CN110010252A - 华法林给药剂量预测方法及装置 - Google Patents
华法林给药剂量预测方法及装置 Download PDFInfo
- Publication number
- CN110010252A CN110010252A CN201910255994.4A CN201910255994A CN110010252A CN 110010252 A CN110010252 A CN 110010252A CN 201910255994 A CN201910255994 A CN 201910255994A CN 110010252 A CN110010252 A CN 110010252A
- Authority
- CN
- China
- Prior art keywords
- data
- warfarin
- sample
- inr
- result
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medicinal Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Toxicology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种华法林给药剂量预测方法及装置,所述方法包括:获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化和缺失值处理;将经过标准化和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果。本发明实施例可以用于进行华法林个体化给药剂量预测,计算速度较快,预测结果准确合理。
Description
技术领域
本发明实施例涉及医疗人工智能技术领域,更具体地,涉及一种华法林给药剂量预测方法及装置。
背景技术
抗凝药可用于防治血管内栓塞或血栓形成的疾病,预防中风或其它血栓性疾病,是通过影响凝血过程中的某些凝血因子阻止凝血过程的药物。华法林是临床上广泛应用的抗凝剂,可用于治疗房颤、深静脉血栓、肺栓塞、瓣膜移植等,而且价格便宜。但是华法林个体药物代谢能力的差异很大,治疗安全范围狭窄,影响其药效的因素又很多,使得华法林个体剂量的变动性很大,还会存在严重的潜在出血风险和抗凝不足的栓塞,使得对华法林治疗的管理具有挑战性。服用华法林的患者用药起始阶段(1-3个月)有明显的出血风险。国内外研究表明华法林过度抗凝的原因与CYP2C9,VKORC1的基因多态性高度相关。
目前临床上华法林的给药方案通常采用首先给予一定标准剂量,然后临床医生根据每个患者国际标准化比率(International Normalized Ratio,INR)值的情况,增加或减少剂量直至INR达到靶标。但是在这样的抗凝疗法中,调整剂量的周期较长,患者发生血栓或出血的可能性较高。
为克服这一缺陷,“检验医学Laboratory Medicine,Docember2013,Vol28.No12:1157-1161”综述了国内外基于遗传药理学研究结果并结合临床数据所构建的华法林抗凝药的维持剂量模型及应用情况,主要分为三种预测模型:稳定剂量预测模型、起始剂量预测模型、稳定剂量的精确模型,但仍然不能达到根据个体病人的不同实现个体化用药的程度。
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华法林给药剂量预测方法及装置。
第一方面,本发明实施例提供一种华法林给药剂量预测方法,包括:
获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;
将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;
其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
第二方面,本发明实施例提供一种华法林给药剂量预测装置,包括:
数据获取模块,用于获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
预处理模块,用于对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;
预测模块,用于将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;
其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
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华法林给药剂量预测方法的步骤。
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华法林给药剂量预测方法的步骤。
本发明实施例提供的华法林给药剂量预测方法及装置,利用真实的使用华法林抗凝药物的患者的临床数据和药物基因组数据,对所构建的基于深度神经网络的回归模型进行训练,获得华法林给药剂量预测模型,可以实现华法林个体化给药剂量预测,计算速度较快,预测结果更加准确合理。
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华法林给药剂量预测方法的流程示意图;
图2为构建华法林给药剂量预测模型的流程示意图;
图3为本发明实施例提供的华法林给药剂量预测装置的结构示意图;
图4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。
如图1所示,为本发明实施例提供的华法林给药剂量预测方法的流程示意图,包括:
步骤100、获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
