本發(fā)明涉及人工智能，尤其涉及一種構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法。
背景技術(shù)：
：：1、心臟驟停病情兇險(xiǎn)，通常無預(yù)警突發(fā)，大約60％～80％的心臟驟停事件發(fā)生在醫(yī)院外，這大大增加了早期實(shí)施高質(zhì)量心肺復(fù)蘇的難度。全球范圍內(nèi)，心臟驟停的總體存活率不足10％，在中國這一比例更是低至1.2％。即便是復(fù)蘇成功后，不到20％的幸存者能夠保留良好的腦神經(jīng)功能。鑒于心臟驟停的高致死率和高致殘率，復(fù)蘇和預(yù)防成為減少疾病負(fù)擔(dān)的關(guān)鍵環(huán)節(jié)。然而，依靠提高復(fù)蘇成功率效果有限，因?yàn)檫@需要公眾熟練掌握高質(zhì)量的急救技能。雖然左心室射血分?jǐn)?shù)(left?ventricular?ejection?fraction，lvef)長期以來被用作心臟驟停風(fēng)險(xiǎn)分層的主要依據(jù)，但其在預(yù)測(cè)效能上的局限性日益凸顯。2、目前，在歐洲心臟病學(xué)會(huì)制定的關(guān)于scd(心臟性猝死)和室性心律失常的指南中，主要依據(jù)左心室射血分?jǐn)?shù)(left?ventricular?ejection?fraction，lvef)進(jìn)行危險(xiǎn)分層和一級(jí)預(yù)防，把lvef≤35％的患者劃分為高風(fēng)險(xiǎn)群體，并建議使用植入式心臟除顫器(implantable?cardioverter?defibrillator，icd)進(jìn)行預(yù)防。但這一標(biāo)準(zhǔn)在實(shí)際應(yīng)用中面臨評(píng)估不足和過度治療的窘境。一方面，在該標(biāo)準(zhǔn)指導(dǎo)下進(jìn)行一級(jí)預(yù)防的患者中，每年僅有5％接受了恰當(dāng)?shù)膇cd治療，說明相當(dāng)一部分患者接受了不必要的icd植入。另一方面，70％-80％的scd患者lvef＞35％，表明對(duì)這一群體缺少有效的風(fēng)險(xiǎn)評(píng)估工具。隨著研究證據(jù)不斷揭示lvef在心臟驟停風(fēng)險(xiǎn)分層中的局限性，這對(duì)長久以來依賴lvef識(shí)別高?；颊叩膫鹘y(tǒng)方法構(gòu)成了巨大挑戰(zhàn)。3、因此，如何突破現(xiàn)有風(fēng)險(xiǎn)分層手段的限制，對(duì)于減少心衰患者心臟驟停的發(fā)生率和改善其預(yù)后至關(guān)重要。準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)患者并提前采取預(yù)防措施，成為減輕全球心臟驟停負(fù)擔(dān)更加行之有效的途徑。技術(shù)實(shí)現(xiàn)思路1、本發(fā)明的目的是提供一種構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，用于準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)心臟驟停患者并提前采取預(yù)防措施，減少心臟驟停的發(fā)生率。2、為了實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：3、一種構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，包括：步驟s1、獲取數(shù)據(jù)資料，所述數(shù)據(jù)資料包括臨床文本資料和影像圖像。步驟s2、對(duì)所述影像圖像進(jìn)行預(yù)處理。步驟s3、對(duì)預(yù)處理后的所述影像圖像進(jìn)行分割。步驟s4、對(duì)分割后的所述影像圖像進(jìn)行特征提取，得到影像組學(xué)特征。步驟s5、根據(jù)所述影像組學(xué)特征和所述臨床文本資料構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型。4、可選地，所述步驟s2包括：步驟s21、將所述影像圖像分為訓(xùn)練圖像和自動(dòng)分割圖像。步驟s22、對(duì)所述訓(xùn)練圖像進(jìn)行標(biāo)注。5、可選地，所述步驟s3包括：步驟s31、使用nnu-net對(duì)標(biāo)注后的所述訓(xùn)練圖像進(jìn)行分割。步驟s32、對(duì)所述自動(dòng)分割圖像進(jìn)行自動(dòng)分割。步驟s33、對(duì)分割后的所述訓(xùn)練圖像和所述自動(dòng)分割圖像，使用pyradiomics庫提取所述影像組學(xué)特征。步驟s34、對(duì)所述影像組學(xué)特征進(jìn)行避免過擬合處理。6、可選地，所述步驟s34包括：步驟s341、采用特征選擇的方法對(duì)所述影像組學(xué)特征進(jìn)行特征選擇，得到若干特征。步驟s342、利用熱圖相關(guān)性矩陣分析若干所述特征與心臟驟停的相關(guān)性，及若干所述特征之間的相關(guān)性。步驟s343、選擇與所述心臟驟停相關(guān)的若干所述特征為影像組學(xué)特征子集。7、可選地，所述特征選擇的方法包括：嵌入法、包裝法或過濾法。8、可選地，所述步驟s5包括：步驟s51、采用機(jī)器學(xué)習(xí)算法進(jìn)行模型開發(fā)，得到若干模型。步驟s52、確定若干所述模型的最優(yōu)模型。步驟s53、將所述影像組學(xué)特征子集添加進(jìn)所述最優(yōu)模型中，并結(jié)合所述臨床文本資料，得到所述心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型。9、可選地，所述步驟s52包括：步驟s521、采用網(wǎng)格搜索和交叉驗(yàn)證確定若干所述模型的最佳超參數(shù)。步驟s522、采用voting?classifier對(duì)若干所述模型進(jìn)行機(jī)器學(xué)習(xí)，并采用“軟投票”策略確定每一所述模型的權(quán)重。步驟s523、根據(jù)修正的約登指數(shù)確定roc曲線的最佳閾值，并計(jì)算若干所述模型的性能指標(biāo)。