CN109994179B - 万古霉素的给药方法及装置 - Google Patents

万古霉素的给药方法及装置 Download PDF

Info

Publication number
CN109994179B
CN109994179B CN201910260597.6A CN201910260597A CN109994179B CN 109994179 B CN109994179 B CN 109994179B CN 201910260597 A CN201910260597 A CN 201910260597A CN 109994179 B CN109994179 B CN 109994179B
Authority
CN
China
Prior art keywords
stage
initial
adjustment
basic information
prediction model
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
Application number
CN201910260597.6A
Other languages
English (en)
Other versions
CN109994179A (zh
Inventor
张健
卜书红
李莉霞
徐阿晶
刘艳
孙佳星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Nuodao Cognitive Medical Technology Co ltd
XinHua Hospital Affiliated To Shanghai JiaoTong University School of Medicine
Original Assignee
Beijing Nuodao Cognitive Medical Technology Co ltd
XinHua Hospital Affiliated To Shanghai JiaoTong University School of Medicine
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Nuodao Cognitive Medical Technology Co ltd, XinHua Hospital Affiliated To Shanghai JiaoTong University School of Medicine filed Critical Beijing Nuodao Cognitive Medical Technology Co ltd
Priority to CN201910260597.6A priority Critical patent/CN109994179B/zh
Publication of CN109994179A publication Critical patent/CN109994179A/zh
Application granted granted Critical
Publication of CN109994179B publication Critical patent/CN109994179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

本发明实施例提供一种万古霉素的给药方法及装置，其中方法包括：若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息；若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息。本发明通过深度学习建立个性化的给药模型能够解决医学数据集中存在缺失值、异常值等各种常见问题，并且具有自主学习能力，可有效地在更少的节点上处理更大的数据集，计算速度和模型精度均有所提升。

