一种急性肾损伤容量反应性预测方法及系统

技术领域

本发明实施例涉及人工智能技术领域，具体涉及一种急性肾损伤容量反应性预测方法及系统。

背景技术

急性肾损伤(AKI)是临床上常见的并发症，许多急危重症病人往往合并不同程度的AKI，有研究发现，轻度的AKI就会使患者的病死率及致残率大大增加，而临床上诊治AKI的主要措施之一就是液体平衡的管理。一般而言，对于AKI患者进行补液试验，观察尿量是否随着容量改善而增加，这虽然是判断液体反应性的金标准，但同时有部分患者对补液试验无反应，甚至因为补液而出现进一步脏器功能损失，因此早期预测AKI对容量的反应性有助于提高临床诊疗的精准性，从而改善患者的预后。

发明内容

为此，本发明实施例提供一种急性肾损伤容量反应性预测方法及系统，以解决现有的临床诊治急性肾损伤方法精准性不高，甚至出现进一步脏器功能损失的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，提出了一种急性肾损伤容量反应性预测方法，所述方法包括：

采集急性肾损伤患者相关特征信息并进行预处理；

采用遗传算法对患者特征信息进行筛选，基于筛选的特征信息对构建的神经网络模型进行训练，并使用训练的神经网络模型对患者急性肾损伤容量反应性进行预测。

进一步地，所述急性肾损伤患者相关特征信息包括基本人口学特征、临床特征指标及实验室特征指标，所述基本人口学特征包括性别、年龄、种族等，所述临床特征指标包括合并症、是否择期手术，所述实验室特征指标包括肌酐、血清电解质、血常规等。

进一步地，采集急性肾损伤患者相关特征信息并进行预处理，具体包括：

对采集的患者相关特征信息进行归一化处理。

进一步地，采用遗传算法对患者特征信息进行筛选，基于筛选的特征信息对构建的神经网络模型进行训练，具体包括：

a、首先随机构建染色体池，每个染色体包含5-10个基因，基因即患者特征信息；

b、用每条染色体包含的基因去训练神经网络模型，并用AUC去评估模型预测的准确性，AUC如果大于90％则选择该染色体，此次进化结束；

c、否则，产生新一代染色体池，其中AUC越大的染色体产生下一代的可能性越大，染色体进行交叉配对，变异；

d、回到步骤a重新评估每条染色体的AUC，直到产生AUC>90％的染色体，一次进化结束；

e、上述的进化过程进行1000次，每次产生一条最优染色体，这些染色体再通过前向筛选法选择5-10条最佳特征构成神经网络模型，此时在不显著降低预测性能的基础上包含的特征数最少。

进一步地，对构建的神经网络模型进行训练具体包括：

所述神经网络模型包括输入层、隐含层以及输出层，在正向传播过程中，输入信息通过输入层、经隐含层、由输出层输出，输出的信息及预测值跟实际观察值进行比较，如果误差较大，则信号反向传播，进行负反馈调整变量系数权重，使该网络朝着误差变小的方向进行，此过程反复进行，直到全网络误差收敛到规定值为止。

进一步地，对构建的神经网络模型进行训练具体包括：

使用随机梯度下降法对神经网络模型进行训练。

根据本发明实施例的第二方面，提出了一种急性肾损伤容量反应性预测系统，所述系统包括：

信息采集模块，用于采集急性肾损伤患者相关特征信息并进行预处理；

模型训练模块，用于采用遗传算法对患者特征信息进行筛选，基于筛选的特征信息对构建的神经网络模型进行训练，并使用训练的神经网络模型对患者急性肾损伤容量反应性进行预测。

根据本发明实施例的第三方面，提出了一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被处理器执行如上任一项所述的一种急性肾损伤容量反应性预测方法。

本发明实施例具有如下优点：

本发明实施例提出的一种急性肾损伤容量反应性预测方法及系统，所述方法包括：采集急性肾损伤患者相关特征信息并进行预处理；采用遗传算法对患者特征信息进行筛选，基于筛选的特征信息对构建的神经网络模型进行训练，并使用训练的神经网络模型对患者急性肾损伤容量反应性进行预测。基于遗产算法和神经网络模型对患者急性肾损伤容量反应性进行预测，精准性高。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例1提供的一种急性肾损伤容量反应性预测方法的流程示意图；