具体地,患者基本信息包括年龄、性别、身高、体重、吸烟史、饮酒史等,其中,性别为二分类变量,年龄、身高、体重为数值型变量,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。
检验项结果包括血常规、尿常规、肾功能、肝功能、微生物检验等检验检查数据。通过“检验名称”列,筛选出需要的检验检查项。检验项结果也有数值型和二分类型数据(0-1变量)。
药物基因组数据包括CYP2C9、VKORC1、GPⅢaP1A2、PTGS1、PEAR1、CYP2C19、DPYD、HLA-B、ABCB1、CYP1B1等,从基因检测报告中提取需要的各个基因检测结果,基因检测结果为:AA/Aa/aa/缺失值,是多分类型数据,包括4个变量“变量名_AA”、“变量名_Aa”、“变量名_aa”、“变量名_缺失值”,每个变量均为0-1变量,0表示否,1表示是。
合并用药数据包括与华法林用药时间相近的其他用药名称,从患者的用药医嘱信息中获取。对同一个病人的用药信息进行去重,将所有病人的合并用药转置为表头,每一种合并用药均为0-1变量,1表示使用该种合并用药,0表示未使用。
通过自然语言处理的方式,采用正则表达式从出院记录中提取关键字“出院诊断”后的文本信息,并将其与通用诊断名称列表进行匹配,抓取文本中包含的疾病诊断名称,对同一个病人的诊断名称进行去重,将所有病人的疾病诊断转置为表头,每一个疾病诊断均为0-1变量,1表示患有该疾病,0表示未患。
从检验检查报告中获取凝血酶原时间INR检验结果。
步骤101、对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;
具体地,标准化处理是指将所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果中的数值型数据转换为int型或float型,并对转换后的数据进行归一化处理,将所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果中的多分类数据通过独热编码转换为二分类数据。
缺失值处理是指首先对经过标准化处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行数据缺失率的计算,若数据缺失率小于等于预先确定的最优缺失率阈值,则对经过标准化处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果利用相似病历方法插补缺失的数据。若数据缺失率大于预先确定的最优缺失率阈值,则说明待预测的患者数据不足以进行华法林给药剂量预测,需要补充该数据。
步骤102、将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;
具体地,本发明实施例中的华法林给药剂量预测模型是一个基于深度神经网络的回归模型,神经网络回归是一种非参数非线性方法,结合了神经网络和回归两方面的优势,具有强大的功能,不仅可以揭示目标变量的整个条件分布,还可以模拟医疗系统的非线性特征,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,从而提升计算速度和模型精度。
其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
可以理解的是,将患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果作为输入,将与所述患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果相对应的华法林给药日剂量作为期望输出,对所构建的基于深度神经网络的回归模型进行训练,训练结束后,获得华法林给药剂量预测模型。
本发明实施例提供的华法林给药剂量预测方法,利用真实的使用华法林抗凝药物的患者的临床数据和药物基因组数据,对所构建的基于深度神经网络的回归模型进行训练,获得华法林给药剂量预测模型,可以用于进行华法林个体化给药剂量预测,计算速度较快,预测结果更加准确合理。
基于上述实施例的内容,在所述获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果的步骤之前,还需要构建华法林给药剂量预测模型,构建华法林给药剂量预测模型的步骤,如图2所示,具体为:
步骤200、基于数据挖掘技术建立华法林给药剂量样本数据库,所述华法林给药剂量样本数据库中的每个样本包括华法林给药日剂量以及与所述华法林给药日剂量相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
具体地,获取大量患者用药医嘱信息,从所获取的患者用药医嘱信息中筛选出医嘱状态为“已执行”的华法林用药医嘱信息;
将所述医嘱状态为“已执行”的华法林用药医嘱信息按时间排序,将第一次使用华法林到3天后INR第一次检测结果在1.5~2.5之间的时间段内的华法林使用剂量日均值作为华法林初始给药日剂量,并获取与所述华法林初始给药日剂量对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息,构建初始给药剂量数据库;
将第一次使用华法林3天后INR第一次检查结果不在2-3范围内,从调整华法林给药剂量开始,到INR第一次检测结果在2-3之间的时间段内的华法林使用剂量日均值作为华法林调整给药日剂量,并获取与所述华法林调整给药日剂量对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息,构建调整给药剂量数据库。
值得说明的是,本发明实施例中,华法林给药剂量样本数据库包括初始给药剂量数据库和调整给药剂量数据库。其中,初始给药剂量数据库是将第一次使用华法林到3天后INR第一次检测结果就在正常范围(1.5~2.5之间)的患者相关数据筛选出来,首先,计算每个筛选出来的患者该时间段内(即第一使用华法林开始,到3天后INR第一次检测结果在正常范围内这一时间段内)华法林使用剂量的日均值,然后基于数据挖掘技术获取该患者的基本信息,该患者在该时间段内的各类检验项结果,从该患者的基因检测报告中提取药物基因组数据、从该患者的用药医嘱记录中获取合并用药数据、从该患者的出院记录中获取临床诊断信息。
