【技术实现步骤摘要】
本专利技术涉及计算机科学领域，尤其涉及一种基于生活质量和聚类分析的疗效预测方法及系统。
技术介绍
1、免疫治疗的疗效预测，是健康相关生活质量(hrqol)的扩展，是临床决策中的生物医学指标的补充，能够为评估治疗的总体负担和有效性提供了有效的相关性高的额外信息。而结合hrqol量表评估结果和临床数据，能够提高免疫治疗疗效预测的准确性。目前，欧洲癌症研究与治疗组织(eortc)生活质量问卷核心30(qlqc 30)，是肿瘤学最广泛使用的患者报告结局指标(prom)之一，同时也是除生物医学指标以外广泛癌症患者人群生存率的重要独立预测因子。
2、当前用于癌症患者预后评估的指标是多样化的，包括了从生物标志物到临床评估等多个方面。例如：张璐瑶等的肌肉减少症在进展期非小细胞肺癌免疫疗效中的预测价值；靳爽等的piv和aapr对非小细胞肺癌伴脑转移患者的预后评估价值；曾联婷等的mir-130b，mir-506的表达与非小细胞肺癌患者病情及预后的关系。这类指标能够帮助医生预测疾病的进展、治疗的反应性以及患者的整体生存率，但是会受到包括成本、可访问性、准确性和特异性的限制，以及对高级技术和专业知识的依赖。因此，寻找非侵入性、成本效益高且易于实施的预后评估方法是当前癌症研究的一个重点。例如：侯晓婷等的文章《晚期癌症患者生存期预测因素及预测工具的研究进展》中提到的预测工具，如姑息功能量表(pps)、姑息状态指数(ppi)和姑息预后评分(pap)，虽然在临床上被广泛应用，但也存在有潜在缺陷，未能充分考虑个体差异，如患者的生活质量、心理状态和社会
技术实现思路
1、本专利技术提供一种基于生活质量和聚类分析的疗效预测方法及系统，使用无监督机器学习的方法处理综合性生活质量量表数据和临床数据，从而提高免疫治疗疗效预测的准确性，降低疗效预测方法的实施成本和操作难度。
2、为了解决上述技术问题，本专利技术提供了一种基于生活质量和聚类分析的疗效预测方法，包括：
3、获取样本序列和验证序列，获取样本序列的生活质量量表数据和临床信息数据；其中，所述生活质量量表数据包括eortc qlq-c30 v3量表数据和qlq-lc13量表数据；
4、根据cpi指数、gaps-statistics和轮廓系数确定样本序列聚类的数量，并根据样本序列聚类的数量使用多种聚类算法对样本序列的生活质量量表数据进行整合聚类，得到样本序列的多种聚类亚型；
5、使用最近模板预测的方式对验证序列进行聚类，得到验证序列的多种ntp聚类亚型；
6、使用pam分类器对验证序列进行聚类，得到验证序列的多种pam聚类亚型；
7、使用kappa统计比较样本序列的多种聚类亚型生存结果和验证序列的多种ntp聚类亚型生存结果的一致性，使用kappa统计比较样本序列的多种聚类亚型生存结果和验证序列的多种pam聚类亚型生存结果的一致性，得到疗效预测结果。
8、本专利技术使用无监督机器学习方法对eortc qlq-c30 v3和eortc qlq-lc13问卷中关于症状严重程度的数据进行聚类分析，并构建基于eortc qlq-c30 v3量表数据和eortcqlq-lc13量表数据的分类器，用于预测免疫治疗的疗效，从而提高免疫治疗疗效预测的准确性，降低疗效预测方法的实施成本和操作难度，并增强对患者的治疗预测和个性化管理。
9、进一步的，所述获取样本序列和验证序列，获取样本序列的生活质量量表数据和临床信息数据，包括：
10、获取样本序列和验证序列；其中，所述验证序列包括第一验证序列和第二验证序列；
11、提取样本序列的生活质量量表填写信息和临床记录信息；
12、对样本序列的生活质量量表填写信息和临床记录信息进行质控过滤和选择，获得样本序列的生活质量量表数据和临床信息数据；其中，所述生活质量量表数据包括eortcqlq-c30 v3量表数据和qlq-lc13量表数据。
13、本专利技术使用的eortc qlq-c30 v3量表数据包括物理、心理和社会领域的多个方面，使用的eortc qlq-lc13量表数据包括与肺癌相关的特定症状和问题，两种量表数据形成互补，使得所收集的数据更加广泛和全面，从而更加全面地评估患者的生活质量，提高了疗效预测的针对性和准确性。
14、进一步的，所述根据cpi指数、gaps-statistics和轮廓系数确定样本序列聚类的数量，并根据样本序列聚类的数量使用多种聚类算法对样本序列的生活质量量表数据进行整合聚类，得到样本序列的多种聚类亚型，包括：
15、根据cpi指数确定第一聚类数量，使用gaps-statistics的方式确定第二聚类数量，根据轮廓系数确定第三聚类数量，结合所述第一聚类数量、第二聚类数量和第三聚类数量获得样本序列聚类的数量；
