CN109859834A - 一种预测死亡率的处理方法及装置 - Google Patents

Abstract

本发明实施例提供一种预测死亡率的处理方法及装置，所述方法包括：获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的。所述装置执行上述方法。本发明实施例提供的预测死亡率的处理方法及装置，通过将基于ANN构建的预设模型的输出结果作为待预测患者在预设天数内的死亡率预测结果，能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

Description

一种预测死亡率的处理方法及装置

技术领域

本发明实施例涉及医学预测技术领域，具体涉及一种预测死亡率的处理方法及装置。

背景技术

随着乙型病毒性肝炎(HBV)相关慢加急性肝衰竭(ACLF)的发病率的增长，对由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者死亡率预测显得尤为重要。

现有技术采用晚期肝病模型MELD和/或改良型MELD来预测ACLF患者的死亡率，然而，预测精度并不能令人满意。现有技术更没有行之有效的方法来预测由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率。

因此，如何避免上述缺陷，如何提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度，成为亟须解决的问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种预测死亡率的处理方法及装置。

第一方面，本发明实施例提供一种预测死亡率的处理方法，所述方法包括：

获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；

输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

第二方面，本发明实施例提供一种预测死亡率的处理装置，所述装置包括：

获取单元，用于获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；

预测单元，用于输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；

输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：

所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；

输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

本发明实施例提供的预测死亡率的处理方法及装置，通过将基于ANN构建的预设模型的输出结果作为待预测患者在预设天数内的死亡率预测结果，能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例预测死亡率的处理方法流程示意图；

图2为本发明实施例预测死亡率的处理装置结构示意图；

图3为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例预测死亡率的处理方法流程示意图，如图1所示，本发明实施例提供的一种预测死亡率的处理方法，包括以下步骤：

S101：获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素。

具体的，装置获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素。装置可以是执行该方法的设备等。年龄对应Age、碱性磷酸酶对应ALP、谷氨酰转肽酶对应GGT、乙型肝炎E抗原对应HBeAg、是否出现肝性脑病对应HE，可以根据患者入院时的检测结果确定是否出现肝性脑病；血清钠对应NA、凝血酶原活动度对应PTA、总胆红素对应TBIL。

S102：输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

具体的，装置输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。预设天数可以根据实际情况设定，可选为28天(即从预测死亡率的当天算起，之后的28天)或90天。人工神经网络(ANN)由一组高度复杂且相互联系的处理单元(神经元)组成，这些处理单元与加权连接相关，它包括输入、输出和一个或多个隐藏层。28天和90天的死亡率包含导入可用数据的神经元，包括各种临床数据，人口统计学和实验室数据以及输出层包括输出不同预测结果的神经元。隐藏层被用来允许输入和输出神经元之间复杂的相互作用。

构建该预测模型需要先采集数据，具体可以是：患者的人口统计学、实验室变量、(HBV再活化、细菌感染、酒精中毒、消化道出血、肝毒性药物、手术)，并发症(低钠血症，自发性细菌性腹膜炎，肝性脑病，肝肾综合征)，肝、肾、脑、凝血、循环、呼吸等脏器功能衰竭是在HBV-ACLF诊断时和住院期间从患者病历或医院数据库中获得的。与临床预后相关的4个评分系统，包括CLIF-ACLF、MELD、MELD-Na和CTP评分，均在基线中计算。登记后28天和90天的死亡率是通过患者的病历或与家人的直接接触获得的。

