CN110246591B - 一种中医药治疗人群的预后预测系统 - Google Patents
一种中医药治疗人群的预后预测系统 Download PDFInfo
- Publication number
- CN110246591B CN110246591B CN201910636553.9A CN201910636553A CN110246591B CN 110246591 B CN110246591 B CN 110246591B CN 201910636553 A CN201910636553 A CN 201910636553A CN 110246591 B CN110246591 B CN 110246591B
- Authority
- CN
- China
- Prior art keywords
- population
- treatment
- chinese medicine
- patient
- module
- 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
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提出了一种中医药治疗人群的预后预测系统，适用于判别各种疾病预后，包括输入模块、数据转化模块、判别模块、预测模块和显示模块，其中判别模块采用二次判别分析模型进行判别，将转化后的自变量参数作为自变量，概率作为因变量，计算该患者属于某疾病优势人群的概率；将计算得到的治疗优势人群概率与预设的阈值进行比较，如果优势人群概率大于等于预设的阈值，则判断该患者属于优势人群。通过该系统的建立能够在开展治疗前预先进行优势人群预测，提高治疗的针对性与优势性。
Description
技术领域
本发明涉及医疗卫生技术领域，特别涉及一种中医药治疗人群的预后预测系统，该系统可在开展治疗前进行优劣势人群判别，从而指导中医药的临床治疗实践，使中医药的临床治疗更加针对有效。
背景技术
随着社会的发展，现代医学技术的不断革新，医学成果逐渐受到了重视，各种检测手段、诊断方式、治疗手段层出不穷，如何在众多诊疗手段中为患者选择最直接有效的诊疗方式是目前临床诊疗中的难点、重点。以晚期结直肠癌为例：晚期结直肠癌是威胁人类生命健康的主要恶性肿瘤之一，目前不能治愈。放化疗、靶向治疗、免疫治疗是晚期结直肠癌西医治疗的主要治疗手段，然基于美国国立综合癌症网络(National Comprehensive CancerNetwork,NCCN)发布的西医结直肠癌临床实践指南无法覆盖所有人群，且对接受治疗的人群有严格的要求，部分患者因体力状况差、经济差、高龄等原因无法接受系统的西医治疗，且毒副作用大，影响患者生活质量。
中医药擅长治疗复杂疾病，是我国的瑰宝，具有辨证论治、因人制宜、效价比高、应用方便等特点，在改善晚期肿瘤患者症状、延长生存期方面独具特色。然晚期结直肠癌患者存在个体差异性，对中医药的敏感性、获益程度不尽相同，据临床观察，不同的患者在同样的中医药治疗下，常常会出现不同的预后，存在对中医药治疗更敏感的中医优势人群，即中医受益人群或有效人群。
研究表明，利用判别分析可以辅助临床诊断，提高临床诊断的标准化、客观性以及准确性，预测疾病发展动向等作用，但目前关于中医药治疗人群预后预测系统的建立方面处于空白状态。
因此急需提供一种用于各种疾病中医药治疗人群预后预测的系统。通过该系统的建立能够在开展治疗前预先进行优劣势人群预测，提高治疗的针对性与优势性。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种使用简单、预测准确性高的中医药治疗人群的预后预测系统。
为了完成上述目的，本发明提供了一种中医药治疗人群预后预测系统，适用于判别各种疾病中医干预治疗的优劣势人群分类。需要强调的是，在本申请中，优势人群、有效人群、优效人群、受益人群等都具有等同的含义，其含义是指能够从某项治疗中获益的人群或某项治疗能够产生较好疗效的人群。
本发明具体采用以下技术方案。
一种中医药治疗人群的预后预测系统，包括数据输入模块、数据转化模块、判别分析模块、预测模块和显示模块；其特征在于：
数据输入模块，用于输入患者数据，然后上传至数据转化模块；
所述数据转化模块对接收到的患者数据赋值处理转化为用于判别分析，模块训练的自变量参数，然后上传至判别分析模块；
所述判别分析模块接收自变量参数作为训练样本，对样本训练后生成预测模型；
所述预测模块基于判断分析模块生成的预测模型患者预后进行预测分析，以患者数据作为输入，当预测模块经训练后的预测模型所输出的概率值与预设阈值进行比对，判断患者是属于预后优势人群、预后劣势人群和中间人群，并将判断结果发送至显示模块进行显示。
本发明进一步包括以下优选方案：
