[发明专利]一种基于机器学习的脑梗手术患者存活风险分类方法

权利要求书

1.一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：所述方法基于围术期脑梗患者的存活期预测系统实现，所述围术期脑梗患者的存活期预测系统包括获取模块、预测模块和输出模块；所述获取模块用于输入脑梗患者数据；所述预测模块用于将脑梗患者数据输入预测模型中进行存活期预测，所述输出模块用于输出预测结果；所述预测模型包括第一层的基模型和第二层的逻辑回归模型；其中基模型分为第一基模型、第二基模型和第三基模型，第一基模型为综合随机森林模型，第二基模型为XGBoost模型，第三基模型为MLP模型。

2.根据权利要求1所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：还包括数据处理模块，用于对脑梗患者数据进行数据变化处理。

3.根据权利要求2所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：数据处理模块包括剔除模块、清洗模块和变换模块；

剔除模块用于剔除脑梗患者数据中实际缺失率大于标准缺失率的特征；

清洗模块用于对脑梗患者数据进行缺失值处理；

变换模块用于对脑梗患者数据进行特征编码处理与数据归一化处理。

4.根据权利要求3所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：缺失值处理具体为使用MissForest填补法对缺失值进行填补。

5.根据权利要求3所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：特征编码处理具体为采用One-hot编码规则对脑梗患者数据进行编码。

6.根据权利要求3所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：数据归一化处理具体选用标准差归一化结合最值归一化的方法对脑梗患者数据进行处理。

7.根据权利要求1、2、3、4、5或6所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：还包括优化模块，用于对预测模型的超参数进行优化，所述优化模块包括筛选模块、特征选择模块和赋予模块；

筛选模块用于在患者数据库中筛选出脑梗患者数据；

特征选择模块用于将处理后的脑梗患者数据的特征重要性分数进行排序，并筛选出重要性分数大于标准分数的特征，形成测试集；

赋予模块用于将测试集放入基模型中进行超参数优化处理，获得优化后的基模型超参数，将优化后的超参数重新赋予基模型。

8.根据权利要求7所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：超参数优化处理采用的是遗传算法与交叉验证结合的方法。

9.根据权利要求7所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：特征选择模块具体用于将处理后的脑梗患者数据的特征重要性分数进行排序，并筛选出重要性分数大于标准分数的特征，形成数据集，并将数据集分为测试集和训练集；

优化模块还包括训练模块，训练模块用于将训练集放入重新赋予超参数的基模型中进行训练。

10.根据权利要求9所述的一种基于机器学习的脑梗手术患者存活风险分类方法，其特征在于：超参数优化处理采用的是遗传算法与交叉验证结合的方法。