基于電子病歷利用支持向量機構(gòu)建重度急性胰腺炎早期預測模型.pdf

1、目的：
　　急性胰腺炎(acute pancreatitis，AP)是一種常見的消化系統(tǒng)疾病，指多種病因包括酒精中毒、高脂血癥、暴飲暴食、藥物等引起的胰酶激活，繼以胰腺局部炎性反應為主要特征，伴或不伴有其他器官功能改變的急癥。臨床上大多數(shù)患者為輕度急性胰腺炎，不伴有器官衰竭和局部并發(fā)癥。少數(shù)患者為重度急性胰腺炎，起病急且病情較重，常伴有器官衰竭和（或）局部并發(fā)癥，以致住院天數(shù)長、預后差、死亡率高。因此，AP的分級和嚴重程度對于臨床

2、實踐和研究十分重要。本研究旨在利用支持向量機基于電子病歷構(gòu)建重度急性胰腺炎預測模型，提出簡單易行、新型的預測模型，進一步開發(fā)設計Windows應用程序，創(chuàng)建重度急性胰腺炎早期預警系統(tǒng)，輔助臨床決策。
　　方法：
　　隨機抽取遼寧省某醫(yī)院去識別化的2013年1月至2015年3月主診斷為急性胰腺炎的電子病歷。參考UpToDate臨床顧問數(shù)據(jù)庫中列出的AP嚴重程度危險因素，最終選取的研究變量(n=20)包括:年齡、白細胞計數(shù)、紅細

3、胞比積、尿素、肌酐、K+、Na+、Ca2+、血清淀粉酶、血清脂肪酶、體溫、心率、呼吸頻率、血壓（收縮壓/舒張壓）、腹痛時間，以及是否神清、有無器官衰竭、有無胰腺壞死、有無胸腔積液。時間選取入院48小時內(nèi)。本研究選用出院診斷重度急性胰腺炎與否作為結(jié)局變量。
　　所納入變量中4項以文字描述形式出現(xiàn)在首次病程記錄，利用ICTCLAS軟件初步分詞處理各首次病程記錄之病例特點，建立添加用戶詞典，再調(diào)用NLPIR函數(shù)抽取所調(diào)整疾病嚴重程度特征

4、詞。
　　獲得研究變量數(shù)據(jù)存在缺失值，剔除存在缺失值的樣本。腹痛時間變量單位統(tǒng)一至天。將納入樣本按3∶1分為訓練集和測試集。
　　MATLAB2010a環(huán)境下，基于支持向量機(support vector machine，SVM)LIBSVM3.11，采用優(yōu)化后的徑向基核函數(shù)產(chǎn)生的分類器，同時結(jié)合統(tǒng)計學單因素及多因素Logistic回歸分析方法，進行特征變量選取，提出一種簡單易行的重度急性胰腺炎早期預測模型。依據(jù)所選取特征變

5、量，再次基于SVM構(gòu)建重度急性胰腺炎早期預測模型，比較預測性能前后是否有所提高，確定最終預測模型決策函數(shù)表達式。通過組件對象模型(component object model，COM)建立動態(tài)鏈接庫實現(xiàn)VB.NET與MATLAB的混合編程，調(diào)用預測模型決策函數(shù)設計開發(fā)重度急性胰腺炎早期預測應用程序。
　　采用測試集數(shù)據(jù)客觀評估應用程序預測性能，評估指標包括準確率(accuracy)、靈敏度(sensitivity)、特異度（spe

6、cificity）、陽性預測值(positivepredictive value)和陰性預測值(negative predictive value)。
　　結(jié)果：
　　最終納入323例，其中非重度急性胰腺炎203例、重度急性胰腺炎120例。納入訓練集242例，90例出院診斷為重度急性胰腺炎，所占比例為37.19％;測試集81例，30例出院診斷為重度急性胰腺炎，所占比例為37.04％。
　　分別針對訓練集和測試集數(shù)據(jù)，采

7、用留一法進行交叉驗證，線性、多項式、徑向基、sigmoid核函數(shù)的預測準確率分別為69.83％、69.83％、59.09％、62.81％和67.90％、69.14％、70.37％、62.96％。選用徑向基核函數(shù)，網(wǎng)格搜索參數(shù)優(yōu)化前后（未優(yōu)化:c=1，g=0.05;優(yōu)化后:c=16，g=0.0625）訓練集和測試集數(shù)據(jù)準確率分別為59.09％、69.01％和70.37％、67.90％。
　　經(jīng)單因素分析納入Logistic回歸分析的

8、變量有白細胞計數(shù)、收縮壓、尿素、血清鈉離子、血清鈣離子、體溫、心率、舒張壓、血清淀粉酶、血清脂肪酶、腹痛時間、器官衰竭、胸腔積液。經(jīng)Logistic回歸分析，最終納入特征變量有:白細胞計數(shù)、血清鈣離子、血清脂肪酶、收縮壓、舒張壓以及有無胸腔積液。
　　選用徑向基核函數(shù)，結(jié)合網(wǎng)格搜索和交叉驗證方法選擇最優(yōu)參數(shù)，基于選取特征變量，再次建立分類模型。c最優(yōu)值為2，g最優(yōu)值為1，模型支持向量數(shù)為180，訓練集和測試集準確率分別為65.29

9、％、70.37％。生成SAPSVM setup.exe安裝程序。SAPSVM安裝文件包括sapfile.zip、setup.exe、安裝說明。只需按照安裝說明將sapfile文件解壓后復制到程序安裝目錄下，點擊setup.exe默認安裝。SAPSVM涉及白細胞計數(shù)、血清鈣離子、血清脂肪酶、收縮壓、舒張壓以及有無胸腔積液6項指標。
　　采用測試集數(shù)據(jù)對預測模型的性能進行客觀評估，其中SAP類設為正類、非SAP類設為負類，測試集81個

10、樣本中，經(jīng)程序預測后其中真正樣本數(shù)12、假負樣本數(shù)18、假正樣本數(shù)6、真負樣本數(shù)45。SAPSVM預測準確率、靈敏度、特異度、陽性預測值、陰性預測值分別為70.37％、40％、88.24％、66.7％、71.43％。相同測試集樣本BISAP評分系統(tǒng)準確率、靈敏度、特異度、陽性預測值、陰性預測值分別為48.12％、30％、58.82％、30％、58.82％。
　　結(jié)論：
　　本研究利用支持向量機基于電子病歷構(gòu)建重度急性胰腺炎預