一种基于梯度一致性判断的药-时数据扩增方法技术

本发明专利技术公开了一种基于梯度一致性判断的药

【技术实现步骤摘要】
一种基于梯度一致性判断的药
‑
时数据扩增方法


[0001]本专利技术涉及药物代谢动力学数据建模及深度学习领域，特别是涉及一种基于梯度一致性判断的药
‑
时数据扩增方法。

技术介绍

[0002]药物代谢动力学(Pharmacokinetics,PK)，简称药动学，指定量研究药物在生物体内吸收、分布、代谢、排泄的动态过程
[1]。药动学的重要研究对象之一是血药浓度
‑
时间曲线，简称药
‑
时曲线，通过早期药
‑
时数据预测患者的反应过程，为临床研发、给药方案制定奠定基础。近年来神经网络的发展为药代动力学建模提供了新思路，在药
‑
时数据预测任务中表现出优于传统药代动力学建模方法的结果
[2
‑
3]。然而，由于临床PK数据获取的有创性(需要采血)，PK数据面临数据量少的问题，影响神经网络的预测可信度。
[0003]目前由于神经网络在药动学建模方面的应用尚处于早期发展阶段，专门针对PK数据的扩增方法少之又少。一方面，现有的用神经网络预测PK数据的文献中主要采用的扩增方法为截断法
[2
‑
3]，优点是保留了药
‑
时曲线中全部的给药事件，但通过截断法生成的新训练样本可能会忽略超出时间窗部分体内实时药物浓度对药物吸收、分布的影响。另一方面，基于药
‑
时曲线的时序性，可以借鉴同样具备时序特征的心电图(Electrocardiogram，ECG)数据扩增方法，例如窗口切片
[4]和置换
[5]。虽然这类方法在ECG数据上有成熟且广泛的应用，但这类方法会造成PK数据中重要生理药理规律的损失，例如窗口切片不能涵盖完整的给药事件，切片所形成的部分药
‑
时数据可能会忽略体内实时药物浓度对药
‑
时曲线变化的影响，置换同样会破坏PK数据的时间变化规律。
[0004]上述
技术介绍
引用文献如下：
[0005][1]王广基,刘晓东,柳晓泉.药物代谢动力学[M].化学工业出版社,2005。
[0006][2]Lu J,Bender B,Jin JY,et al.Deep learning prediction ofpatient response time course from early data vianeural
‑
pharmacokinetic/pharmacodynamic modeling[J].2020.arXiv:2010.11769[cs.LG]。
[0007][3]Lu J,Deng K,Zhang X,et al.Neural
‑
ODE for pharmacokinetics modeling and its advantage to alternative machine learning models in predicting new dosing regimens[J].iScience.2021；24:102804。
[0008][4]Cui Z,Chen W,Chen Y.Multi
‑
scale convolutional neural networks for time series classification[J].arXiv preprint arXiv:1603.06995,2016。
[0009][5]Um T T,Pfister F M J,Pichler D,et al.Data augmentation ofwearable sensor data for parkinson
’
s disease monitoring using convolutional neural networks[C]//Proceedings ofthe 19th ACM international conference on multimodal interaction.2017:216
‑
220。
[0010]需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0011]本专利技术的目的在于克服现有技术会造成PK数据中重要生理药理规律的损失，提供一种基于梯度一致性判断的药
‑
时数据扩增方法。
[0012]为实现上述目的，本专利技术采用以下技术方案：
[0013]一种基于梯度一致性判断的药
‑
时数据扩增方法，用于解决深度学习预测药
‑
时数据过程中样本量不足的问题，该方法在增加训练样本数量的同时，能够保留药
‑
时数据的药理和生理特征，从而提升扩增样本的质量，所述扩增方法包括以下步骤：S1、基于药
‑
时数据预测任务进行数据预处理；S2、利用差分方法计算采样点的前后梯度并判断梯度一致性；S3、基于高斯随机进行弃点。
[0014]在一些实施例中，有可能包含如下技术方案：
[0015]步骤S1具体包括：
[0016]S1.1、采用以下映射表示药
‑
时数据预测任务：
[0017][0018]式中，t∈{T1,
…
,T
L
}表示受试者i的第1至L次给药时刻，T1为首轮给药时刻，T2为第二次给药时刻，T
L
为第L次给药时刻；t∈{t1,
…
,t
K
}表示每个受试者的第1至K个血药浓度观测时刻点；PK
i
(t)表示受试者i的血药浓度，为受试者i在时刻0≤t<T2的血药浓度测量值，0≤t<T2表示第一个给药周期内；Dosing
i
(t)表示给药方案，{Dosing
i
(t)}
0≤t<∞
为受试者i在时刻0≤t<∞的给药剂量；{Cov
i
}为受试者i的协变量集合，{PK
i
(t)}
0≤t<∞
为受试者i在时刻0≤t<∞的血药浓度预测值，0≤t<∞表示整个观察周期内；
[0019]S1.2、删除t
K
≤T2的受试者i的药
‑
时数据，保留有多轮给药的受试者的药
‑
时数据。
[0020]步骤S2具体包括：
[0021]S2.1、利用差分方法计算采样点处单侧的前向差分和后向差分；
[0022]S2.2、判断所有血药浓度采样点的前后梯度一致性；对受试者i，如果t
k
时刻血药浓度测量值前向差分和后向差分的符号一致，表示t...

