CN109858121B - 生存曲线目标因素的关键值确定方法、装置、设备及介质 - Google Patents
生存曲线目标因素的关键值确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109858121B CN109858121B CN201910054450.1A CN201910054450A CN109858121B CN 109858121 B CN109858121 B CN 109858121B CN 201910054450 A CN201910054450 A CN 201910054450A CN 109858121 B CN109858121 B CN 109858121B
- Authority
- CN
- China
- Prior art keywords
- value
- target
- key
- candidate
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种生存曲线目标因素的关键值确定方法、装置、设备及介质,方法包括:根据目标因素的取值范围以及预设的与目标因素对应的关键值数量,获取与目标因素匹配的多个备选取值集合,备选取值集合中包括与关键值数量匹配的备选关键值;根据与目标因素匹配的样本数据,生成与备选取值集合对应的至少两个局部生存曲线;根据局部生存曲线,计算与备选取值集合对应的关键值参考因子;根据关键值参考因子,在各备选取值集合中确定目标取值集合,并将目标取值集合中包括的备选关键值作为目标因素的关键值。本发明实施例的技术方案能够降低优化生存曲线目标因素的关键值的时间成本和人力成本,并提高生存曲线目标因素的关键值的优化效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种生存曲线目标因素的关键值确定方法、装置、设备及介质。
背景技术
生存曲线是循证医学领域的术语。生存曲线技术,在商业客户流失分析、设备故障因素分析以及临床医学预后数据分析等方面有着广泛的应用。利用生存曲线可以分析某个样本的影响因素(即特征变量)对于事件(比如客户流失、设备故障或病人死亡等)的发生是否有明显的影响。如果这个影响因素具有连续值,往往需要对其进行二值化或者多值化处理,然后根据处理结果把样本进行对应分组,从而根据多组样本生成的多条生存曲线之间的差异程度分析该影响因素的影响效果。
现有的生成曲线中影响因素的二值化通常的做法是:相关工作人员根据经验和主观判断手工选择一个临界值,然后把样本按这个临界值分成两组,并根据两组样本对应生成两条生存曲线,比较生存曲线的差异程度。如果差异程度不明显,可以再手动选择其他临界值,反复进行这个过程,直到获得满意的差异程度为止。多值化的处理流程与上述二值化的处理流程类似。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:人工选择临界值的方法需要较高的人工成本和时间成本,且效率低下,不能保证找到最佳值。尤其在进行多值化处理时,上述缺陷更加明显。
发明内容
本发明实施例提供一种生存曲线目标因素的关键值确定方法、装置、设备及介质,以降低优化生存曲线目标因素的关键值的时间成本和人力成本,并提高生存曲线目标因素的关键值的优化效率。
第一方面,本发明实施例提供了一种生存曲线目标因素的关键值确定方法,包括:
根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;
根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;
根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;
根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
第二方面,本发明实施例还提供了一种生存曲线目标因素的关键值确定装置,包括:
备选取值集合获取模块,用于根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;
局部生存曲线生成模块,用于根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;
关键值参考因子计算模块,用于根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;
关键值确定模块,用于根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的生存曲线目标因素的关键值确定方法。
第四方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的生存曲线目标因素的关键值确定方法。
本发明实施例通过根据目标因素的取值范围以及预设的与目标因素对应的关键值数量,获取与目标因素匹配的多个包括与关键值数量匹配的备选关键值的备选取值集合,并根据与目标因素匹配的样本数据生成与备选取值集合对应的至少两个局部生存曲线,进而根据局部生存曲线计算与备选取值集合对应的关键值参考因子,最后根据关键值参考因子在各备选取值集合中确定目标取值集合,并将目标取值集合中包括的备选关键值作为目标因素的关键值,解决了现有优化生存曲线中目标因素的关键值时存在的成本高且效率低下等问题,实现降低优化生存曲线目标因素的关键值的时间成本和人力成本,并提高生存曲线目标因素的关键值的优化效率。
