System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于肿瘤化疗反应监测,更具体地说,涉及基于数字化平台的肿瘤化疗反应监测方法、介质及系统。
技术介绍
1、肿瘤化疗是一种使用化学物质来治疗癌症的医学方法,这些药物可以杀死或减缓癌细胞的生长,因为癌细胞通常比正常细胞分裂和增殖的更快;化疗是系统性治疗,意味着药物会通过血液传遍全身,并能够达到身体的各个部位。
2、随着精准医疗和个体化治疗策略的发展,对化疗治疗效果的监测以及预测变得尤为重要,通过现代影像技术如ct、mri以及pet扫描,医生能够跟踪肿瘤的响应情况,评价治疗效果。
3、然而,化疗药物通常伴随有副作用,这些副作用可能严重影响患者的生活质量,并且在治疗决策中必须予以考虑;化疗副作用的眼中性和类型取决于多种因素,包括药物、剂量、患者个体等;在治疗过程中,患者会定期进行自评,以记录他们经历的副作用;这些自评量表提供了宝贵的信息;但他们受到患者主观感受的影响,无法准确反应客观的副作用程度;从造成对于患者肿瘤化疗的副作用预测产生偏差。
技术实现思路
1、本专利技术提供了一种基于数字化平台的肿瘤化疗反应监测方法、介质及系统,拟解决目前患者受主观感受的影响,无法准确反应客观的副作用程度,从而造成患者的副作用预测产生偏差。
2、基于数字化平台的肿瘤化疗反应监测方法,包括以下步骤:
3、s1:基于可穿戴设备捕捉患者的生理参数以及活动量信息,以及对应患者在恢复期内的用药情况;
4、s2:基于手机app周期性获取患者化疗副作用自评量
5、s3:确定化疗副作用自评量表与焦虑和抑郁量表之间的关联系数;
6、s4:基于用药情况、生理参数、活动量信息、化疗副作用自评量表以及所述关联系数训练回归模型,将当前用药情况、生理参数、活动量信息作为输入,采用训练好的回归模型预测化疗副作用得分;
7、s5:基于患者恢复期的定期医学影像比较评估肿块变化量,再基于变化量和用药情况,预测肿块下一时刻的变化情况;
8、s6:将s1到s5所获取的数据以及所得到的数据进行可视化展示,为更新诊疗方案提供参考依据。
9、本专利技术通过回归模型预测化疗副作用得分,基于化疗副作用得分得知拟执行的用药情况在一个疗程中患者所遭受的副作用情况,即预测的化疗副作用得分越高,患者所承受的副作用越强;并且通过定期的医学影像比较评估肿块变化量,在基于变化量和用药情况,预测肿块对应疗程内的肿块变化情况;通过副作用得分的预测和肿块变化情况的预测,为医护人员提供了决策导向。并且本专利技术将s1到s5所产生的数据以及获取的数据进行可视化展示,使得医护人员能够通过当前获取的生理参数以及活动量信息对用药情况进行调整;如此进一步的为医护人员提供了决策导向;并且本专利技术将焦虑和抑郁量表加入考虑范围中,充分考虑了在化疗期间患者承受的痛苦导致焦虑以及抑郁,进而导致化疗副作用自评价量表得分不准确的问题;在将焦虑和抑郁量表加入考虑范围后,从而极大程度的减小了由主观因素导致的预测误差。
10、优选的,所述s3包括以下步骤:
11、s3.1:对化疗副作用自评量表与焦虑和抑郁量表进行数据清洗;
12、s3.2:基于清洗后的化疗副作用自评量表以及焦虑和抑郁量表得到化疗副作用自评量表总分以及焦虑和抑郁量表总分;
13、s3.3:计算每种量表得分的均值、中位数、标准差和分布范围,并通过kolmogorov-smirnov测试确定量表得分的数据分布类型;
14、s3.4:基于量表得分的数据分布类型确定关联系数计算方式;
15、s3.5:基于确定的关联系数计算方式得到化疗副作用自评量表与焦虑和抑郁量表的关联系数;
16、s3.6:将关联系数、化疗副作用自评量表以及焦虑和抑郁量表总分进行可视化展示。
17、优选的,所述s3.1中对数据清洗包括每个量表中的遗漏值,并剔除异常值,并补充遗漏值的空白项以及补充剔除异常值后的空白项,具体步骤如下:
18、获取空白项所对应的同一病患历史量表中的对应项;
19、并采集空白项所对应的量表的历史量表得分数据,构成数据集;
20、将数据集输入训练好的回归模型中,得到当前量表的总得分;
21、基于得到的总得分反推历史量表中空白项的得分;
22、基于反推得到的空白项得分对空白项的值进行补充。
23、优选的,若一个量表中存在多个空白项,在得到当前量表的总分的情况下,确定空白项的总分;
24、查询前一历史量表中对应当前空白项的项目总分;
25、确定当前空白项总分和前一历史量表中对应当前空白项的项目总分的变化率;将前一历史量表中对应当前空白项的项目分数乘以变化率得到当前历史空白项的各个分值:
26、vn=mt/ mt-1*vn-1;
27、式中:vn表示当前时刻第n个空白项的当前分支;mt表示确定的空白项的总分;mt-1表示上一时刻的空白项的总分;vn-1表示前一历史量表中对应当前空白项的项目分数。
