用于OHSS预测的智能监测方法及系统

用于ohss预测的智能监测方法及系统
技术领域
1.本发明属于医疗健康信息技术领域，尤其涉及一种用于ohss预测的智能监测方法及系统。


背景技术：

2.卵巢过度刺激综合征(ovarian hyperstimulation syndrome，ohss)是辅助生殖技术中使用促排卵药物后引起的一种医源性疾病，主要表现为卵巢增大、胸腹水、血液浓缩等，严重时出现电解质紊乱、凝血功能障碍、肾功能损害，甚至危及患者生命，造成重大的经济和精神负担，已成为辅助生殖技术领域广泛关注的并发症。因此有效预防和及时治疗ohss显得尤为重要。
3.ohss可分为早发型和迟发型，两个阶段也有一个接力的过程。早发型是指出现在使用人绒毛膜促性腺激素(hcg)诱发排卵7-9天内发生的ohss。此型ohss主要是由于外源性注射hcg作用于超促排卵后的卵巢所致。迟发型是指出现在使用hcg诱发排卵7-9天后发生的ohss。此型ohss主要由于妊娠后绒毛组织分泌的内源性hcg作用于卵巢所致。
4.目前国内外ohss中重度发生率在3％～8％。由于ohss的处理手段有限，临床工作中均以预防为主。国内外已有关于ohss预测因子的报道，但因人群差异、医疗诊疗行为差异等因素，目前无统一的标准，且无不同治疗阶段多因素综合预测的模型，因此现有的ohss预测方法不能有效指导临床医生尽快识别、提前预防和诊疗。


技术实现要素：

5.本发明提供一种用于ohss预测的智能监测方法及系统。本发明是基于本中心庞大而详细的数据资源，借助人工智能技术构建ohss预测模型，为医生的诊疗决策提供精准意见，尽可能减少ohss的发生；同时构建ohss管理系统，协助患者进行自我监测和预警识别，早识别，早治疗，避免加重症状，有助于疾病康复。预测模型能指导医生诊疗决策，选择更有利于患者的诊疗方案，减少ohss的发生；健康监测管理系统能尽快识别高风险患者，早治疗，避免加重症状，从而减少就医成本；同时医院跟进高风险患者诊疗情况，避免漏就诊，确保患者的安全。
6.一种用于ohss预测的智能监测方法，包括如下步骤：
7.s1.构建促排前、扳机日、取卵后、移植后四个阶段的预测模型；
8.s1.1数据收集：收集患者促排前、扳机日、取卵后、移植后的四个阶段相关特征值，特征值包括患者四个阶段的基础状态信息、扳机日阶段的用药信息和患者的卵泡发育情况和性激素值、取卵后阶段的获卵信息、移植后阶段的胚胎信息和患者的ohss临床症状值；
9.s1.2对特征值进行清理与预处理：去除异常数据后，运用归一化处理将特征值映射到(-1,1)范围，得到预处理之后的输入参数，即x1，x2，...，xn；
10.s1.3通过预测模型进行预测：四个阶段均采用logistic regression模型作为预测模型，每个阶段都有相应的输入参数、相应的预测模型和将各阶段的输入参数输入到训
练好的相应阶段的预测模型中输出的预测结果；
11.s1.3.1获取促排前阶段相应的输入参数，采用k折交叉验证的方式，获得训练好的促排前阶段的预测模型，根据促排前阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据促排前阶段的预测结果与阈值的比较，进一步输出促排前阶段预测的类别值；
12.s1.3.2获取扳机日阶段相应的输入参数，采用k折交叉验证的方式获得训练好的扳机日阶段的预测模型，根据扳机日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据扳机日阶段的预测模型预测结果与阈值的比较，进一步输出扳机日阶段预测的类别值；
13.s1.3.3获取取卵后阶段相应的输入参数，采用k折交叉验证的方式获得训练好的取卵后阶段的预测模型，根据取卵后阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据取卵后阶段的预测模型预测结果与阈值的比较，进一步输出取卵后阶段预测的类别值，若取卵日阶段预测结果或当前判断结果为高风险时，就会中止移植，不会进入移植后阶段；
14.s1.3.4获取移植后阶段相应的输入参数，采用k折交叉验证的方式，获得训练好的移植后阶段的预测模型，根据移植后阶段训练的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据移植后阶段的预测模型预测结果与阈值的比较，进一步输出移植后阶段预测的类别值；
15.s2.健康监测管理系统根据取卵后阶段预测模型输出的类别值判断患者的风险类别值，根据风险等级的提高，健康监测频率逐步增加，根据相应的健康监测频率，健康监测管理系统向患者定时发送监测提醒；若患者胚胎移植，则根据移植后阶段预测模型输出的类别值判断患者的风险类别值是否不同于当前风险类别值，风险类别值不同时，则以移植后阶段风险类别值为准，更新健康监测频率。；
16.s3.获取新增患者在四个阶段的实际数据作为验证数据，与预测结果相比较，更正错误预测结果并将其加入训练集进一步进行训练，用以提高所有模型预测的准确率，进一步输出更准确的预测结果。
17.优选的，促排前阶段相应的输入参数包括：女性年龄、医学人群类别、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征；