附图说明
图1是本发明实施例一提供的一种生存曲线目标因素的关键值确定方法的流程图;
图2是本发明实施例二提供的一种生存曲线目标因素的关键值确定方法的流程图;
图3是本发明实施例三提供的一种生存曲线目标因素的关键值确定装置的示意图;
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种生存曲线目标因素的关键值确定方法的流程图,本实施例可适用于快速确定生存曲线中目标因素的关键值的情况,该方法可以由生存曲线目标因素的关键值确定装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在计算机设备中。相应的,如图1所示,该方法包括如下操作:
S110、根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值。
其中,目标因素可以是影响生存曲线的其中一个影响因素,如临床医学预后数据分析中涉及到的病人的年龄、性别、病程、肿瘤分期及治疗方案等因素,或设备故障因素分析中涉及到的设备运行时间、负荷、磨损率以及维护周期等因素。需要说明的是,目标因素需要具有连续值,即目标因素具有一定的取值范围,如设备运行时间对应的取值范围(1,120)(以月为单位)。关键值可以是目标因素的取值范围内的其中一个数值,用于对样本数据进行拆分并根据拆分后的样本数据生成对应的生存曲线。备选取值集合可以是由一个或多个关键值所组成的集合,备选取值集合中的数值可以作为备选关键值。例如,设备运行时间对应的取值范围(1,120),则其对应的备选取值集合可以是[(5),(10),(15)……(110)],或[(5,8),(10,14),(15,16)……(110,115)]等。关键值的数量可以是1个,也可以是多个,本发明实施例对此并不进行限制。
在本发明实施例中,在确定生存曲线中目标因素的关键值时,可以首先确定关键值数量,然后根据生存曲线中目标因素的取值范围以及与目标因素对应的关键值数量,获取与目标因素匹配的多个备选取值集合。在每个备选取值集合中,都包括有与关键值数量匹配的备选关键值。即,当关键值数量为1时,备选取值集合中的备选关键值为1个;当关键值数量为3时,备选取值集合中的备选关键值为3个。需要说明的是,本发明实施例中的备选取值集合可以根据目标因素的取值范围和目标因素对应的关键值数量自动生成,而非通过人工选取的方式生成,能够高效地获取到与目标因素取值范围对应的全部备选取值集合。
S120、根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线。
其中,局部生存曲线可以是根据部分样本数据所生成的生存曲线。
相应的,在获取到与目标因素匹配的多个备选取值集合之后,可以将原始的样本数据按照备选取值集合生成对应的至少两个局部生存曲线。如果备选取值集合中的关键值数量为1,则可以对应生成两个局部生存曲线;如果备选取值集合中的关键值数量为2,则可以对应生成三个局部生存曲线;如果备选取值集合中的关键值数量为3,则可以对应生成四个局部生存曲线。以此类推,局部生存曲线的数量与关键值数量相对应。
S130、根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子。
其中,关键值参考因子可以是用于显示各局部生存曲线之间的校验结果(或显著差异)的参考值。
在本发明实施例中,获取到各备选取值集合对应的局部生存曲线之后,即可通过预设的校验方法计算各局部生存曲线之间的关键值参考因子。其中,各局部生存曲线之间的关键值参考因子与生成各局部生存曲线的备选取值集合相对应,即一个关键值参考因子与一个备选取值集合相对应。
S140、根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
相应的,得到所有备选取值集合对应的关键值参考因子之后,可以对所有的关键值参考因子进行筛选,以获取满足需求的目标关键值参考因子。进而可以根据确定的目标关键值参考因子确定对应的目标备选取值集合,并将目标取值集合中包括的备选关键值作为目标因素的关键值,从而实现对生存曲线中目标因素的关键值的优化。
本发明实施例通过根据目标因素的取值范围以及预设的与目标因素对应的关键值数量,获取与目标因素匹配的多个包括与关键值数量匹配的备选关键值的备选取值集合,并根据与目标因素匹配的样本数据生成与备选取值集合对应的至少两个局部生存曲线,进而根据局部生存曲线计算与备选取值集合对应的关键值参考因子,最后根据关键值参考因子在各备选取值集合中确定目标取值集合,并将目标取值集合中包括的备选关键值作为目标因素的关键值,解决了现有优化生存曲线中目标因素的关键值时存在的成本高且效率低下等问题,实现降低优化生存曲线目标因素的关键值的时间成本和人力成本,并提高生存曲线目标因素的关键值的优化效率。
实施例二
图2是本发明实施例二提供的一种生存曲线目标因素的关键值确定方法的流程图,本实施例以上述实施例为基础进行具体化,在本实施例中,给出了根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,以及根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线的具体实现方式。相应的,如图2所示,本实施例的方法可以包括:
S210、根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值。
相应的,S210具体可以包括下述操作:
