CN110134672B - 一种用于高血压药物治疗价格敏感度的识别方法及装置 - Google Patents
一种用于高血压药物治疗价格敏感度的识别方法及装置 Download PDFInfo
- Publication number
- CN110134672B CN110134672B CN201910292012.9A CN201910292012A CN110134672B CN 110134672 B CN110134672 B CN 110134672B CN 201910292012 A CN201910292012 A CN 201910292012A CN 110134672 B CN110134672 B CN 110134672B
- Authority
- CN
- China
- Prior art keywords
- patient
- price sensitivity
- price
- characteristic
- medication
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于高血压药物治疗价格敏感度的识别方法及装置,包括获取患者特征数据;通过ICD‑10抽取诊断为原发性高血压的患者特征数据,并对特征数据进行清洗、脱敏,构建研究队列;通过研究队列结合患者随访数据建立结构化分析数据集;以患者成本投入及血压控制为响应目标,分析不同研究队列特征参数的耦合及映射关系,形成价格敏感度计算模型;生成用于价格敏感度识别轴线图,对每个患者特征参数,标定工作刻度轴,将特征参数经工作刻度轴的数值标识和累加转换得到不同患者的价格敏感度。本发明克服现有价格敏感度识别方法依靠临床经验的缺陷,能有效解决患者对多种药物治疗方案价格感知的差异,为制定高血压合理用药方案提供可靠的参考数据。
Description
技术领域
本发明涉及医药领域,尤其涉及一种用于高血压药物治疗价格敏感度的识别方法及装置。
背景技术
高血压治疗药物品种已达近百种,这些药物在作用机制、给药剂量、不良反应和禁忌症方面各不相同。患者用药方案的选择及治疗依从性与药品价格直接相关,并存在价格敏感度。较高的支付价格可能对患者的治疗依从性及最终的治疗结局产生影响,增加其它并发症的发生风险;而临床采用不同药物治疗方案的患者可能存在年龄、性别、文化程度、婚姻状况、患者医保类别等基础数据的差异,而这些因素可能构成不同患者对多种药物治疗方案价格感知的差异。当治疗方案的总体价格高于患者心里预期时,容易导致患者自行停止或终止治疗的情况发生,从而加重病情的进展或增加其他并发症的发病风险。
因此,如何有效识别不同患者对药物治疗的价格敏感度,为临床医生制定符合患者特征的用药方案提供价格敏感度参考指标是高血压合理用药领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种用于高血压药物治疗价格敏感度的识别方法,能够为临床医生制定符合患者支付意愿或经济承受能力的个体化用药方案提供参考指标。
为了实现以上目的,本发明采用以下技术方案:
一种用于高血压药物治疗价格敏感度的识别方法,包括如下步骤:
S1、获取患者特征数据,建立分析数据集;
S2、通过ICD-10疾病编码,抽取诊断为原发性高血压的患者特征数据;
S3、对患者特征数据进行数据清洗、脱敏;
S4、根据患者用药方案的差异及清洗、脱敏后的患者特征数据的类别构建研究队列,结合患者随访数据转换建立原发性高血压结构化分析数据集;
S5、形成患者对血压控制标准与多种高血压用药方案的价格敏感度计算模型;
S6、基于价格敏感度计算模型,生成可用于识别患者不同特征因素价格敏感度识别的轴线图,价格敏感度识别轴线图中包括特征参数;
S7、根据价格敏感度识别轴线图及工作坐标刻度,选定价格关联要素,计算患者价格敏感度的理论分值;
S8、基于净效益回归模型,判断患者净效益值是否与价格敏感度理论分值相一致,若不一致则修正价格敏感度计算模型的特征参数;
S9、若判断一致则确定患者价格敏感度。
进一步的,S5、所述的价格敏感度计算模型以患者成本投入及血压控制值为结局变量,分析不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析实现价格敏感度计算模型的构建。
进一步的,S10、若S8中判断为不一致,则对价格敏感度的特征参数进行修正,包括通过拉索回归计算患者特征参数的最优个数和多元逻辑回归识别最优参数名称。
进一步的,S11、所述患者净效益值的确定方法,包括通过净效益回归框架生成高血压药物治疗的回归模型,计算患者净效益值。
进一步的,所述患者特征数据包括血管紧张素转化酶抑制剂与钙拮抗剂联合用药方案和单独使用联合钙拮抗剂用药方案的两种特征数据;