其中,调整给药剂量数据库是将第一使用华法林3天后INR第一次检测结果不在2-3范围内,调整华法林给药剂量后,到INR检测结果第一次在2-3之间的时间段内的患者相关数据筛选出来,首先,计算每个筛选出来的患者该时间段内(从调整华法林给药剂量开始,到到INR检测结果第一次在2~3之间的时间段内)的华法林使用剂量的日均值,然后基于数据挖掘技术获取该患者的基本信息,该患者在该时间段内的各类检验项结果,从该患者的基因检测报告中提取药物基因组数据、从该患者的用药医嘱记录中获取合并用药数据、从该患者的出院记录中获取临床诊断信息。
步骤201、对所述华法林给药剂量样本数据库进行标准化处理和缺失值处理,获得经过预处理的华法林给药剂量样本数据库;
具体地,对所述华法林给药剂量样本数据库中的样本逐一进行如下标准化处理:将所述华法林给药剂量样本数据库中的数值型数据转换为int型或float型,并对转换后的数据进行归一化处理,将所述华法林给药剂量样本数据库中的多分类数据通过独热编码转换为二分类数据;
例如,对于年龄、身高、体重等数值型变量,转换为int型或float型,查看数据分布,删除异常值样本;
对于数值型检验项数据,转换为float类型,查看数据分布并删除异常样本值;
对与分类型检验项数据,删除表述错误的样本后,通过独热编码转换为多个0-1的二分类变量;
将基因的检测结果AA/Aa/aa/缺失值通过独热编码转换成0-1变量,转换后的变量为:“变量名_AA”、“变量名_Aa”、“变量名_aa”、“变量名_缺失值”,其中,1表示是,0表示否。
对经过标准化处理的所述华法林给药剂量样本数据库中数据缺失率大于预先确定的最优缺失率阈值的样本进行删除,并对剩余的样本利用相似病历方法插补缺失的数据,获得经过预处理的华法林给药剂量样本数据库。
其中,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%,……95%的变量,将经过预处理的华法林给药剂量样本数据库分为测试集和验证集,依次验证测试集的正确率,寻找测试集正确率最高时对应的最优缺失率阈值。
其中,对剩余的样本利用相似病历方法插补缺失的数据,获得经过预处理的华法林给药剂量样本数据库的步骤,具体为:
对于所述剩余的样本中每个存在数据缺失的数据项,以当前数据项所对应的样本是否存在数据缺失为划分依据,将当前数据项所对应的样本所构成的数据集划分为无数据缺失子集和数据缺失子集;
计算所述数据缺失子集中的每个样本与所述无数据缺失子集中各个样本间的欧氏距离,从所述无数据缺失子集中挑选距离最近的前k个相似样本;
判断当前数据项的类型,若当前数据项为连续变量,则以每个所述相似样本的欧氏距离的倒数作为权重,对所述k个相似样本进行加权平均,得到缺失值的替代值;或者,若该数据项为分类变量,则采用所述k个相似样本中当前数据项对应的所占比重最大的取值作为缺失值的替代值。
具体地,缺失数据插补的思想如下: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。
在本发明实施例中,首先筛选出存在数据缺失的数据项,以尿酸存在缺失值为例,以尿酸是否存在缺失为依据,进行KNN插补时,以尿酸为目标变量,其余变量为特征变量,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,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。
步骤202、根据所述经过预处理的华法林给药剂量样本数据库,利用深度神经网络回归算法进行监督学习,构建华法林给药剂量预测模型。
具体地,首先构建深度神经网络回归模型,设置所述深度神经网络回归模型的最大训练次数、学习率和隐含层节点数,对所述深度神经网络回归模型的各层权重和偏差进行随机初始化;
在一个实施例中,网络最大训练次数=1000,学习率=0.01,隐含层节点数=512。
将所述经过预处理的华法林给药剂量数据库中的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果作为输入样本,将所述输入样本输入到所述深度神经网络回归模型中,获取所述深度神经网络回归模型的输出结果;
计算网络的隐含层单元状态和实际输出,前几层的激活函数采用sigmoid激活函数,最后一层不使用激活函数,直接输出。设输入为xij(i∈N,N为样本数,j为变量数),输入层到隐含层的权值为偏差为隐含层的输入为:
将上式中的Ii代入Sigmoid激活函数:
隐含层到输出层的权值为偏差为则输出层的结果为:
将与所述输入样本对应的华法林给药日剂量作为输出样本,根据所述深度神经网络回归模型的输出结果与所述输出样本计算损失函数值,根据所述损失函数值利用反向传播法更新所述深度神经网络回归模型的参数;
在本发明实施例中,损失函数为均方误差:
其中,yi为输出样本,为所述深度神经网络回归模型的输出结果,J(θ)为损失函数值。
判断是否达到训练结束条件,若是,则保存当前迭代所述深度神经网络回归模型的参数,获得训练完成的华法林给药剂量预测模型,否则选取下一个输入样本进行训练。
最后,判断整个华法林给药剂量样本数据库的均方误差是否满足精度,满足则学习结束,不满足则继续修正权值和阈值,直到均方误差在设定范围之内。
本发明实施例提供的华法林给药剂量预测方法,利用真实的使用华法林抗凝药物的患者的临床数据和药物基因组数据,构建华法林给药剂量样本数据库,并对华法林给药剂量样本数据库进行标准化和缺失值处理,解决了医学数据集中存在缺失值、异常值等各种常见问题,并基于深度神经网络回归算法获得华法林给药剂量预测模型,可以用于进行华法林个体化给药剂量预测,计算速度较快,预测结果更加准确合理。
