外阴苔藓样病变的低中高危分类方法、系统、设备及介质
本发明属于医疗预警,涉及外阴苔藓样病变的低中高危分类,尤其涉及一种外阴苔藓样病变的低中高危分类方法、系统、设备及介质。
背景技术:
1、外阴苔藓样病变,即外阴苔藓样变,其是外阴瘙痒常见的原因之一,以进展性、难治性及复发性为特点,严重影响患者的生活质量。其体征为外阴及肛周的皮肤和黏膜萎缩变薄、色素减退呈白色病变,发病率为0.1%~3%,约1/2的患者可出现外阴结构失常。
2、外阴苔藓样病变一般为免疫力下降、局部摩擦分泌物的刺激等原因引起,可通过饮食调理、生活调理、药物治疗等方式进行治疗。饮食方面需均衡膳食,注意补充营养,可选择高蛋白、富含维生素及矿物质、易消化的食物,可多进食新鲜水果、蔬菜及蛋奶类食物,多饮水;生活方面建议患者日常注意保暖,避免着凉,保持良好的心态,养成良好生活习惯,按时作息,保持良好卫生习惯,避免抓挠,避免继发感染;药物治疗方面,患者出现红斑、水肿、水疤时,可以用3%硼酸液做冷湿敷,如果仅有轻度灼痛、刺痒,一般外涂糖酸莫米松乳音、丙酸氟替卡松乳音等糖皮质激素类药物治疗,也可口服抗组胺药物,如氯雷他定分散片、盐酸西替利凑分散片等,脱敏、止痒治疗,服用药物可能会出现困倦、嗜睡、头疼、眩晕、激动等不良反应。
3、对于外阴苔藓样病变的诊断,目前主要还是通过临床表型、病史和相关功能性检查,其很大程度上还是主要依靠临床医师的经验。此外,外阴苔藓样病变的诊断专业性强,专科医师缺乏,同时临床上缺乏简易、精准、统一和多维度的检测和监测手段,导致无早期预警方法可用、诊断准确性不足、治疗效果不确定等诸多问题。
4、近年来,随着信息技术、人工智能技术等新兴技术的迅猛发展,预警模型受到越来越多的关注,越来越多的疾病风险预测模型被用来预测某种疾病的风险预测,并在多个疾病研究领域中得到应用。具体来说,就是以疾病的多病因为基础,建立统计模型,用来预测具有某些特征的人群未来某种结局事件发生的概率。近年来,例如:公开号为cn111640509a的发明专利公开的一种宫颈癌术后复发风险预测方法及系统,以及公开号为cn110200619a的发明专利公开的一种建立重大心血管疾病风险预警模型方法及装置,等等。但是,目前仍未见有报道预警模型在外阴苔藓样病变中的研究和应用。因此,探索及构建外阴苔藓样病变的早期风险预警模型,已是推动女性外阴苔藓样病变的风险预测、防治的一项重要措施。
技术实现思路
1、本发明的目的在于:提供一种外阴苔藓样病变的低中高危分类方法、系统、设备及介质,通过对相关风险因素的相关变量(即高风险因素)进行筛选并构建外阴苔藓样病变的分类模型,可以实现对外阴苔藓样病变的低风险人群、中风险人群、高风险人群进行分类。
2、一种外阴苔藓样病变的低中高危分类方法,包括以下步骤:
3、步骤s1,获取女性外阴苔藓样病变人群的风险因素,风险因素包括:工作类型、年龄、教育程度、阴道炎、尿失禁、长期居住缓解是否潮湿、长期居住地类型、饮食习惯辛辣、经常饮用咖啡或含咖啡因饮料、睡眠习惯是否良好、每天睡眠时间、糖尿病、吸烟史、喝酒、是否患有自身免疫性疾病、hpv、是否有过敏性疾病、是否绝经、高血压、经常食用海鲜和收入水平;
4、步骤s2,筛选风险因素中的相关变量并构建女性外阴苔藓样病变风险预警模型,步骤包括:
5、步骤s2-1,应用单因素分析方法,筛选与结局变量有相关性的变量;
6、步骤s2-2,应用rfe方法,以svm作为基础模型、auc作为评价指标,对经过单因素分析后筛选得到的变量进行多因素变量筛选;
7、步骤s2-3,根据筛选的多因素变量,应用gbm学习方法构建女性外阴苔藓样病变风险预警模型;
8、步骤s3,对女性外阴苔藓样病变风险预警模型进行训练获得模型优化;
9、步骤s4,获取待测人群的风险因素,并输入步骤s3训练好的女性外阴苔藓样病变风险预警模型,女性外阴苔藓样病变风险预警模型输出预测概率;
10、步骤s5,根据女性外阴苔藓样病变风险预警模型输出的预测概率计算shap值,并根据shap值对多个因素与目标变量的相关性进行排序;
11、步骤s6,应用kmeans聚类方法,对排序后的预测概率进行聚类,对待测人群进行分层,得出低风险人群、中风险人群、高风险人群的分类结果。
12、进一步地,步骤s1中,获取外阴苔藓样病变样本数据时,数据纳入标准为:病理活检证实为外阴单纯性苔藓或硬化性苔藓,且同时满足以下两个条件之一:①患者出现外阴瘙痒,伴或不伴有烧灼感、刺痛感;②外阴皮肤黏膜及周围至少出现以下一种体征:色素减退、白斑、粗糙增厚、表皮脱落、小阴唇及阴蒂萎缩、阴道口狭窄;排除标准为:①有精神疾病史或脑梗;②疾病急性时期;③恶性肿瘤患者。
13、进一步地,在步骤s1中,对获取的临床数据进行填补,具体为:针对临床数据中缺失率小于50%的变量,采用knnimputer填补方法对数据进行填补。
14、进一步地,在步骤s2-1中,在筛选与结局变量有相关性的变量时,具体方法为:
15、针对自变量中的分类变量,采用卡方检验的方法判断分类变量是否与结局变量有显著相关性;
