一种感染COVID-19患者预后风险程度的早期预测方法和系统与流程

本发明属于医学领域，特别涉及一种感染covid-19患者预后风险程度的早期预测的方法及系统。

背景技术：

新型冠状病毒肺炎(covid-19)是由2019新型冠状病毒(2019novelcoronavirus，2019-ncov)所导致，其具有传播速度快、临床症状不典型等特征。冠状病毒是一个大型病毒家族，已知可引起感冒以及中东呼吸综合征(mers)和严重急性呼吸综合征(sars)等较严重疾病。新型冠状病毒是以前从未在人体中发现的冠状病毒新毒株。

当感染了冠状病毒后，常见体征有呼吸道症状、发热、咳嗽、气促和呼吸困难等。但在较严重病例中，感染可导致肺炎、严重急性呼吸综合征、肾衰竭，甚至死亡。由于对于新型冠状病毒所致疾病没有特异治疗方法，只能根据患者临床情况进行治疗，但在治疗过程中，会有大约10％到15％的轻中症患者会发展为重症患者，而15％到20％的重症患者会发展为危重症患者，需要将治疗方法进行及时调整。

目前，对于新型冠状病毒肺炎的相关预测研究方法主要为传统预测传染病的数学模型和方法体系，如传统方法、传播动力学模型以及多元统计,传统方法主要指回归方法、灰色模型、时间序列模型以及马尔科夫模型等,传播动力学模型的经典形式是sis模型和sir模型,多元统计如维度缩减、联合建模和向量累积等方法近年来也运用较多。但相关研究的主要目标为对新型冠状病毒肺炎感染人群数量进行预测，很少关注于新型冠状病毒肺炎的感染个体的发展趋势。

因此，通过对新型冠状病毒肺炎的感染个体的发展趋势进行研究，将可能发展为重症患者或危重症患者的新型冠状病毒肺炎的感染个体判断出来，进行更有针对性的治疗，以实现提高对新型冠状病毒肺炎患者有效治治愈具有重要意义，也是本领域技术人员的研究热点。

技术实现要素：

本发明的目的是针对现在新型冠状病毒肺炎的现状，提供一种感染covid-19患者预后风险程度的早期预测方法及系统。

为了实现上述目的，本发明采用以下技术方案：一种感染covid-19患者预后风险程度的早期预测系统，包括：

获取模块，用于获取covid-19患者的特征预测变量信息；

预测模块，用于基于所述的covid-19患者的特征预测变量信息，根据感染covid-19患者预后风险程度的早期预测模型，确定所述covid-19患者的预后风险程度的早期预测结果；

所述特征预测变量信息为患者的临床变量信息，至少包括以下信息中的一条：人口统计学特征、疾病史、症状和体征、临床检测、ct检测结果、指标变化；

所述早期预测模型为xgboot模型。

进一步的，还包括训练模块，用于采用多名患者的特征预测变量信息及其预后信息训练初始模型获得早期预测模型。

进一步的，训练模块基于roc曲线和数据丢失率初步选择患者的特征预测变量，所述筛选原则为：roc曲线的auc值大于0.6，并且数据丢失率小于50％。

进一步的，初始模型为xgboot模型，训练初始模型时，根据患者的特征预测变量对初始模型的权重值，最终确定早期预测模型的输入特征变量，所述输入特征变量包括血氧饱和度、外周白细胞计数、收缩压变化、心率、肺多发小斑片影和年龄。

进一步的，权重值采用早期预测模型计算每个特征预测变量的分数来表示，具体采用早期预测模型的目标函数中加入用以控制复杂度的正则项，正则项里包含了树的叶子节点个数、每个叶子节点上输出变量的分数的l2模的平方和。

进一步的，早期预测模型通过向每个树的节点中的缺失值添加一个默认方向自动处理特征预测变量有缺失的样本数据，所述默认方向是从训练模块训练数据中学习得到的。

进一步的，训练模块训练初始模型，每次训练采用五折交叉验证，所述的五折交叉验证，用来测试算法模型的准确度和灵敏度，具体实施步骤为将训练数据集分成5份，将其中4份作为训练数据，1份作为测试数据，进行试验。

进一步的，covid-19患者的预后风险程度的早期预测结果包括：患者预后风险程度高和预后风险程度不高。

一种感染covid-19患者预后风险程度的早期预测方法，包括：

获取covid-19患者的特征预测变量信息；

基于所述的covid-19患者的特征预测变量信息，根据感染covid-19患者预后风险程度的早期预测模型，确定所述covid-19患者的预后风险程度的早期预测结果；

所述特征预测变量信息为患者的临床变量信息，至少包括以下信息中的一条：人口统计学特征、疾病史、症状和体征、临床检测、ct检测结果、指标变化；

所述早期预测模型为xgboot模型。

进一步的，包括采用多名患者的特征预测变量信息及其预后信息训练初始模型获得早期预测模型。

本发明的方法和系统基于covid-19患者的入院信息及其动态变化，建立了感染covid-19患者预后风险程度的早期预测模型，该预测模型可以为重要的危重患者的早期识别提供重要的风险指标，从而能够在报告病例增加和医疗资源短缺的流行期间，更准确、更快地识别严重的covid-19病例，提升患者治疗效果。

附图说明

图1是实施例感染covid-19患者预后风险程度的早期预测方法的流程示意图。

图2是实施例多名covid-19患者的特征预测变量在xgboot模型中的权重值示意图。

图3是实施例感染covid-19患者预后风险程度的早期预测模型的预测结果。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