S211、根据目标因素的取值范围,确定与所述目标因素对应的全部可选取值。
具体的,在获取与目标因素匹配的多个备选取值集合时,首先可以根据目标因素的取值范围确定与目标因素对应的全部可选取值。例如,假设目标因素为用户年龄,其取值范围为(10,60),则该目标因素对应的全部可选取值可以是10-60之间的所有整数。
S212、根据所述全部可选取值,以及所述关键值数量,计算所述备选取值集合中与每个级别的备选关键值对应的取值范围集合。
其中,所述备选取值集合包括的级别数量与所述关键值数量相匹配,一个级别的备选关键值的一个取值范围由前一级别的备选关键值选定后确定的,或者直接由所述全部可选取值确定。
相应的,可以根据全部可选取值以及关键值数量计算备选取值集合中与每个级别的备选关键值对应的取值范围集合。需要说明的是,当一个备选取值集合中包括多个备选关键值时,每个备选关键值之间是不同的。同时,为了避免重复计算,还可以对各备选关键值设置相应的级别,如一个备选取值集合中的各备选关键值按照由小至大的顺序设置相应的级别,而一个级别的备选关键值的一个取值范围由前一级别的备选关键值选定后确定。当备选关键值只有一个时,则该备选关键值的取值范围可以直接由全部可选取值确定。
示例性的,假设目标因素为用户年龄,其取值范围为(10,60)。如果备选关键值只有一个,则该备选关键值的取值范围可以是10-60之间的所有整数;如果备选关键值有2个,则第一个备选关键值的取值范围可以是10-60之间的所有整数,第二个备选关键值的取值范围可以是第一个备选关键值与60之间的所有整数;如果备选关键值有3个,则第一个备选关键值的取值范围可以是10-60之间的所有整数,第二个备选关键值的取值范围可以是第一个备选关键值与60之间的所有整数,第三个备选关键值的取值范围可以是第二个备选关键值与60之间的所有整数。
S213、根据与每个级别的备选关键值对应的取值范围集合,遍历得到与所述目标因素匹配的多个备选取值集合。
相应的,在得到各级别的备选关键值对应的取值范围集合后,即可根据各级别的备选关键值对应的取值范围集合遍历得到与目标因素匹配的多个备选取值集合。即遍历各级别的备选关键值对应的取值范围,得到所有备选关键值的取值组合。由此可见,本发明实施例所提供的生存曲线目标因素的关键值确定方法能够高效并自动地实现全局搜索和计算。
S220、根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线。
相应的,S220具体可以包括下述操作:
S221、根据所述备选取值集合中包括的备选关键值以及所述目标因素的取值范围中的首个取值和末个取值对所述目标因素匹配的样本数据进行区间划分,生成与所述备选取值集合对应的至少两个样本数据区间。
在本发明实施例中,每获取到与目标因素匹配的其中一个备选取值集合后,即可根据备选取值集合中包括的备选关键值以及目标因素的取值范围中的首个取值和末个取值对目标因素匹配的样本数据进行区间划分,从而生成与该备选取值集合对应的至少两个样本数据区间。
示例性的,假设目标因素的取值范围为(1,120),如果一个备选取值集合包括一个备选关键值10,则与该备选取值集合对应的两个样本数据区间可以是(1,10)和(10,120)。如果一个备选取值集合包括两个备选关键值10和20,则与该备选取值集合对应的两个样本数据区间可以是(1,10)、(10,20)和(20,120)。
S222、根据各所述样本数据区间以及与所述样本数据区间匹配的样本数据生成与所述备选取值集合对应的各所述局部生存曲线。
相应的,在获取到与备选取值集合对应的至少两个样本数据区间后,即可根据多个样本数据区间以及各样本数据区间以及与各样本数据区间匹配的样本数据生成与备选取值集合对应的各局部生存曲线。其中,局部生存曲线的生成方法与现有的生存曲线生成方法一致,本发明实施例对此不再详述。
S230、根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子。
在本发明的一个可选实施例中,所述关键值参考因子可以包括P值;相应的,根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子,可以包括:根据所述局部生存曲线,采用时序校验Log-rank test方法计算与所述备选取值集合对应的P值。
其中,P值就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。P值越小,表明结果越显著。Log-rank test方法是一种用于进行生存分析的检验方法。
可选的,在本发明实施例中,可以将P值作为关键值参考因子,并采用Log-ranktest方法计算与备选取值集合(即一个备选取值集合对应的至少两个局部生存曲线)对应的P值。
当然,本领域技术人员还可以根据实际需求,在本技术方案的技术背景下,使用其他的生存分析的检验方法,如Breslow或Tarone-Ware等方法,本发明实施例对此并不进行限制。
S240、根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
在本发明的一个可选实施例中,根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,可以包括:将所述关键值参考因子中满足关键值参考因子确定条件的目标关键值参考因子对应的备选取值集合确定为所述目标取值集合。
其中,关键值参考因子确定条件可以是根据实际需求所确定的筛选关键值参考因子的条件,如关键值参考因子数值最小。
