一种他汀类药物治疗效果预测模型及应用制造技术

本发明专利技术提供一种他汀类药物治疗效果预测模型及应用，预测模型包括：低密度脂蛋白

【技术实现步骤摘要】
一种他汀类药物治疗效果预测模型及应用


[0001]本专利技术涉及医学模型数据处理
，具体而言，涉及一种他汀类药物治疗效果预测模型及应用
。

技术介绍

[0002]在临床应用过程中，他汀与肌肉疼痛
、
肝酶异常
、
高血糖
、
以及神经系统疾病等相关，被称为他汀类药物相关症状（
SAS
）
。
其中，他汀类药物相关肌肉症状（
SAMS
）是最常见的他汀类药物副作用，据报道，
10%
ꢀ‑
25%
接受他汀类药物治疗的患者出现了
SAMS。
此外，他汀类药物对肝功能的影响与剂量相关，
1%
至
3%
的患者出现了肝酶水平升高
。
[0003]因此，如何在使用他汀类药物时既保证有效性，即
LDL
达到指南水平的同时，又对不良反应的发生有良好的控制至关重要
。
这大大影响了他汀类药物在临床上的合理使用，也极大地影响了
ASCVD
的临床控制
。
[0004]目前，针对上述问题暂未有较好的解决方法，只能不停地调整给药剂量和频繁的换药和试药
。
[0005]现阶段针对他汀类药物的临床应用监测工具较少，仅有部分学者制作了他汀类药物相关肌肉症状临床指数（
SAMS
‑
CI
），旨在帮助临床医生确定患者的肌肉症状
>(
肌痛或肌病
)
由他汀类药物使用引起或与之相关的可能性
。
[0006]但是，该指数（
SAMS
‑
CI
）的临床可操作性较差，应用程度低
。
[0007]并且，目前针对他汀类药物不良反应的重视度不够，针对他汀类药物的
LDL
有效性和肝酶的安全性监测也鲜有较好的对策和方案
。
仅有一些针对是否他汀类药物引起肌痛的诊断性评估量表，而关于他汀类药物引起的肝酶异常几乎没有合适的监测和评估手段
。
在临床实际应用情况中，许多患者因为他汀类药物的不良反应而自行停止长期服用降脂药，这将造成极大的危害
。
而且，由于基因多态性，相较白种人，中国人对他汀类药物的耐受性较低，相同剂量下更容易出现不良反应
。

