【技術實現步驟摘要】
本申請涉及一種兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法及相關系統和設備，屬于腎盂成形術后尿路感染風險評估。
技術介紹
1、腎盂輸尿管連接處梗阻(upjo)是指腎臟和輸尿管連接處發生梗阻，導致從腎盂到輸尿管的尿流減少，upjo是兒童病理性腎積水最常見的原因，發病率約為1:1500，大約20％至50％的upjo兒童最終需要手術干預。如果不及時治療，可能會導致腎積水、慢性感染或尿石癥，并且常常會導致進行性腎功能不全。盡管upjo手術成功率高但并發癥也不少，upjo手術治療的主要并發癥有尿路感染(uti)、尿液外滲和漏出、腎盂腎炎、出血和復發性upjo。
2、多項研究表明uti增加了upjo患兒腎盂成形術后吻合口再狹窄的風險，被認為是術后吻合口再狹窄的重要因素之一，且uti的發病率仍然很高。uti主要由大腸桿菌引起，是兒童最常見的感染類型之一。此前已有研究描述了兒童uti的危險因素，包括男性、體重、bun水平、3個月內uti復發、長期留置導尿管、雙j管留置、雙側雙j管留置等。然而目前針對單側腎盂成形術后uti的預測模型開發非常有限，特別是在大樣本隊列研究中，目前還沒有針對腎盂成形術后uti的人工智能模型。
3、在過去的十年里，人工智能的發展速率呈指數級增長。機器學習處理器能力和可用數據量的增加為深度學習和人工智能工具的發展提供了基礎。醫療保健行業收集了大量的數據，如醫療記錄和患者的檢查結果。隨著人工智能的最新進展，這些技術現在正越來越多地用于臨床決策。隨著高效率集成學習模型的發展，機器學習(ml，mac
4、如應用ml算法可分析膀胱癌的預測和診斷評估，及腎癌和睪丸癌的分期和復發預測。在腎臟疾病方面，ml也顯示了較好的預測應用效果。雖然目前人工智能技術在泌尿外科領域的領域已逐漸增多，但其功能性泌尿學領域應用的報道仍然很少。2024年lancet雜志發表的一篇關于機器學習在醫療保健領域應用的綜述性文章表明，醫護人員和患者認為ml風險預測模型可以在醫療保健領域中增加益處。但不可否認的是，以ml為代表的人工智能技術的研究及應用，可能會改變泌尿外科的臨床實踐，改善患者的整體結果。
5、tabnet是一個帶有編碼器的深度學習(dl，deep?learning)端到端體系結構。其建立了連續多步驟體系結構，這有助于選擇相關特征的決策。近年來tabnet也越來越多地應用于臨床預測中，如zhang等人應用tabnet預測腎移植術后他克莫司的劑量、yu等開發了雷帕替尼對乳腺癌患者的預測模型、cahan等的研究建立了肺栓塞患者30天內的全因死亡模型、asadi-pooya等應用tabnet區分不同類型的癲癇、chen等開發了乳腺癌的x線診斷模型等，但我們檢索tabnet的醫療應用文獻，仍明顯少于傳統機器學習模型的報道，這可能與醫療數據結構多數以單中心的小樣本數據集構成有關，而深度學習模型需要大數據樣本進行訓練和參數調優。
6、雖然ml和dl在醫學建模的開發與應用中各有優劣，而針對兒童腎積水術后的uti目前還沒有人工智能模型的提出，這可能會導致我們無法對腎積水術后患者進行早期預測預警，是uti的發生不能得到及時有效的治療，增加了其帶來遠期功能性影響的風險。
7、兒童腎盂輸尿管交界處狹窄是一種常見的疾病，腹腔鏡或開放式離斷腎盂成形術是治療此疾病的標準手術方式，根據本中心經驗，既往10年內700余例接受單側腎盂成形手術的兒童術后半年內感染率超過30％，這對兒童的術后康復、生活質量和家庭經濟負擔造成了極大負面影響。目前的預測術后感染的方法嚴重依賴于經驗判斷和有限的臨床參數，缺乏多因素臨床預后預測模型。因此建立一個準確的兒童腎盂成形術后尿路感染預測模型至關重要。
技術實現思路
1、為了解決上述問題，提供了一種兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法及相關系統和設備，該聚合模型能夠有效整合lightgbm在處理少量關鍵特征時的決策樹優勢和tabnet在處理復雜特征交互時的神經網絡優勢，顯著提高模型預測性能，在兒童腎盂成形術后尿路感染風險診斷中具有重要的應用價值。
2、根據本申請的一個方面，提供了一種兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，所述方法包括以下步驟：
3、s1、從歷史病例中篩選因單側腎積水接受腎盂成形手術的病例，并將病例分為訓練集和驗證集；
4、s2、將訓練樣本輸入tabnet深度學習網絡，并以回歸模式訓練模型，獲得訓練好的tabnet模型；將訓練樣本輸入lightgbm機器學習網絡進行模型訓練，獲得訓練好的lightgbm模型；
5、s3、將訓練樣本輸入meta?learner深度學習網絡，并以回歸模式訓練模型，獲得訓練好的meta?learner模型，所述meta?learner深度學習網絡模型以訓練好的tabnet模型和lightgbm模型為基模型，并以logistic回歸作為元模型進行元模型訓練；
6、s4、將驗證集輸入訓練好的meta?learner模型，通過交叉驗證來評估鑒別和校準，其中評估鑒別包括準確率、精準率和召回率，從而獲得所述兒童腎盂成形術后尿路感染風險診斷聚合模型。
7、需要說明的是，步驟s2中tabnet深度學習網絡和lightgbm機器學習網絡的訓練可以同步進行，也可以先后進行，這是因為兩者的訓練并沒有依賴關系，而步驟s3中的metalearner深度學習網絡的訓練需要在tabnet深度學習網絡和lightgbm機器學習網絡均訓練完成后進行，這是因為meta?learner深度學習網絡模型以訓練好的tabnet模型和lightgbm模型為基模型。