在本发明实施例中,根据关键值参考因子在各备选取值集合中确定目标取值集合时,可以将满足关键值参考因子确定条件的目标关键值参考因子对应的备选取值集合确定为目标取值集合。
在一个具体的例子中,假设备选取值集合中包括一个备选关键值,即对生存曲线中的目标因素进行二值化处理时,其关键值的确定流程如下:
首先获得目标因素的取值范围,然后遍历目标因素的取值范围。取当前值作为备选关键值,并根据备选关键值把对应的样本分两组计算对应的两组局部生存曲线。采用Log-rank test方法计算两组局部生存曲线的显著差异,获得对应的P值。把备选关键值和P值追加存放到列表或数组List中。当目标因素的取值范围遍历完成后,在列表或数组List中寻找最小的P值以及对应的备选关键值,该备选关键值也即样本的最优划分点。
在另外一个具体的例子中,假设备选取值集合中包括两个备选关键值,即对生存曲线中的目标因素进行三值化处理时,其关键值的确定流程如下:
首先获得目标因素的取值范围,然后遍历目标因素的取值范围。取当前值作为第一备选关键值,并遍历第一备选关键值到目标因素的取值范围的最后一个取值,也即,第二备选关键值要比第一备选关键值大。取当前值作为第二备选关键值,并根据第一备选关键值、第二备选关键值把对应的样本分三组计算对应的三组局部生存曲线。采用Log-ranktest方法计算三组局部生存曲线的显著差异,获得对应的P值。把第一备选关键值、第二备选关键值和P值追加存放到列表或数组List中。当目标因素的取值范围遍历完成后,在列表或数组List中寻找最小的P值以及对应的第一备选关键值和第二备选关键值。第一备选关键值和第二备选关键值的组合也即样本的两个最优划分点。
采用上述技术方案,通过根据目标因素的取值范围以及预设的与目标因素对应的关键值数量,获取与目标因素匹配的多个包括与关键值数量匹配的备选关键值的备选取值集合,并根据与目标因素匹配的样本数据生成与备选取值集合对应的至少两个局部生存曲线,进而根据局部生存曲线计算与备选取值集合对应的关键值参考因子,最后根据关键值参考因子在各备选取值集合中确定目标取值集合,并将目标取值集合中包括的备选关键值作为目标因素的关键值,解决了现有优化生存曲线中目标因素的关键值时存在的成本高且效率低下等问题,实现降低优化生存曲线目标因素的关键值的时间成本和人力成本,并提高生存曲线目标因素的关键值的优化效率。
需要说明的是,以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
实施例三
图3是本发明实施例三提供的一种生存曲线目标因素的关键值确定装置的示意图,如图3所示,所述装置包括:备选取值集合获取模块310、局部生存曲线生成模块320、关键值参考因子计算模块330以及关键值确定模块340,其中:
备选取值集合获取模块310,用于根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;
局部生存曲线生成模块320,用于根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;
关键值参考因子计算模块330,用于根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;
关键值确定模块340,用于根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
本发明实施例通过根据目标因素的取值范围以及预设的与目标因素对应的关键值数量,获取与目标因素匹配的多个包括与关键值数量匹配的备选关键值的备选取值集合,并根据与目标因素匹配的样本数据生成与备选取值集合对应的至少两个局部生存曲线,进而根据局部生存曲线计算与备选取值集合对应的关键值参考因子,最后根据关键值参考因子在各备选取值集合中确定目标取值集合,并将目标取值集合中包括的备选关键值作为目标因素的关键值,解决了现有优化生存曲线中目标因素的关键值时存在的成本高且效率低下等问题,实现降低优化生存曲线目标因素的关键值的时间成本和人力成本,并提高生存曲线目标因素的关键值的优化效率。
可选的,备选取值集合获取模块310包括:
可选取值确定单元,用于根据目标因素的取值范围,确定与所述目标因素对应的全部可选取值;
取值范围集合计算单元,用于根据所述全部可选取值,以及所述关键值数量,计算所述备选取值集合中与每个级别的备选关键值对应的取值范围集合;
其中,所述备选取值集合包括的级别数量与所述关键值数量相匹配,一个级别的备选关键值的一个取值范围由前一级别的备选关键值选定后确定的,或者直接由所述全部可选取值确定;
备选取值集合获取单元,用于根据与每个级别的备选关键值对应的取值范围集合,遍历得到与所述目标因素匹配的多个备选取值集合。
可选的,局部生存曲线生成模块320包括:
样本数据区间生成单元,用于根据所述备选取值集合中包括的备选关键值以及所述目标因素的取值范围中的首个取值和末个取值对所述目标因素匹配的样本数据进行区间划分,生成与所述备选取值集合对应的至少两个样本数据区间;
局部生存曲线生成单元,用于根据各所述样本数据区间以及与所述样本数据区间匹配的样本数据生成与所述备选取值集合对应的各所述局部生存曲线。
可选的,所述关键值参考因子包括P值;
关键值参考因子计算模块330,具体用于根据所述局部生存曲线,采用时序校验Log-rank test方法计算与所述备选取值集合对应的P值。
可选的,关键值确定模块340,具体用于将所述关键值参考因子中满足关键值参考因子确定条件的目标关键值参考因子对应的备选取值集合确定为所述目标取值集合。
