机器学习在肾脏病临床决策支持系统中的应用

摘要

当前，我国的医疗领域正经历着一场由人工智能技术推动的医疗革命，它的核心是智慧医疗。智慧医疗试图构建一个信息化的网络平台体系，使患者用较短的等疗时间、支付基本的医疗费用，就可以享受安全、便利、优质的诊疗服务。在这个体系中，临床决策支持系统是其重要组成部分。它是一种协助医护人员进行医疗决策的交互式专家系统。本文基于大连医科大学附属第二医院的实际需求，对肾内科经常涉及的与肾脏病相关的两个问题展开研究，构建对应的临床决策支持系统，主要工作概括如下： 研究了肾小球滤过率(Glomerular Filtration Rate,GFR)的估算问题。肾小球滤过率是衡量肾脏功能的主要指标，在慢性肾脏病分期和指导慢性肾脏病治疗的过程中起着重要作用。当前的检测方法或对人体有伤害，或准确率不高。鉴于此，采用了基于XGBoost技术的预测模型，综合利用病人的相关检测指标预测GFR。该模型隶属于集成学习，理论基础是决策树，具有准确率高、抗噪能力强、可解释性好等优点。相对于当前的指标检测方法，在相同测试集上，本文提出的计算方法在符合率的评价指标上提高了10%以上。在模型构建完成后，将其嵌入应用软件后台，前端加入用户界面，完成系统测试。 研究了连续性肾代替治疗(Continual Renal Replacement Therapy,CRRT)手术中肝素用量问题。连续性肾代替治疗手术是处理慢、急性肾衰竭的重要手段，在CRRT手术过程中，肝素用量的合适与否直接影响手术的成败。当前肝素用量多由主任医生根据经验给出，带有很大的主观和不确定性。利用收集到的数据集，经过特征提取和数据集均衡化，基于数据集的分布特点，先利用支持向量机对剂量进行一个二分类预测，然后在获得的两个类别中再基于集成学习模型和最小二乘回归模型分别对于首剂和追加剂量进行精确预测。在测试集上的评估结果显示，模型可以可靠地预测肝素用量。最后，模型确定后，完成应用系统的建立。

目录

第一个书签之前

摘　　要

Abstract

1 绪论

1.1 研究背景与意义

1.1.1 机器学习技术

1.1.2 临床决策支持系统

1.2 肾小球滤过率估算

1.3 CRRT手术肝素剂量预测

1.4 论文主要工作

2 数据处理方法与模型理论介绍

2.1 数据处理方法

2.1.1 数据标准化

2.1.2 特征选择

2.2 模型理论基础

2.2.1 决策树

2.2.2 支持向量机

2.2.3 深度置信网络

2.3 本章小结

3 基于XGBoost技术的肾小球滤过率估算

3.1 数据分析处理

3.2 建模方法

3.2.1 模型分析

3.2.2 建模过程与结果

3.3 模型评价指标与对比方法

3.4 实验结果及讨论

3.5 应用系统设计

3.6 本章小结

4 基于分类处理思想的CRRT手术肝素剂量预测

4.1 数据收集

4.2 数据分析处理

4.3 特征选择

4.4 建模方法

4.4.1 首剂剂量预测建模

4.4.2 追加剂量预测建模

4.5 评价指标与对比方法

4.6 实验结果及讨论

4.7 应用系统设计

4.8 本章小结

结论与展望

参考文献

攻读硕士学位期间发表学术论文情况

致　　谢