基于尿肽组学对早产儿进行监控的方法、装置、

本申请涉及深度学习，具体而言，本申请涉及一种基于尿肽组学对早产儿进行监控的方法、装置、电子设备计算机可读存储介质及计算机程序产品。背景技术：1、早产婴儿由于免疫系统发育不全，特别容易感染由社区获得性病原体和医院获得性病原体引起的严重败血症。新生儿晚发型脓毒症(late-onset sepsis,los)指新生儿出生72小时后受外界感染引发的脓毒症,是新生儿重症监护病房中严重威胁新生儿生命健康的典型重症疾病，与出生时的胎龄显著相关，多达36.3％的胎龄低于28周的新生儿至少会出现一次los发作。los的早期临床表现不典型，症状多样，缺乏特异性的临床表现，全身表现为发热、体温不稳定(体温过低或过高)、自发活动减少、厌食、吸吮无力、黄疸、腹泻、少尿及肾功能衰竭等多器官功能障碍。临床上迫切需要具有高特异性和高敏感性的诊断方法，旨在及时准确地识别这一弱势人群的los。技术实现思路1、本申请针对现有方式的缺点，提出一种基于尿肽组学对早产儿进行监控的方法、装置、电子设备计算机可读存储介质及计算机程序产品，用以解决相关技术存在损伤性采样、特异性不足、敏感性不足的技术问题。2、第一方面，本申请提供一种基于尿肽组学对早产儿进行监控的方法，其包括以下步骤：3、获得受试者任一时刻采集的尿液样本；4、确认所述尿液样本中与特定指征相关的特征峰的质谱数据；5、综合所述质谱数据、胎龄在预先训练的模型中确认所述受试者产生所述特定指征的倾向性。6、可选择地，所述任一时刻包括所述特定指征中的关键时刻，以及所述关键时刻之前和之后的若干个时刻至少之一。7、可选择地，所述特定指征包括急性肾损伤。8、进一步地，所述特定指征包括新生儿晚发型脓毒症。9、可选择地，所述质谱数据通过利用基质辅助激光解吸电离飞行时间质谱技术获得。10、可选择地，所述预先训练的模型的训练方法如下：11、分别获得具有所述特定指征的受试者和对照受试者的尿肽指纹图谱；12、基于尿液样本的采样时刻分别将所述尿肽指纹图谱与所述特征指征的关联性进行机器学习，13、确认预测性能最佳的采样时刻作为所述特定指征的关键时刻。14、进一步可选择地，所述预先训练的模型的训练方法如下：15、分别获得具有所述特定指征的受试者和对照受试者的尿肽指纹图谱并进行比对；16、基于尿液样本的采样时刻并结合纠正胎龄以确认所述特征峰；17、基于所述特征峰计算多肽风险得分指数；18、确认所述多肽风险得分指数最高的采样时刻作为所述特定指征的关键时刻。19、进一步地，所述纠正胎龄的计算方法为：胎龄和出生后日龄的总和。20、可选择地，所述特征峰的确认方法为：使用纠正胎龄与尿肽指纹图谱建立机器学习模型，通过置换变量计算模型损失度的方法计算每一个尿肽峰在模型中的变量重要性，将模型变量重要性排序前十的尿肽峰作为与相应时间度量密切相关的尿肽峰。21、进一步地，所述特征峰选自如下质荷比的多肽：mz_4007.16，mz_4658.41，mz_3883.65，mz_4684.24，mz_3867.39，mz_3991.35，mz_6192.26，mz_2998.93，mz_4870.15，mz_2982.46。22、更进一步地，所述多肽风险得分指数定义为通过对每个尿液样本的指纹图谱进行标准化之后，基于目标多肽进行加权组合，给每一个尿液样本一个数值属性，用于定量其风险大小。23、可选择地，所述机器学习模型包括随机森林回归模型、svm或knn其中之一。24、第二方面，本申请提供一种基于尿肽组学对早产儿进行监控的装置，其包括：25、采集模块，用于获得受试者任一时刻采集的尿液样本；26、检测模块，用于确认所述尿液样本中与特定指征相关的特征峰的质谱数据；27、预测模块，用于综合所述质谱数据、胎龄在预先训练的模型中确认所述受试者产生所述特定指征的倾向性。28、第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现如前所述基于尿肽组学对早产儿进行监控的方法的步骤。29、第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如前所述基于尿肽组学对早产儿进行监控的方法的步骤。