【技術實現步驟摘要】
本申請涉及一種兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法及相關系統和設備，屬于腎盂成形術后尿路感染風險評估。
技術介紹
1、腎盂輸尿管連接處梗阻(upjo)是指腎臟和輸尿管連接處發生梗阻，導致從腎盂到輸尿管的尿流減少，upjo是兒童病理性腎積水最常見的原因，發病率約為1:1500，大約20％至50％的upjo兒童最終需要手術干預。如果不及時治療，可能會導致腎積水、慢性感染或尿石癥，并且常常會導致進行性腎功能不全。盡管upjo手術成功率高但并發癥也不少，upjo手術治療的主要并發癥有尿路感染(uti)、尿液外滲和漏出、腎盂腎炎、出血和復發性upjo。
2、多項研究表明uti增加了upjo患兒腎盂成形術后吻合口再狹窄的風險，被認為是術后吻合口再狹窄的重要因素之一，且uti的發病率仍然很高。uti主要由大腸桿菌引起，是兒童最常見的感染類型之一。此前已有研究描述了兒童uti的危險因素，包括男性、體重、bun水平、3個月內uti復發、長期留置導尿管、雙j管留置、雙側雙j管留置等。然而目前針對單側腎盂成形術后uti的預測模型開發非常有限，特別是在大樣本隊列研究中，目前還沒有針對腎盂成形術后uti的人工智能模型。
3、在過去的十年里，人工智能的發展速率呈指數級增長。機器學習處理器能力和可用數據量的增加為深度學習和人工智能工具的發展提供了基礎。醫療保健行業收集了大量的數據，如醫療記錄和患者的檢查結果。隨著人工智能的最新進展，這些技術現在正越來越多地用于臨床決策。隨著高效率集成學習模型的發展，機器學習(ml
4、如應用ml算法可分析膀胱癌的預測和診斷評估，及腎癌和睪丸癌的分期和復發預測。在腎臟疾病方面，ml也顯示了較好的預測應用效果。雖然目前人工智能技術在泌尿外科領域的領域已逐漸增多，但其功能性泌尿學領域應用的報道仍然很少。2024年lancet雜志發表的一篇關于機器學習在醫療保健領域應用的綜述性文章表明，醫護人員和患者認為ml風險預測模型可以在醫療保健領域中增加益處。但不可否認的是，以ml為代表的人工智能技術的研究及應用，可能會改變泌尿外科的臨床實踐，改善患者的整體結果。
5、tabnet是一個帶有編碼器的深度學習(dl)端到端體系結構。其建立了連續多步驟體系結構，這有助于選擇相關特征的決策。近年來tabnet也越來越多地應用于臨床預測中，如zhang等人應用tabnet預測腎移植術后他克莫司的劑量、yu等開發了雷帕替尼對乳腺癌患者的預測模型、cahan等的研究建立了肺栓塞患者30天內的全因死亡模型、asadi-pooya等應用tabnet區分不同類型的癲癇、chen等開發了乳腺癌的x線診斷模型等，但我們檢索tabnet的醫療應用文獻，仍明顯少于傳統機器學習模型的報道，這可能與醫療數據結構多數以單中心的小樣本數據集構成有關，而深度學習模型需要大數據樣本進行訓練和參數調優。
6、雖然ml和dl在醫學建模的開發與應用中各有優劣，而針對兒童腎積水術后的uti目前還沒有人工智能模型的提出，這可能會導致我們無法對腎積水術后患者進行早期預測預警，是uti的發生不能得到及時有效的治療，增加了其帶來遠期功能性影響的風險。
7、兒童腎盂輸尿管交界處狹窄是一種常見的疾病，腹腔鏡或開放式離斷腎盂成形術是治療此疾病的標準手術方式，根據本中心經驗，既往10年內700余例接受單側腎盂成形手術的兒童術后半年內感染率超過30％，這對兒童的術后康復、生活質量和家庭經濟負擔造成了極大負面影響。目前的預測術后感染的方法嚴重依賴于經驗判斷和有限的臨床參數，缺乏多因素臨床預后預測模型。因此建立一個準確的兒童腎盂成形術后尿路感染預測模型至關重要。
技術實現思路
1、為了解決上述問題，提供了一種兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法及相關系統和設備，應用tabnet對診斷特征建模后的正確率、精確率和auc曲線下面積效果優于logistic?regression、svm、random?forest、xgboost和lightgbm，且不需要預先經過特征工程處理，在兒童腎盂成形術后尿路感染風險診斷中具有重要的應用價值。
2、根據本申請的一個方面，提供了一種兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，所述方法包括以下步驟：
3、s1、從歷史病例中篩選因單側腎積水接受腎盂成形手術的病例，并將病例分為訓練集和驗證集；
4、s2、將訓練樣本輸入tabnet深度學習網絡，并以回歸模式訓練模型；
5、s3、將驗證集輸入訓練好的tabnet模型，通過交叉驗證來評估鑒別，其中評估鑒別包括準確率、精準率和召回率，獲得所述兒童腎盂成形術后尿路感染風險機器深度學習預測模型。
6、可選的，所述病例包括如下臨床特征：1)手術時間；2)手術后引流方式：腎盂造瘺或d-j管；3)手術次數：首次或非首次；4)腹痛史：是或否；5)引起腎盂輸尿管交界部狹窄的病因：先天性狹窄、迷走血管壓迫、輸尿管息肉、輸尿管瓣膜、高位輸尿管或輸尿管斷裂；6)腎積水側別：左或右；7)年齡；8)身高；9)bmi；10)總蛋白tp；11)白蛋白alb；12)球蛋白glb；13)血尿酸ua；14)血肌酐cr；15)血尿素氮bun；16)腎小球濾過率egfr；17)中性粒細胞比率n％；18)淋巴細胞比率l％；19)腎盂前后徑apd。