技术实现思路

[0008]鉴于此，本专利技术的第一目的在于设计一种他汀类药物治疗效果预测模型，预测每个患者服用他汀类药物的有效性和安全性，同时为他汀类药物的合理使用提供切实可行的监测手段，并为该方法的临床参考范围提供证据
。
[0009]本专利技术的第二目的在于提供一种他汀类药物治疗效果预测模型的应用
。
[0010]为了实现本专利技术的上述目的，特采用以下技术方案：本专利技术提供一种他汀类药物治疗效果预测模型，包括：他汀类药物有效性
‑
LDL
达标预测模型
、
他汀类药物安全性
‑
肝酶异常预测模型
、
他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型；所述他汀类药物有效性
‑
LDL
达标预测模型
、
他汀类药物安全性
‑
肝酶异常预测模型和他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型的构建方法包括以下步骤：
S1、
通过收集使用他汀类药物的住院患者的历史数据，获取服用他汀类药物患者的临床资料数据的样本量，将所述样本量整理为数据集；本专利技术的他汀类药物有效性
‑
LDL
达标预测模型的样本量为
3633
例患者，他汀类药物安全性
‑
肝酶异常预测模型的样本量为
4159
例患者，他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型的样本量为
3345
例患者
。
[0011]本专利技术收集使用他汀类药物的住院患者数据的数据来源是从某两个医院的电子病历系统（
HIS
）中获取所有使用过他汀药物的住院患者数据
。
第一个医院的数据检索范围为
2018
年5月
‑
2023
年5月，第二个医院的数据检索范围为
2017
年9月
‑
2022
年
10
月
。
[0012]纳入标准：（1）所有使用过他汀类药物（包括阿托伐他汀钙片
、
瑞舒伐他汀钙片
、
匹伐他汀钙片
、
辛伐他汀片
、
氟伐他汀钠缓释片
、
普伐他汀钠片
、
匹伐他汀钙分散片
、
氨氯地平阿托伐他汀钙片）的患者诊疗数据；排除标准：1）排除没有剂量的数据；2）针对低密度脂蛋白
LDL
达标的有效性预测模型，需排除
LDL
字段为空的数据；针对肌痛或肌酸激酶
CK
异常的预测模型，需排除肌酸激酶
CK
字段为空的数据，同时需排除诊断中有“急性心肌梗死“、”心肌炎“、”皮肌炎“的数据；针对肝酶异常的预测模型，需排除谷丙转氨酶
ALT
或谷草转氨酶
AST
字段为空的数据，同时需排除诊断中有”肝病“，”肝炎“的数据
。
[0013]本专利技术中预测模型依据的诊断标准和分组依据为：
LDL
是否达标的判断标准是根据
《
中国成人血脂异常防治指南（
2016
年修订版）
》
进行判断：极高危者
LDL
＜
1.8mmol/L
，高危者
LDL
＜
2.6mmol/L
，中危和低危者
LDL
＜
3.4mmol/L
，达标赋值为1，未达标赋值为
0。
肝酶异常的判定标准是，
AST
或者
ALT > 40 U/L
赋值为1，反之赋值为0；肌痛发生的判定标准是，病历系统中明确表示患者存在他汀使用后肌痛，以及实验室检查中
CK
＞
200umol/L
赋值为1，反之赋值为
0。
[0014]各变量基本特征如表1所示：表
1 各变量的基本特征
[0015]*
对于肌痛
/
肌酸激酶异常预测模型，心肌梗死变量仅包括陈旧性心肌梗死患者
。
[0016]S2、
对所述数据集通过数据预筛选<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种他汀类药物治疗效果预测模型，其特征在于，包括：他汀类药物有效性
‑
LDL
达标预测模型
、
他汀类药物安全性
‑
肝酶异常预测模型
、
他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型；所述他汀类药物有效性
‑
LDL
达标预测模型
、
他汀类药物安全性
‑
肝酶异常预测模型和他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型的构建方法包括以下步骤：
S1、
通过收集使用他汀类药物的住院患者的历史数据，获取服用他汀类药物患者的临床资料数据的样本量，将所述样本量整理为数据集；
S2、
对所述数据集通过数据预筛选
、
数据填充
、
数据采样以及特征筛选的处理步骤进行处理，确定纳入模型建立的变量；其中，所述数据预筛选的处理方法包括：删除数据缺失比例达到
90%
的列
、
删除单类别比例达到
90%
的列
、
删除变异系数大于
0.1
的列，其中的一种或多种的组合；所述数据填充的处理方法包括：不填充
、
改良的随机森林填充，其中的一种或两种的组合；所述数据平衡的处理方法包括：通过
Borderline SMOTE
上采样算法进行数据平衡；
S3、
将所述他汀类药物有效性
‑
LDL
达标预测模型
、
他汀类药物安全性
‑
肝酶异常预测模型
、
他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型三个模型，分别采用三组数据集进入模型建立，并分别采用逻辑回归
、
朴素贝叶斯
、
决策树
、
随机森林
、
梯度提升决策树5种机器学习算法进行模型训练，每个模型生成
10
个预测模型，从所述
10
个预测模型中筛选出最优的模型进行建模；
S4、
采用十折交叉验证和
bootstrapping
抽样算法分别对建立的三个模型进行内部验证和外部验证，计算模型的
AUC
值
、
准确率
Accuracy、
精确率
Precision、
召回率
Recall、
平衡
F
分数
F1 Score
这5个评价指标之间对应的均值
±
标准差
、95%
置信区间；如所述均值
±
标准差
、95%
置信区间符合模型验证要求，则进入
S5
步骤；如所述均值
±
标准差
、95%
置信区间不符合模型验证要求，则返回
S3
步骤进行模型训练
、
筛选，直至符合模型验证要求；
S5、
验证所述样本量与建立的模型预测性能的相关性，验证用于建模的样本量是否满足需求；如建模的样本量满足需求，则进入
S6
步骤；如建模的样本量不满足需求，则返回
S1
步骤，直至样本量满足需求；
S6、
利用
SHAP
可解释性框架，分别采用单样本特征影响图
、
特征密度散点图和特征重要性
SHAP
值方法对建立的模型进行解释；
S7、
通过模型的决策曲线
DCA
分析筛选出的最优模型在各个模型当中的性能优势，通过分析证明筛选出的最优模型在满足诊断准确性和满足临床决策方面的实际效果
。2.
根据权利要求1所述的他汀类药物治疗效果预测模型，其特征在于，所述
S3
步骤的所述他汀类药物有效性
‑
LDL
达标预测模型筛选出的最优模型为：不填充
、Borderline SMOTE
上采样
、
以及利用随机森林算法建立的预测模型：
AUC=0.925。3.
根据权利要求1所述的他汀类药物治疗效果预测模型，其特征在于，所述
S3
步骤的所
述他汀类药物安全性
‑
肝酶异常预测模型筛选出的最优模型为：不填充
、Borderline SMOTE
上采样
、
以及利用随机森林算法建立的预测模型：
AUC=0.964。4.
根据权利要求1所述的他汀类药物治疗效果预测模型，其特征在于，所述
S3
步骤的他汀类药物安全性
‑
肌痛
/
肌酸激酶异常预测模型筛选出的最优模型为：不填充
、Borderline SMOTE
上采样
、
以及利用随机森林算法建立的预测模型：
AUC=0.981。5.
根据权利要求1所述的他汀类药物治疗效果预测模型，其特征在于...

【专利技术属性】
技术研发人员：李朋梅，熊堉，李沭，刘丽宏，陈文倩，孔旭东，夏沁芳，赵莉，张镭，
申请(专利权)人：中日友好医院中日友好临床医学研究所，
类型：发明
国别省市：