基于高通量医学科学数据变量的因果效应估计方法及系统技术方案

本发明专利技术公开一种基于高通量医学科学数据变量的因果效应估计方法及系统，利用高通量医学科学数据变量逼近拟随机化设计，以获得无偏的因果效应估计。通过对新使用者队列设计、L1正则化倾向得分匹配、阴性对照及合成阳性对照、P值校准及置信区间校准、个性化深度因果学习算法等循证医学设计及因果推断理论方法的优化组合，发明专利技术全新的智能化大数据真实世界研究设计与分析流程，为利用大数据实现高级别观察性研究的循证证据，提供了自动化或半自动化、通用化、鲁棒性的研究设计与分析通用解决方案。

【技术实现步骤摘要】

本专利技术涉及循证医学推理，特别是涉及一种基于高通量医学科学数据变量的因果效应估计方法及系统。

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、随着电子病历(electronic medical record，emr)、电子健康档案(electronichealth records，ehr)及高通量生物组学等的广泛普及，为医学研究者和实践者提供了获取海量协变量信息的契机。无论是在实验性研究还是在观察性研究中，除了获取常规基线、处理/干预和结局变量信息外，均可容易地获取各种组学标记、临床指标、实验室指标、影像标记等大量协变量信息，例如，包含基因组学等信息的大数据临床试验(big-datarandomized clinical trial，brct)已被纳入议程；而在大型观察性研究中，高通量全基因组(如snps(单核苷酸多态性，single nucleotide polymorphisms))等生物标记已成为队列基线的标配；同样，临床实践中类似的协变量信息也可从emr/ehr/lis(医院实验室信息系本文档来自技高网...

【技术保护点】

1.基于高通量医学科学数据变量的因果效应估计方法，其特征在于，包括：

2.如权利要求1所述的基于高通量医学科学数据变量的因果效应估计方法，其特征在于，设计新使用者队列并进行队列配置的过程包括：基于高通量医学科学数据建立医学科学数据仓库和定义概念集，按照设定的标准和配置规则提取数据进行队列配置；

3.如权利要求1所述的基于高通量医学科学数据变量的因果效应估计方法，其特征在于，阴性对照验证包括：选择与结局没有因果效应关系的变量作为阴性对照暴露，或选择与暴露没有因果效应关系的变量作为阴性对照结局，调整已知可观测的混杂变量后，若暴露与结局仍有因果效应关系，说明仍存在剩余混...

【技术特征摘要】

1.基于高通量医学科学数据变量的因果效应估计方法，其特征在于，包括：

2.如权利要求1所述的基于高通量医学科学数据变量的因果效应估计方法，其特征在于，设计新使用者队列并进行队列配置的过程包括：基于高通量医学科学数据建立医学科学数据仓库和定义概念集，按照设定的标准和配置规则提取数据进行队列配置；

3.如权利要求1所述的基于高通量医学科学数据变量的因果效应估计方法，其特征在于，阴性对照验证包括：选择与结局没有因果效应关系的变量作为阴性对照暴露，或选择与暴露没有因果效应关系的变量作为阴性对照结局，调整已知可观测的混杂变量后，若暴露与结局仍有因果效应关系，说明仍存在剩余混杂变量。

4.如权利要求1所述的基于高通量医学科学数据变量的因果效应估计方法，其特征在于，合成阳性对照验证包括：<...

【专利技术属性】
技术研发人员：薛付忠，朱高培，马晶，钱清，宫若瑜，马宗峰，
申请(专利权)人：山东大学，
类型：发明
国别省市：