子宫内膜癌术后下肢深静脉血栓的Logistic回归模型预测方法

子宫内膜癌术后下肢深静脉血栓的logistic回归模型预测方法
技术领域
1.本发明涉及医学数据处理技术领域，尤其涉及一种基于机器学习模型构建的下肢深静脉血栓预测方法。


背景技术：

2.静脉血栓栓塞症(venous thromboembolism，vte)包括深静脉血栓和肺栓塞，是妇科手术最常见并发症之一，其中下肢深静脉血栓(lower extremity deep venous thrombosis，ledvt)为最常见的深静脉血栓，是子宫内膜癌术后常见的并发症。ledvt增加了患者的诊治费用及住院时间，降低了生活质量和预后结局，加大了肺栓塞导致猝死的风险。针对妇科恶性肿瘤围术期评估信息采取的干预措施有助于降低术后静脉血栓的发生，具有重要的临床意义。
3.由于ledvt的发病较为隐匿，症状、体征不典型且易与其他疾病混淆，导致该病的症状学诊断不可靠。影像学检查相比于症状学诊断更为客观，因此，ledvt主要依赖影像学检查来确诊。当前用于ledvt检查的影像学检查手段有多种，包括超声、计算机断层扫描技术、磁共振成像、数字减影技术等。而下肢静脉彩超检查是仅次于静脉造影检查的诊断方法，具有无创性、操作快捷简单、无检查后并发症等优点，是诊断下肢深静脉血栓的有效检查方法。
4.一旦明确ledvt，需尽快采取药物或手术治疗，以降低其诱发肺栓塞而导致患者猝死的风险。抗凝治疗是目前治疗ledvt的主要方法。
5.目前尚无子宫内膜癌等妇科恶性肿瘤术后静脉血栓的专用评估工具，可借鉴的评估工具包括caprini、autar、padua、wells等评估量表。上述评估量表在子宫内膜癌全面分期术后的应用有限，未充分纳入子宫内膜癌手术治疗诱发ledvt的高危因素，可能导致其手术治疗后部分ledvt病例漏诊、误诊或过度治疗。
6.机器学习(machine learning，ml)具有深度计算及挖掘大数据的能力，其智能程度及预测能力优于已有的静脉血栓评估量表，已在多学科领域应用推广。不同于已有的血栓评估工具，ml能够充分发掘数据间的规律，进而利用这些规律对未知数据进行客观的预测，从而实现较稳定和较有效率的诊断。
7.logistic回归在生物医学方面的应用十分广泛，主要用于筛选医学研究中危险因素并判别其预测能力。
8.因此，现有血栓评估工具仍有待于改进和发展。


