基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法

1.本发明涉及预后功能评估技术领域，具体涉及一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法。


背景技术：

2.迟发性脑缺血(dci)是动脉瘤性蛛网膜下腔出血(asah)后功能预后(fo)不良的主要原因。dci定义为首次出血后4至21天之间的神经功能恶化，影响大约30％的asah患者。asah患者的fo在很大程度上取决于出血的严重程度和2周内出现的并发症。dci和fo的早期预测是管理asah患者的关键。
3.在大多数研究中，蛛网膜下腔血肿体积(用改良fisher量表[mfs]3量化)和入院时的临床严重程度(用hunt
–
hess量表[hh]4量化)已被用作dci和fo的有效预测指标，已广泛用于预测dci。此外，近年研究中发现一些ctp参数对预测asah患者的dci及3个月fo很重要。
[0004]
机器学习(ml)是人工智能的一个重要组成部分，它更加强调预测结果的准确性，与传统统计相比，它可能会揭示数据中以前未检测到的变量。近年来越来越多的研究试图使用入院时的临床数据预测dci，但很少建立出可靠的ml预测模型。现有对动脉瘤性蛛网膜下腔出血(asah)后功能预后评估时，评估特征参数选取常规化，预测模型固化，导致预测准确性低，同时抽象为预测模型，除数据处理专业人员外，医疗人员难以使用，因此对医护人员的要求增强，使用体验感不友好。


技术实现要素：

[0005]
本发明的目的在于提供一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，以解决现有技术中评估特征参数选取常规化，预测模型固化，导致预测准确性低，同时抽象为预测模型，对医护人员的要求增强，使用体验感不友好的技术问题。
[0006]
为解决上述技术问题，本发明具体提供下述技术方案：
[0007]
一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，包括以下步骤：
[0008]
步骤s1、获取临床疑似asah患者入院时刻的临床数据和ctp数据，以及后续监测临床疑似asah患者的迟发性脑缺血的发生概率数据和动脉瘤性蛛网膜下腔出血功能预后的评价数据；
[0009]
步骤s2、对所述临床数据和ctp数据以及发生概率数据和评价数据进行z-score标准化处理，基于两组数据集无差异的原则将临床数据和ctp数据以及发生概率数据和评价数据分为训练集和测试集；
[0010]
步骤s3、在训练集中进行smote过采样技术，并基于过采样数据项进行共性特征选取得到共性化评估特征，将所述迟发性脑缺血的发生概率作为个性化评估特征；
[0011]
步骤s4、利用10倍交叉验证方法在训练集中基于共性化评估特征训练机器学习模型得到dci预测模型，以实现对动脉瘤性蛛网膜下腔出血后迟发性脑缺血的发生概率预测；
[0012]
步骤s5、利用10倍交叉验证方法在训练集中基于共性化评估特征训练五组机器学
习模型得到五个fo共性预测模型，以实现对动脉瘤性蛛网膜下腔出血功能预后的共性评价预测；
[0013]
步骤s6、利用10倍交叉验证方法在训练集中基于个性化评估特征训练五组机器学习模型得到五个fo个性预测模型，以实现对动脉瘤性蛛网膜下腔出血功能预后的个性评价预测；
[0014]
步骤s7、精密度、灵敏度、特异性和受试者工作特性曲线下面积(roc)用作模型性能指标，在测试集中评估这五个fo共性预测模型的性能和五个个性预测模型的性能，在测试集中进行德隆检验以比较模型性能指标选取出最优fo共性预测模型和最优fo个性预测模型；
[0015]
步骤s8、将最优fo共性预测模型和最优fo个性预测模型利用动态性权重进行动态组合得到最优fo预测模型；
[0016]
步骤s9、基于最优fo预测模型在网页门户中布局预测工具，以供临床医师方便客观的对患者的迟发性脑缺血的发生概率预测以及动脉瘤性蛛网膜下腔出血功能预后进行评价预测。
[0017]
作为本发明的一种优选方案，所述步骤s1中ctp数据采用对全脑ctp扫描图进行定性分析和定量分析得到，其中，
[0018]
所述定性分析由影像医生将全脑ctp扫描图中的ctp伪彩图定性为正常灌注，局限性低灌注，弥漫性低灌注；
[0019]
所述定量分析根据大脑供血区勾画32个感兴趣区，在全脑ctp扫描图中获取感兴趣区的mcbf、mcbv、mmtt、mttd、mtts、mtmax、mfep的平均值。
[0020]
作为本发明的一种优选方案，所述步骤s3中筛选出共性化评估特征采用的方法为lasso。
[0021]