上述生存曲线目标因素的关键值确定装置可执行本发明任意实施例所提供的生存曲线目标因素的关键值确定方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的生存曲线目标因素的关键值确定方法。
由于上述所介绍的生存曲线目标因素的关键值确定装置为可以执行本发明实施例中的生存曲线目标因素的关键值确定方法的装置,故而基于本发明实施例中所介绍的生存曲线目标因素的关键值确定方法,本领域所属技术人员能够了解本实施例的生存曲线目标因素的关键值确定装置的具体实施方式以及其各种变化形式,所以在此对于该生存曲线目标因素的关键值确定装置如何实现本发明实施例中的生存曲线目标因素的关键值确定方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中生存曲线目标因素的关键值确定方法所采用的装置,都属于本申请所欲保护的范围。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于:一个或者多个处理器416,存储装置428,连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块426的程序436,可以存储在例如存储装置428中,这样的程序模块426包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块426通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信,还可与一个或者多个使得用户能与该计算机设备412交互的设备通信,和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口422进行。并且,计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arraysof Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的生存曲线目标因素的关键值确定方法。
也即,所述处理单元执行所述程序时实现:根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
实施例五
本发明实施例五还提供一种存储计算机程序的计算机存储介质,所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的生存曲线目标因素的关键值确定方法:根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器((Erasable Programmable ReadOnly Memory,EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种生存曲线目标因素的关键值确定方法,其特征在于,包括:
根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;所述备选取值集合由计算机设备根据所述目标因素的取值范围和所述目标因素对应的关键值数量自动生成;
其中,所述目标因素为具有连续值的商业客户流失分析元素、临床医学预后数据分析元素或设备故障因素;
根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;
其中,所述样本数据为商业客户流失分析样本数据、临床医学预后样本数据或设备故障样本数据;
根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;
根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值;
其中,所述关键值为所述商业客户流失分析样本数据、临床医学预后样本数据或所述设备故障样本数据中特征变量的最优化分点。
2.根据权利要求1所述的方法,其特征在于,根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,包括:
根据目标因素的取值范围,确定与所述目标因素对应的全部可选取值;
根据所述全部可选取值,以及所述关键值数量,计算所述备选取值集合中与每个级别的备选关键值对应的取值范围集合;
其中,所述备选取值集合包括的级别数量与所述关键值数量相匹配,一个级别的备选关键值的一个取值范围由前一级别的备选关键值选定后确定的,或者直接由所述全部可选取值确定;
根据与每个级别的备选关键值对应的取值范围集合,遍历得到与所述目标因素匹配的多个备选取值集合。
3.根据权利要求1所述的方法,其特征在于,根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线,包括:
根据所述备选取值集合中包括的备选关键值以及所述目标因素的取值范围中的首个取值和末个取值对所述目标因素匹配的样本数据进行区间划分,生成与所述备选取值集合对应的至少两个样本数据区间;
根据各所述样本数据区间以及与所述样本数据区间匹配的样本数据生成与所述备选取值集合对应的各所述局部生存曲线。
4.根据权利要求1所述的方法,其特征在于,所述关键值参考因子包括P值;
根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子,包括:
根据所述局部生存曲线,采用时序校验Log-rank test方法计算与所述备选取值集合对应的P值。
