儿童复杂性阑尾炎预测方法及预测装置与流程

1.本技术涉及阑尾炎预测技术领域，特别是涉及一种儿童复杂性阑尾炎预测方法、预测装置、电子设备和计算机可读存储介质。


背景技术：

2.急性阑尾炎是急腹症患儿就诊的重要病因，占到小儿外科性急性腹痛的20％-30％。依据病理结果，急性阑尾炎可分为非复杂性阑尾炎和复杂性阑尾炎(complicatedappendicitis，ca)。其中，急性ca(即坏疽性、穿孔性阑尾炎及阑尾周围脓肿)因其进展快、并发症多、死亡率高等因素，需要医生早期识别、快速处理以提高其诊治效率，改善病人预后。但幼儿阑尾炎表现多不典型，且小儿有时查体难以配合或不能准确表达，需要立足客观指标早期识别ca。
3.如何有效识别儿童复杂性阑尾炎，是本领域一直致力解决的重要技术问题。


技术实现要素：

4.有鉴于此，本技术实施例为解决背景技术中存在的至少一个问题而提供一种儿童复杂性阑尾炎预测方法、预测装置、电子设备和计算机可读存储介质。
5.第一方面，本技术一实施例提供了一种儿童复杂性阑尾炎预测方法，包括：
6.获取确诊患者的临床检验结果作为样本集，所述临床检验结果包括炎症指标和阑尾超声指标；
7.对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因素；
8.根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型；所述儿童复杂性阑尾炎决策树模型的根节点包括c反应蛋白，第二层子节点包括阑尾粪石，第三层子节点包括阑尾周边网膜回声增强；
9.利用所述复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。
10.结合本技术的第一方面，在一可选实施方式中，所述对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因素包括：
11.采用单因素分析方法对所述临床检验结果进行筛选，获得预测因素；
12.采用多因素分析方法对所述预测因素进行筛选，获得独立预测因素。
13.结合本技术的第一方面，在一可选实施方式中，所述采用单因素分析方法对所述临床检验结果进行筛选，获得预测因素包括：
14.根据病理学检查结果将样本集分为复杂性阑尾炎组和非复杂性阑尾炎组；
15.采用统计学检验方法对所述炎症指标和阑尾超声指标进行检验，获得检验结果；
16.比较所述复杂性阑尾炎组和所述非复杂性阑尾炎组的检验结果，获得有统计学差异的指标；
17.绘制所述有统计学差异的指标的受试者工作特征曲线，根据所述受试者工作特征曲线获得预测因素。
18.结合本技术的第一方面，在一可选实施方式中，所述采用多因素分析方法对所述预测因素进行筛选，获得独立预测因素包括：
19.对所述预测因素进行共线性分析，以确定预测因素中各个指标是否存在多重共线性；
20.对共线性分析所确定的预测因素进行二元logistics回归分析，获得独立危险因素。
21.结合本技术的第一方面，在一可选实施方式中，所述根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型还包括：
22.采用受试者工作特征曲线对所述决策树模型进行验证。
23.结合本技术的第一方面，在一可选实施方式中，所述儿童复杂性阑尾炎决策树模型的第二层节点包括3个节点，c反应蛋白≤27mg/l为节点1，27mg/l《crp≤45mg/l为节点2，crp》45mg/l为节点3。
24.结合本技术的第一方面，在一可选实施方式中，所述儿童复杂性阑尾炎决策树模型的第三层节点包括4个节点，对节点1和节点3分别采用阑尾粪石进行进一步分类，得到第三层节点；节点3无阑尾粪石的为节点6。
25.结合本技术的第一方面，在一可选实施方式中，所述儿童复杂性阑尾炎决策树模型的第四层节点包括2个节点，对节点6采用周边网膜回声增强进行进一步分类，得到所述第四层节点。
26.第二方面，本技术实施例提供了一种儿童复杂性阑尾炎预测装置，包括：样本集获取模块、筛选模块、预测模型生成模块和预测模块，其中：
27.样本集获取模块，用于获取确诊患者的临床检验结果作为样本集，所述临床检验结果包括炎症指标和阑尾超声指标；
28.筛选模块，用于对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因素；