如图3所示,为本发明实施例提供的华法林给药剂量预测装置的结构示意图,包括:数据获取模块301、预处理模块302和预测模块303,其中,
数据获取模块301,用于获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
具体地,患者基本信息包括年龄、性别、身高、体重、吸烟史、饮酒史等,其中,性别为二分类变量,年龄、身高、体重为数值型变量,吸烟史和饮酒史可通过自然语言处理(NLP)的方式,采用正则表达式从大病历中进行文本信息提取。
检验项结果包括血常规、尿常规、肾功能、肝功能、微生物检验等检验检查数据。检验检查数据通过“检验名称”列,筛选需要的检验检查项。检验项结果也有数值型和二分类型数据(0-1变量)。
药物基因组数据包括CYP2C9、VKORC1、GPⅢaP1A2、PTGS1、PEAR1、CYP2C19、DPYD、HLA-B、ABCB1、CYP1B1等,从基因检测报告中提取需要的各个基因检测结果,基因检测结果为:AA/Aa/aa/缺失值,是多分类型数据,包括4个变量“变量名_AA”、“变量名_Aa”、“变量名_aa”、“变量名_缺失值”,每个变量均为0-1变量,0表示否,1表示是。
合并用药数据包括与华法林用药时间相近的其他用药名称,从患者的用药医嘱信息中获取。对同一个病人的用药信息进行去重,将所有病人的合并用药转置为表头,每一种合并用药均为0-1变量,1表示使用该种合并用药,0表示未使用。
通过自然语言处理的方式,采用正则表达式从出院记录中提取关键字“出院诊断”后的文本信息,并将其与通用诊断名称列表进行匹配,抓取文本中包含的疾病诊断名称,对同一个病人的诊断名称进行去重,将所有病人的疾病诊断转置为表头,每一个疾病诊断均为0-1变量,1表示患有该疾病,0表示未患。
从检验检查报告中获取凝血酶原时间INR检验结果。
数据获取模块301分别采用上述方式获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果。
预处理模块302,用于对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;
具体地,标准化处理是指预处理模块302将所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果中的数值型数据转换为int型或float型,并对转换后的数据进行归一化处理,将所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果中的多分类数据通过独热编码转换为二分类数据。
缺失值处理是指预处理模块302首先对经过标准化处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行数据缺失率的计算,若数据缺失率小于等于预先确定的最优缺失率阈值,则对经过标准化处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果利用相似病历方法插补缺失的数据。若数据缺失率大于预先确定的最优缺失率阈值,则说明待预测的患者数据不足以进行华法林给药剂量预测,需要补充该数据。
预测模块303,用于将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;
其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
具体地,预测模块303将患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果作为输入,将与所述患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果相对应的华法林给药日剂量作为期望输出,对所构建的基于深度神经网络的回归模型进行训练,训练结束后,获得华法林给药剂量预测模型。
本发明实施例提供的华法林给药剂量预测装置,利用真实的使用华法林抗凝药物的患者的临床数据和药物基因组数据,对所构建的基于深度神经网络的回归模型进行训练,获得华法林给药剂量预测模型,可以用于进行华法林个体化给药剂量预测,计算速度较快,预测结果更加准确合理。
图4为本发明实施例提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储在存储器430上并可在处理器410上运行的计算机程序,以执行上述各方法实施例所提供的华法林给药剂量预测方法,例如包括:获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
此外,上述的存储器430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上述各方法实施例提供的华法林给药剂量预测方法,例如包括:获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
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)
1.一种华法林给药剂量预测方法,其特征在于,包括:
获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;
将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;
其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
2.根据权利要求1所述的方法,其特征在于,所述获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果的步骤之前,还包括:
基于数据挖掘技术建立华法林给药剂量样本数据库,所述华法林给药剂量样本数据库中的每个样本包括华法林给药日剂量以及与所述华法林给药日剂量相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
