[发明专利]早产儿PICC导管继发性移位风险预测方法和系统

权利要求书

1.一种早产儿PICC导管继发性移位风险预测方法，其特征在于，包括：

收集并预处理早产儿的历史临床数据样本，所述早产儿分为置入PICC导管后发生继发性移位或者未发生移位两种类别，所述历史临床数据样本包括第一类特征数据和第二类特征数据；

根据所述第一类特征数据和第二类特征数据，采用随机森林分类器构建第一继发性移位风险预测模型，并获取所述第一继发性移位风险预测模型的第一风险预测准确率；

根据所述第一类特征数据和第二类特征数据，采用Adaboost算法构建第二继发性移位风险预测模型，并获取所述第二继发性移位风险预测模型的第二风险预测准确率；

根据第一类特征数据和第二类特征数据，采用SVM分类器构建第三继发性移位风险预测模型，并获取所述第三继发性移位风险预测模型的第三风险预测准确率；

基于所述第一、第二和第三风险预测准确率，融合所述第一、第二和第三继发性移位风险预测模型，获取最终的风险预测模型；

根据所述最终的风险预测模型，以及待测早生儿的实时临床数据，获取所述待测早生儿置入PICC导管后发生继发性移位风险的预测结果。

2.如权利要求1所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用随机森林分类器构建第一继发性移位风险预测模型，具体包括：

S21、将预处理后的历史临床数据样本分为第一训练集和第一验证集两部分，且在所述第一训练集和第一验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；

S22、采用Bootstrap采样方法从所述第一训练集选出采样样本，并去重；

S23、根据去重后的采样样本，从所述第一类特征数据和第二类特征数据随机选择若干特征数据，再从选择的若干特征数据中选择最佳分割特征作为节点构建一棵决策树；

S24、重复执行步骤S22和S23，获取多棵决策树，多棵所述决策树共同构成随机森林；

S25、根据所述随机森林，通过多数投票法决定每一个早产儿所述类别，获取所述第一继发性移位风险预测模型；

S26、根据所述第一验证集，获取所述第一继发性移位风险预测模型的第一风险预测准确率。

3.如权利要求2所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用Adaboost算法构建第二继发性移位风险预测模型，具体包括：

S31、将预处理后的历史临床数据样本分为第二训练集和第二验证集两部分，且在所述第二训练集和第二验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；

S32、初始化所述第二训练集的权值分布；

S33、根据权值分布的所述第二训练集，获取基本分类器；

S34、计算所述基本分类器在所述第二训练集上的分类误差；

S35、根据所述分类误差，获取所述基本分类器的权重系数，并更新所述第二训练集的权值分布；

S36、构建多个所述基本分类器的线性组合，获取所述第二继发性移位风险预测模型；

S37、根据所述第二验证集，获取所述第二继发性移位风险预测模型的第二风险预测准确率。

4.如权利要求3所述的早产儿PICC导管继发性移位风险预测方法，其特征在于，所述采用SVM分类器构建第三继发性移位风险预测模型，具体包括：

S41、将预处理后的历史临床数据样本分为第三训练集和第三验证集两部分，且在所述第三训练集和第三验证集中均设定所述早产儿置入PICC导管后发生继发性移位的样本标签为1，未发生移位的样本标签为0；

S42、根据所述第二训练集，采用SVM软间隔构建目标函数；

S43、根据所述目标函数，更新模型参数，获取所述第三继发性移位风险预测模型；

S44、根据所述第三验证集，获取所述第三继发性移位风险预测模型的第三风险预测准确率。