一种基于尿酸动力学和机器学习的干体重动态预测方法及系统与流程

本发明涉及血液透析患者的容量管理领域，具体涉及一种基于尿酸动力学和机器学习的干体重动态预测方法及系统。

背景技术：

1、干体重（dry weight，dw）是指血液透析患者体内既没有水潴留也没有脱水时的理想体重，是制定透析超滤方案的核心依据。准确评估干体重对于预防透析中低血压、心力衰竭及长期心血管并发症具有重要意义。

2、现有干体重评估技术主要分为三类：第一类基于临床经验与体征判断，但依赖医生主观判断（如水肿、血压、颈静脉怒张等），准确性与实时性差，无法识别隐匿性容量负荷。第二类是生物电阻分析法（bia），需专用设备，且易受水肿、低蛋白血症等因素干扰。第三类是基于尿酸动力学模型的评估方法，通过透析前后血尿酸浓度变化计算尿酸分布容积，进而推算干体重，但方法无需专用设备，且输出仅为当前透析周期的瞬时干体重估算值，缺乏对患者容量状态动态变化的追踪能力。

3、而在临床实践中，患者的容量状态受饮食、饮水、残余肾功能、心功能等多种因素影响，呈现显著的时序波动特征。静态评估结果往往滞后于患者实际状态变化，无法为医生提供前瞻性的超滤决策支持。

4、此外，现有技术未充分利用血压、超滤量等多维度时序临床信息，也未将生理机理模型与数据驱动模型进行深度融合，导致评估结果的个性化与动态适应性不足。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术的不足，提出一种基于尿酸动力学和机器学习的干体重动态预测方法，包括以下步骤：

2、s1.获取患者在当前透析周期中的血液化验数据、透析治疗数据以及历史透析周期的历史数据；并将历史透析周期的历史数据按预设比例划分为训练集和测试集；

3、s2.根据血液化验数据和透析治疗数据，利用尿酸动力学模型计算得到静态干体重基准值；

4、s3.构建初始时序机器学习模型，通过训练集对初始时序机器学习模型进行训练得到训练好的时序机器学习模型；

5、s4.以静态干体重基准值和测试集作为输入，通过训练好的时序机器学习模型预测得到动态干体重推荐值并输出，同时输出静态干体重基准值作为参考基准调节治疗方案。

6、进一步地，历史数据包括历史血液化验检查数据、历史时序临床特征数据以及患者达到舒适状态时的干体重标签；

7、其中，时序临床特征数据包括但不限于：透析前血压、透析后血压、超滤量、透析间期体重增长量、bnp水平、水肿分级、心率变异性、既往干体重序列；

8、患者达到舒适状态表示为：患者无容量过载体征、无低灌注症状、无肌肉疼痛/痉挛、透析全程sbp波动<15-20mmhg，无需频繁干预、静息心率在正常范围且无代偿性增快。

9、进一步地，利用尿酸动力学模型计算得到静态干体重基准值，具体包括：

10、根据透析前血浆尿酸浓度、透析后血浆尿酸浓度、透析前钠浓度、透析后钠浓度、透析时长、总除水量和透析器膜面积、透析液钠浓度，计算透析后尿酸分布容积；

11、根据透析后尿酸分布容积和体表面积，计算标准化尿酸分布容积；

12、将标准化尿酸分布容积除以预设百分比，得到静态干体重基准值。

13、进一步地，s3具体包括：

14、初始时序机器学习模型采用lstm模型进行构建；

15、时序机器学习模型训练步骤包括：

16、对每一历史透析周期，根据其历史血液化验检查数据利用尿酸动力学模型计算对应的静态干体重基准值；

17、以各历史透析周期的静态干体重基准值和历史时序临床特征数据作为训练样本输入特征，以对应的干体重标签作为训练标签，对时序机器学习模型进行训练，得到训练好的时序机器学习模型。

18、进一步地，方法还包括：

19、在患者透析结束后，新获取的数据自动加入到训练集对训练好的时序机器学习模型进行增量学习更新，自适应患者个体状态的变化趋势。

20、一种基于尿酸动力学和机器学习的干体重动态预测系统，用于实现上述任一一项方法，包括：

21、数据获取模块，用于获取患者在当前透析周期中的血液化验数据和透析治疗数据以及在多个历史透析周期中的时序临床特征数据；

22、动力学计算模块，用于根据血液化验数据和透析治疗数据，利用尿酸动力学模型计算得到静态干体重基准值；

23、模型构建和训练模块，用于构建初始时序机器学习模型，并对初始时序机器学习模型进行训练；

24、动态预测与输出模块，用于将静态干体重基准值与时序临床特征数据输入至预先训练好的时序机器学习模型，预测得到当前透析周期的动态干体重推荐值并输出。

25、进一步地，系统还包括：

26、模型更新模块，用于在每次在患者透析结束后，将新产生的临床数据自动加入训练集，对时序机器学习模型进行增量学习更新。

27、与现有技术相比本发明达到了如下技术效果：

28、第一，从静态评估升级为动态预测，能够实时反映患者容量状态变化，提前预警容量失衡。第二，融入多维度时序临床数据，利用时序临床特征可以对动力学输出进行动态校正，干体重预测准确率相比纯动力学模型有显著提升。第三，无需专用阻抗设备，仅需常规血生化数据，降低医疗成本，适用范围更广。第四，机器学习模型可根据每位患者的历史数据自主学习其容量变化规律，实现个性化预测，无需对患者进行聚类分析。第五，时序机器学习模型支持增量在线学习，持续吸收患者历次透析数据，实现个体化自适应迭代。第六，系统可预警容量超负荷或过低风险，辅助医生动态调整超滤方案。

1.一种基于尿酸动力学和机器学习的干体重动态预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于尿酸动力学和机器学习的干体重动态预测方法，其特征在于，所述历史数据包括历史血液化验检查数据、历史时序临床特征数据以及患者达到舒适状态时的干体重标签；

3.根据权利要求1所述的一种基于尿酸动力学和机器学习的干体重动态预测方法，其特征在于，所述利用尿酸动力学模型计算得到静态干体重基准值，具体包括：

4.根据权利要求1所述的一种基于尿酸动力学和机器学习的干体重动态预测方法，其特征在于，所述s3具体包括：

5.根据权利要求1所述的一种基于尿酸动力学和机器学习的干体重动态预测方法，其特征在于，所述方法还包括：

6.一种基于尿酸动力学和机器学习的干体重动态预测系统，其特征在于，用于实现上述权利要求1-5所述任一一项方法，包括：

7.根据权利要求6所述一种基于尿酸动力学和机器学习的干体重动态预测系统，其特征在于，所述系统还包括：