[发明专利]脓毒症预测系统、预测模型构建方法及系统、试剂盒

权利要求书

1.一种针对肝移植术后脓毒症的预测系统，该系统包括输入器和处理器；以及

计算机可读介质，所述计算机可读介质储存多个指令，所述输入器用于获取被测肝移植患者相关检测指标的测量值；所述处理器与输入器相连，所述处理器用于对输入器获取的数据进行处理，输出脓毒症风险的预测值；所述指令指示所述输入器和处理器执行肝移植术后脓毒症预测的方法；所述方法包括如下步骤：a)获取肝移植患者肝移植手术中红细胞输注量、腹水容量、失血和胃引流量、晶体液和尿液量、麻醉时间和手术前TBIL水平这8个指标的测量值；b)将步骤a)中的8个指标的测量值进行标准化处理，并加载已训练好的随机森林模型，将标准化的8个指标的结果参数输入到已训练好的随机森林模型中，随机森林模型包含100棵不同的决策树，每棵决策树分别对输入样本进行预测，得到100个预测结果，最终采用投票法得到模型预测结果；其中所述随机森林算法的步骤如下:在已训练好的100棵决策树基础模型中输入已标准化处理好的8个指标的结果参数，分别代入各决策树相应的需求属性，分别得到各决策树模型的预测类别和概率结果，所述随机森林模型的预测规则为对100棵决策树的预测分类结果进行投票，得到最终的预测分类结果，对100棵决策树的预测概率结果进行均值计算，得到脓毒症的风险预测值。

2.一种针对肝移植术后脓毒症的预测模型的构建方法，其特征在于，该预测模型为早期预测模型，该方法包括以下步骤：

S1.数据获取：收集接受异体肝移植手术患者的临床样本数据，将收集的样本分别作为内部数据集和外部验证集，其中所述内部数据集用于训练和测试模型，所述外部验证集用于检验模型在本院后续病例中的预测性能，根据脓毒症3.0标准诊断患者术后脓毒症，所述内部数据集中训练集和测试集的分配比例范围为6:4至7:3；

S2.数据预处理：排除资料不齐全的病例，对类别变量进行映射处理，将“有”、“是”、“男性”映射为1，将“无”、“否”、“女性”映射为0；对连续型变量使用标准差标准化方法进行数据标准化处理，具体计算公式为x’＝x-mean/std，对连续型变量使用均值填补缺失值，对类别变量使用众数填补缺失值，并保证训练集和测试集中的脓毒血症发生率一致；

S3.变量筛选：通过由电子病历构成的围手术期专科数据库系统，收集变量包括人口统计学变量，术前变量即共病、病因、并发症和实验室检验结果，术中变量包括术中事件、用药，液体管理等，所述变量至少包括术中红细胞输注量、腹水容量、失血量、胃引流量、晶体液输入量和尿液量、麻醉时间和术前总胆红素水平，对连续变量使用t检验，对类别变量使用卡方检验，获得各变量统计检验结果，选择统计检验结果中p0.05的变量，即为第一次变量筛选得到的变量，基于第一次变量筛选得到的变量，再使用最小绝对收缩和选择算子回归方法进行建模，选择模型中系数不为0的变量，即为第二次变量筛选结果；

S4.机器学习模型的开发：使用所述第二次变量筛选得到的重要变量进行模型训练，模型训练使用网格搜索法结合K折交叉验证方法进行最优参数组合选择，首先设定各个模型需要进行网格搜索的参数以及参数值列表，进行交叉组合，随后对训练集随机划分为5等份，分别以其中1等份作为测试集，其余4等份作为训练集，对特定参数组合下的模型进行训练和测试，计算相应模型的评价指标的平均值作为该参数组合的模型得分，通过比较各参数组合的模型得分，最终可获取每个模型的最佳参数组合；所述模型选自逻辑回归算法、支持向量机算法、高斯贝叶斯算法、随机森林算法、梯度提升算法、自适应提升算法、深度学习算法等。

3.根据权利要求2所述的脓毒症预测模型构建方法，其特征在于，还包括模型的性能评价步骤，模型的性能评价使用ROC曲线下面积、准确率、敏感度、特异度、F1分数等评价指标。

4.一种脓毒症预测模型构建系统，该系统包括一个或多个计算机处理器以及计算机可读介质，所述计算机可读介质储存多个指令，所述多个指令指示所述一个或多个计算机处理器执行权利要求2-3中任意一项所述的脓毒症预测模型构建方法。

5.一种试剂盒，其用于预测肝移植术后脓毒症，其特征在于，所述试剂盒包含检测肝移植患者肝移植手术中红细胞输注量、腹水容量、失血量、胃引流量、晶体液输入量、尿液量、麻醉时间和患者肝移植手术前总胆红素水平的检测试剂和检测仪器。

6.检测肝移植手术中红细胞输注量、腹水容量、失血量、胃引流量、晶体液输入量、尿液量、麻醉时间和检测肝移植手术前总胆红素水平的检测试剂和仪器在制备用于建立肝移植术后脓毒症早期预测模型或制备用于预测肝移植术后脓毒症风险的试剂盒中的应用。