所述患者数据包括但不限于发病部位、转移部位、基因分型、KPS评分、中医证型、症状总评分、中医主症评分和生活质量评分，通过数据输入模块输入患者数据。
所述发病部位是指肿瘤病灶的原发部位；所述转移部位是指病灶原发部位转移到的其他部位；所述基因分型包括KRAS/NRAS突变、BRAF突变；
所述中医证型包括肝郁/虚、肺虚、肾虚、脾虚的中医证型；
所述KPS评分是把患者的健康状况按照设定标准进行评分；
所述中医主症评分是指参照疼痛NRS分级法，表征症状的不同程度；
所述中医症状总评分是指参照疼痛NRS分级法，表征不同程度的所有症状叠加情况；
所述生活质量评分是指参照MDASI量表，根据所有影响生活质量因素评分相加得到总分值，以评价患者的生活质量。
在数据转化模块中，对由数据输入模块上传的患者数据进行赋值，具体如下：
对于不同的发病部位，赋值为1或0，其中以晚期结直肠癌为例，左半肠赋值位1，右半肠赋值为0；
对于转移部位，以晚期结直肠癌为例，肝转移赋值为1，没有肝转移赋值为0；肺转移赋值为1，没有肺转移赋值为0；
对于基因分型，以晚期结直肠癌为例，基因分型为KRAS/NRAS基因突变赋值为1，KRAS/NRAS基因野生赋值为0；BRAF基因突变赋值为1，BRAF基因野生赋值为0；
对于中医证型，赋值标准如下：
对于KPS评分是把病人的健康状况严格按照卡氏功能状态评分标准即KPS表进行评分；
对于中医主症评分参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状，以实际分数进行赋值，其中，0分为无症状，10分为症状最严重；
对于中医症状总评分参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状将所有症状分值相加，以实际总分数进行赋值，其中，0分为无症状，10分为症状最严重；
对于生活质量评分采用安德森症状评估表即MDASI量表，将所有影响生活质量因素评分相加得到总分值，以实际总分数进行赋值。
所述判别分析模块以经数据转化模块赋值后的患者数据，作为训练样本即自变量，采用交叉验证方法生成判别函数，并根据判别函数计算得到的有关参数建立预测模型；
在判别分析模块中，可选择性地采用以下判别模型对患者数据进行训练：
线性判别模型、二次判别模型、混合判别模型和灵活判别模型。
当采用线性判别(Linear Discriminant Analysis，LDA)模型时，按照以下内容对判别模型进行训练，所述判别分析模块将训练后得到的优势人群、劣势人群以及一般人群的概率分布公式作为预测模型上传至预测模块：
(1)按照下式将样本数据即自变量参数压缩到两个维度上，每个维度的形式是自变量的线性组合：
V1＝β11x1+β12x2+…+β1pxp
V2＝β21x1+β22x2+…+β2pxp
其中，自变量共有p维；V1、V2分别表示在两个维度下的样本特征值；x1、x2...xp分别表示表示不同的患者数据经赋值后的自变量参数；β11、β12...β1p表示在第一维度下各自变量对应的系数，β21、β22...β2p表示在第二维度下各自变量对应的系数；
(2)采用使得以下指标J最大化的方法求取两个维度下的对应系数值：
其中，tr为矩阵求迹运算符，w是由β11，β12，...β1p和β21，β22，...β2p构成的p行2列矩阵，wT为w的转置矩阵，Sb度量类间方差，Sw度量类内方差；
(3)设定各个类别的样本数据符合高斯分布，根据自变量x1，x2...，xp，和确定的两个维度下对应的系数值β11～β1p，β21～β2p，计算两个维度下的样本特征值V1和V2；
(4)接着计算各个类别投影数据的均值和方差，所述类别包括劣势人群、优势人群和中间人群；设定各个人群的概率密度函数符合二维高斯分布，得到劣势人群的概率分布公式f1(v1，v2)，优势人群的概率分布公式f2(v1，v2)，以及一般人群的概率分布公式f3(v1，v2)。
对于待预测的患者，通过数据输入模块输入该患者数据，在所述预测模块中，基于训练得到的预测模型即三种人群的概率分布公式，计算该待预测患者属于各类人群的概率p1，p2，p3；
其中，p1，p2，p3分别表示属于预后劣势人群、预后优势人群和预后一般人群的概率；
当p1大于0.5时，则判断该患者属于预后劣势人群；
当p2大于0.5时，则判断该患者属于预后优势人群；
否则，判断该患者属于预后一般人群。
本发明具有以下有益的技术效果：
通过本发明的中医药治疗人群的预后预测系统，能够在开展中医药治疗前较为准确地判别各种疾病患者中的优势人群、劣势人群、中间人群，提高治疗的针对性与优势性。
附图说明
图1是本发明的预后优势人群判别预测系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚，对本发明进行进一步详细说明。应当理解的是，说明书中所描述的具体实施方式仅仅用与对本发明进行解释说明，并不用于限定本发明的保护范围。