步驟s524、根據(jù)所述最佳超參數(shù)、每一所述模型的權(quán)重和若干所述模型的性能指標(biāo)確定所述最優(yōu)模型。10、可選地，所述模型包括：邏輯回歸、樸素貝葉斯、支持向量分類器、隨機(jī)森林和類別提升分類器。11、可選地，所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法還包括：步驟s6、對(duì)所述心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行性能評(píng)估。所述步驟s6包括：步驟s61、采用曲線下面積、準(zhǔn)確率、精確率、召回率和f1分?jǐn)?shù)作為所述心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的模型性能評(píng)價(jià)指標(biāo)。步驟s62、采用所述模型性能評(píng)價(jià)指標(biāo)的平均值和標(biāo)準(zhǔn)差評(píng)價(jià)所述心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的表現(xiàn)。12、另一方面，本發(fā)明還提供一種電子設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上文所述的方法。13、本發(fā)明至少具有以下技術(shù)效果之一：14、本發(fā)明采用多模態(tài)數(shù)據(jù)，包括文本和影像信息，為心臟驟停風(fēng)險(xiǎn)評(píng)估提供了更全面的視角，增強(qiáng)了模型的準(zhǔn)確性和泛化能力。本發(fā)明構(gòu)建的心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型能夠準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)心臟驟停患者，從而指導(dǎo)個(gè)性化治療決策，減少心臟驟停的發(fā)生率。15、本發(fā)明通過引入這些高維度的影像特征，可以優(yōu)化并改善心臟驟停的精準(zhǔn)風(fēng)險(xiǎn)分層。利用影像組學(xué)特征來優(yōu)化心臟驟停風(fēng)險(xiǎn)評(píng)估的方法意味著從傳統(tǒng)風(fēng)險(xiǎn)標(biāo)志物向更細(xì)致的微觀特征探索的轉(zhuǎn)變，并且通過這些心肌瘢痕的微觀特征，可以進(jìn)一步深化對(duì)心臟驟停發(fā)病機(jī)制的理解。16、本發(fā)明結(jié)合前沿的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，且應(yīng)用范圍不受lvef的限制，為心衰患者提供了更廣泛的科學(xué)的風(fēng)險(xiǎn)分層的依據(jù)。而且本發(fā)明構(gòu)建的集成模型展現(xiàn)出優(yōu)越的預(yù)測(cè)性能，具有良好的臨床應(yīng)用價(jià)值。技術(shù)特征：1.一種構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，包括：2.根據(jù)權(quán)利要求1所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述步驟s2包括：3.根據(jù)權(quán)利要求2所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述步驟s3包括：4.根據(jù)權(quán)利要求3所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述步驟s34包括：5.根據(jù)權(quán)利要求4所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述特征選擇的方法包括：嵌入法、包裝法或過濾法。6.根據(jù)權(quán)利要求4所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述步驟s5包括：7.根據(jù)權(quán)利要求6所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述步驟s52包括：8.根據(jù)權(quán)利要求6所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，所述模型包括：邏輯回歸、樸素貝葉斯、支持向量分類器、隨機(jī)森林和類別提升分類器。9.根據(jù)權(quán)利要求1所述的構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其特征在于，還包括：步驟s6、對(duì)所述心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行性能評(píng)估；10.一種電子設(shè)備，其特征在于，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1至9中任一項(xiàng)所述的方法。技術(shù)總結(jié)本發(fā)明公開了一種構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，包括：步驟S1、獲取數(shù)據(jù)資料，所述數(shù)據(jù)資料包括臨床文本資料和影像圖像。步驟S2、對(duì)所述影像圖像進(jìn)行預(yù)處理。步驟S3、對(duì)預(yù)處理后的所述影像圖像進(jìn)行分割。步驟S4、對(duì)分割后的所述影像圖像進(jìn)行特征提取，得到影像組學(xué)特征。步驟S5、根據(jù)所述影像組學(xué)特征和所述臨床文本資料構(gòu)建心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)模型。本發(fā)明能夠準(zhǔn)確識(shí)別高風(fēng)險(xiǎn)心臟驟?；颊?，從而指導(dǎo)個(gè)性化治療決策，減少心臟驟停的發(fā)生率。技術(shù)研發(fā)人員：邢星,汪芳,彭弋戈,畢磊,劉小強(qiáng),章異,葛玉龍,陳航煒受保護(hù)的技術(shù)使用者：上海市第一人民醫(yī)院技術(shù)研發(fā)日：技術(shù)公布日：2024/11/14