基于症状体征的即时可解释性病毒性肺炎病情分级判别模型构建方法、判别系统和应用

针对现有病毒性肺炎相关预测模型缺乏病情分级的精准区分、模型构建依赖实验室及影像学数据、可解释性不足等问题，本申请提供了一种基于症状体征的即时可解释性病毒性肺炎病情分级判别模型构建方法，包括：获取受检者的临床信息，构建样本数据集；确定N个初步临床表现变量，并筛选出M个变量，作为临床症状体征特征向量；分别构建多个机器学习模型，确定最优模型；将M个临床症状体征特征向量纳入最优模型，建立病毒性肺炎病情分级判别模型；对最优模型进行SHAP可解释性分析；构建有序逻辑回归模型并绘制诺莫图，根据诺莫图显示不同临床症状体征特征向量对应得分及病情分级判别概率，以实现早期病情的准确识别与临床便捷可操作性。