作为本发明的一种优选方案，所述步骤s1中动脉瘤性蛛网膜下腔出血功能预后的评价数据依据改良rankin量表中mrs值被区分为好的和差的共性预测模型和最优fo个性预测模型，所述评价数据由神经外科医生对3个月后入院复查的临床疑似asah患者评估得到，且未复查的临床疑似asah患者通过电话随访进行评估。
[0022]
作为本发明的一种优选方案，所述五组机器学习模型包括k近邻(knn)、逻辑回归(lr)、支持向量机(svm)、随机森林(rf)、catboost(cat)。
[0023]
作为本发明的一种优选方案，所述dci预测模型的构建包括：
[0024]
将共性化评估特征作为机器学习模型的输入项，将迟发性脑缺血的发生概率数据作为机器学习模型的输出项；
[0025]
利用机器学习模型在训练集中以共性化评估特征和迟发性脑缺血的发生概率数据进行训练得到所述dci预测模型；
[0026]
所述dci预测模型的模型表达式为：
[0027]
p
dic
＝model
dic
(sh)；
[0028]
式中，p
dic
为迟发性脑缺血的发生概率数据，sh为共性化评估特征，model
dic
为机器学习模型。
[0029]
作为本发明的一种优选方案，所述fo共性预测模型的构建包括：
[0030]
将共性化评估特征作为机器学习模型的输入项，将动脉瘤性蛛网膜下腔出血功能
预后的评价数据作为机器学习模型的输出项；
[0031]
利用机器学习模型在训练集中以共性化评估特征和动脉瘤性蛛网膜下腔出血功能预后的评价数据进行训练得到所述fo共性预测模型；
[0032]
所述fo共性预测模型的模型表达式为：
[0033]
p
foh
＝model
foh
(sh)；
[0034]
式中，model foh
∈[knn,lr,svm,rf,cat]，p
foh
为动脉瘤性蛛网膜下腔出血功能预后的评价数据，sh为共性化评估特征，model foh
为机器学习模型，knn,lr,svm,rf,cat分别为k近邻，逻辑回归，支持向量机，随机森林，catboost。
[0035]
作为本发明的一种优选方案，所述fo个性预测模型的构建包括：
[0036]
将个性化评估特征作为机器学习模型的输入项，将动脉瘤性蛛网膜下腔出血功能预后的评价数据作为机器学习模型的输出项；
[0037]
利用机器学习模型在训练集中以个性化评估特征和动脉瘤性蛛网膜下腔出血功能预后的评价数据进行训练得到所述fo共性预测模型；
[0038]
所述fo个性预测模型的模型表达式为：
[0039]
p
foh
＝model
foh
(sh)；
[0040]
式中，model foh
∈[knn,lr,svm,rf,cat]，p
foh
为动脉瘤性蛛网膜下腔出血功能预后的评价数据，sh为个性化评估特征，model foh
为机器学习模型，knn,lr,svm,rf,cat分别为k近邻，逻辑回归，支持向量机，随机森林，catboost。
[0041]
作为本发明的一种优选方案，所述最优fo预测模型的构建包括：
[0042]
设定最优fo共性预测模型和最优fo个性预测模型的动态性权重，所述动态性权重的函数表达式为：
[0043][0044][0045]
式中，h t
为第t个时序处最优fo共性预测模型的动态性权重，h t
为第t个时序处最优fo个性预测模型的动态性权重，k为临床疑似asah患者的总数量，l
t
为第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，n为模型预测总时序数，t为模型预测时序表征值，lenr
t
为第t个时序处最优fo个性预测模型得到的动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，lenri为第t个时序处最优fo共性预测模型得到的动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，l
t
＝lenr
t
+lenr
t
；
[0046]
将最优fo共性预测模型和最优fo个性预测模型的动态性权重对最优fo共性预测模型和最优fo个性预测模型进行加权组合得到最优fo预测模型，所述最优fo预测模型的函数表达式为：
[0047]
p
fo,t
＝h t
*best(p
foh,t
)+h t
*best(p
foh,t
)；
[0048]
式中，p
fo,t
为第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据,best(p
foh,t
)为最优fo共性预测模型在第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后
的评价数据，best(p
foh,t