5.根据权利要求1所述的方法,其特征在于,根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,包括:
将所述关键值参考因子中满足关键值参考因子确定条件的目标关键值参考因子对应的备选取值集合确定为所述目标取值集合。
6.一种生存曲线目标因素的关键值确定装置,其特征在于,包括:
备选取值集合获取模块,用于根据目标因素的取值范围以及预设的与所述目标因素对应的关键值数量,获取与所述目标因素匹配的多个备选取值集合,所述备选取值集合中包括与所述关键值数量匹配的备选关键值;所述备选取值集合由计算机设备根据所述目标因素的取值范围和所述目标因素对应的关键值数量自动生成;
其中,所述目标因素为具有连续值的商业客户流失分析元素、临床医学预后数据分析元素或设备故障因素;
局部生存曲线生成模块,用于根据与所述目标因素匹配的样本数据,生成与所述备选取值集合对应的至少两个局部生存曲线;
其中,所述样本数据为商业客户流失分析样本数据、临床医学预后样本数据或设备故障样本数据;
关键值参考因子计算模块,用于根据所述局部生存曲线,计算与所述备选取值集合对应的关键值参考因子;
关键值确定模块,用于根据所述关键值参考因子,在各所述备选取值集合中确定目标取值集合,并将所述目标取值集合中包括的备选关键值作为所述目标因素的关键值;
其中,所述关键值为所述商业客户流失分析样本数据、临床医学预后样本数据或所述设备故障样本数据中特征变量的最优化分点。
7.根据权利要求6所述的装置,其特征在于,所述备选取值集合获取模块包括:
可选取值确定单元,用于根据目标因素的取值范围,确定与所述目标因素对应的全部可选取值;
取值范围集合计算单元,用于根据所述全部可选取值,以及所述关键值数量,计算所述备选取值集合中与每个级别的备选关键值对应的取值范围集合;
其中,所述备选取值集合包括的级别数量与所述关键值数量相匹配,一个级别的备选关键值的一个取值范围由前一级别的备选关键值选定后确定的,或者直接由所述全部可选取值确定;
备选取值集合获取单元,用于根据与每个级别的备选关键值对应的取值范围集合,遍历得到与所述目标因素匹配的多个备选取值集合。
8.根据权利要求6所述的装置,其特征在于,所述局部生存曲线生成模块包括:
样本数据区间生成单元,用于根据所述备选取值集合中包括的备选关键值以及所述目标因素的取值范围中的首个取值和末个取值对所述目标因素匹配的样本数据进行区间划分,生成与所述备选取值集合对应的至少两个样本数据区间;
局部生存曲线生成单元,用于根据各所述样本数据区间以及与所述样本数据区间匹配的样本数据生成与所述备选取值集合对应的各所述局部生存曲线。
9.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的生存曲线目标因素的关键值确定方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的生存曲线目标因素的关键值确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910054450.1A CN109858121B (zh) | 2019-01-21 | 2019-01-21 | 生存曲线目标因素的关键值确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910054450.1A CN109858121B (zh) | 2019-01-21 | 2019-01-21 | 生存曲线目标因素的关键值确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858121A CN109858121A (zh) | 2019-06-07 |
CN109858121B true CN109858121B (zh) | 2020-02-21 |
Family
ID=66895443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910054450.1A Active CN109858121B (zh) | 2019-01-21 | 2019-01-21 | 生存曲线目标因素的关键值确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858121B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104032001A (zh) * | 2014-06-11 | 2014-09-10 | 上海交通大学医学院附属新华医院 | 用于胆囊癌预后评估的erbb信号通路突变靶向测序方法 |
CN106244707A (zh) * | 2010-07-28 | 2016-12-21 | 维里德克斯有限责任公司 | 急性髓细胞性白血病应答法尼基转移酶抑制剂治疗的测定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7801707B2 (en) * | 2006-08-02 | 2010-09-21 | Schlumberger Technology Corporation | Statistical method for analyzing the performance of oilfield equipment |
-
2019