对所述华法林给药剂量样本数据库进行标准化处理和缺失值处理,获得经过预处理的华法林给药剂量样本数据库;
根据所述经过预处理的华法林给药剂量样本数据库,利用深度神经网络回归算法进行监督学习,构建华法林给药剂量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述基于数据挖掘技术建立华法林给药剂量样本数据库的步骤,具体为:
获取大量患者用药医嘱信息,从所获取的患者用药医嘱信息中筛选出医嘱状态为“已执行”的华法林用药医嘱信息;
将所述医嘱状态为“已执行”的华法林用药医嘱信息按时间排序,将第一次使用华法林到3天后INR第一次检测结果在1.5~2.5之间的时间段内的华法林使用剂量日均值作为华法林初始给药日剂量,并获取与所述华法林初始给药日剂量对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息,构建初始给药剂量数据库;
将第一次使用华法林3天后INR第一次检查结果不在2-3范围内,从调整华法林给药剂量开始,到INR第一次检测结果在2-3之间的时间段内的华法林使用剂量日均值作为华法林调整给药日剂量,并获取与所述华法林调整给药日剂量对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息,构建调整给药剂量数据库。
4.根据权利要求2所述的方法,其特征在于,对所述华法林给药剂量样本数据库进行标准化处理和缺失值处理,获得经过预处理的华法林给药剂量样本数据库的步骤,具体为:
对所述华法林给药剂量样本数据库中的样本逐一进行如下标准化处理:将所述华法林给药剂量样本数据库中的数值型数据转换为int型或float型,并对转换后的数据进行归一化处理;将所述华法林给药剂量样本数据库中的多分类数据通过独热编码转换为二分类数据;
对经过标准化处理的所述华法林给药剂量样本数据库中数据缺失率大于预先确定的最优缺失率阈值的样本进行删除,并对剩余的样本利用相似病历方法插补缺失的数据,获得经过预处理的华法林给药剂量样本数据库。
5.根据权利要求4所述的方法,其特征在于,所述对剩余的样本利用相似病历方法插补缺失的数据的步骤,具体为:
对于所述剩余的样本中每个存在数据缺失的数据项,以当前数据项所对应的样本是否存在数据缺失为划分依据,将当前数据项所对应的样本所构成的数据集划分为无数据缺失子集和数据缺失子集;
计算所述数据缺失子集中的每个样本与所述无数据缺失子集中各个样本间的欧氏距离,从所述无数据缺失子集中挑选距离最近的前k个相似样本;
判断当前数据项的类型,若当前数据项为连续变量,则以每个所述相似样本的欧氏距离的倒数作为权重,对所述k个相似样本进行加权平均,得到缺失值的替代值;或者,若该数据项为分类变量,则采用所述k个相似样本中当前数据项对应的所占比重最大的取值作为缺失值的替代值。
6.根据权利要求2所述的方法,其特征在于,根据所述经过预处理的华法林给药剂量样本数据库,利用深度神经网络回归算法进行监督学习,构建华法林给药剂量预测模型的步骤,具体为:
构建深度神经网络回归模型,设置所述深度神经网络回归模型的最大训练次数、学习率和隐含层节点数,对所述深度神经网络回归模型的各层权重和偏差进行随机初始化;
将所述经过预处理的华法林给药剂量数据库中的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果作为输入样本,将所述输入样本输入到所述深度神经网络回归模型中,获取所述深度神经网络回归模型的输出结果;
将与所述输入样本对应的华法林给药日剂量作为输出样本,根据所述深度神经网络回归模型的输出结果与所述输出样本计算损失函数值,根据所述损失函数值利用反向传播法更新所述深度神经网络回归模型的参数;
判断是否达到训练结束条件,若是,则保存当前迭代所述深度神经网络回归模型的参数,获得训练完成的华法林给药剂量预测模型,否则选取下一个输入样本进行训练。
7.根据权利要求6所述的方法,其特征在于,所述根据所述深度神经网络回归模型的输出结果与所述输出样本计算损失函数值的步骤,具体为:
其中,yi为输出样本,为所述深度神经网络回归模型的输出结果,J(θ)为损失函数值。
8.一种华法林给药剂量预测装置,其特征在于,包括:
数据获取模块,用于获取待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果;
预处理模块,用于对所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行标准化处理和缺失值处理;
预测模块,用于将经过标准化处理和缺失值处理的所述待预测的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果输入到华法林给药剂量预测模型中,获得华法林给药剂量预测结果;
其中,所述华法林给药剂量预测模型是根据华法林给药日剂量样本以及与所述华法林给药日剂量样本相对应的患者基本信息、各类检验项结果、药物基因组数据、合并用药数据、临床诊断信息和INR检验结果进行训练后获得的。
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任一所述的方法。
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任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255994.4A CN110010252A (zh) | 2019-04-01 | 2019-04-01 | 华法林给药剂量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255994.4A CN110010252A (zh) | 2019-04-01 | 2019-04-01 | 华法林给药剂量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110010252A true CN110010252A (zh) | 2019-07-12 |
