技术特征：
1.一种慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于，包括以下步骤：s1：研制慢性心力衰竭患者pro测量工具，建立随访队列；s2：数据预处理；包括异常值识别、缺失值填补、类别比例不均衡问题的处理和特征筛选；s3：根据预处理后的数据构建预测模型，得到慢性心力衰竭患者pro预后风险模型。2.根据权利要求1所述的慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于：所述步骤s1具体包括以下步骤：s11、慢性心力衰竭患者pro测量工具研制按照国际pro测量工具研制规范，从生理领域、心理领域、社会领域和治疗领域出发，查阅国内外相关问卷及文献，结合专家意见与患者访谈的形式，形成初量表框架；根据严格的纳入排除标准，招募105名慢性心衰患者和50名健康人进行预调查，采用经典测量理论和项目反应理论，对条目进行初步筛选和调整，形成初量表；在365例患者，100例健康人群中进行大规模调查，并修改，形成终量表，即慢性心力衰竭患者pro测量工具；s12、随访队列构建顺序纳入2年内，三所三级甲等医院符合纳入和排除标准的患者；住院期间，收集患者的一般资料和pro信息，患者出院后1个月、3个月和之后每6个月通过电话进行随访，随访内容为患者终点事件及发生时间。3.根据权利要求1所述的慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于：所述步骤s2具体包括以下步骤：s21、异常值识别：对原始数据集中的异常值进行识别，并与临床医师合作进行专业判断，进行删除或保留处理；s22、缺失值填补：对缺失比例大于30％的分类变量进行删除，对缺失比例不大于30％的分类变量采用missforest函数进行填补；s23、类别比例不均衡问题的处理：使用smote算法对数据不均衡问题进行处理；s23、特征筛选：从患者的一般资料和pro信息两个角度进行特征变量的收集，由于pro测量工具部分的变量比较重要，且变量数目少，因此特征筛选工作仅对患者一般资料的变量进行；具体为，将患者一般资料的特征变量输入xgboost模型中，进行特征重要性排序，并结合临床专家建议，选择排序靠前的16个变量与pro测量工具中的4个变量作为最终的变量筛选结果，用于纳入最终的预测模型。4.根据权利要求1所述的慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于，所述步骤s3预测模型构建的具体过程为：将进行预处理后的数据输入logistic回归、随机森林模型rf、极限梯度增强学习机xgboost、轻梯度提升机lightgbm、朴素贝叶斯nb和多层感知学习机mlp模型中，通过以下3个阶段构建预测模型，
①
以患者一般资料为自变量构建预测模型；
②
以患者一般资料+慢性心力衰竭患者报告结局测量工具chf-prom四个领域为自变量构建模型；
③
通过学习曲线和网格搜索对
②
的参数进行调整，得到各机器学习算法的最优配置；所有模型构建采用python 3.7的各种软件包进行分析；具体构建过程如下：
定义数据集d＝(x
i
,y
i
)，其中x
i
表示第i个样本的各特征变量，y
i
为第i个样本的预测变量；构建决策树模型，定义函数f
k
代表第k棵数的权重；定义目标函数为：式中l代表损失函数，用来衡量预测值与真实值(y
i
)之间的差距，ω是正则项，用于防止模型过拟合；对目标函数进行二阶泰勒展开结果如下：其中，g
i
和h
i
是第t棵残差树的参数，当目标函数值达到最小状态时，各参数取值为最优模型参数，其构建模型为当前最优的预测模型，const表示前面树的复杂度，即5.根据权利要求2所述的慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于：所述步骤s11中的终量表即慢性心力衰竭患者pro测量工具包括4个领域共57个条目，其中生理领域16条，心理领域21条，社会领域8条，治疗领域12条，具体信息如下表：中生理领域16条，心理领域21条，社会领域8条，治疗领域12条，具体信息如下表：6.根据权利要求2所述的慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于：所述步骤s12中纳入标准为：根据esc指南诊断为慢性心力衰竭，纽约心脏协会心功能ii-iv级的患者；排除标准为：排除两个月前发生急性心血管事件或因智力障碍无法完成问卷的患者。7.根据权利要求2或3所述的慢性心力衰竭患者pro预后风险模型的构建方法，其特征在于：所述患者的一般资料包括年龄、性别、体重指数、职业、教育程度、医保类型、吸烟和饮酒史、家族史、血压、心率、nyha分级及合并症；其中合并症包括冠心病、心脏瓣膜病、高血压、糖尿病、房颤、慢性阻塞性肺疾病、慢性肾功能不全、肿瘤、中枢神经系统疾病；所述pro
信息包括4个领域共57个条目，其中生理领域16条，心理领域21条，社会领域8条，治疗领域12条，具体信息如下表：8.一种基于权利要求1-7任一项所述方法构建得到的慢性心力衰竭患者pro预后风险模型。9.一种基于权利要求8所述预后风险模型的慢性心力衰竭患者结局事件发生风险预测系统，其特征在于：所述系统是通过python软件将性能最优的慢性心力衰竭患者pro预后风险模型搭建于网络在线预测系统中形成的。
技术总结
本发明涉及机器学习和数据处理技术领域，公开了一种慢性心力衰竭患者报告结局(PRO)预后风险模型及构建方法。利用自行研制的慢性心力衰竭PRO测量工具(CHF-PROM)，反映患者健康状态，构建了基于机器学习的慢性心力衰竭PRO预后风险模型，将其与慢性病患者的院外监测相联系，能够便捷地从生理-心理-治疗多维度出发，捕获患者疾病状态，预判患者风险，指导患者慢病管理与临床干预。慢病管理与临床干预。慢病管理与临床干预。
技术研发人员：田晶 张岩波 闫晶晶 韩清华 王磊 杨弘 胡晓娟 杜宇涛 韩港飞
受保护的技术使用者：山西医科大学第一医院
技术研发日：2022.07.19
技术公布日：2022/11/1