用药依从性模型的训练方法和用药依从性的预测方法技术

一种用药依从性预测模型的训练方法。方法包括：获取第一训练数据集，其中，所述第一训练数据集包括与多个第一样本患者一一对应的多个第一训练数据，每个第一训练数据包括第一结果数据和至少一个第一因素数据；通过对所述第一训练数据集进行单因素分析，从所述多个用药因素中筛选出对患者的用药依从程度产生影响的可能性高于第一阈值的至少一个用药因素加入目标因素集；获取第二训练数据集，其中，所述第二训练数据集包括与多个第二样本患者一一对应的多个第二训练数据，每个第二训练数据包括第二结果数据和至少一个第二因素数据；以及使用所述第二训练数据集训练初始预测模型，以得到所述用药依从性预测模型。得到所述用药依从性预测模型。得到所述用药依从性预测模型。

【技术实现步骤摘要】
用药依从性模型的训练方法和用药依从性的预测方法


[0001]本公开涉及计算机
，尤其涉及一种用药依从性模型的训练方法及装置、用药依从性的预测方法及装置、电子设备、非瞬时计算机可读存储介质和计算机程序产品。

技术介绍

[0002]用药依从性是指患者个体的用药行为与健康照护者推荐的行为相符合的程度，其不仅是患者药物治疗中的重要组成部分，也是达到治疗目标不可缺少的环节。药物治疗的不依从导致了许多不良的临床结局，如疾病疗效差、死亡率、医疗费用和再入院率的增加等。
[0003]相关技术中，使用智能药盒等工具来记录患者在目标时间段内的服药情况，从而根据药物的消耗量和服药时间等确定患者的用药依从性。
[0004]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