)为最优fo个性预测模型在第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据。
[0049]
作为本发明的一种优选方案，所述基于最优fo预测模型在网页门户中布局预测工具，包括：
[0050]
在网页门户中设定共性化评估特征的数据输入栏，设定dci预测功能选项、fo预测功能选项；
[0051]
将dci预测功能选项链接至dci预测模型上，选中dci预测功能选项触发dci预测模型调取共性化评估特征的数据输入栏中缓存的共性化评估特征的数据，模型运算得到患者的迟发性脑缺血的发生概率数据；
[0052]
将fo预测功能选项链接至最优fo预测模型上，选中fo预测功能选项触发最优fo预测模型调取共性化评估特征的数据输入栏中缓存的共性化评估特征的数据以及dci预测模型输出的作为个性化评估特征的迟发性脑缺血的发生概率数据，模型运算得到患者的动脉瘤性蛛网膜下腔出血功能预后的评价数据。
[0053]
本发明与现有技术相比较具有如下有益效果：
[0054]
本发明在构建预测模型中加入ctp数据后，实现了预测效能较以往预测方法显著提高，在入院时即可达到预测asah患者迟发性脑缺血的发生概率及3个月动脉瘤性蛛网膜下腔出血功能预后状况的目的，同时将迟发性脑缺血的发生概率数据作为个性化特征进行fo预测模型的构建，并对最优fo共性预测模型和最优fo个性预测模型利用动态性权重进行动态组合得到最优fo预测模型，保证模型的泛化性和准确性协同匹配，建立了基于网络的预测工具，以供临床医师更方便、客观的评估和为每位患者提供个体化的预后功能状态预测。
附图说明
[0055]
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。
[0056]
图1为本发明实施例提供的动脉瘤性蛛网膜下腔出血预后评估方法流程图；
[0057]
图2为本发明实施例提供的ctp定性分析示意图；
[0058]
图3为本发明实施例提供的ctp定量分析示意图；
[0059]
图4为本发明实施例提供的特征筛选过程及重要性排序示意图；
[0060]
图5为本发明实施例提供的模型性能的箱线图图；
[0061]
图6为本发明实施例提供的预测工具的网页门户示意图。
具体实施方式
[0062]
下面将结合本发明实施例中的附图，对本发明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。
[0063]
机器学习(ml)是人工智能的一个重要组成部分，它更加强调预测结果的准确性，与传统统计相比，它可能会揭示数据中以前未检测到的变量。近年来越来越多的研究试图使用入院时的临床数据预测dci，但很少建立出可靠的ml预测模型。先前也有研究证明，入院时的ctp相对临床数据能有效预测动脉瘤性蛛网膜下腔出血患者(asah患者)的迟发性脑缺血的发生概率(dci)。因此本发明提供了一种入院ct灌注数据的动脉瘤性蛛网膜下腔出血预后评估方法，利用临床数据和ctp数据的组合可以进一步提高asah患者dci和动脉瘤性蛛网膜下腔出血功能预后评价数据(fo)的预测，并通过评估五种ml模型的疗效选取最优模型，最终基于最优模型建立预测工具并部署到网页，便于医护人员直观轻松的使用。
[0064]
如图1所示，本发明提供了一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，包括以下步骤：
[0065]
步骤s1、获取临床疑似asah患者入院时刻的临床数据和ctp数据，以及后续监测临床疑似asah患者的迟发性脑缺血的发生概率数据和动脉瘤性蛛网膜下腔出血功能预后的评价数据；
[0066]
步骤s2、对所述临床数据和ctp数据以及发生概率数据和评价数据进行z-score标准化处理，基于两组数据集无差异的原则将临床数据和ctp数据以及发生概率数据和评价数据分为训练集和测试集；
[0067]
步骤s3、在训练集中进行smote过采样技术，并基于过采样数据项进行共性特征选取得到共性化评估特征，将所述迟发性脑缺血的发生概率作为个性化评估特征；
[0068]
步骤s4、利用10倍交叉验证方法在训练集中基于共性化评估特征训练机器学习模型得到dci预测模型，以实现对动脉瘤性蛛网膜下腔出血后迟发性脑缺血的发生概率预测；
[0069]
步骤s5、利用10倍交叉验证方法在训练集中基于共性化评估特征训练五组机器学习模型得到五个fo共性预测模型，以实现对动脉瘤性蛛网膜下腔出血功能预后的共性评价预测；
[0070]
步骤s6、利用10倍交叉验证方法在训练集中基于个性化评估特征训练五组机器学习模型得到五个fo个性预测模型，以实现对动脉瘤性蛛网膜下腔出血功能预后的个性评价预测；
[0071]