技术实现要素：

9.鉴于上述现有技术的不足，本发明的目的在于提供一种基于机器学习风险预测模型预测下肢深静脉血栓的方法，旨在为提高预测子宫内膜癌全面分期术后并发ledvt的风险提供理论依据，以及研发相关的风险评估工具奠定基础。
10.本发明的技术方案如下：
11.基于机器学习风险预测模型预测下肢深静脉血栓，其中，包括步骤：
12.获取子宫内膜癌患者的临床资料；
13.采用单因素及多因素分析进行特征筛选；
14.基于机器学习的logistic回归风险预测模型；
15.根据筛选后的特征进行预测，得到下肢深静脉血栓溶栓疗效预测结果，输出所述结果。
附图说明
16.图1为本发明实施例提供的基于机器学习风险预测模型预测下肢深静脉血栓的方法的流程示意图。
17.图2为本发明实施例中logistic回归模型预测流程示意图。
18.图3为本发明实施例中构建下肢深静脉血栓二分类预测模型的流程示意图。
具体实施方式
19.本发明提供一种基于语义分割模型的下肢深静脉血栓溶栓疗效预测方法及系统、存储介质与终端，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
20.请参阅图1，图1为本发明实施例提供基于机器学习风险预测模型预测下肢深静脉血栓的方法的流程示意图，如图1所示，其包括步骤：
21.s1、获取获取子宫内膜癌患者的临床资料；
22.s2、单因素、多因素分析进行特征筛选；
23.s3、基于筛选出的特征，得到logistic回归风险预测模型；
24.s4、进行子宫内膜癌术后并发下肢深静脉血栓的预测，输出所述结果。
25.机器学习的强大算法可以对数据进行表征、适应、学习、预测和分析，能够增强医学专业人员对静脉血栓栓塞的理解，并以极高的精度进行预测，因此机器学习在静脉血栓栓塞研究领域的应用越来越多。
26.本实施例方法具有以下优点：(1)为早期发现子宫内膜癌术后并发ledvt预测提供预测手段；(2)减轻医生预测ledvt的工作负担，提升其对ledvt早期诊断的效能。
27.步骤s1中，获取获取子宫内膜癌患者的临床资料，具体包括：
28.收集可能诱发子宫内膜癌术后ledvt的观察指标，例如年龄、术前体重指数、高血压史、糖尿病史、肿瘤最大直径、是否发生淋巴结转移、是否发生脉管转移、组织学分级、手术病理分期、手术时间、术中失血量、术中输血量、术中输液量、手术途径、白细胞总数、红细胞总数、红细胞压积、血小板总数、活化部分凝血活酶时间、凝血酶时间、纤维蛋白原水平、术后连续卧床时间、术中及术后是否使用止血药、术后是否使用抗凝药、术后是否按摩双下肢、术中及术后是否留置中心静脉导管等。
29.步骤s2中，通过spss单因素分析及多因素分析筛选可能诱发子宫内膜癌术后ledvt的危险因素。
30.步骤s3中，筛选后的危险因素在训练集中按照一下步骤完成建模：(1)读取病例数据；(2)划分特征变量和目标变量；(3)logistic回归的构建及使用，包括：
①
划分训练集与测试集；
②
搭建分析预测模型；
③
进行预测；
④
风险预测模型的测试与评估。
31.步骤s3中，筛选后的危险因素作为特征变量，将子宫内膜癌术后是否发ledvt作为目标变量。
32.获取目标变量，使用aixplorer型彩色多普勒超声检查仪对双下肢进行检查，将探头频率设定为5～10mhz。若下肢静脉腔内未探查到血流信号，则将探头直接压迫在扩张的静脉部位，探查是否出现压缩，如不能压缩或者仅部分压缩，提示该侧下肢存在血栓。
33.步骤s3中，所述训练集用来估计模型中的参数，使模型能够反映现实，进而预测未来或其他未知的信息，而测试集用来评估模型的预测性能。
34.逻辑回归(logistic regression，lr)是参数化的逻辑分布，由条件概率分布p(y|x)表示。其中，随机变量x取值为全体实数，随机变量取值为0或1。具体服从如下分布：
[0035][0036][0037]
其中，x∈rn是输入，y∈{0，1}是输出，w∈rn和b∈r分别是权重向量和偏置向量，w
·
x为w和x的内积。对于给定的输入样本x，按照上述公式即可求得p(y＝1|x)和p(y＝0|x)，最终将输入样本x分到两者之中概率值p最大的那一类。在逻辑回归模型训练的过程中，往往采用极大似然估计法将分类问题转换为以对数似然函数为目标函数的最优化问题，并使用拟牛顿法和梯度下降法来估计模型参数。但是，采用sigmoid函数进行非线性映射，将特征线性回归的结果归一化到0到1之间，在小样本上容易过拟合，导致模型分类性能下降。
[0038]
步骤s4中，进行子宫内膜癌术后并发下肢深静脉血栓的预测，当输入新样本时，logistic回归会得出概率值最大的结果，输出所述结果。
[0039]
综上所述，本发明提供的一种logistic回归模型的下肢深静脉血栓预测方法。能够较好预测子宫内膜内膜癌术后是否并发ledvt，在临床上具有较高的研究价值和应用价值。本发明方法具有以下优点：(1)为子宫内膜癌术后早期预测ledvt提供一种快捷的预测手段；(2)提升医生早期预测ledvt风险的诊断效率。
[0040]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护。

技术特征：
1.基于机器学习的logistic回归模型预测子宫内膜癌全面分期术后并发下肢深静脉血栓的方法，其特征在于，包括：获取模块，用于获取子宫内膜癌手术患者血栓相关的临床数据；提取及筛选模块，单因素分析及多因素分析进行特征筛选；模型构建模块，基于机器学习logistic回归模型的构建；预测及输出模块，用于根据筛选后的特征进行预测，通过构建的logistic回归模型得到是否发生下肢深静脉血栓的预测结果，输出所述结果；所述提取及筛选模块具体包括：单因素分析及多因素分析；所述模型构建模块中，所述模型按照8:2的比例划分为训练集与测试集；训练集用于构建风险预测模型，测试集用于评估模型。

技术总结
本发明公开子宫内膜癌全面分期术后并发下肢深静脉血栓的Logistic回归模型预测方法。方法包括步骤：获取子宫内膜癌患者术后并发下肢深静脉血栓患者的临床资料；采用单因素及多因素分析进行特征筛选；根据筛选后的特征采用机器学习中的Logistic回归模型预测子宫内膜腺癌术后是否并发下肢深静脉血栓，输出所述结果。本发明基于机器学习方法，建立模型与发生血栓之间的关系模型，来对病患发生血栓的风险进行有效预测，减轻了医生负担，提高了诊断效率。率。率。


技术研发人员：向小容 王东红 夏芊 周其印 刘俊 陈雨 戴诚 李家秀 张敬华 孟泽雨
受保护的技术使用者：遵义医科大学
技术研发日：2023.04.12
技术公布日：2023/7/7