一种临床治疗效果的评价方法技术

本申请提供了一种临床治疗效果的评价方法，获取N个临床病人的指标数据，N≥100；对每个临床病人的指标数据进行预处理，构建训练样本；构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值；对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分。到临床治疗效果的综合评价得分。到临床治疗效果的综合评价得分。

【技术实现步骤摘要】
一种临床治疗效果的评价方法


[0001]本申请涉及评价方法，尤其涉及一种临床治疗效果的评价方法。

技术介绍

[0002]临床治疗效果可以通过比较病人治疗前后病情变化来评价。在治疗进行过程中也可以进行评价，以判断病人病情的改善程度和速度。临床治疗效果是药物存在和上市的基础，是批准药物上市的基本要求和必要条件。药物要获得上市批准，申报者需要通过科学的研究以证明药物的临床治疗有效性。
[0003]近年来，我国明确要求以人民健康为中心，以药品临床价值为导向，引导和推动相关主体规范开展药品临床综合评价，持续推动药品临床综合评价工作标准化、规范化、科学化、同质化，助力提高药事服务质量，保障临床基本用药的供应与合理使用，更好地服务国家药物政策决策需求。
[0004]目前存在许多确定临床治疗效果的评价方法，用于判断病人病情改善或恶化的程度。这些方法中部分为主观评价方法，如各种问卷法或量表法，而有些则是客观指标方法，例如采用仪器设备测量体温、血压、心率、呼吸流速等进行评价。其中客观指标方法更合适表面治疗前后的差异，在全面性上存在局限，而主观评价方法在解释时往往存在较大的随意性。
[0005]因此如何提供一种高效、科学、准确的临床治疗效果的评价方法，成为目前需要解决的一个技术问题。