图2为本发明实施例1提供的一种急性肾损伤容量反应性预测方法中遗传算法的流程示意图；

图3为本发明实施例1提供的一种急性肾损伤容量反应性预测方法中神经网络模型的结构示意图；

图4为本发明实施例2提供的一种急性肾损伤容量反应性预测系统的结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例1提出了一种急性肾损伤容量反应性预测方法，如图1所示，该方法包括以下步骤：

S110、采集急性肾损伤患者相关特征信息并进行预处理。

本实施例中，急性肾损伤患者相关特征信息包括基本人口学特征、临床特征指标及实验室特征指标，基本人口学特征包括性别、年龄、种族等，临床特征指标包括合并症、是否择期手术，实验室特征指标包括肌酐、血清电解质、血常规等。

进一步地，采集急性肾损伤患者相关特征信息并进行预处理，具体包括：

对采集的患者相关特征信息进行归一化处理。

将患者信息按照每人一行，每一列代表一个变量进行排列，对采集的数据进行归一化处理，有利于后续建模的顺利进行，归一化用下面公式进行：

其中x

S120、采用遗传算法对患者特征信息进行筛选，基于筛选的特征信息对构建的神经网络模型进行训练，并使用训练的神经网络模型对患者急性肾损伤容量反应性进行预测。

由于临床收集的指标有上百个，故我们采用遗传算法进行指标的筛查。如图2所示，具体包括：

a、首先随机构建染色体池，每个染色体包含5-10个基因，基因即患者特征信息；

b、用每条染色体包含的基因去训练神经网络模型，并用AUC去评估模型预测的准确性，AUC如果大于90％则选择该染色体，此次进化结束；

c、否则，产生新一代染色体池，其中AUC越大的染色体产生下一代的可能性越大，染色体进行交叉配对，变异；

d、回到步骤a重新评估每条染色体的AUC，直到产生AUC>90％的染色体，一次进化结束；

e、上述的进化过程进行1000次，每次产生一条最优染色体，这些染色体再通过前向筛选法选择5-10条最佳特征构成神经网络模型，此时在不显著降低预测性能的基础上(不低于最佳预测值的95％)包含的特征数最少。

进一步地，对构建的神经网络模型进行训练具体包括：

如图3所示，神经网络模型包括输入层(I1、I2)、隐含层(H1-H6)以及输出层(O1-O3)，每个节点包含了激活函数。在正向传播过程中，输入信息通过输入层、经隐含层、由输出层输出，输出的信息及预测值跟实际观察值进行比较，如果误差较大，则信号反向传播，进行负反馈调整变量系数权重，使该网络朝着误差变小的方向进行，此过程反复进行，直到全网络误差收敛到规定值为止。

BP网络代表了从输入到输出层的高度非线性映射，能处理非线性变量及复杂的交互作用。输入和输出之间存在某种映射函数，训练的目的及在于映射函数的估计。神经元O的输出函数可用下面公式描述：

其中f()为神经元o

进一步地，对构建的神经网络模型进行训练具体包括：使用随机梯度下降法对神经网络模型进行训练。

本发明实施例1提出的一种急性肾损伤容量反应性预测方法，将实际临床观察到的变量包括人口学特征、基本生命体征、实验室检查、临床特征等变量输入神经网络模型，就可以获得24小时内患者对补液试验有无反应。本发明在遗传算法结合神经网络模型的理论框架下，用随机梯度下降法进行估计参数，从而增强预测的精准度，另外本研究采用了与遗传算法相结合，使得求解过程不会陷入局部最优，而能兼顾全局最优解。

与上述实施例1相对应的，本发明实施例2提出了一种急性肾损伤容量反应性预测系统，如图4所示，该系统包括：

信息采集模块210，用于采集急性肾损伤患者相关特征信息并进行预处理；

模型训练模块220，用于采用遗传算法对患者特征信息进行筛选，基于筛选的特征信息对构建的神经网络模型进行训练，并使用训练的神经网络模型对患者急性肾损伤容量反应性进行预测。

本发明实施例提供的一种急性肾损伤容量反应性预测系统中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。

与上述实施例相对应的，本发明实施例3提出了一种计算机可读存储介质，计算机可读存储介质中包含一个或多个程序指令，一个或多个程序指令用于被处理器执行如上任一项的一种急性肾损伤容量反应性预测方法。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。