1. 研究目的与意义
液体容量超负荷与慢性肾功能衰竭患者的心血管不良结局密切相关。维持血液的稳定是血液透析(HD)治疗目标的主要组成部分。然而，准确评估液体体积状态仍然是一个令人担忧的问题。目前，干重被认为是评价血液透析患者体液平衡的重要指标。干重可以描述为患者的组织中没有过多的细胞外液，体液更接近健康状态，维持正常的液体摄入和输出平衡的重量。传统的基于患者透析间体重增加和临床体征的干重方法，似乎费时费力，且依赖于操作人员。近年来，随着新技术的出现，干重目标的指标得到了进一步的探索。生物电阻抗分析(BIA)已经被提出用来确定DW。下腔静脉内径指标法(IVCDI)、体成分监测仪(BCM)和肺超声(LUS)是目前报道的估测DW的新方法。然而，这些方法都需要专门的仪器和专业技术人员来完成，而且设备有限。通过患者的一些常规身体信息来估算干体重是一种省时省力的方法。例如，一些生理参数如血压可以预测干重，通过一些临床参数构建预测模型来准确评估干重是可能的。机器学习(ML)或深度学习已经解决了许多医学上常见的临床问题，如癌症分析、脑部疾病、糖尿病等。
传统的临床和仪器(BIA)测量既耗时又昂贵。利用回归模型建立的预测模型可以快速估计干重值，为医学专业人员提供参考。在本研究中，我们开发了基于最大平均相似度的多核支持向量回归模型来预测干重。
2. 研究内容和预期目标
血液透析的目标之一是去除体内多余的水分。目前，干重已被用作评估血液透析患者体液稳态的重要指标。已经提出了几种基于临床的方法来评估干重。但是，传统的干重测量方法取决于专用仪器和专业技术人员。基于血液透析患者的历史数据，我们通过机器学习构建干重预测模型。我们收集了476名血液透析患者的人口统计学数据，人体测量学数据，多频率生物电阻抗分析（MF-BIA）。人体测量项目包括体重（BW）和身高（BH），血压（BP）和心率（HR），白蛋白和透析年（YD）。提出了一种支持向量回归（SVR）模型来预测血液透析患者的干重。为了提高基本SVR模型的性能，采用基于无监督多核学习，通过优化算法对多个核函数进行线性组合。此外，还需开发一套血透患者干体重管理系统。管理维护患者信息。该系统利用多核SVR模型来及时评估患者的干体重。
3. 研究的方法与步骤
1.要求学生掌握web开发技术和机器学习方法：
掌握html5,javascript,j2ee，python语言等技术。
2.掌握机器学习基础知识，熟练使用相关算法工作：
4. 参考文献
| [1]Grassmann A. U.K.I., Bonnie Schorn E., et al. Composition and management ofhemodialysis fluids[J]. Legenrich: Pabst Science Publishers, 2000: 124–132. [2] Wabel P. C.P.U., Jirka T. Importance of whole-body bioimpedancespectroscopy for the management of fluid balance[J]. Blood Purification,2009, 27(1): 75-80. [3] Alexiadis G. P.S., Roumeliotis S., et al. Comparison of multiple fluidstatus assessment methods in patients on chronic hemodialysis[J].International Urology and Nephrology, 2016, 49(3): 525-532. [4] Ohashi Y. S.K., Hase H., Joki N. Dry weight targeting: The art andscience of conventional hemodialysis[J]. Seminars in Dialysis, 2018, 0(0) [5] Asmat H. I.R., Sharif F., et al. Validation of bioelectrical impedanceanalysis for assessing dry weight of dialysis patients in Pakistan[J]. SaudiJournal of Kidney Diseases and Transplantation, 2017, 28(2): 285-291. [6] Jiang C. P.S., Moses A., et al. Use of lung ultrasonography to determinethe accuracy of clinically estimated dry weight in chronic hemodialysispatients[J]. International Urology and Nephrology, 2017, 49(12): 2223-2230. [7] Siriopol D. O.M., Voroneanu L., et al. Dry weight assessment by combinedultrasound and bioimpedance monitoring in low cardiovascular riskhemodialysis patients: a randomized controlled trial[J]. InternationalUrology and Nephrology, 2016, 49(1): 143-153. [8] Susantitaphong P. L.S., Tiranathanagul K., et al. Reliability of bloodpressure parameters for dry weight estimation in hemodialysis patients[J].Therapeutic Apheresis and Dialysis, 2013, 17(1): 9-15. |
5. 计划与进度安排
(1) 2022年1月10日—2022年1月30日接受毕业设计任务，查阅资料并完成开题报告；
(2) 2022年2月1日—2022年2月8日选择开发工具，并配置其环境；
(3) 2022年2月9日—2022年2月23日完成算法的设计和机器学习模型的选择，以及网站软件需求分析和概要设计；