所述特征参数包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,从中选定的价格关联要素包括患者年龄层次、性别特征、并发症数量、日服药频率以及是否专科治疗。
同时,本发明还提供一种用于高血压药物治疗价格敏感度的识别装置,包括:
获取输入模块,获取患者特征数据,建立分析数据集;
抽取模块,通过ICD-10疾病编码,抽取诊断为原发性高血压的患者特征数据,进行数据清洗、脱敏;
研究队列构建模块,根据患者用药方案的差异及清洗、脱敏后的患者数据类别的构建研究队列,结合患者随访数据转换建立原发性高血压结构化分析数据集,形成患者对血压控制标准与多种高血压用药方案价格敏感度的计算模型;
建立模块,通过价格敏感度计算模型,生成可用于识别患者不同特征因素价格敏感度的轴线图,价格敏感度识别轴线图中包括特征参数;通过价格敏感度识别轴线图及工作坐标刻度,选定价格关联要素,计算患者价格敏感度的理论分值;
判断模块,判断患者净效益值是否与价格敏感度理论分值相一致,若不一致则修正价格敏感度计算模型的特征参数,若判断一致则确定患者价格敏感度。
进一步的,所述研究队列构建模块,所述的价格敏感度计算模型以患者成本投入及血压控制值为目标响应变量,分析不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析实现价格敏感度计算模型的构建。
进一步的,所述装置还包括计算模块,若判断模块中判断为不一致,则对价格敏感度的特征参数进行修正,包括通过拉索回归计算患者特征参数的最优个数和多元逻辑回归识别最优参数名称。
进一步的,判断模块中,所述患者净效益值的确定方法,包括通过净效益回归框架生成高血压药物治疗的回归模型,计算患者净效益值。
进一步的,研究队列构建模块中,所述患者特征数据包括血管紧张素转化酶抑制剂与钙拮抗剂联合用药方案和单独使用联合钙拮抗剂用药方案的两种特征数据;
所述特征参数包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,从中选定的价格关联要素包括患者年龄层次、性别特征、并发症数量、日服药频率以及是否专科治疗。
采用本发明技术方案,本发明的有益效果为:本发明通过对现有数据建立队列,构建针对高血压病患的结构化分析数据集,能够有效的选择关键的敏感度参数,并通过参数之间的分析计算价格敏感度,能通过年龄、性别、文化程度、婚姻状况、患者医保类别等基础数据全方位分析,解决患者对多种药物治疗方案价格感知的差异;并进一步为医生提供符合患者个人支付意愿或经济承受能力降压方案的价格敏感度指标,提高患者治疗的依从性,从而有效避免患者自行改变治疗方案、甚至是中断或停止治疗的行为发生,降低其高血压相关心、脑、肾疾病的发生风险。
附图说明
图1是本发明一种用于高血压药物治疗价格敏感度的识别方法的逻辑图。
图2是本发明提供的药物选择人口统计学及其治疗特征的价格敏感度参数选择的参数降维图。
图3是本发明提供的药物选择人口统计学及其治疗特征的价格敏感度参数选择的拉索回归(Lasso)系数分布图。
图4是本发明提供的高血压患者药物选择敏感度评估模型轴线图。
图5是本发明提供的药物选择价格敏感度评价准确性研究图。
图6是本发明提供的基于价格敏感度的高血压用药方案选择对患者净货币效益研究曲线。
图7是本发明提供的一种用于高血压药物治疗价格敏感度的识别装置图。
具体实施方式
结合附图对本发明具体方案具体实施例作进一步的阐述。
患者用药依从性是决定血压控制的关键因素,而不同患者对治疗费用的认知是导致其用药依从性差异的重要原因。当患者认为用药方案的治疗费用超过其支付意愿或者经济承受能力时,容易造成其自行改变治疗方案或者终止治疗的情况发生,从而降低血压控制率,并增加其它并发症的发生风险。
如图1所示,本发明针对上述问题,提供了一种用于高血压药物治疗价格敏感度的识别方法,包括如下步骤:
一种用于高血压药物治疗价格敏感度的识别方法,包括如下步骤:
S1、获取患者特征数据,建立分析数据集;
S2、通过ICD-10疾病编码,抽取诊断为原发性高血压的患者特征数据;
S3、对患者特征数据进行数据清洗、脱敏;
S4、根据患者用药方案的差异及清洗、脱敏后的患者数据的类别构建研究队列,结合患者随访数据转换建立原发性高血压结构化分析数据集;
S5、形成患者对血压控制标准与多种高血压用药方案的价格敏感度计算模型;
S6、基于价格敏感度计算模型,生成可用于识别患者不同特征因素的价格敏感度识别轴线图,价格敏感度识别轴线图中包括特征参数;
S7、根据价格敏感度识别轴线图及工作坐标刻度,选定价格关联要素,计算患者价格敏感度的理论分值;