18.扳机日阶段相应的输入参数包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、取卵周期数、gn用药总天数、gn用药总量、gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值；
19.取卵日阶段相应的输入参数包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、是否全胚冷冻、取卵周期数、gn用药总天数、gn用药总量、gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、
hcg日p值、扳机药物类型、获卵数；
20.移植后阶段相应的输入参数包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、取卵周期数、gn用药总天数、gn用药总量，gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值、获卵数、是否移植、移植周期数、移植优质胚胎数、移植胚胎总数、移植囊胚数。
21.优选的，采用logistic regression模型计算方式如下：regression模型计算方式如下：
22.其中x＝[x1，x2，...，xn]为n维向量，n为正整数，x表示经预处理之后输入的特征值向量，w表示模型参数，w
t
表示w的转置，g(x)表示预测结果。
[0023]
优选的，采用k折交叉验证的方式为：将各阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0024]
优选的，健康监测管理系统根据取卵后阶段预测模型输出的类别值判断患者的风险类别值，产生风险类别值后，健康监测管理系统向患者发送监测提醒；患者查看当前阶段预测风险类别，同时，系统根据预测后的4种风险类别值智能设置自我症状监测频率，系统设置症状预警数值，一旦达到症状预警，发送尽快就诊提醒，医护端可查询患者填报症状信息，若患者胚胎移植，则根据移植后阶段预测模型输出的类别值判断患者的风险类别值是否不同于取卵后阶段风险类别值，风险类别值不同时，则以移植后阶段风险类别值为准，更新健康监测频率。
[0025]
与现有技术相比，本发明具有以下有益效果：
[0026]
本发明通过已有患者数据，筛选有意义的特征值，分促排前、扳机日、取卵后、移植后四个阶段分别对患者进行ohss预测，每阶段模型训练时采用k折交叉验证的方式，使预测模型的预测结果更稳定和更真实，同时通过在预测过程中依次增加数据，提高ohss预测的准确率，可以辅助医生为患者制定更加合理的用药方案，也为医生和患者的沟通提供了数据基础，从而有效预防早发型ohss的发生。健康监测管理系统及时识别患者ohss早期发生的临床症状，识别迟发型ohss的发生，及时诊治，保障患者安全。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0028]
图1图示出了根据本发明实施例的用于ohss预测的智能监测方法步骤示意图。
[0029]
图2图示出了示出了根据本发明实施例的用于ohss预测的模型构建示意图。
具体实施方式
[0030]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
[0031]
实施例一
[0032]
如图1所示，本发明提供的用于ohss预测的智能监测方法具体步骤如下：
[0033]
s1.构建促排前、扳机日、取卵后、移植后四个阶段的预测模型；
[0034]
s1.1数据收集：收集患者促排前、扳机日、取卵后、移植后的四个阶段相关特征值，特征值包括患者四个阶段的基础状态信息、扳机日阶段的用药信息和患者的卵泡发育情况和性激素值、取卵后阶段的获卵信息、移植后阶段的胚胎信息和患者的ohss临床症状值；
[0035]
s1.2对特征值进行清理与预处理：去除异常数据后，运用归一化处理将特征值映射到(-1,1)范围，得到预处理之后的输入参数x1，x2，...，xn；
[0036]
为了提高数据的可分性，考虑到回顾性数据中存在着主观或者客观因素导致数据的异常，运用机器学习中的异常处理操作消除异常数据，同时，为了降低不同特征值的量级差异对模型预测的，运用归一化处理将特征值映射到(-1,1)范围，得到预处理之后的输入参数x1，x2，...，xn；
[0037]
s1.3通过预测模型进行预测：四个阶段均采用logistic regression模型作为预测模型，每个阶段都有相应的输入参数、相应的预测模型和将各阶段的输入参数输入到训练好的相应阶段的预测模型中输出的预测结果；
[0038]
具体地：采用logistic regression模型计算方式如下：
[0039][0040]
其中x＝[x1，x2，...，xn]为n维向量，n为正整数，x表示经预处理之后输入的特征值向量，w表示模型参数，w
t
表示w的转置，g(x)表示预测结果。
[0041]
