一种下肢深静脉血栓患者并发肺栓塞的预测分析方法

摘要

本发明提供一种下肢深静脉血栓患者并发肺栓塞的预测分析方法，包括采集下肢深静脉血栓患者的健康信息，通过预测模型分析健康信息，获取预测结果，验证预测结果。本发明通过将机器学习、人工智能引入到对下肢深静脉血栓患者健康信息分析中，构建了相应的预测模型和算法，通过不同维度对数据库中下肢深静脉血栓患者的各项指标和状况进行综合处理，确定引起下肢深静脉血栓患者并发肺栓塞的高危因素，通过计算高危因素的发生率，提高了预防效率。并在预测模型的基础时建立验证及后续的机器学习、训练方法和训练机制，以不断优化模型预测的准确度，自动化程度高，有利于下肢深静脉血栓患者并发肺栓塞的早期诊断及判断预后，从而降低致残率和病死率。

说明书

技术领域

本发明属于软件开发技术领域，尤其是涉及一种下肢深静脉血栓患者并发肺栓塞的预测分析方法。

背景技术

下肢深静脉血栓是指静脉血液在下肢深静脉血管内的凝结。下肢深静脉血栓形成不仅会造成运动功能障碍，严重者还可出现肺栓塞，甚至危及患者生命。

肺栓塞是以各种栓子阻塞肺动脉或其分支为其发病原因的一组疾病或临床综合症、脂肪栓塞综合征、羊水栓塞、空气栓塞等，可表现为突发呼吸困难、胸痛及咯血。在常见的血管病变中，其发病率仅低于急性冠脉综合征和脑卒中，而死亡率仅低于肿瘤和心肌梗死，已成为全球重要的医疗保健问题。

下肢深静脉血栓患者并发肺栓塞风险率极高，为了提高生存率，降低肺栓塞等并发症的发生，必须对下肢深静脉血栓患者采取有效预防措施。因此，在开始预防性治疗前，需筛选下肢深静脉血栓患者并发肺栓塞的高危因素，提高对高危因素的认识，进行最佳风险评估，对个人风险进行更好的分层，以改进下肢深静脉血栓患者并发肺栓塞的预防措施的实施。早期识别并评估下肢深静脉血栓患者并发肺栓塞的危险因素，并提前进行恰当的干预措施，是最大程度地降低肺栓塞发生风险的关键。

发明内容

本发明要解决的问题是提供一种分析方法；尤其应用在医疗领域，通过预测模型，智能分析出下肢深静脉血栓患者并发肺栓塞的风险等级，智能化程度高，算法精确度高的一种下肢深静脉血栓患者并发肺栓塞的预测分析方法。

为解决上述技术问题，本发明采用的技术方案是：一种下肢深静脉血栓患者并发肺栓塞的预测分析方法，包括以下步骤，

S1：采集下肢深静脉血栓患者的健康信息；

S2：通过预测模型分析所述健康信息；

S3：获取预测结果；

S4：验证所述预测结果。

进一步的，所述S1包括以下步骤，

S11：诊断患者是否患有下肢深静脉血栓；

S12：采集确诊患者的健康信息，其中，健康信息包括但不限于下肢深静脉血栓患者的一般资料、下肢深静脉血栓的危险因素、下肢深静脉血栓的临床症状、下肢深静脉血栓的血栓范围、下肢深静脉血栓分型及下肢深静脉血栓患者的血液检测信息。

进一步的，所述S11包括血浆 D-二聚体测定、多普勒超声检查和静脉造影检测。

进一步的，所述S2包括以下步骤，

S21：建立建模数据库，在建模数据库中对所有连续变量进行ROC 曲线分析，有统计学意义的变量根据约登指数确定截断值，转换为二分类变量，无统计学意义的变量根据临床常用截断值转换为二分类变量；