需要说明的是：在使用该预设模型预测死亡率之前，需要预先对基于ANN构建的预设模型进行训练。进一步地，可以采用反向传播算法对基于ANN构建的预设模型进行训练。人工神经网络的优点包括自学习、自适应和推理过程。ANN可以从例子中学习，通过改变神经元内连接的权重，将每个输入与相应的输出连接起来。当应用时，输入将从第一层神经元传播到每一层神经元，直到产生输出。然后进行自适应过程。输出的值与期望输出的值进行比较。如果这两个值之间存在差异，就会产生一个错误信号，因此，可以使用反向传播(BP)算法来改变神经元间连接的权重，以减少网络的总体误差。在训练过程中，ANN与期望输出值之间的误差减小，直到达到最小值(即网络收敛)。ANN可以根据训练过程中积累的知识，从新的输入数据中产生输出，作为推理过程。因此，通过训练ANN能够准确预测数据。可以通过计算所生成的和期望的输出值之间的误差，通过BP对ANN的学习过程进行计算。调整神经元间连接的权重，以减少网络的整体误差。如果与交叉验证数据集相比，平方误差之和达到最小，则终止训练。最终，提供了每个病人28天和90天的死亡率预测结果。

进一步地，该方法还可以包括：将样本数据分别划分为训练数据和验证数据；在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。以684名患者的数据作为样本数据为例，可以将其中的423名患者(占比61.8％)的数据作为训练数据；可以将其中的261名患者(占比38.2％)的数据作为验证数据。

还可以对样本数据进行统计分析，所有的统计分析都可以使用SPSS软件(19.0版本，IBM,Armonk,NY)进行。使用Kolmogorov-Smirnov检验来评估样本数据是否为正态分布。在随访的28天和90天，患者被分为生存者和死亡者。连续变量，用平均值±标准偏差或中位数和四分位范围。对于分类变量，数据以频率或百分比表示。确定临床或生化参数(输入变量)与预后(输出变量)的关系后，选取具有统计学差异或重要临床特征的变量作为输入层，构建人工神经网络，以预测ACLF患者28-90天的死亡率。计算比值比(OR)和相应的95％置信区间(95％CI)。采用ROC曲线分析，对训练和验证队列中人工神经网络的预测性能进行了评估，分别应用ROC曲线下面积(AUR)，利用Masmaticl方法比较ANN和meld评分系统序列的预测性能。P<0.05认为差异有统计学意义。

结果

患者的基线特征

在这项研究中，回顾总结分析了684例被诊断为ACLF的患者，平均年龄为43.9±11.7岁、男性比例为85.1％。175名患者在28天的随访中死亡(25.6％)；在90天的随访中，251名患者死亡(36.7％)。其中研究中CTP、CLIF-ACLF和MELD-Na的分数分别是11(10、12),38.6±8.1,22.9(20.0,26.5),和20.0(18.1,28.0)。

ANN结构

根据28天和90天随访的结果，患者分为生存组和死亡者。PTA(OR＝0.908,95％CI:0.891-0.926,P<0.001)，TBil(OR＝1.003,95％CI:1.002-1.004,P<0.001)，age(OR＝1.037,95％CI:01.022–1.053,P<0.001),Na(OR＝0.923,95％CI:0.892–0.955,P<0.001),ALP(OR＝0.995,95％CI:0.991-0.999,P＝0.009)，GGT)(OR＝0.984,95％CI:0.975-0.993,P<0.001)，HE(OR＝5.623,95％CI:2.358–10.891,P<0.001)、HBeAg阳性率(OR＝0.616,95％CI:0.429-0.884,P＝0.009)与28天死亡率有显著相关性。所有这些变量都包含在构建ANN中。

此外，PTA(OR＝0.922,95％CI:0.907–0.937,P<0.001),TBil(OR＝1.003,95％CI:1.003–1.004,P<0.001),age(OR＝1.040,95％CI:1.026–1.054,P<0.001),NA(OR＝1.379,95％CI:1.113–1.708,P＝0.003),ALP(OR＝0.997,95％CI:0.993-1.000,P＝0.034),GGT(OR＝0.997,0.984,95％CI:0.994–0.999,P＝0.005),HE(OR＝2.235,95％CI:1.883–4.837,P<0.001)和HBeAg阳性率(OR＝1.005,95％CI:1.003–1.006,P<0.001)都与90天死亡率显著相关。同样，这些变量也包含在构建ANN中。

