【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种临床试验治疗效果评估方法、装置、设备及存储介质。
技术介绍
1、目前，为了便于药物的研究和开发，在药物或医疗产品的研究和开发过程中加入在临床试验环境之外收集的真实世界数据（real world data，rwd）呈现出持续的增长。其中，探索从真实世界的数据中借用信息，以提高临床试验中治疗效果估计精度的方法成为一个当前的研究重点。
2、现有的方案中可以构建基于rwd的治疗效果的先验分布来获取真实世界数据中借用信息对应的治疗效果。然而，该方法通常只考虑一个rwd源，不能扩展到具有多个rwd源的情况，同时，现有的技术方案一般需要计算限制借用样本量，导致实用性不高。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供了一种临床试验治疗效果评估方法、装置、设备及存储介质，旨在解决现有技术中获取真实世界数据中借用信息对应的治疗效果的方法不能扩展到具有多个rwd源的情况，需要计算限制借用样本量，导致实用性不高的技术问题。
2、为实现上述目的，本专利技术提供了一种临床试验治疗效果评估方法，所述临床试验治疗效果评估方法包括：
3、确定倾向性评分，所述倾向性评分用于表征当前临床试验数据源和真实世界数据源之间的相似度；
4、基于所述倾向性评分和预设层次聚类模型构建层次聚类树；
5、基于高斯过程方法、所述层次聚类树以及各真
6、可选地，所述确定倾向性评分的步骤，包括：
7、通过预设相似度预测模型确定临床试验数据源中试验数据样本对应的试验样本倾向性评分，以及若干个真实世界数据源中真实数据样本对应的真实样本倾向性评分；
8、基于所述试验样本倾向性评分和所述真实样本倾向性评分确定倾向性评分。
9、可选地，所述预设层次聚类模型包括：层次聚类模型；所述基于所述倾向性评分和预设层次聚类模型构建层次聚类树的步骤，包括：
10、基于所述倾向性评分确定所述临床试验数据源和所述各真实世界数据源之间的数据源相似度距离；
11、基于所述数据源相似度距离和所述层次聚类模型构建层次聚类树。
12、可选地，所述基于所述数据源相似度距离和所述层次聚类模型构建层次聚类树的步骤，包括：
13、基于所述数据源相似度距离和所述层次聚类模型进行聚类对聚类；
14、在聚类完成时，根据所述数据源相似度距离确定目标相似度距离矩阵；
15、基于所述目标相似度距离矩阵和非加权对群方法构建层次聚类树。
16、可选地，所述基于所述数据源相似度距离和所述层次聚类模型进行聚类对聚类的步骤，包括：
17、通过预设排列方式对所述数据源相似度距离进行排序，获得数据源相似度距离序列；
18、基于所述预设排列方式和所述层次聚类模型，依次对所述数据源相似度距离序列中的所有数据源相似度距离对应的单例聚类进行聚类，直至所述所有数据源相似度距离对应的单例聚类均聚类完成。
19、可选地，所述基于所述预设排列方式和所述层次聚类模型，依次对所述数据源相似度距离序列中的所有数据源相似度距离对应的单例聚类进行聚类，直至所述所有数据源相似度距离对应的单例聚类均聚类完成的步骤，包括：
20、根据所述预设排列方式将所述数据源相似度距离序列中相似度距离最短的数据源相似度距离确定为目标数据源相似度距离；
21、从所述数据源相似度距离序列提取所述目标数据源相似度距离，并基于所述层次聚类模型对所述目标数据源相似度距离对应的目标单例聚类进行聚类；
22、在聚类完成时，返回至所述根据所述预设排列方式将所述数据源相似度距离序列中相似度距离最短的数据源相似度距离确定为目标数据源相似度距离的步骤，直至所述所有数据源相似度距离对应的单例聚类均聚类完成。
23、可选地，所述基于高斯过程方法、所述层次聚类树以及各真实世界数据源对应的借用信息确定临床治疗效果值的步骤，包括：
24、基于高斯过程方法将所述层次聚类树中聚类树节点与临床治疗效果值对应，以在高斯过程中根据所述各真实世界数据源对应的借用信息和所述聚类树节点确定所述临床治疗效果值。
25、此外，为实现上述目的，本专利技术还提出一种临床试验治疗效果评估装置，所述装置包括：
26、相似度评分确定模块，用于确定倾向性评分，所述倾向性评分用于表征当前临床试验数据源和真实世界数据源之间的相似度；
27、聚类树构建模块，用于基于所述倾向性评分和预设层次聚类模型构建层次聚类树；
28、疗效预估模块，用于基于高斯过程方法、所述层次聚类树以及各真实世界数据源对应的借用信息确定临床治疗效果值。