8、可選的，所述病例中包括以下臨床特征信息：1)手術時間；2)手術后引流方式：腎盂造瘺或d-j管；3)年齡；4)體重；5)身高；6)bmi；7)總蛋白tp；8)白蛋白alb；9)球蛋白glb；10)血尿酸ua；11)血肌酐cr；12)血尿素氮bun；13)腎小球濾過率egfr；14)中性粒細胞比率n％；15)淋巴細胞比率l％；16)腎盂前后徑apd；17)腎實質厚度。
9、需要說明的是，根據本申請方案中針對聚合模型中臨床特工重要性分析shap結果可知，性別、手術方式、手術次數、泌尿系感染史、腎盂造瘺史、腹痛史、引起腎盂輸尿管交界部狹窄的病因、腎積水側別在本申請方案的兒童腎盂成形術后尿路感染風險聚合預測模型中基本未體現出重要性，因此可對臨床特征進行簡化，采用上述的17個臨床特征指標即可。然而需要說明的是，本領域技術人員也可以額外增加其他臨床特征指標。
10、此外需要指出，病例中的臨床特征信息用于tabnet深度學習網絡、lightgbm機器學習網絡和meta?learner深度學習網絡的訓練，并且也能夠用于將待預測病例的臨床特征信息輸入訓練好的meta?learn本文檔來自技高網...
【技術保護點】
1.一種兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述病例中包括以下臨床特征信息：1)手術時間；2)手術后引流方式：腎盂造瘺或D-J管；3)年齡；4)體重；5)身高；6)BMI；7)總蛋白Tp；8)白蛋白Alb；9)球蛋白Glb；10)血尿酸Ua；11)血肌酐Cr；12)血尿素氮Bun；13)腎小球濾過率eGFR；14)中性粒細胞比率N％；15)淋巴細胞比率L％；16)腎盂前后徑APD；17)腎實質厚度。
3.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述步驟S2中TabNet深度學習網絡中：數據流經批量規范化BN層后進入特征轉換器，所述特征轉換器包含n個門控線性單元GLU塊，每個所述GLU塊由完全連接FC層、BN層和GLU激活模塊組成；
4.根據權利要求3所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述特征轉換器處理批量規范化的特征后，再通過分
5.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述步驟S1中歷史病例中篩選需同時滿足：1)單側腎積水接受腎盂成形手術；2)符合對腎盂輸尿管交界處狹窄的診斷；3)臨床特征數據完整；
6.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述兒童腎盂成形術后尿路感染風險診斷聚合模型能夠輸出待預測病例在術后6個月內是否發生臨床泌尿道感染的預測結果。
7.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述步驟S4中，通過5折交叉驗證來評估鑒別和校準，其中：
8.一種基于聚合模型的兒童腎盂成形術后尿路感染風險診斷系統，其特征在于，其基于權利要求1～7任一項所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法獲得，所述系統包括：
9.一種電子設備，其特征在于，包括，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時，以實現如權利要求1～7任一項所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法的步驟。
10.一種可讀存儲介質，其特征在于，所述可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行如權利要求1～7任一項所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法的步驟。
...【技術特征摘要】
1.一種兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述病例中包括以下臨床特征信息：1)手術時間；2)手術后引流方式：腎盂造瘺或d-j管；3)年齡；4)體重；5)身高；6)bmi；7)總蛋白tp；8)白蛋白alb；9)球蛋白glb；10)血尿酸ua；11)血肌酐cr；12)血尿素氮bun；13)腎小球濾過率egfr；14)中性粒細胞比率n％；15)淋巴細胞比率l％；16)腎盂前后徑apd；17)腎實質厚度。
3.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述步驟s2中tabnet深度學習網絡中：數據流經批量規范化bn層后進入特征轉換器，所述特征轉換器包含n個門控線性單元glu塊，每個所述glu塊由完全連接fc層、bn層和glu激活模塊組成；
4.根據權利要求3所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述特征轉換器處理批量規范化的特征后，再通過分割層在步驟i輸出到注意力轉換器；
5.根據權利要求1所述的兒童腎盂成形術后尿路感染風險聚合預測模型的構建方法，其特征在于，所述...
【專利技術屬性】
技術研發人員：王弘揚，
申請(專利權)人：首都兒科研究所附屬兒童醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。