步骤s7、精密度、灵敏度、特异性和受试者工作特性曲线下面积roc用作模型性能指标，在测试集中评估这五个fo共性预测模型的性能和五个个性预测模型的性能，在测试集中进行德隆检验以比较模型性能指标选取出最优fo共性预测模型和最优fo个性预测模型；
[0072]
步骤s8、将最优fo共性预测模型和最优fo个性预测模型利用动态性权重进行动态组合得到最优fo预测模型；
[0073]
步骤s9、基于最优fo预测模型在网页门户中布局预测工具，以供临床医师方便客观的对患者的迟发性脑缺血的发生概率预测以及动脉瘤性蛛网膜下腔出血功能预后进行评价预测。
[0074]
本发明中相较于只用传统的入院数据进行模型预测，加入了ctp数据来增加模型的准确性，ctp数据的获取如下步骤：
[0075]
如图2和图3所示，所述步骤s1中ctp数据采用对全脑ctp扫描图进行定性分析和定量分析得到，其中，
[0076]
所述定性分析由影像医生将全脑ctp扫描图中的ctp伪彩图定性为正常灌注，局限性低灌注，弥漫性低灌注；
[0077]
所述定量分析根据大脑供血区勾画32个感兴趣区，在全脑ctp扫描图中获取感兴趣区的mcbf、mcbv、mmtt、mttd、mtts、mtmax、mfep的平均值。
[0078]
所有临床疑似asah患者入院24h内接受一站式ct扫描，包括ct平扫和全脑ctp扫描，分别由1名神经外科及放射科医师共同评估并记录患者入院时的临床及ctp数据。
[0079]
步骤s2中两组无差异的判定标准为：组间差异检验中，两组间所有变量p均》0.05
[0080]
考虑到实验数据的轻度不平衡，我们采用了smote过采样技术，而后使用lasso对特征进行筛选，lasso适用于简化模型变量，可以弥补最小二乘法和逐步回归局部最优估计的不足，可以很好的进行特征选择，可以有效的解决各特征之间存在的多重共线性问题，因此本发明在筛选出共性化评估特征采用的方法为lasso，特征筛选过程及重要性排序如图4所示。
[0081]
所述步骤s1中动脉瘤性蛛网膜下腔出血功能预后的评价数据依据改良rankin量表中mrs值被区分为好的和差的共性预测模型和最优fo个性预测模型，所述评价数据由神经外科医生对3个月后入院复查的临床疑似asah患者评估得到，且未复查的临床疑似asah患者通过电话随访进行评估。
[0082]
所述五组机器学习模型包括k近邻(knn)、逻辑回归(lr)、支持向量机(svm)、随机森林(rf)、catboost(cat)。
[0083]
由于先前也有研究证明，入院时的ctp相对临床数据能有效预测asah患者的迟发性脑缺血的发生概率(dci)，因此本发明利用方形化评估特征构建出dci预测模型，能够实现在入院时就预测出患者的迟发性脑缺血的发生概率，提前进行医护防范，提高救治时效性。
[0084]
具体的，所述dci预测模型的构建包括：
[0085]
将共性化评估特征作为机器学习模型的输入项，将迟发性脑缺血的发生概率数据作为机器学习模型的输出项；
[0086]
利用机器学习模型在训练集中以共性化评估特征和迟发性脑缺血的发生概率数据进行训练得到所述dci预测模型；
[0087]
所述dci预测模型的模型表达式为：
[0088]
p
dic
＝model
dic
(sh)；
[0089]
式中，p
dic
为迟发性脑缺血的发生概率数据，sh为共性化评估特征，model
dic
为机器学习模型。
[0090]
本发明利用入院数据和ctp数据构建出fo共性化预测模型，通过结合ctp数据的共性化评估特征，实现对动脉瘤性蛛网膜下腔出血功能预后的评价数据的预测，实现在入院时就预测出患者的动脉瘤性蛛网膜下腔出血功能预后状态是好是差，提前进行掌握，给患者以治疗预期，避免患者有较高的心理预期导致的医患纠纷，因此本发明构建了fo共性预测模型。
[0091]
fo共性预测模型利用的是共性化特征，因此fo共性预测模型具有较高的泛化性能，能够匹配大量患者的使用，在个体精准度上存在一些不足所述fo共性预测模型的构建包括：
[0092]
将共性化评估特征作为机器学习模型的输入项，将动脉瘤性蛛网膜下腔出血功能预后的评价数据作为机器学习模型的输出项；
[0093]
利用机器学习模型在训练集中以共性化评估特征和动脉瘤性蛛网膜下腔出血功能预后的评价数据进行训练得到所述fo共性预测模型；
[0094]
所述fo共性预测模型的模型表达式为：
[0095]
p
foh
＝model
foh
(sh)；
[0096]
式中，model foh
∈[knn,lr,svm,rf,cat]，p
foh
为动脉瘤性蛛网膜下腔出血功能预后的评价数据，sh为共性化评估特征，model foh
为机器学习模型，knn,lr,svm,rf,cat分别为k近邻，逻辑回归，支持向量机，随机森林，catboost。
[0097]
