【技术实现步骤摘要】
本专利技术涉及机器学习，特别是涉及一种个体治疗效果估计方法、系统、设备、介质及程序产品。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、个体治疗效果估计(individual treatment effect estimation，ite)方法，通过挖掘临床数据间的关系，预测治疗对结局的因果效应。随着电子病历的普及和医疗信息化的快速发展，产生了大规模的电子健康记录(electronic healthrecords，ehrs)数据集，为ite估计提供了足够的数据支撑。但在观察性数据集上进行ite估计面临两个基本的问题：一是反事实数据的缺失；二是存在混杂变量的影响。在现实世界中，由于无法同时获得个体接受治疗和不接受治疗的结局，这为ite估计算法的开发和评估带来了挑战。混杂变量是指同时影响治疗和结局的变量，比如医生更倾向于给重症患者采取治疗，但有时尽管采取了治疗，重症患者也更倾向于出现更差的效果，如果不调整混杂变量，可能会得出“治疗会产生更差结果”的错误结论，而这显然这是不正确的。
3、综本文档来自技高网...
【技术保护点】
1.一种个体治疗效果估计方法，其特征在于，包括：
2.如权利要求1所述的一种个体治疗效果估计方法，其特征在于，预测治疗结局的过程包括：将所采用的结果预测模型的网络结构扩展为k头网络，在学习到共享特征表征后，根据治疗分配信息的不同，将被测个体的个体特征变量分为对应的子集，每个子集只更新治疗分配信息对应的网络分支参数。
3.如权利要求2所述的一种个体治疗效果估计方法，其特征在于，在预测治疗结局过程中，定义的优化函数为：
4.如权利要求1所述的一种个体治疗效果估计方法，其特征在于，估计个体接受治疗的倾向得分的过程包括：自适应组LASSO对...
【技术特征摘要】
1.一种个体治疗效果估计方法，其特征在于，包括：
2.如权利要求1所述的一种个体治疗效果估计方法，其特征在于，预测治疗结局的过程包括：将所采用的结果预测模型的网络结构扩展为k头网络，在学习到共享特征表征后，根据治疗分配信息的不同，将被测个体的个体特征变量分为对应的子集，每个子集只更新治疗分配信息对应的网络分支参数。
3.如权利要求2所述的一种个体治疗效果估计方法，其特征在于，在预测治疗结局过程中，定义的优化函数为：
4.如权利要求1所述的一种个体治疗效果估计方法，其特征在于，估计个体接受治疗的倾向得分的过程包括：自适应组lasso对每个变量的惩罚强度依赖于初始权重，在自适应组lasso中，对每个变量系数αj的惩罚项是根据初始权重的大小动态调整的，为变量j的初始权重，γ为正调节参数。
5.如权利要求4所述的一种个体治疗效果估计方法，其特征在于，在估计个体接受治疗的倾向得分的过程中，定义的损失函数为：
6...
【专利技术属性】
技术研发人员：苑海涛，李江冰，赵瑶瑶，曹新冉，杨晓晖，杨帆，
申请(专利权)人：山东第一医科大学附属省立医院山东省立医院，
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。