如附图1所示为本发明公开的预后优势人群判别预测系统结构框图，本发明公开了一种中医药治疗人群的预后预测系统，包括数据输入模块、数据转化模块、判别分析模块、预测模块和显示模块。
其中数据输入模块，用于输入患者数据，然后上传至数据转化模块；
在本申请的优选实施例中，以晚期结直肠癌为例进行介绍，但本领域技术人员应清楚，不同的病种会选取不同的患者数据，以晚期结直肠癌为例进行介绍只是为了帮助读者更清楚地理解本申请的发明精神，并非是对本申请专利保护范围的限制，相反，任何根据患者不同发病类型所进行的患者数据的调整，都是本领域技术人员容易想到的，都涵盖在本申请专利的保护范围之内。
所述患者数据包括但不限于发病部位、转移部位、基因分型、KPS评分、中医证型、症状总评分、主症评分和生活质量评分，通过数据输入模块输入患者数据。
其中，发病部位是指肿瘤病灶的原发部位，以结直肠癌为例，包括左半肠(结肠脾曲、降结肠、乙状结肠、直肠、直乙交界、降乙结肠)，右半肠(升结肠、盲肠、横结肠以及结肠肝曲)。
转移部位是指病灶原发部位转移到的其他部位，包括指肝转移、肺转移；
基因分型包括KRAS/NRAS突变、BRAF突变；
KPS评分是指病人的体力健康状况；
中医证型包括肝郁/虚、肺虚、肾虚、脾虚
中医主症评分是指与患者病情相关的主要临床症状，评分参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0分为无症状，10分为症状最严重)；
中医症状总评分是指患者所有与疾病相关的中医症状，参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0分为无症状，10分为症状最严重)将所有症状分值相加，即为总分。
生活质量评分是指影响患者生活质量的因素，评分标准参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0分为无症状，10分为症状最严重)，根据所有影响生活质量因素评分相加得到总分值。所述数据转化模块对接收到的患者数据赋值处理转化为用于判别分析，模块训练的自变量参数，然后上传至判别分析模块；
对于不同的患病类型，可以对患者数据赋值进行调整。在本申请的优选实施例中，患者数据按以下方式进行赋值：
(1)发病部位赋值为“1”或“0”，其中以晚期结直肠癌为例，左半肠赋值位1，右半肠赋值为0；
(2)转移部位赋值为“1”或“0”，以晚期结直肠癌为例，肝转移赋值为1，没有肝转移赋值为0；肺转移赋值为1，没有肺转移赋值为0；
(3)基因分型赋值为“1”或“0”，以晚期结直肠癌为例，基因分型为KRAS/NRAS基因突变赋值为1，KRAS/NRAS基因野生赋值为0；BRAF基因突变赋值为1，BRAF基因野生赋值为0；
(4)中医证型为赋值为“1”或“0”，以晚期结直肠癌为例，肝郁/虚为1、不是肺虚、肾虚、脾虚的中医证型……
(5)KPS评分按照具体分数值进行赋值，即对于KPS评分是把病人的健康状况严格按照卡氏功能状态评分标准即KPS表进行评分(参见表1)，病人的健康状况视为总分100分，10分一个等级。
表1
(6)中医主症评分按照实际分数进行赋值，评分标准参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0分为无症状，10分为症状最严重)。
(7)中医症状总评分按照实际分数进行赋值，评分标准参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0分为无症状，10分为症状最严重)将所有症状分值相加。
(8)生活质量评分按照实际分数进行赋值，评分标准参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0分为无症状，10分为症状最严重)，根据所有影响生活质量因素评分相加得到总分值。
所述判别分析模块以经数据转化模块赋值后的患者数据，作为训练样本，采用交叉验证方法生成的预测模型。
本领域技术人员应清楚，在判别分析模块中，可选择性地采用线性判别模型、二次判别模型、混合判别模型和灵活判别模型对患者数据进行训练
在本申请的实施例中以线性判别为例，介绍如何对训练输入样本训练后得到预测模型。
当采用线性判别(Linear Discriminant Analysis，LDA)模型时，按照以下内容对判别模型进行训练：
(1)按照下式将样本数据即自变量参数压缩到两个维度上，每个维度的形式是自变量的线性组合：
V1＝β11x1+β12x2+…+β1pxp
V2＝β21x1+β22x2+…+β2pxp