29.预测模型生成模块，用于根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型；所述儿童复杂性阑尾炎决策树模型的根节点包括c反应蛋白，第二层子节点包括阑尾粪石，第三层子节点包括阑尾周边网膜回声增强；
30.预测模块，用于利用所述复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。
31.第三方面，本技术实施例提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述儿童复杂性阑尾炎预测方法的步骤。
32.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述儿童复杂性阑尾炎预测方法的步骤。
33.本技术实施例所提供的儿童复杂性阑尾炎预测方法、预测装置、电子设备和计算机可读存储介质，通过采用基于炎症指标联合阑尾超声指标的儿童复杂性阑尾炎决策树模型，能更为直观、形象地预测儿童复杂性阑尾炎，获得了较高的准确度和较高的临床预测效能。
34.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变
得明显，或通过本技术的实践了解到。
附图说明
35.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
36.图1为本技术一实施例提供的儿童复杂性阑尾炎预测方法示意图；
37.图2为本技术一实施例中不同炎症指标预测的roc曲线示意图；
38.图3为本技术一实施例中儿童复杂性阑尾炎决策树模型示意图；
39.图4为本技术一实施例中决策树模型与logistic模型预测ca的roc曲线示意图；
40.图5为本技术一实施例中的预测装置的示意图；
41.图6为本技术一实施例中的电子设备的示意图。
具体实施方式
42.为使本技术的技术方案和有益效果能够更加明显易懂，下面通过列举具体实施例的方式，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
43.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
44.可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本技术的范围的情况下，可以将第一电阻称为第二电阻，且类似地，可将第二电阻称为第一电阻。第一电阻和第二电阻两者都是电阻，但其不是同一电阻。当描述“第一”时，并不表示必然存在“第二”；而当讨论“第二”时，也并不表明本技术必然存在第一元件、部件、区、层或部分。在此使用时，单数形式的“一”、“一个”和“所述/该”也可能意图包括复数形式，除非上下文清楚指出另外的方式。“多个”的含义是两个以上，除非另有明确具体的限定。还应明白术语“包括”，当在该说明书中使用时，确定所述特征的存在，但不排除一个或更多其它的特征的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
45.可以理解，本技术上下文中“连接”表示被连接的一端与连接至的一端之间相互具有电信号或数据的传递，可理解为“电连接”、“通信连接”等。本技术上下文中“a与b直接连接”表示a和b之间不包括除导线以外的其他元器件。
46.本技术实施例提供一种儿童复杂性阑尾炎预测方法，包括：
47.s100，获取确诊患者的临床检验结果作为样本集，临床检验结果包括炎症指标和阑尾超声指标。收集并筛选某段时间内某医院急诊科就诊并以阑尾炎收治普外科行阑尾切除术的患者信息。共获得395例患者的信息。其中女孩155人，男孩240人，年龄范围包括28-264个月，病程范围0.08-15天。筛选条件包括：(1)行阑尾切除术且病理学检查确诊阑尾炎。(2)临床检验数据完善，检验结果包括血检结果和阑尾超声检验结果。
48.炎症指标包括白细胞计数(wbc)血常规、c反应蛋白(crp)、中性粒细胞计数(neu)、中性粒细胞/淋巴细胞计数比值(nlr)、降钙素原(pct)、中性粒细胞百分比(n(％))等。炎症指标可以通过指尖血血常规获得。阑尾超声指标包括：阑尾增粗、周边网膜回声增强、血供程度、粪石等。阑尾超声指标可以通过阑尾超声检查获得。(3)临床资料完整。临床资料包括年龄、性别、病程、症状(纳差、呕吐)、体征(体温、肌紧张)等一般资料。排除条件包括：(1)合并肺炎、尿路感染等炎症性疾病及结核、肿瘤等消耗性疾病；(2)合并免疫缺陷性疾病；(3)慢性阑尾炎或者慢性阑尾炎急性发作患儿。