ANN对ACLF 28天/90天死亡率预测准确性的评价

对于训练队列中28天死亡率，ANN(AUR 0.948,95％CI 0.925-0.970)的预测精度显著高于meld评分系统，包括MELD(AUR0.777,95％CI:0.735-0.820,P<0.001)，MELD-na(AUR 0.758,95％CI:0.711-0.805,P<0.001)，在验证队列中，ANN 28天死亡率的AUR为0.748(95％CI:0.673-0.822)，仍优于MELD(AUR 0.619,95％CI:0.536-0.701,P＝0.0099)，MELD-Na(AUR 0.720,95％CI:0.642–0.799,P＝0.424),CTP(AUR 0.713,95％CI:0.634–0.792,P＝0.303),CLIF-ACLF(AUR 0.696,95％CI:0.615–0.777,P＝0.2004)。

训练队列90天死亡率ANN的预测精度为AUR 0.913(95％CI 0.887-0.938)，显著高于MELD(AUR 0.765,95％CI:0.726-0.805,P<0.001)，MELD-Na(AUR0.775,95％CI:0.733–0.817,P<0.001),CTP(AUR 0.712,95％CI:0.669–0.755,P<0.001),CLIF-ACLF(AUR0.818,95％CI:0.782–0.854,P<0.001),respectively在验证中,ANN的AUR为0.754(95％CI:0.697-0.812)，仍优于MELD(AUR 0.626,95％CI:0.560-0.691,P＝0.0193)，MELD-Na(AUR0.669,95％CI:0.604–0.733,P＝0.1330),CTP(AUR 0.656,95％CI:0.591–0.720,P＝0.0763),和CLIF-ACLF(AUR 0.632,95％CI:0.565–0.698,P＝0.264)

讨论

MELD和其他基于MELD的评分系统主要用于失代偿性肝硬化患者。然而，由于ACLF与肝硬化在多个方面存在差异(如死亡率)，MELD等基于MELD的评分系统不足以预测ACLF的死亡率。此外，与单因素相比，与多因素联合可以更有效地预测ACLF的预后。

人工神经网络可以用来模拟复杂的非线性生物系统。先确定了ACLF的风险因素。本研究中，发现在28～90天死亡组与生存组之间，PTA、年龄、TBil、Na、ALP、GGT、HE、HBeAg阳性率存在显著差异。研究表明，PTA与HBV-ACLF的死亡率相关。年龄、TBil和血清钠也是HBV-ACLF预后的预测因素。此外，低血红蛋白浓度据与ACLF的发展独立相关。此外，HBeAg阳性被证实与更严重的肝病相关。

然后，我们建立了一个基于ANN的模型，来预测HBV-ACLF在个体患者上的28-90天死亡率。该模型在一大批HBV-ACLF患者(n＝423)中进行训练和构建，然后在另一个独立队列中进行验证(n＝261)。ROC分析表明，与基于meld的评分系统相比，ANN模型对28、90死亡率的预测精度更高，包括MELD,MELD-na,CTP,CLIF-ACLF。这可能是由于复杂的，神经网络的多维和非线性特性。

本研究建立了预测模型，并在不同的队列中交叉验证。来自不同中心的数据可能会形成一个独立的预后模型。然而，人工神经网络涉及一个推理过程，以减少由新数据集引起的错误。结果，最终的表格提供了准确的28天和90天死亡率风险，更高的分数预测了HBV-ACLF更高的死亡风险。

综上所述，本发明实施例构建了一个基于ANN的模型来预测HBV-ACLF 28天和90天的死亡率，它显示相比于传统的基于meld的评分系统的优越性。

本发明实施例提供的预测死亡率的处理方法，通过将基于ANN构建的预设模型的输出结果作为待预测患者在预设天数内的死亡率预测结果，能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

