[发明专利]确定心血管疾病潜在不适当处方的风险预警模型的方法

说明书

本发明公开了一种确定心血管疾病潜在不适当处方的风险预警模型的方法，该方法首先对经脱敏处理的病历进行数据处理，得到N个数据集；然后，基于N个所述数据集，建立N×M个风险预警模型；其中，M表示风险预警模型的种类，而且，每个风险预警模型以所述数据集为输入，以PIP、PIM和PPO中的任一项为输出；最后，以AUC、准确率、精准率、召回率、F1值作为风险预警模型性能的评价指标，并根据评价指标，选择PIP、PIM和PPO各自对应的性能最优的风险预警模型，用于PIP、PIM和PPO的风险预警，因此，本发明能够基于心血管疾病患者的病历，预测该患者发生药物不良反应的风险。

技术领域

本发明涉及机器学习、医学信息处理技术领域，尤其涉及一种确定心血管疾病潜在不适当处方的风险预警模型的方法。

背景技术

近年来，随着老年人口数量逐年增加，老年人常患有一种以上的慢性病，其中心血管疾病是老年患者中常见的疾病，有许多心血管疾病患者普遍伴有抑郁或焦虑，还有许多心血管患者需要联合治疗(抗血栓药物、他汀类药物和抗高血压药物)。而且，随着年龄增长，老年患者的药效学和药动学随之发生变化，增加了药物不良反应(adverse drugreactions，ADR)的风险。虽然，已有相关研究显示年龄、用药数量、疾病数量、潜在不适当处方(Potentially Inappropriate Prescribing，PIP)等可增加老年患者ADR的风险，其中PIP是老年患者发生ADR风险最常见的因素。而PIP又具体包括潜在不适当用药(Potentially Inappropriate Medications，PIM)和潜在处方遗漏(PotentialPrescribing Omissions，PPO)。

虽然，国内外已拥有多种PIP的评估标准，包括美国加利福尼亚大学制定的Beers标准，爱尔兰Cork大学附属医院组织专家制定的STOPP/START标准，张晓兰等使用德尔菲法建立中国老年人疾病状态下PIP标准等。多项研究结果显示STOPP/START标准比Beers标准更加准确，STOPP/START标准(第二版)列出了在特定疾病状态下使用某类药物是否合理以及可能忽略的药物治疗方案。不过，现有的评估标准均为事后干预，不能提前预警老年患者发生PIP的风险，无法精准预警PIP风险，不能为老年患者提供精准干预，无法为老年患者提供个体化的治疗。

而随着机器学习在医学领域的应用，比如有许多研究人员提出利用机器学习等算法对患者电子病历中的风险因素进行建模，从而实现心管疾病的风险预测。因此，为了减少药物不良事件的发生，有必要提供一种利用机器学习对心血管疾病患的电子病历记录进行学习，进而预测心血管疾病患者发生药物不良反应风险的技术方案。

发明内容

鉴于以上所述现有技术的不足，本发明的目的在于：提供一种确定心血管疾病潜在不适当处方的风险预警模型的方法，能够基于心血管疾病患者的电子病历，预测该患者发生药物不良反应的风险。

为实现上述发明目的，本发明提供以下技术方案：

一种确定心血管疾病潜在不适当处方的风险预警模型的方法，其包括以下步骤：

S1：对心血管病人病历信息删除身份证号码、姓名、家庭住址、电话号码等信息。该研究是一项回顾性研究，没有采取任何干预措施，伦理委员会认为没有必要征得患者同意。经上述脱敏处理后进行数据处理，得到N个数据集，将N个数据集分为训练集和测试集，使用M种机器学习模型对N个数据集建模，建立N×M个风险预警模型；

S2：使用十折交叉验证法进行内部验证：将训练集数据输入M种机器学习模型中，使用十折交叉验证法调整模型参数，直到所述模型参数在训练集上得到最大的AUC值，得到PIP模型、PPO模型和PIM模型内部验证的数据采样、特征采样和机器学习模型的AUC值、准确率、精准率、召回率、F1值；

S3：通过选择AUC值最大的多个模型，生成一个集成模型，使用模这M+1种机器学习模型对N个数据集建，建立N×(M+1)个风险预警模型；