迟发性脑缺血(dci)是动脉瘤性蛛网膜下腔出血(asah)后功能预后(fo)不良的主要原因，因此迟发性脑缺血的发生概率和功能预后的状态存在关联性，本发明利用迟发性脑缺血的发生概率作为个性化评估特征构建出fo共性化预测模型，通过个性化评估特征模型预测出功能预后的状态，实现对动脉瘤性蛛网膜下腔出血功能预后的评价数据的预测，实现在入院时就预测出患者的动脉瘤性蛛网膜下腔出血功能预后状态是好是差，提前进行掌握，给患者以治疗预期，避免患者有较高的心理预期导致的医患纠纷，因此本发明构建了fo个性预测模型。
[0098]
fo个性预测模型利用的是个性化特征，即迟发性脑缺血的发生概率是个体所有特征中能直接用于直接预测功能预后的状态的特征，因此fo个性预测模型具有较高的准确性能，能够匹配患者个体的使用，在泛化度上存在一些不足。
[0099]
所述fo个性预测模型的构建包括：
[0100]
将个性化评估特征作为机器学习模型的输入项，将动脉瘤性蛛网膜下腔出血功能预后的评价数据作为机器学习模型的输出项；
[0101]
利用机器学习模型在训练集中以个性化评估特征和动脉瘤性蛛网膜下腔出血功能预后的评价数据进行训练得到所述fo共性预测模型；
[0102]
所述fo个性预测模型的模型表达式为：
[0103]
p
foh
＝model
foh
(sh)；
[0104]
式中，model foh
∈[knn,lr,svm,rf,cat]，p
foh
为动脉瘤性蛛网膜下腔出血功能预后的评价数据，sh为个性化评估特征，model foh
为机器学习模型，knn,lr,svm,rf,cat分别为k近邻，逻辑回归，支持向量机，随机森林，catboost。
[0105]
由于fo共性预测模型的准确性能不足，泛化性能强和fo个性预测模型的准确性能强，泛化性能不足的情况，将两种类型模型进行最优组合，使得组合模型能够在准确性能和泛化性能中得到均衡，本发明通过设定最优fo共性预测模型和最优fo个性预测模型的动态性权重，对最优fo共性预测模型和最优fo个性预测模型进行权重组合使得准确性能和泛化性能得到均衡，在预测模型使用初期，保持高泛化性能，在预测模型使用后期，保持高准确性能。
[0106]
在模型使用初期，由于考虑到患者使用量相交与训练数据得到了大大增长，即模型遇到的患者真实数据类型更加多种多样，此时需要的是预测的包容性强，即能够适用匹配更多数量或类型的患者，因此此时使得fo共性预测模型具有高权重，从而保证组合后的最优fo预测模型具有高泛化性，而到了模型使用后期，由于模型已经适应了多种多样的患
者真实数据类型，此时模型本身已经具有了高泛化性，并且此时dci预测模型的准确度也得以提高，由迟发性脑缺血的发生概率得到功能预后状态的准确性也得以提高，为了进一步匹配个体化特异性，因此此时使得fo个性预测模型具有高权重，从而保证组合后的最优fo预测模型具有高个体准确性，因此本发明将最优fo共性预测模型和最优fo个性预测模型的组合权重设定为动态性权重，在模型使用初期h
t
接近于0，h
t
接近于1，而后期h
t
逐渐增加至1，h
t
逐渐降低至0，根据模型的使用周期进行自适应调整匹配，使得整个模型使用周期内合理均衡泛化性和个体准确性，满足实际场景的需求。
[0107]
所述最优fo预测模型的构建包括：
[0108]
设定最优fo共性预测模型和最优fo个性预测模型的动态性权重，所述动态性权重的函数表达式为：
[0109][0110][0111]
式中，h t
为第t个时序处最优fo共性预测模型的动态性权重，h t
为第t个时序处最优fo个性预测模型的动态性权重，k为临床疑似asah患者的总数量，l
t
为第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，n为模型预测总时序数，t为模型预测时序表征值，lenr
t
为第t个时序处最优fo个性预测模型得到的动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，lenri为第t个时序处最优fo共性预测模型得到的动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，l
t
＝lenr
t
+lenr
t
；
[0112]
将最优fo共性预测模型和最优fo个性预测模型的动态性权重对最优fo共性预测模型和最优fo个性预测模型进行加权组合得到最优fo预测模型，所述最优fo预测模型的函数表达式为：
[0113]
p
fo,t
＝h t
*best(p
foh,t
)+h t
*best(p
foh,t
)；
[0114]
式中，p
fo,t
为第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据,best(p
