基于数学拐点计算生理数据阈值的回顾性分析方法及系统

摘要

本发明属于医学数据分析领域，提供了一种基于数学拐点计算生理数据阈值的回顾性分析方法及系统。该方法包括，获取患者历史生理数据，以及该患者的结局数据；以患者历史生理数据为自变量，该患者的结局数据为因变量，采用机器学习分类算法，构建回归分析模型；对所述回归模型进行二阶求导，得到二阶导数为零的点，即为阈值；根据所述阈值，预测术后患者异常情况的发生。本发明通过数学的手段来计算出对应的阈值，为阈值的由来提供了可靠的数学支撑和理论依据，同时可以通过设计计算机程序来自动化计算对应的阈值，保证了每次计算数据的结果唯一性，排除了人为因素的干扰情况。

说明书

技术领域

本发明属于医学数据分析领域，尤其涉及一种基于数学拐点计算生理数据阈值的回顾性分析方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

回顾性队列研究的研究对象是根据过去某一时间点的特征或暴露情况进行分组，然后根据从该时间点到以后某个时间点或从现有记录追踪到研究时间点的每个成员的死亡或疾病情况进行分组。在此基础上，对暴露因素与医学研究结果之间的因果关系进行了评价。回顾性分析在医学领域是一种常见的分析手段，用来根据历史数据来分析数据与结局间的关系。

现有的回顾性分析处理流程是将历史数据整理归纳，匹配结局数据，然后通过数学建模，将结局发生的概率与生理数据绘制结果图，然后结合临床特征进行分析，确定阈值，并将阈值进行计算ROC曲线下的面积AUC等结果数据。但是这里找阈值的阶段是主要凭研究人员的结合临床结果的综合评判，对研究人员的水平要求较高，存在一些主观因素导致的不准确或者研究人员个体知识水平不同导致的不准确的情况。

同时，由于传统方法不是端到端的处理流程，同一个队列任务从数据处理到数据分析，需要不同的人员参与，由于医疗领域人员工作的特殊性，这个过程往往需要几天甚至一个月，且中间还需有经验的医生根据临床数据去分析数据，这样会导致数据分析的效率不高，造成数据分析延迟的问题产生。

发明内容

为了解决上述背景技术中存在的结局的回顾性分析任务中需要人工去找阈值等技术问题，本发明提供一种基于数学拐点计算生理数据阈值的回顾性分析方法及系统，其通过数学的手段来计算出对应的阈值，为阈值的由来提供了可靠的数学支撑和理论依据，同时可以通过设计计算机程序来自动化计算对应的阈值，保证了每次计算数据的结果唯一性，排除了人为因素的干扰情况。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于数学拐点计算生理数据阈值的回顾性分析方法。

基于数学拐点计算生理数据阈值的回顾性分析方法，包括：

获取患者历史生理数据，以及该患者的结局数据；

以患者历史生理数据为自变量，该患者的结局数据为因变量，采用机器学习分类算法，构建回归分析模型；

对所述回归模型进行二阶求导，得到二阶导数为零的点，即为阈值；

根据所述阈值，预测术后患者异常情况的发生。

进一步地，所述患者历史生理数据包括无创高压数据、无创低压数据、有创高压数据和有创低压数据，患者的结局数据包括迟发性脑梗。

进一步地，根据无创高压数据、无创低压数据、有创高压数据和有创低压数据，计算患者的有创平均动脉压和无创平均动脉压。

进一步地，对所述患者的有创平均动脉压和无创平均动脉压进行平滑处理和取整操作。

进一步地，将平滑处理和取整操作后的患者的有创平均动脉压和无创平均动脉压进行融合，得到融合后的动脉压数据。

进一步地，以融合后的动脉压数据中的最小值为自变量，以该最小值对应的患者的结局数据为因变量，采用机器学习算法，构建回归分析模型。

进一步地，所述融合包括：当有创平均动脉压和无创平均动脉压同时存在时，选择有创平均动脉压；当只有有创平均动脉压存在时，选择有创平均动脉压；当只有无创平均动脉压存在时，选择无创平均动脉压。