S22：对各变量进行单因素分析，将P<0.20 的变量纳入多因素分析，分析结果中 P<0.05 的变量即为下肢深静脉血栓患者并发肺栓塞的相关危险因素。

进一步的，所述S3包括以下步骤，

S31：建立下肢深静脉血栓患者并发肺栓塞的 Logistic 回归模型；

S32：根据Logistic回归模型中各变量的回归系数β值计算其所对应的分值，形成评分系统；

S33：Logistic 回归模型及评分系统的符合程度通过 Hosmer-Lemeshow 拟合优度检验进行评价，鉴别效度通过ROC 曲线下面积进行评价；

S34：采用U检验比较 Logistic 回归模型与评分系统的ROC曲线下面积。

进一步的，所述S4包括以下步骤，

S41：建立验证数据库，在验证数据库中对 Logistic 回归模型与评分系统进行验证；

S42：将验证数据库中下肢深静脉血栓患者的相应变量值代入 Logistic 回归模型与评分系统，计算得出其并发肺栓塞的预测概率及总评分。

进一步的，所述S4还包括以下步骤，

S43：分别通过 Hosmer-Lemeshow 拟合优度检验和 ROC 曲线评价Logistic 回归模型的符合程度与鉴别效度。

S44：采用U检验比较验证数据库 Logistic 回归模型与评分系统的 ROC 曲线下面积。

进一步的，本发明还提供一种装置，运行上述的预测分析方法。

进一步的，本发明还提供一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的算法，所述处理器执行所述计算机程序时实现上述的预测分析方法。

进一步的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机算法，所述计算机算法被处理器执行时实现上述的预测分析方法。

本发明具有的优点和积极效果是：

本发明通过将机器学习、人工智能引入到对下肢深静脉血栓患者相应数据库的处理之中，构建了相应的预测模型和算法，通过不同维度对数据库中下肢深静脉血栓患者的各项指标和状况进行综合处理，确定引起下肢深静脉血栓患者并发肺栓塞的高危因素，通过计算高危因素的发生率，提高了预防效率。并在预测模型的基础时建立验证及后续的机器学习、训练方法和训练机制，以不断优化模型预测的准确度，自动化程度高，有利于下肢深静脉血栓患者并发肺栓塞的早期诊断及判断预后，从而降低致残率和病死率。

附图说明

图1是本发明实施例的整体流程图。

图2是本发明实施例的深静脉血栓形成诊断流程图。

图3是本发明实施例的统计流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明实施例做进一步描述：

如图1所示，一种下肢深静脉血栓患者并发肺栓塞的预测分析方法，包括以下步骤，

S1：采集下肢深静脉血栓患者的健康信息。

S11：诊断患者是否患有下肢深静脉血栓。诊断流程如图2所示，诊断方法包括血浆D-二聚体测定、多普勒超声检查和静脉造影检测。其中，D-二聚体是反映凝血激活及继发性纤溶的特异性分子标志物，诊断急性深静脉血栓形成的灵敏度较高（>99％），≥500ng/ml有重要参考价值。多普勒超声检查灵敏度、准确性均较高，是深静脉血栓形成诊断的首选方法，适用于对患者的筛查和监测。在超声检查前，按照深静脉血栓形成诊断的临床特征评分，可将患有深静脉血栓形成的临床可能性分为高、中、低度，如连续两次超声检查均为阴性，对于低度可能的患者可以排除诊断，对于高、中度可能的患者，建议行血管造影等影像学检查。静脉造影准确性高，不仅可以有效判断有无血栓、血栓部位、范围、形成时间和侧支循环情况，而且常被用来鉴定其他方法的诊断价值。

S12：采集确诊患者的健康信息，其中，健康信息包括但不限于下肢深静脉血栓患者的一般资料、下肢深静脉血栓的危险因素、下肢深静脉血栓的临床症状、下肢深静脉血栓的血栓范围、下肢深静脉血栓分型及下肢深静脉血栓患者的血液检测信息。其中，一般资料包括但不限于性别、年龄、心率、收缩压、舒张压；危险因素包括但不限于高血压、糖尿病、冠心病、手术与制动、脑卒中或瘫痪、损伤骨折、下肢静脉功能不全、恶性肿瘤；临床症状包括但不限于疼痛、肿胀、皮肤发红；血栓范围包括但不限于髂总静脉、髂外静脉、股静脉、腘静脉、腓静脉、胫静脉、肌间静脉；血栓分型包括但不限于周围型、中央型、混合型；还包括血栓分期，即慢性期、亚急性期和急性期；下肢深静脉血栓形成患肢，即左下肢、右下肢或双下肢；血液检测信息包括但不限于血小板计数、血红蛋白、嗜酸性粒细胞数、凝血酶原时间、国际标准化比值、活化部分凝血活酶时间、凝血酶时间、纤维蛋白原、抗凝血酶 III 活性及血浆 D-二聚体。