16、根据样本序列聚类的数量，使用多种聚类算法对样本序列的生活质量量表数据进行整合聚类，得到样本序列的多种聚类亚型；其中，所述多种聚类算法包括snf聚类算法、pinsplus聚类算法、nemo聚类算法、coca聚类算法、lracluster聚类算法、iclusterbayes聚类算法、intnmf聚类算法、consensusclustering聚类算法、cimlr聚类算法和mocluster聚类算法。
17、本专利技术使用多种聚类算法对eortc qlq-c30 v3量表数据和eortc qlq-lc13量表数据进行聚类分析，使生活质量量表数据被辅助性地应用于疗效探究预测中，提高免疫治疗预测的准确性，并降低疗效探究过程中成本资源的浪费。
18、进一步的，所述使用最近模板预测的方式对验证序列进行聚类，得到验证序列的多种ntp聚类亚型，包括：
19、利用limma算法分析所述样本序列的多种聚类亚型的生活质量量表数据之间的差异性，得到差异分析结果；
20、根据所述差异分析结果，确定样本序列的多种聚类亚型的生活质量指标；
21、根据所述样本序列的多种聚类亚型的生活质量指标，获取生活质量指标模板文件；
22、根据所述生活质量指标模板文件，使用最近模板预测的方式对验证序列进行聚类，得到验证序列的多种ntp聚类亚型。
23、本专利技术首先获取基于eortc qlq-c30 v3量表数据和eortc qlq-lc13量表数据的生活质量指标模板文件，然后根据生活质量指标模板文件，使用最近模板预测的方式来预测验证序列的多种ntp聚类亚型，并结合验证序列的多种ntp聚类亚型的生存结果完成对免疫治疗的疗效预测，能够有效降低疗效预测成本和预测过程中患者的风险，提高疗效预测的一致性和准确性。
24、进一步的，所述使用pam分类器对验证序列进行聚类，得到验证序列的多种pam聚类亚型，包括：
25本文档来自技高网...
【技术保护点】
1.一种基于生活质量和聚类分析的疗效预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述获取样本序列和验证序列，获取样本序列的生活质量量表数据和临床信息数据，包括：
3.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述根据CPI指数、GAPS-STATISTICS和轮廓系数确定样本序列聚类的数量，并根据样本序列聚类的数量使用多种聚类算法对样本序列的生活质量量表数据进行整合聚类，得到样本序列的多种聚类亚型，包括：
4.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述使用最近模板预测的方式对验证序列进行聚类，得到验证序列的多种NTP聚类亚型，包括：
5.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述使用PAM分类器对验证序列进行聚类，得到验证序列的多种PAM聚类亚型，包括：
6.一种基于生活质量和聚类分析的疗效预测系统，其特征在于，包括：数据获取模块、聚类分析模块、模板预测模块、分类
7.如权利要求6所述的一种基于生活质量和聚类分析的疗效预测系统，其特征在于，所述数据获取模块，包括：序列获取单元、原始信息单元和数据处理单元；
8.如权利要求6所述的一种基于生活质量和聚类分析的疗效预测系统，其特征在于，所述聚类分析模块，包括：聚类数量单元和聚类整合单元；
9.如权利要求6所述的一种基于生活质量和聚类分析的疗效预测系统，其特征在于，所述模板预测模块，包括：差异分析单元、聚类指标单元、模板文件单元和模板聚类单元；
10.如权利要求6所述的一种基于生活质量和聚类分析的疗效预测系统，其特征在于，所述分类预测模块，包括：分类器单元和分类器聚类单元；
...【技术特征摘要】
1.一种基于生活质量和聚类分析的疗效预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述获取样本序列和验证序列，获取样本序列的生活质量量表数据和临床信息数据，包括：
3.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述根据cpi指数、gaps-statistics和轮廓系数确定样本序列聚类的数量，并根据样本序列聚类的数量使用多种聚类算法对样本序列的生活质量量表数据进行整合聚类，得到样本序列的多种聚类亚型，包括：
4.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述使用最近模板预测的方式对验证序列进行聚类，得到验证序列的多种ntp聚类亚型，包括：
5.如权利要求1所述的一种基于生活质量和聚类分析的疗效预测方法，其特征在于，所述使用pam分类器对验证...
【专利技术属性】
技术研发人员：周建国，沈娟艳，金甦晗，马虎，马军亮，谌邵林，
申请(专利权)人：遵义医科大学第二附属医院，
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。