基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统的制作方法

本发明涉及风险分级，尤其涉及一种基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统。

背景技术：

1、慢性血栓栓塞性肺动脉高压(cteph)是一种严重的疾病，其特征为慢性栓子导致肺动脉内腔狭窄和阻塞，进而导致肺动脉高压。cteph的诊断和治疗过程复杂且困难，需要准确评估患者的风险水平以制定最佳的治疗方案。目前，cteph患者的风险评估主要依赖于临床经验和传统的评估指标，存在以下几点不足之处：

2、1)缺乏统一的风险评估工具：目前尚缺乏广泛接受和应用的统一风险评估工具，用于评估cteph的发生和发展风险，这导致不同医疗机构和研究者在风险分级上可能存在差异，使得比较和综合研究的结果不一致；

3、2)缺乏明确的预测指标：尽管一些临床特征和生化指标已被研究和用于cteph的风险评估，但仍缺乏明确的预测指标，当前的风险分级主要基于临床经验和一些常用的临床指标，如肺动脉收缩压和心功能状态，但这些指标的敏感性和特异性有限；

4、3)风险分级缺乏长期预后的评估：目前的风险分级主要关注cteph的短期预后，如手术死亡率和生存率，但缺乏对患者长期预后的评估，对于cteph的长期预后，如疾病进展和生存率，还需要更多的长期随访数据；

5、4)风险分级对潜在干预措施的指导有限：尽管风险分级有助于了解cteph患者的疾病严重程度和预后，但对潜在的干预措施的指导有限，当前的治疗策略主要是基于cteph的临床表现和病理生理特点，而不是基于具体的风险分级结果。

6、在精准医疗的背景下，亟需一种基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统。

技术实现思路

1、本发明提供了一种基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统，以解决现有技术中存在的cteph的诊断和治疗过程复杂且困难，需要准确评估患者的风险水平以制定最佳的治疗方案，目前，cteph患者的风险评估主要依赖于临床经验和传统的评估指标，存在主观性和不足之处的上述问题。

2、为了达到上述目的，本发明提供如下技术方案：

3、基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统，包括：数据采集单元、数据处理单元、风险评估单元；

4、数据采集单元用于通过对应设备采集cteph信息数据，对采集的cteph信息数据进行预处理操作，其中，cteph信息数据包括患者的临床数据和影像学图像；

5、数据处理单元用于对cteph信息数据进行特征提取处理，选择与cteph风险相关的特征，排除冗余和无关的特征，获取cteph风险特征数据；

6、风险评估单元用于基于人工智能风险评估模型，对cteph风险特征数据进行风险度评估操作，获取对应的风险等级评估数据，根据风险等级评估数据为患者制定个性化治疗方案，为主治医生提供辅助决策。

7、其中，数据采集单元包括：临床数据采集模块、临床影像医疗设备和血流动力学监测仪；

8、临床数据采集模块用于采集患者的临床数据，对临床数据进行预处理操作，获取标准临床数据；

9、临床影像医疗设备用于采集患者影像图像，对影像图像进行预处理操作，获取标准影像图像数据；

10、血流动力学监测仪用于采集血流动力学参数，对血流动力学参数数据进行预处理操作，获取标准血流动力学参数数据。

11、其中，数据处理单元包括：数据库、特征提取模块和病理分析模块；

12、数据库用于存储患者cteph信息数据以及对应的病理定量分析报告数据；

13、特征提取模块用于对cteph信息数据进行cteph风险相关特征提取处理，获取cteph风险特征数据；

14、病理分析模块用于对当前cteph风险特征数据进行定量分析，获取定量分析报告，其中，定量分析包括定量计算肺动脉内膜厚度、肺动脉血栓内膜剥脱术pea剥脱深度、新生血管的数量、泡沫样组织细胞/胆固醇结晶沉积的比例和炎细胞的浸润程度。

15、其中，风险评估单元包括：风险辨识模块、风险分级模块和治疗方案推荐模块；

16、风险辨识模块用于基于病理诊断模型对定量分析报告进行风险诊断，获取风险辨识结果，该风险辨识结果包括患者是否存在cteph风险；

17、风险分级模块用于基于人工智能风险评估模型，对当前存在cteph风险的数据进行风险等级划分，获取对应的等级；

18、治疗方案推荐模块用于基于风险分级与治疗方案关联模型，获取对应的治疗方案，为医生诊治提供辅助，该治疗方案包括风险评估的解释报告。

19、其中，数据库包括：数据库构建子模块、数据分级管理子模块和实时更新子模块；

20、数据库构建子模块用于通过标准的数据库结构将采集的cteph患者数据进行录入，再对数据节能型统计和分析，构建cteph数据库；

21、数据分级管理子模块用于根据患者病情严重程度，制定相应的分级标准，cteph病情严重程度对应数据包括肺动脉压力、肺动脉阻力、心输出量，根据患者病情严重程度，将对应数据分为不同的级别，并制定相应的管理方案；

