本發(fā)明涉及膿毒癥預測，尤其涉及一種基于tigit靶點的膿毒癥風險預測方法和系統(tǒng)。

背景技術(shù)：

1、膿毒癥為機體在面對感染時由于反應失調(diào)導致的危及生命的器官功能障礙，其嚴重程度可以粗分為膿毒癥、嚴重膿毒癥和膿毒性休克。膿毒癥的發(fā)病原因通常與各種類型的創(chuàng)傷、感染有關(guān)，如肺炎、腹膜炎、泌尿系統(tǒng)感染等。當機體感染后，細菌及毒素等成分進入身體，激活炎癥反應細胞，產(chǎn)生大量炎性介質(zhì)，引起局部或全身炎癥反應。如果炎癥反應加劇并造成免疫功能深度抑制，則可能導致膿毒癥的發(fā)生。

2、時至今日，膿毒癥依然是危重患者最主要的致死性病因之一，因此膿毒癥的預測對于早期識別和及時治療至關(guān)重要。精確的預測可以幫助醫(yī)生在病情惡化前采取干預措施，從而降低患者的死亡率和并發(fā)癥風險。近年來，隨著醫(yī)學研究的進步，大樣本、多中心的臨床隨機對照研究為膿毒癥的治療提供了更多的循證醫(yī)學證據(jù)。另外，隨著大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展，也為膿毒癥的預測和診斷迎來了重大突破。

3、但是，診斷膿毒癥時的生物標志物種類眾多，其中tigit的表達水平與膿毒癥或感染性休克的嚴重程度呈正相關(guān)，是診斷膿毒癥的金指標。若僅僅使用tigit作為診斷膿毒癥的唯一指標會使得診斷偏差過大，若與其他生物標志物共同進行膿毒癥的預測，又會面臨如何設(shè)置tigit與其他生物標志物的權(quán)重關(guān)系，最大化體現(xiàn)出其在膿毒癥預測時的重要作用，降低了預測準確性。

4、現(xiàn)有技術(shù)中還可能存在通過一個初始預測概率作為使用哪個分類模型進行下一步精準預測的依據(jù)，但是使用不準確的初始預測概率作為分類的判斷依據(jù)又會進一步降低最終預測結(jié)果的準確性。

5、因此，亟需一種基于tigit靶點的膿毒癥風險預測方法和系統(tǒng)，能夠提高膿毒癥的預測精確度。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明一方面提供了一種基于tigit靶點的膿毒癥風險預測方法，所述預測方法包括如下步驟：

2、獲取預測膿毒癥的初始樣本數(shù)據(jù)；

3、將所述初始樣本數(shù)據(jù)輸入膿毒癥第一預測模型，獲得膿毒癥初始患病概率；

4、根據(jù)所述膿毒癥初始患病概率和預設(shè)的概率閾值進行比較，確定預測膿毒癥患病概率的方法，包括以下情況：

5、若膿毒癥初始患病概率高于預設(shè)的概率閾值，且tigit大于含量閾值，則為高患病概率，并將高患病概率樣本數(shù)據(jù)輸入膿毒癥高概率預測模型，獲得膿毒癥患病概率；

6、其他情況，則為低患病概率，并將低患病概率樣本數(shù)據(jù)輸入膿毒癥低概率預測模型，獲得膿毒癥患病概率；

7、根據(jù)膿毒癥初始患病概率和膿毒癥患病概率，通過權(quán)重分析法確定最終的膿毒癥預測結(jié)果。

8、進一步地，所述預測膿毒癥的初始樣本數(shù)據(jù)包括c-反應蛋白、降鈣素原、乳酸、白細胞計數(shù)、血小板計數(shù)、序貫器官衰竭評分、白細胞介素6、白細胞介素3、內(nèi)毒素、外毒素、凝血酶原時間、凝血活酶時間、d-二聚體、血肌酐、尿量、總膽紅素、丙氨酸氨基轉(zhuǎn)移酶、天門冬氨酸氨基轉(zhuǎn)移酶。

9、進一步地，所述高患病概率樣本數(shù)據(jù)包括c-反應蛋白、降鈣素原、乳酸、白細胞計數(shù)、血小板計數(shù)、序貫器官衰竭評分、白細胞介素6、白細胞介素3、tigit。

10、進一步地，所述低患病概率樣本數(shù)據(jù)包括tigit、c-反應蛋白、內(nèi)毒素、外毒素、凝血酶原時間、凝血活酶時間、d-二聚體、血肌酐、尿量、總膽紅素、丙氨酸氨基轉(zhuǎn)移酶、天門冬氨酸氨基轉(zhuǎn)移酶。

11、進一步地，訓練所述膿毒癥低概率預測模型的方法為：

12、獲取低患病概率樣本歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括多組低患病概率樣本數(shù)據(jù)和每組低患病概率樣本數(shù)據(jù)所對應的膿毒癥患病概率；

13、使用所述低患病概率樣本歷史數(shù)據(jù)對膿毒癥低概率預測模型進行訓練，直到滿足訓練結(jié)束條件。

14、進一步地，使用所述低患病概率樣本歷史數(shù)據(jù)對膿毒癥低概率預測模型進行訓練，包括以下步驟：

15、通過對所述低患病概率樣本歷史數(shù)據(jù)進行標準化處理，獲得訓練數(shù)據(jù)集；

16、利用所述訓練數(shù)據(jù)集訓練膿毒癥低概率預測模型，直到滿足相應的訓練結(jié)束條件，獲得膿毒癥低概率初始預測模型；

17、根據(jù)特征梯度計算方法，算得所述訓練數(shù)據(jù)集中各生物標志物對膿毒癥低概率初始預測模型的貢獻度；

18、基于特征重要性評估規(guī)則，對所述貢獻度進行評估，重新構(gòu)建訓練數(shù)據(jù)集；

19、使用重新構(gòu)建的訓練數(shù)據(jù)集，對膿毒癥低概率初始預測模型進行訓練，直到滿足相應的訓練結(jié)束條件，得到最終的膿毒癥低概率預測模型。

20、進一步地，基于特征重要性評估規(guī)則，對所述貢獻度進行評估，重新構(gòu)建訓練數(shù)據(jù)集具體為：

21、將所述貢獻度按照從大到小的順序排序；

22、選擇排名前n個貢獻度對應的生物標志物的訓練數(shù)據(jù)，重新構(gòu)建訓練數(shù)據(jù)集。

23、進一步地，各生物標志物對膿毒癥低概率初始預測模型的貢獻度的計算公式為：

24、；

25、式中，ψj表示第j種生物標志物的貢獻度，s表示不包括第j種生物標志物的特征子集，|s|表示集合s中的元素數(shù)量，|n|表示生物標志物的種類總數(shù)，f(s)表示膿毒癥低概率初始預測模型在特征子集s上的預測結(jié)果，f(s∪{j})表示膿毒癥低概率初始預測模型在特征子集s上加入第j種生物標志物的特征子集后的預測結(jié)果。

26、本發(fā)明的另一方面還提供一種基于tigit靶點的膿毒癥風險預測系統(tǒng)，用于執(zhí)行上述任一項所述的一種基于tigit靶點的膿毒癥風險預測方法，所述預測系統(tǒng)包括：

27、初始樣本數(shù)據(jù)獲取模塊，用于獲取預測膿毒癥的初始樣本數(shù)據(jù)；

28、毒癥初始患病概率預測模塊，與所述初始樣本數(shù)據(jù)獲取模塊相連，通過將所述初始樣本數(shù)據(jù)輸入膿毒癥第一預測模型，獲得膿毒癥初始患病概率；

29、膿毒癥患病概率預測模塊，與所述膿毒癥初始患病概率預測模塊相連，用于根據(jù)所述膿毒癥初始患病概率和預設(shè)的概率閾值進行比較，確定預測膿毒癥患病概率的方法，包括以下情況：

30、若膿毒癥初始患病概率高于預設(shè)的概率閾值，且tigit大于含量閾值，則為高患病概率，并將高患病概率樣本數(shù)據(jù)輸入膿毒癥高概率預測模型，獲得膿毒癥患病概率；

31、其他情況，則為低患病概率，并將低患病概率樣本數(shù)據(jù)輸入膿毒癥低概率預測模型，獲得膿毒癥患病概率；

32、輸出模塊，與所述膿毒癥患病概率預測模塊連接，用于根據(jù)膿毒癥初始患病概率和膿毒癥患病概率，通過權(quán)重分析法確定最終的膿毒癥預測結(jié)果。

33、本發(fā)明實施例具有以下技術(shù)效果：

34、本技術(shù)提供的基于tigit靶點的膿毒癥風險預測方法，將預測過程分為三個階段：

35、第一階段，先在不使用tigit作為初始樣本數(shù)據(jù)的情況下，獲得粗估的膿毒癥初始患病概率，避免其他生物標志物弱化其在診斷過程中重要性的問題；

36、第二階段，根據(jù)膿毒癥初始患病概率和tigit含量共同判定使用膿毒癥高/低概率預測模型獲得膿毒癥患病概率，不僅能充分tigit診斷膿毒癥的重要程度，還能克服僅使用準確度不高的膿毒癥初始患病概率作為判斷依據(jù)的不準確性，進一步提高最終預測結(jié)果的準確性；

37、第三階段，根據(jù)膿毒癥初始患病概率和膿毒癥患病概率，通過權(quán)重分析法確定最終的膿毒癥預測結(jié)果，由此得到的最終預測結(jié)果，既考慮了不同種類的樣本數(shù)據(jù)對預測結(jié)果的影響，又能夠兼顧高、低患病概率的樣本數(shù)據(jù)根據(jù)不同預測模型獲得的針對性更佳的膿毒癥患病概率，從整體上提高了膿毒癥的預測結(jié)果。