技术实现思路

[0005]本公开提供了一种数据处理方法及装置、电子设备、非瞬时计算机可读存储介质和计算机程序产品。
[0006]根据本公开的一方面，提供了一种用药依从性预测模型的训练方法，包括：获取第一训练数据集，其中，所述第一训练数据集包括与多个第一样本患者一一对应的多个第一训练数据，每个第一训练数据包括第一结果数据和至少一个第一因素数据，所述第一结果数据指示该第一训练数据相应的第一样本患者的用药依从程度，所述至少一个第一因素数据中的每个第一因素数据与多个用药因素中的一个相应用药因素相关联，所述多个用药因素是预先确定的可能影响患者的用药依从程度的因素；通过对所述第一训练数据集进行单因素分析，从所述多个用药因素中筛选出对患者的用药依从程度产生影响的可能性高于第一阈值的至少一个用药因素加入目标因素集；获取第二训练数据集，其中，所述第二训练数据集包括与多个第二样本患者一一对应的多个第二训练数据，每个第二训练数据包括第二结果数据和至少一个第二因素数据，所述第二结果数据指示该第二训练数据相应的第二样本患者的用药依从程度，所述至少一个第二因素数据中的每个第二因素数据与所述目标因素集中的一个相应用药因素相关联；以及使用所述第二训练数据集训练初始预测模型，以得到所述用药依从性预测模型，其中，所述用药依从性预测模型用于预测患者的用药依从程度。
[0007]根据本公开的另一方面，提供了一种用药依从性的预测方法，包括：获取目标患者的患者数据，其中，所述患者数据包括与可能影响患者的用药依从程度的用药因素相关联的至少一个因素数据；使用用药依从性预测模型处理所述患者数据，以得到所述目标患者的用药依从程度的预测结果，其中，所述用药依从性预测模型通过如上所述的训练方法训
练得到。
[0008]根据本公开的另一方面，提供了一种用药依从性预测模型的训练装置。该装置包括：第一获取单元，被配置为获取第一训练数据集，其中，所述第一训练数据集包括与多个第一样本患者一一对应的多个第一训练数据，每个第一训练数据包括第一结果数据和至少一个第一因素数据，所述第一结果数据指示该第一训练数据相应的第一样本患者的用药依从程度，所述至少一个第一因素数据中的每个第一因素数据与多个用药因素中的一个相应用药因素相关联，所述多个用药因素是预先确定的可能影响患者的用药依从程度的因素；分析单元，被配置为通过对所述第一训练数据集进行单因素分析，从所述多个用药因素中筛选出对患者的用药依从程度产生影响的可能性高于第一阈值的至少一个用药因素加入目标因素集；第二获取单元，被配置为获取第二训练数据集，其中，所述第二训练数据集包括与多个第二样本患者一一对应的多个第二训练数据，每个第二训练数据包括第二结果数据和至少一个第二因素数据，所述第二结果数据指示该第二训练数据相应的第二样本患者的用药依从程度，所述至少一个第二因素数据中的每个第二因素数据与所述目标因素集中的一个相应用药因素相关联；以及训练单元，被配置为使用所述第二训练数据集训练初始预测模型，以得到所述用药依从性预测模型，其中，所述用药依从性预测模型用于预测患者的用药依从程度。
[0009]根据本公开的另一方法，提供了一种用药依从性的预测装置，包括：第三获取单元，被配置为获取目标患者的患者数据，其中，所述患者数据包括与可能影响患者的用药依从程度的用药因素相关联的至少一个因素数据；以及预测单元，被配置为使用用药依从性预测模型处理所述患者数据，以得到所述目标患者的用药依从程度的预测结果，其中，所述用药依从性预测模型通过如上所述的训练方法训练得到。
[0010]根据本公开的另一方面，提供了一种电子设备，包括：处理器；以及存储器，存储器存储有指令，指令被处理器执行时，使处理器执行上述的数据处理方法。
[0011]根据本公开的另一方面，提供了一种存储有指令的非瞬时计算机可读存储介质，指令被处理器执行时，使处理器执行上述的数据处理方法。
[0012]根据本公开的另一方面，提供了一种计算机程序产品，包括指令，指令被处理器执行时，使处理器执行上述的数据处理方法。
[0013]根据本公开的一个或多个实施例，提供了一种用药依从性预测模型的训练方法，通过对多个样本患者的训练数据进行单因素分析，从中筛选出与用药依从性关联程度较强的至少一个用药因素作为目标因素，并基于筛选出的目标因素对训练数据进行更新，以删除训练数据中与目标因素无关的干扰因素的特征数据，从而使得基于更新后的训练数据训练用药依从性预测模型时，不仅训练效率得到了提高，训练得到的模型的预测结果准确性也有效提升。
[0014]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0015]附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要
求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
[0016]图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例系统的示意图；