Family
ID=67169190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255994.4A Pending CN110010252A (zh) | 2019-04-01 | 2019-04-01 | 华法林给药剂量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110010252A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675931A (zh) * | 2019-08-28 | 2020-01-10 | 吉林金域医学检验所有限公司 | 检测报告的信息编码方法、装置、设备及存储介质 |
CN110970100A (zh) * | 2019-11-04 | 2020-04-07 | 广州金域医学检验中心有限公司 | 检测项目编码方法、装置、设备和计算机可读存储介质 |
CN111210890A (zh) * | 2020-02-14 | 2020-05-29 | 成都木老仁康软件信息有限公司 | 一种基于临床数据的抗凝药学监护管理方法 |
CN111223536A (zh) * | 2020-02-18 | 2020-06-02 | 中国医学科学院北京协和医院 | 一种预测肝素剂量的方法及装置 |
CN111243704A (zh) * | 2020-01-17 | 2020-06-05 | 长沙四维医疗器械科技有限责任公司 | 一种在线分析系统 |
CN111312341A (zh) * | 2020-01-17 | 2020-06-19 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
CN111428930A (zh) * | 2020-03-24 | 2020-07-17 | 中电药明数据科技(成都)有限公司 | 一种基于gbdt的药品患者使用人数的预测方法及系统 |
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN112151140A (zh) * | 2020-11-25 | 2020-12-29 | 西藏自治区人民政府驻成都办事处医院 | 抗菌药物临床应用系统、电子设备及计算机可读存储介质 |
CN112569417A (zh) * | 2020-12-09 | 2021-03-30 | 中国人民解放军海军军医大学第一附属医院 | 肝素用药监测系统 |
CN113270203A (zh) * | 2021-04-20 | 2021-08-17 | 郑州大学第一附属医院 | 药物剂量预测方法、装置、电子设备及存储介质 |
CN114446438A (zh) * | 2022-01-25 | 2022-05-06 | 深圳市儿童医院 | 一种抗菌药物使用浓度标准的制定方法、终端 |
CN115376649A (zh) * | 2022-09-29 | 2022-11-22 | 中日友好医院(中日友好临床医学研究所) | 用于鞘内阿片类镇痛药的剂量预测方法及装置 |
CN115424695A (zh) * | 2022-11-03 | 2022-12-02 | 首都医科大学附属北京安贞医院 | 给药剂量预测模型的确定方法及给药剂量预测方法 |
CN116779186A (zh) * | 2023-08-23 | 2023-09-19 | 寿光市人民医院 | 一种用于心律失常患者的环磷腺苷用药数据信息处理系统 |
CN116994700A (zh) * | 2023-03-31 | 2023-11-03 | 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 |
CN116994698A (zh) * | 2023-03-31 | 2023-11-03 | 河北医科大学第一医院 | 基于深度学习的舍曲林剂量个体化推荐方法及装置 |
CN117079760A (zh) * | 2023-07-25 | 2023-11-17 | 中国医学科学院阜外医院 | 华法林剂量调整方法、系统及临床辅助决策系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102534001A (zh) * | 2012-01-06 | 2012-07-04 | 尹彤 | 适合中国人群华法林个体化抗凝的药物基因组学检测试剂盒 |
CN107993723A (zh) * | 2017-12-19 | 2018-05-04 | 苏州大学 | 一种基于集成进化学习的华法林剂量预测建模方法 |
CN108717876A (zh) * | 2018-05-11 | 2018-10-30 | 大连诺道认知医学技术有限公司 | 一种基于指定药物构建给药数据库的方法及装置 |
CN109243620A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
CN109243546A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 抗凝药药效优化模型的建立方法及装置 |
CN109431492A (zh) * | 2018-10-16 | 2019-03-08 | 上海优加利健康管理有限公司 | 基于神经网络算法的心电图导联数据模拟重建方法 |
-
2019