foh,t
)为最优fo共性预测模型在第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据，best(p
foh,t
)为最优fo个性预测模型在第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据。
[0115]
如图5所示，步骤s7采用箱线图进行直观地对比knn,lr,svm,rf,cat的模型性能。
[0116]
如图6所示，所述基于最优fo预测模型在网页门户中布局预测工具，包括：
[0117]
在网页门户中设定共性化评估特征的数据输入栏，设定dci预测功能选项、fo预测功能选项；
[0118]
将dci预测功能选项链接至dci预测模型上，选中dci预测功能选项触发dci预测模型调取共性化评估特征的数据输入栏中缓存的共性化评估特征的数据，模型运算得到患者的迟发性脑缺血的发生概率数据；
[0119]
将fo预测功能选项链接至最优fo预测模型上，选中fo预测功能选项触发最优fo预测模型调取共性化评估特征的数据输入栏中缓存的共性化评估特征的数据以及dci预测模
型输出的作为个性化评估特征的迟发性脑缺血的发生概率数据，模型运算得到患者的动脉瘤性蛛网膜下腔出血功能预后的评价数据。
[0120]
本发明提供了一种预测实例，们连续收集了2020年7月至2022年8月中符合入选标准的561名疑似asah患者。
[0121]
实验数据纳入标准如下(1)年龄》18岁；(2)症状发作后24小时内进行全脑ctp；(3)数字减影血管造影证实了asah。
[0122]
实验数据排除标准如下(1)215例因其他原因引起的颅内出血；(2)既往有脑血管病史44例；(3)20例图像质量差或图像不完整的患者；(4)40名临床数据不完整或无法进行3个月fo评估的患者。
[0123]
所有患者在治疗前入院时接受ctp，然后根据当前指南进行治疗。动脉瘤在症状出现后24小时内治疗。住院期间通过微量泵静脉注射尼莫地平。
[0124]
最终纳入了242名患者。以4：1的方式随机划分训练集测试集，并保证通过组间差异检验，训练集中有194人，测试集中有48人。
[0125]
模型使用的入院时基线变量包括年龄、性别、高血压病史、格拉斯昏迷指数评分(gcs)、世界神经外科联盟分级(wfns)、hunt-hess分级(hh)、改良fisher评分(mfs)、早期脑水肿评分(sebes)、治疗方式[保守治疗、动脉瘤栓塞、动脉瘤夹闭]、动脉瘤位置[前循环、后循环]、ctp定性分析[正常灌注、局限性低灌注、弥漫性低灌注]、ctp定量分析[mcbf、mcbv、mmtt、mttd、mtts、mtmax、mfep]，用于建立预测fo及dci的机器学习模型。
[0126]
共性化评估特征选择中，预测dci的前两个最重要的变量依次是ctp定性分析和定量分析中反应血脑屏障渗透性参数的mfep。预测fo的最重要的变量中，第一位是年龄，第二位是ctp定性分析，第四位是mfep，以往研究中证明血脑屏障渗透性的破坏是可逆的，所以对于预测3个月的fo，mfep的重要性降低。但总体而言，ctp数据的重要性不言而喻，明显地提升了模型性能。
[0127]
对于dci预测，cat模型在五个ml模型中表现最好，显示训练集的10倍cv auc为0.935
±
0.05，测试集的auc在五个模型中最高(0.890)
[0128]
对于fo共性预测，cat模型数据仍然表现最佳，训练集的10倍cv auc为0.953
±
0.05，测试集的auc在五个模型中最高(0.897)。当将dci的发生率作为个评估特征时，对于fo个性预测，cat模型在五个模型中仍然表现最佳，训练集的10倍cv auc为0.958
±
0.03，测试集的auc最高(0.911)，fo个性预测的个体准确性更高。
[0129]
最终由基于cat模型的共性预测和基于cat模型的个性预测(最优fo共性预测模型和最优fo个性预测模型)建立了预测工具，在入院时即可使用该工具预测asah患者的dci以及3个月后的预后功能状态。
[0130]
本发明在构建预测模型中加入ctp数据后，实现了预测效能较以往预测方法显著提高，在入院时即可达到预测asah患者迟发性脑缺血的发生概率及3个月动脉瘤性蛛网膜下腔出血功能预后状况的目的，同时将迟发性脑缺血的发生概率数据作为个性化特征进行fo预测模型的构建，并对最优fo共性预测模型和最优fo个性预测模型利用动态性权重进行动态组合得到最优fo预测模型，保证模型的泛化性和准确性协同匹配，建立了基于网络的预测工具，以供临床医师更方便、客观的评估和为每位患者提供个体化的预后功能状态预测。
