一种干预有效性预测的方法、系统及其应用技术方案

本发明专利技术提供了一种干预有效性预测的方法、系统及其应用，包括：根据预测目标筛选样本数据集；根据所述样本数据集选择一个或多个最优的预测模型，使用所述最优的预测模型计算干预有效性。本发明专利技术解决了现有技术对疾病的干预预测不全面、不高效的问题，能够实现个性化推荐治疗或预防疾病恶化的干预方案。特别地，本发明专利技术对于神经疾病或神经调控的干预有效性预测具有更优的效果。具有更优的效果。具有更优的效果。

【技术实现步骤摘要】
一种干预有效性预测的方法、系统及其应用


[0001]本专利技术涉及医疗领域，尤其涉及一种干预有效性预测的技术。

技术介绍

[0002]随着对疾病治疗效果的逐渐重视，临床医生通常需要根据疾病的进展风险，结合患者当前的个人情况给出合适治疗或预防建议。为了给出效果最佳的临床建议，医生需要结合历史诊断经验，推荐和制定合适的干预方案。然而，医生个人的经验可能是不全面的或不准确的，借助自动化分析和统计可以实现更精准的预测。
[0003]就上述问题，现有技术中已提出相关方案，例如，专利申请CN114822850A公开了基于现有数据库中受试者的miRNA水平、受试者的载脂蛋白E4基因型、受试者的年龄、以及受试者的性别的数据通过逻辑回归拟合而成的用于计算罹患痴呆症的概率(p)的公式；专利申请CN114343585A公开了认知和行为障碍的预警方法，其具体公开了通过被测对象的基本信息在图神经网络中预测患病概率；专利申请US20210241909A1公开了评估治疗策略对患者影响的方法，其具体公开了将患者数据与治疗信息修改的数据进行比较，以预测治疗效果；专利申请US20220293266A1公开了通过改进的DNN模型来检测认知障碍。
[0004]然而，上述现有技术在实践中仍存在许多不足，例如，(1)基于单一的预测模型无法完成对多种疾病情形、干预手段的高效预测；(2)现有文献通常试图根据简单的概率估计来确定危险因素与疾病之间的联系，无法实现准确的预测；(3)上述技术需要基于已有的病症进行预测，无法对潜在的疾病风险进行预测并给出早期干预的方案；(4)实践中，病人个人情况及其症状可能各不相同，对于不同的情形需要匹配不同的最优模型进行计算，单一的模型无法满足实际使用要求。
[0005]因此，本领域亟需一种可以对干预手段对疾病治疗影响的自动化分析技术来解决上述问题。