49.s200，对临床检验结果进行筛选获得儿童复杂性阑尾炎的独立预测因素。依次通过单因素分析和多因素分析对临床检验结果中的指标进行分析和筛选，获得儿童复杂性阑尾炎的独立预测因素。独立预测因素为有独立预测能力的变量。
50.s210，采用单因素分析方法对临床检验结果进行筛选，获得预测因素。首先将临床检验结果根据病理学检查结果将样本集分为复杂性阑尾炎组(ca组)和非复杂性阑尾炎组。而后采用统计学检验方法对这两组临床检验结果进行检验，得到检验结果。对两组检验结果进行比较，筛选出有统计学差异的指标。
51.s211，根据病理学检查结果将样本集分为复杂性阑尾炎组(ca组)和非复杂性阑尾炎组。术后病理结果为阑尾肌层广泛组织坏死或穿孔，提示坏疽性及穿孔性阑尾炎定义为复杂性阑尾炎组，病理结果证实为阑尾炎，无坏死、穿孔，纳入非复杂性阑尾炎组。
52.对两组患者信息进行比较验证。比较包括一般资料比较。比较结果参见表1。
53.表1两组患儿一般资料比较
[0054][0055]
从表1可知，两组患儿性别差异无统计学意义，p值》0.05。在年龄、病程、纳差、呕吐、肌紧张的差异有统计学意义，p值《0.05。ca组年龄更小，病程更长，纳差发生率更高，肌紧张更常见。p值是在假定原假设为真时，得到与样本相同或者更极端的结果的概率。
[0056]
s212，采用统计学检验方法对炎症指标和阑尾超声指标进行检验，获得检验结果。单因素分析正态计量资料采用t检验，非正态计量资料采用mann-whitney u秩和检验，计数资料采用χ2检验或fisher精确检验进行比较，组内数据采取卡方拟合优度检验。
[0057]
s213，比较所述复杂性阑尾炎组和所述非复杂性阑尾炎组的检验结果，获得有统计学差异的指标。结果见表2。
[0058]
表2两组间炎症指标和超声的单因素分析
[0059][0060]
从表2可知，ca组的wbc、n(％)、nlr、crp、pct明显大于非复杂阑尾炎组(p《0.05)，阑尾周边网膜回声及粪石发现率更高(p《0.05)。两组患儿在阑尾超声指标血供丰富度和阑尾增粗的差异无统计学意义(p》0.05)。
[0061]
s214，绘制所述有统计学差异的指标的受试者工作特征曲线，根据受试者工作特征曲线获得预测因素。利用受试者工作特征曲线(roc)分别绘制wbc、nlr、crp、pct的roc曲线，参见图2。根据roc曲线计算下面积值(area under roc curve，auc)、cutoff、特异度、敏感度，参见表3。表3中敏感度是指某指标能将实际有病的人正确地判定为患者的比例。特异度是指某指标能将实际无病的人正确地判定为非患者的比例。cutoff值又称阳性判断值，是一种临界值，如果超过临界值考虑出现了疾病。约登指数用于评价筛查试验真实性，指数越大说明筛查实验的效果越好，真实性越大。auc的值用来评价诊断效果，其在1.0和0.5之间。当auc＞0.5时，auc越接近于1，说明诊断效果越好：auc在0.5～0.7时，准确性较低；在0.7～0.9时，有一定准确性；auc在0.9以上时，准确性较高。auc＝0.5时，说明诊断方法完全不起作用，无诊断价值。auc＜0.5不符合真实情况，在实际中极少出现。
[0062]
表3不同炎症指标的roc曲线计算结果
[0063][0064]
从表3和图1可知，nlr单独预测ca敏感度较高，但特异度较低；pct特异度较高，但敏感度稍低，单独应用预测效能仍欠佳。选择pct、wbc、nlr、crp、粪石和阑尾周边网膜回声增强指标作为预测因素。
[0065]
s220，对预测因素采用多因素分析进行筛选，获得独立预测因素。
[0066]
s221，对上述预测因素进行共线性分析，以确定预测因素中各个指标是否存在多重共线性。共线性分析方法包括相关系数检验或方差膨胀因子检验。经共线性分析，预测因素pct、wbc、nlr、crp、粪石、阑尾周边网膜回声增强指标无多重共线性。
[0067]