- 2019-04-01 CN CN201910255994.4A patent/CN110010252A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102534001A (zh) * | 2012-01-06 | 2012-07-04 | 尹彤 | 适合中国人群华法林个体化抗凝的药物基因组学检测试剂盒 |
CN107993723A (zh) * | 2017-12-19 | 2018-05-04 | 苏州大学 | 一种基于集成进化学习的华法林剂量预测建模方法 |
CN108717876A (zh) * | 2018-05-11 | 2018-10-30 | 大连诺道认知医学技术有限公司 | 一种基于指定药物构建给药数据库的方法及装置 |
CN109243620A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 基于血药浓度监测的药效优化方法及装置 |
CN109243546A (zh) * | 2018-09-07 | 2019-01-18 | 上海交通大学医学院附属新华医院 | 抗凝药药效优化模型的建立方法及装置 |
CN109431492A (zh) * | 2018-10-16 | 2019-03-08 | 上海优加利健康管理有限公司 | 基于神经网络算法的心电图导联数据模拟重建方法 |
Non-Patent Citations (3)
Title |
---|
孙雪等: "华法林剂量预测模型的建立与验证的研究进展", 《中国临床药理学杂志》 * |
庄文芳等: "华法林给药剂量预测模型的建立与应用", 《检验医学》 * |
范芳芳等: "基因指导新疆维吾尔族患者华法林日稳定剂量预测模型的建立及验证", 《中国医院药学杂志》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675931A (zh) * | 2019-08-28 | 2020-01-10 | 吉林金域医学检验所有限公司 | 检测报告的信息编码方法、装置、设备及存储介质 |
CN110970100A (zh) * | 2019-11-04 | 2020-04-07 | 广州金域医学检验中心有限公司 | 检测项目编码方法、装置、设备和计算机可读存储介质 |
CN111312341B (zh) * | 2020-01-17 | 2022-06-28 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
CN111243704A (zh) * | 2020-01-17 | 2020-06-05 | 长沙四维医疗器械科技有限责任公司 | 一种在线分析系统 |
CN111312341A (zh) * | 2020-01-17 | 2020-06-19 | 中南大学湘雅三医院 | 华法林剂量预测方法及预测装置 |
CN111210890A (zh) * | 2020-02-14 | 2020-05-29 | 成都木老仁康软件信息有限公司 | 一种基于临床数据的抗凝药学监护管理方法 |
CN111223536A (zh) * | 2020-02-18 | 2020-06-02 | 中国医学科学院北京协和医院 | 一种预测肝素剂量的方法及装置 |
CN111223536B (zh) * | 2020-02-18 | 2024-05-10 | 中国医学科学院北京协和医院 | 一种预测肝素剂量的方法及装置 |
CN111428930A (zh) * | 2020-03-24 | 2020-07-17 | 中电药明数据科技(成都)有限公司 | 一种基于gbdt的药品患者使用人数的预测方法及系统 |
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN111613289B (zh) * | 2020-05-07 | 2023-04-28 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN112151140A (zh) * | 2020-11-25 | 2020-12-29 | 西藏自治区人民政府驻成都办事处医院 | 抗菌药物临床应用系统、电子设备及计算机可读存储介质 |
CN112569417A (zh) * | 2020-12-09 | 2021-03-30 | 中国人民解放军海军军医大学第一附属医院 | 肝素用药监测系统 |
CN113270203A (zh) * | 2021-04-20 | 2021-08-17 | 郑州大学第一附属医院 | 药物剂量预测方法、装置、电子设备及存储介质 |
CN114446438A (zh) * | 2022-01-25 | 2022-05-06 | 深圳市儿童医院 | 一种抗菌药物使用浓度标准的制定方法、终端 |
CN114446438B (zh) * | 2022-01-25 | 2022-09-13 | 深圳市儿童医院 | 一种抗菌药物使用浓度标准的制定装置、终端 |
CN115376649B (zh) * | 2022-09-29 | 2023-07-07 | 中日友好医院(中日友好临床医学研究所) | 用于鞘内阿片类镇痛药的剂量预测方法及装置 |
CN115376649A (zh) * | 2022-09-29 | 2022-11-22 | 中日友好医院(中日友好临床医学研究所) | 用于鞘内阿片类镇痛药的剂量预测方法及装置 |
CN115424695B (zh) * | 2022-11-03 | 2023-05-02 | 首都医科大学附属北京安贞医院 | 给药剂量预测模型的确定方法及给药剂量预测方法 |
CN115424695A (zh) * | 2022-11-03 | 2022-12-02 | 首都医科大学附属北京安贞医院 | 给药剂量预测模型的确定方法及给药剂量预测方法 |
CN116994700A (zh) * | 2023-03-31 | 2023-11-03 | 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 |