在上述实施例的基础上，所述方法还包括：

预先对基于ANN构建的预设模型进行训练。

具体的，装置预先对基于ANN构建的预设模型进行训练。可参照上述实施例，不再赘述。

本发明实施例提供的预测死亡率的处理方法，进一步能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

在上述实施例的基础上，所述预先对基于ANN构建的预设模型进行训练，包括：

采用反向传播算法对基于ANN构建的预设模型进行训练。

具体的，装置采用反向传播算法对基于ANN构建的预设模型进行训练。可参照上述实施例，不再赘述。

本发明实施例提供的预测死亡率的处理方法，进一步能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

在上述实施例的基础上，所述方法还包括：

将样本数据分别划分为训练数据和验证数据。

具体的，装置将样本数据分别划分为训练数据和验证数据。可参照上述实施例，不再赘述。

在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。

具体的，装置在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。可参照上述实施例，不再赘述。

本发明实施例提供的预测死亡率的处理方法，进一步能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

图2为本发明实施例预测死亡率的处理装置结构示意图，如图2所示，本发明实施例提供了一种预测死亡率的处理装置，包括获取单元201和预测单元202，其中：

获取单元201用于获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；预测单元202用于输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

具体的，获取单元201用于获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；预测单元202用于输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

本发明实施例提供的预测死亡率的处理装置，通过将基于ANN构建的预设模型的输出结果作为待预测患者在预设天数内的死亡率预测结果，能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

在上述实施例的基础上，所述装置具体用于：预先对基于ANN构建的预设模型进行训练。

具体的，所述装置具体用于：预先对基于ANN构建的预设模型进行训练。

本发明实施例提供的预测死亡率的处理装置，进一步能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

在上述实施例的基础上，所述装置具体用于：采用反向传播算法对基于ANN构建的预设模型进行训练。

具体的，所述装置具体用于：采用反向传播算法对基于ANN构建的预设模型进行训练。

本发明实施例提供的预测死亡率的处理装置，进一步能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

在上述实施例的基础上，所述装置具体用于：将样本数据分别划分为训练数据和验证数据；在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。

具体的，所述装置具体用于：将样本数据分别划分为训练数据和验证数据；在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。

本发明实施例提供的预测死亡率的处理装置，进一步能够提高由乙型病毒性肝炎相关慢加急性肝衰竭导致的患者在预设天数内的死亡率的预测精度。

本发明实施例提供的预测死亡率的处理装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，所述电子设备包括：处理器(processor)301、存储器(memory)302和总线303；

其中，所述处理器301、存储器302通过总线303完成相互间的通信；

所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。

Claims (10)

1.一种预测死亡率的处理方法，其特征在于，包括：

获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；

输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

预先对基于ANN构建的预设模型进行训练。

3.根据权利要求2所述的方法，其特征在于，所述预先对基于ANN构建的预设模型进行训练，包括：

采用反向传播算法对基于ANN构建的预设模型进行训练。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将样本数据分别划分为训练数据和验证数据；

在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。

5.一种预测死亡率的处理装置，其特征在于，包括：

获取单元，用于获取待预测患者的年龄和检测指标参数；所述检测指标参数包括碱性磷酸酶、谷氨酰转肽酶、乙型肝炎E抗原、是否出现肝性脑病、血清钠、凝血酶原活动度和总胆红素；

预测单元，用于输入所述年龄和所述检测指标参数至预设模型，将所述预设模型的输出结果作为所述待预测患者在预设天数内的死亡率预测结果；所述预设模型是基于ANN构建的；其中，所述死亡率预测结果是由乙型病毒性肝炎相关慢加急性肝衰竭导致的。

6.根据权利要求5所述的装置，其特征在于，所述装置具体用于：

预先对基于ANN构建的预设模型进行训练。

7.根据权利要求6所述的装置，其特征在于，所述装置具体用于：

采用反向传播算法对基于ANN构建的预设模型进行训练。

8.根据权利要求6所述的装置，其特征在于，所述装置具体用于：

将样本数据分别划分为训练数据和验证数据；

在完成对所述训练数据的训练之后，采用所述验证数据验证完成训练的训练数据。

9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。