一种妊娠期高血压疾病患者不良结局的预测方法以及装置

摘要

本发明公开了一种妊娠期高血压疾病患者不良结局的预测方法以及装置，利用临床上易获取的HDP患者相关参数多指标建立了适用范围广泛、预测准确度高的HDP患者不良结局预测模型，并进行了可靠的内部验证及外部验证，可利用验证后的HDP患者不良结局预测模型提前对有可能发生不良结局的孕妇以及围产儿提出预警，进行适宜的干预及规范化的管理，旨在防治妊娠期高血压疾病患者发生不良结局、为临床医师对相关问题做出关键临床决策及改善母婴结局提供参考依据。

说明书

技术领域

本发明涉及生殖生育健康领域，特别是涉及一种妊娠期高血压疾病患者不良结局的预测方法以及装置。

背景技术

妊娠期高血压疾病(hypertensive disorders of pregnancy，HDP)是妊娠期有血压异常升高的一组特有疾病，包括妊娠期高血压、子痫前期-子痫、慢性高血压并发子痫前期和妊娠合并慢性高血压，是全球范围造成孕产妇和围产儿发病及死亡率增高的主要原因。目前病因尚不明确，有多因素、多通路、多机制等致病特点，妊娠展现出复杂而动态的过程，其病情可呈进展性变化并可随时恶化，发生如死亡、子痫、脑血管意外、肺水肿及胎盘早剥等严重并发症。

长期以来，国内外很多学者也致于妊娠期高血压疾病患者不良结局的预测，目前已有联合多指标开发了多个不良结局的预测模型。但是，这些现有模型也存在一定的局限性。例如有学者指出不同国家地区的医疗资源存在的差异可能会造成fullPIERS模型诊断能力不同，有学者对miniPIERS模型进行外部验证时发现其适用性有限，有些模型还未得到外部验证，还有的模型预测公式较为复杂、临床使用不方便，并且一些预测因子也并非临床常规检查项目。所以至今也尚无一套预测方法成熟地用于临床实践，而目前国内也尚缺乏预测妊娠期高血压疾病患者不良结局的多中心、大样本的研究。

综上所述可以看出，如何提供一种适用性高且预测能力强的妊娠期高血压疾病患者不良结局的预测方法是目前有待解决的问题。

发明内容

本发明的目的是提供一种妊娠期高血压疾病患者不良结局的预测方法以及装置，以解决现有妊娠期高血压疾病患者不良结局的预测模型具有较高局限性、诊断能力有限的问题。

为解决上述技术问题，本发明提供一种妊娠期高血压疾病患者不良结局的预测方法，包括：收集并录入不同地区多个医院在第一预选时间段内HDP患者的临床数据资料，生成第一HDP患者数据集，收集并录入预选医院在第二预选时间段内HDP患者的临床数据资料，生成第二HDP患者数据集；对所述第一HDP患者数据集中的多个变量进行单因素分析，筛选出差异有统计学意义的变量；将所述差异有统计学意义的变量及所述第一HDP患者数据集中有临床意义的变量纳入套索算法进行变量筛选，筛选得到初始预测变量；将所述初始预测变量纳入多因素logistic回归分析，筛选得到最优预测变量；将所述最优预测变量纳入二分类logistic回归分析，构建HDP患者不良结局预测模型基于所述第一HDP患者数据集，对所述HDP患者不良结局预测模型进行评价及内部验证；通过所述评价及所述内部验证后，将所述第二HDP患者数据集纳入所述HDP患者不良结局预测模型进行外部验证；通过所述外部验证后，采用预测公式、可视化列线图以及网页计算器的方式对所述HDP患者不良结局预测模型进行展示；将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率。

