疗效预测模型构建、预测方法、装置及电子设备制造方法及图纸

本发明专利技术公开了疗效预测模型构建、预测方法、装置及电子设备，其中，疗效预测模型构建方法包括：获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；根据样本对象的脑电数据，确定样本对象的非线性动力学特征；对样本对象的非线性动力学特征进行处理，确定样本对象的特征向量，样本对象的特征向量由筛选后的非线性动力学特征组成；根据样本对象的特征向量和，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。利用构建的疗效预测模型可以确定待预测对象是否适合接受特定临床治疗，不适合手术的患者可避免不必要的费用。不必要的费用。不必要的费用。

【技术实现步骤摘要】
疗效预测模型构建、预测方法、装置及电子设备


[0001]本专利技术涉及大数据分析
，尤其涉及疗效预测模型构建、预测方法、装置及电子设备。

技术介绍

[0002]癫痫，是多种原因导致的脑部神经元高度同步化异常放电所致的临床综合征。目前全球约有6500万癫痫患者，我国约有900万癫痫患者。每年新发癫痫约65万到70万例。癫痫会严重影响患者的身心健康，给患者的生活带来不便，癫痫患者可以用一种或多种药物联合治疗对癫痫发作加以控制，约有30％的患者经过长期药物治疗仍效果欠佳反复发作，发展为药物难治性癫痫。而难治性癫痫的治疗方式主要包括传统手术治疗、生酮饮食以及神经调控。迷走神经治疗(Vagus Nerve Stimulation，VNS)就是一种临床上被证明安全、长期有效的用于难治性癫痫的神经调控疗法。但由于VNS的治疗机制尚不清楚，其疗效的个体差异非常大，而且具有很高的不确定性。现有统计分析结果显示，约5％
‑
9％的药物难治性癫痫患者在接受VNS治疗后发作得到完全控制，但也有约10％的患者接受VNS治疗后完全无效，其余患者表现为不同程度的发作频率减少，具体来说，50％
‑
60％接受VNS治疗的药物难治性癫痫患者可以达到发作频率减少50％的治疗效果。VNS治疗药物难治性癫痫疗效的不确定性和个体差异大的问题如果能得到解决，在VNS手术之前对其治疗效果有一定的预判，对患者的康复、疾病的认知、医疗资源的节约等均有重要的意义，研究人员一直试图通过术前评估筛选出适合VNS手术的患者。
[0003]现在尚无明确的VNS手术适应症患者筛选方法应用于临床，基于脑电(Electroencephalography,EEG)、心电(Electrocardiography，ECG)、核磁影像资料(Magnetic Resonance Imaging，MRI)、患者人口统计学特征(性别、年龄等)、临床病史(病程)、发作特征(包括发作类型、发作频率、病灶位置等)进行VNS疗效相关性因素的研究，结论也不相一致。
[0004]脑电图仪作为脑电波记录的主要工具，在癫痫研究中起着基础性的作用。EEG信号也是临床诊断的金标准，相对影像学检查来说操作更方便简单，成本也不高。因此EEG信号的处理在预测VNS治疗难治性癫痫的疗效方面广泛应用。现有采用EEG信号对患者进行疗效预测的思路是：对入组的患者，采集患者的长程EEG信号，结合患者VNS治疗后的长期疗效，分析患者术前的EEG信号特征，寻找不同疗效患者组EEG信号之间有统计学差异的特征作为VNS手术患者筛选或疗效预测的敏感因子。
[0005]现有的基于EEG信号处理的方法主要集中在对信号的时域、频域、时频分析、连通性等特征结果进行分析，然后对不同疗效分类患者的术前EEG信号的各特征进行统计学分析，通常采用统计检验方法来分析单个变量与治疗反应之间的关系。而单纯的时频分析、连通性等特征往往不能表达神经系统的动态变化的复杂特性，也不能充分反应神经系统的潜在活动，同时易受到患者神经系统活动和事件的影响。同时对于统计检验方法本身，可能会忽略不同特征之间的综合作用，且对同一问题的研究结论不相一致，无法重复。综上，采用
上述方法的研究并没有在临床得到应用。