Description

万古霉素的给药方法及装置
技术领域
本发明实施例涉及神经网络技术领域，更具体地，涉及万古霉素的给药。
背景技术
目前传统的初始给药方案制定途径有以下几种：(1)药师根据万古霉素说明书进行初始给药；(2)药师根据传统的药动学方程进行初始给药；(3)药师凭借经验进行初始给药。病人根据初始方案进行治疗后，一般在第五次给药前进行血药浓度监测(TDM)，根据测定的谷浓度，药师在根据一般性的用药指南及个人经验给出调整给药方案。
已有研究表明，与传统方法相比，基于群体药动学的给药方案能显著提高浓度达标率。目前，已有一些软件可进行万古霉素个体化给药方案的设计，如免费的JPKD、BestDose、商业软件MwPharm等。但在适应性、功能性、易用性等方面存在一些局限性：例如采用的PPK参数来源于欧美人或仅局限于中国成年人,直接应用于中国所有不同人群的个体化给药方案制定可能存在一定风险。
为解决基于群体药动学的给药方案的局限性，“药学学报Acta PharmaceuticaSinica 2018,53(1):104-110”提供了一种应用群体药动学(populationpharmacokinetic,PPK)结合贝叶斯估算的最大后验贝叶斯法(maximum a posteriorBayesian estimation,MAPB)给出万古霉素最佳给药剂量的计算方法。该方法通过收集中国人群的万古霉素群体药动学特征参数，对普通成人以及新生儿、老年人、神经外科患者等特殊人群进行分析，实现不同人群的个体参数的MAPB估算。但该方法对于复杂情况患者在制定个体化给药方案时可能存在一定风险，比如患者患有多种疾病，分属于不同的特殊人群，该方法针对该类人群就无法给出对应的MAPB估算模型进行个体化给药，并且使用万古霉素的患者一般病情复杂，上述情况属于普遍情况。另外，特殊人群医学定义十分广泛，如果每一类人群都要实现一种MAPB估算模型，实现难度巨大。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的万古霉素的给药方法及装置。
第一个方面，本发明实施例提供一种万古霉素的给药方法，包括：
若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息；
若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息；
其中，所述初始阶段给药预测模型根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整阶段给药预测模型根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
第二个方面，本发明实施例提供一种万古霉素的给药装置，包括：
初始给药预测模块，用于若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息；
调整给药预测模块，用于若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息；
其中，所述初始阶段给药预测模型根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整阶段给药预测模型根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器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程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的万古霉素的给药方法及装置，引入深度神经网络算法，通过深度学习建立个性化的给药模型。深度神经网络算法的优势如下：1.能够解决医学数据集中存在缺失值、异常值等各种常见问题；2.具有自主学习能力，可有效地在更少的节点上处理更大的数据集，计算速度和模型精度均有所提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的万古霉素的给药方法的流程示意图；
图2为本发明实施例提供的万古霉素的给药装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的万古霉素的给药方法的流程示意图，如图1所示，包括：
S101、若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息；
S102、若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息；
其中，所述初始阶段给药预测模型根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整阶段给药预测模型根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
需要说明的是，本发明实施例中步骤S101和步骤S102之间不存在必然的时序关系，在实际应用时，对于同一个病人的万古霉素给药方案来说，可以仅执行步骤S101，也可以仅执行步骤S102，也可以先执行步骤S101再执行步骤S102。
本发明实施例引入深度神经网络算法，通过深度学习建立个性化的给药模型。深度神经网络算法的优势如下：1.能够解决医学数据集中存在缺失值、异常值等各种常见问题；2.具有自主学习能力，可有效地在更少的节点上处理更大的数据集，计算速度和模型精度均有所提升。
在上述各实施例的基础上，作为一种可选实施例，初始给药阶段预测模型和调整给药阶段预测模型的训练方法包括：
S201、分别创建初始方案数据库和调整方案数据库，对所述初始方案数据库和调整方案数据库中的数据进行预处理；所述初始方案数据库中包括样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息，所述调整方案数据库中包括样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息。
S202、将所述初始方案数据库中的数据输入至待训练的初始给药阶段预测模型中，将所述调整方案数据库中的数据输入至待训练的调整给药阶段预测模型中。
S203、分别定义初始给药阶段预测模型和调整给药阶段预测模型目标函数，以交叉熵最小为目标函数。
目标函数表示为：J(p,q)＝min(-∑xp(x)logq(x))
其中，p(x)为实际值，q(x)为预测值，以初始给药阶段预测模型为例，实际值即样本病人在初始给药阶段的实际用药医嘱信息，预测值即样本病人在初始给药阶段的预测用药医嘱信息