22、实时更新子模块用于随着cteph治疗技术的不断发展，分级标准和管理方案也需要不断更新和完善，数据库中的cteph数据随最新数据的输入进行数据的实时更新。

23、其中，特征提取模块包括：特征选择子模块；

24、通过特征选择子模块计算cteph风险相关特征与无关特征之间的相关系数，通过相关系数筛选高度相关和重复的特征；计算特征的方差，将方差值小于预设阈值的特征进行剔除，通过深度学习的方法进行特征选择，其中，cteph风险相关特征包括临床表现、影像学检查、血流动力学检查和神经激素水平检测指标数据。

25、其中，在通过风险辨识模块对定量分析报告进行风险诊断时，对当前cteph风险特征数据中的临床表现、影像、血流动力和神经激素水平数据进行分析，临床表现分析包括呼吸困难、胸痛、咳嗽、疲劳的症状，以及既往病史、药物使用史和手术史；影像分析是通过肺动脉造影确认cteph诊断标准，此外，ct扫描、mri的影像学检查为诊断提供数据支持；血流动力分析是通过心导管检查和肺功能来测定肺动脉压力和心输出量的生理指标，评估肺血运动力学变化；神经激素水平数据分析是通过测定肺动脉夹层素、内皮素的神经激素水平变化，对病情进行诊断和评估。

26、其中，风险分级模块包括：风险评估模型构建子模块；

27、通过风险评估模型构建子模块调取数据库中cteph患者的临床数据，临床数据包括年龄、性别、bmi、病史、症状、体征、影像学检查结果、肺功能检查结果、血液检查结果，对调取的临床数据进行清洗，清洗包括缺失值填充、异常值处理和数据类型转换，根据cteph的病理生理特征和临床经验，选择与cteph风险相关特征，cteph风险相关特征包括肺动脉压力、肺动脉阻力、心输出量和肺动脉血氧分压；通过机器学习模型对清洗后的数据和cteph风险相关特征进行数据训练，通过数据训练构建人工智能风险评估模型；通过交叉验证的方法对人工智能风险评估模型进行评估，根据评估结果对人工智能风险评估模型进行优化，优化包括调整模型参数、增加特征；将训练好的人工智能风险评估模型应用于新的cteph患者数据，对新的cteph患者数据进行风险评估。

28、其中，在通过机器学习模型对清洗后的数据和cteph风险相关特征进行数据训练过程中，从数据库调取若干数据，将若干数据分为三类，即为i、ii、iii类，选择间接法中的一对多法；将某类样本划归到一类，其余的样本则设置为另一类，在对训练集进行抽取过程中，依次抽取处理对训练集进行处理，目标类标注为+1，其他类标注为-1，使用训练数据对支持向量机进行训练；通过这三类训练集对样本进行训练处理，并确定三个训练结果文件；

29、在通过训练对样本进行训练处理过程中还进行样本测试操作，通过这三个训练结果文件测试相关测试向量，记录处理结果，各测试对应相关结果，对比分析选择出其中最大的一个作为分类结果；计算并输出人工智能风险评估模型的分类准确度。

30、其中，在对训练集进行抽取过程中，对数据进行依次抽取处理，i所对应的向量作为正集，ii、iii所对应的向量为负集；ii相关向量作为正集，i、iii所对应的向量为负集；iii的为正集，i、ii所对应的向量为负集。与现有技术相比，本发明具有以下优点：

31、基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统，包括：数据采集单元、数据处理单元、风险评估单元；数据采集单元用于通过对应设备采集cteph信息数据，对采集的cteph信息数据进行预处理操作，其中，cteph信息数据包括患者的临床数据和影像学图像；数据处理单元用于对cteph信息数据进行特征提取处理，选择与cteph风险相关的特征，排除冗余和无关的特征，获取cteph风险特征数据；风险评估单元用于基于人工智能风险评估模型，对cteph风险特征数据进行风险度评估操作，获取对应的风险等级评估数据，根据风险等级评估数据为患者制定个性化治疗方案，为主治医生提供辅助决策。基于患者的风险等级，为每位患者提供个性化的治疗方案，提高治疗效果和生存率；作为医生的辅助工具，帮助医生快速、准确地评估患者的风险水平，指导治疗决策，提高临床决策的科学性和精确性。

32、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

33、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。