S8、基于净效益回归模型,判断患者净效益值是否与价格敏感度理论分值相一致,若不一致则修正价格敏感度计算模型的特征参数;
S9、若判断一致则确定患者价格敏感度。
S5、所述的价格敏感度计算模型以患者成本投入及血压控制值为目标响应变量,分析不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析实现价格敏感度计算模型的构建。
S10、若S8中判断为不一致,则对价格敏感度计算模型的特征参数进行修正,包括通过拉索回归计算患者特征参数的最优个数和多元逻辑回归识别最优参数名称。
S11、所述患者净效益值的确定方法,包括通过净效益回归框架生成高血压药物治疗的回归模型,计算患者净效益值。
目前高血压的一线用药方案包括血管紧张素转化酶抑制剂、钙通道阻滞剂、血管紧张素Ⅱ受体拮抗剂(ARB)、利尿剂、或β-受体阻滞剂,以及上述2种或3种药物的联合应用,以及上述2种或3种药物组成的复方制剂。
通过研究队列结合患者随访数据建立结构化分析数据集,患者随访数据包括患者被诊断为高血压后血压的控制范围,以及高血压相关并发症(主要是心血管疾病、脑卒中、高血压肾病)的发生情况。
S9、中,通过拉索回归计算患者特征参数的最优个数和多元回归分析确定最优参数名称,LASSO回归算法(通过拉索回归算法,Least Absolute Shrinkage and SelectionOperator)对患者用药方案选择的人口统计学及其治疗特征参数进行降维,筛选用药方案的价格关联要素。
所述患者特征数据包括血管紧张素转化酶抑制剂与钙拮抗剂联合用药方案和单独使用联合钙拮抗剂用药方案的两种特征数据;所述特征参数包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,从中选定的价格关联要素包括患者年龄层次、性别特征、并发症数量、日服药频率以及是否专科治疗。
为达到实施效果,选取门诊诊疗过程能直接获得的患者特征参数数据,共八项,具体包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,上述特征数据能反映高血压患者的当前治疗状态。从上述八项特征参数中通过本发明提供的方法选出五项作为价格关联要素。
所述人口统计学是指以患者成本投入及血压控制值为结局变量,分析不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析技术,构建价格敏感度轴线图,实现对高血压多种用药方案的价格敏感度评价。
S11中,具体为使用正则化技术,保留所有特征,构建回归方程:Y=β0+β1X1+β2X2+…+βnXn+e,而最佳拟合试图最小化RSS,RSS是实际值减去估计值差的平方和,可以表示为:β12+β22+…+βn2,通过正则化,在RSS的最小化过程加入一个新参数,称之为收缩惩罚项。这个惩罚项包括一个希腊字母λ以及对β系数和权重的规范化结果。具体在模型中通过RSS+λ(规范后的系数)代替RSS;在模型的构建过程中,进一步对λ进行选择,通过使得所有权重的绝对值之和最小,也就是最小化RSS+λ(sum∣βn∣)来确定最佳参数。
价格关联要素选择方法如下:
如图2LASSO降维图所示,使用LASSO回归算法筛选用药方案的关联要数,通过五倍交叉验证方法确定lambda值为0.00000338时,选取log(lambda)值为-5.47,该值对应的关联要数个数既为5个,即为患者年龄层次、性别、并发症数量、日服药频率以及是否专科治疗;左侧虚线代表多项式偏差最小时的Lambda对数函数值,右侧虚线代表最佳lambda值对应的对数函数值;图片顶端的数值为患者特征数。通过选取最小lambda时的价格关联要素个数,即为最佳个数,其中,图2的箭头标注位置为最小lambda值的取值。
如图3 Lasso系数分布图所示,通过lambda的对数值生成Lasso系数分布图,确定lambda值为0.00000338时,选取log(lambda)值为-5.47,该值对应的非零系数为特征参数,既为价格关联要素。
通过本发明的价格关联要素计算用户的价格敏感度,能直观的得出的高血压药物治疗价格敏感度轴线图,其使用方法如下:
具体使用时根据价格敏感度识别轴线图上的工作坐标刻度找到各变量相对应的分值,再将各分值相加得到总分,最后在价格敏感度识别轴线图上找到总分值对应的刻度点,垂直投射到敏感度价格敏感度识别轴线图上就能得到相应敏感度系数,价格敏感度数值越大表示对价格的承受能力越强。通过上述计算可以预先知道每个患者对于用药方案的价格敏感度,为医生提供符合患者支付意愿或经济承受能力的高血压用药方案提供参考指标,避免因价格因素而导致的患者自行改变治疗方案或停止治疗的行为发生。
根据上述选择的五个关键要素设立以下参数进行四组实验:
