(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211118219.2 (22)申请日 2022.09.14 (71)申请人 复旦大学附属儿科医院 地址 201102 上海市闵行区万源路39 9号 (72)发明人 汤梁峰　张晓波　何雯　曹云　 冯瑞　周建国　张澜　孙司琦　 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G16H 50/30(2018.01) G16H 50/70(2018.01) (54)发明名称 基于机器学习的预测早产儿支气管肺发育 不良风险的方法 (57)摘要 本发明公开了基于机器学习的预测早产儿 支气管肺发育不良风险的方法， 包括步骤一： 选 择相关历史病历及数据， 通过数据集成、 结构化、 预处理等进行数据处理； 步骤二： 在医学逻辑监 督下提取医学变量； 步骤三： 通过机器学习的方 法训练出效果最佳的多因素预测模型； 步骤四： 独立验证集中验证、 检定模型的性能及阈值； 步 骤五： 与临床辅助决策系统结合， 在相应的应用 场景中使用模型， 传递给用户。 本发明利用医院 电子病历信息库， 结合机器学习的方法， 建立BPD 风险预测模型， 在院内数据部署软件后， 对来院 住院的患儿进行实时运算， 对早产儿人群中BPD 患儿进行提示， 供医生进一步进行评估及早期干 预， 延缓病情进 展， 改善患者预后。 权利要求书1页 说明书4页 附图2页 CN 115470989 A 2022.12.13 CN 115470989 A 1.基于机器学习的预测早产儿支气管肺发育不良风险的方法， 其特征在于： 包括如下 步骤： 步骤一： 选择相关历史病历及数据， 通过 数据集成、 结构化、 预处 理等进行 数据处理； 步骤二： 在医学逻辑 监督下提取医学变量； 步骤三： 通过机器学习的方法训练出效果 最佳的多因素 预测模型； 步骤四： 独立验证集中验证、 检定模型的性能及阈值； 步骤五： 与临床辅助决策系统结合， 在相应的应用场景中使用模型， 传递给用户。 2.根据权利要求1所述的基于机器学习的预测早产儿支气管肺发育不良风险的方法， 其特征在于， 所述步骤二： 在医学逻辑监督下提取医学变量， 具体包括诊断、 病史、 检验、 检 查、 主诉、 体征、 医嘱， 并通过在相应合适的时间窗内进行统计学适当地聚合、 衍生， 最终形 成具有一定代 表力的变量。 3.根据权利要求2所述的基于机器学习的预测早产儿支气管肺发育不良风险的方法， 其特征在于， 所述提取医学变量是通过机器学习训练系统， 自动 从数千个刻画患者信息的 特征池中， 自动筛 选预预测效果 最佳， 且表现稳定的优质特 征， 得到各种医学变量。 4.根据权利要求1所述的基于机器学习的预测早产儿支气管肺发育不良风险的方法， 其特征在于， 所述步骤三： 通过机器学习的方法训练出效果最佳的多因素预测模 型中， 参与 实验的算法包括但不限于xgboost、 scorecard、 neural  network、 svm、 logistic   regression、 decisi on tree、 random  forest算法。 5.根据权利要求1所述的基于机器学习的预测早产儿支气管肺发育不良风险的方法， 其特征在于， 所述步骤四中对于每个模型， BPD  和非 BPD 数据被随机分为训练集和测试 集， 基于从训练集中开发的机器学习模型， 建立了公式来使用选定的变量计算每个患者的 分数， 然后， 使用接收器操作曲线 （ROC） 在测试数据集中判断每个模型的性能， 以总结模型 在所有可能阈值上的性能， 并比较  ROC 下的面积。权　利　要　求　书 1/1 页 2 CN 115470989 A 2基于机器学习的预测早产儿支气管肺发育不良风险的方 法 技术领域 [0001]本发明涉及数据模型构建方法技术领域， 具体是基于机器学习的预测早产儿支气 管肺发育不良风险的方法。 [0002] 背景技术 [0003]支气管肺发育不良(BPD)是早产儿常见的慢性肺部疾病， 近年来随着新生儿重症 监护技术迅速发展， 越来越多的早产儿和极低出生体重儿得以存活， BPD  成为引起早产儿 疾病和死亡的重要原因。 支气管肺发育不良  (BPD) 是与极早产相关的最常见并发症， 患病 率为 11%–50%。 在小于  34 周妊娠的早产儿中， BPD  的发生率高达  13.2%‑26.4 %。 许多  BPD 婴儿患有气道和肺实质损伤， 恢复缓慢。 此外， BPD导致肺发育可塑性、 损伤和修复， 影 响儿童的肺功能和生活质量长达十年， 负担沉重。 已经确定了几个个体风险因素， 一些研究 探讨了发生  BPD 和严重 BPD 的多种风险因素。 然而， 并非所有与早产儿  BPD 相关的因素 婴儿已得到很好的描述， 新生儿重症 监护病房  (NICU) 迫切需要对  BPD 进行早期预警， 以 便新生儿科医生 为被确定为  BPD 高风险的新 生儿提供治疗。 [0004]BPD 的发生与患儿胎龄、 体重、 性别、 败血症、 呼吸窘迫、 机械通气等危险因素有 关， 不同国家、 地域新生儿  BPD 发生的危险因素不完全相同， 这可能与医疗 水平、 种族等有 关。 因此， 在建立  BPD 风险预测模 型时， 需要先进 行病例对照研究筛选出与  BPD 相关的独 立危险因素； 其次根据相应的独立危险因素计算出对BPD  发生的相对危险度， 然后依据计 算出的相对危险度推导出预测模 型； 最后为了验证模型的可复制性 （内部有效性） 和通用性 （外部有效性） ， 还应该对 预测模型进 行内部验证、 外部验证， 内部验证即在现有的标本中随 机抽取部分样本检验模型的预测效能， 外部验证即需要在其他样本中检验模型的预测效 能， 但外部验证常需进行多中心研究， 实施难度大。 [0005]由于BPD均发生在早产儿特别是出生胎龄小于32周的极早产儿， 而对于BPD的诊断 是根据出生后28天时， 新生儿对 氧气的依赖性进 行诊断， 即无法脱离氧气的， 才诊断为BPD 。 由于BPD的诊断在早产儿满月的时候才能明确， 因此， 对BPD尽早预警， 在特定高风险早产儿 中， 及早警示医师， 有助于改变治疗策略， 改善预后。 虽然临床上也采用了多种方法来预防 和治疗 BPD， 但收效甚微。 其主要原因是缺乏在生命的早期阶段来准确预测  BPD 发生的技 术和能力， 从而失去对其早期预防和治疗的最佳时机。 因此， 发 明一种预测早产儿支气管肺 发育不良风险的方法是亟需解决的问题。 [0006] 发明内容 [0007]本发明的目的在于提供一种基于机器学习的预测早产儿支气管肺发育不良风险 的方法， 以解决上述背景技 术中提出的问题。 [0008]为实现上述目的， 本发明提供如下技术方案： 基于机器学习的预测早产儿支气管说　明　书 1/4 页 3 CN 115470989 A 3