S204、初始化初始给药阶段预测模型和调整给药阶段预测模型中各层权重值和偏差赋予随机数，计算隐含层单元状态和实际输出，激活函数采用sigmoid激活函数。
具体地，设输入为xij(i∈N，N为样本数，j为自变量数)，输入层到隐含层的权值为
Figure BDA0002015157130000051
偏差为
Figure BDA0002015157130000052
隐含层的输入为：
Figure BDA0002015157130000053
Figure BDA0002015157130000054
Sigmoid激活函数：
Figure BDA0002015157130000055
隐含层到输出层的权值为
Figure BDA0002015157130000056
偏差为
Figure BDA0002015157130000057
则输出层的结果为：
Figure BDA0002015157130000058
S205、计算网络的训练均方误差，根据随机梯度下降SGD，通过反向传播算法修正各层的权重值和偏差，直至目标函数的变化量小于预设阈值。
Figure BDA0002015157130000059
Figure BDA00020151571300000510
在上述各实施例的基础上，作为一种可选实施例，对所述初始方案数据库和调整方案数据库中的数据进行预处理，具体为：
S301、对所述初始方案数据库和调整方案数据库中的数据进行结构化处理。
具体地：将所述样本病人的基本信息、检验检测数据和TDM检测次数作为自变量，将所述初始给药阶段的用药医嘱信息和调整给药阶段的用药医嘱信息作为目标变量。用药医嘱信息包括给药剂量、给药频次和给药途径等。
将所述基本信息中的分类变量转码为0-1的二分类自变量，例如用0表示女性，1表示男性。将年龄、身高、体重等数值型自变量转化为int或float类型，查看数据分布，删除异常值样本；吸烟史和饮酒史通过自然语言处理(NLP)的方式，采用正则表达式从大病历中进行文本信息提取。
保留样本病人的初始给药阶段和调整给药阶段第一次的检验检查结果，将数值型检验检查结果转换为float类型并删除异常样本，将分类型检验检查结果通过独热编码转换为0-1的二分类自变量。
S302、删除所述初始方案数据库和调整方案数据库中缺失率大于最优阈值的自变量，并对剩余自变量用相似病例方法插补缺失值。
具体地，设置缺失率阈值范围为50％-95％，以5％为一个调整单位，逐次删除缺失率大于50％、55％、60％直至95％的自变量，依次验证测试集的正确率，寻找测试集正确率最高的最优缺失率阈值；删除缺失率过高的自变量后，剩余自变量采用相似病例的方法插补缺失值。相似病例认定采用K最近邻(k-Nearest Neighbor，KNN)分类算法。
S303、采用统计方法对插补后的自变量进行数据分布检验和变量预筛选。
具体地，数据分布检验包括：
数据偏置性检验：检验连续变量是否符合正态分布。常用统计方法为：正态性检验、峰度、偏度、P-P图、Q-Q图等。如果数据不符合正态分布，通过1+log(x)进行；
Mann-Whitney-Wilcoxon检验：是一种两独立样本的非参数检验，用于检验来自不同医院的数据是否符合同一分布。原假设：来自不同医院的数据符合同一分布。当接受原假设时，认为数据质量较好，可用于展开数据分析。
变量预筛选包括：
对于二分类自变量，通过与目标变量进行Cochran-Mantel-Haenszel检验，判断二分类自变量与目标变量之间的关系是否显著，若关系显著则保留该变量；
对于多分类自变量，通过与目标变量进行Cochran-Armitage趋势检验，判断多分类自变量与目标变量之间的关系是否显著，若关系显著则保留该变量；
对于连续型自变量，采用逐步回归的方式，将连续型自变量与目标变量进行逻辑回归，逐步筛选对目标变量影响显著的连续型变量。
作为一种可选实施例，K最近邻分类算法的思路如下：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的k个实例，如果是连续变量，通过k个相邻实例进行加权平均，得到缺失值的代替值；如果是分类变量，则采用所占比重较大的值进行缺失值代替。
主要操作步骤如下：
S401、挑出数据集中存在缺失值的变量
S402、以尿酸存在缺失值为例，进行knn插补时，以尿酸为目标变量，其余变量为特征变量
S403、将数据集拆分为尿酸无缺失数据集tran和尿酸缺失数据集test
S404、计算test数据集中每个样本距离tran数据集中各个样本的欧氏距离，挑选距离最近的k个相似样本
S405、以欧氏距离的倒数作为权重，通过加权平均得到test数据集中每个样本缺失值的替代值
S406、通过调整k的取值，找到插补后使得机器学习算法测试集正确率最高的k。
图2为本发明实施例提供的万古霉素的给药装置的结构示意图，如图2所示，该万古霉素的给药装置包括：初始给药预测模块201和调整给药预测模块202，其中：
初始给药预测模块201，用于若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息；
调整给药预测模块202，用于若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息；
其中，所述初始阶段给药预测模型根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整阶段给药预测模型根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成
本发明实施例提供的万古霉素的给药装置，具体执行上述各万古霉素的给药方法实施例流程，具体请详见上述各万古霉素的给药方法实施例的内容，在此不再赘述。本发明实施例提供的万古霉素的给药装置引入深度神经网络算法，通过深度学习建立个性化的给药模型。深度神经网络算法的优势如下：能够解决医学数据集中存在缺失值、异常值等各种常见问题；具有自主学习能力，可有效地在更少的节点上处理更大的数据集，计算速度和模型精度均有所提升。
