摘要
急性胰腺炎是一种腹部急性炎症性疾病，患者死亡率仍高达30％，特别是早期死亡最为常见。对急性胰腺炎患者进行早期死亡风险预测，一方面可为临床医生做出合理决策提供重要依据，帮助医生快速做出早期诊断，降低患者死亡率;另一方面可对患者进行风险分层，给予严重患者更快速的诊疗，从而合理分配有限医疗资源。然而在临床实践中，患者数据不平衡、样本量少等问题为急性胰腺炎早期死亡风险预测带来了挑战。在此背景下，研究小样本情形下的急性胰腺炎早期死亡风险预测方法，具有重要的实际意义和临床价值。 本文在对患者数据进行预处理并筛选有效特征的基础上，提出了基于小样本学习的急性胰腺炎患者早期死亡风险预测方法。主要研究内容分为以下几部分: 首先，从MIMIC-Ⅳ数据库中调取本文所使用的急性胰腺炎患者数据，并对患者数据进行缺失值填充、归一化和特征降维处理，通过结合卡方检验、方差分析和XGBoost方法筛选出判断患者早期死亡风险的重要特征。 其次，同时考虑数据增强和小样本模型，提出急性胰腺炎患者早期死亡风险预测方法。利用SmoteTomek采样方法生成新样本，在解决数据类别不平衡问题的同时，对小样本数据进行数据增强。然后利用基于图神经网络的小样本模型进行死亡风险预测，通过改用高斯函数作为注意力核函数聚合相似患者信息，从有限数量的训练示例中学习。数值实验表明，与随机森林、神经网络等7种经典机器学习算法相比，本文提出的方法具有较好的预测效果，其中灵敏度为0.9130，特异度为0.9637，F1分数为0.8235，AUC为0.9384。 最后，在小样本学习基础上，建立列线图用于患者死亡风险评分预测。利用常规和动态列线图，不仅方便医生简单直观地向患者讲解病情，还可以帮助患者在线进行风险预测。列线图评分预测模型与临床常用的SIRS、SOFA和SAPSⅡ评分相比，C指数为0.961，预测效果更好，且在临床决策效益方面也优于其他评分，具有较高的实用价值。
NETL