本发明的第二个方面提供一种基于数学拐点计算生理数据阈值的回顾性分析系统。

基于数学拐点计算生理数据阈值的回顾性分析系统，包括：

数据获取模块，其被配置为：获取患者历史生理数据，以及该患者的结局数据；

模型构建模块，其被配置为：以患者历史生理数据为自变量，该患者的结局数据为因变量，采用机器学习分类算法，构建回归分析模型；

求导模块，其被配置为：对所述回归模型进行二阶求导，得到二阶导数为零的点，即为阈值；

预测模块，其被配置为：根据所述阈值，预测术后患者异常情况的发生。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于数学拐点计算生理数据阈值的回顾性分析方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于数学拐点计算生理数据阈值的回顾性分析方法中的步骤。

与现有技术相比，本发明的有益效果是：

本发明通过将数学拐点作为医学结局回顾性分析的生理数据阈值，为结局回顾性分析这类任务提供了理论支撑和技术支持，将回顾性分析问题转换为端到端的处理流程，提高了医疗领域科研人员的工作效率，同时也减少了由于科研人员自身水平经验不同引发的结果不准确问题。

本发明提供的拐点技术方案与医院专家原本提供的临床拐点方案不同，本发明将数学中的拐点技术应用到该类回顾性分析任务中，且取得与临床拐点接近甚至超越临床拐点结果的效果，为该类实验提供了新的思路与方向。

本发明计算出的拐点与临床的拐点结果是比较接近的，从更专业的数学角度来求出更准确，更量化的结果，使本发明的技术方案更加科学性。相比之下，临床结果的判定需要靠医生的经验数据的支撑，对医生的要求非常高，而通过数学公式求解的方法求出拐点的方法更加的具有科学性，而且提高了计算速度，使数据更加具有可解释性和量化指标。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例一示出的基于数学拐点计算生理数据阈值的回顾性分析方法的流程图；

图2是本发明实施例一示出的图像结果图；

图3是本发明实施例二示出的基于数学拐点计算生理数据阈值的回顾性分析系统的结构图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

实施例一

如图1所示，本实施例提供了一种基于数学拐点计算生理数据阈值的回顾性分析方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：

获取患者历史生理数据，以及该患者的结局数据；

以患者历史生理数据为自变量，该患者的结局数据为因变量，采用机器学习分类算法，构建回归分析模型；

对所述回归模型进行二阶求导，得到二阶导数为零的点，即为阈值；

根据所述阈值，预测术后患者异常情况的发生。

本发明适用于各种带结局的回顾性分析问题的分析任务，本实施例以结局为迟发性脑梗(DCI)的术中血压数据(也可以是脑氧，心率数据，bis的数据)队列的回顾性分析任务为示例，但不局限于结局DCI的任务，其他结局例如中风(stroke)、血清心肌坏死(TNI)、神经外科动脉瘤出血做血管内治疗(EVT)、液体治疗(GDFT)、动脉瘤性蛛网膜下腔出血(aSAH)也是可以直接适用的。本实施例选用某三甲医院539例开颅手术患者术中的血压数据，该组血压数据按照每10秒记录一次血压数据，也就是每分钟统计6条数据，其中有369例患者数据阴性数据，170例患者的数据是阳性患者数据。

获取输入数据non_invas_sys(无创高压)、non_invas_dia(无创低压)、invas_sys(有创高压)、invas_dia(有创低压)，以及对应的outcome结局指标是否为阳，阳性记为1，阴性记为O。这些结局数据标签由专业的医生判定，无创高压、无创低压、有创高压和有创低压均由医院专业设备采集。

注：阳性是指术后30天内出现DCI的人群，阴性是指术后30天内未出现DCI的人群。

当以结局为迟发性脑梗，输入的生理数据为血压数据时，本实施例的具体实现方案可参考以下内容实现：

(1)数据预处理

(1-1)加载每个患者的数据无创高压和无创低压，有创高压和有创低压的数据；

(1-2)分别计算每个患者的MAP(平均动脉压)，分为invasive_MAP(有创平均动脉压)和non_invasive_MAP(无创平均动脉压)，具体公式分别见公式(1)和(2)：

invasive_MAP＝(invas_sys+2*invas_dia)/3(1)

non_invasive_MAP＝(non_invas_sys+2*non_invas_dia)/3(2)

(1-3)将计算所得的invasive_MAP和non_invasive_MAP数据进行MA(MovingAverage)操作，进行平滑处理，然后得到invasive_MAP_MA和non_invasive_MAP_MA；具体公式见公式(3)：