s1.3.1获取促排前阶段相应的输入参数，即x1，x2，...，xn，如图2所示，采用k折交叉验证的方式，获得训练好的促排前阶段的预测模型，根据促排前阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据促排前阶段的预测结果与阈值的比较，进一步输出促排前阶段预测的类别值；
[0042]
促排前阶段相应的输入参数，即x1，x2，...，xn有：女性年龄、医学人群类别、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征；
[0043]
采用k折交叉验证的方式为：将促排前阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0044]
根据促排前阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据促排前阶段的预测结果与阈值的比较，进一步输出促排前阶段预测的类别值。
[0045]
因此，医生在获取促排前阶段风险的类别值之后，便可提前调整当前阶段以及下一阶段的诊疗方案，指导医生选择促排用药方案，预防风险情况出现。
[0046]
s1.3.2获取扳机日阶段相应的输入参数，采用k折交叉验证的方式获得训练好的扳机日阶段的预测模型，根据扳机日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据扳机日阶段的预测模型预测结果与阈值的比较，进一步输出扳机日阶段预测的类别值；
[0047]
扳机日阶段相应的输入参数包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、取卵周期数、gn用药总天数、gn用药总量、gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值；
[0048]
采用k折交叉验证的方式为：将扳机日阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0049]
根据扳机日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据扳机日阶段的预测结果与阈值的比较，进一步输出扳机日阶段预测的类别值。
[0050]
因此，医生在获取扳机日阶段风险的类别值之后，便可提前调整当前阶段和下一阶段的诊疗方案，指导医生定扳机方案和移植策略，预防风险情况出现。
[0051]
s1.3.3获取取卵后阶段相应的输入参数，采用k折交叉验证的方式获得训练好的取卵后阶段的预测模型，根据取卵后阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据取卵后阶段的预测模型预测结果与阈值的比较，进一步输出取卵后阶段预测的类别值；
[0052]
取卵日阶段相应的输入参数包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、是否全胚冷冻、取卵周期数、gn用药总天数、gn用药总量、gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值、扳机药物类型、获卵数；
[0053]
采用k折交叉验证的方式为：将取卵日阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0054]
根据取卵日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据取卵日阶段的预测结果与阈值的比较，进一步输出取卵日阶段预测的类别值。
[0055]
因此，医生在获取取卵日阶段风险的类别值之后，便可提前调整当前阶段和下一阶段的诊疗方案，指导医生最后决定移植策略(全胚冷冻或者移植个数)，预防风险情况出
现。若取卵日阶段预测结果或当前判断结果为高风险时，就会中止移植，不会进入移植后阶段，其他类别值时就会进入移植后阶段。
[0056]
s1.3.4获取移植后阶段相应的输入参数，采用k折交叉验证的方式，获得训练好的移植后阶段的预测模型，根据移植后阶段训练的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据移植后阶段的预测模型预测结果与阈值的比较，进一步输出移植后阶段预测的类别值；
[0057]
移植后阶段相应的输入参数包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、取卵周期数、gn用药总天数、gn用药总量，gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值、获卵数、是否移植、移植周期数、移植优质胚胎数、移植胚胎总数、移植囊胚数。
[0058]
采用k折交叉验证的方式为：将移植后阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0059]
根据移植后阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据移植后阶段的预测结果与阈值的比较，进一步输出移植后阶段预测的类别值。
[0060]