- 2019-01-21 CN CN201910054450.1A patent/CN109858121B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106244707A (zh) * | 2010-07-28 | 2016-12-21 | 维里德克斯有限责任公司 | 急性髓细胞性白血病应答法尼基转移酶抑制剂治疗的测定方法 |
CN104032001A (zh) * | 2014-06-11 | 2014-09-10 | 上海交通大学医学院附属新华医院 | 用于胆囊癌预后评估的erbb信号通路突变靶向测序方法 |
Non-Patent Citations (1)
Title |
---|
晚期帕金森病的生存曲线及死因分析;李长宏,等.;《中国组织工程研究》;20030715;第7卷(第16期);2356 * |
Also Published As
Publication number | Publication date |
---|---|
CN109858121A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11195133B2 (en) | Identifying group and individual-level risk factors via risk-driven patient stratification | |
US11062800B2 (en) | Method for managing annotation job, apparatus and system supporting the same | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
US9785634B2 (en) | Integration and combination of random sampling and document batching | |
US20190237200A1 (en) | Recording medium recording similar case retrieval program, information processing apparatus, and similar case retrieval method | |
US11942189B2 (en) | Drug efficacy prediction for treatment of genetic disease | |
CN113535773B (zh) | 数据库优化方法、数据库优化装置、电子设备和存储介质 | |
US20180196924A1 (en) | Computer-implemented method and system for diagnosis of biological conditions of a patient | |
CN116798646B (zh) | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 | |
US20180113801A1 (en) | Adaptive dynamic code analysis | |
US11621087B2 (en) | Machine learning for amyloid and tau pathology prediction | |
CN111383768B (zh) | 医疗数据回归分析方法、装置、电子设备及计算机可读介质 | |
CN109858121B (zh) | 生存曲线目标因素的关键值确定方法、装置、设备及介质 | |
CN111563172A (zh) | 基于动态知识图谱构建的学术热点趋势预测方法和装置 | |
CN110751227A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115994093A (zh) | 测试用例推荐方法和装置 | |
US11443837B2 (en) | Generation of test data for a data platform | |
US20170206309A1 (en) | Metagenome mapping | |
US11742081B2 (en) | Data model processing in machine learning employing feature selection using sub-population analysis | |
CN113095589A (zh) | 一种人口属性确定方法、装置、设备及存储介质 | |
CN112614595A (zh) | 生存分析模型的构建方法、装置、电子终端及存储介质 | |
US20190012427A1 (en) | Feature selection for efficient epistasis modeling for phenotype prediction | |
US10552760B2 (en) | Training set creation for classifying features of a system under agile development | |
US20160292618A1 (en) | Mandating tasks at run-time for case management | |
CN117421460B (zh) | 一种时空数据的匹配方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |