算，使得影响干眼的众多因素能够可视化，便于医疗人员对干眼这个多因素的慢性疾病进行更好的管理，通过此系统，对未来干眼的诊疗提供更为便利的个性化诊疗建议；

2、本发明通过采用前瞻性研究方法，科学的记录患者的病况以及病因，便于干眼病病因在未来的快速分析溯源，有利于提高干眼病的治疗效果以及质量，对干眼病防控具有积极意义。

附图说明

图1为本发明所述的一种干眼症患者数据统计系统构建的方案示意图。

具体实施方式

一种干眼症患者数据统计系统，该统计系统包括以下构建步骤：

步骤1：患者临床资料数据模型的构建

采集分析所有患者的症状、体征、调查问卷、一般临床资料以及各项干眼检查结果，并将数据建模；

步骤2：干眼数据模型的构建

使用套索选择的因素，从数据库中构建调查加权多元logistic回归模型；

步骤3：开发基于点的干眼评分系统

通过将调查加权回归模型中的因子系数乘以10并四舍五入为最接近的整数，可以开发出一种基于点的评分系统，通过将准确描述个人的因素的总分相加，可以确定训练集中每个个人的总分，并使用ROC曲线来评估其性能；

步骤4：干眼相关因素的神经网络分析

通过训练集，创建与干眼相关危险因素的相关矩阵；计算两个变量之间的加权Pearson相关系数；接下来，通过将图形参数设置为“glasso”并将布局设置为“spring”来绘制网络图；通过网络模型，把相关的干眼危险因素之间的相关性进行梳理和分析；

步骤5：分析危险因素之间的相关性及干眼的个性化预测

依据影响干眼的相关因素，通过统计系统对干眼病症进行进准的分析预测，以方便干眼的个性化诊疗。

本实施例中，所述步骤1中所搜集的患者资料需符合以下标准：①研究对象及验证对象的临床资料完整、相关结局转归明确；②所有患者年龄已满18周岁，能够正常表述自身感观；③所有患者均选取本院为其固定就诊医院；④确保所有患者入院后基于同等医疗条件下完成干眼诊断。

本实施例中，所述步骤1在实施过程中为避免混入易混因素，通过逐份查阅所搜集资料的基本情况、病史资料、各项诊疗措施、手术信息、术后康复情况等维度的信息，应排除以下患者：①纳入研究组后患方主动要求终止观察；②患者及家属拒绝配合完善必要检查，导致重要临床资料缺失。

本实施例中，所述步骤1中依据2020年发布的干眼专家共识所确定的干眼诊断标准为：①患者主诉有眼部干涩感、异物感、烧灼感、疲劳感、不适感、眼红、视力波动等主观症状之一，中国干眼问卷量表≥7分或眼表疾病指数(ocular surface disease index，OSDI≥13分；同时，患者FBUT≤5s或NIBUT<10s或SchirmerⅠ试验(无麻醉)≤5mm/5min；②患者有干眼相关症状，中国干眼问卷量表≥7分或OSDI≥13分；同时，患者FBUT>5s且≤10s或NIBUT为10-12s，SchirmerⅠ试验(无麻醉)>5mm/5min且≤10mm/5min，则须采用荧光素钠染色法检查角结膜，染色阳性(≥5个点)；分级标准为：轻度：裂隙灯显微镜下检查无明显眼表损伤体征(角膜荧光素染色点<5个)，BU在2s及以上；中度：裂隙灯显微镜下检查角膜损伤范围不超过2个象限和(或)角膜荧光素染色点≥5个且<30个，BUT在2s及以上；重度：裂隙灯显微镜检查角膜损伤范围2个象限和角膜荧光染色点≥30个，BUT<2s；角膜荧光素染点融合成粗点、片状或伴有丝状物；Schirmer试验结果为0，即可认为是重度干眼。

本实施例中，所述步骤2中在构建logistic回归模型时依照研究对象的结局转归不同(继发/未继发干眼症)，进行单因素分析；将单因素分析后有统计学意义的变量，纳入多因素Logistic回归模型，采用Logistic回归分析术后继发干眼症与玻璃体切割术各项潜在影响因素之间的关系,建立预测方程；依照组成logistics方程的影响因素，将后续搜集验证对象的相关变量代入其中以验证其准确率。

本实施例中，所述步骤4中采用神经网络模型分析研究对象术后3个月后继发干眼症与玻璃体切割术各项潜在影响因素的关系，基于Neural Networks的Multilayerperceptron模块建立神经网络模型；神经网络模型采用多层感知器神经网络设置，网络自动优化决定隐含层的层数和网络神经元数，其中人工神经网络具体构建过程为：①首先提取干眼的潜在影响因素和治疗方案作为输入层向量；②其次建立神经网络模型，包括三个层次：两侧为输入及输出层，及其位于中间的隐藏层，隐藏层可以是多个层的组合结构；③最后进行正反向传播网络训练；正向传播：输入特征信息自输入层进入神经网络，经过若干个隐藏层，最后到输出层输出预测结果；反向传播：使用误差后向传播算法和梯度下降的优化方法对网络各层权重的进行调整，通过比较输出信息和期望信息得到误差信息，利用链式求导法则将误差信息逐层向前传播得到各层误差信息，根据各层误差信息来调整各层权重和偏置。

本实施例中，该统计系统应用Excel 2016建立数据库，由两位研究者分别录入样本资料并汇总，以完成数据核查与逻辑纠错；其中的数据处理基于SPSS21.0软件包完成，设定双侧P＜0.05为差异具有统计学意义；对于计量资料进行Kolmogorov-Smirnov检验：符合正态分布的计量资料以均数±标准差(Mean±SD/SEM)表示，两组间比较采用独立样本t检验，多组间比较采用单因素方差分析、两两比较采用SNK法；不服从正态分布的计量资料以中位数(median,M)及四分位数(Q25,Q75)表示，两组间及多组间比较采用秩和检验；其中Logistics回归部分：首先将计数资料进行定性赋值量化、计量资料则直接使用，采用逐步回归分析方法剔除变量进行建模，观察各个变量对改变模型整体拟合优度是否存在统计学差异，使用Waldχ2检验对Logistic回归方程及回归系数进行假设检验，得出相应变量的偏回归系数(B)、标准误(S.E.)、Wald统计量、p值(Sig)，构建多因素logistics回归方程；人工神经网络部分：提取研究对象作为训练组，提取验证对象作为测试组，使用MATLAB 2012软件完成人工神经网络训练，并用经训练网络模型进行验证测试，网络类型为Feed-forwardbackprop，训练函数为trainlm，学习函数为learngdm，误差性能函数为mse，使用tansig函数完成各层传递，训练次数设为1000。

本实施例中，在统计的最后，以Logistics回归部分以及人工神经网络部分的预测情况为检验变量，以验证对象的实际预后结局为状态变量，以1-特异性为横坐标，以敏感度为纵坐标，绘制受试者工作特征曲线(Receiver operating characteristic curve,ROC曲线)，计算曲线下面积(Area Under Curve,AUC)及95％CI；依据数据结果拟合双正态模型，利用最大似然法估计相应参数，得出平滑ROC曲线。通过ROC曲线对两种评判体系进行整体检验，以进一步明确各项影响因素对于结局的影响价值。

本实施例中，该系统在构建过程中是采用前瞻性研究方法，应用健康检查问卷和营养调查问卷，并且把数据变为变量，使用机器学习算法和套索正则化从数据库中生成一个具有干眼相关危险因素的可视化模型。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。