16、针对自变量中的连续变量,先采用shapiro-wilk检验方法检验连续变量数据是否符合正态分布;对于符合正态分布的连续变量数据,应用独立样本检验方法分析该变量与结局变量是否有显著相关性,对于不符合正态分布的连续变量数据,应用mann-whitney u检验方法检验该变量与结局变量是否有显著相关性;
17、最终筛选出并得到与结局变量有相关性的变量。
18、进一步地,步骤s3,训练女性外阴苔藓样病变风险预警模型时,gbm算法的目标函数为:
19、;
20、;
21、;
22、;
23、其中,表示第i个样本x的预测值,表示第i个样本xi对应的真实标签,表示损失函数,表示样本的总数,表示第个弱学习器,表示弱学习器的个数,表示学习率,表示第m-1个弱学习器的预测值,表示真实标签与的损失函数对于下一个弱学习器fm(x)的梯度。
24、进一步地,步骤s3,训练女性外阴苔藓样病变风险预警模型时,损失函数具体为:
25、;
26、其中,表示真实标签,即计算公式中的;表示预测值,即计算公式中的。
27、一种外阴苔藓样病变的低中高危分类系统,包括:
28、风险因素获取模块,用于获取女性外阴苔藓样病变人群的风险因素,风险因素包括:工作类型、年龄、教育程度、阴道炎、尿失禁、长期居住缓解是否潮湿、长期居住地类型、饮食习惯辛辣、经常饮用咖啡或含咖啡因饮料、睡眠习惯是否良好、每天睡眠时间、糖尿病、吸烟史、喝酒、是否患有自身免疫性疾病、hpv、是否有过敏性疾病、是否绝经、高血压、经常食用海鲜和收入水平;
29、风险预警模型构建模块,用于筛选风险因素中的相关变量并构建女性外阴苔藓样病变风险预警模型,步骤包括:
30、步骤s2-1,应用单因素分析方法,筛选与结局变量有相关性的变量;
31、步骤s2-2,应用rfe方法,以svm作为基础模型、auc作为评价指标,对经过单因素分析后筛选得到的变量进行多因素变量筛选;
32、步骤s2-3,根据筛选的多因素变量,应用gbm学习方法构建女性外阴苔藓样病变风险预警模型;
33、风险预警模型训练优化模块,用于对女性外阴苔藓样病变风险预警模型进行训练获得模型优化;
34、概率预测模块,用于获取待测的外阴苔藓样病变数据,并输入风险预警模型训练优化模块训练好的女性外阴苔藓样病变风险预警模型,女性外阴苔藓样病变风险预警模型输出预测概率;
35、shap值排序模块,用于根据女性外阴苔藓样病变风险预警模型输出的预测概率计算shap值,并根据shap值对多个因素与目标变量的相关性进行排序;
36、聚类模块,用于应用kmeans聚类方法,对排序后的预测概率进行聚类,对待测人群进行分层,得出低风险人群、中风险人群、高风险人群的分类结果。
37、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述方法的步骤。
38、一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述方法的步骤。
39、本发明的有益技术效果:
40、1、本发明中,应用了gbm学习方法来构建女性外阴苔藓样病变风险预警模型,能够更好地拟合自变量与因变量的非线性关系;gbm学习方法通过集成多个决策树,进一步降低了异常值和噪声对模型整体性能的影响,使得女性外阴苔藓样病变风险预警模型在面对数据质量问题时仍能保持较好的性能表现;应用gbm学习方法来拟合临床数据,能更好地拟合非线性关系,同时降低对临床数据的质量要求,在数据集有极端值或缺失值的情况下,仍然能够预测外阴苔藓样病变的分类情况,并通过计算shap值、聚类,实现对待测对象进行外阴苔藓样病变的低风险、中风险、高风险分类,分类准确性高。
41、2、本发明中,创新性挖掘出了是否绝经、是否患有自身免疫性疾病、每日睡眠时间以及长期居住环境是否潮湿等多个临床信息是女性外阴营养不良的相关因素,通过机器学习方法建立这10个临床指标与女性外阴营养不良的预警模型,填补了女性外阴营养不良机器学习预警模型的空白。
42、3、本发明中,应用shap方法对gbm模型特征重要程度可视化,shap值用于解释模型的预测结果,它通过计算特征对模型预测结果的边际贡献,同时考虑了所有可能的特征子集组合情况下,特征之间的相互影响,且能反映特征与目标变量的正负相关性。
43、4、本发明中,应用kmeans聚类法对gbm模型的预测输出进行聚类,根据聚类结果将待测对象划分为高、中、低三类风险人群,更有利于医生对患者的诊断判断,而不仅仅是将人分为阴性和阳性,更符合医疗诊断现实场景。
44、5、本发明中,在筛选变量时,针对分类变量、连续变量这两种自变量分别采用不用的方法分析判断显著相关性,卡方检验方法可通过比较观察频数与期望频数之间的差异来判断相关风险因素的变量是否独立;进一步采用shapiro-wilk检验方法对连续变量是否符合正态分布进行检验、判断,以便选择不同的方法来分析连续变量与结局变量之间的相关性;对于是否符合正态分布的连续变量分别采用不同的方法分析判断显著相关性;这种分类处理的方法能够更准确地筛选出与相关变量有显著相关性的变量,提高统计分析的可靠性、准确性以及有效性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com