图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各实施例提供的万古霉素的给药方法，例如包括：若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息，若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息，其中，所述初始阶段给药预测模型根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整阶段给药预测模型根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的万古霉素的给药方法，例如包括：若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始阶段给药预测模型中，获得初始给药阶段的用药医嘱信息，若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整阶段给药预测模型，获得调整给药阶段的用药医嘱信息，其中，所述初始阶段给药预测模型根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整阶段给药预测模型根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种万古霉素的给药方法，其特征在于，包括：
若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始给药阶段预测模型中，获得初始给药阶段的用药医嘱信息；
若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整给药阶段预测模型，获得调整给药阶段的用药医嘱信息；
其中，所述初始给药阶段预测模型是基于深度神经网络算法，根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整给药阶段预测模型是基于深度神经网络算法，根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
2.根据权利要求1所述的给药方法，其特征在于，所述初始给药阶段预测模型和调整给药阶段预测模型的训练方法包括：
分别创建初始方案数据库和调整方案数据库，对所述初始方案数据库和调整方案数据库中的数据进行预处理；
将所述初始方案数据库中的数据输入至待训练的初始给药阶段预测模型中，将所述调整方案数据库中的数据输入至待训练的调整给药阶段预测模型中；
分别定义初始给药阶段预测模型和调整给药阶段预测模型目标函数，以交叉熵最小为目标函数：
初始化初始给药阶段预测模型和调整给药阶段预测模型中各层权重值和偏差赋予随机数，计算隐含层单元状态和实际输出，激活函数采用sigmoid激活函数；
计算网络的训练均方误差，根据随机梯度下降SGD，通过反向传播算法修正各层的权重值和偏差，直至目标函数的变化量小于预设阈值；
其中，所述初始方案数据库中包括样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息，所述调整方案数据库中包括样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息。
3.根据权利要求2所述的给药方法，其特征在于，所述对所述初始方案数据库和调整方案数据库中的数据进行预处理，具体为：
对所述初始方案数据库和调整方案数据库中的数据进行结构化处理；
删除所述初始方案数据库和调整方案数据库中缺失率大于最优阈值的自变量，并对剩余自变量用相似病例方法插补缺失值；
采用统计方法对插补后的自变量进行数据分布检验和变量预筛选。
4.根据权利要求3所述的给药方法，其特征在于，所述对所述初始方案数据库和调整方案数据库中的数据进行结构化处理，具体为：
将所述样本病人的基本信息、检验检测数据和TDM检测次数作为自变量，将所述初始给药阶段的用药医嘱信息和调整给药阶段的用药医嘱信息作为目标变量；
将所述基本信息中的分类变量转码为0-1的二分类自变量，将数值型自变量转化为int或float类型；
保留样本病人的初始给药阶段和调整给药阶段第一次的检验检查结果，将数值型检验检查结果转换为float类型并删除异常样本，将分类型检验检查结果通过独热编码转换为0-1的二分类自变量。
5.根据权利要求4所述的给药方法，其特征在于，所述相似病例采用K最近邻分类算法进行认定。
6.根据权利要求3所述的给药方法，其特征在于，所述数据分布检验包括偏置性检验和Mann-Whitney-Wilcoxon检验。
7.根据权利要求3所述的给药方法，其特征在于，所述变量预筛选包括：
对于二分类自变量，通过与目标变量进行Cochran-Mantel-Haenszel检验，判断二分类自变量与目标变量之间的关系是否显著，若关系显著则保留该变量；
对于多分类自变量，通过与目标变量进行Cochran-Armitage趋势检验，判断多分类自变量与目标变量之间的关系是否显著，若关系显著则保留该变量；
对于连续型自变量，采用逐步回归的方式，将连续型自变量与目标变量进行逻辑回归，逐步筛选对目标变量影响显著的连续型变量。
8.一种万古霉素的给药装置，其特征在于，包括：
初始给药预测模块，用于若当前时刻属于初始给药阶段，则采集病人的基本信息以及检验检测数据，将所述基本信息以及检验检测数据输入至预先训练的初始给药阶段预测模型中，获得初始给药阶段的用药医嘱信息；
调整给药预测模块，用于若当前时刻属于调整给药阶段，则采集病人的基本信息、检验检测数据和TDM检测次数，将所述基本信息、检验检测数据和TDM检测次数输入至预先训练的调整给药阶段预测模型，获得调整给药阶段的用药医嘱信息；
其中，所述初始给药阶段预测模型是基于深度神经网络算法，根据样本病人的基本信息、检验检测数据以及初始给药阶段的用药医嘱信息训练而成；所述调整给药阶段预测模型是基于深度神经网络算法，根据样本病人的基本信息、检验检测数据、TDM检测次数以及调整给药阶段的用药医嘱信息训练而成。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7中任意一项所述的万古霉素的给药方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7中任意一项所述的万古霉素的给药方法。
CN201910260597.6A 2019-04-02 2019-04-02 万古霉素的给药方法及装置 Active CN109994179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910260597.6A CN109994179B (zh) 2019-04-02 2019-04-02 万古霉素的给药方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910260597.6A CN109994179B (zh) 2019-04-02 2019-04-02 万古霉素的给药方法及装置