[0131]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于：包括以下步骤：步骤s1、获取临床疑似asah患者入院时刻的临床数据和ctp数据，以及后续监测临床疑似asah患者的迟发性脑缺血的发生概率数据和动脉瘤性蛛网膜下腔出血功能预后的评价数据；步骤s2、对所述临床数据和ctp数据以及发生概率数据和评价数据进行z-score标准化处理，基于两组数据集无差异的原则将临床数据和ctp数据以及发生概率数据和评价数据分为训练集和测试集；步骤s3、在训练集中进行smote过采样技术，并基于过采样数据项进行共性特征选取得到共性化评估特征，将所述迟发性脑缺血的发生概率作为个性化评估特征；步骤s4、利用10倍交叉验证方法在训练集中基于共性化评估特征训练机器学习模型得到dci预测模型，以实现对动脉瘤性蛛网膜下腔出血后迟发性脑缺血的发生概率预测；步骤s5、利用10倍交叉验证方法在训练集中基于共性化评估特征训练五组机器学习模型得到五个fo共性预测模型，以实现对动脉瘤性蛛网膜下腔出血功能预后的共性评价预测；步骤s6、利用10倍交叉验证方法在训练集中基于个性化评估特征训练五组机器学习模型得到五个fo个性预测模型，以实现对动脉瘤性蛛网膜下腔出血功能预后的个性评价预测；步骤s7、精密度、灵敏度、特异性和受试者工作特性曲线下面积roc用作模型性能指标，在测试集中评估这五个fo共性预测模型的性能和五个个性预测模型的性能，在测试集中进行德隆检验以比较模型性能指标选取出最优fo共性预测模型和最优fo个性预测模型；步骤s8、将最优fo共性预测模型和最优fo个性预测模型利用动态性权重进行动态组合得到最优fo预测模型；步骤s9、基于最优fo预测模型在网页门户中布局预测工具，以供临床医师方便客观的对患者的迟发性脑缺血的发生概率预测以及动脉瘤性蛛网膜下腔出血功能预后进行评价预测。2.根据权利要求1所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于：所述步骤s1中ctp数据采用对全脑ctp扫描图进行定性分析和定量分析得到，其中，所述定性分析由影像医生将全脑ctp扫描图中的ctp伪彩图定性为正常灌注，局限性低灌注，弥漫性低灌注；所述定量分析根据大脑供血区勾画32个感兴趣区，在全脑ctp扫描图中获取感兴趣区的mcbf、mcbv、mmtt、mttd、mtts、mtmax、mfep的平均值。3.根据权利要求1所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于：所述步骤s3中筛选出共性化评估特征采用的方法为lasso。4.根据权利要求1所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于：所述步骤s1中动脉瘤性蛛网膜下腔出血功能预后的评价数据依据改良rankin量表中mrs值被区分为好的和差的共性预测模型和最优fo个性预测模型，所述评价数据由神经外科医生对3个月后入院复查的临床疑似asah患者评估得到，且未复查的临床
疑似asah患者通过电话随访进行评估。5.根据权利要求1所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于：所述五组机器学习模型包括k近邻、逻辑回归、支持向量机、随机森林、catboost。6.根据权利要求1所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于：所述dci预测模型的构建包括：将共性化评估特征作为机器学习模型的输入项，将迟发性脑缺血的发生概率数据作为机器学习模型的输出项；利用机器学习模型在训练集中以共性化评估特征和迟发性脑缺血的发生概率数据进行训练得到所述dci预测模型；所述dci预测模型的模型表达式为：p
dic
＝model
dic
(s
h
)；式中，p
dic
为迟发性脑缺血的发生概率数据，s
h
为共性化评估特征，model
dic
为机器学习模型。7.根据权利要求5所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于，所述fo共性预测模型的构建包括：将共性化评估特征作为机器学习模型的输入项，将动脉瘤性蛛网膜下腔出血功能预后的评价数据作为机器学习模型的输出项；利用机器学习模型在训练集中以共性化评估特征和动脉瘤性蛛网膜下腔出血功能预后的评价数据进行训练得到所述fo共性预测模型；所述fo共性预测模型的模型表达式为：p
foh
＝model
foh
(s
h
)；式中，model foh
∈[knn,lr,svm,rf,cat]，p
foh
为动脉瘤性蛛网膜下腔出血功能预后的评价数据，s
h
为共性化评估特征，model foh
