药物治疗结果预测模型生成方法、装置、终端及存储介质制造方法及图纸

本发明专利技术公开了一种药物治疗结果预测模型生成方法、装置、终端及存储介质。方法包括：获取多个患者的临床数据，根据所述多个患者的临床数据生成至少一个第一训练数据集，每个所述第一训练数据集中包括多组训练数据，每组所述训练数据包括样本临床特征和对应的药物治疗结果；根据至少一个机器学习算法构建多个初始模型，根据各个所述第一训练数据集分别对所述初始模型进行训练后得到多个待选模型；根据所述多个待选模型的测试结果确定药物治疗结果预测模型。本发明专利技术，能够生成更加准确地预测药物治疗结果的机器学习模型，从而实现通过药物治疗结果预测模型预测患者的药物治疗结果以确定患者是否耐药，缩短了识别耐药患者的时间。

【技术实现步骤摘要】
药物治疗结果预测模型生成方法、装置、终端及存储介质
本专利技术涉及医疗
，特别涉及一种药物治疗结果预测模型生成方法、装置、终端及存储介质。
技术介绍
结节性硬化症是由基因突变引起的常染色体显性遗传疾病，大多数结节性硬化症患者会有癫痫发作，癫痫是结节性硬化症的许多症状表现中最影响生活质量的症状之一，癫痫的主要治疗方法是抗癫痫药，然而，很多癫痫患者是耐药的，尽早识别出对药物治疗无效的患者非常重要目前，只有患者长时间复用药物无效才会发现患者耐药，而这一过程又需要较长时间。因此，现有技术还有待改进和提高。
技术实现思路
针对现有技术的上述缺陷，提供一种药物治疗结果预测模型生成方法、装置、终端及存储介质，旨在解决现有技术中识别耐药患者耗时长的问题。本专利技术的第一方面，提供一种药物治疗结果预测模型生成方法，包括：获取多个患者的临床数据，根据所述多个患者的临床数据生成至少一个第一训练数据集，每个所述第一训练数据集中包括多组训练数据，每组所述训练数据包括样本临床特征和对应的药物治疗结果；根据至少一个机器学习算法构建多个初始模型，根据各个所述第一训练数据集分别对所述初始模型进行训练后得到多个待选模型；根据所述多个待选模型的测试结果确定药物治疗结果预测模型。所述的药物治疗结果预测模型生成方法，其中，每个所述训练数据集的训练数据中的样本临床特征的类别一致，所述根据所述多个患者的临床数据生成至少一个第一训练数据集，包括：从所述多个患者的临床数据中提取多个特征类别；对所述多个特征类别采用至少一种预设特征选择方法进行特征选择以确定所述至少一个第一训练数据集中的样本临床特征的类别；根据所述样本临床特征的类别构建所述第一训练数据集。所述的药物治疗结果预测模型生成方法，其中，所述对所述多个特征类别采用至少一种预设特征选择方法进行特征选择以确定所述至少一个第一训练数据集中的样本临床特征的类别，包括：对所述多个特别类别采用目标预设特征选择方法选取预设数量个特征类别作为目标第一训练数据集中的样本临床特征的类别。所述的药物治疗结果预测模型生成方法，其中，所述预设特征选择方法包括方差分析检验、卡方检验以及互信息中的至少一种。所述的药物治疗结果预测模型生成方法，其中，所述机器学习算法包括决策树、随机森林、支持向量机、朴素贝叶斯、逻辑回归和多层感知机中的至少一种。所述的药物治疗结果预测模型生成方法，其中，所述根据所述多个待选模型的测试结果确定药物治疗结果预测模型，包括：获取各个所述待选模型的接收机工作特性曲线；获取接收机工作特性曲线的曲线下面积最高的所述待选模型作为目标模型；根据第二训练数据集对所述目标模型进行训练后生成所述药物治疗结果预测模型；其中，所述第二训练数据集中包括多组训练数据，每组训练数据中的样本临床特征类别与所述目标模型对应的所述第一训练数据集中的样本临床特别类别一致，所述第二训练数据集中的训练数据组数大于所述第一训练数据集中的训练数据组数。所述的药物治疗结果预测模型生成方法，其中，所述在所述多个待选模型中确定药物治疗结果预测模型之后，所述方法还包括：获取目标患者的临床数据，从所述目标患者的临床数据中提取出所述目标患者的临床特征；将所述临床特征输入至已训练的药物治疗结果预测模型生成模型中，通过所述药物治疗结果预测模型生成模型确定所述目标患者的药物治疗预测结果；其中，所述目标患者的临床特征的特征类别与训练所述药物治疗结果预测模型时使用的训练数据集中的所述样本临床特征的特别类别一致。本专利技术的第二方面，提供一种药物治疗结果预测模型生成装置，包括：训练数据生成模块，用于获取多个患者的临床数据，根据所述多个患者的临床数据生成至少一个第一训练数据集，每个所述第一训练数据集中包括多组训练数据，每组所述训练数据包括样本临床特征和对应的药物治疗结果；训练模块，用于根据至少一个机器学习算法构建多个初始模型，并根据各个所述第一训练数据集分别对所述初始模型进行训练后得到多个待选模型；确定模块，用于根据所述多个待选模型的测试结果确定药物治疗结果预测模型。本专利技术的第三方面，提供一种终端，包括：处理器、与处理器通信连接的存储介质，存储介质适于存储多条指令，处理器适于调用存储介质中的指令，以执行实现上述任一项所述的药物治疗结果预测模型生成方法的步骤。本专利技术的第四方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的药物治疗结果预测模型生成方法的步骤。有益效果：与现有技术相比，本专利技术提供了一种药物治疗结果预测模型生成方法、装置、终端及存储介质，对现有的患者临床数据进行不同类别的特征提取，并采用不同的机器学习算法构建不同的初始模型，在使用不同类别的样本特征进行训练后得到的模型中选择最终用于预测药物治疗结果的药物治疗结果预测模型，能够生成更加准确地预测药物治疗结果的机器学习模型，从而实现根据患者的临床数据提取的特征即可通过药物治疗结果预测模型预测患者的药物治疗结果以确定患者是否耐药，缩短了识别耐药患者的时间。附图说明图1为本专利技术提供的药物治疗结果预测模型生成方法的实施例的流程图；图2为本专利技术提供的药物治疗结果预测模型生成方法的实施例中审查的药物治疗结果预测模型生成和使用过程逻辑图；图3为本专利技术提供的药物治疗结果预测模型生成方法的实施例中各个待选模型的接收机工作特性曲线的曲线下面积统计图；图4为本专利技术提供的药物治疗结果预测模型生成方法的实施例中目标模型的接收机工作特性曲线示意图；图5为本专利技术提供的药物治疗结果预测模型生成装置的实施例的结构原理图；图6为本专利技术提供的终端的实施例的结构原理图。具体实施方式为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供的一种药物治疗结果预测模型生成方法，是可以应用在终端中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑等。实施例一如图1所示，本专利技术提供的药物治疗结果预测模型生成方法包括步骤：S100、获取多个患者的临床数据，根据所述多个患者的临床数据生成至少一个第一训练数据集，每个所述第一训练数据集中包括多组训练数据，每组所述训练数据包括样本临床特征和对应的药物治疗结果。本专利技术中基于有监督的机器学习方法生成药物治疗结果预测模型，有监督学习基于已有的多个输入-输出数据对，学习从输入到输出的一个映射，一个输入-输出对可表示为二元组(x,y)，称为一个训练样例，其中x为输入，y为输出。多个训练样例组成训练集。有监督学习方法通过训练集，推导出一个函数f:x→y。这个函数也可以输入训练集中没有的x本文档来自技高网...