在本次研究中，自变量共有13维(参见表2)，即p＝13。V1、V2分别表示在两个维度下的样本特征值；x1、x2...xp分别表示表示不同的患者数据经赋值后的自变量参数；β11、β12...β1p表示在第一维度下各自变量对应的系数，β21、β22...β2x表示在第二维度下各自变量对应的系数
(2)采用的是使得以下指标最大化的方法：
公式中，w是由β11，β12，...β1p和β21，β22，...β2p构成的13行2列的矩阵：
其中，Sb度量类间方差，Sw度量类内方差。它们的计算公式如下：
先给出“全局散度矩阵”的定义：
其中μ表示13个自变量的均值向量，120是指本实例使用的是120例晚期结直肠癌患者数据。
类内散度矩阵是每一个类别的散度矩阵之和，即：
Sb＝St-Sw
本研究中，根据样本数据，通过最优化指标J而得到的β11，β12，...β1p和β21，β22，...β2p(p＝13)结果如下表所示，表中第3列是β11～β113，第4列是β21～β213。
表2
(3)将LDA用于分类的基本思想是：假设各个类别的样本数据符合高斯分布，根据自变量x1，x2...，x13，和表格2中β11～β113，β21～β213的结果，计算出每个样本对应的v1和v2，计算公式如下：
V1＝-0.83x1+0.62x2-0.27x3+0.99x4-0.45x5+0.18x6+0.66x7+0.27x8+1.19x9-0.08x10-0.16x11-0.04x12-0.45x13
V2＝-0.34x1-0.35x2-0.72x3-0.74x4+0.68x5+0.41x6-1.09x7-0.28x8-0.01x9+0.30x10-0.8x11+0.97x12+1.24x13
接着计算各个类别投影数据的均值和方差，结果如下表3所示：
表3
| 人群 | V1均值 | V1标准差 | V2均值 | V2标准差 | V1，V2协方差 | 相关系数 |
| 劣势人群 | -2.81 | 0.89 | -2.71 | 1.16 | 0.32 | 0.31 |
| 优势人群 | -3.92 | 1.03 | -3.69 | 1.05 | 0.12 | 0.11 |
| 中间人群 | -2.95 | 1.00 | -4.00 | 0.93 | -0.14 | -0.15 |
(4)设定各个人群的概率密度函数都是二维高斯分布，则上表结果已给出各类别二维高斯分布的全部参数，可以得到f1(v1，v2)，f2(v1，v2)，f3(v1，v2)。
其中，劣势人群的概率分布公式f1(v1，v2)，优势人群的概率分布公式f2(v1，v2)，以及一般人群的概率分布公式f3(v1，v2)。
以优势人群的概率分布公式f2(v1，v2)为例：
对于优势人群，σ1是V1标准差：1.03，σ2是V2标准差：1.05，μ1是V1均值：-3.92，μ2是V2均值：-3.69，ρ是相关系数，为0.11，将以上结果代入公式，即得到f2(v1，v2)。
同样，可以计算出f1(v1，v2)f3(v1，v2)
判别分析模块将上述经过样本数据训练后得到的预测模型即基于患者数据的各类人群概率分布计算公式上传至预测模块
在预测模块中，当新的样本到来时(即待预测的患者数据)，可以将它投影，即根据两个线性公式得到投影后的样本特征v1，v2。
接着根据各个类别的高斯密度函数，将v1，v2分别代入f1(v1，v2)，f2(v1，v2)，f3(v1，v2)中，即可计算样本属于各类的概率p1，p2，p3。
其中，p1，p2，p3分别表示属于预后劣势人群、预后优势人群和预后一般人群的概率；
当p1大于0.5时，则判断该患者属于预后劣势人群；
当p2大于0.5时，则判断该患者属于预后优势人群；
否则，判断该患者属于预后一般人群。
下面进一步引用具体病例对本发明的技术方案进行说明，发明人需要指出的是，基于本发明思想，能够针对任何疾患进行预后优势人群预测，120例晚期结直肠癌患者的实施例只是为了说明和验证本发明的技术方案，并不构成对本发明保护范围的限制。
发明人从120例晚期结直肠癌患者的疾病信息、治疗信息等进行深入观察分析，根据生存结果计算患者IV期生存时间，即从发现IV期时间的时间到患者死亡或最后一次随访的时间。以患者IV期生存时间为因变量，将发病部位(左半肠，右半肠)、年龄(65岁上下)、性别(男，女)、基因(全野生，KRAS/NRAS突变，BRAF突变)、转移部位、KPS(连续指标)、中医辨证分型(单证型脏腑辨证)、中医主症评分、中医症状总分、生活质量评分作为自变量，建立形式为的Cox模型，其中为基准风险率，t表示时间，为影响因素，影响因素的数值由观测数据得到，β1,β2，…βp是表示模型拟合的自变量参数结果。通过Cox模型进行预后因素筛选，选取有显著统计学差异(P＜＝0.1)的变量(P表示统计结果的显著性水平，由对自变量参数结果进行的假设检验计算得到)。
通过以上的预后因素筛选，选取发病部位(左半肠，右半肠)、转移部位(肝转移、肺转移)、基因分型(KRAS/NRAS突变，BRAF突变)、KPS评分、症状总评分、主症评分、生活质量评分，结合临床经验和描述分析的结果，加入中医证型作为自变量，把前期制定的中医干预治疗后的优势、劣势、中间人群划分标准作为因变量，进行二次判别分析，建立中医药治疗人群预后预测模型。
中医干预治疗后的优势、劣势、中间人群的划分标准如下：
中医优势人群标准为：截至患者死亡或最后一次随访时间基因全野生型IV期生存期≥30月，RAS突变型IV期生存期≥24月，BRAF突变型IV期生存期≥18月，未行基因检测IV期生存期≥18月。
中医劣势人群标准为：达到生存终点且IV期生存期≤12月。
中间人群标准为：除去中医优势人群与中医劣势人群的剩下人群。
症状总评分、主症评分和生活质量评分的评分标准参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状(0为无症状，10为症状最严重)
中医药治疗人群预后预测模型的变量赋值说明如下：
表4 判别分析所用变量说明
实施例
首先，在输入模块中输入患者的信息数据，患者的信息数据包括以下信息：
表5
数据转化模块根据以上判别分析所用变量说明对各变量进行赋值，得到如下表：
表6
在预测模块中将待预测的患者数据代入经训练后得到的中医药治疗人群预后预测模型中，得到条件概率为0.9，并与预设的阈值(当前定为0.5)进行比较，因变量参数0.9大于预设的阈值，所以判断该患者属于中医干预治疗后的优势人群。
预测模块将判别模块的判别结果上传至数据中心，并生成预测结果。
显示模块向用户显示：中医干预治疗后的优势人群概率为0.9以及属于中医干预治疗后的优势人群。
发明人采用120例晚期结直肠癌患者的疾病信息、治疗信息进行预测，并与最终中医治疗结果相比较，总的预测准确率达到84.2％，在劣势人群的预测准确率达100％。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (5)
1.一种中医药治疗人群的预后预测系统，包括数据输入模块、数据转化模块、判别分析模块、预测模块和显示模块；其特征在于：
数据输入模块，用于输入患者数据，然后上传至数据转化模块；其中，患者数据包括发病部位、转移部位、基因分型、KPS评分、中医证型、症状总评分、中医主症评分和生活质量评分；
所述数据转化模块对接收到的患者数据赋值处理转化为用于判别分析模块训练的自变量参数，然后上传至判别分析模块；
所述判别分析模块接收自变量参数作为训练样本，对样本训练后生成预测模型；
所述预测模块基于判别分析模块生成的预测模型对患者预后进行预测分析，以待预测患者数据作为输入，当预测模块根据经训练后的预测模型所输出的概率值与预设阈值进行比对，判断患者是属于治疗优势人群、治疗劣势人群和治疗中间人群，并将判断结果发送至显示模块进行显示；
在判别分析模块中，设定治疗优势人群、治疗劣势人群和治疗中间人群的概率密度函数符合二维高斯分布，得到治疗劣势人群的概率分布公式f1(v1,v2)、治疗优势人群的概率分布公式f2(v1,v2)，以及治疗中间人群的概率分布公式f3(v1,v2)；
在预测模块中，计算样本属于各类别的概率p1,p2,p3：
根据各个类别的高斯密度函数，将v1,v2分别代入f1(v1,v2),f2(v1,v2),f3(v1,v2)中，即可计算样本属于各类的概率p1,p2,p3，其中，p1,p2,p3分别表示属于治疗劣势人群、治疗优势人群和治疗中间人群的概率值，v1,v2分别表示采用线性判别模型时，训练样本在第一维度和第二维度下的样本特征值；
当p1大于0.5时，则判断该患者属于治疗劣势人群；
当p2大于0.5时，则判断该患者属于治疗优势人群；
否则，判断该患者属于治疗中间人群；
其中，中医干预治疗后的优势人群即治疗优势人群、劣势人群即治疗劣势人群、治疗中间人群的划分标准如下：
治疗优势人群标准为：截至患者死亡或最后一次随访时间基因全野生型IV期生存期≥30月、RAS突变型IV期生存期≥24月、BRAF突变型IV期生存期≥18月，或未行基因检测IV期生存期≥18月；
治疗劣势人群标准为：达到生存终点且IV期生存期≤12月；
治疗中间人群标准为：除去中医优势人群与中医劣势人群的剩下人群。
2.根据权利要求1所述的中医药治疗人群的预后预测系统，其特征在于：
所述发病部位是指肿瘤病灶的原发部位；所述转移部位是指病灶原发部位转移到的其他部位；所述基因分型包括KRAS/NRAS突变、BRAF突变；
所述中医证型包括肝郁/虚、肺虚、肾虚、脾虚的中医证型；
所述KPS评分是把患者的健康状况按照设定标准进行评分；
所述中医主症评分是指参照疼痛NRS分级法，表征症状的不同程度；
所述中医症状总评分是指参照疼痛NRS分级法，表征不同程度的所有症状叠加情况；