为机器学习模型，knn,lr,svm,rf,cat分别为k近邻，逻辑回归，支持向量机，随机森林，catboost。8.根据权利要求7所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于，所述fo个性预测模型的构建包括：将个性化评估特征作为机器学习模型的输入项，将动脉瘤性蛛网膜下腔出血功能预后的评价数据作为机器学习模型的输出项；利用机器学习模型在训练集中以个性化评估特征和动脉瘤性蛛网膜下腔出血功能预后的评价数据进行训练得到所述fo共性预测模型；所述fo个性预测模型的模型表达式为：p
foh
＝model
foh
(s
h
)；式中，model
foh
∈[knn,lr,svm,rf,cat]，p
foh
为动脉瘤性蛛网膜下腔出血功能预后的评价数据，s
h
为个性化评估特征，model foh
为机器学习模型，knn,lr,svm,rf,cat分别为k近邻，逻辑回归，支持向量机，随机森林，catboost。9.根据权利要求8所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于，所述最优fo预测模型的构建包括：设定最优fo共性预测模型和最优fo个性预测模型的动态性权重，所述动态性权重的函
数表达式为：数表达式为：式中，h t
为第t个时序处最优fo共性预测模型的动态性权重，h t
为第t个时序处最优fo个性预测模型的动态性权重，k为临床疑似asah患者的总数量，l
t
为第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，n为模型预测总时序数，t为模型预测时序表征值，lenr
t
为第t个时序处最优fo个性预测模型得到的动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，lenr
i
为第t个时序处最优fo共性预测模型得到的动脉瘤性蛛网膜下腔出血功能预后的评价数据符合真实情况的临床疑似asah患者，l
t
＝lenr
t
+lenr
t
；将最优fo共性预测模型和最优fo个性预测模型的动态性权重对最优fo共性预测模型和最优fo个性预测模型进行加权组合得到最优fo预测模型，所述最优fo预测模型的函数表达式为：p
fo,t
＝h t
*best(p
foh,t
)+h t
*best(p
foh,t
)；式中，p
fo,t
为第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据,best(p
foh,t
)为最优fo共性预测模型在第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据，best(p
foh,t
)为最优fo个性预测模型在第t个时序处得到动脉瘤性蛛网膜下腔出血功能预后的评价数据。10.根据权利要求1所述的一种基于动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，其特征在于，所述基于最优fo预测模型在网页门户中布局预测工具，包括：在网页门户中设定共性化评估特征的数据输入栏，设定dci预测功能选项、fo预测功能选项；将dci预测功能选项链接至dci预测模型上，选中dci预测功能选项触发dci预测模型调取共性化评估特征的数据输入栏中缓存的共性化评估特征的数据，模型运算得到患者的迟发性脑缺血的发生概率数据；将fo预测功能选项链接至最优fo预测模型上，选中fo预测功能选项触发最优fo预测模型调取共性化评估特征的数据输入栏中缓存的共性化评估特征的数据以及dci预测模型输出的作为个性化评估特征的迟发性脑缺血的发生概率数据，模型运算得到患者的动脉瘤性蛛网膜下腔出血功能预后的评价数据。

技术总结
本发明公开了一种动态协同的动脉瘤性蛛网膜下腔出血预后评估方法，包括以下步骤：利用10倍交叉验证方法在训练集中基于共性化评估特征训练五组机器学习模型得到五个FO共性预测模型；利用10倍交叉验证方法在训练集中基于个性化评估特征训练五组机器学习模型得到五个FO个性预测模型；将最优FO共性预测模型和最优FO个性预测模型利用动态性权重进行动态组合得到最优FO预测模型；基于最优FO预测模型在网页门户中布局预测工具。本发明保证模型的泛化性和准确性协同匹配，建立了基于网络的预测工具，以供临床医师更方便、客观的评估和为每位患者提供个体化的预后功能状态预测。每位患者提供个体化的预后功能状态预测。每位患者提供个体化的预后功能状态预测。


技术研发人员：周运锋 殷鹏展 王家琦 张超 叶明全
受保护的技术使用者：皖南医学院第一附属医院（皖南医学院弋矶山医院）
技术研发日：2023.03.21
技术公布日：2023/7/18