参数设置如下:患者年龄层次小于60岁,计为0分;患者年龄层次大于60岁,计为63.5分;
患者性别为男性,计为0分;患者性别为女性计为27.5分;
患者高血压并发症数1种,计为0分;患者高血压并发症数2-3种,计2分;患者高血压并发症数大于等于4种,计为62分;
患者日服药频率1天1次,计为0分;患者服药频率1天3次,计为36分;患者服药频率1天2次,计为100分;
患者接受专科治疗,计为0分;患者未接受专科治疗计为100分;
每位患者根据上述特征,进行每项分数的累积,累积分数大于152分以上(价格敏感度大于0.8),其对价格较为敏感。
第一组、对高血压患者药物选择的多元回归分析:
Logistic多因素回归分析结果显示(表1),患者在年龄层次,性别,4种或4种以上并发症数,日服药频率1天2次以及是否接受专科治疗水平上的差异与实际用药方案的选择相关。
表1中β值接近0的价格关联要素,表示是与结果相关性较差。
表1中0R一列依次是指,大于60岁的和小于60的比值,性别是男性和女性的比值,并发症(2-3种)是针对并发症只有一种的比值;并发症4种或4种以上也是针对只有一种并发症的比值,服药频率(1天2次,和1天3次)分别是针对1天1次的比值,专科治疗是针对非专科治疗的比值。
第二组、如图4所示,药物选择价格敏感度研究:
针对现实中高血压治疗药物价格是不断变化的,各地各医院的价格和成本也各有不同,应用了轴线图研究方法对患者药品选择价格敏感度进行判断。轴线图是用于研究临床终点结局可能性或发生概率的一种统计学方法,为更加直观的判断不同用药方案对患者价格敏感度的影响,将单张处方的总价作为首要考察因素。根据处方金额分布,将前20%的处方总价暂定为第一层次金额,通过轴线技术,以处方金额为临床结局,结合药物选择价格关联要素,建立价格敏感度列线图。
第三组、如图5所示,药物选择价格敏感度评价准确性研究:
针对价格敏感度轴线图对患者价格敏感度判断的准确性,应用校正曲线研究方法对轴线图的准确性进行判断,发现校正曲线围绕理想曲线分布,提示模型预测的药物选择敏感度具有较高可信度;进一步通过ROC(曲线下面积)计算轴线图的C-index来判断价格敏感度识别方法的区分能力,通过计算得出C-index==0.77(95%CI:0.746-0.808),而常规认为C-index大于0.71就表示预测方法具有中等准确性(临床可用范围内);上述结论说明本发明提供的价格敏感度识别方法具有较好的可信度和区分度。
第四组、如图6所示,基于价格敏感度的高血压用药方案选择对患者净货币效益研究:
图中:
X轴:列线图预测的价格敏感度阈概率值,Y轴:净治疗费用,红色实线代表列线图敏感度模型预测的治疗费用,灰色实线代表所有患者选择ACEI+CCB治疗策略的治疗费用,黑色实线代表所有患者不治疗的费用。净治疗费用的计算方法是通过从真阳性的比例中减去所有假阳性患者的比例,并将其与不必要治疗的负面后果相比较,通过前次治疗的相对危害进行加权。
该研究得出在价格敏感度列线图的基础上,通过决策曲线的分析方法发现:阈值概率在18-78%之间时,患者根据价格敏感度选择用药方案比单纯选择ACEI+CCB有更多的净治疗费用获益。
实施例还提供一种用于高血压药物治疗价格敏感度的识别装置,如图7所示,包括:
获取输入模块101,获取患者特征数据,建立分析数据集;
抽取模块102,通过ICD-10疾病编码,抽取诊断为原发性高血压的患者特征数据,进行数据清洗、脱敏;
研究队列构建模块103,根据患者用药方案的差异及清洗、脱敏后的患者数据类别构建研究队列,结合患者随访数据转换建立原发性高血压结构化分析数据集,形成患者对血压控制标准与多种高血压用药方案的价格敏感度计算模型;
建立模块104,通过价格敏感度计算模型,生成可用于识别患者不同特征因素的价格敏感度识别轴线图,价格敏感度识别轴线图中包括特征参数;通过价格敏感度识别轴线图及工作坐标刻度,选定价格关联要素,计算患者价格敏感度的理论分值;
判断模块105,判断患者净效益值是否与价格敏感度理论分值相一致,若不一致则修正价格敏感度计算模型的特征参数,若判断一致则确定患者价格敏感度。
计算模块106,若判断模块中判断为不一致,则对价格敏感度计算模型的特征参数进行修正,包括通过拉索回归计算患者特征参数的最优个数和多元逻辑回归识别最优参数名称。
所述研究队列构建模块103,所述的价格敏感度计算模型以患者成本投入及血压控制值为目标响应变量,分析不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析实现价格敏感度计算模型的构建。
判断模块105中,所述患者净效益值的确定方法,包括通过净效益回归框架生成高血压药物治疗的回归模型,计算患者净效益值。