优选地，所述对所述第一HDP患者数据集中的多个变量进行单因素分析，筛选出差异有统计学意义的变量包括：

将所述第一HDP患者数据集由计量资料转换为分类资料，采用卡方检验、近似卡方检验或Fisher精确检验对所述分类资料进行比较；

对所述第一HDP患者数据集中的多个变量进行单因素logistic回归分析，筛选得到所述第一HDP患者数据集的多个变量中差异有统计学意义的变量。

优选地，所述将所述差异有统计学意义的变量及所述第一HDP患者数据集中有临床意义的变量纳入套索算法进行变量筛选，筛选得到初始预测变量包括：

将所述差异有统计学意义的变量及所述有临床意义的变量纳入套索算法进行变量筛选；

利用10折交叉验证法确定套索回归中的最优lambda值，以便将所述最优lambda值对应的变量系数不为0的变量设为初始预测变量。

优选地，所述基于所述第一HDP患者数据集，对所述HDP患者不良结局预测模型进行评价及内部验证包括：

采用ROC曲线、Hosmer-Lemeshow检验和校准曲线评估所述HDP患者不良结局预测模型的预测效能；

基于所述第一HDP患者数据集，采用bootstrap重复抽样法对所述HDP患者不良结局预测模型进行内部验证，并绘制第二校准曲线，以便根据所述第二校准曲线的斜率对所述HDP患者不良结局预测模型的一致性进行验证。

优选地，所述最优预测变量包括：

入院孕周、是否正规产检、表现症状数目、平均动脉压、血小板计数、纤维蛋白原、血清白蛋白、尿素及肌酐；

其中，所述表现症状包括头痛/头晕、眼花/视觉障碍、恶心/呕吐、右上腹痛/上腹痛、胸痛/呼吸困难、阴道出血伴腹痛。

优选地，所述通过所述外部验证后，采用预测公式、可视化列线图以及网页计算器对所述HDP患者不良结局预测模型进行展示包括：

通过所述外部验证后，以预测公式的方式对所述HDP患者不良结局预测模型进行展示；

其中，所述HDP患者不良结局预测模型的预测公式为：

logit(P)＝-4.218+0.550×(入院孕周为34～36

利用R语言的rms程序包建立所述HDP患者不良结局预测模型的可视化列线图；

将所述HDP患者不良结局预测模型建立在shiny网页中，得到所述网页计算器。

优选地，所述将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率包括：

根据所述待检测HDP患者的最优预测变量，将所述HDP患者不良结局预测模型的预测公式中所述待检测HDP患者符合的各项预测因子赋值为1，将所述待检测HDP患者不符合的各项预测因子赋值为0，计算所述待检测HDP患者发生不良结局的概率P。

优选地，所述将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率包括：

分别在所述可视化列线图中查找所述待检测HDP患者各项最优预测变量所对应的分值，以便将各项分值相加得到总分值；

根据所述总分值和所述可视化列线图的总得分轴确定所述待检测HDP患者发生不良结局的概率。

优选地，所述将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率包括：

在所述网页计算器的下拉选项中选择所述待检测HDP患者的最优预测变量，得到所述待检测HDP患者发生不良结局的概率。

本发明还提供了一种妊娠期高血压疾病患者不良结局的预测装置，包括：

数据收集模块，用于收集并录入不同地区多个医院在第一预选时间段内HDP患者的临床数据资料，生成第一HDP患者数据集，收集并录入预选医院在第二预选时间段内HDP患者的临床数据资料，生成第二HDP患者数据集；