技术实现思路

[0006]为解决上述对干预有效性预测不全面、不高效的问题，本专利技术提供了一种干预有效性预测的方法、系统及其应用，其目的在于从而实现根据疾病进展概率和干预有效性概率，个性化推荐治疗或预防疾病进展的干预方案。
[0007]为了实现上述目的，本专利技术采用的一种技术方案是：一种预测干预有效性的方法，所述方法包括：根据预测目标筛选样本数据集，其中，所述预测目标包括预测目标的特征与输入数据的特征的相关度，所述根据预测目标筛选样本数据集包括：根据所述相关度筛选样本数据，以所述样本数据作为所述样本数据集的数据；根据所述样本数据集选择一个或多个最优的预测模型，其中，所述最优的预测模型选自第一预测模型和/或第二预测模型，所述第一预测模型包括一个或多个基于文献数据的预测模型，所述第二预测模型包括一个或多个基于至少包括临床数据的预测模型；使用一个或多个所述最优的预测模型计算干预有效性。
[0008]在一个优选实施例中，所述根据所述样本数据集选择一个或多个最优的预测模型包括：根据所述样本数据集的大小和/或复杂度选择所述第一预测模型和/或第二预测模型；根据选择的所述第一预测模型和/或第二预测模型在所述样本数据集上的性能选择所述最优的预测模型。
[0009]在一个优选实施例中，所述使用一个或多个所述最优的预测模型计算干预有效性包括：当所述最优的预测模型存在多个，和/或所述最优的预测模型选自所述第一预测模型和第二预测模型时，通过模型融合的方法计算多个所述最优的预测模型的所述干预有效性。
[0010]在一个优选实施例中，所述根据预测目标筛选样本数据集包括：将所述输入数据更新至筛选样本数据集的范围后，根据预测目标筛选样本数据集；所述根据所述样本数据集选择一个或多个最优的预测模型包括：判断是否根据所述样本数据集选择一个或多个最优的预测模型，若是，则执行所述根据所述样本数据集选择一个或多个最优的预测模型，若否，则执行所述使用一个或多个所述最优的预测模型计算干预有效性；其中，所述判断是否根据所述样本数据集选择一个或多个最优的预测模型包括判断下述任一条件是否成立：
[0011]a)一项或多项所述预测目标的特征发生变化；
[0012]b)所述样本数据集的大小发生变化，且所述变化超过阈值；
[0013]c)不存在所述最优的预测模型，或者所述输入数据无法用于所述最优的预测模型；
[0014]d)接收到执行所述根据所述样本数据集选择一个或多个最优的预测模型的外部指令。
[0015]在一个优选实施例中，所述第二预测模型根据外部指令增加或减少，包括随机森林(Random Forest)、逻辑回归(Logistic Regression)、决策树(Decision Tree)、支持向量机(SVM)、神经网络(Neural Network)、补充极限梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)和/或梯度提升树(Gradient Tree Boosting)模型；当所述最优的预测模型选自第二预测模型时，所述根据所述样本数据集选择一个或多个最优的预测模型包括：根据所述样本数据集计算一个或多个所述最优的预测模型的最优参数。
[0016]在一个优选实施例中，所述使用一个或多个所述最优的预测模型计算干预有效性包括：使用一个或多个所述最优的预测模型计算所述待测对象不接受所述干预，在预测的时间Tn的无干预疾病进展概率K1；使用一个或多个所述最优的预测模型计算所述待测对象接受所述干预，在所述预测的时间Tn的有干预疾病进展概率K2；根据所述无干预疾病进展概率K1和所述有干预疾病进展概率K2，预测所述干预在所述预测的时间Tn的所述干预有效性K3；其中，所述干预有效性K3是[1/n*∑
Tn
|K1
‑
K2|]在所有疾病进展阶段的概率总和或所述概率总和的补集概率，n为大于0的整数。
[0017]在一个优选实施例中，所述根据所述样本数据集选择一个或多个最优的预测模型包括：使用K
‑
Fold交叉验证的方法计算所述第二预测模型中的所有预测模型的最优参数；计算所述第二预测模型中的所有预测模型在所述最优参数下的平均性能；选择所述平均性能最高的一个或多个预测模型作为一个或多个所述最优的预测模型。
[0018]在一个优选实施例中，当所述最优的预测模型选自第一预测模型时，所述使用一个或多个所述最优的预测模型计算干预有效性K3
’
包括：干预有效性K3
’
＝∑
Ok
[Pr(Ii,Ok)*
Weight(Ok)]；其中，Pr(Ii,Ok)是干预Ii在疗效指标Ok上有效的概率，Weight(Ok)是根据所述疗效指标Ok对应文献的权威等级设置的权重。
[0019]在一个优选实施例中，所述Pr(Ii,Ok)通过如下公示计算：
[0020][0021]其中，Cj表示所述干预Ii在所述疗效指标Ok上已存在的临床试验结果列表，weight(Cj,Ok)表示所述疗效指标Ok是否作为主要终点的权重；针对所述临床试验结果列表Cj中的每一项临床试验结果，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测干预有效性的方法，其特征在于，所述方法包括：根据预测目标筛选样本数据集，其中，所述预测目标包括预测目标的特征与输入数据的特征的相关度，所述根据预测目标筛选样本数据集包括：根据所述相关度筛选样本数据，以所述样本数据作为所述样本数据集的数据；根据所述样本数据集选择一个或多个最优的预测模型，其中，所述最优的预测模型选自第一预测模型和/或第二预测模型，所述第一预测模型包括一个或多个基于文献数据的预测模型，所述第二预测模型包括一个或多个基于至少包括临床数据的预测模型；使用一个或多个所述最优的预测模型计算干预有效性。2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据集选择一个或多个最优的预测模型包括：根据所述样本数据集的大小和/或复杂度选择所述第一预测模型和/或第二预测模型；根据选择的所述第一预测模型和/或第二预测模型在所述样本数据集上的性能选择所述最优的预测模型。3.根据权利要求2所述的方法，其特征在于，所述使用一个或多个所述最优的预测模型计算干预有效性包括：当所述最优的预测模型存在多个，和/或所述最优的预测模型选自所述第一预测模型和第二预测模型时，通过模型融合的方法计算多个所述最优的预测模型的所述干预有效性。4.根据权利要求1
‑
3所述的方法，其特征在于，所述根据预测目标筛选样本数据集包括：将所述输入数据更新至筛选样本数据集的范围后，根据预测目标筛选样本数据集；所述根据所述样本数据集选择一个或多个最优的预测模型包括：判断是否根据所述样本数据集选择一个或多个最优的预测模型，若是，则执行所述根据所述样本数据集选择一个或多个最优的预测模型，若否，则执行所述使用一个或多个所述最优的预测模型计算干预有效性；其中，所述判断是否根据所述样本数据集选择一个或多个最优的预测模型包括判断下述任一条件是否成立：a)一项或多项所述预测目标的特征发生变化；b)所述样本数据集的大小发生变化，且所述变化超过阈值；c)不存在所述最优的预测模型，或者所述输入数据无法用于所述最优的预测模型；d)接收到执行所述根据所述样本数据集选择一个或多个最优的预测模型的外部指令。5.根据权利要求4所述的方法，其特征在于，所述第二预测模型根据外部指令增加或减少，包括随机森林(Random Forest)、逻辑回归(Logistic Regression)、决策树(Decision Tree)、支持向量机(SVM)、神经网络(Neural Network)、补充极限梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)和/或梯度提升树(Gradient Tree Boosting)模型；当所述最优的预测模型选自第二预测模型时，所述根据所述样本数据集选择一个或多个最优的预测模型包括：根据所述样本数据集计算一个或多个所述最优的预测模型的最优参数。6.根据权利要求5所述的方法，其特征在于，所述使用一个或多个所述最优的预测模型
计算干预有效性包括：使用一个或多个所述最优的预测...

【专利技术属性】
技术研发人员：方骢，滕军虎，
申请(专利权)人：杭州数丹医疗科技有限公司，
类型：发明
国别省市：