[发明专利]基于随机森林的非平衡小样本压疮不良事件早期预测方法

说明书

本发明属于人工智能技术应用领域，具体涉及基于随机森林的非平衡小样本压疮不良事件早期预测方法。具体包括：获取临床数据，基于临床经验对所述数据进行特征提取和预处理，获得预处理数据，并将所述预处理数据划分为训练集和测试集；以所述训练集为输入，基于bagging算法进行训练获得多个决策树构建随机森林分类器，并以投票方式进行压疮预测；以所述测试集为输入，采用交叉验证方法对所述随机森林分类器进行验证与分析。该预测方法获得的预测模型预测精度高可达94.92％，且数据处理量大。

技术领域

本发明属于人工智能技术应用领域，具体涉及基于随机森林的非平衡小样本压疮不良事件早期预测方法，应用于入院患者进行压疮风险评估和及时早期预警功能。

背景技术

压疮又称压力性溃疡、褥疮，属于一种皮肤溃疡，是由于人体皮肤组织长期受压迫或摩擦，发生持续性缺血、缺氧、营养不良而致组织溃烂坏死。常发生于因瘫痪或手术而需长期卧床的患者。压疮的发生会加重患者的原发病病情，继而引发感染，加大患者的身体压力和心理压力，大大降低患者的生活质量，一定程度上使得患者的住院时间延长、死亡率增加，据相关文献报道，在我国每年约有6万人死于压疮并发症。因此，全面了解压疮形成的相关因素，研究压疮预警特征指标，对压疮进行早期预测从而进行早期预防和及时有效治疗，减少患者死亡率具有重要意义。

然而，压疮形成的原因复杂且具有一定的隐蔽性，患者和医护人员在早期难以发现并重视。目前，医疗领域对压疮不良事件评估的方法主要采用量表法，包括：Braden量表、Norton量表、Braden Q量表和Waterlow量表等。然而使用传统的量表法进行评估存在诸多不足：1)预测结果受医护人员主观因素的影响，由于各版本的量表的翻译存在差异，以至于医护人员解读评分细则时存在分歧，在临床上习惯性的用个人临床经验代替压疮评分细则，导致评判结果带有医护人员的个人因素，使得预测不客观；2)存在操作误差，据国内相关有研究表明，医护人员在压疮评估过程中存在着误报、漏报、评估不准确、压疮知识和临床经验不足等诸多问题，影响压疮预判结果；3)预测时间滞后，由于压疮形成原因复杂且早期特征不明显患者很难重视，护理工作繁杂，容易忽略，传统方法预测往往较为滞后，这些都将影响压疮患者的早期治疗，加大患有压疮的风险。

发明内容

基于此，针对上述问题，借助机器学习、大数据分析等技术，提出了一种基于随机森林的非平衡小样本压疮不良事件早期预测的方法，该方法以压疮为研究对象，依托于湖南省某三甲医院2011-2017年院内压疮病例数据，融合机理分析与数据驱动进行压疮特征提取，首次建立基于随机森林的压疮预测，进而采用随机抽样的方法对数据集进行划分，获得了预测精度高，且可实现实时评估何批量处理的压疮预测模型。

本发明提供了一种基于随机森林的非平衡小样本压疮不良事件早期预测方法，所述预测方法具体包括：

获取临床数据，基于临床经验对所述数据进行特征提取和预处理，获得预处理数据，并将所述预处理数据划分为训练集和测试集；

以所述训练集为输入，基于bagging算法进行训练获得多个决策树构建算计森林分类器，并以投票方式进行压疮预测；

以所述测试集为输入，采用交叉验证方法对所述随机森林分类器进行验证与分析。

进一步的，所述预处理具体包括：

采用自然语言处理方法对文本数据进行结构化处理；对异常数据进行剔除，并利用模型法对缺失数据进行补全。

进一步的，所述基于bagging算法进行训练获得多个决策树构建算计森林分类器步骤具有包括：

从所述训练集中采用Bootstrap方法有放回的选取多个样本，获得多个训练样本作为样本集；

以所述样本集为输入，选择所有属性中最佳属性作为节点按照预设的决策树构建方法建立CART决策树；

重复上述步骤多次获得多个不同的决策树构成随机森林分类器。