研究队列构建模块103中,所述患者特征数据包括血管紧张素转化酶抑制剂与钙拮抗剂联合用药方案和单独使用联合钙拮抗剂用药方案的两种特征数据;
所述特征参数包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,从中选定的价格关联要素包括患者年龄层次、性别特征、并发症数量、日服药频率以及是否专科治疗。
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 (9)
1.一种用于高血压药物治疗价格敏感度的识别方法,其特征在于,包括如下步骤:
S1、获取患者特征数据,建立分析数据集;
S2、通过ICD-10疾病编码,抽取诊断为原发性高血压的患者特征数据;
S3、对患者特征数据进行数据清洗、脱敏;
S4、根据患者用药方案的差异及清洗、脱敏后的患者特征数据的类别构建研究队列,结合患者随访数据转换建立原发性高血压结构化分析数据集;
S5、形成患者对血压控制标准与多种高血压用药方案的价格敏感度计算模型;
S6、基于价格敏感度计算模型,生成用于识别患者不同特征因素价格敏感度识别轴线图,价格敏感度识别轴线图中包括特征参数;
S7、根据价格敏感度识别轴线图及价格敏感度识别轴线图上的工作坐标刻度,在特征参数中选定价格关联要素,计算患者价格敏感度的理论分值;具体为:根据价格敏感度识别轴线图上的工作坐标刻度找到价格关联要素相对应的分值,再将各分值相加得到总分,最后在价格敏感度识别轴线图上找到总分值对应的刻度点,垂直投射到价格敏感度识别轴线图上得到相应患者价格敏感度的理论分值;
S8、基于净效益回归模型,判断患者净效益值是否与价格敏感度理论分值相一致,若不一致则修正价格敏感度计算模型的特征参数;
S9、若判断一致则确定患者价格敏感度。
2.根据权利要求1所述的一种用于高血压药物治疗价格敏感度的识别方法,其特征在于,步骤S5中所述的价格敏感度计算模型以患者成本投入及血压控制值为响应目标,计算不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析技术,构建价格敏感度识别轴线图,实现对高血压多种用药方案的价格敏感度评价。
3.根据权利要求1所述的一种用于高血压药物治疗价格敏感度的识别方法,其特征在于,若S8中判断为不一致,则对价格敏感度计算模型的特征参数进行修正,包括通过拉索回归计算患者特征参数的最优个数和多元逻辑回归识别最优参数名称。
4.根据权利要求1所述的一种用于高血压药物治疗价格敏感度的识别方法,其特征在于,所述患者净效益值是通过净效益回归框架生成高血压药物治疗的回归模型来计算的。
5.根据权利要求1所述的一种用于高血压药物治疗价格敏感度的识别方法,其特征在于,所述患者特征数据包括血管紧张素转化酶抑制剂与钙拮抗剂联合用药方案和单独使用联合钙拮抗剂用药方案的两种特征数据;
所述特征参数包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,选定的价格关联要素包括患者年龄层次、性别特征、并发症数量、日服药频率以及是否专科治疗。
6.一种用于高血压药物治疗价格敏感度的识别装置,其特征在于,包括:
获取输入模块,获取患者特征数据,建立分析数据集;
抽取模块,基于ICD-10疾病编码,抽取诊断为原发性高血压的患者特征数据,进行数据清洗、脱敏;
研究队列构建模块,根据患者用药方案的差异及清洗、脱敏后患者特征数据的类别,构建研究队列,结合患者随访数据转换建立原发性高血压结构化分析数据集,形成患者对血压控制标准与多种高血压用药方案的价格敏感度计算模型;
建立模块,通过价格敏感度计算模型,生成用于识别患者不同特征因素价格敏感度识别轴线图,价格敏感度识别轴线图中包括特征参数;通过价格敏感度识别轴线图及价格敏感度识别轴线图上的工作坐标刻度,在特征参数中选定价格关联要素,计算患者价格敏感度的理论分值;具体为:根据价格敏感度识别轴线图上的工作坐标刻度找到价格关联要素相对应的分值,再将各分值相加得到总分,最后在价格敏感度识别轴线图上找到总分值对应的刻度点,垂直投射到价格敏感度识别轴线图上得到相应患者价格敏感度的理论分值;
判断模块,判断患者净效益值是否与价格敏感度理论分值相一致,若不一致则修正价格敏感度计算模型的特征参数,若判断一致则确定患者价格敏感度;所述患者净效益值的确定方法,包括通过净效益回归框架生成高血压药物治疗的回归模型,计算患者净效益值。
7.根据权利要求6所述的一种用于高血压药物治疗价格敏感度的识别装置,其特征在于,所述的价格敏感度计算模型以患者成本投入及血压控制值为结局变量,分析不同研究队列特征参数的耦合及映射关系,通过多元回归及轴线图分析技术,构建价格敏感度识别轴线图,实现对高血压多种用药方案的价格敏感度评价。