技术实现思路

[0006]为解决现有技术中存在的技术问题，本专利技术提供了疗效预测模型构建、预测方法、装置及电子设备，可以准确、高效地筛选适合VNS手术的药物难治性癫痫患者，帮助不适合VNS的患者避免长期刺激的风险和高昂的手术费用。
[0007]为实现上述目的，本专利技术提供了以下技术方案：
[0008]第一方面，本专利技术提供了一种疗效预测模型构建方法，该方法包括以下步骤：
[0009]获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；
[0010]根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征；
[0011]对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，所述样本对象的特征向量由筛选后的非线性动力学特征组成；
[0012]根据所述样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。
[0013]在一个可能的实现方式中，所述非线性动力学特征包括复杂度特征、熵特征及分形分析特征，所述根据所述样本对象的脑电数据，确定所述样本对象的多个非线性动力学特征，包括：
[0014]对所述样本对象的脑电数据进行窗口分割，确定脑电数据窗口片段；
[0015]对所述电脑数据窗口片段分别进行非线性动力学特征复杂度、熵和分形分析的计算，确定所述样本对象的复杂度特征、熵特征及分形分析特征。
[0016]在一个可能的实现方式中，所述对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，包括：
[0017]根据所述样本对象的特定临床治疗的疗效，将所述样本对象分为正样本和负样本，其中，所述正样本为所述疗效满足预设条件的样本对象，所述负样本为所述疗效不满足预设条件的样本对象；
[0018]对所述非线性动力学特征进行差异显著性分析，确定在所述正样本和所述负样本两组间具有显著性差异的非线性动力学特征；
[0019]采用递归特征消除特征选择法，根据具有显著性差异的非线性动力学特征对应的特定临床治疗的疗效重要程度，对所述具有显著性差异的非线性动力学特征进行筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量。
[0020]在一个可能的实现方式中，所述采用递归特征消除特征选择法，根据各非线性动力学特征对应的特定临床治疗的疗效重要程度，对所述具有显著性差异的非线性动力学特征进行筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量，具体包括：
[0021]将具有显著性差异的非线性动力学特征输入到分类模型中，获得各非线性动力学特征对应的权重系数，所述权重系数对应非线性动力学特征对特定临床治疗的疗效重要程度；
[0022]对所述权重系数排序，去除最小权重系数的对应的非线性动力学特征，筛选后的非线性动力学特征，组成所述样本对象的特征向量。
[0023]在一个可能的实现方式中，在根据所述样本对象的脑电数据，确定所述样本对象
的非线性动力学特征之前，所述方法还包括：
[0024]对所述样本对象的脑电数据进行滤波降噪、重参考和片段筛选处理。
[0025]第二方面，本专利技术提供了一种疗效预测方法，该方法包括以下步骤：
[0026]获取待预测对象的特征向量；
[0027]将所述待预测对象的特征向量输入到如第一方面任一项实施例所述的方法构建的疗效预测模型中，得到所述待预测对象的疗效预测结果，用以确定所述待预测对象是否适合接受特定临床治疗。
[0028]第三方面，本专利技术提供了一种疗效预测模型构建装置，该装置包括：
[0029]第一获取模块，用于获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疗效预测模型构建方法，其特征在于，所述方法包括以下步骤：获取样本对象清醒状态和睡眠状态下发作间期的脑电数据；根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征；对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，所述样本对象的特征向量由筛选后的非线性动力学特征组成；根据所述样本对象的特征向量，对预设疗效预测模型进行训练，待预测准确率达到预设标准时，确定疗效预测模型。2.根据权利要求1所述的方法，其特征在于，所述非线性动力学特征包括复杂度特征、熵特征及分形分析特征，所述根据所述样本对象的脑电数据，确定所述样本对象的多个非线性动力学特征，包括：对所述样本对象的脑电数据进行窗口分割，确定脑电数据窗口片段；对所述电脑数据窗口片段分别进行非线性动力学特征复杂度、熵和分形分析的计算，确定所述样本对象的复杂度特征、熵特征及分形分析特征。3.根据权利要求1所述的方法，其特征在于，所述对所述样本对象的非线性动力学特征进行处理，确定所述样本对象的特征向量，包括：根据所述样本对象的特定临床治疗的疗效，将所述样本对象分为正样本和负样本，其中，所述正样本为所述疗效满足预设条件的样本对象，所述负样本为所述疗效不满足预设条件的样本对象；对所述样本对象的非线性动力学特征进行差异显著性分析，确定在所述正样本和所述负样本两组间具有显著性差异的非线性动力学特征；采用递归特征消除特征选择法，根据具有显著性差异的非线性动力学特征对应的特定临床治疗的疗效重要程度，对所述具有显著性差异的非线性动力学特征进行筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量。4.根据权利要求3所述的方法，其特征在于，所述采用递归特征消除特征选择法，根据各非线性动力学特征对应的特定临床治疗的疗效重要程度，对所述具有显著性差异的非线性动力学特征进行筛选，筛选后的非线性动力学特征组成所述样本对象的特征向量，具体包括：将具有显著性差异的非线性动力学特征输入到分类模型中，获得各非线性动力学特征对应的权重系数，所述权重系数对应非线性动力学特征对特定临床治疗的疗效重要程度；对所述权重系数排序，去除最小权重系数的对应的非线性动力学特征，筛选后的非线性动力学特征，组成所述样本对象的特征向量。5.根据权利要求1所述的方法，其特征在于，在根据所述样本对象的脑电数据，确定所述样本对象的非线性动力学特征之前，所述方法还包括：对所述样本对象的脑电数据进行滤波降噪、重参考和片段筛选处理。6.一种疗效预测方法，其特征在于，所述方法包括以下步骤：获取待预测对象的特征向量；将所述待预测对象的特征向量输入到如权利要求1
‑
5任一项所述的方法构建的疗效预测模型中，得到所述待预测对象的...

【专利技术属性】
技术研发人员：胡迎炳，郑冬阳，王志燕，袁媛，郝红伟，李路明，
申请(专利权)人：清华大学，
类型：发明
国别省市：