所述生活质量评分是指参照MDASI量表，根据所有影响生活质量因素评分相加得到总分值，以评价患者的生活质量。
3.根据权利要求2所述的中医药治疗人群的预后预测系统，其特征在于：
在数据转化模块中，对由数据输入模块上传的患者数据进行赋值，具体如下：
针对不同的发病部位，赋值为1或0，对于晚期结直肠癌，左半肠赋值为1，右半肠赋值为0；
针对转移部位，对于晚期结直肠癌，肝转移赋值为1，没有肝转移赋值为0；肺转移赋值为1，没有肺转移赋值为0；
针对基因分型，对于晚期结直肠癌，基因分型为KRAS/NRAS基因突变赋值为1，KRAS/NRAS基因野生赋值为0；BRAF基因突变赋值为1，BRAF基因野生赋值为0；
针对中医证型，赋值标准如下：
对于KPS评分是把病人的健康状况按照卡氏功能状态评分标准即KPS表进行评分；
对于中医主症评分参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状，以实际分数进行赋值，其中，0分为无症状，10分为症状最严重；
对于中医症状总评分参照疼痛NRS分级法，用区间(0---10分)代表不同程度的症状将所有症状分值相加，以实际总分数进行赋值，其中，0分为无症状，10分为症状最严重；
对于生活质量评分采用安德森症状评估表即MDASI量表，将所有影响生活质量因素评分相加得到总分值，以实际总分数进行赋值。
4.根据权利要求1或3所述的中医药治疗人群的预后预测系统，其特征在于：
所述判别分析模块以经数据转化模块赋值后的患者数据，作为训练样本即自变量，采用交叉验证方法生成判别函数，建立预测模型。
5.根据权利要求4所述的中医药治疗人群的预后预测系统，其特征在于：
当采用线性判别模型时，按照以下内容对判别模型进行训练，所述判别分析模块将训练后得到的治疗优势人群、治疗劣势人群以及治疗中间人群的概率分布公式作为预测模型上传至预测模块：
(1)按照下式将样本数据即自变量参数压缩到两个维度上，每个维度的形式是自变量的线性组合：
v1＝β11x1+β12x2+…+β1pxp
v2＝β21x1+β22x2+…+β2pxp
其中，自变量共有p维；v1,v2分别表示在两个维度下的样本特征值；x1、x2…xp分别表示表示不同的患者数据经赋值后的自变量参数；β11、β12…β1p表示在第一维度下各自变量对应的系数，β21、β22…β2p表示在第二维度下各自变量对应的系数；
(2)采用使得以下指标J最大化的方法求取两个维度下的对应系数值：
其中，tr为矩阵求迹运算符，w是由β11,β12,…β1p和β21,β22,…β2p构成的p行2列矩阵，wT为w的转置矩阵，Sb度量类间方差，Sw度量类内方差；
(3)设定各个类别的样本数据符合高斯分布，根据自变量x1,x2…,xp，和确定的两个维度下对应的系数值β11～β1p，β21～β2p，计算两个维度下的样本特征值v1和v2；
(4)接着计算各个类别投影数据的均值和方差，所述类别包括治疗劣势人群、治疗优势人群和治疗中间人群；设定各个人群的概率密度函数符合二维高斯分布，得到治疗劣势人群的概率分布公式f1(v1,v2)、治疗优势人群的概率分布公式f2(v1,v2)，以及治疗中间人群的概率分布公式f3(v1,v2)；
其中，治疗优势人群的概率分布公式f2(v1,v2)按下式计算：
治疗劣势人群的概率分布公式f1(v1,v2)按下式计算：
治疗中间人群的概率分布公式f3(v1,v2)按下式计算：
将v1,v2分别代入f1(v1,v2),f2(v1,v2),f3(v1,v2)中，即可计算样本属于各类的概率p1,p2,p3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910636553.9A CN110246591B (zh) | 2019-07-15 | 2019-07-15 | 一种中医药治疗人群的预后预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910636553.9A CN110246591B (zh) | 2019-07-15 | 2019-07-15 | 一种中医药治疗人群的预后预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110246591A CN110246591A (zh) | 2019-09-17 |
| CN110246591B true CN110246591B (zh) | 2021-11-05 |
Family