【技术保护点】
1.一种药物治疗结果预测模型生成方法，其特征在于，包括：/n获取多个患者的临床数据，根据所述多个患者的临床数据生成至少一个第一训练数据集，每个所述第一训练数据集中包括多组训练数据，每组所述训练数据包括样本临床特征和对应的药物治疗结果；/n根据至少一个机器学习算法构建多个初始模型，根据各个所述第一训练数据集分别对所述初始模型进行训练后得到多个待选模型；/n根据所述多个待选模型的测试结果确定药物治疗结果预测模型。/n

【技术特征摘要】
1.一种药物治疗结果预测模型生成方法，其特征在于，包括：
获取多个患者的临床数据，根据所述多个患者的临床数据生成至少一个第一训练数据集，每个所述第一训练数据集中包括多组训练数据，每组所述训练数据包括样本临床特征和对应的药物治疗结果；
根据至少一个机器学习算法构建多个初始模型，根据各个所述第一训练数据集分别对所述初始模型进行训练后得到多个待选模型；
根据所述多个待选模型的测试结果确定药物治疗结果预测模型。


2.根据权利要求1所述的药物治疗结果预测模型生成方法，其特征在于，每个所述训练数据集的训练数据中的样本临床特征的类别一致，所述根据所述多个患者的临床数据生成至少一个第一训练数据集，包括：
从所述多个患者的临床数据中提取多个特征类别；
对所述多个特征类别采用至少一种预设特征选择方法进行特征选择以确定所述至少一个第一训练数据集中的样本临床特征的类别；
根据所述样本临床特征的类别构建所述第一训练数据集。


3.根据权利要求2所述的药物治疗结果预测模型生成方法，其特征在于，所述对所述多个特征类别采用至少一种预设特征选择方法进行特征选择以确定所述至少一个第一训练数据集中的样本临床特征的类别，包括：
对所述多个特别类别采用目标预设特征选择方法选取预设数量个特征类别作为目标第一训练数据集中的样本临床特征的类别。


4.根据权利要求2所述的药物治疗结果预测模型生成方法，其特征在于，所述预设特征选择方法包括方差分析检验、卡方检验以及互信息中的至少一种。


5.根据权利要求1所述的药物治疗结果预测模型生成方法，其特征在于，所述机器学习算法包括决策树、随机森林、支持向量机、朴素贝叶斯、逻辑回归和多层感知机中的至少一种。


6.根据权利要求1所述的药物治疗结果预测模型生成方法，其特征在于，所述根据所述多个待选模型的测试结果确定药物治疗结果预测模型，包括：
获取各个所述待选模型的接收机工作特性曲线；
获取接收机工作特性曲线的曲线下面积最高的所述待选模型...

【专利技术属性】
技术研发人员：赵霞，胡湛棋，廖建湘，赵彩蕾，段婧，袁碧霞，叶园珍，操德智，朱凤军，姚一，曾洪武，李德发，干芸根，王海峰，苏适，杨俊，
申请(专利权)人：深圳市儿童医院，
类型：发明
国别省市：广东;44