s222，对共线性分析所确定的预测因素进行二元logistics回归分析，获得独立危险因素。对共线性分析后的预测因素pct、wbc、nlr、crp、粪石、阑尾周边网膜回声增强指标做多因素分析，获得独立预测因素。多因素分析包括logistics回归分析。在logistics回归分析中，采用阑尾炎类型为因变量，非复杂性阑尾炎赋值为0，复杂性阑尾炎赋值为1。本申
请实施例中因变量为二分变量，因此又称为二元logistics回归分析。结果见表4。
[0068]
表4各指标对急性阑尾炎类型影响的多因素logistic回归
[0069][0070]
其中，b值为指回归系数，se为标准误，wald值为wald检验值，ci值为置信区间。or为优势比(odds ratio)，或称比值比，反映的是某指标与因变量的关联强度。结果显示，阑尾周边网膜回声、阑尾粪石、nlr、crp、pct为儿童复杂性阑尾炎的备选独立预测因素。or分别2.590、2.037、1.070、1.019、1.499，p值《0.05。
[0071]
采用备选独立预测因素建立二元logistic回归模型，生成预测概率，参见表5。二元logistic回归模型为：
[0072]
logit(p)＝-2.98+0.952*周边网膜回声+0.711*粪石
[0073]
+0.068*nlr+0.019*crp+0.405*pct。
[0074]
其中，周边网膜回声无增强赋值为0，有增强赋值为1；有粪石赋值为1，无粪石赋值为0。
[0075]
采用向后选择法筛选独立预测因素。最终确定阑尾周边网膜回声、阑尾粪石、nlr、crp为独立预测因素。pct的交互性较差，予以排除。
[0076]
采用hosmer-lemeshow方程验证二元logistic回归模型拟合度。p＝0.291，提示预测模型拟合度好。
[0077]
s300，根据独立预测因素建立儿童复杂性阑尾炎的决策树模型。可选的，利用卡方自动交互检测生长法建立儿童复杂性阑尾炎决策树模型。生成模型的预测值及预测概率。
[0078]
参见图3，儿童复杂性阑尾炎的决策树预测模型模型共4层10个节点。决策树的根结点包括c反应蛋白，第二层子节点包括阑尾粪石，第三层子节点包括阑尾周边网膜回声增强。根据所述c反应蛋白的数值范围得到三个第二层节点。crp≤27mg/l为节点1。27mg/l《crp≤45mg/l为节点2。crp》45mg/l为节点3。当通过根节点crp进行分类后，对节点1和节点3采用阑尾粪石进行进一步分类。节点1无阑尾粪石的为节点4。节点1有阑尾粪石的为节点5。节点3无阑尾粪石的为节点6。节点3有阑尾粪石的为节点7。对节点6采用周边网膜回声增强进行进一步分类。无周边网膜回声增强的为节点8。有周边网膜回声增强的为节点9。节点1、节点3和节点6为子节点。节点2、节点4、节点5、节点7、节点8、节点9为叶节点。
[0079]
节点1预测复杂性阑尾炎的概率为24.6％，预测非复杂性阑尾炎的概率为75.4％。节点4预测非复杂性阑尾炎的预测概率为82％。节点3预测复杂性阑尾炎的概率为75％。节点7预测复杂性阑尾炎的预测概率为88.9％。节点8预测复杂性阑尾炎的预测概率为66.1％。节点9预测复杂性阑尾炎的概率为80.6％。在本实施例的模型的训练样本提示当炎症指标crp在》45mg/l时，此时若超声提示存在阑尾粪石或阑尾周边网膜回声增强，可以很好的预测ca的发生，体现出crp与超声检查之间较好的交互性。
[0080]
可选的，模型构建方法如下：应用软件spss 25.0中的决策树模型，以是否患儿童复杂性阑尾炎为因变量，否＝0，是＝1，采用独立预测因素nlr、crp、阑尾粪石和阑尾周围回声增强为协变量，取默认值构建模型。将样本集以预定比例随机划分为训练样本和检验样本。训练样本用于训练决策树模型。检验样本用于检验决策树模型的预测结果。可选的，预定比例为70:30～80:20。采用chaid生长法，对所有的变量进行筛查，构建决策树，参见图3。训练样本结果显示结合crp及阑尾粪石，ca预测率最高可达88.9％，非复杂性阑尾炎预测率82.0％。
[0081]
s310，采用受试者工作特征曲线对ca决策树预测模型进行验证。用受试者工作特征曲线比较决策树模型与二元回归模型。两者预测概率的roc曲线下面积(area under roc curve,auc)值、敏感性、特异性及95％置信区间，对ca决策树预测模型进行验证。结果参见表5和图4。
[0082]
表5roc验证决策树模型与logistic模型预测ca的结果