【技术保护点】

【技术特征摘要】
1.一种基于梯度一致性判断的药
‑
时数据扩增方法，用于解决深度学习预测药
‑
时数据过程中样本量不足的问题，该方法在增加训练样本数量的同时，能够保留药
‑
时数据的药理和生理特征，从而提升扩增样本的质量，该方法包括以下步骤：S1、基于药
‑
时数据预测任务进行数据预处理；S2、利用差分方法计算采样点的前后梯度并判断梯度一致性；S3、基于高斯随机进行弃点。2.如权利要求1所述的基于梯度一致性判断的药
‑
时数据扩增方法，其特征在于，步骤S1具体包括：S1.1、采用以下映射表示药
‑
时数据预测任务：式中，t∈{T1，...，T
L
}表示受试者i的第1至L次给药时刻，T1为首轮给药时刻，T2为第二次给药时刻，T
L
为第L次给药时刻；t∈{t1，...，t
K
}表示每个受试者的第1至K个血药浓度观测时刻点；PK
i
(t)表示受试者i的血药浓度，为受试者i在时刻0≤t＜T2的血药浓度测量值，0≤t＜T2表示第一个给药周期内；Dosing
i
(t)表示给药方案，{Dosing
i
(t)}
0≤t＜∞
为受试者i在时刻0≤t＜∞的给药剂量；{Cov
i
}为受试者i的协变量集合，{PK
i
(t)}
0≤t＜∞
为受试者i在时刻0≤t＜∞的血药浓度预测值，0≤t＜∞表示整个观察周期内；S1.2、删除t
K
≤T2的受试者i的药
‑
时数据，保留有多轮给药的受试者的药
‑
时数据。3.如权利要求2所述的基于梯度一致性判断的药
‑
时数据扩增方法，其特征在于，步骤S2具体包括：S2.1、利用差分方法计算采样点处单侧的前向差分和后向差分；S2.2、判断所有血药浓度采样点的前后梯度一致性；对受试者i，如果t
k
时刻血药浓度测量值前向差分和后向差分的符号一致，表示t
k
时刻血药浓度趋势不发生变化，则将PK
i
(t
k
)划入可被丢弃的点集合X；如果t
k
时刻血药浓度测量值前向差分和后向差分的符号不一致，表示t
k
时刻血药浓度趋势发生了改变，则将PK
i
(t
k
)划入不可被丢弃的点集合Y。4.如权利要求3所述的基于梯度一致性判断的药
‑
时数据扩增方法，其特征在于，步骤S2还包括：S2.3、计算可被丢弃的点集合x中的元素数量X；若X≥1，则对...

【专利技术属性】
技术研发人员：张凯，宋萍萍，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：