29、此外，为实现上述目的，本专利技术还提出一种临床试验治疗效果评估设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的临床试验治疗效果评估程序，所述临床试验治疗效果评估程序配置为实现如上文所述的临床试验治疗效果评估方法的步骤。
30、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有临床试验治疗效果评估程序，所述临床试验治疗效果评估程序被处理器执行时实现如上文所述的临床试验治疗效果评估方法的步骤。
31、在本专利技术中，公开了确定用于表征当前临床试验数据源和真实世界数据源之间的相似度的倾向性评分；基于倾向性评分和预设层次聚类模型构建层次聚类树；基于高斯过程方法、层次聚类树、和各真实世界数据源对应的借用信息确定临床治疗效果值；相较于现有技术通过构建基于rwd的治疗效果的先验分布来获取真实世界数据中借用信息对应的治疗效果，只考虑一个rwd源，实用性不高，由于本专利技术基于用于表征当前临床试验数据源和真实世界数据源之间的相似度的倾向性评分和预设层次聚类模型构建层次聚类树，并基于层次聚类树和各真实世界数据源对应的借用信息确定临床治疗效果值，从而解决了现有技术中获取真实世界数据中借用信息对应的治疗效果的方法不能扩展到具有多个rwd源的情况，需要计算限制借用样本量，导致实用性不高的技术问题。
本文档来自技高网...【技术保护点】
1.一种临床试验治疗效果评估方法，其特征在于，所述临床试验治疗效果评估方法包括：
2.如权利要求1所述的临床试验治疗效果评估方法，其特征在于，所述确定倾向性评分的步骤，包括：
3.如权利要求1所述的临床试验治疗效果评估方法，其特征在于，所述预设层次聚类模型包括：层次聚类模型；所述基于所述倾向性评分和预设层次聚类模型构建层次聚类树的步骤，包括：
4.如权利要求3所述的临床试验治疗效果评估方法，其特征在于，所述基于所述数据源相似度距离和所述层次聚类模型构建层次聚类树的步骤，包括：
5.如权利要求4所述的临床试验治疗效果评估方法，其特征在于，所述基于所述数据源相似度距离和所述层次聚类模型进行聚类对聚类的步骤，包括：
6.如权利要求5所述的临床试验治疗效果评估方法，其特征在于，所述基于所述预设排列方式和所述层次聚类模型，依次对所述数据源相似度距离序列中的所有数据源相似度距离对应的单例聚类进行聚类，直至所述所有数据源相似度距离对应的单例聚类均聚类完成的步骤，包括：
7.如权利要求1所述的临床试验治疗效果评估方法，其特征
8.一种临床试验治疗效果评估装置，其特征在于，所述装置包括：
9.一种临床试验治疗效果评估设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的临床试验治疗效果评估程序，所述临床试验治疗效果评估程序配置为实现如权利要求1至7中任一项所述的临床试验治疗效果评估方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有临床试验治疗效果评估程序，所述临床试验治疗效果评估程序被处理器执行时实现如权利要求1至7任一项所述的临床试验治疗效果评估方法的步骤。
...【技术特征摘要】
1.一种临床试验治疗效果评估方法，其特征在于，所述临床试验治疗效果评估方法包括：
2.如权利要求1所述的临床试验治疗效果评估方法，其特征在于，所述确定倾向性评分的步骤，包括：
3.如权利要求1所述的临床试验治疗效果评估方法，其特征在于，所述预设层次聚类模型包括：层次聚类模型；所述基于所述倾向性评分和预设层次聚类模型构建层次聚类树的步骤，包括：
4.如权利要求3所述的临床试验治疗效果评估方法，其特征在于，所述基于所述数据源相似度距离和所述层次聚类模型构建层次聚类树的步骤，包括：
5.如权利要求4所述的临床试验治疗效果评估方法，其特征在于，所述基于所述数据源相似度距离和所述层次聚类模型进行聚类对聚类的步骤，包括：
6.如权利要求5所述的临床试验治疗效果评估方法，其特征在于，所述基于所述预设排列方式和所述层次聚类模型，依次对所述数据源相似度距离序列中的...
【专利技术属性】
技术研发人员：侯艳，宋玉琴，龙美桦，米岚，荣志炜，
申请(专利权)人：北京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。