[0083][0084]
决策树模型与二元回归模型的auc值分别0.809、0.823。决策树模型有79％的整体准确度。logistic回归模型有74.9％的整体准确度。
[0085]
logistic模型的敏感度高，决策树模型的特异度及准确性均比logistic模型要高，提示炎症指标nlr、crp联合阑尾超声指标阑尾粪石和阑尾周边网膜回声增强对ca预测均有较好的应用价值，且准确度较高，临床预测效能较高。通过决策树模型图可以的发现在crp、阑尾粪石和阑尾周边网膜回声增强，有很强的的交互性，可以很直观的提示临床医生预测ca的发生。
[0086]
采用基于实验室炎症指标联合阑尾超声指标的决策树模型能更为直观、形象地预测ca的发生，相比logistic回归模型，决策树模型不仅体现不同变量之间较好的交互性，还能直观比较各种因素对ca发生的影响强度。应用这些对ca影响最大的因素组合，类似流程图的界面可以更加方便协助临床医生及时预测ca的发生，改善ca患者的临床结局。
[0087]
采用基于阑尾超声联合炎症指标所构建的预测模型能够为儿科急诊医生诊断儿童ca提供很好的依据。其中决策树模型可以有较好的反应各指标的交互性，模型简便，直观有效。
[0088]
s400，利用复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。获取目标对象的炎症指标crp、nlr、超声指标阑尾粪石和超声指标周边网膜回声增强。将这些指标输入复杂性阑尾炎决策树模型，得到预测结果。
[0089]
在一个实施例中，如图5所示，提供了一种儿童复杂性阑尾炎预测装置，包括：样本集获取模块501、筛选模块502、预测模型生成模块503和预测模块504，其中：
[0090]
样本集获取模块501，用于获取确诊患者的临床检验结果作为样本集，所述临床检验结果包括炎症指标和阑尾超声指标。
[0091]
筛选模块502，用于对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立
预测因素。
[0092]
预测模型生成模块503，用于根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型。所述儿童复杂性阑尾炎决策树模型的根节点包括c反应蛋白，第二层子节点包括阑尾粪石，第三层子节点包括阑尾周边网膜回声增强。
[0093]
预测模块504，用于利用所述复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。
[0094]
关于儿童复杂性阑尾炎预测装置的具体限定可以参见上文中对于儿童复杂性阑尾炎预测方法的限定，在此不再赘述。上述儿童复杂性阑尾炎预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0095]
在一个实施例中，提供了一种电子设备600，包括处理器601和存储器602，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述儿童复杂性阑尾炎预测方法的步骤。
[0096]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述儿童复杂性阑尾炎预测方法的步骤。
[0097]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static randomaccess memory，sram)或动态随机存取存储器(dynamic randomaccess memory，dram)等。
[0098]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0099]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种儿童复杂性阑尾炎预测方法，包括：获取确诊患者的临床检验结果作为样本集，所述临床检验结果包括炎症指标和阑尾超声指标；对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因素；根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型；所述儿童复杂性阑尾炎决策树模型的根节点包括c反应蛋白，所述儿童复杂性阑尾炎决策树模型的第二层子节点包括阑尾粪石，所述儿童复杂性阑尾炎决策树模型的第三层子节点包括阑尾周边网膜回声增强；利用所述复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。