S2：通过预测模型分析健康信息。

S21：建立建模数据库，应用建模数据库的数据，将合并肺栓塞作为观察状态，在建模数据库中对所有连续变量进行ROC 曲线分析，有统计学意义的变量根据约登指数确定截断值，转换为二分类变量。约登指数为各截断值所对应的灵敏度与特异度之和减 1，取约登指数最大时所对应的数值作为截断值。无统计学意义的变量根据临床常用截断值转换为二分类变量。

S22：对各变量进行单因素分析，将P<0.20 的变量纳入多因素分析，分析结果中 P<0.05 的变量即为下肢深静脉血栓患者并发肺栓塞的相关危险因素。

S3：获取预测结果。

S31：建立下肢深静脉血栓患者并发肺栓塞的 Logistic 回归模型。

S32：根据Logistic回归模型中各变量的回归系数β值计算其所对应的分值，形成评分系统。其中，计算公式为，

各变量分值=各变量β值的绝对值 /各变量β值中绝对值的最小值，结果取整数值，β值中绝对值的最小值所对应的变量设值 1 分，根据各变量得分建立评分系统。计算各患者总得分，对总分进行 ROC 曲线分析，根据约登指数确定截断值，将患者分为低危人群和高危人群。

S33：Logistic 回归模型及评分系统的符合程度通过 Hosmer-Lemeshow 拟合优度检验进行评价，鉴别效度通过ROC 曲线下面积进行评价。其中，P>0.05 则认为预测模型具有良好的预测符合程度。预测的鉴别效度即对下肢深静脉血栓患者是否并发肺栓塞的区分能力，采用 ROC 曲线分析方法对 logistic 回归模型及评分系统预测的鉴别效度进行检验，P＜0.05 则认为预测模型的鉴别效度具有统计学意义。ROC 曲线下面积反映了预测模型诊断试验价值的大小，ROC 曲线下面积越接近1.0 则说明预测的区分能力越强；大于0.8 说明模型对肺栓塞发生与否具有很好的区分能力；大于 0.7 说明模型对肺栓塞发生与否具有良好的区分能力；越接近 0.5 模型的区分能力越差，当等于 0.5 时则无诊断价值。

S34：采用U检验比较 Logistic 回归模型与评分系统的ROC曲线下面积，判断Logistic 回归模型与评分系统的区分能力有无差异，P>0.05 则认为差异无统计学意义。

S4：验证预测结果。

S41：建立验证数据库，在验证数据库中对 Logistic 回归模型与评分系统进行验证。

S42：将验证数据库中下肢深静脉血栓患者的相应变量值代入 Logistic 回归模型与评分系统，计算得出其并发肺栓塞的预测概率及总评分。

S43：根据预测概率及总得分，分别通过 Hosmer-Lemeshow 拟合优度检验和 ROC曲线评价Logistic 回归模型的符合程度与鉴别效度。其中，计算公式为：

χ

其中，O为实际观察频数，E 为期望频数（等于各预测概率之和），n 为样本量，p 为平均预测概率，j 为组别，ν=8，α=0.05，χ

S44：采用U检验比较验证数据库 Logistic 回归模型与评分系统的 ROC 曲线下面积，判断 Logistic 回归模型与评分系统的区分能力有无差异，P>0.05 则认为差异无统计学意义。其中，U 检验计算公式为，

u=1.96，α=0.05，统计流程如图3所示。

本发明具有的优点和积极效果是：

本发明通过将机器学习、人工智能引入到对下肢深静脉血栓患者相应数据库的处理之中，构建了相应的预测模型和算法，通过不同维度对数据库中下肢深静脉血栓患者的各项指标和状况进行综合处理，确定引起下肢深静脉血栓患者并发肺栓塞的高危因素，通过计算高危因素的发生率，提高了预防效率。并在预测模型的基础时建立验证及后续的机器学习、训练方法和训练机制，以不断优化模型预测的准确度，自动化程度高，有利于下肢深静脉血栓患者并发肺栓塞的早期诊断及判断预后，从而降低致残率和病死率。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。