单因素分析模块，用于对所述第一HDP患者数据集中的多个变量进行单因素分析，筛选出差异有统计学意义的变量；

套索分析模块，用于将所述差异有统计学意义的变量及所述第一HDP患者数据集中有临床意义的变量纳入套索算法进行变量筛选，筛选得到初始预测变量；

多因素分析模块，用于将所述初始预测变量纳入多因素logistic回归分析，筛选得到最优预测变量；

模型构建模块，用于将所述最优预测变量纳入二分类logistic回归分析，构建HDP患者不良结局预测模型；

内部验证模块，用于基于所述第一HDP患者数据集，对所述HDP患者不良结局预测模型进行评价及内部验证；

外部验证模块，用于通过所述评价及所述内部验证后，将所述第二HDP患者数据集纳入所述HDP患者不良结局预测模型进行外部验证；

模型展示模块，用于通过所述外部验证后，采用预测公式、可视化列线图以及网页计算器的方式对所述HDP患者不良结局预测模型进行展示；

预测模块，用于通过所述外部验证后，将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率。

本发明所提供的妊娠期高血压疾病患者不良结局的预测方法，回顾性收集位于不同地区的多个医院在第一预选时间段内的HDP患者的临床数据资料，生成用于构建HDP患者不良结局预测模型、模型评价及内部验证的第一HDP患者数据集。回顾性收集预选医院在第二预选时间段内HDP患者的临床数据资料，生成用于预测模型外部验证的第二HDP患者数据集。对第一HDP患者数据集中的多个变量进行单因素分析，筛选出差异有统计学意义的变量。将差异有统计学意义的变量及有临床意义的变量纳入套索算法进行变量筛选，将套索回归筛选出的变量再纳入多因素logistic回归，从而筛选出最优预测变量。将最优预测变量纳入二分类logistic回归分析，构建HDP患者不良结局预测模型，并对HDP患者不良结局预测模型进行评价、内部验证及外部验证。预测模型通过评价及验证后，以三种方式对预测模型进行了展示。可将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，得到待检测HDP患者发生不良结局的概率。

本发明所提供的方法，在HDP病例来源上，可以兼顾不同地理地域差异，为建立精准的HDP患者不良结局预测模型奠定了基础，提高了预测模型的适用性；并采用与建模队列不同时间段不同区域HDP患者的临床数据资料进行预测模型的外部验证，保证了预测模型的可靠性。本发明筛选变量的方法采用了套索分析，在处理高纬度、多重共线性的数据时具有明显的优势，进一步的提高了预测模型的预测效能。本发明利用临床上易获取的HDP患者相关参数多指标建立了适用范围广泛、预测准确度高的HDP患者不良结局预测模型，并在外部人群中进行验证，以便提取对有可能发生不良结局的孕妇以及围产儿提出预警，并进行适宜的干预及规范化的管理。且本发明采用了预测公式，可视化列线图以及网页计算器三种方式对构建的HDP患者不良结局预测模型进行了展示，可以直观分析各个影响因素，利于医务人员随时随地简单快速地评估HDP患者并发症的风险概率，为给予个性化临床方案的制定提供了参考依据。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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为本发明所提供的妊娠期高血压疾病患者不良结局的预测方法的第一种具体实施例的流程图；

图2为本发明所提供的妊娠期高血压疾病患者不良结局的预测方法的第二种具体实施例的流程图；

图3为本发明所提供的妊娠期高血压疾病患者不良结局模型构建的技术路线图；

图4为LASSO回归分析结果示意图；

图5为多因素logistic回归分析结果示意图；

图6A为评价HDP患者不良结局预测模型的ROC曲线图；

图6B为评价HDP患者不良结局预测模型的校准曲线图；

图7为HDP患者不良结局预测模型内部验证结果对应的校准曲线图；

图8A为HDP患者不良结局预测模型外部验证结果对应的ROC曲线图；

图8B为HDP患者不良结局预测模型外部验证结果对应的校准曲线图；

图9为HDP患者不良结局预测模型的列线图；

图10为HDP患者不良结局预测模型的网页计算器界面示意图；

图11为本发明实施例提供的一种妊娠期高血压疾病患者不良结局的预测装置的结构框图。

具体实施方式

本发明的核心是提供一种妊娠期高血压疾病患者不良结局的预测方法以及装置，提高了HDP患者不良结局预测模型的适用性及预测效果。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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做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。

请参考图1，图1为本发明所提供的妊娠期高血压疾病患者不良结局的预测方法的第一种具体实施例的流程图；具体操作步骤如下：

步骤S101：收集并录入不同地区多个医院在第一预选时间段内HDP患者的临床数据资料，生成第一HDP患者数据集，收集并录入预选医院在第二预选时间段内HDP患者的临床数据资料，生成第二HDP患者数据集；