30、第五方面，本申请提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现如前所述基于尿肽组学对早产儿进行监控的方法的步骤。31、本申请实施例提供的技术方案带来的有益技术效果包括：32、(1)本申请的方法利用质谱技术，对早产儿收集的尿液样本进行尿肽组检测，综合机器学习算法，建立早产儿晚发型脓毒症早期诊断模型，由此可以对早产儿任意时刻进行关于los的监控；33、(2)本申请的方法结合多个时间点的尿肽组分析，构建机器学习算法模型，构建出精准、高敏的早产儿los诊断模型。34、(3)本申请的方法分析时所采用的样本是尿液样本，可通过无创的方法进行采集，采集难度小，可减轻早产儿的应激和痛苦。35、(4)本申请的方法应用随机森林机器算法、无监督聚类以及多肽风险评分等方法共同验证患有los的早产儿尿肽组学具有不同于对照组早产儿的特征，基于尿肽组学数据诊断早产儿los具有可行性。36、本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。技术特征：1.一种基于尿肽组学对早产儿进行监控的方法，其特征在于，其包括以下步骤：2.如权利要求1所述的方法，其特征在于，所述任一时刻包括所述特定指征中的关键时刻，以及所述关键时刻之前和之后的若干个时刻至少之一。3.如权利要求1所述的方法，其特征在于，所述特定指征包括急性肾损伤。4.如权利要求1所述的方法，其特征在于，所述特定指征包括新生儿晚发型脓毒症。5.如权利要求4所述的方法，其特征在于，所述质谱数据通过利用基质辅助激光解吸电离飞行时间质谱技术获得。6.如权利要求4所述的方法，其特征在于，所述预先训练的模型的训练方法如下：7.如权利要求4所述的方法，其特征在于，所述预先训练的模型的训练方法如下：8.如权利要求7所述的方法，其特征在于，所述纠正胎龄的计算方法为：胎龄和出生后日龄的总和。9.如权利要求7所述的方法，其特征在于，所述特征峰的确认方法为：使用纠正胎龄与尿肽指纹图谱建立机器学习模型，通过置换变量计算模型损失度的方法计算每一个尿肽峰在模型中的变量重要性，将模型变量重要性排序前十的尿肽峰作为与相应时间度量密切相关的尿肽峰。10.如权利要求9所述的方法，其特征在于，所述特征峰选自如下质荷比的多肽：mz_4007.16，mz_4658.41，mz_3883.65，mz_4684.24，mz_3867.39，mz_3991.35，mz_6192.26，mz_2998.93，mz_4870.15，mz_2982.46。11.如权利要求7所述的方法，其特征在于，所述多肽风险得分指数定义为通过对每个尿液样本的指纹图谱进行标准化之后，基于目标多肽进行加权组合，给每一个尿液样本一个数值属性，用于定量其风险大小。12.如权利要求6或9所述的方法，其特征在于，所述机器学习模型包括随机森林回归模型、svm或knn其中之一。13.一种基于尿肽组学对早产儿进行监控的装置，其特征在于，其包括：14.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-12任一项所述基于尿肽组学对早产儿进行监控的方法的步骤。15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-12任一项所述基于尿肽组学对早产儿进行监控的方法的步骤。16.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-12任一项所述基于尿肽组学对早产儿进行监控的方法的步骤。技术总结本申请公开一种基于尿肽组学对早产儿进行监控的方法，其包括以下步骤：获得受试者任一时刻采集的尿液样本；确认所述尿液样本中与特定指征相关的特征峰的质谱数据；综合所述质谱数据、胎龄在预先训练的模型中确认所述受试者产生所述特定指征的倾向性。本申请的方法利用质谱技术，对早产儿收集的尿液样本进行尿肽组检测，综合机器学习算法，建立早产儿晚发型脓毒症早期诊断模型，由此可以对早产儿任意时刻进行关于新生儿晚发性脓毒症的监控。技术研发人员：沈薇,周宏伟,何彦,丘文,陈曦荛受保护的技术使用者：南方医科大学珠江医院技术研发日：技术公布日：2024/8/16