8.根据权利要求6所述的一种用于高血压药物治疗价格敏感度的识别装置,其特征在于,所述装置还包括计算模块,若判断模块中判断为不一致,则对价格敏感度计算模型的特征参数进行修正,包括通过拉索回归计算患者特征参数的最优个数和多元逻辑回归识别最优参数名称。
9.根据权利要求6所述的一种用于高血压药物治疗价格敏感度的识别装置,其特征在于,研究队列构建模块中,所述患者特征数据包括血管紧张素转化酶抑制剂与钙拮抗剂联合用药方案和单独使用联合钙拮抗剂用药方案的两种特征数据;
所述特征参数包括患者年龄层次、体重状态、性别特征、日服药频率、并发症数以及是否接受专科治疗、处方药品品种数以及被诊断疾病的年限,从中选定的价格关联要素包括患者年龄层次、性别特征、并发症数量、日服药频率以及是否专科治疗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292012.9A CN110134672B (zh) | 2019-04-12 | 2019-04-12 | 一种用于高血压药物治疗价格敏感度的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292012.9A CN110134672B (zh) | 2019-04-12 | 2019-04-12 | 一种用于高血压药物治疗价格敏感度的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110134672A CN110134672A (zh) | 2019-08-16 |
CN110134672B true CN110134672B (zh) | 2020-12-25 |
Family
ID=67569838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910292012.9A Active CN110134672B (zh) | 2019-04-12 | 2019-04-12 | 一种用于高血压药物治疗价格敏感度的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134672B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696676A (zh) * | 2020-05-28 | 2020-09-22 | 思派健康产业投资有限公司 | 一种基于依从性的慢病患者筛选方法 |
CN112270967A (zh) * | 2020-11-16 | 2021-01-26 | 上海陶术生物科技有限公司 | 一种药物疾病匹配数据库 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003288416A (ja) * | 2002-03-27 | 2003-10-10 | Terumo Corp | 高血圧改善薬検索システム、それを用いた高血圧処方支援システム |
CN104584021B (zh) * | 2014-11-07 | 2018-08-28 | 曹庆恒 | 一种智能选药的方法、系统和设备 |
CN106600455A (zh) * | 2016-11-25 | 2017-04-26 | 国网河南省电力公司电力科学研究院 | 一种基于逻辑回归的电费敏感度评估方法 |
CN109473175A (zh) * | 2018-11-07 | 2019-03-15 | 中山大学附属第三医院(中山大学肝脏病医院) | 一种针对肝纤维化的非侵入性血清学评分模型及其设计方法 |
-
2019
- 2019-04-12 CN CN201910292012.9A patent/CN110134672B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110134672A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170206327A1 (en) | Self-improving method of using online communities to predict health-related outcomes | |
US20240186021A1 (en) | Monitoring predictive models | |
EP1717722A2 (en) | System and method for early identification of safety concerns of new drugs | |