Publications (2)

Publication Number Publication Date
CN109994179A CN109994179A (zh) 2019-07-09
CN109994179B true CN109994179B (zh) 2021-02-26

Family

ID=67132157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910260597.6A Active CN109994179B (zh) 2019-04-02 2019-04-02 万古霉素的给药方法及装置

Country Status (1)

Country Link
CN (1) CN109994179B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110473629A (zh) * 2019-08-22 2019-11-19 南京航空航天大学 一种肾透析治疗方案推荐方法及系统
CN112320963B (zh) * 2020-10-28 2021-08-03 武汉智悦水生态科技有限责任公司 一种基于大数据的鱼草平衡水质环保处理方法
CN113624998A (zh) * 2021-09-17 2021-11-09 辽宁旭能科技有限公司 基于电力大数据的电锅炉补热储热成本优化方法和装置
CN116994700B (zh) * 2023-03-31 2024-06-04 北京诺道认知医学科技有限公司 基于深度学习的喹硫平剂量个体化推荐方法及装置

Also Published As

Publication number Publication date
CN109994179A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109994179B (zh) 万古霉素的给药方法及装置
CN111613289B (zh) 个体化药物剂量预测方法、装置、电子设备及存储介质
CN109243620B (zh) 基于血药浓度监测的药效优化方法及装置
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
US20200211706A1 (en) Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system
Kumari et al. A data mining approach for the diagnosis of diabetes mellitus
Arun et al. On the analysis of COVID19-novel corona viral disease pandemic spread data using machine learning techniques
CN113270203A (zh) 药物剂量预测方法、装置、电子设备及存储介质
CN109243546B (zh) 抗凝药药效优化模型的建立方法及装置
CN109273097B (zh) 一种药物适应症的自动生成方法、装置、设备及存储介质
CN111243736A (zh) 一种生存风险评估方法及系统
Nagarajan et al. Design and implementation of expert clinical system for diagnosing diabetes using data mining techniques
JP7513631B2 (ja) 残差セミリカレントニューラルネットワーク
CN108682457A (zh) 患者长期预后定量预测和干预系统及方法
EP4226856A1 (en) Method and apparatus for predicting blood pressure by fusing calibrated photoplethysmographic signal data
CN116129988B (zh) 一种模型构建方法、装置、设备和介质
Langarica et al. A probabilistic approach to blood glucose prediction in type 1 diabetes under meal uncertainties
CN115966314B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN115295115A (zh) 基于深度学习的丙戊酸钠血药浓度预测方法及装置
Uppin et al. Expert system design to predict heart and diabetes diseases
Kuzlu et al. A Robust Diabetes Mellitus Prediction System Based on Federated Learning Strategies
CN113057588A (zh) 一种病症预警方法、装置、设备及介质
CN116614580B (zh) 一种多端呼叫及时响应通讯方法及系统
CN116994700B (zh) 基于深度学习的喹硫平剂量个体化推荐方法及装置
Jeon et al. Bayesian approaches for Quantifying Clinicians' Variability in Medical Image Quantification

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