结合LASSO特征实现高原肺水肿严重程度分级评测方法及系统与流程

本发明涉及生物信息，尤其涉及一种结合lasso特征实现高原肺水肿严重程度分级评测方法及系统。

背景技术：

1、高原肺水肿是一种因快速暴露于高海拔环境而引发的危及生命的疾病。随着旅行和户外运动的日益流行，尤其是当人们快速上升到高海拔地区时，高原肺水肿的发病率呈上升趋势。及时干预对于降低hape相关死亡率至关重要，因为及时治疗可以产生显著影响。然而，缺乏经验的医生可能在及时诊断重症患者方面面临挑战，导致治疗延迟，甚至可能致命。因此，开发基于风险评估的早期筛查、风险分层和治疗工具可以极大地改善患者预后，减少因治疗延迟导致的死亡。传统高原肺水肿诊断依赖于临床症状和影像学检查。然而，评估高原肺水肿的严重程度通常主观，缺乏用于识别重症患者的准确筛查工具。近年来，机器学习技术的进步为评估高原肺水肿的风险水平提供了新方法。通过整合各种生理参数和临床指标，机器学习模型可以在不增加患者负担的情况下提供更精确、更高效的评估。尽管以往的研究探索了机器学习在医学诊断中的应用，但针对高原肺水肿患者的风险分层建模研究仍然有限。

2、中国专利申请公开号：cn117059270a，公开了一种结合医学先验知识伪标签的急性高原病风险评估系统，涉及急性高原病风险评估领域，包括数据采集模块、伪标签构造模块、自监督学习模块和下游任务风险评估模块，数据采集模块包括第一采集子模块和第二采集子模块，第一采集子模块采集在间歇性低氧训练过程中实时监测的序列数据，包括血氧饱和度、心率和呼吸频率在内的人体生理信号，第二采集子模块采集个体的瞬时路易斯湖评分。本发明通过对生理信号数据的监测，挖掘动态监测数据的内在属性，融入先验知识以标定数据伪标签，以此构建基于辅助任务的自监督学习框架，学习生理信号的表征信息，用于下游的急性高原病风险评估任务。所述结合医学先验知识伪标签的急性高原病风险评估系统存在由于未考虑根据已确诊患者对患病风险进行分层以及未考虑分层结果在临床决策中的可信度保障，导致评测结果可靠性差的问题。

技术实现思路

1、为此，本发明提供一种结合lasso特征实现高原肺水肿严重程度分级评测方法及系统，用以克服现有技术中未考虑根据已确诊患者对患病风险进行分层以及未考虑分层结果在临床决策中的可信度保障，影响精准决策，从而导致评测结果可靠性差的问题。

2、为实现上述目的，一方面，本发明提供一种结合lasso特征实现高原肺水肿严重程度分级评测方法，包括：

3、获取已确诊为高原肺水肿的患者的临床数据集，其中，所述临床数据集包括从由生命体征、临床症状及病史所构成的群组中选取的若干临床特征；

4、采用lasso回归模型对所述临床数据集进行特征选择，筛选出核心特征子集，基于所述核心特征子集对应的特征数据，构建并训练随机森林分类模型，得到标准随机森林分类模型；

5、基于所述标准随机森林分类模型的决策逻辑，生成对应的临床评分表；

6、所述标准随机森林分类模型根据目标患者的所述核心特征子集的当前临床状态，基于预设分类决策阈值，进行高原肺水肿严重程度等级评测，得到分级结果，其中，在评测过程中，计算所述标准随机森林分类模型的投票集中度；

7、在根据所述投票集中度判定所述分级结果不可靠时，减小预设分类决策阈值；

8、将符合预设标准的分级结果进行输出，并结合所述临床评分表确定目标患者核心特征对应的分值，生成分级评测报告。

9、进一步地，所述采用lasso回归模型对所述临床数据集进行特征选择，筛选出核心特征子集的过程包括：

10、以所述已确诊为高原肺水肿的患者的高原肺水肿严重程度等级为响应变量，以若干所述临床特征为预测变量，构建lasso回归模型；

11、通过交叉验证，确定所述lasso回归模型的最优正则化参数；

12、选取在所述最优正则化参数下的系数非零的预测变量，构成所述核心特征子集。

13、进一步地，基于所述标准随机森林分类模型的决策逻辑生成对应的临床评分表，包括：

14、提取所述标准随机森林分类模型中各决策树关于所述核心特征子集内每一特征的决策节点及分裂阈值；

15、根据各特征的所述分裂阈值的分布，将每个特征的数值范围或状态划分为若干个有序区间；

16、基于每一特征在所述标准随机森林分类模型中的特征重要性得分，为每个特征的各个所述有序区间分配相应的分值，从而生成结构化的临床评分表。

17、进一步地，所述核心特征子集包括：肺部啰音、咳痰情况、心率以及血氧饱和度。

18、进一步地，所述高原肺水肿严重程度等级分为轻度、中度和重度。

19、进一步地，其特征在于，对所述临床数据集进行预处理，其中，

20、所述预处理包括剔除缺失数据占比大于或等于预设百分比的变量，对缺失数据占比小于预设百分比的变量采用随机森林方法进行估算。

21、进一步地，在所述预处理之后，还包括：

22、将经过预处理的所述临床数据集，按预设比例划分为用以模型训练的训练集和用以模型性能评估的测试集。

23、进一步地，根据所述投票集中度判定分级结果是否可靠的过程包括：

24、将所述投票集中度与预设集中度进行比对；

25、若所述投票集中度小于预设集中度，则判定所述分级结果不可靠，并根据第一预设集中度与所述投票集中度的差值减小所述预设分类决策阈值；

26、若所述投票集中度大于或等于所述预设集中度，则直接输出所述标准随机森林分类模型的分级结果。

27、进一步地，所述投票集中度的获取过程包括：

28、将所述目标患者的所述核心特征子集，输入至所述标准随机森林分类模型；

29、获取所述标准随机森林分类模型中每一棵决策树对所述患者输出的独立预测类别；

30、统计所有决策树输出的预测类别中，各严重程度等级所对应的决策树数量，作为各等级的得票数；

31、将得票数最高的严重程度等级所获得的票数与所述标准随机森林分类模型所包括的决策树的总数的比值，记为投票集中度。

32、另一方面，本发明还提供适用于一种结合lasso特征实现高原肺水肿严重程度分级评测系统，包括：

33、数据获取模块，用以获取已确诊为高原肺水肿的患者的临床数据集；

34、特征筛选模块，其与所述数据获取模块相连，用以执行lasso回归模型对所述临床数据集进行特征选择，筛选出核心特征子集；

35、模型评测模块，其与所述特征筛选模块相连，用以基于所述核心特征子集构建标准随机森林分类模型，并利用标准随机森林分类模型对目标患者进行高原肺水肿严重程度分级；

36、数据处理模块，其与所述模型评测模块相连，用以获取所述标准随机森林分类模型的投票集中度；

37、控制模块，其分别与所述模型评测模块和所述数据处理模块相连，用以根据所述投票集中度判定目标患者的高原肺水肿严重程度分级的分级结果是否可靠；

38、评价输出模块，其与所述控制模块相连，用以生成分级评测报告。

39、与现有技术相比，本发明的有益效果在于，本发明通过lasso筛选出的核心特征均为易得指标，输出分类标签和结构化临床评分表能够帮助清晰理解评分依据，快速定位关键异常指标，快速、准确地识别危重患者，同时，精准地分级有助于合理分流患者，从而提升了医疗体系的救治效率与效果。

40、进一步地，本发明通过lasso回归模型对包括大量临床特征的数据集进行精准筛选，有效剔除冗余信息与无关变量，聚焦核心预测因子，避免了无关数据对模型性能的干扰；基于筛选后的核心特征子集构建并训练随机森林分类模型，充分发挥该模型处理非线性关系与复杂特征交互的优势，精准实现高原肺水肿轻度、中度、重度的三级分层，从而确保了评测分级结果的可靠性。

41、进一步地，本发明通过将核心特征子集具体限定为肺部啰音、咳痰情况、心率和血氧饱和度，具有极强的指标特异性，特征均为临床可快速获取的体征或症状，适配高海拔地区医疗条件，从而确保了整个评测方法在资源有限的高原急诊环境中的高度可行性。

42、进一步地，本发明通过设置投票集中度，量化随机森林模型的决策共识程度，对不可靠结果采用增加决策树数量的优化方式，过滤决策树分歧大的模糊结果，从而提升了分级准确性。