因此，医生在获取移植后阶段风险的类别值之后，便可提前调整当前阶段的诊疗方案，预防风险情况出现。
[0061]
s2.健康监测管理系统根据取卵后阶段预测模型输出的类别值判断患者的风险类别值，根据风险等级的提高，健康监测频率逐步增加，根据相应的健康监测频率，健康监测管理系统向患者定时发送监测提醒；若患者胚胎移植，则根据移植后阶段预测模型输出的类别值判断患者的风险类别值是否不同于当前风险类别值，风险类别值不同时，则以移植后阶段风险类别值为准，更新健康监测频率；
[0062]
健康监测管理系统根据取卵后阶段预测模型输出的类别值判断患者的风险类别值，产生风险类别值后，极低风险、低风险、中风险和高风险都有发生的风险，健康监测管理系统向患者发送监测提醒；患者查看当前阶段预测风险类别，同时，系统根据预测后的4种风险类别值智能设置自我症状监测频率，系统设置症状预警数值，一旦达到症状预警，发送尽快就诊提醒，医护端可查询患者填报症状信息，若患者胚胎移植，则根据移植后阶段预测模型输出的类别值判断患者的风险类别值是否不同于取卵后阶段风险类别值，风险类别值不同时，则以移植后阶段风险类别值为准，更新健康监测频率。
[0063]
s3.获取新增患者在四个阶段的实际数据作为验证数据，与预测结果相比较，更正错误预测结果并将其加入训练集进一步进行训练，用以提高所有模型预测的准确率，进一步输出更准确的预测结果。
[0064]
实施例二
[0065]
本发明提供的用于ohss预测的智能监测系统有如下模块：
[0066]
构建预测模型模块，构建促排前、扳机日、取卵后、移植后四个阶段的预测模型；
[0067]
数据收集模块，收集患者促排前、扳机日、取卵后、移植后的四个阶段相关特征值，特征值包括患者四个阶段的基础状态信息、扳机日阶段的用药信息和患者的卵泡发育情况和性激素值、取卵后阶段的获卵信息、移植后阶段的胚胎信息和患者的ohss临床症状值；
[0068]
数据清理以及预处理模块，对特征值进行清理与预处理：去除异常数据后，运用归一化处理将特征值映射到(-1,1)范围，得到预处理之后的输入参数x1，x2，...，xn；
[0069]
为了提高数据的可分性，考虑到回顾性数据中存在着主观或者客观因素导致数据的异常，运用机器学习中的异常处理操作消除异常数据，同时，为了降低不同特征值的量级差异对模型预测的，运用归一化处理将特征值映射到(-1,1)范围，得到预处理之后的输入参数x1，x2，...，xn；
[0070]
预测模块，通过预测模型进行预测：四个阶段均采用logistic regression模型作为预测模型，每个阶段都有相应的输入参数即x1，x2，...，xn、相应的预测模型和将各阶段的输入参数输入到训练好的相应阶段的预测模型中输出的预测结果；
[0071]
具体地：采用logistic regression模型计算方式如下：
[0072][0073]
其中x＝[x1，x2，...，xn]为n维向量，n为正整数，x表示经预处理之后输入的特征值向量，w表示模型参数，w
t
表示w的转置，g(x)表示预测结果。
[0074]
促排前阶段预测子模块，获取促排前阶段相应的输入参数即x1，x2，...，xn，采用k折交叉验证的方式，获得训练好的促排前阶段的预测模型，根据促排前阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据促排前阶段的预测结果与阈值的比较，进一步输出促排前阶段预测的类别值；
[0075]
促排前阶段相应的输入参数，即x1，x2，...，xn，包括：女性年龄、医学人群类别、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征；
[0076]
采用k折交叉验证的方式为：将促排前阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0077]
根据促排前阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据促排前阶段的预测结果与阈值的比较，进一步输出促排前阶段预测的类别值。
[0078]
因此，医生在获取促排前阶段风险的类别值之后，便可提前调整当前阶段以及下一阶段的诊疗方案，预防风险情况出现。
[0079]
扳机日阶段预测子模块，获取扳机日阶段相应的输入参数，采用k折交叉验证的方式获得训练好的扳机日阶段的预测模型，根据扳机日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据扳机日阶段的预测模型预测结果与阈值的比较，进一步输出扳机日阶段预测的类别值；
[0080]
扳机日阶段相应的输入参数，即x1，x2，...，xn，包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、
afc值、是否患有多囊卵巢综合征、用药方案、取卵周期数、gn用药总天数、gn用药总量、gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值；
[0081]
采用k折交叉验证的方式为：将扳机日阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0082]