在本实施例中，可以回顾性收集2011年5月1日至2019年5月1日于苏州大学附属第一医院和四川省妇幼保健院分娩且入院诊断为HDP患者，排除住院治疗未终止妊娠、病史资料不完善以及收集预测数据前已出现临床结局的患者的临床资料进行模型的建立及内部验证。回顾性收集2019年5月2日至2020年5月2日在苏州大学附属第一医院分娩的HDP患者相关数据进行模型的外部验证。研究对象的相关临床资料来源于两家医院病案室的患者病历数据系统。

采用EpiData 3.1软件对所述HDP患者的临床数据资料进行录入。所述HDP患者的临床数据资料具体可以包括：年龄、妊娠情况、孕周、产检情况、合并疾病及并发症等相关基本信息；入院时的血压、表现的不适临床症状，血常规、凝血、尿液、肝肾功能等实验室指标；以及对应的妊娠结局。母体特征和临床表现源于首次病程录中的相关记录。孕周通过早孕期(顶臀长)或中孕期(双顶径、腹周径、股骨长)超声进行核对。产检情况根据产检记录表评估(将病程中记录为未产检或未规律产检即定为未正规产检)。平均动脉压＝(收缩压+2×舒张压)/3。相关实验室检查指标收集于患者入院24h内的化验结果，若期间多次测量选取首次检测结果；若入院检验结果缺失则以患者入院当日门诊产检的结果代替。

步骤S102：对所述第一HDP患者数据集中的多个变量进行单因素分析，筛选出差异有统计学意义的变量；

利用SPSS 24.0及R 3.6.3软件进行统计学分析，统计检验均为双侧概率检验，以P＜0.05认为差异有统计学意义。为便于分析及易于临床使用，综合临床实际以及最佳截断值(cut-off值)将计量资料转换为分类资料。分类资料采用卡方检验、近似卡方检验或Fisher精确检验进行比较，以百分比进行统计描述。对所述第一HDP患者数据集中的多个变量进行单因素logistic回归分析，以便筛选出差异有统计学意义的变量。

步骤S103：将所述差异有统计学意义的变量及所述第一HDP患者数据集中有临床意义的变量纳入套索算法进行变量筛选，筛选得到初始预测变量；

将两组差异有统计学意义或被认为有临床意义的变量纳入套索算法(LeastAbsolute Shrinkage and Selection Operator，LASSO)进行变量的筛选。选取10折交叉验证法来确定LASSO回归中的最优调节参数lambda，从而可得到在最优调节参数lambda条件下变量系数不为0的变量，作为初始预测变量。

步骤S104：将所述初始预测变量纳入多因素logistic回归分析，筛选得到最优预测变量；

将LASSO筛选出的初始预测变量再纳入多因素logistic回归，从而可筛选出最优预测变量。

步骤S105：将所述最优预测变量纳入二分类logistic回归分析，构建HDP患者不良结局预测模型；

步骤S106：基于所述第一HDP患者数据集，对所述HDP患者不良结局预测模型进行评价及内部验证；

在本发明中，可以采用ROC曲线、Hosmer-Lemeshow检验和校准曲线等评估所述HDP患者不良结局预测模型的预测效能。完成所述HDP患者不良结局预测模型的评价后，利用bootstrap重复取样(1000次)的方法对所述HDP患者不良结局预测模型进行内部验证。

步骤S107：通过所述评价及所述内部验证后，将所述第二HDP患者数据集纳入所述HDP患者不良结局预测模型进行外部验证；

步骤S108：通过所述外部验证后，采用预测公式、可视化列线图以及网页计算器的方式对所述HDP患者不良结局预测模型进行展示；

步骤S109：将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率。

HDP患者不良结局的定义基于Delph共识及相关文献报道。在本发明中为复合不良结局，即只要发生其中一种不良结局，则认为该患者发生了不良结局。孕产妇不良结局包括：孕产妇死亡；中枢神经系统(子痫、格拉斯昏迷评分＜13分、中风或可逆性缺血性神经系统障碍、皮质盲或视网膜剥离、一过性缺血和迟发型可逆性脑病等)；心血管和呼吸系统[强心治疗、心肌缺血或梗死、脉氧饱和度＜90％、需高浓度吸氧(氧浓度分数≥50％)超过1h、除剖宫产外的插管、肺水肿和严重不能控制的高血压(使用三种以上降压药)等]；血液系统[输血制品、输血前血小板计数＜50×10

需要说明的是，在本发明中并不对收集HDP患者临床数据资料，构建第一HDP患者数据集及第二HDP患者数据集的医院及时间段进行限定。在本发明所提供的其他实施例中，也可根据实际应用情况，采集不同地区多个医院的预选时间段内HDP患者的临床数据资料构建HDP患者不良结局预测模型，并采取与建模队列不同时间段、不同区域人群进行模型的外部验证。且经过统计分析得到的用于构建HDP患者不良结局预测模型的最优预测变量在本发明中也不作限定，筛选得到的最优预测变量由纳入单因素回归分析及多因素回归分析的自变量决定，且纳入统计学分析的自变量也可根据实际应用情况设定。

本发明实施例基于中国国情、结合临床及国内外报道的相关预测模型，综合分析了来源于国内两个医疗中心的HDP患者的一般资料、临床症状及相关实验室检查指标等资料，建立了一个可以准确预测HDP患者不良结局的预测模型，并进行了可靠的内部及外部验证。基于本发明所提供的方法，可以在入院时能对患者进行个体化和系统化的实时评估及风险预测，针对有高风险发生不良结局的母儿进行早期识别、加强监测、转诊至上级医疗机构、适时终止妊娠，预测风险较低的患者可进行期待治疗、在母儿安全保障下尽量延长孕周等管理，这都为临床医师做出决策及改善母儿结局提供参考。且本发明实施例所构建的预测模型，采用三种方法进行展示，特别是对于其中的可视化列线图以及网页计算器，能直观分析各个影响因素，利于医务人员随时随地简单快速地评估HDP患者并发症的风险概率。

基于上述实施例，在本实施例中，基于8年间中国东西两地两所医疗机构的2978例HDP的临床数据资料进行单因素分析及多因素分析，筛选得到的最优预测变量；将所述最优预测变量纳入二分类logistic回归分析，以建立所述HDP患者不良结局预测模型；且提供了预测公式、可视化列线图、网页计算器三种方式对所述HDP患者不良结局预测模型进行展示。

请参考图2和图3，图2为本发明所提供的妊娠期高血压疾病患者不良结局的预测方法的第二种具体实施例的流程图，图3为本发明所提供的妊娠期高血压疾病患者不良结局模型构建的技术路线图；本发明所提供的方法具体操作步骤如下：

步骤S201：收集并录入不同地区多个医院在第一预选时间段内HDP患者的临床数据资料，生成第一HDP患者数据集，收集并录入预选医院在第二预选时间段内HDP患者的临床数据资料，生成第二HDP患者数据集；

步骤S202：将所述第一HDP患者数据集由计量资料转换为分类资料，采用卡方检验、近似卡方检验或Fisher精确检验对所述分类资料进行比较；

步骤S203：对所述第一HDP患者数据集中的多个变量进行单因素logistic回归分析，筛选得到所述第一HDP患者数据集的多个变量中差异有统计学意义的变量；

步骤S204：将所述差异有统计学意义的变量及所述第一HDP患者数据集中有临床意义的变量纳入套索算法进行变量筛选，筛选得到初始预测变量；

基于8年间中国东西两地两所医疗机构的2 978例HDP的数据资料进行分析。如图4所示，将39个自变量全部纳入进行LASSO回归分析，筛选出的初始预测变量包括入院孕周、是否正规产检、表现的症状数目(头晕/头痛、眼花/视觉障碍、恶心/呕吐、右上腹痛/上腹痛、胸痛/呼吸困难、阴道出血伴腹痛)、平均动脉压、血小板计数、纤维蛋白原、血清白蛋白、尿素及肌酐指标。

