[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

说明书

本发明旨在开发和验证肝移植受者LT术后7天内发生脓毒症的预测模型。通过回顾性提取中山大学附属第三医院大数据平台2015年1月至2020年1月接受LT的786例患者资料。开发了七个ML模型来预测LT术后脓毒症。我们的研究结果显示，较大的红细胞输注量、腹水量、失血量和胃引流量、晶体液输注量和尿量较少、麻醉时间较长、术前TBIL水平较高是影响术后脓毒症的前8个重要指标。在研究中开发的7个ML模型中，随机森林分类器(RF)模型显示出预测LT后败血症的整体性能最佳。

技术领域

本发明属于医疗数据挖掘领域，具体涉及一种针对肝移植患者术后脓毒症早期预测系统、预测模型构建方法及试剂盒。

背景技术

近年来，机器学习技术已广泛应用于智能医学领域，在临床决策、临床诊断和精准医疗方面具有重要的实践意义。基于机器学习的模型通过利用电子病历中已存在的海量参数，在预测医疗结局和识别高风险患者中具有高度准确性。然而，目前还没有基于机器学习的肝移植术后脓毒症的早期预测模型。肝移植(LT)是目前公认的终末期肝病唯一有效的治疗方法。尽管近年来由于手术技术、麻醉管理、免疫抑制技术和重症监护病房(ICU)管理的进步，LT后的存活率和长期预后得到了显着改善，但LT受者仍然存在各种术后并发症，其中，术后脓毒症是最严重的并发症之一，常导致感染性休克、多器官功能障碍综合征(MODS)和术后死亡率增加。据报道，LT术后脓毒症的发生率高达50-80％，脓毒症相关的死亡占所有术后死亡率的50％至90％。此外，据报道，脓毒症治疗每延迟一小时，死亡率就会增加7.6％。现有技术已经存在针对普通患者的脓毒症的预测方法。然而，肝移植手术后患者免疫功能较差，肝移植术后脓毒症发生率更高、死亡率更高，现有的脓毒症预测模型针对肝移植术后脓毒症的预测准确性和特异性欠佳，且无法在早期预测肝移植术后的脓毒症。因此，迫切需要一种可靠的针对肝移植患者术后脓毒症的早期预测模型来指导预防性干预和治疗。

发明内容

为了克服现有技术中的不足，本发明提供了一种科学可靠、特异性高、模型性能好、敏感度高的可以对肝移植患者术后脓毒症的早期进行预测的模型、方法和系统。本研究建立了一个基于机器学习的随机森林预测模型，该模型纳入了术前和术中变量来预测肝移植术后脓毒症，将有望在未来的临床应用中预测肝移植受体的术后脓毒症，有助于临床工作中对脓毒症的早期决策。

为了达到上述发明目的，本发明采用以下技术方案：

本发明的一方面是提供一种肝移植术后脓毒症早期预测模型构建方法，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；