7、需要說明的是，根據本申請方案中針對tabnet深度學習網絡中臨床特征的重要性分析，可知性別、手術方式、體重、泌尿系感染史、腎盂造瘺史和腎實質厚度在本申請方案的兒童腎盂成形術后尿路感染風險機器深度學習預測模型中基本未體現出重要性，因此可對臨床特征進行簡化，采用上述的19個臨床特征指標即可。然而需要說明的是，本領域技術人員也可以額外增加其他臨床特征指標。
8、此外需要指出，病例中的臨床特征信息用于tabnet深度學習網絡訓練，并且也能夠用于將待預測病例的臨床特征信息輸入訓練好的兒童腎盂成形術后尿路感染風險機器深度學習預測模型中，從而輸出兒童在腎盂成形術后診斷出的臨床泌尿道感染的風險預測結果，可以理解的是，病例還可以包括除上述記載內容之外的其他臨床特征信息。
9、可選的，所述病例包括如下臨床特征：1)性別；2)手術方式：腹腔鏡或開放式；3)手術時間；4)手術后引流方式：腎盂造瘺或d-j管；5)手術次數：首次或非首次；6)泌尿系感染史：是或否；7)腎盂造瘺史：是或否；8)腹痛史：是或否；9)引起腎盂輸尿管交界部狹窄的病因：先天性狹窄、迷走血管壓迫、輸尿管息肉、輸尿管瓣膜、高位輸尿管或輸尿管斷裂；10)腎積水側別：左或右；11)年齡；12)體重；13)身高；14)bmi；15)總蛋白tp；16)白蛋白alb；17)球蛋白glb；18)血尿酸ua；19)血肌酐cr；20)血尿素氮bun；21)腎小球濾過率egfr；22)中本文檔來自技高網...
【技術保護點】
1.一種兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述病例包括如下臨床特征：
3.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述步驟S2中TabNet深度學習網絡中：數據流經批量規范化BN層后進入特征轉換器，所述特征轉換器包含n個門控線性單元GLU塊，每個所述GLU塊由完全連接FC層、BN層和GLU激活模塊組成；
4.根據權利要求3所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述特征轉換器處理批量規范化的特征后再通過分割層在步驟i輸出到注意力轉換器；
5.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述步驟S1中歷史病例中篩選需同時滿足：1)單側腎積水接受腎盂成形手術；2)符合對腎盂輸尿管交界處狹窄的診斷；
6.根據權利要求1所述的兒童腎盂成形
7.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述步驟S3中，通過5折交叉驗證來評估鑒別，其中：
8.一種基于機器深度學習的兒童腎盂成形術后尿路感染風險診斷系統，其特征在于，其基于權利要求1～7任一項所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法實現，所述系統包括：
9.一種電子設備，其特征在于，包括，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時，以實現如權利要求1～7任一項所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法的步驟。
10.一種可讀存儲介質，其特征在于，所述可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行如權利要求1～7任一項所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法的步驟。
...【技術特征摘要】
1.一種兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述病例包括如下臨床特征：
3.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述步驟s2中tabnet深度學習網絡中：數據流經批量規范化bn層后進入特征轉換器，所述特征轉換器包含n個門控線性單元glu塊，每個所述glu塊由完全連接fc層、bn層和glu激活模塊組成；
4.根據權利要求3所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述特征轉換器處理批量規范化的特征后再通過分割層在步驟i輸出到注意力轉換器；
5.根據權利要求1所述的兒童腎盂成形術后尿路感染風險機器深度學習預測模型的構建方法，其特征在于，所述步驟s1中歷史病例中篩選需同時滿足：1)單側腎積水接受腎盂成形手術；2)符合對腎盂輸尿管交界處狹窄的診斷；
6.根據權利要求1所述的兒...
【專利技術屬性】
技術研發人員：王弘揚，
申請(專利權)人：首都兒科研究所附屬兒童醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。