其中，N为窗口周期，在本任务里设置为30，也就是5分钟的数据长度。

(1-4)将上一步中所得invasive_MAP_MA和non_invasive_MAP_MA进行取整操作，取整方式为四舍五入。

(1-5)按照取整后结果，对数据进行融合，融合原则为：按照时间节点，某个时间节点无创血压存在而有创血压不在，则选择无创血压，如果无创血压和有创血压都存在，则选则有创血压，如果时间点仅有有创血压，则选择有创血压；并将最后融合数据记为valid_MAP_MA，具体公式如下：

其中，条件1为：第i时刻，有创压和无创压同时存在；条件2为：第i时刻，只有无创压存在；条件3为：在第i时刻，只有有创压存在。

(2)数学建模

(2-1)这里建模可以采用逻辑回归模型(LR)、随机森林模型(RF)、支持向量机(SVM)、决策树(DT)、GBDT、XGBoost、K-Means等机器学习分类方法，均可以用于该建模任务；

(2-2)本任务中选择模型为逻辑回归模型LR，Logistic函数(Sigmoid函数)，将数据特征映射到0～1区间的一个概率值(样本属于正例的可能性)，通过与阈值0.5的比对得出数据所属的分类；具体公式如下：

z＝W

(2-3)将公式(4)中的valid_MAP_MA数据按照每个病人的数据进行取最小值，得到min_valid_MAP_MA数据，具体公式如下：

min_valid_MAP_MA

其中，k为第k个病人。

(2-4)将所有的病人的结局数据outcome按照病人ID与min_valid_MAP_MA匹配；

(2-5)进行数学建模--LR模型建立，将自变量min_valid_MAP_MA和因变量outcome输入模型，进行训练，得到模型M；

(2-6)将自变量min_valid_MAP_MA按照最大值和最小值进行等差插值填充，获取连续序列min_valid_MAP_MA_inter，经过模型M获取对应的outcome发生的概率predict_outcome序列；

(3)拐点分析

(3-1)这里采用的数学拐点是：设函数y＝f(x)在点x

(3-2)将步骤(2-6)建模后获得的结果min_valid_MAP_MA_inter和predict_outcome序列拟合出曲线y＝f(x)，然后求解出对应拐点(x

(3-3)将拐点结果绘制在图像上，并做标记点。

(4)参数计算模块

(4-1)计算差值，计算每个病人的低于cut_off，记为dMAP，具体公式如下：

dMAP＝cut_off-valid_MAP_MA(8)

(4-2)AUC_MAP参数计算，计算低于cut_off的曲线下面积：

(4-3)计算低于cut_off值的时长，变量记为td：当AUC_MAP＞0的累计时长，如所有MAP大于cut_off，则td＝0；

(4-4)计算平均MAP降低，变量记为avMAP，具体公式如下：

avMAP＝AUC_MAP/td(10)

(4-5)计算时间加权MAP，变量记为twMAP，公式如下：

twMAP＝AUC_MAP/st (11)

其中，st为手术时长，为最后一个有效数据时间点与第一个有效数据的时间点的差值。

通过计算参数、avMAP、twMAP，可以用于预测患者术后是否出现脑、心、肾等器官不良事件，用于术后不良事件的干预指导。

本实施例选取了某三甲医院的开颅手术的539手术患者的血压数据与DCI的结局数据进行数学建模和拐点分析任务，同时计算后面的各参数结果。在该任务中，本实施例计算求解出的拐点结果为68.5mmHg，这个数据与医生临床观测的结果70mmHg非常接近，这证明本实施例所述的方法行之有效，具体图像结果如图2所示。

本实施例截取前20名手术患者，根据所求拐点cut_off计算的各项参数如下表1所示：

表1前20名手术患者的各项参数

实施例二

本实施例提供了一种基于数学拐点计算生理数据阈值的回顾性分析系统。

如图3所示，基于数学拐点计算生理数据阈值的回顾性分析系统，包括：

数据获取模块，其被配置为：获取患者历史生理数据，以及该患者的结局数据；

模型构建模块，其被配置为：以患者历史生理数据为自变量，该患者的结局数据为因变量，采用机器学习分类算法，构建回归分析模型；

求导模块，其被配置为：对所述回归模型进行二阶求导，得到二阶导数为零的点，即为阈值；

预测模块，其被配置为：根据所述阈值，预测术后患者异常情况的发生。

此处需要说明的是，上述数据获取模块、模型构建模块、求导模块和预测模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于数学拐点计算生理数据阈值的回顾性分析方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于数学拐点计算生理数据阈值的回顾性分析方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以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。