根据扳机日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据扳机日阶段的预测结果与阈值的比较，进一步输出扳机日阶段预测的类别值。
[0083]
因此，医生在获取扳机日阶段风险的类别值之后，便可提前调整当前阶段和下一阶段的诊疗方案，预防风险情况出现，若取卵日阶段预测结果或当前判断结果为高风险时，就会中止移植，不会进入移植后阶段。
[0084]
取卵后阶段预测子模块，获取取卵后阶段相应的输入参数，采用k折交叉验证的方式获得训练好的取卵后阶段的预测模型，根据取卵后阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据取卵后阶段的预测模型预测结果与阈值的比较，进一步输出取卵后阶段预测的类别值；
[0085]
取卵日阶段相应的输入参数即，x1，x2，...，xn，包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、afc值、是否患有多囊卵巢综合征、用药方案、是否全胚冷冻、取卵周期数、gn用药总天数、gn用药总量、gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值、扳机药物类型、获卵数；
[0086]
采用k折交叉验证的方式为：将取卵日阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0087]
根据取卵日阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据取卵日阶段的预测结果与阈值的比较，进一步输出取卵日阶段预测的类别值。
[0088]
因此，医生在获取取卵日阶段风险的类别值之后，便可提前调整当前阶段和下一阶段的诊疗方案，预防风险情况出现。
[0089]
移植后阶段预测子模块，获取移植后阶段相应的输入参数，采用k折交叉验证的方式，获得训练好的移植后阶段的预测模型，根据移植后阶段训练的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据移植后阶段的预测模型预测结果与阈值的比较，进一步输出移植后阶段预测的类别值；
[0090]
移植后阶段相应的输入参数，即x1，x2，...，xn，包括：女性年龄、卵巢刺激周期数、不孕因素、不孕类型、不孕年限、生育史、amh值、基础fsh值、身高、体重、bmi值、体表面积值、
afc值、是否患有多囊卵巢综合征、用药方案、取卵周期数、gn用药总天数、gn用药总量，gn平均用量、gn起始用量、hcg用药类型、hcg日大于等于10mm的卵泡数、hcg日大于等于14mm的卵泡数、hcg日大于等于16mm的卵泡数、hcg日大于等于18mm的卵泡数、hcg日e2值、hcg日lh值、hcg日p值、获卵数、是否移植、移植周期数、移植优质胚胎数、移植胚胎总数、移植囊胚数。
[0091]
采用k折交叉验证的方式为：将移植后阶段的数据集随机均等地划分为5部分，每次选择其中的4份数据作为训练集，训练当前预测模型，剩余的1份作为测试集，测试训练出的预测模型的预测准确率，交叉验证重复5次，取5次准确率的平均值作为精度的估计，并作为当前k折交叉验证下最终模型的评价指标。
[0092]
根据移植后阶段输出的预测结果，筛选出3个不同的阈值，将预测结果划分为极低风险、低风险、中风险、高风险4种类别值，根据移植后阶段的预测结果与阈值的比较，进一步输出移植后阶段预测的类别值。
[0093]
因此，医生在获取移植后阶段风险的类别值之后，便可提前调整当前阶段的诊疗方案，预防风险情况出现。
[0094]
构建健康监测管理系统模块，健康监测管理系统根据取卵后阶段预测模型输出的类别值判断患者的风险类别值，根据风险等级的提高，健康监测频率逐步增加，根据相应的健康监测频率，健康监测管理系统向患者定时发送监测提醒；若患者胚胎移植，则根据移植后阶段预测模型输出的类别值判断患者的风险类别值是否不同于当前风险类别值，风险类别值不同时，则以移植后阶段风险类别值为准，更新健康监测频率；
[0095]
健康监测管理系统根据取卵后阶段预测模型输出的类别值判断患者的风险类别值，产生风险类别值后，极低风险、低风险、中风险和高风险都有发生的风险，健康监测管理系统向患者发送监测提醒；患者查看当前阶段预测风险类别，同时，系统根据预测后的4种风险类别值智能设置自我症状监测频率，系统设置症状预警数值，一旦达到症状预警，发送尽快就诊提醒，医护端可查询患者填报症状信息，若患者胚胎移植，则根据移植后阶段预测模型输出的类别值判断患者的风险类别值是否不同于取卵后阶段风险类别值，风险类别值不同时，则以移植后阶段风险类别值为准，更新健康监测频率。
[0096]
验证和更正预测模型模块，获取新增患者在四个阶段的实际数据作为验证数据，与预测结果相比较，更正错误预测结果并将其加入训练集进一步进行训练，用以提高所有模型预测的准确率，进一步输出更准确的预测结果。
[0097]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。