US10593000B2 (en) | System and method for determining thresholds or a range of values used to allocate patients to a treatment level of a treatment program | |
CN110134672B (zh) | 一种用于高血压药物治疗价格敏感度的识别方法及装置 | |
US20070150314A1 (en) | Method for carrying out quality control of medical data records collected from different but comparable patient collectives within the bounds of a medical plan | |
EP3433614A1 (en) | Use of clinical parameters for the prediction of sirs | |
EP3764904A1 (en) | Systems and methods for neuro-behavioral relationships in dimensional geometric embedding (n-bridge) | |
US8417541B1 (en) | Multi-stage model for predicting probabilities of mortality in adult critically ill patients | |
CN110751996B (zh) | 基于递归分区计算的高血压用药推荐模型及其构建方法 | |
CN110782990B (zh) | 用于基层公卫服务脑卒中风险评估的方法、系统及移动平台 | |
Lustig et al. | A machine learning algorithm for early detection of heel deep tissue injuries based on a daily history of sub‐epidermal moisture measurements | |
CN111951924A (zh) | 一种异常用药行为检测方法及系统 | |
KR20230126155A (ko) | 인공지능을 기반으로 의학 데이터를 활용하여 성분의 효능을 사용자 맞춤형으로 분석하는 방법, 서버 및 프로그램 | |
Jiao et al. | Identifying asthma patients at high risk of exacerbation in a routine visit: a machine learning model | |
Koskela et al. | Longitudinal HRQoL shows divergent trends and identifies constant decliners in asthma and COPD | |
WO2022246882A1 (zh) | 一种诊断多囊卵巢综合征的系统和方法 | |
KR20130008677A (ko) | 사상체질 분류방법 | |
CN111148999A (zh) | 用于预测新生儿胆红素水平的方法和计算机程序 | |
Dil-Nahlieli et al. | Validation of a novel Artificial Pharmacology Intelligence (API) system for the management of patients with polypharmacy | |
CN111184948B (zh) | 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统 | |
Ashenhurst et al. | A generalized method for the creation and evaluation of polygenic scores | |
JP2023536873A (ja) | 侵襲性非ホジキンリンパ腫における忍容性の予測 | |
Kaciroti et al. | A Bayesian sensitivity model for intention‐to‐treat analysis on binary outcomes with dropouts | |
CN117079760B (zh) | 华法林剂量调整方法、系统及临床辅助决策系统 |
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 |