ID=67892254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910636553.9A Active CN110246591B (zh) | 2019-07-15 | 2019-07-15 | 一种中医药治疗人群的预后预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246591B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910980A (zh) * | 2019-11-27 | 2020-03-24 | 医惠科技有限公司 | 一种脓毒血症的预警装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101389957A (zh) * | 2005-12-23 | 2009-03-18 | 环太平洋生物技术有限公司 | 结肠直肠癌的预后预测 |
| CN102479320A (zh) * | 2010-11-25 | 2012-05-30 | 康佳集团股份有限公司 | 一种人脸识别方法、装置及移动终端 |
| CN103793600A (zh) * | 2014-01-16 | 2014-05-14 | 西安电子科技大学 | 结合独立分量分析和线性判别分析的癌症预测方法 |
| CN108977539A (zh) * | 2018-07-24 | 2018-12-11 | 中山大学肿瘤防治中心 | 用于预测结直肠癌疗效和预后的基因甲基化面板 |
| CN109192316A (zh) * | 2018-07-02 | 2019-01-11 | 杭州师范大学 | 一种基于基因网络分析的疾病亚型预测系统 |
-
2019
- 2019-07-15 CN CN201910636553.9A patent/CN110246591B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101389957A (zh) * | 2005-12-23 | 2009-03-18 | 环太平洋生物技术有限公司 | 结肠直肠癌的预后预测 |
| CN102479320A (zh) * | 2010-11-25 | 2012-05-30 | 康佳集团股份有限公司 | 一种人脸识别方法、装置及移动终端 |
| CN103793600A (zh) * | 2014-01-16 | 2014-05-14 | 西安电子科技大学 | 结合独立分量分析和线性判别分析的癌症预测方法 |
| CN109192316A (zh) * | 2018-07-02 | 2019-01-11 | 杭州师范大学 | 一种基于基因网络分析的疾病亚型预测系统 |
| CN108977539A (zh) * | 2018-07-24 | 2018-12-11 | 中山大学肿瘤防治中心 | 用于预测结直肠癌疗效和预后的基因甲基化面板 |
Non-Patent Citations (3)
| Title |
|---|
| "基于Fisher判别分析的双目障碍识别研究";章浩伟等;《中国医学物理学杂志》;20150125;论文第1-2节 * |
| "晚期结直肠癌中医治疗预后因素分析";朱尧武等;《中国现代医学杂志》;20130520;论文第1-2节 * |
| "牙髓根尖周病根管治疗疗效预测模型的建立";张茗茗等;《北京大学学报（医学版）》;20171219;论文第1-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110246591A (zh) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | FLCRM: Functional linear cox regression model | |
| Emura et al. | Survival analysis with correlated endpoints: Joint Frailty-Copula models | |
| Yang et al. | Reliability and validity of dual-task mobility assessments in people with chronic stroke | |
| Williamson et al. | Propensity scores: from naive enthusiasm to intuitive understanding | |
| Chen et al. | Cancer symptom clusters: a validation study | |
| Plantinga et al. | MiRKAT-S: a community-level test of association between the microbiota and survival times | |
