一种基于生长激素治疗的儿童阶段身高预测方法

摘要

一种生长激素治疗的儿童阶段身高预测方法，包括：步骤1经生长激素治疗的患儿数据的采集与处理，步骤2训练生成生长激素治疗的身高预测模型，步骤3预测生长激素治疗三个月后的身高，步骤4生长激素治疗的阶段身高预测，绘制儿童身高预测曲线。本发明能够准确地预测生长激素治疗三个月后的儿童身高；预测生长激素治疗期间儿童身高变化，动态绘制治疗过程中身高变化曲线；在生长激素治疗期间依据身高变化曲线调整剂量，为临床医生提供参考信息，实现精准治疗。

说明书

技术领域

本发明涉及基于生长激素治疗的儿童阶段身高预测方法。

背景技术

通过生长激素治疗特发性矮小症儿童是目前儿科内分泌中最常用的医学手段，但由于不同患儿个体存在差异和当前治疗方案相对固定等问题，导致不同患儿治疗结果存在较大差异，因此建立生长激素治疗效果的预测效果具有重要的临床意义。

目前通过分析生长激素治疗患儿治疗疗效的方法都是通过多元线性回归的方法，此方法所需参数少且易于实现，但对于接受生长激素治疗的儿童身高而言，其影响身高的因素有很多，如当前身高、骨龄、父母身高、BMI、药物实验中生长激素峰值、治疗过程中生长激素药量变化，胰岛素生长因子等，这些因素之间并不是简单的线性关系，多元线性回归方法并不适用于预测生长激素治疗儿童的身高。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于生长激素治疗的儿童阶段身高预测方法。

本发明通过采用一种非线性学习能力强的PSO-LMBP神经网络模型，预测生长激素治疗三个月的儿童身高，并绘制治疗期间儿童的身高变化曲线。首先对采集到的数据进行分类整理，提取影响身高相关的数据信息；然后选取儿童性别、年龄、骨龄、身高、体重、生长激素剂量、父亲身高、母亲身高8个特征值训练PSO-LMBP网络，获取生长激素治疗的身高预测模型；其次选择要预测的儿童数据，通过训练好的网络模型，预测三个月后儿童身高数据；最后通过迭代计算各个阶段儿童的身高，绘制治疗期间的儿童身高变化曲线。

本发明解决技术问题采用如下技术方案：

一种基于生长激素治疗的儿童阶段身高预测方法，包括以下步骤：

步骤1：经生长激素治疗的患儿数据的采集与处理；

步骤2：训练生成生长激素治疗的身高预测模型；

步骤3：预测生长激素治疗三个月后的身高；

步骤4：生长激素治疗的阶段身高预测，绘制儿童阶段身高预测曲线。

步骤1具体包括：

11)对采集到的数据进行分类整理，排除患有慢性疾病的儿童。提取相关的数据信息，包括儿童姓名、性别、出生日期、开始治疗时日期、开始治疗时骨龄(CHN)、开始治疗时身高、开始治疗时体重、父亲身高、母亲身高、生长激素用药剂量，胰岛素一号增长因子IGF-1，性征等。

12)对数据进行预处理，儿童性别在处理时将男生转换成数值0，女生转换为数值1，对于部分缺失的数据采用线性插值方法进行补全。

步骤2具体包括：

21)选取性别、年龄、骨龄、身高、体重、生长激素剂量、父亲身高、母亲身高8个特征值作为网络的输入，治疗三个月后的身高作为网络输。

22)利用粒子群算法(PSO)优化算法，筛选BP神经网络的初始值和权值，使用LM算法对BP网络进行训练。

23)搭建PSO-LMBP双隐含层神经网络，输入层的神经元个数为8，隐藏层的神经元个数分别为10和2，输出层神经元个数为1。

24)将8个特征值作为输入信号，输入BP神经网络，信号通过前向传播从输入层到隐藏层，最后到达输出层，在输出层得到的信号即为生长激素治疗三个月后的身高。计算输出信号的预测值与期望值之间的误差，若误差不满足终止条件，则对误差进行反向传播，进而对神经元之间的连接权值进行更新，权值更新公式如下：