28、优选的,所述s3.4中,对于呈正态分布的数据采用皮尔森相关系数进行计算;对于不满足正态分布的数据采用斯皮尔曼等级相关系数进行计算。
29、优选的,所述生理参数包括:心率、血压、体温、呼吸频率以及血样饱和度;
30、所述活动量包括:步数、活动时长以及能量消耗;
31、所述用药情况:包括药品种类、药物剂量以及给药频率。
32、优选的,所述s4包括以下步骤:
33、s4.1:基于关联系数调整化疗副作用自评量表的得分:
34、ac= sc- α × (sanxiety- s̄anxiety);
35、式中:ac表示调整后的化疗副作用自评表的得分;sc表示原始的化疗副作用自评表的得分;sanxiety
36、表示焦虑和抑郁量表的得分;s̄anxiety表示焦虑和抑郁量表得分的平均值;α 是根据关联系数确定的调整系数;
37、s4.2:对自变量参数用药情况、生理参数以及活动量信息进行预处理;
38、s4.3:建立多元回归模型:
39、c= beta0 + beta1* d1+ beta2 * d2+ beta3 * d3+ … + betan* dn+ epsilon;
40、式中:c表示化疗副作用自评表的得分;beta0 表示截距项;beta1、beta2、beta3 、…、betan分别表示模型所考虑的第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的系数;d1、d2、d3、…、dn分别表示第一种自变量参数、第二种自变量参数、第三种自变量参数…以及第n种自变量参数的值; epsilon表示误差项;
41、s4.4:对步骤4.2中经过预处理后的自变量参数作为输入,训练多元本文档来自技高网...
【技术保护点】
1.基于数字化平台的肿瘤化疗反应监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S3包括以下步骤:
3.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S3.1中对数据清洗包括每个量表中的遗漏值,并剔除异常值,并补充遗漏值的空白项以及补充剔除异常值后的空白项,具体步骤如下:
4.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,若一个量表中存在多个空白项,在得到当前量表的总分的情况下,确定空白项的总分;
5.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S3.4中,对于呈正态分布的数据采用皮尔森相关系数进行计算;对于不满足正态分布的数据采用斯皮尔曼等级相关系数进行计算。
6.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述生理参数包括:心率、血压、体温、呼吸频率以及血样饱和度;
7.根据权利要求6所述的基于数字化平台的肿瘤化疗反应监测方法,其特
8.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述S5包括以下步骤:
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利1到权利要求8任意一项所述的基于数字化平台的肿瘤化疗反应监测方法。
10.基于数值化平台的肿瘤化疗反应监测系统,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1到8任意一项所述的基于数字化平台的肿瘤化疗反应监测方法。
...【技术特征摘要】
1.基于数字化平台的肿瘤化疗反应监测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述s3包括以下步骤:
3.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述s3.1中对数据清洗包括每个量表中的遗漏值,并剔除异常值,并补充遗漏值的空白项以及补充剔除异常值后的空白项,具体步骤如下:
4.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,若一个量表中存在多个空白项,在得到当前量表的总分的情况下,确定空白项的总分;
5.根据权利要求2所述的基于数字化平台的肿瘤化疗反应监测方法,其特征在于,所述s3.4中,对于呈正态分布的数据采用皮尔森相关系数进行计算;对于不满足正态分布的数据采用斯皮尔曼等级相关系数进行计算。
6.根据...
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。