2.根据权利要求1所述的儿童复杂性阑尾炎预测方法，所述对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因素包括：采用单因素分析方法对所述临床检验结果进行筛选，获得预测因素；采用多因素分析方法对所述预测因素进行筛选，获得独立预测因素。3.根据权利要求2所述的儿童复杂性阑尾炎预测方法，所述采用单因素分析方法对所述临床检验结果进行筛选，获得预测因素包括：根据病理学检查结果将样本集分为复杂性阑尾炎组和非复杂性阑尾炎组；采用统计学检验方法对所述炎症指标和阑尾超声指标进行检验，获得检验结果；比较所述复杂性阑尾炎组和所述非复杂性阑尾炎组的检验结果，获得有统计学差异的指标；绘制所述有统计学差异的指标的受试者工作特征曲线，根据所述受试者工作特征曲线获得预测因素。4.根据权利要求2所述的儿童复杂性阑尾炎预测方法，所述采用多因素分析方法对所述预测因素进行筛选，获得独立预测因素包括：对所述预测因素进行共线性分析，以确定预测因素中各个指标是否存在多重共线性；对共线性分析所确定的预测因素进行二元logistics回归分析，获得独立危险因素。5.根据权利要求1所述的儿童复杂性阑尾炎预测方法，所述儿童复杂性阑尾炎决策树模型的第二层节点包括3个节点，c反应蛋白≤27mg/l为节点1，27mg/l<crp≤45mg/l为节点2，crp>45mg/l为节点3。6.根据权利要求5所述的儿童复杂性阑尾炎预测方法，所述儿童复杂性阑尾炎决策树模型的第三层节点包括4个节点，对节点1和节点3分别采用阑尾粪石进行进一步分类，得到第三层节点；节点3无阑尾粪石的为节点6。7.根据权利要求6所述的儿童复杂性阑尾炎预测方法，所述儿童复杂性阑尾炎决策树模型的第四层节点包括2个节点，对节点6采用周边网膜回声增强进行进一步分类，得到所述第四层节点。8.一种儿童复杂性阑尾炎预测装置，包括：样本集获取模块、筛选模块、预测模型生成模块和预测模块，其中：样本集获取模块，用于获取确诊患者的临床检验结果作为样本集，所述临床检验结果包括炎症指标和阑尾超声指标；筛选模块，用于对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因
素；预测模型生成模块，用于根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型；所述儿童复杂性阑尾炎决策树模型的根节点包括c反应蛋白，第二层子节点包括阑尾粪石，第三层子节点包括阑尾周边网膜回声增强；预测模块，用于利用所述复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。9.一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现权利要求1-8任意一项的儿童复杂性阑尾炎预测方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现权利要求1-8任意一项的儿童复杂性阑尾炎预测方法的步骤。

技术总结
本申请实施例提供一种儿童复杂性阑尾炎预测方法，包括：获取确诊患者的临床检验结果作为样本集，所述临床检验结果包括炎症指标和阑尾超声指标；对所述临床检验结果进行筛选，获得儿童复杂性阑尾炎的独立预测因素；根据所述独立预测因素建立儿童复杂性阑尾炎决策树模型；所述儿童复杂性阑尾炎决策树模型的根节点包括C反应蛋白，所述儿童复杂性阑尾炎决策树模型的第二层子节点包括阑尾粪石，所述儿童复杂性阑尾炎决策树模型的第三层子节点包括阑尾周边网膜回声增强；利用所述复杂性阑尾炎决策树模型对目标对象是否患复杂性阑尾炎进行预测。采用基于实验室炎症指标联合阑尾超声指标的决策树模型获得了较高的准确度和较高的临床预测效能。的临床预测效能。的临床预测效能。


技术研发人员：李廷俊 唐慧雯 段玮 黄家虎 许云峰 王天明 王扎根 胡慧勇
受保护的技术使用者：李廷俊
技术研发日：2023.05.29
技术公布日：2023/9/14