其中ω

25)通过不断更新权值，训练学习若干次，验证模型可靠性，最终得到身高预测网络模型，保存网络模型。

步骤3具体包括：

31)选择预测的儿童基本数据，进行预处理。

32)通过步骤2中保存的网络模型，向PSO-LMBP网络模型中输入儿童的8个特征值，得到三个月后的预测身高数据。

步骤4具体包括：

41)获取步骤3的身高预测结果，将其作为新一阶段(三个月)的网络输入，其中性别、父母身高为固定值；年龄通过计算得到；骨龄和体重采用大数据统计的增长均值得出，体重也可进行动态调整；生长激素剂量默认采用步骤3中的剂量，也可进行动态调整，计算新一阶段的身高。

42)重复上一过程，直到预测输出的身高达到同性别、同年龄儿童的平均身高，绘制治疗期间的儿童身高变化曲线。

优选地，步骤25)训练学习的次数是1000次。

本发明具有如下有益效果：

(1)准确地预测生长激素治疗三个月后的儿童身高；

(2)预测生长激素治疗期间儿童身高变化，动态绘制治疗过程中身高变化曲线；

(3)在生长激素治疗期间依据身高变化曲线调整剂量，为临床医生提供参考信息，实现精准治疗。

附图说明

图1是本发明的总体流程图。

图2是本发明使用的PSO-LMBP神经网络的结构图。

图3a～图3b是本发明方法生成的生长激素治疗期间儿童身高预测曲线，其中图3a是本发明绘制的男生身高变化曲线，图3b是本发明绘制的女生身高变化曲线，身高标准采用2009年《中国0-18岁儿童青少年身高、体重的标准化生长曲线》。

具体实施方式

下面结合附图对本发明的技术方案作进一步阐述。

一种基于生长激素治疗的儿童阶段身高预测方法，包括以下步骤：

步骤1：经生长激素治疗的患儿数据的采集与处理；

步骤2：训练生成生长激素治疗的身高预测模型；

步骤3：预测生长激素治疗三个月后的身高；

步骤4：生长激素治疗的阶段身高预测，绘制儿童阶段身高预测曲线。

步骤1具体包括：

11)对采集到的数据进行分类整理，排除患有慢性疾病的儿童，共计42例。提取相关的数据信息，包括儿童姓名、性别、出生日期、开始治疗时日期、开始治疗时骨龄(CHN)、开始治疗时身高、开始治疗时体重、父亲身高、母亲身高、生长激素用药剂量，IGF-1(胰岛素一号增长因子)，性征等。

12)对数据进行预处理，儿童性别在处理时将男生转换成数值0，女生转换为数值1，对于部分缺失的数据采用线性插值方法进行补全，预处理后数据共计426条。

步骤2具体包括：

21)选取性别、年龄、骨龄、身高、体重、生长激素剂量、父亲身高、母亲身高8个特征值作为网络的输入，治疗三个月后的身高作为网络输，最后获得训练集370条，测试集66条。

22)利用粒子群算法(PSO)优化算法，筛选BP神经网络的初始值和权值，使用LM算法对BP网络进行训练。

23)搭建PSO-LMBP双隐含层神经网络，输入层的神经元个数为8，隐藏层的神经元个数分别为10和2，输出层神经元个数为1。

24)将8个特征值作为输入信号，输入BP神经网络，信号通过前向传播从输入层到隐藏层，最后到达输出层，在输出层得到的信号即为生长激素治疗三个月后的身高。计算输出信号的预测值与期望值之间的误差，若误差不满足终止条件，则对误差进行反向传播，进而对神经元之间的连接权值进行更新，权值更新公式如下：

其中ω

25)通过不断更新权值，训练学习1000次，验证模型可靠性，最终得到身高预测网络模型，保存网络模型。

步骤3具体包括：

31)选择预测的儿童基本数据，进行预处理。

32)通过步骤2中保存的网络模型，向PSO-LMBP网络模型中输入儿童的8个特征值，得到三个月后的预测身高数据。

步骤4具体包括：

41)获取步骤3的身高预测结果，将其作为新一阶段(三个月)的网络输入，其中性别、父母身高为固定值；年龄通过计算得到；骨龄和体重采用大数据统计的增长均值得出，体重也可进行动态调整；生长激素剂量默认采用步骤3中的剂量，也可进行动态调整，计算新一阶段的身高。

42)重复上一过程，直到预测输出的身高达到同性别、同年龄儿童的平均身高，绘制治疗期间的儿童身高变化曲线。

最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施方式技术方案的精神和范围。