技术实现思路

[0006]鉴于上述问题，提出了本申请，以便提供一种临床治疗效果的评价方法，用于提高该评价方法的效率、科学性和准确性。
[0007]本申请提供的一种临床治疗效果的评价方法，包括：
[0008]步骤S1，获取N个临床病人的指标数据，N≥100；
[0009]步骤S2，对每个临床病人的指标数据进行预处理，构建训练样本；
[0010]步骤S3，构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；
[0011]步骤S4，将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值；
[0012]步骤S5，对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分。
[0013]进一步的，指标数据包括客观指标数据和主观指标数据。
[0014]进一步的，客观指标数据包括：
①
理化指标评价数据；
②
安全性评价数据；
③
治疗周期评价数据；
④
经济学评价数据；主观指标数据包括：
⑤
病人自我评价数据；
⑥
临床症状评价数据；
⑦
生存质量评价数据。
[0015]进一步的，步骤S3还包括步骤S31
‑
S33：
[0016]步骤S31，采用输入层、隐含层、随机失活层和输出层构建初始神经网络模型；
[0017]步骤S32，将训练样本输入到初始神经网络模型，计算评价值和期望值的误差；
[0018]步骤S33，根据评价值和期望值的误差，调整初始神经网络模型，直至该误差达到预设精度阈值，得到训练后的神经网络模型。
[0019]进一步的，初始神经网络模型包括依次连接的输入层、第一隐含层、第一随机失活层、第二隐含层、第二随机失活层、第三隐含层、第三随机失活层、第四隐含层、第四随机失活层、输出层；
[0020]其中，输入层包括7个神经元节点，第一隐含层和第一随机失活层分别包括29个神经元节点，其中第一随机失活层的失活概率为0.5，第二隐含层和第二随机失活层分别包括28个神经元节点，其中第二随机失活层的失活概率为0.4，第三隐含层和第三随机失活层分别包括27个神经元节点，其中第三随机失活层的失活概率为0.3，第四隐含层和第四随机失活层分别包括26个神经元节点，其中第四随机失活层的失活概率为0.2，输出层包括4个神经元节点；
[0021]输入层中每个神经元节点的输入端分别接收1个指标数据，第一隐含层中每个神经元节点的7个输入端分别连接输入层中每个神经元节点的1个输出端，第一随机失活层中每个神经元节点的1个输入端分别依次连接第一隐含层中每个神经元节点的1个输出端，第二隐含层中每个神经元节点的512个输入端分别连接第一随机失活层中每个神经元节点的输出端，第二随机失活层中每个神经元节点的1个输入端分别依次连接第二隐含层中每个神经元节点的1个输出端，第三隐含层中每个神经元节点的256个输入端分别连接第二随机失活层中每个神经元节点的输出端，第三随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，第四隐含层中每个神经元节点的128个输入端分别连接第三随机失活层中每个神经元节点的输出端，第四随机失活层中每个神经元节点的1个输入端分别依次连接第三隐含层中每个神经元节点的1个输出端，输出层中每个神经元节点的64个输入端分别连接第四随机失活层中每个神经元节点的输出端，输出层中每个神经元节点的输出端产生评价值，对应于每个临床病人的临床治疗效果。
[0022]进一步的，临床治疗效果分别为痊愈、显效、进步、无效四个等级，对应的评价值分别为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]。
[0023]进一步的，每个隐含层中第j个神经元节点的输出为：
[0024][0025]其中，f1是每个隐含层中每个神经元节点对应的激活函数，w
ij
是每个隐含层的上一层第i个神经元节点与每个隐含层第j个神经元节点相连的权值，x
i
是每个隐含层的上一层第i个神经元节点的输出数据，n是每个隐含层的上一层的神经元节点数目；
[0026]输出层中第k个神经元节点的输出为：
[0027][0028]其中，f2是输出层中每个神经元节点对应的激活函数，w
pk
是第四随机失活层第p个神经元节点与输出层第k个神经元节点相连的权值，x
p
是第四随机失活层第p个神经元节点的输出数据。
[0029]进一步的，每个隐含层中每个神经元节点对应的激活函数f1(y)具体为：
[0030][0031]其中，y为激活函数f1(y)的自变量；
[0032]输出层中每个神经元节点对应的激活函数f2(t)具体为：
[0033][0034]其中，t为激活函数f2(t)的自变量。
[0035]进一步的，将训练样本输入到初始神经网络模型进行训练，评价值的误差计算公式为：
[0036][0037]其中，o
′
k
为期望值。
[0038]进一步的，对多个待评价的临床病人的评价值进行数据处理包括：对多个待评价的临床病人的评价值求平均值，以得到临床治疗效果的综合评价得分。
[0039]本申请的有益效果是：
[0040](1)、本申请采用神经网络模型，利用客观指标数据和主观指标数据，对临床治疗效果进行综合评价，有效提高了评价结果的准确性和科学性。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种临床治疗效果的评价方法，其特征在于，包括步骤S1至步骤S5：步骤S1，获取N个临床病人的指标数据，N≥100；步骤S2，对每个临床病人的指标数据进行预处理，构建训练样本；步骤S3，构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，得到训练后的神经网络模型；步骤S4，将多个待评价的临床病人的指标数据进行预处理后，分别输入到训练后的神经网络模型，产生每个待评价的临床病人的评价值；步骤S5，对多个待评价的临床病人的评价值进行数据处理，得到临床治疗效果的综合评价得分。2.根据权利要求1所述的评价方法，其特征在于，指标数据包括客观指标数据和主观指标数据。3.根据权利要求2所述的评价方法，其特征在于，客观指标数据包括：
①
理化指标评价数据；
②
安全性评价数据；
③
治疗周期评价数据；
④
经济学评价数据；主观指标数据包括：
⑤
病人自我评价数据；
⑥
临床症状评价数据；
⑦
生存质量评价数据。4.根据权利要求1所述的评价方法，其特征在于，步骤S3还包括步骤S31
‑
S33：步骤S31，采用输入层、隐含层、随机失活层和输出层构建初始神经网络模型；步骤S32，将训练样本输入到初始神经网络模型，计算评价值和期望值的误差；步骤S33，根据评价值和期望值的误差，调整初始神经网络模型，直至该误差达到预设精度阈值，得到训练后的神经网络模型。5.根据权利要求4所述的评价方法，其特征在于，初始神经网络模型包括依次连接的输入层、第一隐含层、第一随机失活层、第二隐含层、第二随机失活层、第三隐含层、第三随机失活层、第四隐含层、第四随机失活层、输出层；其中，输入层包括7个神经元节点，第一隐含层和第一随机失活层分别包括29个神经元节点，其中第一随机失活层的失活概率为0.5，第二隐含层和第二随机失活层分别包括28个神经元节点，其中第二随机失活层的失活概率为0.4，第三隐含层和第三随机失活层分别包括27个神经元节点，其中第三随机失活层的失活概率为0.3，第四隐含层和第四随机失活层分别包括26个神经元节点，其中第四随机失活层的失活概率为0.2，输出层包括4个神经元节点；输入层中每个神经元节点的输入端分别接收1个指标数据，第一隐含层中每个神经元节点的7个输入端分别连接输入层中每个神经元节点的1个输出端，第一随机失活层中每个神经元节点的1个输入端分别依次连接第一隐含层中...

【专利技术属性】
技术研发人员：楼力，范荣，李江伟，
申请(专利权)人：绍兴珂西生物科技有限公司，
类型：发明
国别省市：