CN115019919B 基于深度学习的脑卒中早期康复后功能预测模型建立方法 （江苏省人民医院（南京医科大学第一附属医院））

基于深度学习的脑卒中早期康复后功能预本发明提供一种基于深度学习的脑卒中早由卷积神经网络和长短期记忆人工神经网络组复相关数据为缺血性脑卒中早期康复后的功能建的基于机器学习的缺血性脑卒中早期康复后2准备病历数据，从医院电子病历平台采集患者电对步骤S1中得到的合格的电子病历数据进行缺血性脑通过步骤S1到步骤S3可以得到缺血性卒对步骤S3得到的缺血性卒中临床表现的大数据资料进将步骤S2中提取到的人口统计信息、实验室和临床检查相相关信息以及康复干预相关信息输入XGBoost模型中进行所述XGBoost模型包括XGBoost决策树以及XGBoost决策利用卷积神经网络CNN作为主干网络与带有遗忘门的长短期记忆网络模型--LSTM结所述CNN-LSTM模型采用的信息包括由XGBoost筛选出的人口学特征信息和临床特征信3采用上述所述的sigmoid激活函数生成非时序的状态信息；将生成的分数与时序信息和相步骤S6是利用步骤S5中筛选出的特征变量，用卷积神经网络--CNN作为主干网络与带利用已经在步骤S6中训练好的CNN-LSTM模型在不同的mRS缺失情况下进行测试评估，所述CNN-LSTM模型是指通过学习开发集中病人每个时间步的康复情况进而对康复进步骤S7是重复数次步骤S6建模过程，但每次建模时在步骤S6的基础上减少一个变量，即每次减少一个时间步下的mRS评分，比较不同建模的结果，得到一个预测效能最好的模经过步骤S5、步骤S6以及步骤S7的结果对比后得到特异性和敏2.如权利要求1所述的一种基于深度学习的脑卒中早期康复后功能预测模型建立方43.如权利要求1所述的一种基于深度学习的脑卒中早期康复后功能预测模型建立方指对标准数据样本进行计算，筛选相关特征的统计学方法为T检验、Mann-WhitneyU检验、康复干预相关的特征信息和mRS首次作为输入信息进4.如权利要求3所述的一种基于深度学习的脑卒中早期康复后功能预测模型建立方法，其特征在于：所述建模实验是指使用XGBoost、SVM、randomforest(RF)、LogisticRegression(LR)四种机器学习算法在开发集DevelopSet进行建模，在建模过程5血性卒中功能预后水平进行预测，同时也无研究对早期康复后的功能和残疾水平进行预[0004]本发明构建一个由卷积神经网络和长短期记忆人工神经网络组成的混合深度学6治疗相关信息以及康复干预相关信息输入XGBoost模型中进7的特征与缺血性mRS90二分类目标存在极其显著的相关关系，选取这些特征建立模型是合[0027]利用卷积神经网络--CNN作为主干网络与带有遗忘门的长短期记忆网络模型--[0028]所述模型采用的信息包括由XGBoost筛选出的人口学特征信息和临床特征信息、[0036]所述CNN时序模型是指通过学习开发集中病人每个时间步的康复情况进而对康复8[0041](1)本发明采用机器学习CNN-LSTM集成算法建立缺血性脑卒中早期康复后功能预[0042](2)本发明构建的基于机器学习的缺血性脑卒中早期康复后功能预后的预测模[0045]请结合参照图1，本发明提供了一种基于深度学习的脑卒中早期康复后功能预测9[0060]卒中后时间二分类结果有：有利结果为卒中后时间评分0-2，表现为无或最低失康复干预相关信息输入XGBoost模型中进行mRS90的特征与缺血性mRS90二分类目标存在极其显著的相关关系，选取这些特征建立模型是合首次离床康复治疗中离床状态维持时间(分钟)、14天离床总时长、14天离床平均时长(分[0073]利用卷积神经网络--CNN作为主干网络与带有遗忘门的长短期记忆网络模型--[0074]所述模型采用的信息包括由XGBoost筛选出的人口学特征信息和临床特征信息、loss损失函数(focalloss可以有效减轻多个时间步之间复杂的类别不平衡问题，并进行[0086]利用已经训练好的时序模型在不同的mRS缺失情况下进行测试评估，以便更好地[0087]所述时序模型是指通