步骤S205：将所述初始预测变量纳入多因素logistic回归分析，筛选得到最优预测变量；

如图5所示，将LASSO筛选出的初始预测变量纳入向前逐步回归的多因素分析，共有9个影响因素进入最终模型，即为最优预测变量，分别为入院孕周、是否正规产检、表现的症状数目(头晕/头痛、眼花/视觉障碍、恶心/呕吐、右上腹痛/上腹痛、胸痛/呼吸困难、阴道出血伴腹痛)、平均动脉压、血小板计数、纤维蛋白原、血清白蛋白、尿素及肌酐。

步骤S206：将所述最优预测变量纳入二分类logistic回归分析，构建HDP患者不良结局预测模型；

将所述最优预测变量纳入二分类logistic回归分析，以建立HDP患者不良结局预测模型，模型的各个参数如表1所示。

表1二分类logistic回归分析结果

步骤S207：采用ROC曲线、Hosmer-Lemeshow检验和校准曲线评估所述HDP患者不良结局预测模型的预测效能；

根据ROC曲线分析显示AUC为0.878(95％CI：0.858～0.897)，如图6A所示，利用约登指数得出cut-off值为13.6％，此时灵敏度为77.8％，特异度为84.8％。Hosmer-Lemeshow检验显示，P＝0.257＞0.05，说明模型校准度良好；并绘制校准图，如图6B所示，其Brier值为0.072，校准斜率为1，截距为0，提示预测的不良结局的概率与实际观察到的概率之间存在较好的一致性。

步骤S208：基于所述第一HDP患者数据集，采用bootstrap重复抽样法对所述HDP患者不良结局预测模型进行内部验证，并绘制第二校准曲线，以便根据所述第二校准曲线的斜率对所述HDP患者不良结局预测模型的一致性进行验证；

内部验证采用bootstrap重复抽样的方法，如图7所示，所述第二校准曲线基本沿45°对角线分布走行，提示模型一致性较好。

步骤S209：通过所述评价及所述内部验证后，将所述第二HDP患者数据集纳入所述HDP患者不良结局预测模型进行外部验证；

外部验证则利用233例HDP患者的相关临床资料纳入建立好的预测公式中进行计算，入院48h内发生不良结局的AUC为0.872(95％CI：0.807～0.937)，以预测概率13.6％视为高危，灵敏度为70％、特异度为87.6％，如图8A所示。经Hosmer-Lemeshow检验：P＝0.313＞0.05，并绘制校准曲线，如图8B所示，发现其Brier值为0.094，斜率为1.001，表明校准度良好，模型的预测可能会略低估实际发生不良结局的可能性。

步骤S210：通过所述外部验证后，采用预测公式、可视化列线图以及网页计算器的方式对所述HDP患者不良结局预测模型进行展示；

步骤S211：将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率。

在本实施例中，提供了三种方式对所述HDP患者不良结局预测模型进行展示：

(1)预测公式：

利用所述HDP患者不良结局预测模型的预测公式进行预测，将待检测HDP患者的每一个预测变量代入预测公式进行计算，将预测公式中HDP患者符合的各项预测因子赋值为1，将待检测HDP患者不符合的各项预测因子赋值为0，计算得到所述待检测HDP患者发生不良结局的概率。

所述HDP患者不良结局预测模型的预测公式如下所示：

logit(P)＝-4.218+0.550×(入院孕周为34～36

如图9所示，利用R语言的rms程序包建立所述HDP患者不良结局预测模型的列线图(nomogram)。根据每一例HDP患者的预测变量分别在nomogram中找到对应的分值(Points)，将各项分值相加得到总分(Total Points)，再根据图中总得分轴确定该例HDP患者在入院48h内发生不良结局的预测概率(P)。例如，某例HDP患者年龄入院孕周为34