[0017]图2示出了根据本公开实施例的用药依从性预测模型的训练方法的示例性流程图；
[0018]图3示出了根据本公开实施例的用药依从性预测模型的训练方法的部分示例性流程图；
[0019]图4示出了根据本公开实施例的用药依从性预测模型的训练方法的另一部分示例性流程图；
[0020]图5示出了根据本公开实施例的用药依从性的预测方法的示例性流程图；
[0021]图6示出了根据本公开实施例的用药依从性的预测方法的部分示例性流程图；
[0022]图7示出了根据本公开实施例的用药依从性预测模型的训练装置的结构框图；
[0023]图8示出了根据本公开实施例的用药依从性的预测装置的结构框图；
[0024]图9示出了根据本公开实施例的电子设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用药依从性预测模型的训练方法，包括：获取第一训练数据集，其中，所述第一训练数据集包括与多个第一样本患者一一对应的多个第一训练数据，每个第一训练数据包括第一结果数据和至少一个第一因素数据，所述第一结果数据指示该第一训练数据相应的第一样本患者的用药依从程度，所述至少一个第一因素数据中的每个第一因素数据与多个用药因素中的一个相应用药因素相关联，所述多个用药因素是预先确定的可能影响患者的用药依从程度的因素；通过对所述第一训练数据集进行单因素分析，从所述多个用药因素中筛选出对患者的用药依从程度产生影响的可能性高于第一阈值的至少一个用药因素加入目标因素集；获取第二训练数据集，其中，所述第二训练数据集包括与多个第二样本患者一一对应的多个第二训练数据，每个第二训练数据包括第二结果数据和至少一个第二因素数据，所述第二结果数据指示该第二训练数据相应的第二样本患者的用药依从程度，所述至少一个第二因素数据中的每个第二因素数据与所述目标因素集中的一个相应用药因素相关联；以及使用所述第二训练数据集训练初始预测模型，以得到所述用药依从性预测模型，其中，所述用药依从性预测模型用于预测患者的用药依从程度。2.根据权利要求1所述的方法，其中，所述单因素分析包括卡方检验和单因素逻辑回归分析，并且其中，通过对所述第一训练数据集进行单因素分析，从所述多个用药因素中筛选出会对患者的用药依从程度产生影响的至少一个用药因素加入目标因素集包括：对所述第一训练数据集中的多个第一训练数据进行所述卡方检验，以确定所述多个用药因素中每个用药因素的第一显著差异值，其中，所述第一显著差异值指示该用药因素不会对患者的用药依从程度产生影响的概率；将所述多个用药因素中所述第一显著差异值小于第二阈值的至少一个用药因素加入初始因素集；针对所述第一训练数据集中的每个第一训练数据，删除该第一训练数据中除与所述初始因素集中的用药因素外的其他用药因素相关联的用药因素数据，以得到更新后的所述第一训练数据集；基于更新后的所述第一训练数据集进行所述单因素逻辑回归分析，以确定所述初始因素集中每个用药因素的第二显著差异值，其中，所述第二显著差异值指示该用药因素不会对患者的用药依从程度产生影响的概率；以及将所述多个用药因素中所述第二显著差异值小于第三阈值的至少一个用药因素加入所述目标因素集。3.根据权利要求1所述的方法，其中，所述初始预测模型包括支持向量机分类器和与所述支持向量机分类器级联的贝叶斯分类器，并且其中，所述使用所述第二训练数据集训练初始预测模型，包括：使用所述第二训练数据集训练所述支持向量机分类器和所述贝叶斯分类器。4.根据权利要求3所述的方法，还包括：获取验证数据集，所述验证数据集包括与多个第三样本患者一一对应的多个验证数据，每个验证数据包括第三结果数据和至少一个第三因素数据，所述第三结果数据指示该验证数据相应的第三样本患者的用药依从程度，所述至少一个第三因素数据中的每个第三
因素数据与所述多个用药因素中的一个相应用药因素相关联；利用训练后的所述支持向量机分类器处理所述验证数据集，以得到训练后的所述支持向量机分类器针对所述多个第三样本患者的用药依从性的第一预测准确度；响应于所述第一预测准确度小于第四阈值，基于遗传算法策略，使用所述验证数据集对训练后的所述支持向量机分类器进行重复训练和验证，直至所述预测准确度不小于所述第四阈值；利用训练后的所述贝叶斯分类器处理所述验证数据集，以得到训练后的所述贝叶斯分类器针对所述多个第三样本患者的用药依从性的第二预测准确度；以及响应于所述第二预测准确度小于第五阈值，基于遗传算法策略，使用所述验证数据集对训练后的所述贝叶斯分类器进行重复训练和验证，直至所述第二预测准确度不小于所述第五阈值。5.根据权利要求1
‑
4中任一项所述的方法，其中，所述多个用药因素包括以下至少一种：疾病因素，所述疾病因素指示患者所患疾病的疾病信息；药物因素，所述药物因素指示患者治疗所需药物的药物信息；用药条件因素，所述用药条件因素指示患者...

【专利技术属性】
技术研发人员：金颖，王碧君，刘芳菲，
申请(专利权)人：格致健康管理有限公司，
类型：发明
国别省市：