| JP2011501276A (ja) | 健康関連の転帰を予測するためのオンラインコミュニティを使用した自己改善方法 | |
| US20070027636A1 (en) | System and method for using genetic, phentoypic and clinical data to make predictions for clinical or lifestyle decisions | |
| JP2005276022A5 (zh) | ||
| JP7258871B2 (ja) | 遺伝子及びゲノムの検査並びに分析におけるバリアント解釈の、監査可能な継続的な最適化のための分子エビデンスプラットフォーム | |
| CN112470229A (zh) | 分析关于生物体的基因数据的计算机实现的方法 | |
| US20200251193A1 (en) | System and method for integrating genotypic information and phenotypic measurements for precision health assessments | |
| CN108345768A (zh) | 一种确定婴幼儿肠道菌群成熟度的方法和标志物组合 | |
| CN110246591B (zh) | 一种中医药治疗人群的预后预测系统 | |
| Ko et al. | A study of tongue and pulse diagnosis in traditional Korean medicine for stroke patients based on quantification theory type II | |
| Li et al. | Joint analysis of multiple phenotypes using a clustering linear combination method based on hierarchical clustering | |
| CN111370117A (zh) | 一种用于结直肠癌治疗人群的预后预测系统 | |
| Chen et al. | Classification and Progression Based on CFS‐GA and C5. 0 Boost Decision Tree of TCM Zheng in Chronic Hepatitis B | |
| Weininger et al. | Computational analysis based on audioprofiles: A new possibility for patient stratification in office-based otology | |
| Adetiba et al. | Ensembling of EGFR mutations’ based artificial neural networks for improved diagnosis of non-small cell lung cancer | |
| Kang et al. | Evaluation of biomarkers for treatment selection using individual participant data from multiple clinical trials | |
| Paul | A feature weighting-assisted approach for cancer subtypes identification from paired expression profiles | |
| Greenberg et al. | The impact of parenting a child with serious mental illness: Accounting for the parent’s genetic vulnerability to mental illness. | |
| Li et al. | Using the SVM Method for Lung Adenocarcinoma Prognosis Based on Expression Level | |
| US20240120096A1 (en) | Computational Method And System For Diagnostic And Therapeutic Prediction From Multimodal Data |
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 |