(3)网页计算器

方便临床应用，本实施例还将所述HDP患者不良结局预测模型建立在shiny网页中，得到网页计算器，链接如下：https://sdfyyfck.shinyapps.io/HDPapp/。如图10所示。将所述网页计算器打开后，在下拉选项中选出患者对应的临床数据，最后点击左下角的predict，右边即可计算具体的发生概率，上述HDP患者，通过网页计算器计算得到其不良结局的发生概率为8％。

本发明实施例基于中国HDP患者预测不良结局的双中心研究，两家医院分别位于中国东西两地，在病例来源上，很好的兼顾了地理地域差异，为建立精准的预测公式奠定了基础。其次，本发明的研究对象广泛纳入了HDP患者，这对那些暂不能确诊为哪一类的HDP患者有更好的适用性。再者，本发明筛选变量的方法采用的为LASSO分析，该方法在处理高纬度、多重共线性的数据时有明显的优势。并且本发明所构建的HDP患者不良结局预测模型的预测因子是低成本和易获取的，均能在临床病史采集及入院检查常规涉及，这为大范围开展模型预测提供了可行性，也体现了较好的卫生经济学理念。此外，我们还构建了可视化的列线图以及创建了网页计算器，这能直观分析各个影响因素，利于医务人员随时随地简单快速地评估HDP患者并发症的风险概率，为给予个性化临床方案的制定提供了参考依据。

请参考图11，图11为本发明实施例提供的一种妊娠期高血压疾病患者不良结局的预测装置的结构框图；具体装置可以包括：

数据收集模块100，用于收集并录入不同地区多个医院在第一预选时间段内HDP患者的临床数据资料，生成第一HDP患者数据集，收集并录入预选医院在第二预选时间段内HDP患者的临床数据资料，生成第二HDP患者数据集；

单因素分析模块200，用于对所述第一HDP患者数据集中的多个变量进行单因素分析，筛选出差异有统计学意义的变量；

套索分析模块300，用于将所述差异有统计学意义的变量及所述第一HDP患者数据集中有临床意义的变量纳入套索算法进行变量筛选，筛选得到初始预测变量；

多因素分析模块400，用于将所述初始预测变量纳入多因素logistic回归分析，筛选得到最优预测变量；

模型构建模块500，用于将所述最优预测变量纳入二分类logistic回归分析，构建HDP患者不良结局预测模型；

内部验证模块600，用于基于所述第一HDP患者数据集，对所述HDP患者不良结局预测模型进行评价及内部验证；

外部验证模块700，用于通过所述评价及所述内部验证后，将所述第二HDP患者数据集纳入所述HDP患者不良结局预测模型进行外部验证；

模型展示模块800，用于通过所述外部验证后，采用预测公式、可视化列线图以及网页计算器的方式对所述HDP患者不良结局预测模型进行展示；

预测模块900，用于将待检测HDP患者的最优预测变量输入所述HDP患者不良结局预测模型，输出所述待检测HDP患者发生不良结局的概率。

本实施例的妊娠期高血压疾病患者不良结局的预测装置用于实现前述的妊娠期高血压疾病患者不良结局的预测方法，因此妊娠期高血压疾病患者不良结局的预测装置中的具体实施方式可见前文中的妊娠期高血压疾病患者不良结局的预测方法的实施例部分，例如，数据收集模块100，单因素分析模块200，套索分析模块300，多因素分析模块400，模型构建模块500，内部验证模块600，外部验证模块700，模型展示模块800，预测模块900，分别用于实现上述妊娠期高血压疾病患者不良结局的预测方法中步骤S101，S102，S103，S104，S105，S106，S107，S108和S109，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

以上对本发明所提供的妊娠期高血压疾病患者不良结局的预测方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。