一种感染covid-19患者预后风险程度的早期预测方法，流程图如图1所示，具体步骤包括：

获取covid-19患者的特征预测变量信息，所述的特征预测变量具有高预测能力和广泛可及性特点。

特征预测变量包括入院covid-19患者的人口统计学特征、疾病史、症状和体征、临床检测、ct检测结果、指标变化等48个临床相关变量。具体包括：人口统计学特征(年龄、性别、是否吸烟)、疾病史(冠心病、呼吸系统疾病、免疫系统疾病、内分泌系统疾病、肿瘤)、症状和体征(发热、咳嗽、心率、收缩压舒张压、体温)、临床检测(血氧饱和度、外周白细胞计数、淋巴细胞计数、乳酸脱氢酶、c-反应蛋白、超敏c-反应蛋白、血沉、d-二聚体、肌钙蛋白、降钙素、谷丙转氨酶、谷草转氨酶)、ct检测结果(肺多发小斑片影、肺间质改变、肺外带明显、双肺多发玻璃影、双肺多发浸润影、肺实质改变)、指标变化(心率变化、收缩压变化、舒张压变化、体温变化、血氧饱和度变化、外周血白细胞变化、淋巴细胞计数变化、乳酸脱氢酶变化、超敏c反应蛋白变化、血沉变化、肌钙蛋白变化、d-二聚体变化、血沉变化、降钙素变化、谷丙转氨酶变化、谷草转氨酶变化)。

初步选择多名covid-19患者的特征预测变量信息中roc曲线的auc值大于0.6，并且数据丢失率小于50％的特征预测变量。

基于所述的covid-19患者的特征预测变量信息，根据感染covid-19患者预后风险程度的早期预测模型，确定所述covid-19患者的预后风险程度的早期预测结果。

在实施例中，可以将covid-19患者的特征预测变量信息输入到训练好的感染covid-19患者预后风险程度的早期预测模型中，以获得covid-19患者的预后风险程度的早期预测结果。在本实施例中，covid-19患者预后风险程度的早期预测模型为xgboot模型。

在实施例中，根据多名covid-19患者的特征预测变量中各个预测变量对在xgboot模型中的权重值(如图2所示)，最终确定感染covid-19患者预后风险程度的早期预测模型的输入特征预测变量；

在实施例中，多名covid-19患者的输入特征预测变量信息包括血氧饱和度、外周白细胞计数、收缩压变化、心率、肺多发小斑片影和年龄。

在实施例中，预后风险程度的早期预测结果包括患者预后风险程度高和预后风险程度不高。

在实施例中，利用多名covid-19患者的所述输入特征预测变量信息及其预后风险程度信息训练所述的初始模型获得所述的感染covid-19患者预后风险程度的早期预测模型。

在实施例中，可以对训练获得的感染covid-19患者预后风险程度的早期预测模型进行验证，可以采用交叉验证模型效果，用来测试算法模型的准确度和灵敏度。具体地，可以将241个训练数据集分成5份(其中4份包括48个病例，1份包括49个病例)，将其中4份作为训练集，1份作为验证集，进行试验。

一种感染covid-19患者预后风险程度的早期预测系统，包括：存储器，用于存储指令；处理器，用于执行所述指令。处理器包括获取模块和预测模块。获取模块用于获取covid-19患者的特征预测变量信息。特征预测变量信息包括入院covid-19患者的人口统计学特征、疾病史、症状和体征、临床检测、ct检测结果、指标变化等48个临床相关变量。

预测模块用于基于所述的covid-19患者的特征预测变量信息，根据感染covid-19患者预后风险程度的早期预测模型，确定所述covid-19患者的预后风险程度的早期预测结果。早期预测模型为xgboot模型。

系统还包括训练模块，用于采用多名患者的特征预测变量信息及其预后信息训练初始模型获得早期预测模型。

训练模块训练用的患者选择roc曲线的auc值大于0.6，并且数据丢失率小于50％的特征预测变量。初始模型为xgboot模型，训练初始模型时，根据患者的特征预测变量对初始模型的权重值，确定早期预测模型的输入特征变量。输入特征变量包括血氧饱和度、外周白细胞计数、收缩压变化、心率、肺多发小斑片影和年龄。

训练模块采用多名患者的特征预测变量信息及其预后信息训练初始模型获得早期预测模型，还包括：模型训练时，计算每个特征预测变量的分数来表示该变量在预测模型中的权重。具体来说，模型的目标函数中加入用以控制复杂度的正则项，正则项里包含了树的叶子节点个数、每个叶子节点上输出变量的分数的l2模的平方和。

训练模块采用多名患者的特征预测变量信息及其预后信息训练初始模型获得早期预测模型，还包括：训练模型过程中可以自动处理特征预测变量有缺失的样本数据。具体来说，模型通过向每个树的节点中的缺失值添加一个默认方向，该默认方向是从训练数据中学习得到的。

训练模块采用多名患者的特征预测变量信息及其预后信息训练初始模型获得早期预测模型，还包括：每次训练采用五折交叉验证，所述的五折交叉验证，用来测试算法模型的准确度和灵敏度，具体实施步骤为将训练数据集分成5份，将其中4份作为训练数据，1份作为测试数据，进行试验。

covid-19患者的预后风险程度的早期预测结果包括：患者预后风险程度高和预后风险程度不高。

在本实施例中，选取131个测试样本分别用xgboot模型和传统方法进行预后风险程度预测，结果如表1(图3)所示，xgboot模型的敏感性为47.1％，漏诊率为52.9，而传统方法的漏诊率为76.5％。

上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除