CN116994698A (zh) * | 2023-03-31 | 2023-11-03 | 河北医科大学第一医院 | 基于深度学习的舍曲林剂量个体化推荐方法及装置 |
CN117079760A (zh) * | 2023-07-25 | 2023-11-17 | 中国医学科学院阜外医院 | 华法林剂量调整方法、系统及临床辅助决策系统 |
CN117079760B (zh) * | 2023-07-25 | 2023-12-19 | 中国医学科学院阜外医院 | 华法林剂量调整方法、系统及临床辅助决策系统 |
CN116779186A (zh) * | 2023-08-23 | 2023-09-19 | 寿光市人民医院 | 一种用于心律失常患者的环磷腺苷用药数据信息处理系统 |
CN116779186B (zh) * | 2023-08-23 | 2023-12-12 | 寿光市人民医院 | 一种用于心律失常患者的环磷腺苷用药数据信息处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110010252A (zh) | 华法林给药剂量预测方法及装置 | |
Huang et al. | Feature selection and classification model construction on type 2 diabetic patients’ data | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
Martínez-Martínez et al. | Prediction of the hemoglobin level in hemodialysis patients using machine learning techniques | |
US20080256006A1 (en) | Clinical Trial Phase Simulation Method and Clinical Trial Phase Simulator For Drug Trials | |
CN109545317A (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
CN109243620B (zh) | 基于血药浓度监测的药效优化方法及装置 | |
Rezapour et al. | Implementation of predictive data mining techniques for identifying risk factors of early AVF failure in hemodialysis patients | |
Hasegawa et al. | Aldosterone antagonists for people with chronic kidney disease requiring dialysis | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN110689939A (zh) | 一种用药序列的推荐方法、装置、可读介质及电子设备 | |
CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
CN109243546A (zh) | 抗凝药药效优化模型的建立方法及装置 | |
CN113470816A (zh) | 一种基于机器学习的糖尿病肾病预测方法、系统和预测装置 | |
JP2018536846A (ja) | バイオマーカ信号を個人化するための方法およびこれを使用した医療処置 | |
Han et al. | Risk prediction of diabetes and pre-diabetes based on physical examination data | |
Chung et al. | Erythropoiesis‐stimulating agents for anaemia in adults with chronic kidney disease: a network meta‐analysis | |
Moss et al. | Big data research in neuro-ophthalmology: promises and pitfalls | |
Kasemthaweesab et al. | Association analysis of diabetes mellitus (DM) with complication states based on association rules | |
CN113744832B (zh) | 连续性肾脏替代治疗智慧决策及质量控制系统 | |
Al-Sideiri et al. | Machine learning algorithms for diabetes prediction: A review paper | |
Schrom et al. | Quantifying the effect of statin use in pre-diabetic phenotypes discovered through association rule mining | |
CN110097965A (zh) | 基于血液细胞分析仪的结果数据分析方法及装置 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN109192306A (zh) | 一种糖尿病的判断装置、设备及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |
|
RJ01 | Rejection of invention patent application after publication |